Do tej pory nagłówek będzie znajomy większości czytelników Crunchbase News: SaaS jest martwy.
Rynek uważa, że firmy oprogramowania nie mogą już pobierać opłat nadzwyczajnych i przewiduje spowolnienie wzrostu na stałe.
Są dwa powody. Po pierwsze, AI umożliwia 10-krotny spadek kosztów produkcji oprogramowania. Po drugie, te możliwości AI umożliwiają ogromną falę nowych konkurentów – zarówno startupów finansowanych przez VC, jak i rozwiązań wewnętrznych.
Obniżone koszty produkcji oprogramowania i rosnąca konkurencja, według nich, zlikwidują siłę cenową oprogramowania. Publiczne akcje oprogramowania spadły o 20% w tym roku do połowy maja, a po raz pierwszy w historii oprogramowanie handluje z dyskontem w stosunku do średniej wielkości S&P500 wobec zysków. SaaS jest martwy.
Prawdą jest, że AI przyniosła spadające koszty i rosnącą konkurencję. Ale nie wynika stąd, że SaaS jest martwy. Obniżenie kosztów produkcji oprogramowania nie oznacza, że przychody z oprogramowania się zmniejszą. W rzeczywistości historia sugeruje coś przeciwnego.
W pewnych przypadkach wydajność prowadzi do konsumpcji. To lekcja Paradoksu Jevonsa. Działało to dla silników węglowych, działało to dla centrów danych, i będzie działać także dla oprogramowania wspieranego przez AI.
Paradoks Jevonsa
Zacznijmy od węgla. W latach 60. XIX wieku w Wielkiej Brytanii wielu obawiało się szybkiego wyczerpania brytyjskich zasobów węgla. Konwencjonalna wiedza mówiła, że rozwój bardziej wydajnych silników węglowych przedłuży zapasy węgla.
Ale ekonomista William Stanley Jevons zauważył, że bardziej wydajne silniki spowodują wzrost popytu na energię węglową, co skutkuje szybszym, a nie wolniejszym zużyciem węgla przez Brytyjczyków.
Jevons miał rację. Gdy większa wydajność przynosi niższe koszty, otwiera też ogromny nowy popyt. To zużywa zasoby węgla szybciej, a nie wolniej.
Dwadzieścia pięć lat temu dołączyłem do firmy przejmującej podczas kryzysu dot-com w 2001 roku. Moją pierwszą inwestycją była problematyczna firma datacenter. Exodus Communication, która osiągnęła szczytową kapitalizację rynkową 32 miliardów dolarów, następnie dwukrotnie przechodziła bankructwo, gdy popyt na centra danych nadal spadał.
W 2004 roku zaleciłem naszej firmie zakup tego biznesu datacenter po drugim bankructwie za 200 milionów dolarów i połączenie go z konkurencyjną firmą nazwaną Savvis.
W tamtym czasie rynek uważał centra danych za sektor kurczący się. Firmy dot-com wyciągały półki serwerów ze swoich lokalizacji, a podłogi centrów danych były puste. Analitycy branżowi prognozowali, że zgodnie z prawem Moore’a o wykładniczym wzroście pojemności chipów i rosnącej gęstości mocy serwerów, pojedyncza półka za 10 lat dostarczy tyle, ile 100 półek w 2005 roku, a za 20 lat jedna półka dostarczy tyle, ile 10 tysięcy półek w 2005 roku. Konwencjonalna wiedza mówiła, że wydajniejsze czipy wymagają mniej miejsca w centrach danych z czasem.
Nasz pogląd, że popyt na powierzchnię centrów danych wzrośnie, nie był wtedy popularny. Jeśli 10 tysięcy półek w 2005 roku zostanie zastąpione jedną półką w 2025 roku, czyż Stany Zjednoczone nie mają już wystarczająco dużo powierzchni centrów danych?
IBM zamieszczała reklamy pokazujące pomieszczenie pełne serwerów zastąpione jedną mainframe’ową maszyną. Jeden sceptyczny członek komitetu inwestycyjnego powiedział mi, że ten biznes dwukrotnie przechodził bankructwo w ciągu dwóch lat i jeśli przechodziłby trzeci raz, ja bym z nim poszedł.
Dziś jedna półka może dostarczyć 20 000 razy więcej mocy obliczeniowej niż półki z 2005 roku, i jak wszyscy wiedzą, daleko od tego, by mieć za dużo powierzchni, nie możemy budować nowej zdolności centrów danych wystarczająco szybko. Naprawdę ogromny potencjalny popyt na moc obliczeniową został otwarty dzięki wzrostowi wydajności półek. Historia Savvis również dobrze się skończyła – została sprzedana sześć lat później za 3,2 miliarda dolarów.
Paradoks Jevonsa był prawdziwy dla węgla i dla centrów danych. Będzie również prawdziwy dla pracy wiedzy wspieranej przez AI.
Praca wiedzy i ekspansja rynku
Dwadzieścia pięć lat temu tylko bogaci mieli dostęp do spersonalizowanych porad inwestycyjnych. W 1996 roku laureat Nagrody Nobla Bill Sharpe współzałożył Financial Engines, aby dostarczyć spersonalizowane porady inwestycyjne każdemu z 401(k).
Moja firma była inwestorem, i miałem przywilej pracy w bliskim kontakcie z firmą. Początkowo próbowała sprzedawać porady dotyczące inwestowania funduszy 401(k), ale tylko około 20% pracowników było zainteresowanych przyjmowaniem rad i samodzielnym zarządzaniem swoimi pozycjami 401(k).
Przełomowym wynalazkiem Financial Engines było bezpośrednie zarządzanie pozycjami 401(k), a nie tylko doradzanie. Pracownicy mogli zaznaczyć pole: „Zrób to za mnie”. Popyt od osób, które wcześniej nie miały dostępu do takich porad, przekroczył wszystkie oczekiwania i przyniósł ogromne korzyści. Pamiętam, że jednym z pierwszych klientów był JCPenney, którego dziesiątki tysięcy pracowników o średnim wieku 27 lat miało około 40% środków 401(k) w gotówce, 40% w akcjach JCPenney (które w końcu złożyły wniosek o upadłość w 2020 roku) i 20% w pozostałych aktywach. Tylko przeniesienie ich do rozsądnych funduszy inwestycyjnych o niskich kosztach odpowiednich dla ich wieku i innych celów finansowych przyniosło ogromne korzyści.
Financial Engines wzrosła z zer do 169 miliardów dolarów w aktywach pod zarządzaniem, gdy została przejęta w 2018 roku za 3 miliardy dolarów.
Firma dostarczała usługę bardzo podobną do tego, co dziś nazywalibyśmy agentywną AI. Klient (pracownik z oszczędnościami emerytalnymi) delegował decyzję (inwestuj moje pieniądze) systemowi komputerowemu, a pracownik płacił w sposób związany z wynikiem (~50 punktów bazowych na AUM).
Oczywiście technologia do realizacji tej usługi była zupełnie inna, a to była bardzo ograniczona aplikacja. Lekcja pozostaje: Oprogramowanie umożliwiło ogromną efektywność w dostarczaniu pracy wiedzy (w tym przypadku indywidualnych porad inwestycyjnych) i pojawił się ogromny potencjalny rynek, który chce kupić tę usługę.
Koniec racionowania pracy wiedzy
Podwyższona efektywność kosztowa AI, podobnie jak podwyższona efektywność kosztowa algorytmów Financial Engines, pozwala na wzrost popytu, ponieważ łagodzi ograniczenie podażowe pracy wiedzy.
W całej historii ludzkości, nawet do dziś, praca wiedzy była zawsze racionowana, ponieważ była ograniczona podażą.
Pracownicy wiedzy potrzebują lat edukacji i szkoleń, zwykle chcą mieszkać w miejscach o wysokich kosztach, z czasem chcą pracować tylko nad pewnymi rodzajami problemów, które uważają za interesujące, i wymagają dużo zarządzania, by się dogadywać. Dlatego płacimy im tak wysokie wynagrodzenia i robimy wszystko, co możliwe, by byli bardziej produktywni.
Oprogramowanie biznesowe jest narzędziem do zwiększenia produktywności pracowników wiedzy. Całkowity rynek oprogramowania biznesowego w USA wynosi około 0,5 biliona dolarów rocznie, według Gartnera. Rynek pracy wiedzy w USA, czyli kwota wypłacana 100 milionom pracowników wiedzy w tym kraju, wynosi około 10 bilionów dolarów, według danych Biura Statystyk Pracy USA. Obecnie wydajemy około 5% kosztów pracowników wiedzy na narzędzia oprogramowania, które im pomagają.
AI umożliwia firmom oprogramowania nie tylko sprzedaż narzędzi dla pracowników wiedzy, ale także rozpoczęcie sprzedaży samych wyników pracy wiedzy, o czym pisałem w poprzednich artykulach na Crunchbase.
Połączmy to: 90% kompresji kosztów w tworzeniu oprogramowania plus możliwość sprzedaży pracy wiedzy. Wiemy, że istnieje ogromny potencjalny popyt na pracę wiedzy, gdyby tylko nie była tak droga i trudna do dostępu.
Po raz pierwszy miliony osób i firm, które nigdy nie miały dostępu do stratega, analityka, prawnika czy doradcy finansowego, są na progu uzyskania takiego dostępu.
Oprogramowanie dalekie jest od śmierci. Podwyższenie wydajności oferowane przez AI pozwoli mu robić znacznie więcej za mniej, i podobnie jak bardziej wydajny silnik węglowy czy centrum danych, otworzy ogromny potencjalny popyt na pracę wiedzy.
Ostatecznie, to zwiększy przychody i siłę firm oprogramowania, które używają AI, aby jeszcze bardziej poprawić produktywność pracowników wiedzy lub dostarczać bezpośrednio wyniki pracy wiedzy. Zadaniem oprogramowania dziś jest rozwiązanie problemu bezpiecznego i niezawodnego dostarczania tego.
To nie była łatwa zadania dla branży – nauczyć się zarządzać pracownikami wiedzy, którzy są ludźmi, i będzie równie dużym wyzwaniem nauczyć się zarządzać tymi, którzy są maszynowymi pracownikami wiedzy. To jest wyzwanie.
Ale pamiętaj, że dziś rynek pracy wiedzy jest 20 razy większy od rynku oprogramowania. Skala nagrody dla firm oprogramowania to odkrycie potencjalnego popytu na pracę wiedzy, który, jeśli historia jest jakąkolwiek wskazówką, zawłaszczy dzisiejszy rynek oprogramowania.
Rynek obecnie boi się, że efektywność dostarczona przez AI zmniejszy branżę oprogramowania. Dokładnie przeciwnie – AI odkryje ogromny potencjalny popyt na pracę wiedzy, a rynek oprogramowania eksploduje. Niech żyje oprogramowanie.
Bob Morse współzałożył Strattam Capital w 2014 roku i jest partnerem zarządzającym. Służył w licznych radach prywatnych i publicznych firm technologicznych, a obecnie jest dyrektorem CloudHesive, Contegix, Daxtra Technologies, Green Security, Resource Navigation i Trax Group. Wcześniej był partnerem i członkiem komitetu inwestycyjnego w Oak Hill Capital Partners. Pracował także w GCC Investments i Morgan Stanley. Morse służy w radzie dyrektorów Austin PBS oraz jako członek rady doradczej Centrum Finansów Private Equity HMTF przy Wydziale Biznesu Uniwersytetu Texas w Austin McCombs. Ukończył Uniwersytet Princeton, kończąc studia z wyróżnieniem z tytułem BSE, oraz Stanford Graduate School of Business, gdzie zdobył MBA i był stypendystą Arjay Miller. Morse mieszka w Austin.
Polecane artykuły:
- Nie tylko mów o AI. Mierz wyniki biznesowe. Oto jak.
- Rozwój menedżera AI
- Od wynalazku do innowacji: Rozumienie momentu AI
Illustracja: Li-Anne Dias
