Claude Sonnet 4.6 kontra SaaS: jak agenci AI wywołują „SaaSpocalypse” na rynku oprogramowania i krypto

Od boomu SaaS do „SaaSpocalypse”: nowe rozdanie w erze agentów AI

Przez ponad dekadę model Software as a Service (SaaS) uchodził za złoty standard w świecie technologii. Firmy płaciły cykliczne subskrypcje, analitycy śledzili miesięczne powtarzalne przychody (MRR) i roczne przychody powtarzalne (ARR), a wyceny spółek rosły w oparciu o tempo wzrostu użytkowników oraz chęć inwestorów do akceptowania wysokich mnożników przychodów. W latach 2010–2022, przy rekordowo niskich stopach procentowych i wysokiej skłonności do ryzyka, SaaS stał się synonimem stabilnego, skalowalnego biznesu o wysokich marżach.

Ten model miał kilka przewidywalnych cech. Klient podpisywał umowę na 12–36 miesięcy, korzystał z wyspecjalizowanego narzędzia (np. CRM, helpdesk, analityka, marketing automation), a dostawca koncentrował się na rozwoju funkcji, upsellu i ograniczaniu churnu. Każda kolejna potrzeba biznesowa często oznaczała kolejną licencję na kolejne narzędzie. W ten sposób duże organizacje gromadziły dziesiątki, a czasem setki aplikacji SaaS, spiętych mniej lub bardziej skomplikowaną integracją.

W ostatnich kilkunastu miesiącach na ten porządek zaczęła coraz mocniej napierać nowa fala: modele językowe klasy Claude Sonnet 4.6 i oparte na nich agenci AI. Według analityków cytowanych m.in. przez Investing.com, premiery takich modeli z długim kontekstem i rosnącymi zdolnościami do samodzielnego wykonywania zadań stają się jednym z kluczowych katalizatorów zmian w sektorze oprogramowania – od big techów, przez klasyczne spółki SaaS, aż po rynek kryptowalut.

W tym kontekście coraz częściej pojawia się pojęcie „SaaSpocalypse” – nie jako dosłowny koniec SaaS, ale skrót myślowy dla przyspieszonej kreatywnej destrukcji w sektorze. Chodzi o przesunięcie wartości z poziomu wielu wyspecjalizowanych aplikacji do poziomu uniwersalnych modeli i agentów AI, które są w stanie wykonywać całe procesy biznesowe. To zjawisko uderza zarówno w tradycyjne spółki SaaS, jak i wpływa na sentyment inwestorów, w tym inwestorów w spółki typu #ACP oraz w wybrane klasy aktywów na rynku krypto.

Artykuł kierowany jest przede wszystkim do inwestorów, founderów SaaS i analityków rynku, ale równocześnie w przystępny sposób wyjaśnia kluczowe pojęcia czytelnikom ogólnym. Punkt wyjścia stanowi premiera Claude Sonnet 4.6 – modelu, który materializuje przejście od prostych chatbotów do wirtualnych współpracowników, realnie konkurujących z tradycyjnymi rozwiązaniami SaaS.

Co zmienia Claude Sonnet 4.6 i agenci AI: od długiego kontekstu do autonomicznych współpracowników

Claude Sonnet 4.6 to najnowszy model językowy klasy „mid-tier” firmy Anthropic, będący domyślnym silnikiem w planach Free i Pro w ekosystemie Claude oraz w narzędziu Claude Cowork. Według oficjalnych informacji spółki model otrzymał szeroką aktualizację umiejętności: od kodowania, przez pracę z komputerem, po długokontekstowe wnioskowanie i planowanie zadań. Kluczową cechą w perspektywie rynku SaaS jest jednak 1‑milionowe okno kontekstu dostępne w wersji beta dla wybranych zastosowań.

Dla czytelnika spoza branży warto wyjaśnić, co to oznacza praktycznie. „Tokeny” można traktować jako przybliżenie słów lub fragmentów słów przetwarzanych przez model. 1 mln tokenów to rząd wielkości 700–750 tys. słów, czyli:

• cały, średniej wielkości codebase z wieloma modułami i zależnościami,
• setki stron dokumentacji technicznej, raportów czy umów,
• długie, wielogodzinne konwersacje i sekwencje zadań, które model „pamięta” i bierze pod uwagę.

Tak duże okno kontekstu zmienia naturę automatyzacji. Zamiast pracy na małych, odseparowanych fragmentach informacji, model może widzieć „cały obraz” – rozumieć historię klienta, strukturę kodu, powiązania między dokumentami czy pełen przebieg projektu. To z kolei pozwala agentom AI wykonywać nie pojedyncze komendy, lecz całe procesy.

Agenci AI, tacy jak ci budowani wokół Claude Cowork, to wirtualni współpracownicy, którzy potrafią łączyć kilka umiejętności w jednym strumieniu pracy:

• samodzielnie prowadzą research, analizując dziesiątki źródeł,
• piszą, refaktoryzują i testują kod w całym repozytorium,
• przygotowują i uaktualniają dokumentację projektową,
• obsługują dokumenty – od podsumowań kontraktów po generowanie raportów i prezentacji.

W tym ujęciu AI staje się „warstwą usługową” (AI-as-a-Service), która konkuruje z tradycyjnym modelem „aplikacja jako usługa” (SaaS). W komentarzach rynkowych przytaczanych m.in. przez Luke’a Juricica z Investing.com podkreśla się, że rosnące możliwości agentów AI zwiększają presję na wyceny spółek, których produkty można coraz łatwiej zasymulować w oparciu o model z długim kontekstem.

Już dziś istnieje szereg scenariuszy, w których agent AI zbudowany na Claude Sonnet 4.6 może przejąć funkcje kilku osobnych SaaS:

• zamiast oddzielnego systemu do ticketów, CRM i narzędzia do raportowania, jeden agent wczytuje całą historię e‑maili, konwersacji z czatu, faktur i umów, po czym prowadzi pełną obsługę klienta, generuje raporty SLA i rekomenduje kolejne działania;
• w miejsce kilku aplikacji do analityki i monitoringu kodu, agent przegląda całe repozytorium, logi z systemów, backlog zadań i proponuje plan refaktoryzacji oraz automatyczne testy;
• w obszarze prawa i compliance agent analizuje setki stron regulaminów, umów i polityk, identyfikując sprzeczności oraz ryzyka – bez potrzeby ręcznego dzielenia dokumentów na fragmenty.

Tak rozumiana integracja kompetencji w jednym modelu jest fundamentem mechanizmu „SaaSpocalypse”.

Mechanizm „SaaSpocalypse”: jak AI jako usługa przejmuje wartość z tradycyjnego SaaS

Na podstawie danych zebranych przez NS3.AI można oszacować, że w ostatnim okresie szeroki koszyk globalnych spółek software’owych utracił łącznie blisko 300 mld USD kapitalizacji w ślad za rosnącą adopcją agentów AI oraz automatyzacją procesów. Nie jest to oczywiście jedyny czynnik wpływający na wyceny, ale korelacja z kluczowymi ogłoszeniami w obszarze długokontekstowych modeli i narzędzi agentowych jest wyraźna.

Mechanizm „SaaSpocalypse” można rozłożyć na kilka kroków.

Po pierwsze, przedsiębiorstwa coraz rzadziej akceptują sytuację, w której dla każdej czynności muszą utrzymywać odrębne licencje SaaS. Zamiast kupować pięć osobnych narzędzi, rośnie skłonność do zbudowania własnej warstwy automatyzacji na bazie modeli i agentów AI. Wystarczy dostęp do API modeli takich jak Sonnet 4.6, by tworzyć wewnętrzne „koperty” funkcjonalne dopasowane do specyfiki organizacji.

Po drugie, wraz z tym trendem rośnie znaczenie dostawców infrastruktury AI: chmur obliczeniowych, producentów GPU oraz dostawców modeli podstawowych. Kapitał przepływa „w dół” łańcucha wartości – w stronę spółek typu Nvidia, Microsoft czy wyspecjalizowanych dostawców modeli, które dają fundament do budowy własnych agentów.

Po trzecie, marże prostych aplikacji SaaS stają się trudne do utrzymania. Jeśli agent AI z długim kontekstem jest w stanie „na żywo” skopiować kluczowe funkcje prostego CRM‑u, generatora raportów czy narzędzia do notatek, to gotowość klientów do płacenia wysokich subskrypcji za takie produkty maleje. W efekcie presja konkurencyjna rośnie, a mnożniki wycen spadają.

Dobrze oddaje to koncepcja AI jako „warstwy poziomej”. Zamiast wielu pionowych, jednofunkcyjnych aplikacji, jeden model może obsługiwać kilka obszarów naraz: CRM, helpdesk, analitykę, automatyczne raportowanie oraz pracę z dokumentami. Dzieje się to w jednej instancji, która ma dostęp do pełnego kontekstu danych firmy, co czyni ją bardziej użyteczną niż zestaw oddzielnych, częściowo zintegrowanych SaaS.

Konsekwencją jest „kompresja wartości”. Duża część marży przesuwa się z warstwy aplikacyjnej (SaaS) do warstwy infrastruktury i modeli. Opisowo można to przedstawić jako wykres, na którym oś pozioma pokazuje kolejne warstwy łańcucha wartości (hardware – chmura – modele – aplikacje), a oś pionowa – udział w całkowitej marży sektora. W klasycznym modelu SaaS szczyt wykresu znajdował się po stronie aplikacji. W nowym porządku szczyt przesuwa się w stronę modeli i infrastruktury, natomiast aplikacje końcowe stają się „cienkimi” warstwami UX nad API.

Długie okna kontekstu, takie jak 1 mln tokenów w Sonnet 4.6, przyspieszają ten proces. Skoro jeden agent może bezproblemowo pracować na całym kodzie, całej historii klienta i pełnym zbiorze dokumentów, potrzeba „sklejania” wielu wyspecjalizowanych narzędzi maleje. Pojawia się pytanie: które kategorie SaaS są najbardziej wystawione na to zjawisko?

Które kategorie SaaS są najbardziej zagrożone i dlaczego

Ryzyko „SaaSpocalypse” nie rozkłada się równomiernie. Najbardziej narażone są te segmenty, których funkcje są łatwe do zaimplementowania w agentach AI pracujących na dużych zbiorach danych.

Wysoko zagrożone segmenty obejmują przede wszystkim narzędzia oparte na prostym CRUD (tworzenie, odczyt, aktualizacja, usuwanie danych), raportowaniu i nieskomplikowanych workflow. Do tej grupy zaliczyć można:

• proste CRM‑y dla małych i średnich firm,
• systemy ticketowe oparte na prostych formularzach,
• podstawowe narzędzia do analizy danych i dashboardów,
• generatory treści marketingowych,
• aplikacje do notatek i zarządzania zadaniami.

Agent AI z 1 mln tokenów jest w stanie wczytać pełną historię klientów, całą korespondencję, zestawienie faktur i notatek, a następnie:

• samodzielnie prowadzić komunikację z klientami w wielu kanałach,
• tworzyć spersonalizowane oferty i podsumowania sprzedaży,
• generować raporty z pipeline’u i forecasty sprzedaży,
• zarządzać zadaniami i priorytetami zespołu sprzedaży lub obsługi.

Średnio zagrożone segmenty to wyspecjalizowane SaaS oparte na danych strukturalnych, ale z istotnym komponentem know-how lub regulacyjnym. Przykłady to:

• narzędzia HR: rekrutacja, ocena pracowników, planowanie wynagrodzeń,
• systemy do rozliczeń i księgowości,
• aplikacje wspierające zarządzanie finansami firmowymi.

W tych obszarach AI może sukcesywnie przejmować elementy workflow – np. automatyczną analizę CV, wstępne rekomendacje wynagrodzeń, przygotowywanie projekcji cash flow – ale istotną rolę wciąż odgrywają bariery regulacyjne, audytowalność i integracja z systemami państwowymi czy bankowymi. Proces wypierania tradycyjnego SaaS będzie więc wolniejszy i bardziej hybrydowy.

Relatywnie odporne i transformujące się segmenty stanowią kategorie SaaS głęboko wpięte w infrastrukturę klienta: systemy ERP, rozwiązania bezpieczeństwa, oprogramowanie medyczne, przemysłowe czy krytyczne dla ciągłości działania. Tu przewaga wynika z integracji, własnych danych, certyfikacji oraz zgodności z regulacjami. W tym świecie bardziej prawdopodobne jest wbudowanie agentów AI w istniejące produkty niż całkowite ich zastąpienie.

W każdej z tych kategorii istnieją już praktyczne przypadki użycia agentów AI. W systemach bezpieczeństwa modele analizują logi z wielu źródeł, wykrywając anomalie trudne do wyłapania tradycyjnymi metodami. W obszarze prawa i compliance agenci automatycznie podsumowują kontrakty i identyfikują klauzule ryzykowne. W obsłudze klienta mogą realizować end‑to‑end procesy: od przyjęcia zgłoszenia, przez diagnozę, po rekomendację rozwiązania i aktualizację systemu ticketowego.

Równocześnie rośnie znaczenie świadomego wyboru narzędzi AI i ochrony danych. Wraz z przechodzeniem z klasycznych SaaS‑ów do agentów AI użytkownicy muszą brać pod uwagę, jakie informacje trafiają do modeli i jak są przechowywane. Dla czytelników zainteresowanych praktyczną stroną prywatności warto polecić materiał o bezpiecznym korzystaniu z przeglądarek AI i narzędzi podobnych do ChatGPT Atlas, gdzie szczegółowo omówiono m.in. kwestie zarządzania danymi.

„SaaSpocalypse” nie oznacza więc nagłego wyzerowania przychodów, lecz wzrost presji na marże, wyceny oraz tempo wzrostu – zwłaszcza w segmentach o niskiej barierze wejścia i braku unikalnych danych.

Reakcje inwestorów i case study spółek typu #ACP

Rynki finansowe reagują na tę zmianę strukturalną przede wszystkim rotacją kapitału. W szerokich koszykach spółek software’owych obserwujemy okresowe wyprzedaże, którym towarzyszy wzrost zainteresowania spółkami infrastruktur AI oraz dużymi graczami budującymi modele fundamentowe. Analitycy, cytowani m.in. przez serwisy pokroju Investing.com, wskazują na wyraźny wzrost ekspozycji funduszy na tzw. „AI picks and shovels” – dostawców mocy obliczeniowej, chmur, narzędzi developerskich i platform agentowych – przy jednoczesnej redukcji udziału tradycyjnych aplikacji końcowych.

W przypadku spółek podobnych do #ACP, czyli wyspecjalizowanych dostawców SaaS w wąskiej niszy, sentyment często zmienia się gwałtownie po ogłoszeniach dotyczących agentów AI. Pytania inwestorów podczas konferencji wynikowych coraz częściej brzmią:

• „Czy wasz produkt jest funkcją, którą agent AI może skopiować?”
• „Jakie unikalne dane lub integracje chronią wasz model biznesowy?”
• „Czy planujecie oferować własnych agentów AI lub stać się platformą dla agentów partnerów?”

Reakcją wielu zarządów są komunikaty o integracji z wiodącymi modelami (w tym klasą Sonnet), budowie własnych agentów lub pivot w stronę warstwy infrastrukturalnej bądź marketplace’u agentów. Krótkoterminowo rynek ma tendencję do przesady w obie strony: część spółek jest nadmiernie karana za brak „AI story”, inne doświadczają euforycznych wzrostów wycen po ogłoszeniu powierzchownych integracji.

W długim horyzoncie prawdopodobnie wygrają te przedsiębiorstwa, które w sposób rzeczywisty potrafią wbudować AI w produkt i model biznesowy, a nie tylko w komunikację marketingową. Warto dodać wyraźne zastrzeżenie: opisane mechanizmy mają charakter analityczny i edukacyjny, nie stanowią rekomendacji inwestycyjnych ani porady finansowej.

Przesunięcie kapitału a rynek kryptowalut: korelacje, ryzyko i nowe narracje

Zmiany zachodzące w sektorze SaaS nie pozostają bez wpływu na rynek kryptowalut. Gdy kapitał przemieszcza się z szerokiego koszyka software’u do infrastruktur AI, zmienia się ogólny apetyt na ryzyko w segmencie aktywów technologicznych. Dane analizowane przez NS3.AI sugerują, że okresy największej rotacji w kierunku spółek AI‑infra często wiązały się z czasowym odpływem środków z aktywów wysokiego beta, do których należą także liczne tokeny krypto.

Mechanizm jest prosty: inwestorzy instytucjonalni i część większych inwestorów detalicznych ograniczają krótkoterminowo ekspozycję na rynek krypto, aby zwiększyć ją w akcjach spółek powiązanych z AI. W praktyce może to oznaczać większą zmienność cen i krótkotrwałe korekty, gdy sentyment przesuwa się z „czystego” software’u i krypto na rzecz tematu AI‑infra.

Jednocześnie rośnie druga, przeciwstawna narracja: „AI x krypto”. Pojawiają się projekty tokenizujące infrastrukturę AI, tworzące zdecentralizowane rynki mocy obliczeniowej czy otwarte platformy AGI wspierane tokenami. Ta nowa fala stara się połączyć potencjał modeli takich jak Sonnet 4.6 z obietnicą decentralizacji i własności użytkowników. Czy w świecie zdominowanym przez scentralizowanych dostawców modeli jest miejsce na takie inicjatywy? Dla czytelników zainteresowanych tym wątkiem szczególnie wartościowy będzie tekst o otwartej, tokenizowanej platformie AGI Sentient i jej starciu z gigantami AI.

W ujęciu rynkowym można wyróżnić dwie grupy narracji. Pierwsza dotyczy „czystych” kryptowalut, takich jak BTC czy ETH, które coraz częściej postrzegane są jako quasi‑makroaktywa – cyfrowe złoto, zabezpieczenie przed inflacją czy sposób na dywersyfikację systemu finansowego. Druga grupa to tokeny „AI + krypto”, których wartość bywa silniej skorelowana z hype’em wokół sztucznej inteligencji niż z realnymi fundamentami biznesowymi.

Ryzyko w tej drugiej grupie jest znaczące: brak dojrzałych modeli przychodowych, niejasne powiązanie tokena z faktycznie świadczoną usługą AI, potencjalne konflikty regulacyjne. Korelacje na rynku są zmienne w czasie – w okresach euforii AI tokeny „AI + krypto” mogą zachowywać się lepiej niż BTC czy ETH, ale w okresach risk-off spadki bywają gwałtowniejsze. Wpływ AI na krypto nie jest więc jednokierunkowy i wymaga ostrożnej interpretacji.

Gdzie szukać nowych okazji: strategie dla founderów SaaS i inwestorów w erze Sonnet 4.6

Zamiast koncentrować się wyłącznie na zagrożeniach, warto uporządkować podejście do poszukiwania nowych szans. Perspektywa będzie nieco inna dla founderów SaaS i dla inwestorów, ale w obu przypadkach kluczowe jest zrozumienie, jak praktycznie wykorzystać modele takie jak Claude Sonnet 4.6.

Strategie dla founderów SaaS

Pierwszy krok to rzetelny audyt produktu pod kątem podatności na „SaaSpocalypse”. Wymaga on odpowiedzi na kilka pytań:

• które funkcje aplikacji są prostym CRUD‑em lub raportowaniem, które model z 1 mln tokenów może stosunkowo łatwo odtworzyć,
• gdzie leży realna przewaga: w unikalnych danych, głębokiej integracji z systemami klienta, certyfikacjach, sieci partnerów czy w know-how zespołu,
• jak bardzo produkt jest „samotną funkcją”, a jak bardzo elementem szerszego ekosystemu, w którym spółka pełni rolę integratora.

Drugi krok to zaprojektowanie sposobu wbudowania Sonnet 4.6 i agentów AI w produkt. Możliwości obejmują m.in.:

• inteligentną warstwę nad istniejącymi workflow, która automatycznie rekomenduje kolejne kroki użytkownikom,
• agenta‑konsultanta, wspierającego wdrożenia u nowych klientów poprzez analizę ich danych i konfiguracji,
• narzędzie do self‑service supportu, które na bazie dokumentacji, logów i historii zgłoszeń odpowiada na pytania klientów i rozwiązuje proste problemy bez udziału człowieka.

Trzecim elementem jest decyzja strategiczna: kiedy warto pivotować w stronę platformy lub marketplace’u agentów, a kiedy bronić wąsko wyspecjalizowanego SaaS. Jeżeli produkt jest łatwo kopiowalny przez agenta AI i nie ma silnych barier wejścia, budowa platformy dla agentów partnerów lub oferowanie własnych agentów jako „meta‑warstwy” może być sposobem na przesunięcie się w górę łańcucha wartości.

Strategie dla inwestorów

Dla inwestorów kluczowe jest odróżnienie spółek, które jedynie „doklejają” AI marketingowo, od tych, które realnie zmieniają swoje modele biznesowe. W praktyce warto zwracać uwagę na:

• dostęp do danych – czy spółka dysponuje unikalnymi, wysokiej jakości zbiorami, które zwiększają wartość agentów,
• zdolność integracji z modelami długokontekstowymi – zarówno techniczną, jak i biznesową,
• kompetencje zespołu technicznego i kulturę organizacyjną sprzyjającą eksperymentowaniu z AI,
• ryzyka regulacyjne – zwłaszcza w sektorach finansów, medycyny czy danych osobowych.

Nowe klasy aktywów mogą obejmować tokenizowane platformy AI, narzędzia łączące świat SaaS z agentami (np. uniwersalne integratory) oraz wyspecjalizowanych konsultantów i integratorów AI. We wszystkich tych przypadkach umiejętność praktycznej pracy z API modeli staje się podstawową kompetencją – zarówno przy budowie produktów, jak i przy ocenie spółek.

Dobrym punktem startu dla deweloperów i analityków jest opanowanie prostych scenariuszy korzystania z API, takich jak tłumaczenie tekstów za pomocą komend w terminalu. Przewodnik pokazujący, jak tłumaczyć teksty przez API OpenAI z użyciem curl jest przykładem praktycznego wprowadzenia do pracy z modelami, które można łatwo przenieść na integracje z Claude czy Anthropic. Tego typu umiejętności stają się „alfą i omegą” zarówno dla founderów, jak i inwestorów analizujących spółki technologiczne.

Scenariusze na kolejne lata: jak może wyglądać rynek po „SaaSpocalypse”

Horyzont kilku najbliższych lat w sektorze SaaS i AI można opisać w formie kilku scenariuszy, z których każdy ma różne implikacje dla firm i inwestorów.

Scenariusz konsolidacji zakłada, że ograniczona liczba gigantów AI – łączących w sobie infrastrukturę, modele i narzędzia do budowy agentów – przejmie większość wartości w łańcuchu. Wiele spółek SaaS zostanie przejętych, a ich produkty przekształcą się w cienkie warstwy UX nad API modeli dominujących graczy. W tym świecie sukces oznacza albo bycie częścią ekosystemu giganta, albo posiadanie tak silnej pozycji niszowej, że staje się ona celem przejęcia.

Scenariusz koegzystencji przewiduje bardziej zrównoważony podział: AI pełni rolę poziomej, bazowej warstwy, dostępnej przez standardowe API, a nad nią funkcjonuje wiele wyspecjalizowanych SaaS oferujących głęboką wiedzę domenową, integracje i zgodność regulacyjną. W tym wariancie sukces zależy od umiejętności łączenia kompetencji AI z dogłębnym zrozumieniem potrzeb konkretnych branż oraz od budowy zaufania w obszarach wrażliwych (medycyna, finanse, administracja publiczna).

Scenariusz otwartego buntu zakłada rozwój zdecentralizowanych, otwartych platform AI i protokołów – częściowo tokenizowanych – które ograniczają dominację scentralizowanych dostawców. Tego typu projekty, łączące świat AI i krypto, próbują zbudować alternatywę dla modeli zamkniętych, umożliwiając współwłasność infrastruktury i współdecydowanie o kierunku rozwoju. Trend ten jest wciąż na wczesnym etapie i obarczony dużą niepewnością regulacyjną, ale może odegrać rolę „bezpiecznika” przeciwko zbyt dużej koncentracji władzy technologicznej.

Niezależnie od tego, który scenariusz okaże się dominujący, kilka elementów wydaje się wspólne. Po pierwsze, rosnąca rola agentów AI zdolnych do realizowania całych procesów, a nie tylko pojedynczych zadań. Po drugie, znaczenie długich okien kontekstu, które umożliwiają pracę na pełnych zbiorach danych, kodu i dokumentów. Po trzecie, kluczowe znaczenie umiejętności pracy z API i zarządzania danymi – zarówno po stronie twórców produktów, jak i inwestorów oceniających ich potencjał.

Wreszcie, rośnie waga kompetencji w obszarze bezpieczeństwa i prywatności. W świecie, w którym coraz więcej procesów biznesowych realizują agenci AI, konieczne staje się świadome projektowanie przepływów danych, kontrola dostępu i minimalizacja ryzyka wycieków. Wątki te rozwija szerzej wspomniany już materiał o prywatności w narzędziach AI, który zyskuje na aktualności wraz z upowszechnianiem się agentów.

„SaaSpocalypse” nie jest końcem innowacji. To raczej gwałtowne przetasowanie kart w sektorze technologii – przesunięcie wartości, zmiana centrów ciężkości, redefinicja przewag konkurencyjnych. Najlepiej przygotowani founderzy i inwestorzy mogą z tej zmiany wyjść wzmocnieni, o ile przestaną myśleć o SaaS i krypto w starych kategoriach samodzielnych aplikacji i tokenów. Nowy paradygmat wymaga myślenia w kategoriach agentów AI, przepływu danych oraz tego, gdzie w tym nowym łańcuchu wartości chcemy i możemy budować trwałą przewagę.