Jag grundade Software Tailor 2006. Nitton år senare har företaget levererat genom fyra distinkta ekonomiska cykler, sex Fortune Global 500-kunder inom pharma, finans, offentlig sektor, juridik, försvar och energi, och noll projektmisslyckanden sedan 2007. Den sista siffran är den som investerare och inköpsgranskare oftast frågar om, och det är den enda som behöver förklaras. Här är de fyra ingenjörsregler som håller rekordet intakt.
Regel 1: En leveransmodell, ingen suddighet mellan tjänst och produkt
Varje Software Tailor-uppdrag följer samma leveransmodell — en strikt avgränsad pilotfas som levererar fungerande mjukvara, följt av en expansion som kunden väljer att finansiera (eller inte) baserat på vad som levererats. Vi driver inte en separat "tjänste"-verksamhet som levererar mot kravdokument och en separat "produkt"-verksamhet som levererar mot roadmap. De två skulle stå i konflikt; den ena skulle alltid subventionera den andra.
Den enda modellen innebär att varje ingenjör vet vad "klart" innebär innan de börjar. Det är förutsättningen för att inte misslyckas.
Regel 2: Kundkohortdisciplin — endast kunder vi kan leverera för
Vår kundkohort är utvald — inte opportunistisk. Sex Fortune Global 500-kunder på 19 år är inte en långsam försäljningspipeline; det är en medveten urvalsgräns. Varje kund vi tar in måste klara tre tester innan start: deras problem är ett vi löst tidigare, deras interna sponsor är den person som ska använda mjukvaran (inte ett lager av mellanhänder), och deras hårdvaru-/data-miljö tillåter oss att leverera utan en sex månader lång upphandlingsomväg.
En kund som misslyckas med något av dessa tester blir en hänvisning till någon annan, inte ett projekt. Det är regeln som oftast kostar oss intäkter. Det är också den som inte har några undantag under 19 år.
Regel 3: Ingenjörsdisciplin kopplad till ett erkänt ramverk
Långt innan AI-riskhantering hade sitt eget ramverk, kodifierade jag för Software Tailor ingenjörsregler som mönstermatchade samma form: styr arbetet, kartlägg riskerna, mät resultaten, hantera förändringarna. NIST AI RMF 1.0 [1] formaliserade det mönstret för AI 2023, och april 2026:s Critical Infrastructure-profil [1] utvidgade det till reglerade branscher. När man läser dessa dokument kartlägger vår interna disciplin tydligt mot de fyra funktionerna.
Vad det ger oss: varje projekt är granskningsbart från början till slut mot ett externt ramverk, inte bara mot våra egna vanor. När ett upphandlingsteam frågar hur pilotfasens omfattning bestäms, är svaret samma som NIST skulle ge för riskhantering — och kundens egen compliance-avdelning har redan internaliserat det vokabuläret.
Regel 4: Spårbart, återställbart, återskapbart
Den fjärde regeln föregår den audit-trail-terminologi vi nu använder för AI Suite. Varje Software Tailor-uppdrag körs i ett tillstånd där varje beslut, varje artefakt, varje version av koden kan återskapas från versionskontrollerade ingångar. Det är inte ovanligt för mjukvaruutveckling generellt; det ovanliga är att vi tillämpar det på projektinte bara kodbasen. Sprintbeslut, ändringar i omfattning, kundgodkännanden – allt dokumenterat, allt återställningsbart.
Disciplinen är anledningen till att vår innehållsfria revisionslogg metod för AI Suite levererades som den gjorde. Mönstret med revisionsrader är samma mönster som vi redan tillämpat på projekt. Vokabulären är lånad från efterlevnadsramverk; metoden är lånad från hur vi levererar.
Vad som fördes vidare till AI Suite
Local AI Suite + AI Admin Console-linjen – se Varför vi levererar AI som installerbara binärer, inte som moln-SaaS – är samma ingenjörsdisciplin tillämpad på en produktlinje istället för ett kundanpassat uppdrag. Samma enda leveransmodell (skrivbordsinstallatörer med en gratis 1-veckas pilot), samma kundkohortdisciplin (reglerade branscher med tydliga krav på datalagring), samma ramverkskartläggning (NIST AI RMF + EU AI Act-utplaceringsskyldigheter), samma dokumenterbara-återställbara-återskapbara revisionsläge.
Noll projektmisslyckanden sedan 2007 är inte en slogan. Det är resultatet av ett fåtal regler som tillämpas utan undantag. Samma regler styr nu hur AI Suite byggs.
Referenser
- NIST. "AI Risk Management Framework (AI RMF 1.0)." https://www.nist.gov/itl/ai-risk-management-framework. Åtkomst 2026-07-15.