Purpose  The purpose of this study is to extend current literature on the concept of value capture for AI start-ups, focusing on the challenges they face and how to maximize value capture. By investigating relational and economical value capture dimensions, this study aims to identify opportunities for start-ups to extract value from their AI digital solutions. The study further aims to contribute valuable insights to the literature, by building on the link between digital revenue models and value capture.  Method  To fulfill the stated purpose, this study has adopted a qualitative, abductive single case study approach with a focus on an AI start-up in the wind energy industry. The analysis was based on 20 semi-structured interviews which were conducted with different companies active in the wind energy industry. All data was analyzed through a 5-step thematic analysis process.  Findings  Two main challenges a start-up may face were identified which were “Difficulties getting access to partnering companies” and “Difficulties selling as a start-up”. Additionally, it was found that relational value capture can be maximized using pilot studies, which is possible by building trust and close relationships. Regarding economical value capture, this study showcases the importance of adapting the choice of revenue model to the customer where the perceived risk of the investment, in the customers’ point of view, plays a big role.  Theoretical contributions  Previous literature has mainly established a connection between the concept of value capture and revenue models. However, this study further bridges the two, and more in depth displays how revenue models could affect the captured value regarding AI start-ups. Additionally, this study further elaborates on the literature regarding relational value capture, showcasing how it can differ for a start-up and the challenges that arise when AI is involved.  Practical contributions  This study contributes with concrete examples of what challenges a start-up needs to consider when trying to capture value from their product. Additionally, the study contributes with a practical understanding on how a start-up can maximize value capture, by showcasing important factors to consider, both when it comes to relational and economical value capturing. Moreover, a decision tree has been formed, which can support AI start-ups when choosing a suitable revenue model.  Limitations and future research  Firstly, the study's findings may not be applicable to other industries, highlighting the need for multi-industry case studies for generalization and cross-industry comparisons. Secondly, more in-depth research is needed to explore the specific steps and strategies for building relationships, especially in the context of start-ups. Thirdly, this study primarily focuses on the revenue model aspect of value capture, overlooking the concept of value proposition which limits the depth of the findings and contributions and would be of interest to further investigate. / Syfte Syftet med studien är att berika litteraturen kring begreppet värde-fångande för AI start-ups, genom att fokusera på utmaningarna de står inför, samt hur de kan maximera värde-fångande. Genom att undersöka relationella och ekonomiska dimensioner av värde-fångande strävar denna studie efter att identifiera möjligheter för start-ups att utvinna värde från sina AI-baserade digitala lösningar. Studien syftar också till att bidra med värdefulla insikter till litteraturen genom att bygga på sambandet mellan digitala intäktsmodeller och värde-fångande.    Metod För att uppfylla det angivna syftet, har studien antagit en kvalitativ, abduktiv enskild fallstudieansats med fokus på en AI start-up inom vindkraftsbranschen. Analysen baserades på 20 semistrukturerade intervjuer som genomfördes med olika företag verksamma inom vindkraftsbranschen. All data analyserades genom en 5-stegs tematisk analysprocess.  Resultat Studien identifierade två huvudsakliga utmaningar som en start-up kan ställas inför, vilka var “Svårigheter att få tillgång till företag att samarbeta med” och “Svårigheter att sälja som en start-up”. Dessutom visade det sig att relationellt värde-fångande kan maximeras genom att använda pilotstudier, vilket möjliggörs genom att bygga tillit och nära relationer. När det gäller ekonomiskt värde-fångande visar denna studie vikten av att anpassa valet av intäktsmodell till kunden, där den upplevda risken för investeringen, sett ur kundens perspektiv, spelar stor roll.  Teoretiska bidrag Tidigare litteratur har främst etablerat en koppling mellan begreppet värde-fångande och intäktsmodeller. Denna studie går ett steg längre och visar mer ingående hur intäktsmodeller kan påverka det fångade värdet för AI start-ups. Dessutom utvecklar denna studie den befintliga litteraturen ytterligare kring relationellt värde-fångande och visar hur det kan skilja sig för en start-up och de utmaningar som uppstår då AI är inblandat. Praktiska bidrag Denna studie bidrar med konkreta exempel på vilka utmaningar en start-up behöver ta hänsyn till när de försöker fånga värde från sin produkt. Dessutom bidrar studien med en praktisk förståelse för hur en start-up kan maximera värde-fångande genom att visa på viktiga faktorer att beakta både när det gäller relationella och ekonomiska dimensioner. Utöver detta har ett beslutsträd utformats, med syfte att stödja start-ups vid val av lämplig intäktsmodell.  Begränsningar och framtida forskning För det första är denna studie begränsad till en specifik bransch, vilket understryker behovet av studier i fler branscher för en ökad generaliserbarhet och jämförelse. För det andra behövs mer ingående forskning för att utforska de specifika stegen och strategierna som krävs för att bygga relationer, särskilt när det gäller start-ups. För det tredje fokuserar denna studie primärt på intäktsmodell aspekten av värde-fångande och bortser från konceptet värdeerbjudande. Detta begränsar djupet i resultatet och skulle därför vara intressant för framtida forskare att undersöka.