Bain оценил рынок SaaS с agentic AI в США в $100 млрд

Bain & Company оценила рынок в США для SaaS-компаний, использующих agentic AI, в $100 млрд. По мнению компании, этот спрос связан с автоматизацией координационной работы в корпоративных системах.

Оценка вошла во второй отчет из пяти в серии Bain о софтверной индустрии в эпоху AI. В нем рассматривается, где agentic AI может создать новые рынки программного обеспечения и как SaaS-компании могут на них заработать.

Координационная работа в корпоративных системах

Bain считает, что рынок формируется вокруг ручной работы, которую сотрудники выполняют между корпоративными приложениями. Такие процессы часто охватывают ERP, CRM и системы поддержки, а также инструменты управления поставщиками и электронную почту.

Эта работа включает перенос данных из одной системы и сверку их с другим источником. Она также может включать интерпретацию неструктурированных сообщений и принятие решения — одобрить, ответить, эскалировать или подождать.

Компания отметила, что automation на основе правил и robotic process automation ограничены в процессах с неоднозначностью и данными, распределенными по нескольким системам. Agentic AI может интерпретировать информацию из разных источников, координировать действия в системах и работать в рамках политик и ограничений.

В отчете утверждается, что agentic AI — это не столько замена SaaS-платформ, сколько перевод трудоемкой координационной работы в расходы на программное обеспечение.

Bain оценила, что вендоры уже осваивают от $4 млрд до $6 млрд этого рынка в США. По ее данным, более 90% рынка остается неосвоенным.

За пределами США Bain предположила, что Канада, Европа, Австралия и Новая Зеландия могут добавить рынок сопоставимого размера. В сумме с США это довело бы объем примерно до $200 млрд.

Размер рынка по функциям

Рынок распределен по корпоративным функциям неравномерно. Bain оценивает, что на продажи приходится крупнейшая отдельная доля — около $20 млрд. Это связано прежде всего с числом сотрудников в продажах, а не с особенно высокой автоматизируемостью.

Себестоимость и операции составляют около $26 млрд. Большой штат в операционных функциях означает, что даже умеренные темпы автоматизации могут дать крупный адресный рынок. R&D и engineering, customer support и finance каждый занимают примерно от $6 млрд до $12 млрд потенциального рынка. У этих функций крупные команды и более высокий потенциал автоматизации в отдельных рабочих процессах.

Customer support и R&D или engineering имеют наибольший потенциал автоматизации: примерно 40%–60% задач в workflow можно автоматизировать. Bain отметила, что в этих областях есть структурированные данные, стандартизированные процессы и более четкие сигналы результата. Finance и human resources находятся в диапазоне 35%–45%. В отчете сказано, что accounts payable и payroll легче автоматизировать, тогда как financial planning и employee relations требуют большего суждения.

Sales и IT находятся в диапазоне 30%–40%. Bain указала на нюансы отношений, различия от сделки к сделке и непредсказуемость инцидентов безопасности как на ограничения автоматизации в этих областях. Legal имеет более низкий общий потенциал автоматизации — 20%–30%. По словам Bain, review контрактов и compliance повторяемы, но последствия ошибок требуют более строгого контроля.

Факторы автоматизации по Bain

В отчете названы шесть факторов, определяющих, какую часть workflow реально может взять на себя AI-агент. Среди них — проверяемость результата, последствия сбоя, доступность оцифрованных знаний и вариативность процесса. Bain сказала, что процессы с четкими сигналами верификации автоматизировать проще, чем работу, где требуется субъективное суждение. В качестве примеров приведены компиляция кода, сверенные счета и закрытые обращения в поддержку.

По данным отчета, процессы с регуляторными или финансовыми рисками требуют более жесткого human supervision, даже если агенты технически способны выполнить работу. К ним относятся налоговая отчетность, legal compliance и response на инциденты безопасности.

Еще одно ограничение — наличие оцифрованных знаний. Агентам нужен доступ к структурированным данным и задокументированному контексту. Им также требуются машиночитаемые входные данные, включая логику принятия решений, которая нередко неформально хранится у опытных сотрудников.

Сложность интеграций влияет на автоматизацию, когда workflow проходит через несколько систем и API. Слои аутентификации и процессы обработки исключений добавляют дополнительную сложность, поэтому такие процессы труднее автоматизировать end-to-end, чем workflow внутри одной платформы. Самые ценные области сосредоточены там, где ни одна system of record не контролирует итоговый результат целиком. Как правило, такие процессы охватывают ERP, CRM и системы поддержки, говорится в отчете.

Дэвид Кроуфорд, председатель глобальной практики Bain по технологиям и телекоммуникациям, сказал, что SaaS-компании последние два десятилетия строили позиции вокруг systems of record, а следующим источником преимущества станет “cross-workflow decision context” — способность интерпретировать и выполнять действия в workflow, проходящих через несколько систем.

Примеры компаний и смежные workflow

В обсуждении внедрения agentic AI отчет упомянул Cursor, Sierra, Harvey, Glean, Salesforce, ServiceNow и Workday. По данным Bain, Cursor превысил $16,7 млн среднего ежемесячного дохода после удвоения выручки за один квартал. Sierra превысила $150 млн в годовом выражении, Harvey — $190 млн в годовом выражении, а Glean — $200 млн в годовом выражении.

В отчете также приведен пример GitHub как компании, которая использует данные из существующего основного workflow, чтобы выйти в смежные направления. Основной бизнес GitHub — developer collaboration и source control, но данные о репозиториях и workflow помогли компании расшириться в AI-assisted developer productivity и security automation.

Bain считает, что SaaS-компании могут расширяться через два типа автоматизации workflow. Первый — автоматизация core workflows, где у компании уже есть предметная экспертиза и доверие клиентов. Bain отметила, что существующие системные интеграции могут поддержать такую автоматизацию. Второй — автоматизация adjacent workflows, которые компания пока не обслуживает напрямую. Такие области сложнее выявить, потому что для них нужно подробно картировать workflow клиента и данные, на которых строятся решения.

Модели ценообразования могут меняться, когда агенты приносят завершенные результаты. Bain сказала, что outcome-based и use-based pricing становятся более актуальными, когда агенты решают проблемы или обрабатывают счета. Это контрастирует с традиционным ценообразованием, основанным на seats и logins.

Рекомендации Bain для SaaS-компаний

Bain рекомендовала SaaS-компаниям начать с определения того, какие customer workflow уже можно автоматизировать с помощью agentic AI. Компания подчеркнула, что оценивать автоматизацию нужно на уровне subprocess, а не считать все функции одинаково автоматизируемыми.

В отчете также сказано, что компаниям следует оценить качество своих данных. Среди важных факторов Bain называет полноту данных, связь с результатами и пригодность для автоматизации.

Bain заявила, что компании могут закрывать пробелы в возможностях через внутреннюю разработку, поглощения или партнерства. В качестве примеров приведены внутренняя разработка платформы Axon у AppLovin, покупка Moveworks компанией ServiceNow и партнерство Salesforce с Workday.

Компания также указала на необходимость специалистов по AI engineering, cloud-native архитектуры для orchestration нескольких агентов и финансирования training и inference моделей. По ее словам, компаниям нужно согласовывать цены и стимулы продаж с AI-driven результатами, а не с устаревшими seat-based моделями.

Bain добавила, что SaaS-компаниям потребуются data и product foundations, спроектированные под agentic workflows, включая машиночитаемые hand-offs и системы, которые фиксируют решения и результаты каждого прохода workflow.

Кроуфорд сказал, что временной горизонт для SaaS-компаний измеряется “кварталами, а не годами”, поскольку AI-native компании накапливают больше данных о внедрении с каждым customer workflow, который они автоматизируют.

См. также: Google тестирует AI-агента Remy для Gemini, а фокус смещается к контролю пользователя

Хотите узнать больше об AI и больших данных от лидеров отрасли? Посетите AI & Big Data Expo, который пройдет в Амстердаме, Калифорнии и Лондоне. Мероприятие входит в программу TechEx и проводится вместе с другими ведущими технологическими событиями; здесь можно узнать больше.

AI News работает на базе TechForge Media. Другие предстоящие технологические мероприятия для корпоративного рынка и вебинары можно найти здесь.

Материал — перевод статьи с английского.

Оригинал: Bain sees US$100 billion SaaS market in agentic AI automation