Bain & Company procjenjuje da postoji tržište od 100 milijardi dolara za SaaS tvrtke koje koriste agentni AI u Sjedinjenim Američkim Državama. Tvrtka navodi da je to tržište povezano s automatizacijom koordinacijskog rada unutar poslovnih sustava.
Procjena dolazi iz drugog izvještaja u Bainovoj petodijelnoj seriji o softverskoj industriji u doba AI. Izvještaj ispituje gdje bi agentni AI mogao stvoriti nova softverska tržišta i kako ih SaaS tvrtke mogu iskoristiti.
Koordinacijski rad u poslovnim sustavima
Bain navodi da se tržište nalazi u manualnom radu koji zaposlenici obavljaju između poslovnih aplikacija. Ovi radni tokovi često obuhvaćaju ERP, CRM i sustave podrške. Mogu također uključivati alate za upravljanje dobavljačima i e-poštu.
Taj rad uključuje izvlačenje podataka iz jednog sustava i provjeru s drugim izvorom. Također može uključivati tumačenje nestrukturiranih poruka i odlučivanje o odobravanju, odgovaranju, eskalaciji ili čekanju.
Bain ističe da su automatizacija temeljem pravila i robotska procesna automatizacija ograničeni u radnim tokovima koji uključuju nejasnoće i informacije raspoređene u više sustava. Agentni AI može tumačiti informacije iz različitih izvora, koordinirati radnje u sustavima i djelovati unutar okvira politike.
Izvještaj tvrdi da agentni AI nije prvenstveno zamjena za SaaS platforme, već da tržište dolazi iz pretvaranja rada koji zahtijeva puno truda u troškove za softver.
Procjenjuje se da su dobavljači već uhvatili između 4 i 6 milijardi dolara od američkog tržišta. Više od 90% ostaje neiskorišteno, prema Bainu.
Izvan SAD-a, Bain procjenjuje da bi Kanada, Europa, Australija i Novi Zeland mogli dodati slično tržište, čime bi ukupna vrijednost u tim regijama i SAD-u iznosila oko 200 milijardi dolara.
Veličina tržišta prema funkcijama
Tržište nije ravnomjerno raspoređeno među poslovnim funkcijama. Bain procjenjuje da prodaja predstavlja najveći pojedinačni udio od oko 20 milijardi dolara, što je uglavnom zbog broja prodajnih zaposlenika, a ne zbog neobično visokog potencijala automatizacije.
Troškovi prodane robe i operacije čine oko 26 milijardi dolara. Velika veličina operativne radne snage znači da i umjereni postotci automatizacije mogu rezultirati velikim adresabilnim tržištem. R&D i inženjering, korisnička podrška i financije svaka predstavljaju između 6 i 12 milijardi dolara u adresabilnoj veličini tržišta. Ove funkcije imaju značajne radne snage i veći potencijal automatizacije u određenim radnim tokovima.
Korisnička podrška i R&D ili inženjering imaju najveći potencijal automatizacije, s približno 40% do 60% zadataka radnog toka koji se mogu automatizirati. Bain ističe da oba područja imaju strukturirane podatke, standardizirane procese i jasnije izlazne signale. Financije i ljudski resursi nalaze se u rasponu od 35% do 45%. Izvještaj navodi da računi koji se plaćaju i plaće imaju veći potencijal automatizacije, dok financijsko planiranje i odnosi s zaposlenicima uključuju više prosudbi.
Prodaja i IT nalaze se u rasponu od 30% do 40%. Bain je naveo nijanse odnosa, varijacije po poslovima i nepredvidivu prirodu sigurnosnih incidenata kao ograničenja automatizacije u tim područjima. Pravni sektor ima niži ukupni potencijal automatizacije, od 20% do 30%. Bain navodi da su revizija ugovora i usklađenost ponovljivi, ali posljedice pogrešaka stvaraju potrebu za strožim nadzorom.
Bainovi faktori automatizacije
Izvještaj identificira šest faktora koji određuju koliko se radnog toka može realno obraditi pomoću AI agenta. Oni uključuju verifikabilnost izlaza, posljedice neuspjeha, dostupnost digitaliziranog znanja i varijabilnost procesa. Bain navodi da su radni tokovi s jasnim signalima verifikacije lakši za automatizaciju od rada koji uključuje subjektivnu prosudbu. Primjeri uključuju sastavljanje koda, usklađene račune i riješene zahtjeve za podršku.
Radni tokovi koji uključuju regulatorni ili financijski rizik zahtijevaju bliži ljudski nadzor, čak i kada su agenti tehnički sposobni, prema izvještaju. To uključuje porezne prijave, pravnu usklađenost i odgovor na sigurnosne incidente.
Bain također identificira dostupnost digitaliziranog znanja kao ograničenje. Agenti trebaju pristup strukturiranim podacima i dokumentiranom kontekstu. Također im trebaju ulazi koji su čitljivi za strojeve, uključujući logiku odluke koja često leži neformalno uz iskusne zaposlenike.
Kompleksnost integracije utječe na automatizaciju kada radni tokovi prolaze kroz nekoliko sustava i API-ja. Slojevi autentifikacije i procesi rješavanja iznimaka dodaju dodatnu složenost, a ti su radni tokovi teže automatizirati od početka do kraja nego radne tokove koji su sadržani unutar jedne platforme. Područja s najvećom vrijednošću koncentrirana su tamo gdje nijedan pojedinačni sustav evidencije ne kontrolira cijeli ishod. Ovi radni tokovi često obuhvaćaju ERP, CRM i sustave podrške, navodi tvrtka.
David Crawford, predsjednik Bainove globalne prakse tehnologije i telekomunikacija, rekao je da su SaaS tvrtke posljednja dva desetljeća gradile pozicije oko sustava evidencije, a sljedeći izvor prednosti bit će „kontekst odluka preko radnih tokova“, što je definirano kao sposobnost tumačenja i djelovanja u radnim tokovima koji se kreću kroz više sustava.
Primjeri tvrtki i susjedni radni tokovi
Izvještaj spominje Cursor, Sierra, Harvey, Glean, Salesforce, ServiceNow i Workday u raspravi o usvajanju agentnog AI. Cursor je prema Bainu premašio 16,7 milijuna dolara prosječnog mjesečnog prihoda, nakon što je udvostručio u jednom kvartalu. Sierra je prešla 150 milijuna dolara godišnje, Harvey je prešao 190 milijuna dolara godišnje, a Glean 200 milijuna dolara godišnje.
Izvještaj također ukazuje na GitHub kao primjer tvrtke koja koristi podatke iz postojećeg osnovnog radnog toka za prelazak u susjedni rad. GitHubova osnovna djelatnost je suradnja programera i kontrola izvora, ali su njezini podaci o repozitoriju i radnom toku pomogli podržati širenje u AI-pomoćnu produktivnost programera i automatizaciju sigurnosti.
Bain navodi da SaaS tvrtke mogu proširiti svoje poslovanje kroz dvije vrste automatizacije radnih tokova. Prvi je automatizacija osnovnih radnih tokova, gdje već imaju domensko znanje i povjerenje kupaca. Bain navodi da postojeće integracije sustava mogu podržati automatizaciju osnovnih radnih tokova. Drugi je automatizacija susjednih radnih tokova koje tvrtka trenutno ne opslužuje izravno. Ova područja mogu biti teža za identificirati jer zahtijevaju detaljno mapiranje radnih tokova kupaca i temeljnih podataka koji podržavaju odluke.
Cjenovni modeli mogu se promijeniti kada agenti isporučuju dovršene rezultate. Bain navodi da cjenovni modeli temeljen na ishodima i korištenju mogu postati relevantniji kada agenti rješavaju probleme ili obrađuju račune. Izvještaj to uspoređuje s tradicionalnim cjenovnim modelima temeljenim na sjedalima i prijavama.
Bainove preporuke za SaaS tvrtke
Bain preporučuje da SaaS tvrtke započnu identifikacijom koji su radni tokovi kupaca sada automatizabilni pomoću agentnog AI. Tvrtka navodi da bi tvrtke trebale procijeniti automatizaciju na razini podprocesa, a ne tretirati cijele funkcije kao jednako automatizabilne.
Izvještaj također navodi da bi tvrtke trebale procijeniti kvalitetu svojih podataka. Bain ističe da relevantni faktori uključuju je li podatak sveobuhvatan, povezan s ishodima i upotrebljiv za automatizaciju.
Bain navodi da bi tvrtke mogle zatvoriti razlike u sposobnostima putem interne razvoj, akvizicija ili partnerstava. Izvještaj navodi unutarnji razvoj platforme Axon tvrtke AppLovin, akviziciju Moveworks od strane ServiceNow i partnerstvo Salesforcea s Workdayom kao primjere različitih pristupa.
Tvrtka također ukazuje na potrebu za talentima u AI inženjeringu, cloud-native arhitekturi za višekratnu orkestraciju i financiranjem za obuku i inferenciju modela. Navodi da bi tvrtke trebale uskladiti cjenovne i prodajne poticaje s ishodima vođenim AI, a ne s nasljeđenim modelima temeljenim na sjedalima.
Bain ističe da će SaaS tvrtke također trebati temelje podataka i proizvoda dizajnirane za agentne radne tokove, uključujući prijenose koji su čitljivi za strojeve i sustave koji bilježe odluke i ishode iz svakog izvršenja radnog toka.
Crawford ističe da se vremenski okvir za SaaS tvrtke „mjeri u kvartalima, a ne u godinama“, jer tvrtke koje su izvorne za AI prikupljaju više podataka o implementaciji s svakim radnim tokom kupaca koji automatiziraju.
(Fotografija od engin akyurt)
Vidi također: Google testira Remy AI agenta za Gemini dok se fokus prebacuje na kontrolu korisnika
Želite li saznati više o AI i velikim podacima od lidera industrije? Provjerite AI & Big Data Expo koji se održava u Amsterdamu, Kaliforniji i Londonu. Sveobuhvatan događaj dio je TechEx i održava se zajedno s drugim vodećim tehnološkim događajima, kliknite ovdje za više informacija.
AI News pokreće TechForge Media. Istražite druge nadolazeće događaje i webinare o poslovnoj tehnologiji ovdje.
