SaaS умирает? Я сравнил 8 публикаций Q1 2026 с тем, что вижу внутри Kaiten

Последние месяцы я вижу одну и ту же мысль: SaaS умирает, AI-агенты забирают работу из интерфейсов, а компании перестают платить за пользовательские лицензии. На первый взгляд кажется, что так и есть.  

Если агент может сам прочитать CRM, создать задачу, разобрать заявку, сходить в API и принести руководителю готовый статус, зачем держать десятки людей в системе? Пусть машина сама делает работу, а человек только проверяет. 

Но когда смотришь на это изнутри SaaS-продукта, картина выглядит по-другому. Я работаю в Kaiten — мы делаем платформу для задач, проектов, документов, заявок и процессов. То есть находимся ровно в той модели, которую сейчас принято хоронить.

Последний год показал, что хоронить рано. Но и делать вид, что ничего не меняется, уже странно. 

Кейс, после которого я пошел разбираться 

Все началось с истории из статьи a16z про ^[1]SaaStr.ai ^[2]. У клиента было 10 сотрудников с лицензиями в Salesforce. Потом команду сократили до двух человек и добавили один программный доступ для AI-агента. По старой логике ^[3] счет должен был упасть. Восемь пользователей ушли из системы. 

Но платеж вырос с $12 000 до $22 000 в месяц. И это хороший кейс, потому что он неприятный для всех. 

• Для покупателей — потому что меньше людей в системе теперь не означает менший счет.  

• Для SaaS-вендоров — потому что становится непонятно, что именно продавать: место для человека, доступ для агента, потребление, выполненную операцию или все сразу. 

Я собрал 8 публикаций первого квартала 2026 года: венчурные тексты, заявления AI-лабораторий, отчеты аналитиков, публичные ответы SaaS-компаний и скептические исследования. А потом сравнил это с тем, что происходит у нас — как сотрудники реально используют AI, какие сценарии прижились в продукте и где мы сами ошиблись. 

Венчурные фонды: о чем говорят 

В декабре 2024 года Сатья Наделла, топ-менеджер Microsoft, в подкасте BG2 ^[4]сформулировал мысль, которую потом много раз пересказывали. Бизнес-приложения — это базы данных с бизнес-логикой сверху. Если часть этой логики уходит в AI, то CRM, ERP и системы управления работой меняют роль: становятся не единственным местом, где человек что-то делает, а источником данных и правил. 

Microsoft при этом инвестирует $80B+ в дата-центры за FY25 ^[5]. То есть рынок готовится не к исчезновению корпоративного софта, а к тому, что вычислений станет больше. 

Sequoia в марте 2026 года выпустила материал «Services: The New Software». Формулировка там жестче: следующая крупная компания может продавать не доступ к инструменту, а выполненную работу. 

Раньше ценность была в системе записи: где лежат данные, статусы, история, права. Теперь важна система, которая умеет собрать контекст из этих данных и помочь принять решение или выполнить действие. 

Оговорка: венчурные фонды не нейтральные наблюдатели. Им выгодно, чтобы рынок поверил в новый цикл. Но это все равно стоит воспринимать как сигнал, раз несколько крупных игроков одновременно говорят об изменениях архитектуры корпоративного софта.

Уже даже есть практические примеры — например, Salesforce развивает Agentforce ^[6]и API-сценарии для агентов ^[7]. А Notion за короткое время прошел путь от редактора документов к среде, где кастомные агенты могут работать по расписанию и триггерам. Это показывает, куда смещается внимание ^[8]: к работе с контекстом и действиями поверх него. 

AI-лаборатории уже меняют оплату 

С венчурными фондами все понятно — у них есть своя выгода рассказывать об изменениях. Для меня оказалось интереснее узнать, о чем говорят AI-лаборатории. 

К примеру, Anthropic в апреле 2026 года изменила корпоративную модель ^[9]: лицензия перестала автоматически покрывать все потребление, а более сложные сценарии считаются отдельно. Это для человека подписка — доступ к инструменту. Для агента та же подписка может означать длинные цепочки запросов, постоянное чтение контекста и работу в фоне. 

Сэм Альтман в интервью Stratechery говорил о похожем: агент стал не просто чатом, куда сотрудник время от времени пишет промпт. Это инфраструктура, где есть доступ к системам и выполнение части процесса.

Что это значит для SaaS-компаний: агент может оказаться дороже по себестоимости. То есть, оплата за пользователя перестает быть точной.

Похожее отмечают и аналитики

Если смотреть не на громкие заголовки, рынок SaaS не выглядит так, словно вот-вот закроется. По Gartner ^[10], в 2026 расходы на облачные приложения продолжают расти. 

График роста расходов на облачные приложения по прогнозу Gartner

Скептические исследования тут тоже полезны. По NBER около 70% компаний активно используют AI ^[11], но большинство не видит влияния на занятость или производительность за последние 3 года.

MIT NANDA в отчете про GenAI-пилоты отмечает — пилотов много, но до измеримого финансового эффекта доходят не все. Для меня тут все логично — да, компании правда пробуют AI. Но делают это поверх старых процессов. Мы сами проходили похожий этап. 

Говорить про смерть SaaS-рынка еще рано

История Klarna ^[12] в этом плане стала показательной: в 2024 году компания рассказывала, что заменила 700 сотрудников поддержки на GPT-4 и убрала Salesforce из стека. Через год часть AI-увольнений откатили, а Salesforce заменили не одной LLM, а другими SaaS-Deel, Workday и еще несколькими системами. 

То есть один крупный поставщик ушел, но корпоративный софт не исчез. 

Старые SaaS-гиганты тоже ведут себя не как компании, у которых завтра заберут рынок. Salesforce закрыл FY26 с $41,5B выручки и ростом 10% год к году. Workday тратит миллиарды на покупку и позиционирование вокруг агентов. Они докупают технологии и пытаются занять новую нишу. 

Я бы отметил еще один контраргумент — качество агентских сценариев. В теории все выглядит просто и понятно, но на деле в корпоративной среде агенту нужны права, контекст, ограничения, логи, проверка результата и понятный откат. 

Личные выводы о том, что происходит внутри SaaS

Я сам работаю в SaaS-компании с моделью оплаты за пользователей. Конфликт ^[13] интересов очевиден, учитывайте это при чтении. Мне невыгодно радоваться тому, что часть денег может уходить из пользовательских лицензий в потребление, токены или оплату за результат. 

Что мы увидели внутри Kaiten 

Мы сами приходили к использованию AI постепенно. 10 месяцев назад даже сильные разработчики редко использовали нейросети, и обычно делали это для проверки текста или ускорения рутины. Тогда не было и речи о привычках или полноценном внедрении. 

Потом я завел первый рабочий чат вокруг одного инструмента, в котором сначала было 5 человек. Компания оплачивала базовый тариф. Мы провели серию воркшопов, и появился второй чат под инструмент для разработки. 

Сейчас в одном таком чате 71 участник, в другом — 67. Группы разрастались, сотрудникам перестало хватать базовых тарифов, поэтому мы стали переходить на дорогие планы за $100-200 в месяц. Бюджет компания тоже взяла на себя, потому что отдача на этих тарифах заметная.

Так с фактического нуля мы доросли до 80% активных сотрудников, которые ежедневно работают с AI. Из них 30% используют дорогие тарифы. Уже подробно про это рассказывали ^[14]. 

Быстрее всего с AI начала работать разработка: там больше текста, повторяемых операций, понятных задач и способов проверить результат. Потом подтянулись продуктовые команды. Маркетинг использует AI скромнее, саппорт, продажи и операции пока меньшая доля. 

Самый понятный эффект мы видим в цикле доработок в легаси-продукте. Задачи закрывают за 2-3 недели, а не пару месяцев, как раньше. Конечно, траты за токены выросли с нескольких сотен долларов до нескольких тысяч, но эффект очевиден — в P&L окупается. Компания поддерживает этот тренд.

Что сработало в продукте 

Продуктово мы пришли к простой формуле: отдельная AI-функция для пользователя ничего не значит. Ему нужно, чтобы было меньше ручной работы и лишних действий. 

Самый понятный пример — транскрибатор встреч. Бот заходит на созвон, пишет транскрипт, собирает саммари и предлагает черновики задач. Но он не делает это бесконтрольно, а ожидает подтверждения от человека.  

Так один и тот же сценарий дает разную ценность разным людям:  

• сотруднику не надо с нуля вспоминать ^[15], что решили на встрече;  

• руководителю проще увидеть статус без отдельного ручного отчета; 

• собственник будет понимать, где копятся риски, где буксует согласование, где команда постоянно теряет договоренности. 

Где мы ошиблись

В первом полугодии мы допустили ошибку ^[16] — стали протаскивать отдельные AI-функции. Вроде и современно, но на деле работало хуже, чем хотелось бы. 

Так, агент в саппорте с первой попытки не взлетел. Начальная версия отвечала недостаточно четко, не понимала контекст пользователя и не помогала решить конкретную проблему. Пришлось пересобирать архитектуру. 

Вторая версия уже в продакшене, требует постоянных доработок, но работает лучше. Главный вывод: агенту в саппорте мало уметь отвечать. Ему нужны нормальные источники, права, ограничения, и понятная зона ответственности. 

Есть еще гипотеза про агента, который сам ведет проект, но тут мы пока осторожны. . Нам ближе схема с узкоспециализированными агентами. Один собирает данные, другой проверяет условия, третий готовит действие, человек подтверждает результат. Это скучнее, зато управляемее. 

Как меняется прайсинг  

Я не считаю, что модель оплаты за пользователя исчезнет. Она слишком привычная и понятная для B2B-закупок. Финансовому директору проще согласовать понятный счет: столько-то пользователей, такая-то цена, такой-то период. 

Но модель все равно придется менять. Логичный путь — гибрид: часть цены остается за пользователя, часть привязывается к потреблению или к конкретному результату. У нас это частично работает, но аккуратно. Если счет невозможно объяснить, он просто не пройдет закупку. За пользователя цена фиксирована, а агент, работающий по токенам, может сгенерировать огромный непредвиденный счет. 

Куда движемся сейчас 

У нас следующие ключевые точки: 

• Первый этап — AI-помощь: пишет черновики, делает саммари, вытаскивает задачи, ищет по документам. Это уровень отдельных функций, потому что человек все еще включен в процесс. 

• Дальше — AI-координация. Агенты работают с отдельными частями процесса. Например, проверяют входящую заявку, определяют тип запроса, собирают контекст, предлагают маршрут и передают задачу нужному владельцу. 

• Третий этап — AI-управление. Агент понимает и прогнозирует, где сроки поплыли, где риски копятся, где согласование снова застопорило рабочие процессы. 

Такая же траектория видна у Notion, Salesforce и других. Инструмент постепенно перестает быть только помощником в интерфейсе и начинает забирать части процесса. 

Что меняется в архитектуре продукта 

Я бы разложил это на четыре уровня: 

1. Системы, где происходит работа. CRM, ERP, таск-трекеры, документы, база знаний, биллинг, HR. Там данные, история, права и ответственность — поэтому они остаются. 

2. Уровень доступа агента к данным. API, MCP, права, логи, ограничения, аудит. Это звучит скучно, но тут решается, можно ли вообще пускать агента в корпоративные данные. Главное — не допустить утечку коммерческой тайны в языковые модели. 

3. Горизонтальный AI-уровень. Copilot, ChatGPT Enterprise, Claude for Work, Notion AI, Glean и похожие инструменты для сбора контекста из разных систем. Они будут помогать человеку быстрее работать. 

4. Вертикальные агенты под конкретные процессы. Не просто доступ к интерфейсу, а обработанная заявка, найденный риск, подготовленный статус, закрытый типовой запрос. 

SaaS в этой схеме становится местом, где агент безопасно берет контекст и предлагает действие. Иногда действие делает человек, иногда агент. Чаще — оба по очереди. 

Как я бы работал с этим в ближайшие месяцы

Если бы я сейчас выбирал или пересобирал корпоративный софт, я бы смотрел не на список AI-функций. Почти каждый поставщик уже умеет показать саммари, генерацию текста и чат по базе знаний. 

Я начинал бы с экономики: где процесс напрямую влияет на деньги, где задержка бьет по выручке, где поддержка дорожает из-за повторяющихся обращений. А где — руководитель тратит часы не на решение, а на сбор статуса.

Дальше выбирал бы процесс, который важен для P&L. Чтобы была понятна цепочка с входом, выходом, владельцем, стоимостью ошибки и понятной метрикой результата. 

И до старта считал бы экономику: сколько времени операция занимает сейчас, сколько ошибок возникает, сколько стоит задержка, кто проверяет результат, сколько будет стоить модель и контроль качества. 

Низкое использование AI само по себе не доказывает, что технология плохая. Часто команда просто не прошла кривую обучения ^[17]. У нас массовое использование тоже не случилось само по себе: были чаты, воркшопы, обмен сценариями, платные тарифы для тех, кому базовых возможностей не хватало. 

Но и ежедневное использование не доказывает экономический эффект. Люди могут каждый день просить модель переписать письмо, а бизнес от этого не станет быстрее. Смотреть нужно не на вау-эффект, а на процесс: что ускорилось, где стало меньше ручной работы, какие ошибки ушли, какой показатель изменился. 

Что в итоге 

Я не верю в сценарий, где SaaS завтра умирает. Слишком много данных, процессов, прав и ответственности живет в корпоративных системах. Это не то, что можно заменить одним чатиком. IDC прогнозирует рост рынка с $318B до $576B к 2029 — индустрия не закрывается.

Но я понимаю и вижу, что меняется логика оплаты. Клиенты будут платить не только за доступы. Часть денег уйдет в потребление, часть — в конкретные действия, еще часть — в агентские сценарии, которые реально снимают работу с людей. 

Агент должен одновременно помогать пользователю и улучшать экономику процесса. Если удобно только пользователю, бизнес быстро перестанет платить. Если выгодно только бизнесу, но людям неудобно, никто просто не будет этим пользоваться.

Что я думаю: сам SaaS останется. Просто часть его ценности будет в работе, которую система помогает выполнить.