L’opportunité SaaS de 100 milliards de dollars cachée dans le travail quotidien de tous les systèmes

La grande opportunité du SaaS

Aujourd’hui, la plupart des logiciels d’entreprise dépendent encore des personnes pour relier les points entre les systèmes, l’ERP, le CRM, la facturation, la billetterie et la gestion des fournisseurs. Ces tâches intersystèmes sont coûteuses, répétitives et fondées sur un jugement manuel que l’automatisation traditionnelle ne peut pas gérer. Les logiciels basés sur des règles et l’automatisation des processus robotiques fonctionnent bien avec des données structurées, mais s’effondrent lorsqu’ils sont confrontés à l’ambiguïté. L’IA agentique change la donne. Elle est capable de lire le contexte, d’interpréter divers formats de données et d’exécuter des décisions sur plusieurs plateformes.

C’est là qu’apparaît la prochaine grande opportunité SaaS : transformer le travail de coordination humaine en une automatisation pilotée par logiciel. Il s’agit de redéfinir le mode de fonctionnement des entreprises, d’automatiser la coordination qui fait appel au jugement et de libérer le talent humain pour une réflexion à plus forte valeur ajoutée. Les entreprises qui agissent maintenant peuvent profiter de cette conversion des coûts de main-d’œuvre en recettes logicielles récurrentes et s’implanter sur des marchés entièrement nouveaux avant même que leurs concurrents ne changent d’orientation.

Les dirigeants devraient considérer ce changement comme une expansion proactive. Les entreprises qui repensent la manière dont elles orchestrent les flux de travail intersystèmes seront à la tête de la prochaine ère de la technologie d’entreprise, une ère où la fluidité des décisions remplacera les frictions opérationnelles.

Selon Bain & Company, ce marché représente environ 100 milliards de dollars rien qu’aux États-Unis, mais seulement 4 à 6 milliards de dollars ont été saisis jusqu’à présent. Il reste donc plus de 90 % de l’opportunité à saisir. Il est rare de voir une expansion du marché total adressable (TAM) d’une telle ampleur dans le domaine des logiciels d’entreprise, et encore plus rare de la voir progresser aussi rapidement. Les startups natives de l’IA prouvent que la conquête de cet espace se fait maintenant.

L’avantage concurrentiel dans le domaine du SaaS évolue

Pendant deux décennies, les sociétés SaaS ont dominé en possédant un système d’enregistrement, Salesforce pour la gestion de la relation client, Workday pour les ressources humaines ou SAP pour l’ERP. La profondeur dans un domaine était essentielle. L’IA agentique met fin à cet avantage. La prochaine vague de concurrence portera sur la capacité d’interpréter, d’agir et d’automatiser à travers de multiples systèmes.

Les entreprises qui peuvent combiner et agir sur des informations provenant de différents systèmes ont accès à un « contexte décisionnel de flux de travail croisé ». Il s’agit de la capacité à obtenir des résultats complets, tels que la résolution d’une demande client ou le traitement d’une facture complexe, sans obliger les utilisateurs à passer d’un outil à l’autre. Sierra y parvient en résolvant les problèmes des clients qui relèvent du support, de la facturation et de la logistique. Glean automatise les demandes d’informations en connectant les données de plusieurs unités commerciales. Avec Copilot, GitHub a dépassé le contrôle des versions de code pour se lancer dans l’automatisation de la productivité et de la sécurité des développeurs, grâce à la visibilité qu’il offre sur les vastes données de la base de code. La tendance est claire : les entreprises qui ont une vision globale des flux de travail prennent le pas sur celles qui se concentrent sur un seul flux.

Les dirigeants doivent être attentifs à ce que cela signifie pour la stratégie et la conception des produits. L’intégration verticale profonde a toujours de la valeur, mais elle n’est plus défendable en soi. La capacité d’interpréter des signaux dans différents domaines (clients, finances, opérations) devient le nouveau point de contrôle des logiciels d’entreprise. Pour gagner à cette époque, il faut étendre l’intelligence au-delà des limites d’une plateforme unique et fournir une automatisation unifiée.

Pour réussir, les dirigeants doivent investir dans l’infrastructure de données et l’interopérabilité. Sans données connectées, les agents ne peuvent pas raisonner efficacement. Grâce à elles, les entreprises de SaaS peuvent obtenir des résultats mesurables et définir de nouvelles catégories de valeur d’entreprise. L’étendue des connaissances déterminera qui détiendra la prochaine génération de marchés SaaS.

Les modèles de tarification évoluent de structures basées sur l’accès à des structures basées sur les résultats.

Le modèle de valeur des logiciels d’entreprise évolue rapidement. Pendant des années, les entreprises de SaaS ont mesuré leur croissance en fonction du nombre de sièges, de connexions ou de licences. Cela avait du sens lorsque le logiciel était un outil qui aidait les gens à travailler. Mais comme les systèmes d’IA agentique gèrent des flux de travail entiers, de la reconnaissance à l’exécution en passant par la décision, les clients ne paient plus pour l’accès. Ils paient pour des résultats.

Cette transition d’une tarification basée sur les outils à une tarification basée sur les résultats change la façon dont la valeur est créée et capturée. Lorsqu’un agent d’IA résout un ticket client, traite une facture ou qualifie un prospect, le résultat commercial mesurable devient la nouvelle mesure. Les entreprises à l’origine de ce changement, AppLovin, Cursor et d’autres, ne monétisent plus l’accès à la plateforme. Elles monétisent le succès. Les revenus d’AppLovin sont liés aux performances publicitaires, tandis que la tarification de Cursor reflète la productivité des développeurs qu’elle génère.

Pour les dirigeants, cela signifie qu’il faut repenser les opérations de revenus et les structures d’incitation. La tarification au résultat exige un suivi affiné des performances, un étalonnage précis et un alignement plus fort entre les objectifs du client et la fourniture du logiciel. Elle nécessite également un changement de culture. Le succès n’est plus défini par l’adoption de la plateforme, mais par les résultats obtenus par les clients.

L’alignement de la tarification sur les résultats renforce la confiance, encourage les relations à long terme et rend les coûts de changement plus élevés pour les concurrents. Les leaders du SaaS devraient expérimenter des modèles mixtes, mêlant des frais d’accès fixes à des indicateurs de résultats, tout en adaptant leurs indicateurs internes et leurs systèmes de rémunération pour soutenir cette évolution. Le changement est déjà en cours, et les entreprises qui agissent tôt façonneront les normes que les autres suivront.

D’importantes opportunités de marché existent dans toutes les fonctions de l’entreprise

Le marché total de l’automatisation de l’IA agentique dans les fonctions de l’entreprise est vaste et inégalement réparti. Bain & Company estime qu’il existe environ 100 milliards de dollars d’opportunités adressables aux États-Unis, et si l’on étend ce chiffre au Canada, à l’Europe et à l’Océanie, il avoisine les 200 milliards de dollars. Pourtant, plus de 90 % de ces opportunités restent inexploitées.

Les ventes représentent la part la plus importante, soit environ 20 milliards de dollars, en raison du volume de main-d’œuvre plutôt que de la profondeur de l’automatisation. Les opérations et le coût des marchandises vendues représentent 26 milliards de dollars supplémentaires, grâce à des flux de travail à grande échelle et à forte intensité de processus. La R&D, le support client et la finance représentent chacun un potentiel de 6 à 12 milliards de dollars, combinant des données structurées avec une forte probabilité d’automatisation dans les processus critiques. Les taux d’automatisation dans ces domaines atteignent environ 40 à 60 %, en particulier lorsque les données sont propres, numériques et gérées de manière systématique.

Les dirigeants devraient interpréter cela non pas comme un potentiel d’automatisation global, mais comme une opportunité spécifique à chaque fonction. Le succès de l’automatisation dépend de la clarté du flux de travail, de la maturité des données et des niveaux de risque acceptables. Le support client, par exemple, se prête bien à l’efficacité de l’IA car les signaux de vérification sont forts et les coûts d’échec sont faibles. La finance nécessite davantage de supervision en raison de la sensibilité à la conformité. Le potentiel d’automatisation dans le domaine juridique est à la traîne, non pas en raison de limites techniques, mais parce que les conséquences des erreurs sont élevées.

Le choix des fonctions à automatiser en priorité dépend de l’équilibre entre trois éléments : la valeur opérationnelle, la tolérance au risque et l’état de préparation de l’infrastructure de données. Les entreprises qui évaluent et investissent à ce niveau granulaire peuvent dégager une productivité substantielle tout en préservant la fiabilité et la conformité. Les entreprises qui se lanceront les premières dans les fonctions fortement automatisées obtiendront des avantages en termes de coûts et d’échelle de données plus rapidement, ce qui leur permettra de prendre de l’avance dans la prochaine phase de croissance des logiciels d’entreprise.

Six facteurs critiques déterminent la partie automatisable de tout flux de travail

L’automatisation dépend de conditions mesurables. L’IA agentique élargit les possibilités, mais le degré d’automatisation d’un flux de travail est influencé par six facteurs distincts que les dirigeants doivent évaluer avant le déploiement.

Le premier facteur est la vérifiabilité des résultats, c’est-à-dire la facilité avec laquelle les résultats d’un processus peuvent être validés. Les tâches telles que les tests de code, le rapprochement de factures ou la résolution de tickets ont des signaux de vérification clairs et sont idéales pour une automatisation poussée. Le deuxième facteur est la conséquence d’un échec. Dans les domaines présentant un risque réglementaire, sécuritaire ou financier, tels que les dépôts légaux ou les réponses en matière de cybersécurité, l’automatisation peut progresser plus lentement, en commençant par des agents qui opèrent sous supervision humaine.

Le troisième facteur, la disponibilité des connaissances numérisées, est lié à la quantité de données opérationnelles d’une organisation qui sont structurées, accessibles et lisibles par machine. L’absence de contexte documenté ou de connaissances institutionnelles reste le principal obstacle à l’automatisation. Quatrièmement, la complexité de l’intégration et de l’orchestration, c’est-à-dire le nombre de systèmes ou d’API qui doivent être coordonnés pour accomplir une tâche. Les flux de travail couvrant de nombreuses plateformes déconnectées réduisent la fiabilité de l’automatisation et augmentent les coûts.

La cinquième est la variabilité des processus, qui mesure le degré de prévisibilité d’un flux de travail. Même une IA performante a du mal à faire face à des exceptions constantes ou à un travail unique, spécifique à un cas. Le dernier facteur est la dépendance à l’égard du monde physique. Certaines actions, telles que les inspections physiques ou les signatures humides, nécessitent une présence ou une surveillance humaine.

Les dirigeants devraient évaluer les processus à l’aide de ces six dimensions avant d’engager des capitaux importants dans des initiatives d’automatisation. La compréhension des variables qui peuvent être modifiées ou normalisées déterminera le degré d’évolutivité de l’automatisation.

Les conclusions de Bain soulignent que des fonctions telles que le support client et l’ingénierie présentent un potentiel d’automatisation de 40 à 60 % en raison de résultats plus clairs et d’environnements de données structurés. Les opérations juridiques et de conformité se situent plus bas, autour de 20-30%, reflétant le contrôle plus strict et le coût élevé de l’erreur dans ces domaines. L’identification précoce de ces différences permet d’aligner les investissements d’automatisation à la fois sur la capacité opérationnelle et sur les risques acceptables.

La croissance de SaaS peut suivre deux voies distinctes

Pour la prochaine génération d’entreprises SaaS, la croissance proviendra de deux voies principales : l’approfondissement de l’automatisation dans les flux de travail de base existants ou l’extension de l’automatisation à des processus adjacents activés par des données propriétaires.

L’automatisation des flux de travail de base est l’approche la plus directe. Elle se concentre sur les domaines dans lesquels l’entreprise dispose déjà d’une solide expertise, de la confiance des clients et d’une intégration fiable des systèmes. L’automatisation des processus de base peut sembler réduire les revenus basés sur les sièges, mais elle augmente la valeur globale pour le client parce que les clients paieront davantage pour une exécution complète, basée sur les résultats, plutôt que pour une efficacité incrémentale.

La deuxième voie, l’automatisation des flux de travail adjacents, libère de la valeur au-delà de l’offre de produits actuelle de l’entreprise. L’IA agentique permet d’extraire de nouvelles capacités commerciales à partir des données existantes, ce qui permet aux entreprises de SaaS de s’attaquer à de nouveaux processus qui n’entraient pas dans leur champ d’action auparavant. Cette approche exige une cartographie précise des flux de travail des clients et une compréhension approfondie de la manière dont les décisions sont coordonnées entre les domaines.

GitHub en est un bon exemple. À l’origine, son activité était centrée sur la collaboration entre développeurs et le contrôle des sources. Cependant, en tirant parti de ses données accumulées, couvrant les dépôts de code, les résultats des tests et les modèles de travail, elle s’est étendue à la productivité des développeurs et à l’automatisation de la sécurité pilotées par l’IA grâce à GitHub Copilot. Les concurrents ne disposaient pas de la visibilité des données sous-jacentes pour reproduire cette évolution de manière efficace.

Pour les décideurs, le choix entre l’automatisation centrale et l’automatisation adjacente n’est pas une question de préférence, mais de calendrier. Les marchés évoluent rapidement. Si les flux de travail fondamentaux d’une entreprise sont en cours d’automatisation, la seule question est de savoir si elle va mener ou suivre ce changement. La prévoyance stratégique consiste à savoir quand défendre les positions existantes et quand se développer grâce à des données et des informations différenciées. Les entreprises qui utilisent leurs données pour faire le lien entre ces deux voies définiront les limites de la création de valeur dans le domaine des logiciels d’entreprise au cours de la prochaine décennie.

Un cahier des charges progressif est essentiel pour conquérir des parts de marché dans le domaine de l’IA agentique.

Pour gagner le marché de l’IA agentique, il faut faire preuve de précision et de rapidité. Un cahier des charges clair et échelonné aide les entreprises à passer efficacement de l’ambition à l’exécution. Le processus commence par l’identification des opportunités automatisables les plus précieuses, se poursuit par un positionnement stratégique et se termine par une exécution organisationnelle et technique à grande échelle.

La première phase consiste à évaluer les possibilités d’amélioration. Les dirigeants doivent identifier les sous-processus des flux de travail des clients qui présentent un potentiel d’automatisation élevé par rapport aux six facteurs que sont la vérifiabilité, le risque, la qualité des données, la complexité de l’intégration, la variabilité et la dépendance physique. Les dirigeants doivent comparer le coût du travail humain à celui du déploiement d’agents d’intelligence artificielle. Cela permet d’isoler les flux de travail pour lesquels l’automatisation génère le meilleur retour sur investissement.

La deuxième phase consiste à décider où jouer. L’accent est mis sur la cartographie des données actuelles : leur qualité, leur couverture et leur caractère unique qui peut conduire à une différenciation. Les dirigeants doivent localiser les flux de travail de grande valeur, à la fois centraux et adjacents, pour lesquels les données existantes peuvent améliorer de manière significative les résultats de l’automatisation. Il est essentiel de comprendre non seulement les flux de travail formels, mais aussi les transferts informels et les modèles de communication. Une grande partie du potentiel d’automatisation caché d’une organisation réside dans ces domaines non systématiques.

La troisième phase est celle de l’exécution à grande échelle. Les entreprises doivent combler les lacunes en matière de capacités en combinant le développement interne, les acquisitions stratégiques et les partenariats. Parmi les exemples, on peut citer AppLovin qui construit sa plateforme Axon en interne pour préserver le contrôle des données, ServiceNow qui acquiert Moveworks pour améliorer l’automatisation des flux de travail, et Salesforce qui s’associe à Workday pour étendre les capacités des agents dans les domaines de la finance et des ressources humaines sans construire de systèmes concurrents. L’exécution dépend également de l’alignement organisationnel, de l’embauche de talents en ingénierie de l’IA, de la restructuration de la tarification basée sur les sièges vers l’alignement sur les résultats, et de l’assurance que les incitations interfonctionnelles récompensent les résultats automatisés.

Enfin, les leaders du SaaS doivent repenser leurs données et les bases de leurs produits pour qu’ils soient « prêts pour les agents ». Cela signifie qu’ils doivent développer des modèles de données natifs, exécutables par des machines, et enregistrer les décisions et les résultats pour permettre une amélioration continue. Les agents deviennent plus intelligents et plus précieux à chaque itération. Au fil du temps, les données opérationnelles accumulées deviennent une barrière stratégique à l’entrée, car les concurrents auront de plus en plus de mal à égaler la base d’apprentissage longitudinal d’une entreprise.

Cette approche progressive exige de la conviction et l’engagement de ressources. Avancez lentement, et d’autres profiteront de l’avantage composé. Agissez délibérément, et l’organisation construit une base durable pour une croissance à long terme basée sur l’IA.

L’urgence est essentielle

La fenêtre d’action est courte. Le marché de l’IA agentique se développe plus rapidement que n’importe quelle transition SaaS avant lui, et les premiers entrants ont déjà pris de l’avance. Ils capturent des données d’exécution, forment des modèles avec des flux de travail réels et créent des boucles de rétroaction qui renforcent leur avantage chaque trimestre. À mesure que l’automatisation progresse, il devient de plus en plus difficile de rattraper le retard.

La trajectoire de Cursor illustre ce rythme. L’entreprise est passée de 100 millions de dollars à 2 milliards de dollars de recettes annuelles récurrentes en seulement 14 mois. D’autres, comme Sierra, Glean et Harvey, se développent également rapidement. Cette vitesse ne reflète pas seulement l’appétit du marché, mais aussi la façon dont l’accumulation de données consolide le leadership. Chaque nouveau cycle d’automatisation produit des informations qui améliorent les performances futures, et ces données ne peuvent pas être reproduites rétroactivement.

Pour les dirigeants, l’hésitation a un coût. Les acheteurs d’entreprise déploient déjà des agents dans des domaines critiques tels que l’assistance, la facturation et les opérations. Plus les entreprises en place attendent pour adopter des stratégies d’IA agentique, moins elles collectent de données et moins elles sont compétitives. Il s’agit d’une course qui se mesure en cycles d’exécution, et non en années.

L’impératif stratégique consiste désormais à définir la position, à créer des ensembles de données exclusives et à automatiser les flux de travail à grande échelle aussi rapidement que possible. Cela nécessite une prise de décision rapide, un investissement dans l’infrastructure de données et une volonté claire d’adapter la tarification, l’architecture et les structures de talents. Les entreprises qui agissent dans l’urgence ne se contenteront pas de survivre à la transition, elles la définiront. Celles qui tardent risquent de gérer une activité héritée du passé, tandis que d’autres s’empareront d’un nouveau marché évalué entre 100 et 200 milliards de dollars à l’échelle mondiale.

L’IA agentique n’est pas un futur lointain. C’est le changement de plateforme qui façonne la prochaine génération de logiciels d’entreprise. Les entreprises qui s’engagent aujourd’hui sont déjà en train d’écrire les règles que d’autres suivront.

Réflexions finales

L’IA agentique n’est pas une nouvelle vague technologique, c’est une transformation structurelle de la façon dont les entreprises travaillent et dont les logiciels créent de la valeur. L’opportunité est immédiate, mais elle favorise une action décisive. Chaque organisation fonctionnant sur plusieurs systèmes détient déjà des données et des flux de travail qui peuvent être automatisés. La question est de savoir qui sera le premier à les transformer en produits évolutifs et axés sur les résultats.

Pour les décideurs, ce moment exige clarté et rapidité d’exécution. Protéger les produits actuels ne suffit pas. L’avantage stratégique réside désormais dans la cartographie des flux de travail à forte valeur ajoutée, la capture des données propriétaires et la conception d’agents d’IA qui produisent des résultats de bout en bout. Les premiers utilisateurs ne se contentent pas d’améliorer l’efficacité ; ils redéfinissent les frontières du marché et se taillent des douves durables fondées sur les données et les résultats.

Les logiciels d’entreprise ont atteint un point de convergence où la création de valeur viendra de l’automatisation du jugement, et non plus seulement de l’exécution. Les dirigeants qui agissent maintenant fixeront les normes de cette nouvelle génération d’automatisation. Ceux qui attendent se retrouveront à optimiser le passé pendant que d’autres construiront l’avenir.