Компания Bain прогнозирует, что рынок SaaS в сфере автоматизации на базе агентного ИИ достигнет 100 млрд долларов США

По оценкам компании Bain & Company, объем рынка SaaS-компаний, использующих агентский ИИ, в США составляет 100 миллиардов долларов. По мнению компании, этот рынок формируется за счет автоматизации задач координации в рамках корпоративных систем.

Эта оценка приведена во второй части пятисерийного доклада Bain, посвященного индустрии программного обеспечения в эпоху ИИ. В докладе рассматривается, где агентский ИИ может открыть новые рынки программного обеспечения и как поставщики SaaS могут их завоевать.

Координационная работа в корпоративных системах

По данным Bain, рынок возникает из ручных задач, которые сотрудники выполняют в различных корпоративных приложениях. Эти рабочие процессы часто включают ERP, CRM и системы поддержки, а также инструменты управления поставщиками и электронную почту.

К таким задачам относятся извлечение данных из одной системы и их сопоставление с данными другой, интерпретация неструктурированных сообщений и принятие решения об утверждении, ответе, эскалации или ожидании.

Bain отмечает, что автоматизация на основе правил и роботизированная автоматизация процессов имеют ограничения, когда рабочие процессы сопряжены с неоднозначностью и информацией, разбросанной по нескольким системам. Агентный ИИ может интерпретировать данные из различных источников, координировать действия между системами и работать в рамках установленных правил.

В отчете утверждается, что агентский ИИ не ставит своей основной целью замену SaaS-платформ; вместо этого рыночные возможности заключаются в преобразовании трудоемкой координационной работы в расходы на программное обеспечение.

По оценкам Bain, поставщики уже захватывают от 4 до 6 миллиардов долларов на рынке США, при этом более 90% рынка остается неиспользованным.

По прогнозам Bain, за пределами США Канада, Европа, Австралия и Новая Зеландия могут в совокупности сформировать рынок аналогичного размера, в результате чего общий объем рынка в этих регионах и США составит примерно 200 млрд долларов.

Размер рынка по функциям

Рынок неравномерно распределен по функциям предприятия. По оценкам Bain, наибольшую долю занимает отдел продаж — около 20 млрд долларов, что обусловлено в основном численностью сотрудников отдела, а не необычайно высоким потенциалом автоматизации.

На себестоимость реализованной продукции и операционную деятельность приходится примерно 26 млрд долларов. Большой штат операционного персонала означает, что даже умеренные показатели автоматизации приводят к значительному объему доступного рынка. На исследования и разработки, инженерную деятельность, поддержку клиентов и финансы приходится от 6 до 12 млрд долларов доступного рынка. Эти функции имеют большой штат сотрудников и более высокий потенциал автоматизации в конкретных рабочих процессах.

Служба поддержки клиентов и НИОКР/инжиниринг обладают наибольшим потенциалом автоматизации: автоматизировать можно примерно от 40% до 60% задач рабочих процессов. Bain отметила, что обе эти области связаны со структурированными данными, стандартизированными процессами и более четкими выходными сигналами. Финансы и управление персоналом находятся в диапазоне от 35% до 45%. В отчете говорится, что учет кредиторской задолженности и расчет заработной платы имеют более высокий потенциал автоматизации, в то время как финансовое планирование и отношения с сотрудниками требуют большего субъективного суждения.

Показатели отделов продаж и ИТ находятся в диапазоне от 30% до 40%. Bain указала на нюансы взаимоотношений, различия в сделках и непредсказуемый характер инцидентов безопасности как на ограничения для автоматизации в этих областях. Юридическая сфера имеет более низкий общий потенциал автоматизации — от 20% до 30%. Bain отметила, что проверка контрактов и обеспечение соответствия нормативным требованиям являются повторяемыми процессами, но последствия ошибок требуют более строгого контроля.

Факторы автоматизации по версии Bain

В отчете выделено шесть факторов, определяющих, какую часть рабочего процесса агент ИИ может реально обработать. К ним относятся проверяемость результатов, последствия сбоев, доступность оцифрованных знаний и изменчивость процессов. По мнению Bain, рабочие процессы с четкими сигналами проверки легче автоматизировать, чем те, которые предполагают субъективное суждение. Примерами могут служить компиляция кода, сверка счетов и решение запросов в службу поддержки.

Согласно отчету, рабочие процессы, связанные с нормативными или финансовыми рисками, такие как подача налоговых деклараций, соблюдение законодательства и реагирование на инциденты безопасности, требуют более тщательного контроля со стороны человека, даже если агенты технически способны их выполнять.

Bain также выделил доступность оцифрованных знаний в качестве ограничивающего фактора. Агентам необходим доступ к структурированным данным и задокументированному контексту, а также к машиночитаемым входным данным, включая логику принятия решений, которая часто неформально хранится у опытных сотрудников.

Сложность интеграции влияет на автоматизацию, когда рабочие процессы проходят через несколько систем и API. Уровни аутентификации и процессы обработки исключений добавляют дополнительную сложность, что делает эти рабочие процессы более сложными для сквозной автоматизации, чем те, которые находятся в пределах одной платформы. Наиболее ценные области сосредоточены там, где ни одна система учета не контролирует полный результат, часто охватывая ERP, CRM и системы поддержки, отмечает компания.

Дэвид Кроуфорд, председатель глобальной практики Bain в области технологий и телекоммуникаций, сказал, что компании SaaS потратили последние два десятилетия на укрепление позиций вокруг систем учета, и следующим источником преимущества станет «контекст принятия решений в межрабочих процессах» — способность интерпретировать и действовать в рамках рабочих процессов, проходящих через несколько систем.

Примеры компаний и смежные рабочие процессы

В отчете приводятся примеры компаний Cursor, Sierra, Harvey, Glean, Salesforce, ServiceNow и Workday в рамках обсуждения внедрения агентного ИИ. По данным Bain, среднемесячная выручка Cursor превысила 16,7 млн долларов после удвоения за один квартал. Sierra превысила 150 млн долларов в год, Harvey — 190 млн долларов в год, а Glean — 200 млн долларов в год.

В отчете также приводится GitHub в качестве примера компании, использующей данные из существующего основного рабочего процесса для расширения деятельности в смежных областях. Основной бизнес GitHub — это сотрудничество разработчиков и контроль исходного кода, но данные его репозитория и рабочих процессов помогли поддержать расширение деятельности в области повышения производительности разработчиков с помощью ИИ и автоматизации безопасности.

По словам Бейна, компании SaaS могут расширяться за счет двух типов автоматизации рабочих процессов. Первый — это автоматизация основных рабочих процессов, в которых они уже обладают знаниями в данной области и доверием клиентов. Существующие системные интеграции могут поддерживать автоматизацию основных рабочих процессов. Второй — это автоматизация смежных рабочих процессов, которые компания в настоящее время не обслуживает напрямую. Эти области может быть сложнее определить, поскольку они требуют детального картирования рабочих процессов клиентов и базовых данных, на которых основываются решения.

Модели ценообразования могут меняться, когда агенты предоставляют готовые результаты. Bain отметил, что ценообразование, основанное на результатах и использовании, может стать более актуальным, когда агенты решают проблемы или обрабатывают счета, в отличие от традиционного ценообразования, основанного на количестве рабочих мест и входов в систему.

Рекомендации Bain для SaaS-компаний

Bain рекомендовал компаниям SaaS начать с определения того, какие рабочие процессы клиентов в настоящее время можно автоматизировать с помощью агентного ИИ. Фирма отметила, что компании должны оценивать автоматизацию на уровне подпроцессов, а не рассматривать все функции как одинаково поддающиеся автоматизации.

В отчете также советуется компаниям оценивать качество своих данных. По мнению Bain, к значимым факторам относятся: являются ли данные исчерпывающими, привязаны ли они к результатам и пригодны ли для автоматизации.

Bain отметила, что компании могут восполнить пробелы в компетенциях за счет внутренних разработок, приобретений или партнерств. В отчете в качестве примеров различных подходов приводятся собственная разработка AppLovin платформы Axon, приобретение ServiceNow компании Moveworks и партнерство Salesforce с Workday.

Компания также подчеркнула необходимость в специалистах по искусственному интеллекту, облачной архитектуре для координации действий нескольких агентов, а также в финансировании обучения моделей и вывода заключений. В отчете говорится, что компании должны привести ценообразование и стимулы для продаж в соответствие с результатами, достигаемыми благодаря искусственному интеллекту, а не с устаревшими моделями, основанными на количестве рабочих мест.

Bain отметила, что SaaS-компаниям также понадобятся базы данных и продуктовые платформы, разработанные для агентных рабочих процессов, включая машиночитаемые передачи задач и системы, фиксирующие решения и результаты каждого запуска рабочего процесса.

Кроуфорд отметил, что временные рамки для SaaS-компаний «измеряются кварталами, а не годами», поскольку компании, ориентированные на ИИ, собирают больше данных о развертывании с каждым автоматизированным рабочим процессом клиента.

См. также: Google тестирует агент Remy AI для Gemini, поскольку внимание переключается на контроль со стороны пользователя

Хотите узнать больше об ИИ и больших данных от лидеров отрасли? Посетите выставку AI & Big Data Expo, которая пройдет в Амстердаме, Калифорнии и Лондоне. Это комплексное мероприятие является частью TechEx и проходит одновременно с другими ведущими технологическими мероприятиями. Нажмите здесь для получения дополнительной информации.

AI News поддерживается TechForge Media. Узнайте о других предстоящих мероприятиях и вебинарах по корпоративным технологиям здесь.