„Bain & Company“ apskaičiavo, kad „SaaS“ įmonių, naudojančių agentinį AI, rinka JAV sudaro 100 milijardų JAV dolerių. Įmonė teigė, kad rinka yra susieta su įmonių sistemų koordinavimo darbo automatizavimu.
Apskaičiavimas pateiktas iš antrosios Baino penkių dalių serijos ataskaitos apie programinės įrangos pramonę AI amžiuje. Ataskaitoje nagrinėjama, kur agentinis AI galėtų sukurti naujas programinės įrangos rinkas ir kaip SaaS įmonės gali jas užfiksuoti.
Koordinavimo darbai įmonės sistemose
Bainas teigė, kad rinka priklauso nuo rankų darbo, kurį darbuotojai atlieka tarp įmonės programų. Šios darbo eigos dažnai apima ERP, CRM ir palaikymo sistemas. Jie taip pat gali apimti tiekėjo valdymo įrankius ir el.
Šis darbas apima duomenų paėmimą iš vienos sistemos ir jų patikrinimą su kitu šaltiniu. Tai taip pat gali apimti nestruktūrizuotų pranešimų interpretavimą ir sprendimą, ar patvirtinti, atsakyti, eskaluoti ar palaukti.
Bainas teigė, kad taisyklėmis pagrįstas automatizavimas ir robotų procesų automatizavimas yra ribotas darbo eigose, apimančiose dviprasmiškumą ir informacijos plitimą keliose sistemose. Agentinis AI gali interpretuoti informaciją iš skirtingų šaltinių, koordinuoti veiksmus sistemose ir veikti pagal politikos apsauginius turėklus.
Ataskaitoje teigiama, kad agentinis dirbtinis intelektas visų pirma yra ne SaaS platformų pakaitalas, o rinka atsiranda paverčiant daug darbo reikalaujantį koordinavimo darbą programinės įrangos išlaidomis.
Skaičiuojama, kad pardavėjai jau užima 4–6 milijardus JAV dolerių JAV rinkos. Pasak įmonės, daugiau nei 90% lieka nepanaudota.
Už JAV ribų Bainas apskaičiavo, kad Kanada, Europa, Australija ir Naujoji Zelandija galėtų pridėti panašaus dydžio rinką. Dėl to bendra suma tuose regionuose ir JAV sudarytų apie 200 mlrd.
Rinkos dydis pagal funkciją
Rinka nėra tolygiai paskirstyta pagal įmonės funkcijas. Bain apskaičiavo, kad pardavimai sudaro didžiausią atskirą dalį – apie 20 milijardų JAV dolerių. Tai daugiausia lemia pardavimų darbuotojų skaičius, o ne neįprastai didelis automatizavimo potencialas.
Parduotų prekių ir operacijų kaina sudaro apie 26 milijardus JAV dolerių. Didelis darbo jėgos dydis reiškia, kad net nedideli automatizavimo rodikliai gali virsti didele, tinkama rinka. Moksliniai tyrimai ir plėtra, inžinerija, klientų aptarnavimas ir finansavimas sudaro apie 6–12 milijardų JAV dolerių tinkamos rinkos dydžio. Šios funkcijos turi didelę darbo jėgą ir didesnį automatizavimo potencialą tam tikrose darbo eigose.
Klientų aptarnavimas ir MTEP arba inžinerija turi didžiausią automatizavimo potencialą, nes maždaug 40–60 % darbo eigos užduočių yra automatizuojamos. Bainas teigė, kad abiejose srityse yra struktūrizuoti duomenys, standartizuoti procesai ir aiškesni išvesties signalai. Finansai ir žmogiškieji ištekliai svyruoja nuo 35 % iki 45 %. Ataskaitoje teigiama, kad mokėtinos sumos ir darbo užmokestis turi didesnį automatizavimo potencialą, o finansinis planavimas ir santykiai su darbuotojais reikalauja daugiau sprendimų.
Pardavimai ir IT sudaro 30–40 proc. Bainas nurodė santykių niuansus, sandorių skirtumus ir nenuspėjamą saugumo incidentų pobūdį kaip automatizavimo ribas šiose srityse. Legal turi mažesnį bendrą automatizavimo potencialą – nuo 20 % iki 30 %. Bainas teigė, kad sutarties peržiūra ir laikymasis yra pakartojami, tačiau klaidų pasekmės sukuria griežtesnės priežiūros poreikį.
Baino automatizavimo veiksniai
Ataskaitoje nurodomi šeši veiksniai, lemiantys, kokią darbo eigos dalį realiai gali atlikti AI agentas. Tai apima išvesties patikrinamumą, gedimo pasekmes, skaitmeninių žinių prieinamumą ir proceso kintamumą. Bainas sakė, kad darbo eigas su aiškiais patvirtinimo signalais lengviau automatizuoti nei darbą, apimantį subjektyvų sprendimą. Pavyzdžiai: kodo sudarymas, suderintos sąskaitos faktūros ir išspręsti palaikymo bilietai.
Ataskaitoje teigiama, kad darbo eigos, susijusios su reguliavimo ar finansine rizika, reikalauja atidesnės žmogaus priežiūros, net jei agentai yra techniškai pajėgūs. Tai apima mokesčių deklaracijas, teisės aktų laikymąsi ir atsaką į saugumo incidentus.
Bainas taip pat įvardijo skaitmeninių žinių prieinamumą kaip apribojimą. Agentams reikia prieigos prie struktūrizuotų duomenų ir dokumentuoto konteksto. Jiems taip pat reikia mašininiu būdu nuskaitomų įvesties duomenų, įskaitant sprendimų logiką, kuri dažnai neoficialiai palaikoma patyrusių darbuotojų.
Integravimo sudėtingumas turi įtakos automatizavimui, kai darbo eigos eina per kelias sistemas ir API. Autentifikavimo sluoksniai ir išimčių apdorojimo procesai dar labiau apsunkina, o šias darbo eigas yra sunkiau automatizuoti iki galo nei darbo eigas, esančias vienoje platformoje. Didžiausios vertės sritys yra sutelktos ten, kur nė viena įrašų sistema nekontroliuoja viso rezultato. Šios darbo eigos dažnai apima ERP, CRM ir palaikymo sistemas, teigia bendrovė.
Davidas Crawfordas, Bain pasaulinės technologijų ir telekomunikacijų praktikos pirmininkas, sakė, kad SaaS įmonės pastaruosius du dešimtmečius praleido kurdamos pozicijas apie įrašų sistemas, o kitas pranašumų šaltinis yra „kryžminio darbo eigos sprendimų kontekstas“, kuris apibrėžiamas kaip gebėjimas interpretuoti ir veikti darbo eigose, kurios juda per kelias sistemas.
Įmonės pavyzdžiai ir gretimos darbo eigos
Ataskaitoje buvo cituojamas Cursor, Sierra, Harvey, Glean, Salesforce, ServiceNow ir Workday diskusijose apie agentinį AI pritaikymą. „Cursor“ vidutinės mėnesio pajamos viršijo 16,7 mln. Sierra viršijo 150 milijonų JAV dolerių per metus, Harvey – 190 milijonų JAV dolerių per metus, o Glean – 200 milijonų JAV dolerių per metus.
Ataskaitoje taip pat atkreiptas dėmesys į „GitHub“, pavyzdžiui, įmonę, naudojančią esamos pagrindinės darbo eigos duomenis, kad galėtų pereiti prie gretimo darbo. „GitHub“ pagrindinė veikla yra kūrėjų bendradarbiavimas ir šaltinio valdymas, tačiau jo saugykla ir darbo eigos duomenys padėjo plėtoti kūrėjų produktyvumą ir saugos automatizavimą, padedantį dirbtiniu intelektu.
Bainas sakė, kad SaaS įmonės gali plėstis naudodamos dviejų tipų darbo eigos automatizavimą. Pirmasis yra pagrindinių darbo eigų automatizavimas, kai jie jau turi domeno žinių ir klientų pasitikėjimą. Bainas teigė, kad esamos sistemų integracijos gali palaikyti pagrindinių darbo eigų automatizavimą. Antrasis – automatizuoti gretimus darbo srautus, kurių įmonė šiuo metu tiesiogiai neaptarnauja. Šias sritis gali būti sunkiau identifikuoti, nes joms reikia detalaus klientų darbo eigos ir pagrindinių duomenų, kuriais remiantis priimami sprendimai, žemėlapio.
Kainodaros modeliai gali keistis, kai agentai pateikia užbaigtus rezultatus. Bain sakė, kad rezultatais ir naudojimu pagrįsta kainodara gali tapti aktualesnė, kai agentai išsprendžia problemas arba apdoroja sąskaitas faktūras. Ataskaitoje tai kontrastuojama su tradicine kainodara, pagrįsta sėdynėmis ir prisijungimais.
Baino rekomendacijos SaaS įmonėms
Bainas rekomendavo „SaaS“ įmonėms pradėti nuo to, kad nustatytų, kurios klientų darbo eigos dabar yra automatizuojamos naudojant agentinį AI. Įmonė teigė, kad įmonės turėtų vertinti automatizavimą subprocesų lygiu, nelaikydamos visų funkcijų vienodai automatizuotomis.
Ataskaitoje taip pat teigiama, kad įmonės turėtų įvertinti savo duomenų kokybę. Bainas teigė, kad svarbūs veiksniai yra tai, ar duomenys yra išsamūs, susieti su rezultatais ir tinkami naudoti automatizavimui.
Bainas teigė, kad įmonės galėtų užpildyti pajėgumų spragas per vidinę plėtrą, įsigijimus ar partnerystes. Ataskaitoje kaip skirtingų požiūrių pavyzdžiai nurodomi „AppLovin“ įmonės „Axon“ platformos kūrimas, „ServiceNow“ įsigijimas „Moveworks“ ir „Salesforce“ partnerystė su „Workday“.
Įmonė taip pat nurodė, kad reikia dirbtinio intelekto inžinerijos talentų, debesų savosios architektūros, skirtos kelių agentų orkestravimui, ir finansavimo modelių mokymui ir išvadoms. Jame teigiama, kad įmonės turėtų suderinti kainas ir pardavimo paskatas su dirbtiniu intelektu grindžiamais rezultatais, o ne senais sėdynėmis pagrįstais modeliais.
Bainas teigė, kad „SaaS“ įmonėms taip pat reikės duomenų ir produktų pagrindų, skirtų agentinėms darbo eigoms, įskaitant mašininiu būdu nuskaitomus perdavimo būdus ir sistemas, kurios fiksuoja kiekvienos darbo eigos sprendimus ir rezultatus.
Crawfordas teigė, kad „SaaS“ įmonių laikotarpis „matuojamas ketvirčiais, o ne metais“, nes dirbtinio intelekto įmonės surenka daugiau diegimo duomenų su kiekviena automatizuota klientų darbo eiga.
(Nuotrauka engin akyurt)
Taip pat žiūrėkite: „Google“ išbando „Remy AI“ agentą „Gemini“, kai dėmesys sutelkiamas į vartotojo valdymą
Norite daugiau sužinoti apie AI ir didelius duomenis iš pramonės lyderių? Peržiūrėkite „AI & Big Data Expo“, vykstančią Amsterdame, Kalifornijoje ir Londone. Išsamus renginys yra „TechEx“ dalis ir vyksta kartu su kitais pagrindiniais technologijų renginiais. Norėdami gauti daugiau informacijos, spustelėkite čia.
AI naujienas teikia TechForge Media. Čia rasite kitus būsimus įmonių technologijų renginius ir internetinius seminarus.
