Dlaczego agenci AI stali się kluczowym wyzwaniem dla tradycyjnego modelu SaaS
W ciągu ostatnich kilkunastu miesięcy dyskusja o sztucznej inteligencji przesunęła się z poziomu prostych chatbotów i funkcji „AI-as-a-service” do znacznie głębszej zmiany: pojawienia się agentów AI pełniących rolę cyfrowych współpracowników. Rozwiązania takie jak Claude Cowork czy zaawansowane agentowe modele językowe nie przypominają już klasycznych dodatków do oprogramowania. Coraz częściej działają jak wirtualni członkowie zespołu, którzy rozumieją kontekst biznesowy, samodzielnie wykonują złożone zadania i współpracują z ludźmi w czasie rzeczywistym.
Kluczowa różnica między klasycznymi narzędziami SaaS a agentami AI polega na naturze wykonywanej pracy. Typowe rozwiązanie SaaS to zestaw z góry zdefiniowanych funkcji oraz workflowów. Użytkownik musi nauczyć się interfejsu, znać dostępne opcje i świadomie klikać w kolejne ekrany. Agent AI działa odwrotnie: przyjmuje cele wyrażone naturalnym językiem, sam dobiera kroki, integruje się z innymi systemami i uczy się preferencji użytkownika. Z perspektywy biznesu oznacza to przesunięcie wartości dodanej z „oprogramowania jako narzędzia” do „oprogramowania jako autonomicznego wykonawcy pracy”.
Najnowsze analizy branżowe wskazują, że już około 300 firm SaaS raportuje istotne zakłócenia w swoim modelu biznesowym na skutek rozwoju generatywnej AI i agentów. Niezależni analitycy rynku podkreślają, że w ostatnich kwartałach z segmentu oprogramowania jako usługi wyparowały dziesiątki miliardów dolarów wartości rynkowej, gdy inwestorzy zaczęli dyskontować ryzyko kanibalizacji przychodów przez rozwiązania agentowe oraz przekierowywać kapitał w stronę dostawców infrastruktury AI.
Ta transformacja ma bezpośrednie konsekwencje nie tylko dla founderów firm SaaS, ale także dla inwestorów venture capital i uczestników rynku kryptowalut. Dla spółek produktowych oznacza konieczność przebudowy oferty, sposobu monetyzacji i przewag konkurencyjnych. Dla funduszy VC to rewizja tez inwestycyjnych, ocena wrażliwości portfela na automatyzację oraz poszukiwanie nowych „moatów” opartych na danych i integracjach agentowych. Z kolei dla traderów krypto zmiana w przemyśle SaaS przekłada się na narracje dotyczące popytu na infrastrukturę obliczeniową, przechowywanie danych i rynki modeli, co może wpływać na wyceny projektów tokenizujących warstwę infrastrukturalną dla AI.
Zakłócenie tradycyjnego modelu SaaS przez agentów AI staje się więc tematem przekrojowym: dotyka operacji biznesowych, wycen giełdowych, alokacji kapitału, a także zmienności na rynkach kryptowalut. Zrozumienie tej dynamiki jest dziś krytyczne zarówno dla osób budujących oprogramowanie, jak i dla inwestorów szukających ekspozycji na trend „AI-as-a-coworker”.
Jak działa tradycyjny model SaaS i gdzie pojawiają się jego słabe punkty
Model Software-as-a-Service zdominował ostatnie dwie dekady rozwoju oprogramowania biznesowego. Jego podstawą są subskrypcje, czyli powtarzalne opłaty miesięczne lub roczne (MRR – Monthly Recurring Revenue, ARR – Annual Recurring Revenue). Klienci płacą za dostęp do aplikacji hostowanej w chmurze, zamiast kupować jednorazową licencję instalowaną lokalnie.
Typowy model przychodowy opiera się na licencjach seat-based, czyli opłacie za użytkownika lub stanowisko. Rozszerzanie przychodów odbywa się dzięki upsellowi – sprzedaży wyższych planów lub dodatkowych modułów w istniejącej organizacji – oraz dzięki ekspansji liczby użytkowników w ramach klienta. Jednocześnie firmy SaaS muszą nieustannie kontrolować churn, czyli odsetek klientów rezygnujących z usługi w danym okresie, ponieważ nawet niewielki, ale utrzymujący się poziom odejść istotnie obniża wartość biznesu w perspektywie kilku lat.
Kluczowymi wskaźnikami finansowymi są CAC (Customer Acquisition Cost) – koszt pozyskania klienta, oraz LTV (Customer Lifetime Value) – wartość klienta w całym okresie współpracy. Klasyczne podręczniki SaaS zakładają, że zdrowy biznes to taki, w którym LTV znacząco przewyższa CAC, a skalowanie odbywa się dzięki powtarzalnym, standaryzowanym procesom sprzedaży i wdrożenia.
Rynek SaaS dzieli się najczęściej na rozwiązania poziome i pionowe. Produkty poziome adresują szerokie potrzeby – takie jak zarządzanie relacjami z klientami (CRM), komunikację zespołową czy zarządzanie projektami – i mogą być wykorzystywane w wielu branżach. Produkty pionowe koncentrują się na specyficznych sektorach, jak medycyna, prawo czy finanse, integrując się głębiej z procesami danej dziedziny oraz z wymogami regulacyjnymi.
Niezależnie od segmentu, historyczny sukces SaaS opierał się na trzech filarach. Po pierwsze, na powtarzalnym, standaryzowanym procesie, który pozwalał budować skalę i przewidywalne przychody. Po drugie, na ograniczonej personalizacji – produkt był w dużej mierze taki sam dla wszystkich klientów, co upraszczało rozwój i utrzymanie. Po trzecie, na stosunkowo sztywnych workflowach, które użytkownik musiał zaakceptować i dopasować do własnej organizacji.
Pojawienie się agentów AI uderza w każdy z tych filarów. Agent może dynamicznie automatyzować procesy, ucząc się praktyk danego zespołu zamiast wymuszać określony schemat. Może personalizować działanie na poziomie pojedynczego użytkownika, a nie jedynie całej organizacji. Wreszcie może zastępować całe klasy funkcji wielu aplikacji, oferując jedno konwersacyjne „okno” do różnych systemów. Tam, gdzie kiedyś potrzebnych było kilka wyspecjalizowanych narzędzi SaaS, dziś coraz częściej wystarcza jeden inteligentny agent, który integruje się z istniejącą infrastrukturą i sam zarządza workflowem.
Które segmenty SaaS są najbardziej narażone na przejęcie przez agentów AI
Najbardziej oczywistym polem działania agentów AI są narzędzia back-office i wsparcia klienta. Systemy helpdesk, ticketing, klasyczne chatboty czy platformy obsługi zgłoszeń zostały zaprojektowane z myślą o kolejkowaniu i kategoryzacji zadań, a nie o ich inteligentnym rozwiązywaniu. Agenci AI potrafią dziś przejąć 60–80% powtarzalnych interakcji, samodzielnie odpowiadając na standardowe pytania, aktualizując statusy spraw, generując podsumowania rozmów i eskalując tylko te zgłoszenia, które naprawdę wymagają udziału człowieka. W sektorach regulowanych – jak finanse, zdrowie czy prawo – kluczowe staje się podejście human-in-the-loop, w którym człowiek nadzoruje i zatwierdza decyzje agenta. Szczegółowo omawia to analiza bezpiecznej automatyzacji 60–80% wsparcia klienta w branżach regulowanych, pokazując, jak łączyć efektywność automatyzacji z wymogami zgodności i bezpieczeństwa.
Kolejnym obszarem o wysokiej podatności na przejęcie przez agentów są narzędzia produktywności: aplikacje do robienia notatek, task management, dokumenty, e‑mail. Agent typu „AI-coworker” jest w stanie samodzielnie tworzyć szkice dokumentów, prowadzić research, przygotowywać prezentacje, pilnować terminów, przypominać o zobowiązaniach i koordynować pracę zespołu, operując zarówno na kalendarzu, jak i w komunikatorach. W takim świecie tradycyjne aplikacje produktywności coraz częściej stają się jedynie warstwą interfejsu użytkownika, podczas gdy centrum wartości przenosi się do warstwy agentowej, która zarządza przepływem informacji między tymi narzędziami.
Istotne zmiany czekają także segment analityki i raportowania. Klasyczne narzędzia Business Intelligence opierają się na budowaniu dashboardów, konfiguracji zapytań i ręcznym projektowaniu raportów. Agent AI pozwala zadawać pytania do danych naturalnym językiem: od prostych zapytań o wyniki sprzedaży po złożone analizy kohortowe. Może sam wykrywać anomalie, sugerować hipotezy, generować wizualizacje i rekomendować działania. Dla wielu użytkowników oznacza to koniec potrzeby nauki skomplikowanych interfejsów BI – wystarczy rozmowa z agentem, który „zna” strukturę danych i potrafi z niej wyciągać wnioski.
Wreszcie, w sektorach takich jak finanse, zdrowie czy prawo rozwój agentów AI przebiega wolniej, ale potencjał automatyzacji jest ogromny. Tu decydującą rolę odgrywają regulacje, wymogi audytowalności i wysokie koszty błędów. Dlatego właśnie kluczowe stają się ścisłe nadzory eksperckie, transparentne logi działań agenta oraz architektury, w których człowiek podejmuje ostateczną decyzję. W tych obszarach agenci AI początkowo nie tyle zastąpią wyspecjalizowane systemy SaaS, co raczej je wzmocnią, przejmując powtarzalne elementy pracy i odciążając ekspertów od żmudnych zadań.
Warto zaznaczyć, że nie wszystkie segmenty SaaS są jednakowo narażone. Głęboko zintegrowane systemy core’owe – na przykład systemy bankowe, oprogramowanie ERP w dużych korporacjach czy kluczowe systemy szpitalne – charakteryzują się wysokimi barierami wejścia, złożoną integracją i krytyczną rolą bezpieczeństwa oraz compliance. Tu agenci AI najpewniej pozostaną warstwą nadbudowaną: będą interfejsem i inteligentnym „operatorem” istniejących systemów, zamiast ich pełnoprawnym zamiennikiem. W takich przypadkach sztuczna inteligencja nie rozbija SaaS, ale raczej przesuwa wartość w stronę tych rozwiązań, które potrafią najlepiej połączyć funkcje core z elastycznością agentów.
Od „AI‑as‑a‑service” do „AI‑as‑a‑coworker”: jak może wyglądać nowy model biznesowy
Pojęcie „AI-as-a-coworker” opisuje sytuację, w której agent AI nie jest już tylko funkcją w produkcie, lecz quasi‑członkiem zespołu. Taki agent otrzymuje konkretne zadania, ma zdefiniowane zakresy odpowiedzialności i mierniki efektywności (KPI), a jego praca jest wprost porównywana z wkładem ludzkich pracowników. Może odpowiadać za obsługę pierwszej linii wsparcia, przygotowywać raporty finansowe, planować sprinty w zespole produktowym czy prowadzić wstępne rozmowy sprzedażowe.
Nowa architektura tego świata składa się typowo z trzech warstw. Pierwszą są modele bazowe (foundation models), takie jak zaawansowane modele Claude czy GPT, które dostarczają zdolności rozumienia języka, generowania tekstu, analizy danych czy pracy z multimediami. Drugą jest warstwa orkiestracji i agentów – środowiska w rodzaju Claude Cowork lub innych rozwiązań agentowych – która zarządza celami, pamięcią długoterminową, planowaniem kroków i komunikacją z użytkownikiem. Trzecią stanowi warstwa integracji z istniejącym SaaS i infrastrukturą: API, pluginy, konektory do systemów CRM, ERP, narzędzi projektowych, komunikatorów czy repozytoriów plików.
Przykładowy dzień pracy w tym modelu może wyglądać tak: founder SaaS rozpoczyna dzień od rozmowy z agentem, który podsumowuje kluczowe wskaźniki z poprzedniej doby, wskazuje nietypowe zachowania klientów, proponuje priorytety na sprint. Następnie agent przygotowuje propozycję roadmapy, uwzględniając dane z analityki produktu i feedbacku użytkowników, a później koordynuje komunikację z zespołem, wysyłając zadania do odpowiednich osób. Równolegle analityk finansowy korzysta z własnego agenta, który łączy dane z systemu księgowego, CRM i narzędzi marketingowych, budując scenariusze przychodowe i symulacje cash flow.
Taki model wymaga głębokiej integracji agentów z istniejącymi systemami, w tym z mechanizmami uwierzytelniania i autoryzacji. Przykładem podejścia do tego typu integracji jest opisany w artykule OpenAI ChatGPT OAuth plugin example in nodejs, gdzie pokazano, jak agent może zyskać bezpieczny dostęp do danych użytkownika i wykonywać w jego imieniu operacje w innych systemach. Choć szczegóły techniczne mogą być złożone, z perspektywy biznesowej kluczowe są trzy kwestie: poziom lock-in (zależność od dostawcy modelu i infrastruktury), kontrola nad danymi (gdzie są przetwarzane i kto ma do nich dostęp) oraz koszty inżynieryjne budowy i utrzymania integracji.
Konsekwencją tej zmiany jest ewolucja modeli monetyzacji. Obok klasycznych subskrypcji pojawiają się opłaty per agent lub per użytkownik współdzielący agenta, rozliczanie za czas pracy AI (liczba zadań lub zużyte zasoby obliczeniowe) czy modele oparte na podziale wygenerowanej wartości, na przykład prowizje od dodatkowej sprzedaży wygenerowanej przez agenta sprzedażowego lub od zaoszczędzonych godzin pracy zespołu. W praktyce najczęściej będą to hybrydy: podstawowa subskrypcja za dostęp do platformy plus zmienne opłaty za intensywne wykorzystanie agentów.
Jak zakłócenia w SaaS przenoszą się na rynki kryptowalut i tokenów powiązanych z AI
Zakłócenia w tradycyjnym SaaS nie pozostają bez wpływu na rynki kryptowalut. Szczególnie wrażliwe są tokeny związane z infrastrukturą AI – projekty budujące zdecentralizowaną moc obliczeniową, przechowywanie danych, rynki modeli i warstwę middleware dla agentów. Równie uważnie obserwowane są tokeny aplikacyjne, które próbują łączyć funkcjonalność agentów AI z elementami on‑chain, takimi jak rozliczenia, weryfikacja czy własność danych.
Research analityków rynku wskazuje, że komunikaty dużych firm SaaS o integracji agentów AI, restrukturyzacji oferty czy zmianie strategii produktowej często korelują z krótkoterminowymi skokami wolumenu obrotu i zmienności na wybranych tokenach AI oraz infrastrukturalnych. Gdy inwestorzy słyszą o masowej adopcji agentów w środowiskach korporacyjnych, interpretują to jako sygnał rosnącego zapotrzebowania na moc obliczeniową i zaawansowaną infrastrukturę danych. Część kapitału zaczyna szukać ekspozycji na te trendy właśnie poprzez projekty krypto pozycjonujące się jako „infrastruktura dla AI”.
Mechanizm, który stoi za tym zjawiskiem, można opisać jako „narrację rynkową”. Traderzy krypto reagują nie tylko na twarde dane o przychodach czy zyskach, ale także na opowieści o przyszłości: rosnącym popycie na obliczenia, dane, modele oraz narzędzia orkiestracji agentów. Jeżeli dominująca narracja głosi, że nadchodzi era „AI-as-a-coworker” w każdej firmie, część uczestników rynku uzna, że warto wcześniej zbudować pozycję w tokenach, które potencjalnie będą beneficjentami tej zmiany.
Przykładowy scenariusz może wyglądać następująco: duży gracz SaaS ogłasza masowe wdrożenie agentów AI w swoim portfolio produktów, zapowiadając, że w ciągu dwóch lat większość użytkowników będzie współpracować z co najmniej jednym agentem. Inwestorzy tradycyjni reagują początkowo ostrożnie, wyceniając ryzyka kanibalizacji dotychczasowych przychodów. Jednocześnie część kapitału spekulacyjnego w ekosystemie krypto zaczyna kupować tokeny projektów oferujących zdecentralizowaną moc obliczeniową lub rynki modeli, zakładając, że w dłuższym horyzoncie popyt na takie usługi znacząco wzrośnie. To może prowadzić do gwałtownych, choć często krótkotrwałych, wzrostów wycen i wolumenu obrotu.
Należy jednak podkreślić, że korelacja nie oznacza przyczynowości. Sam fakt, że wydarzenia w sektorze SaaS i ruchy na tokenach AI pojawiają się w zbliżonym czasie, nie gwarantuje bezpośredniego związku przyczynowego. Wiele ruchów cenowych napędzają oczekiwania, emocje i mechanizmy rynkowe (np. dźwignia, likwidacje pozycji), a nie faktyczne zmiany popytu na infrastrukturę. Stąd konieczne jest krytyczne podejście i rozróżnianie krótkoterminowego szumu od długoterminowych trendów strukturalnych.
Dlaczego inwestorzy VC i traderzy krypto tak uważnie śledzą trend „AI‑as‑a‑coworker”
Dla inwestorów venture capital zaangażowanych w spółki SaaS trend „AI-as-a-coworker” jest jednym z najważniejszych testów odporności ich portfela. Fundusze coraz częściej zadają sobie pytanie, czy dane przedsiębiorstwo SaaS zostanie skanibalizowane przez niezależnych agentów, czy też potrafi przekształcić się w platformę dla agentów, budując nowe źródła przewagi. Analizowane są moaty danych (czy firma posiada unikalne zbiory danych, które mogą zasilać agentów), kompetencje machine learning w zespole, tempo wdrażania funkcji AI oraz zdolność do tworzenia własnych agentów lub marketplace’ów agentowych.
Dla VC istotna jest także elastyczność architektury: czy produkt został zbudowany w sposób umożliwiający stosunkowo łatwe „wpięcie” warstwy agentowej, czy też każdy krok wymaga kosztownych przebudów. Znaczenie ma siła community i ekosystemu integracji – firmy, które mają bogate API, aktywną społeczność deweloperów i otwartość na rozszerzenia, są lepiej przygotowane na włączenie agentów do swojego świata.
Traderzy i fundusze krypto patrzą na zjawisko z innej perspektywy, ale z podobną uwagą. Interesują ich nie tylko projekty wprost łączące AI i blockchain, lecz także ruchy dużych firm SaaS, które mogą generować realny popyt na zdecentralizowaną infrastrukturę: moc obliczeniową, przechowywanie danych, orkiestrację agentów czy warstwy rozliczeń on‑chain. Dodatkowym wątkiem jest rola stablecoinów i płatności on‑chain w zautomatyzowanych procesach B2B, gdzie agenci AI mogą autonomicznie zawierać i rozliczać mikrotransakcje za wykonane zadania.
Dyskusję o długoterminowym charakterze tego trendu dobrze ilustruje artykuł „ChatGPT-5 rozczarował. Czy boom na sztuczną inteligencję zamienia się w bańkę?”, gdzie zwraca się uwagę na ryzyko nadmiernego hype’u wokół pojedynczych premier modeli. Choć niektóre aktualizacje produktów mogą nie spełniać wygórowanych oczekiwań, rynek krypto często żyje bardziej długoterminową narracją o adopcji AI niż sukcesem jednego modelu. Dla traderów kluczowe staje się więc oddzielenie krótkoterminowego rozczarowania lub euforii od fundamentalnych przesunięć w modelach biznesowych i sposobie wykorzystywania agentów.
Zarówno VC, jak i uczestnicy rynku krypto muszą zatem umieć odróżnić projekty, które jedynie doklejają etykietkę „AI”, od tych, które faktycznie przebudowują swoje procesy i architekturę wokół agentów. W pierwszym przypadku mamy do czynienia z marketingiem, w drugim – z realną transformacją, która może przełożyć się na przewagę konkurencyjną i trwałą wartość.
Strategie przetrwania i wzrostu dla founderów SaaS oraz wnioski dla inwestorów i traderów
Dla founderów SaaS nadchodzące lata będą okresem intensywnej selekcji. Firmy, które potraktują agentów AI jak jeszcze jedną „funkcję do dodania do roadmapy”, ryzykują, że zostaną wyparte przez rozwiązania stawiające agentów w centrum doświadczenia użytkownika. Kluczowe jest myślenie o agentach jako o nowej warstwie produktu – warstwie, która może przejąć znaczną część interakcji z użytkownikiem, orkiestracji pracy i dostarczania wartości.
Jednym z pierwszych kroków powinna być refleksja nad pricingiem. Jeżeli agent faktycznie wykonuje pracę, którą dotychczas wykonywał człowiek, naturalnym podejściem staje się rozliczanie za zadania lub efekty, a nie wyłącznie za dostęp do oprogramowania. Mogą to być modele „pay-per-task”, opłaty za obsłużony ticket, zrealizowane leady sprzedażowe czy przeanalizowane dokumenty. Takie podejście lepiej oddaje rzeczywistą wartość generowaną przez cyfrowych współpracowników i może być atrakcyjne zarówno dla klientów, jak i inwestorów, pod warunkiem transparentnego raportowania efektywności agentów.
Kolejnym filarem strategii jest inwestycja w integracje i ekosystem. Otwarte API, pluginy, marketplace’ y agentów czy gotowe konektory do popularnych narzędzi mogą stać się głównym źródłem lock-inu i przewagi konkurencyjnej. Firma, która potrafi zaoferować platformę, na której powstają wyspecjalizowani agenci dopasowani do konkretnych branż i procesów, ma szansę zająć pozycję podobną do tej, jaką wcześniej zajmowały największe platformy SaaS.
Nieodzowne jest również budowanie mocnych kompetencji w obszarze danych i uczenia maszynowego. Dotyczy to zarówno jakości i struktury danych, którymi zasilani są agenci, jak i umiejętności projektowania bezpiecznych architektur human-in-the-loop. W sektorach regulowanych właśnie takie architektury – łączące automatyzację z nadzorem eksperckim – będą decydować o tym, czy wdrożenie agentów AI przełoży się na realną poprawę efektywności, czy na ryzyko regulacyjne i reputacyjne.
Z perspektywy inwestorów VC przydatna staje się swoista checklista oceny spółek SaaS w kontekście agentów AI. Powinna ona obejmować: dostęp do unikalnych danych (zarówno pod względem ilości, jak i jakości), elastyczność architektury aplikacji, dojrzałość procesów MLOps i zarządzania modelami, siłę community i ekosystemu integracji oraz zdolność zespołu do budowy nowego „moatu” wokół warstwy agentowej. Spółki, które spełniają te kryteria, mogą okazać się beneficjentami transformacji, podczas gdy te, które ich nie spełniają, będą szczególnie narażone na wypchnięcie przez nowsze podmioty.
Dla traderów krypto użyteczna może być rama analityczna koncentrująca się na kilku pytaniach zadawanych za każdym razem, gdy pojawiają się newsy o adopcji agentów AI w SaaS. Po pierwsze: czy ogłoszenie rzeczywiście generuje dodatkowy popyt na infrastrukturę on‑chain (compute, storage, rynki modeli), czy raczej ma charakter czysto marketingowy. Po drugie: czy istnieją konkretne case’y użycia, w których agenci AI wchodzą w interakcję z blockchainem (np. automatyczne rozliczanie usług, tokenizacja wyników pracy, weryfikowalne logi działań), czy też mowa jedynie o integracji z modelami off‑chain. Po trzecie: jak ogłoszenie wpisuje się w szerszy trend, a nie tylko w krótkoterminowy hype.
W każdym z tych obszarów konieczna jest ostrożność. Ryzyka regulacyjne – związane z przetwarzaniem danych, prywatnością czy odpowiedzialnością za decyzje AI – mogą w skrajnym przypadku doprowadzić do gwałtownej korekty wycen. Ryzyka technologiczne – jak błędy modeli, halucynacje czy luki w zabezpieczeniach integracji – mogą prowadzić do incydentów bezpieczeństwa, które nadwyrężą zaufanie klientów i inwestorów. Wreszcie ryzyka rynkowe – w tym przegrzanie wycen i tworzenie się baniek spekulacyjnych wokół „AI-krypto” – mogą spowodować bolesne korekty dla spóźnionych uczestników.
Mimo tych zagrożeń wiele wskazuje na to, że model „AI-as-a-coworker” nie jest chwilową modą, lecz początkiem długotrwałej transformacji sposobu pracy z oprogramowaniem. Nie zastąpi on całego SaaS – szczególnie w obszarach głęboko zintegrowanych systemów core’owych – ale wymusi głęboką przebudowę architektury, modeli biznesowych i doświadczeń użytkownika. Wygrają ci, którzy potrafią połączyć stabilność i dojrzałość tradycyjnego SaaS z elastycznością agentów AI oraz, tam gdzie ma to sens, z możliwościami infrastruktury krypto. Dla founderów, inwestorów i traderów oznacza to konieczność jednoczesnego myślenia o produkcie, danych, integracjach, regulacjach i narracjach rynkowych – bo właśnie na przecięciu tych światów powstaje dziś nowa mapa wartości w ekosystemie technologii.