# Så förändrade AI-specificering B2B-inköpen

> Ingenjörer och inköpare frågar en assistent innan de öppnar en leverantörssajt. Vad det gör med specificering, designregistrering och efterfrågeskapande.

**Language:** sv  
**Published:** 2026-08-09  
**Category:** Market · **Tags:** B2B buying, specification, design registration, distribution, AI search, demand creation  
**Canonical:** https://partsgraph.ai/sv/blog/how-b2b-buying-changed-ai-specification

## I korthet

**Hur har AI förändrat B2B-inköpsresan och sättet som produkter specificeras på?**

Den första utvärderingsrundan av leverantörer har flyttat från leverantörernas webbplatser in i AI-assistenterna. Forrester fann att 94 % av företagsköparna numera använder AI någonstans i sin inköpsprocess, och att dubbelt så många pekade ut generativ AI eller samtalsbaserad sökning som en mer meningsfull informationskälla än något annat – före leverantörernas webbplatser, produktexperter och säljare. Den praktiska följden är att kortlistan ofta sätts samman innan en leverantör ens vet att affären finns, utifrån det assistenten kan läsa om dina artiklar. Specificeringen avgörs därför numera av maskinläsbar korrekthet snarare än av relationstäckning, och värdet tillfaller den som levererar de data maskinen citerar.

---

## Vad är det egentligen som har förändrats?

Förändringen är inte att köpare använder AI. Det är var i sekvensen de använder det.

I trettio år började den industriella inköpsresan med en sökning, en distributörssajt, en katalog eller en säljare, och slutade med en kortlista. Leverantörens uppgift var att finnas på plats i början – genom SEO, genom auktoriserad distribution, genom fältapplikationsingenjörer som satt tillsammans med konstruktörerna. Närvaro tidigt gav övervägande sent.

> **Figure.** Where the shortlist is set in B2B buying, and why the deciding step is invisible to vendors.

Den sekvensen har vänts upp och ned. Köparen börjar nu hos en assistent, landar i en kortlista och kommer först därefter i kontakt med någon leverantörsyta – oftast för att verifiera ett beslut som redan har smalnats av. Forresters analys från januari 2026 fann att 94 % av företagsköparna använder AI någonstans i sin inköpsprocess, upp från 89 % året innan, och – mer betydelsefullt än rubriksiffran – att dubbelt så många köpare pekade ut generativ AI eller samtalsbaserad sökning som en *mer meningsfull eller viktig* informationskälla än någon annan, före leverantörernas webbplatser, produktexperter och säljare.

Läs det noga. Det handlar inte om att AI är en kanal bland flera. Det handlar om att AI har trängt undan de kanaler som branschen har byggt i decennier.

## Var sker utvärderingen egentligen nu?

Tre datamängder triangulerar samma skifte från olika håll.

| Mätning | Resultat | Vad det innebär |
| --- | --- | --- |
| Forrester, företagsköpare, jan 2026 | 94 % använder AI i inköpsprocessen; 61 % använder privata AI-verktyg som arbetsgivaren tillhandahåller; köpare är ~2× så benägna som konsumenter att använda ChatGPT och ~4× så benägna att använda Copilot | En stor del av utvärderingen sker inne i företagsinstallationer som du inte kan mäta |
| SparkToro, amerikanska Google-sökningar, början av 2026 | 68 % slutar utan klick; ~276 klick per 1 000 sökningar når den öppna webben, ned från 374 år 2024 | Sidor läses i allt högre grad av maskiner och sammanfattas, i stället för att besökas |
| Adobe, amerikanska detaljhandelssajter, Q1 2026 | AI-hänvisad trafik upp 393 % jämfört med föregående år; konverterar 42 % bättre än trafik som inte kommer från AI under mars; 37 % högre intäkt per besök | AI-hänvisning är liten i absoluta tal men har ovanligt hög köpavsikt |

Adobes siffror gäller detaljhandeln, och industriella inköp är inte detaljhandel. Men mekanismen de blottlägger är kanaloberoende: när en assistent gör filtreringen är besöket som följer ett *beslut*, inte en titt. Adobe fann också att de besökarna stannade 48 % längre på sajten och tittade på 13 % fler sidor. Färre, senare, bättre kvalificerade – och helt beroende av att assistenten har valt dig.

Skalan bakom detta är inte marginell. OpenAI rapporterade fler än 900 miljoner veckoaktiva ChatGPT-användare i februari 2026. Hur stor andel av dem som än är ingenjörer som kollar upp ett artikelnummer är det en större population än någon distributörs fältorganisation någonsin har nått.

## Varför slår det här hårdare mot specificeringen än mot marknadsföringen?

För att det är i specificeringen som den industriella marginalen faktiskt uppstår, och specificering är ovanligt lätt för en maskin att påverka.

En marknadsföringstratt försämras mjukt när en kanal försvagas. En specificering försämras inte – den avgörs. En artikel finns antingen i materiallistan eller inte, och när den väl är inne är den dyr att få bort. Design-in-cykler på 12 till 36 månader gör att beslutet och intäkten skiljs åt av flera år.

Den traditionella mekanismen för att fånga det värdet är designregistrering: en leverantör belönar den distributör vars fältingenjör fick artikeln inkonstruerad i en kunds produkt, vanligen med extra marginal, prisskydd eller ensamleverantörsstatus på det programmet. Hela apparaten – franchiseavtal, mål för efterfrågeskapande, FAE-bemanning – finns till för att besvara en enda fråga: *vem låg bakom den här design-in?*

Assistentledd specificering bryter sönder frågan snarare än svaret. Om en konstruktör beskriver ett krav för en assistent, får tillbaka tre kandidatartiklar med parametriska data och registrerar en design mot en av dem, har ingen fältingenjör skapat den efterfrågan. Det gjorde data. Och ingen har enats om hur data ska tillgodoräknas.

Mekanismen var redan ansträngd. Designregistrering har länge haft svårt när en kund lägger ut produktionen på en kontraktstillverkare, eftersom konstruktionen sker på ett ställe och inköpsordern dyker upp någon helt annanstans – registreringen överlever på papperet medan den kommersiella logiken nöts sönder. Maskinsammanställda kortlistor lägger samma påfrestning i början av processen i stället för i slutet. Distributören som investerade i data är inte nödvändigtvis den som har relationen, och tillverkaren vars parametriska data var läsbara har kanske aldrig ens blivit kontaktad.

## Vad avgör om din artikel dyker upp i svaret?

Det är värt att vara konkret om mekanismen, eftersom de flesta kommersiella team resonerar om den som om den vore en rankning.

En assistent som besvarar en specificeringsfråga gör i grova drag fyra saker: den tolkar kravet till villkor, hämtar kandidatposter, filtrerar dem mot villkoren och motiverar sedan de som överlevt. En artikel kan sorteras bort i vilket som helst av de fyra stegen, och bara det sista liknar något som ett marknadsteam tidigare har optimerat.

| Steg | Vad som sorterar bort din artikel | Vems problem det är |
| --- | --- | --- |
| Hämtning | Det finns ingen maskinläsbar post, eller så returnerar sidan tomt till en klient som inte är en webbläsare | Teknik, inte marknad |
| Filtrering mot villkor | En parameter som köparen angav – temperaturklass, kapsel, certifiering, livscykelstatus – saknas i din post, så artikeln kan inte bekräftas uppfylla kravet och stryks | Produktdata |
| Särskiljning | Ditt artikelnummer ger olika resultat på din egen sajt, i en distributörslistning och i ett datablad, så assistenten kan inte fastställa vilken post som är den auktoritativa | Datastyrning |
| Motivering | Posten finns och är konsekvent men bär inget underlag – inga testvillkor, ingen revision, ingen källa | Dokumentation |

Den andra raden är den tysta mördaren. En assistent som ombeds ta fram en artikel enligt AEC-Q100 Grade 1 tar inte med en komponent vars kvalificeringsstatus den inte kan verifiera. Den rapporterar inte bortsorteringen, och den tar inga förbehåll. Avsaknad av data behandlas som avsaknad av egenskapen – vilket är korrekt beteende för ett försiktigt verktyg och ett katastrofalt utfall för en leverantör vars artikel faktiskt är kvalificerad.

## Vem fångar värdet när kortlistan sätts samman av en maskin?

| Aktör | Tidigare hävstång | Vad som består | Vad som eroderar |
| --- | --- | --- | --- |
| Komponenttillverkare | Varumärkespreferens plus FAE-räckvidd genom distributionen | Att äga den kanoniska parametriska posten – tillverkaren är den enda auktoritativa källan för sina egna artiklar | Beroendet av distributionen för att bära budskapet; assistenten läser den som är mest läsbar, inte den som är auktoriserad |
| Auktoriserad distributör | Fälttäckning, designregistrering, lokalt lager | Normaliserade data över flera tillverkare, verkliga lagersaldon och ledtider, avtalspriser – sådant en enskild tillverkare inte kan erbjuda | Efterfrågeskapande som tillgodoräknas mänsklig kontakt; särskiljning som bara bygger på relationer |
| Katalogdistributör | Söksynlighet och bredd | Strukturerad, sökbar bredd; att vara den källa som är enklast för en maskin att stämma av | Ekonomin i betald sökning, eftersom klicket som förr kom in i stället besvaras inne i assistenten |
| CEM/kontraktstillverkare | Inköpshävstång på godkända alternativ | Logik för godkända leverantörer inbyggd i verktygen | Lite – CEM-företag tjänar på bättre maskinläsbara data om alternativ |

Mönstret är genomgående: hävstången flyttar från *vem du känner* till *vad en maskin kan verifiera om dina artiklar*. Det är en obekväm slutsats för organisationer vars konkurrensfördel är en fältorganisation, och en verklig öppning för den som har bra data och ingen fältorganisation alls.

## Är det här ett brott, eller bara en ny kanal?

Det ärliga svaret är att skiftet i hur produkter hittas är väl belagt, medan skiftet i transaktionen inte är det.

Gartner förutspår att mer än 40 % av alla projekt inom agentisk AI kommer att läggas ned före utgången av 2027, med hänvisning till skenande kostnader, oklart affärsvärde och otillräckliga riskkontroller. Den förutsägelsen har åldrats väl: OpenAI drog tillbaka sin egen Instant Checkout i mars 2026 efter att ett tiotal Shopify-handlare hade gått live, och Deloitte rapporterar att färre än en fjärdedel av B2B-leverantörerna över huvud taget använder agentisk AI-teknik.

Industriella inköp har friktion som detaljhandeln inte har. Avtalspriser är förhandlade och konfidentiella. Godkännanden involverar de 13 interna intressenter och 9 externa påverkare som Forrester räknar in, där inköpsfunktionen är beslutsfattare i 53 % av processerna. Efterlevnadsdokumentation – RoHS, REACH, konfliktmineraler, UKCA- och CE-försäkringar – måste bifogas beslutet, inte bara påstås om det.

Inget av det hindrar en assistent från att skriva kortlistan. Det hindrar en assistent från att lägga ordern. Det är två olika påståenden, och att blanda ihop dem är det vanligaste felet på den här marknaden.

## Vad bör en tillverkare eller distributör göra åt det?

1. **Ta reda på vad assistenterna säger om dina artiklar i dag.** Ställ fem sakfrågor med kända svar om fem verkliga artikelnummer, i tre olika assistenter. De flesta team upptäcker ett konkret, åtgärdbart fel inom tjugo minuter.
2. **Hämta dina egna katalogsidor med en enkel klient som inte är en webbläsare.** När Partsgraph granskade 984 distributörs- och tillverkardomäner världen över i augusti 2026 levererade 38 % ingen läsbar katalogsida till en vanlig klient som inte är en webbläsare, och medianpoängen för AI-synlighet låg på 50 av 100. Rendering på klientsidan är den absolut vanligaste orsaken.
3. **Gör en post kanonisk.** Parametriska data utspridda över ett PIM-system, ett PDF-datablad och ett ERP-system ger tre olika svar. En assistent citerar den post den råkade hitta, utan att tala om för någon vilken.
4. **Publicera efterlevnad och livscykelstatus som data, inte som dokument.** Utgående produkter, last-time-buy-datum och regionala godkännanden är de fält som oftast är felaktiga i en assistents svar och som oftast är kommersiellt förödande när de är det.
5. **Ge agenterna en direkt väg in.** Microchip publicerade i november 2025 en officiell Model Context Protocol-server som exponerar verifierade produktspecifikationer, datablad, lagersaldon, priser och ledtider för AI-klienter. Listan är fortfarande påfallande kort – i samma granskning i augusti 2026 var det inte en enda av de 984 domänerna som annonserade en MCP-endpoint.
6. **Skriv om reglerna för efterfrågeskapande innan din kanal gör det.** Om designregistrering inte kan tillgodoräkna maskininitierad specificering slutar distributörerna investera i de data som skapar den, och tillverkaren ärver problemet.

## Effekten som ackumuleras

Det finns ingen rimlig framtid där köpare går tillbaka till att öppna tolv flikar. När en assistent väl besvarar en specificeringsfråga korrekt blir den standardkällan för den typen av frågor, och standardval är självförstärkande: svaret som citeras förstärks, och leverantören som är läsbar blir citerad.

Fördröjningen gör saken värre, inte bättre. En specificering som vinns 2026 landar som intäkt 2028. Vilket betyder att de företag som 2028 upptäcker att deras design-in-frekvens tyst har sjunkit tittar på beslut om datakvalitet som fattades två år tidigare, av ingen särskild, i ett system som ingen ägde.

*Vill du veta vad assistenterna säger om din katalog i dag, kontrollerar den kostnadsfria granskaren på [/audit](/audit) hur en maskin faktiskt läser den.*

## Vanliga frågor

### Tar AI-stödda inköp verkligen bort säljsamtalet?

Nej – det flyttas senare och smalnas av. Forresters arbete från 2026 beskriver inköpsbeslut som involverar ungefär 13 interna intressenter och 9 externa påverkare, där inköpsfunktionen är beslutsfattare i 53 % av processerna. De personerna träffas fortfarande, förhandlar fortfarande och kräver fortfarande referenser. Det som har förändrats är att de kommer till det första samtalet med en redan färdig kortlista. Säljsamtalet vilar numera på antaganden som ditt team inte har levererat och kanske inte ens kan se.

### Är det här bara konsumenthypen kring AI-shopping applicerad på industrin?

Skiftet i hur produkter hittas är väl belagt i båda. Adobe uppmätte att AI-hänvisad trafik till amerikanska detaljhandelssajter ökade 393 % jämfört med föregående år under Q1 2026, och att den konverterade 42 % bättre än trafik som inte kom från AI under mars. Forresters B2B-data visar en parallell rörelse i företagsinköpen. Det som ännu inte är belagt är autonoma industriella transaktioner – Deloitte rapporterar att färre än en fjärdedel av B2B-leverantörerna över huvud taget använder agentisk AI-teknik. Behandla upptäcktsfasen som verklig och transaktionen som spekulativ.

### Vad är designregistrering och varför hotas den av AI-specificering?

Designregistrering är den mekanism genom vilken en komponentleverantör belönar den distributör som fick leverantörens artikel inkonstruerad i en kunds produkt, vanligen genom extra marginal, prisskydd eller ensamleverantörsstatus på det programmet. Den belönar efterfrågeskapande – den tid en fältapplikationsingenjör lägger på att påverka en konstruktion. Om en assistent föreslår kortlistan innan någon människa är inblandad skapades efterfrågan av data, inte av fältorganisationen. Ingen har ännu enats om hur det ska tillgodoräknas.

### Vilka köpare använder vilka AI-verktyg?

Forrester fann att 61 % av företagsköparna använder privata AI-verktyg som den egna organisationen tillhandahåller, att köpare är ungefär dubbelt så benägna som konsumenter att använda ChatGPT och fyra gånger så benägna att använda Microsoft Copilot, och att mer än hälften av alla ChatGPT- och Copilot-användare arbetar bakom sin egen brandvägg. Den sista punkten har kommersiell betydelse: en stor del av utvärderingen sker inne i företagsinstallationer som du inte kan mäta, inte kan se i din analysdata och inte kan retargeta.

### Om sökningar slutar utan klick, spelar webbinnehåll fortfarande roll?

Det spelar större roll, inte mindre – men av ett annat skäl. SparkToro uppmätte att 68 % av de amerikanska Google-sökningarna slutade utan klick i början av 2026, med ungefär 276 klick per 1 000 sökningar som nådde den öppna webben, ned från 374 år 2024. Dina sidor är inte längre i första hand trafikkällor; de är det tränings- och hämtningsunderlag som avgör vad svaret säger. Du publicerar för att bli citerad, inte för att bli besökt.

### Bör distributörer vara oroliga, eller är det här en möjlighet för dem?

Både och, och skiljelinjen går vid data. En distributör som håller korrekta, normaliserade parametriska data över flera tillverkare, med verkliga lagersaldon och ledtider, är precis vad en assistent behöver och något en enskild tillverkare inte kan erbjuda. En distributör vars särskiljande styrka är fälttäckning och relationsdjup är mer utsatt, för maskinen tar inga samtal. Tillgången som överlever är katalogen, inte täckningskartan.

### Hur snabbt slår det här igenom?

Långsammare än trafikkurvorna antyder och snabbare än inköpscyklerna hinner med. Industriella design-in-cykler löper på 12 till 36 månader, så en artikel som specificeras av en assistent 2026 dyker upp som intäkt 2028. Den fördröjningen är det strategiska problemet: när intäktseffekten väl syns i dina siffror är specificeringsbesluten som skapade den tre år gamla, och de fattades mot det som dina data sa vid den tidpunkten.

## Källor

1. [Forrester, B2B Buyers Make Zero-Click Buying Number One (22 January 2026)](https://www.forrester.com/blogs/b2b_buyers_make_zero_click_buying_number_one/)
2. [Forrester, 2026 Buyer Insights: GenAI Is Upending B2B Buying (press release, 21 January 2026)](https://www.forrester.com/press-newsroom/forrester-2026-the-state-of-business-buying/)
3. [SparkToro, In 2026, Less than One Third of Google Searches Still Send a Click](https://sparktoro.com/blog/in-2026-less-than-one-third-of-google-searches-still-send-a-click/)
4. [Adobe, Generative AI-powered shopping rises with traffic to US retail sites (Q1 2026)](https://business.adobe.com/blog/generative-ai-powered-shopping-rises-with-traffic-to-retail-sites)
5. [TechCrunch, AI traffic to US retailers rose 393% in Q1 (16 April 2026)](https://techcrunch.com/2026/04/16/ai-traffic-to-us-retailers-rose-393-in-q1-and-its-boosting-their-revenue-too/)
6. [Search Engine Land, OpenAI: ChatGPT now has 900 million weekly active users](https://searchengineland.com/chatgpt-900-million-weekly-active-users-470492)
7. [EE Times, The Inside Story About Demand Creation and Design Registration](https://www.eetimes.com/the-inside-story-about-demand-creation-and-design-registration/)
8. [Digital Commerce 360, Agentic commerce faces reality check in B2B ecommerce (10 March 2026)](https://www.digitalcommerce360.com/2026/03/10/agentic-commerce-faces-reality-check-in-b2b-ecommerce/)
9. [Gartner, Over 40% of agentic AI projects will be canceled by end of 2027 (25 June 2025)](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027)
10. [Microchip Technology, Microchip unveils Model Context Protocol (MCP) Server (6 November 2025)](https://ir.microchip.com/news-events/press-releases/detail/1344/microchip-technology-unveils-model-context-protocol-mcp-server-to-power-ai-driven-product-data-access)

## Other languages

- English: https://partsgraph.ai/blog/how-b2b-buying-changed-ai-specification/md
- Deutsch: https://partsgraph.ai/de/blog/how-b2b-buying-changed-ai-specification/md
- Français: https://partsgraph.ai/fr/blog/how-b2b-buying-changed-ai-specification/md
- Español: https://partsgraph.ai/es/blog/how-b2b-buying-changed-ai-specification/md
- Italiano: https://partsgraph.ai/it/blog/how-b2b-buying-changed-ai-specification/md
- Nederlands: https://partsgraph.ai/nl/blog/how-b2b-buying-changed-ai-specification/md
- Polski: https://partsgraph.ai/pl/blog/how-b2b-buying-changed-ai-specification/md
- Português: https://partsgraph.ai/pt/blog/how-b2b-buying-changed-ai-specification/md
- Türkçe: https://partsgraph.ai/tr/blog/how-b2b-buying-changed-ai-specification/md
- 日本語: https://partsgraph.ai/ja/blog/how-b2b-buying-changed-ai-specification/md
- 한국어: https://partsgraph.ai/ko/blog/how-b2b-buying-changed-ai-specification/md
- 简体中文: https://partsgraph.ai/zh/blog/how-b2b-buying-changed-ai-specification/md

---

Partsgraph — the agent-ready parts data layer. Free AI-visibility grader: https://partsgraph.ai/sv/audit