AI som ökar lönsamheten i känsliga e-handelsnischer

Vuxen Group (tidigare Purefun) ökade sin EBITDA med 84 % under Q2 (augusti–oktober 2025) och lyfte EBITDA-marginalen från 5,9 % till 10,3 %. Det är siffror som får vilken e-handlare som helst att stanna upp. Men det mest intressanta är varför det händer: bolaget har renodlat mot sitt starkaste segment (sexuell hälsa), trimmat kostnader och byggt muskler i logistik och egna varumärken.

Det här är exakt den typ av case som passar vår serie ”AI inom detaljhandel och e-handel”. Inte för att AI magiskt skapar vinst, utan för att AI gör det möjligt att driva högre relevans, bättre efterfrågeprognoser och färre dyra felbeslut – särskilt i kundsegment där integritet, ton och friktion avgör om kunden köper eller backar ur.

Särskilt i december, när många sammanfattar året och planerar 2026, är det här en bra påminnelse: fokus slår bredd. Och AI kan hjälpa dig att ta fokusbeslut och få dem att hålla hela vägen till kassaflöde.

Renodling ger effekt – men AI avgör hur långt du kommer

Renodling fungerar när den leder till bättre beslut i vardagen: sortiment, prissättning, inköp, budskap och leveranskapacitet. Vuxen Group visar det tydligt: 90 % av omsättningen kommer nu från sexuell hälsa, och de accepterar att omsättning i andra affärsområden faller när resurser flyttas.

Min tydliga ståndpunkt: de flesta bolag renodlar för sent och för försiktigt. Resultatet blir ett halvhjärtat mellanting där marknadsbudget och lager binds i kategorier som inte bär.

Här är var AI kommer in på riktigt. AI hjälper dig att:

• bevisa vilken del av sortimentet som faktiskt driver vinst (inte bara omsättning)
• förutse efterfrågan per kategori och kanal och kapa kapitalbindning
• styra personalisering utan att skapa integritetsproblem

Vad är “kärna” i praktiken?

I många e-handelsbolag blandas allt i samma KPI-uppföljning. AI-baserad analys gör det enklare att separera:

• kundlivstidsvärde (CLV) per kategori
• returgrad och supportkostnad per produkttyp
• bruttomarginal och bidrag efter frakt, betalavgifter och reklam

När du kan räkna så här blir renodling inte en magkänsla. Den blir en kalkyl.

AI-personalisering i känsliga segment: sälj mer utan att bli “creepy”

Sexuell hälsa är en kategori där kunden vill ha relevans men också diskretion. Missar du tonen tappar du inte bara köpet – du tappar förtroendet.

AI kan skapa en bättre kundupplevelse här, men bara om du designar den med tre principer:

1. Minimera känslig datalagring (samla mindre, inte mer)
2. Använd kontext och beteende smartare än identitet
3. Gör personalisering valbar och begriplig

Tre personaliseringsmönster som brukar fungera

1) Kontextbaserade rekommendationer (utan att “peka ut” kunden)
Istället för “Vi såg att du tittade på X” kan du arbeta med:

• “Populärt i kategorin”
• “Matchar din valda storlek/materialpreferens”
• “Kunder som köpte den här valde ofta…” (utan att bli explicit)

2) Intent-klustring
AI kan gruppera besök i syften snarare än i personer. Exempel:

• presentköp
• nybörjare
• premium/lyx
• par
• solo

Då får du relevans i onsite-sök, navigation och e-postflöden utan att behöva skapa en känslig kundprofil.

3) Friktionsreducering i checkout
I känsliga kategorier är checkout en psykologisk tröskel. AI kan hjälpa med:

• smarta leveransval (diskret leverans som standard)
• dynamiska FAQ-svar i kassan
• prediktion av avbrutna köp och milda “räddningsinsatser” (t.ex. tydlig leveranstid, anonym paketinfo)

En bra tumregel: Personaliserat ska kännas som service, inte övervakning.

Efterfrågeanalys och lager: där lönsamheten ofta avgörs

Vuxen Group lyfter fram kostnadsoptimering och valuta som bidragande faktorer, och de betonar också snabb logistik under Black Week. Men det som ofta skiljer vinst från förlust i e-handel är något mer grundläggande: lager- och inköpsprecision.

AI för efterfrågeprognoser handlar inte om en enda “rätt siffra”. Det handlar om att bättre än Excel kunna svara på:

• Hur mycket kommer vi sälja per vecka i januari när kampanjtrycket faller?
• Vilka artiklar får “eftersläpande” efterfrågan efter Black Week?
• Vilka produkter skapar merförsäljning men får inte vara slut?

Praktiskt upplägg: prognos som faktiskt går att använda

Jag har sett att det fungerar bäst när du bygger prognosen i tre lager:

1. Baslinje: historisk försäljning rensad för engångseffekter
2. Säsong och kampanj: Black Week, julhandel, mellandagsrea, lön
3. Externa signaler: trafik, sökintresse, leveransstörningar, valutaläge

För känsliga produktkategorier tillkommer ofta en fjärde faktor: diskretions- och leveranspreferenser. Om leveransalternativet upplevs otryggt kan efterfrågan “försvinna” även om intresset finns.

Logistik som konkurrensmedel: AI gör “snabba leveranser” skalbart

Bolaget säger att de tog sig igenom Black Week med fortsatt snabba leveranser. Det låter självklart – men alla som drivit e-handel vet att det inte är det.

AI kan bidra på tre ställen som direkt påverkar marginal:

1) Bemanning och plockoptimering

• prognoser på ordertoppar per timme
• smart prioritering av order (t.ex. cut-off, transportör)
• plockvägar och batchning baserat på ordermönster

2) Transportörsstyrning

AI kan föreslå bästa transportör utifrån:

• leveransprecision i postnummer
• kostnad per kilo/volym
• risk för skador/returer

3) Proaktiv kundkommunikation

I känsliga segment är “var är mitt paket?” extra laddat. AI-stödd kommunikation kan:

• förutse förseningar
• ge tidig, lugn status (utan att kunden behöver fråga)
• minska supportärenden

Resultatet blir ofta dubbel effekt: lägre kostnad och högre NPS.

Egna varumärken + AI: från marginalprojekt till motor

Vuxen Group nämner utveckling av egna varumärken som en del av förbättringen. Det är logiskt: egna varumärken kan ge högre bruttomarginal och bättre kontroll över sortimentet.

AI gör private label mer träffsäkert genom att koppla ihop:

• recensioner och kundfeedback (NLP som hittar mönster i text)
• returorsaker (”för hård”, ”för stor”, ”fel material”)
• konkurrentpris och positionering

Konkreta AI-frågor att ställa innan du lanserar

• Vilka 20 % av SKU:erna driver 80 % av sökfrågorna i onsite-sök?
• Vilka produktattribut korrelerar med 1–2 stjärniga recensioner?
• Vilka kombinationer av produkter köps tillsammans (för bundle-strategi)?

När du kan svara på detta blir egna varumärken mindre av en chansning och mer av ett system.

Vanliga frågor (och raka svar)

“Kan man använda AI i känsliga segment utan att riskera GDPR-problem?”

Ja – om du designar för dataminimering och transparens. Använd gärna kontext- och sessiondata, och var tydlig med val kring personalisering.

“Var börjar man om man vill öka lönsamheten – inte bara trafiken?”

Börja med att mäta bidragsmarginal per kategori och kanal och koppla det till lagerbindning och returkostnad. AI blir mest värdefull när du redan vet vilken KPI du optimerar.

“Är personalisering eller prognoser viktigast?”

Prognoser påverkar kassaflöde och risk direkt. Personalisering påverkar konvertering och merförsäljning. Om du har kapital bundet i lager: börja med prognoser.

Nästa steg: så gör du AI till en vinstmaskin (utan hype)

Vuxen Groups kvartal visar att lönsamhet ofta kommer från en kombination av fokus, kostnadskontroll och operativ precision. Min erfarenhet är att AI gör störst skillnad när den används för att ta färre dåliga beslut, inte för att skapa fler dashboards.

Om du driver e-handel och vill använda AI för att växa i ett känsligt kundsegment: börja med att säkra datagrunden, sätt en vinst-KPI (EBITDA, täckningsbidrag, kassaflöde) och bygg två spår parallellt: efterfrågeprognoser och integritetsvänlig personalisering.

Frågan som avgör 2026 för många svenska e-handlare är enkel: kommer ni använda AI för att bli mer relevanta och mer effektiva – eller fortsätta jobba bredare och hoppas att marginalen kommer tillbaka av sig själv?