AI i inköp: från spendanalys till leverantörsbevakning

Inköp hamnar ofta sist när företag pratar AI. Ekonomiavdelningen har fakturatolkning, kundservice har sina assistenter, och inköp har... en klok person med långa leverantörsrelationer och ett stort kalkylark.

Det är bakvänt, för få funktioner sitter på så mycket outnyttjad data. Varje inköpsorder, fakturarad och leverantör finns redan registrerad i era system, och i den datan ligger svar på frågor de flesta SME inte kan besvara i dag: vad köper vi egentligen, av vem, till vilka priser, och följer vi de avtal vi förhandlat fram?

Branschen som helhet ligger tidigt i kurvan. Gartner fann i en undersökning bland supply chain-organisationer att 72 procent infört generativ AI, men att vinsterna mest syns hos enskilda medarbetare snarare än på organisationsnivå, och bara 23 procent hade 2025 en formell AI-strategi för området. Verktygen används, med andra ord, men sällan systematiskt. Där finns utrymmet för er som gör det ordnat.

AI i inköp innebär att språkmodeller och analysmodeller arbetar i inköpsdata som fakturarader, ordrar och avtal för att kategorisera köp, upptäcka avvikelser och bevaka leverantörer, sådant som tidigare krävde manuellt analysarbete.

AI i inköp börjar inte med nya system utan med data som redan finns: fakturarader, ordrar och leverantörsregister rymmer besparingar som ingen hunnit leta efter.

Här är de fem flöden vi ser ge mest effekt hos företag i storleken 25 till 250 anställda, i ungefär den ordning de brukar löna sig.

1. Spendanalys: vad köper ni egentligen?

Den klassiska spendanalysen strandar ofta på att datan är ostädad: fakturarader med fritext, samma leverantör registrerad på tre olika sätt, köp konterade lite som det blev. Just det är språkmodellernas hemmaplan. En modell kan läsa raderna, kategorisera köpen och slå ihop dubblerade leverantörer utan att någon först städar i månader.

Resultatet är nästan alltid överraskande. Spretig spend på kategorier ingen äger, prenumerationer som löper vidare, tjugo leverantörer där tre skulle räcka. Ett bygg- och installationsbolag vi mötte hittade vid en sådan genomgång inköp från över 40 leverantörer inom en enda kategori, där ramavtal fanns med två. Ingen hade gjort fel. Ingen hade heller haft överblicken.

2. Avtalstrohet: betalar ni de priser ni förhandlat fram?

Ett framförhandlat pris är bara värt något om det används. AI kan löpande jämföra fakturerade priser mot avtalade och flagga avvikelser: prishöjningar som smugit sig in, köp utanför ramavtal, volymrabatter som aldrig realiserats. Det brukar kallas maverick spend, och det växer i tysthet i alla organisationer där beställare har det stressigt.

Kontrollen är regelstyrd i grunden, men det är AI som gör den möjlig i praktiken, eftersom matchningen kräver att fakturarader tolkas och paras ihop med rätt avtalsvillkor. Utan strukturerad avtalsdata blir det första delprojektet att extrahera villkoren ur avtalen, samma teknik som vi beskrivit för avtalsgranskning med AI.

3. Fakturamatchning med förklaring

Trevägsmatchning, att faktura, order och leverans stämmer överens, finns i många affärssystem men fungerar ofta trubbigt: minsta avvikelse hamnar i en manuell kö. AI gör kön kortare genom att tolka avvikelserna. En differens på 4 procent kan bero på en valutajustering enligt avtal, ett fraktpåslag eller ett verkligt fel, och modellen kan avgöra vilket, godkänna det förklarliga och eskalera resten med en färdig sammanfattning.

Gränsen mot ekonomiavdelningens flöden är flytande, och den som vill se helheten kan läsa vår genomgång av AI på ekonomiavdelningen. Inköpsvinkeln är trevägsmatchningen mot order och leverans och hur avvikelserna hanteras, inte konteringen.

4. Leverantörsbevakning: från årlig till löpande

Leverantörsutvärdering är i många SME en årlig ritual med enkät och magkänsla. AI vänder på det: modellen bevakar löpande nyheter, kreditinformation och offentliga uppgifter om era nyckelleverantörer och sammanställer förändringar som är värda att känna till. Ägarbyte, vikande finanser, sanktioner, hållbarhetsanmärkningar.

Inför en omförhandling kan samma lösning bygga underlaget: prisutveckling över tid, avvikelser, alternativa leverantörer. Det ersätter inte relationen och omdömet hos den som förhandlar, men det ger förhandlaren ett underlag som motparten sällan väntar sig av ett mindre bolag.

5. Prognoser: köp rätt saker vid rätt tid

Det femte flödet är behovsprognoser: att förutse vad som behöver köpas in utifrån orderhistorik, säsong och ledtider, i stället för att beställa när hyllan gapar tom eller magkänslan säger till. Här närmar vi oss lagerstyrningens domän, som förtjänar en egen genomgång, men redan enkla prognosmodeller på befintlig orderdata brukar slå de tumregler som styr i dag.

En brasklapp: prognoser är det mest datakrävande av de fem flödena, och kvaliteten står och faller med historiken. Börja därför inte här, hur lockande det än låter. Bedömningen av vad er data räcker till är samma övning som vi beskrivit i datakvalitet inför AI.

Hur kommer ni igång utan att bygga fel?

Ordningen ovan är också vår viktigaste rekommendation. Spendanalysen först, för den kräver minst och lär er mest: den visar var pengarna rinner och var automatisering lönar sig. Avtalstrohet och fakturamatchning därefter, när faktaunderlaget finns. Bevakning och prognoser sist, när grunddata och arbetssätt satt sig. Företag som börjar i andra änden, med en avancerad prognosmodell ovanpå ostädad data, bygger imponerande demos som ingen litar på.

Nyfikna på vad er inköpsdata rymmer?

I en AI-strategi kartlägger vi era inköpsflöden, bedömer datan och prioriterar automatiseringarna efter sparad tid, kostnad och risk, så att ni börjar där effekten är störst. Vi arbetar med svenska SME i hela landet, med Stockholm som bas. Boka ett samtal så tittar vi på hur inköpen ser ut hos just er.