A Bain & Company estimou um mercado de US$ 100 bilhões nos EUA para empresas de SaaS que usam IA de agência. A empresa disse que o mercado está vinculado à automação do trabalho de coordenação em sistemas empresariais.
A estimativa vem do segundo relatório da série de cinco partes da Bain sobre a indústria de software na era da IA. O relatório examina onde a IA agente poderia criar novos mercados de software e como as empresas de SaaS podem capturá-los.
Trabalho de coordenação em sistemas corporativos
Bain disse que o mercado reside no trabalho manual que os funcionários realizam entre aplicações empresariais. Esses fluxos de trabalho geralmente abrangem ERP, CRM e sistemas de suporte. Eles também podem envolver ferramentas de gerenciamento de fornecedores e e-mail.
Esse trabalho inclui extrair dados de um sistema e verificá-los em outra fonte. Também pode envolver a interpretação de mensagens não estruturadas e a decisão de aprovar, responder, escalar ou esperar.
Bain disse que a automação baseada em regras e a automação de processos robóticos são limitadas em fluxos de trabalho que envolvem ambiguidade e disseminação de informações em vários sistemas. A Agentic AI pode interpretar informações de diferentes fontes, coordenar ações em sistemas e operar em proteções políticas.
O relatório argumenta que a IA de agência não é principalmente um substituto para plataformas SaaS, mas que o mercado surge da conversão do trabalho de coordenação intensivo em mão-de-obra em gastos com software.
Ela estima que os fornecedores já estejam capturando entre US$ 4 bilhões e US$ 6 bilhões do mercado dos EUA. Mais de 90% permanece inexplorado, segundo a empresa.
Fora dos EUA, a Bain estimou que o Canadá, a Europa, a Austrália e a Nova Zelândia poderiam acrescentar um mercado de dimensão semelhante. Isso elevaria o total nessas regiões e nos EUA para cerca de 200 mil milhões de dólares.
Tamanho do mercado por função
O mercado não está distribuído uniformemente nas funções empresariais. A Bain estima que as vendas representem a maior parcela individual, em cerca de US$ 20 bilhões. Isso se deve principalmente ao número de funcionários de vendas, e não ao potencial de automação incomumente alto.
O custo dos produtos vendidos e das operações representa cerca de 26 mil milhões de dólares. A grande dimensão da força de trabalho operacional significa que mesmo taxas modestas de automação podem traduzir-se num grande mercado endereçável. P&D e engenharia, suporte ao cliente e finanças representam, cada um, cerca de US$ 6 bilhões a US$ 12 bilhões em tamanho de mercado endereçável. Essas funções contam com forças de trabalho consideráveis e maior potencial de automação em fluxos de trabalho específicos.
O suporte ao cliente e a pesquisa e desenvolvimento ou engenharia têm o maior potencial de automação, com cerca de 40% a 60% das tarefas de fluxo de trabalho automatizáveis. Bain disse que ambas as áreas possuem dados estruturados, processos padronizados e sinais de saída mais claros. Os recursos financeiros e humanos ficam na faixa de 35% a 45%. O relatório afirma que as contas a pagar e a folha de pagamento têm maior potencial de automação, enquanto o planejamento financeiro e as relações com os funcionários envolvem mais julgamento.
Vendas e TI ficam entre 30% e 40%. A Bain apontou as nuances do relacionamento, a variação entre acordos e a natureza imprevisível dos incidentes de segurança como limites à automação nessas áreas. Legal tem menor potencial de automação geral, de 20% a 30%. Bain disse que a revisão e o cumprimento dos contratos podem ser repetidos, mas as consequências dos erros criam a necessidade de uma supervisão mais rigorosa.
Fatores de automação da Bain
O relatório identifica seis fatores que determinam quanto de um fluxo de trabalho pode ser tratado de forma realista por um agente de IA. Eles incluem verificabilidade de resultados, consequências de falhas, disponibilidade de conhecimento digitalizado e variabilidade de processos. Bain disse que fluxos de trabalho com sinais de verificação claros são mais fáceis de automatizar do que trabalhos que envolvem julgamento subjetivo. Os exemplos incluem compilação de código, faturas reconciliadas e tickets de suporte resolvidos.
Os fluxos de trabalho que envolvem riscos regulatórios ou financeiros exigem uma supervisão humana mais próxima, mesmo quando os agentes são tecnicamente capazes, de acordo com o relatório. Isso inclui declarações fiscais, conformidade legal e resposta a incidentes de segurança.
A Bain também identificou a disponibilidade de conhecimento digitalizado como uma restrição. Os agentes precisam de acesso a dados estruturados e contexto documentado. Eles também precisam de informações legíveis por máquina, incluindo lógica de decisão que muitas vezes é informada por funcionários experientes.
A complexidade da integração afeta a automação quando os fluxos de trabalho passam por vários sistemas e APIs. As camadas de autenticação e os processos de tratamento de exceções acrescentam ainda mais complexidade, e esses fluxos de trabalho são mais difíceis de automatizar de ponta a ponta do que os fluxos de trabalho contidos em uma única plataforma. As áreas de maior valor estão concentradas onde nenhum sistema único de registo controla o resultado completo. Esses fluxos de trabalho geralmente abrangem ERP, CRM e sistemas de suporte, afirma a empresa.
David Crawford, presidente da prática global de tecnologia e telecomunicações da Bain, disse que as empresas de SaaS passaram as últimas duas décadas construindo posições em torno de sistemas de registro, sendo a próxima fonte de vantagem o “contexto de decisão entre fluxos de trabalho”, que é definido como a capacidade de interpretar e agir em fluxos de trabalho que se movem através de vários sistemas.
Exemplos de empresas e fluxos de trabalho adjacentes
O relatório citou Cursor, Sierra, Harvey, Glean, Salesforce, ServiceNow e Workday em sua discussão sobre a adoção de IA por agentes. A Cursor ultrapassou US$ 16,7 milhões em receita média mensal, segundo a Bain, após dobrar em um único trimestre. Sierra ultrapassou US$ 150 milhões por ano, Harvey ultrapassou US$ 190 milhões por ano e Glean ultrapassou US$ 200 milhões por ano.
O relatório também apontou para o GitHub, por exemplo, uma empresa que usa dados de um fluxo de trabalho principal existente para passar para um trabalho adjacente. O principal negócio do GitHub é a colaboração do desenvolvedor e o controle de origem, mas seu repositório e dados de fluxo de trabalho ajudaram a apoiar a expansão da produtividade do desenvolvedor assistida por IA e da automação da segurança.
Bain disse que as empresas de SaaS podem se expandir por meio de dois tipos de automação de fluxo de trabalho. A primeira é automatizar os fluxos de trabalho principais, onde eles já possuem conhecimento do domínio e confiança do cliente. Bain disse que as integrações de sistemas existentes podem apoiar a automação dos principais fluxos de trabalho. A segunda é automatizar fluxos de trabalho adjacentes que a empresa atualmente não atende diretamente. Essas áreas podem ser mais difíceis de identificar porque exigem um mapeamento detalhado dos fluxos de trabalho dos clientes e dos dados subjacentes que apoiam as decisões.
Os modelos de preços podem mudar quando os agentes entregam resultados concluídos. Bain disse que os preços baseados em resultados e uso podem se tornar mais relevantes quando os agentes resolvem problemas ou processam faturas. O relatório contrasta isso com os preços tradicionais baseados em assentos e logins.
Recomendações da Bain para empresas de SaaS
A Bain recomendou que as empresas de SaaS comecem identificando quais fluxos de trabalho de clientes agora podem ser automatizados com IA de agência. A empresa disse que as empresas deveriam avaliar a automação no nível dos subprocessos, não tratando funções inteiras como igualmente automatizáveis.
O relatório também disse que as empresas devem avaliar a qualidade dos seus dados. Bain disse que os fatores relevantes incluem se os dados são abrangentes, vinculados aos resultados e utilizáveis para automação.
Bain disse que as empresas poderiam colmatar lacunas de capacidade através de desenvolvimento interno, aquisições ou parcerias. O relatório citou o desenvolvimento interno de sua plataforma Axon pela AppLovin, a aquisição da Moveworks pela ServiceNow e a parceria da Salesforce com a Workday como exemplos de diferentes abordagens.
A empresa também apontou a necessidade de talentos em engenharia de IA, arquitetura nativa da nuvem para orquestração multiagente e financiamento para treinamento e inferência de modelos. Ele disse que as empresas deveriam alinhar preços e incentivos de vendas com resultados baseados em IA e não em modelos legados baseados em assentos.
Bain disse que as empresas de SaaS também precisarão de bases de dados e produtos projetadas para fluxos de trabalho de agentes, incluindo transferências legíveis por máquina e sistemas que capturem decisões e resultados de cada execução de fluxo de trabalho.
Crawford disse que o prazo para empresas de SaaS é “medido em trimestres, não em anos”, à medida que as empresas nativas de IA coletam mais dados de implantação com cada fluxo de trabalho de cliente que automatizam.
(Foto de motor akyurt)
Veja também: Google testa agente Remy AI para Gemini conforme o foco se volta para o controle do usuário
Quer saber mais sobre IA e big data dos líderes do setor? Confira a AI & Big Data Expo que acontece em Amsterdã, Califórnia e Londres. O evento abrangente faz parte da TechEx e é realizado junto com outros eventos líderes de tecnologia. Clique aqui para obter mais informações.
AI News é desenvolvido pela TechForge Media. Explore outros eventos e webinars de tecnologia empresarial futuros aqui.
Fontesartificialintelligence
