Kiedy AI wykonuje pracę: Jak modele biznesowe SaaS muszą się zmienić

Branża SaaS została zbudowana na prostym założeniu, że oprogramowanie pomaga ludziom wykonywać pracę. Każdy model cenowy, plan rozwoju produktu i proces sprzedaży przez ostatnie dwie dekady były organizowane wokół tego założenia. Miejsce to osoba, licencja to użytkownik, a odnowienie to to, co się dzieje, gdy użytkownik uzna, że narzędzie nadal jest warte.

AI podważa to założenie u podstaw. Oprogramowanie nie tylko pomaga już ludziom wykonywać pracę. W wielu przypadkach wykonuje tę pracę zamiast nich. Ma to konsekwencje dla modelu biznesowego SaaS. Podnosi również poprzeczkę, co czyni specjalistyczne oprogramowanie wartościowym i odpornym.

Wyścig funkcji już się odbył

AI skomercjalizowało rozwój funkcji oprogramowania w tempie, na które branża nie była przygotowana. Na początku 2024 roku chińskie laboratorium DeepSeek zbudował model konkurencyjny z najlepszymi rozwiązaniami OpenAI za około $5 million, co stanowi ułamek szacowanych $100 million wydanych przez OpenAI. W ciągu roku badacze z UC Berkeley odtworzyli podstawowe zdolności rozumowania DeepSeek za około $30. Krzywa kosztów rozwoju AI gwałtownie spada. Zespół z odpowiednim dostępem do API i umiejętnością inżynierii promptów może teraz przybliżać funkcje, które kiedyś wymagały lat budowy.

Implikacją strategiczną jest to, że jeśli dowolną funkcję można odtworzyć w ciągu kilku miesięcy, to funkcje przestają być trwałym źródłem przewagi konkurencyjnej. Organizowanie strategii produktu wokół różnicowania funkcji sprawia, że konkurowa się na terenie, który aktywnie się eroduje. To samo dotyczy po prostu dodania warstwy AI do istniejącego produktu. W miarę jak dostęp do podstawowych modeli staje się powszechniejszy, firmy programistyczne będą musiały wbudować większą wartość w swoją ekspertyzę domenową, przepływy pracy i otaczające systemy.

Rozwiąż problem cenowy

Cennik oparty na miejscach (seat) jest najbardziej widoczną ofiarą przejścia na pracę napędzaną AI. Model ten miał intuicyjny sens, gdy oprogramowanie było narzędziem. Jedna osoba, jedna licencja i jedno miejsce. Gdy agenci AI samodzielnie wykonują zadania, ta logika przestaje działać. Nie można pobierać opłat za miejsce, gdy miejsce jest botem lub gdy pojedyncze wdrożenie obsługuje obciążenie dziesiątek użytkowników.

Analitycy z Gartner przewidują, że co najmniej 40 % wydatków przedsiębiorstw SaaS przejdzie na modele oparte na użytkowaniu, agentach lub wynikach do 2030 roku, przy czym udział przychodów z modeli opartych na miejscach spadnie z 21 % do 15 %. Rynek już zmierza w tym kierunku. Zendesk wprowadził cennik oparty na wynikach w sierpniu 2024, rozliczając za rozwiązane interakcje z klientem zamiast za użytkownika. Salesforce podążył z Agentforce w cenie $2 za konwersację AI.

Największe podmioty w branży przyjęły, że stary model nie pasuje do nowej rzeczywistości. Jeśli poczekasz, aż rynek wymusi zmianę, odziedziczysz warunki ustalone przez tych, którzy podjęli działanie jako pierwsi.

Istnieje również problem po stronie kosztów. Tradycyjne SaaS korzystało z prawie zerowego kosztu marginalnego. Gdy oprogramowanie zostało stworzone, obsługa dodatkowego klienta była prawie darmowa. Produkty oparte na AI mają znaczące zmienne koszty obliczeniowe, które rosną wraz z użyciem. Cennik oparty na miejscach nigdy nie został zaprojektowany z myślą o takiej zmienności. Każda firma, która nadal stosuje model oparty na miejscach w produkcie napędzanym AI, zarządza strukturalnym niedopasowaniem, które w końcu będzie wymagało rozwiązania.

Własność przepływu pracy jako nowa strategia produktu

Jeśli funkcje nie są fosą, a miejsca nie są właściwą jednostką wartości, czym więc jest? Gdy firmy świadomie przechodzą tę transformację, odkrywają, że odpowiedzią jest własność przepływu pracy. Własność przepływu pracy to stopień, w jakim platforma wspiera i łączy ciąg działań w procesie operacyjnym klienta, zamiast obsługiwać pojedynczy krok w izolacji.

Dla strategii produktu to przedefiniowanie ma znaczenie. Tam, gdzie narzędzie rozwiązuje konkretną czynność, platforma przepływu pracy obejmuje cały ciąg: przyjęcie, przetwarzanie, podejmowanie decyzji, realizację i pomiar. Im większą część tego ciągu platforma posiada, tym trudniej ją zastąpić, ponieważ koszt przejścia obejmuje cały proces operacyjny, a nie tylko jedną funkcję. Nie oznacza to budowania każdego elementu wewnętrznie. W wielu przypadkach lepszym podejściem jest wzmocnienie kluczowej kompetencji i połączenie jej z firmami, które są silne w sąsiadujących częściach przepływu pracy.

Rozważ leasing. Agent AI, który odpowiada na pytania najemców, staje się łatwiejszy do zbudowania. Jednak przeniesienie najemcy od zapytania do prezentacji zależy od współpracy wielu systemów, od danych o nieruchomościach i planowania po dostęp. Żadna pojedyncza funkcja nie tworzy tego doświadczenia. Wartość pochodzi z tego, jak specjalistyczne możliwości łączą się w całym procesie.

Według Gartnera zdolność integracji jest teraz #3 najważniejszy czynnik dla globalnych nabywców oprogramowania. Same funkcje nie wystarczą, aby przekonać nabywców. Chcą również wiedzieć, czy integruje się z systemami, od których ich zespoły już zależą, oraz czy te integracje są wystarczająco głębokie, aby wyeliminować tarcia w całym przepływie pracy.

To zmienia sposób, w jaki firmy programistyczne powinny oceniać własne mapy drogowe produktów. Pytanie brzmi mniej „co powinniśmy zbudować następnym razem”, a bardziej „które części przepływu pracy klienta nie są jeszcze przez nas dotykane i co byłoby potrzebne, aby je przejąć”. Partnerstwa z pokrewnymi platformami, dostawcami danych i warstwami usług stają się tak strategicznie ważne jak rozwój wewnętrzny. Fragmentacja kiedyś mogła służyć jako forma obrony, przy czym każdy dostawca chronił swoją część stosu technologicznego. Gdy poszczególne możliwości stają się łatwiejsze do odtworzenia, takie podejście może działać przeciwko firmom.

Własny kontekst to nowy mechanizm blokady

W tradycyjnym modelu SaaS blokada wynikała z kosztów przejścia. Migracja danych, przeszkolenie użytkowników i ponowne ustanowienie integracji wymagały znacznego czasu i wysiłku. W modelu napędzanym sztuczną inteligencją pojawia się głębsza i mniej widoczna forma blokady: własny kontekst klienta.

Systemy AI są użyteczne jedynie w takym stopniu, w jakim użyteczne są dane, na których działają. Model sztucznej inteligencji o ogólnym przeznaczeniu może odpowiadać na ogólne pytania. System AI osadzony w platformie, która zgromadziła lata historii przepływu pracy klienta, wzorców zachowań, decyzji konfiguracyjnych i danych o relacjach, może działać z inteligencją kontekstową specyficzną dla sytuacji tego klienta. Modele o ogólnym przeznaczeniu nie potrafią tego zrobić, a to przekształca własny kontekst w solidną przewagę konkurencyjną w oprogramowaniu.

RSM US potwierdza ten kierunek, zauważając, że firmy, które skutecznie wykorzystują własne dane, odnotują wzrost retencji klientów, którego czyste konkurenci oferujący jedynie funkcje nie są w stanie dorównać. Firmy programistyczne powinny inwestować w gromadzenie i strukturyzację kontekstu specyficznego dla klienta tak agresywnie, jak inwestują w każdą inną zdolność. Ten kontekst staje się cenniejszy, gdy jest powiązany ze specjalistyczną wiedzą, ustalonymi przepływami pracy oraz innymi systemami zaangażowanymi w realizację zadań. Konkurent może szybko skopiować pojedynczą funkcję, ale odtworzenie wszystkiego wokół niej to znacznie większe przedsięwzięcie.

Ma to również konsekwencje dla sposobu, w jaki firmy programistyczne myślą o zarządzaniu danymi i audytowalności. Gdy AI działa na podstawie kontekstu klienta, aby wykonać istotne zadania, zarówno dostawca, jak i klient potrzebują wglądu w to, co AI robi i dlaczego. Zarządzanie musi być częścią architektury, która czyni własność przepływu pracy napędzanego AI wiarygodną.

Co się dzieje, gdy wyniki stają się produktem

Jeśli klienci kupują wyniki, a nie narzędzia, zespoły produktowe muszą fundamentalnie inaczej myśleć o tym, co budują i jak mierzą sukces. Mapa drogowa zorganizowana wokół funkcji do wypuszczenia jest niewłaściwym narzędziem dla produktu zorganizowanego wokół dostarczanych rezultatów. Programiści powinni mniej skupiać się na tym, co wydają w kwartale, a bardziej na tym, co zrealizowali dla swoich klientów oraz czy te wyniki są mierzalne, przypisywalne i powtarzalne.

Menedżerowie produktów, którzy spędzili kariery myśląc w kategoriach specyfikacji funkcji i cykli wydań, muszą rozwinąć biegłość w metrykach operacyjnych. Jak wygląda udany wynik, jak wiemy, że go osiągnęliśmy i w jaki sposób projekt produktu zapewnia, że zachowanie AI jest wystarczająco spójne, aby odpowiadać za wyniki? To inna dyscyplina niż budowanie oprogramowania dla ludzkich użytkowników.

G2 dane recenzji pokazują, że możliwości AI mają znaczenie tylko wtedy, gdy są połączone z mierzalną wartością operacyjną. Nowość funkcji traci na znaczeniu w decyzjach zakupowych, podczas gdy wykazane wyniki zyskują. Dostawcy, którzy nadal sprzedają głównie na podstawie możliwości i pozostawiają pytanie o wynik klientowi, coraz częściej znajdują się po niewłaściwej stronie oczekiwań nabywców.

Nabywca już się zmienił

Operatorzy z sektora enterprise i średniego rynku nie czekają, aż dostawcy nadrobią zaległości. Kryteria oceny już się zmieniły, a nabywcy chcą wiedzieć, co platforma produkuje, jak działa w ich istniejącym przepływie pracy i jak głęboko łączy się z systemami, od których już zależą. Rozmowy zakupowe, które kiedyś koncentrowały się na demonstracjach funkcji i prezentacjach mapy drogowej, coraz częściej skupiają się na architekturze integracji, pomiarze wyników i odpowiedzialności operacyjnej.

Ryzyko dla platform SaaS z dużą ekspozycją na przedsiębiorstwa w modelu per‑seat polega na tym, że mnożniki przychodów mogą się skurczyć w porównaniu z firmami, które przeszły na modele oparte na konsumpcji lub wynikach. Inwestorzy wyceniają ryzyko, że wskaźnik utrzymania przychodów netto pogorszy się, gdy klienci zastępują ludzkie miejsca pracy agentami AI.

To przelotna szansa dla dostawców. Nabywcy kształtują oczekiwania co do tego, jak wygląda odpowiedzialność oprogramowania natywnego AI. Dostawcy myślący perspektywicznie reagują, tworząc struktury cenowe, pogłębiając integracje i chętniej poddając się pomiarowi wyników, co daje im przewagę przy odnowieniach i rozbudowach. Dostawcy, którzy nadal koncentrują się na swoim zestawie funkcji, przekonają się, że rozmowa staje się coraz mniej istotna dla tego, co nabywcy naprawdę chcą wiedzieć.

Przemyślenie standardu wartości

AI zmienia to, jaka jest wartość oprogramowania, dla kogo i na jakich warunkach. Cały aparat wyceny SaaS został zbudowany dla świata, w którym oprogramowanie jedynie pomagało ludziom w pracy. Ten świat się kończy.

Nowa era wymaga od firm potraktowania tego jako pytanie oparte na pierwszych zasadach. Jeśli AI wykonuje pracę, za co klient powinien płacić i dlaczego? Odpowiedź to zupełnie nowy model skoncentrowany na wynikach, własności przepływu pracy i własnym kontekście. Wymaga on innego podejścia do wyceny, strategii produktowej, partnerstw i sposobu mierzenia sukcesu.

Era funkcji w SaaS nagradzała najpotężniejsze narzędzie. Era AI będzie nagradzać firmy, których specjalizacja i powiązania są najtrudniejsze do odtworzenia. Przebudowanie się wokół tej rzeczywistości już dziś pozwala zbudować fosę na kolejną dekadę oprogramowania korporacyjnego.