SaaSacre: استارت‌آپ‌های AI-Native چگونه صنعت ۲۵۰ میلیارد دلاری را متلاشی می‌کنند

در اوایل ۲۰۲۶، دو واژه وارد واژگان سرمایه‌گذاران نرم‌افزار سازمانی شد: «SaaSacre» و «SaaSpocalypse». هر دو یک پدیده را توصیف می‌کنند: شاخص SEG SaaS که بیش از ۱۲۰ شرکت نرم‌افزاری عمومی را ردیابی می‌کند، تا پایان مارس ۲۵.۷٪ نسبت به ابتدای سال کاهش داشت. نسبت درآمد که در حباب ۲۰۲۱ به بالای ۱۰ برابر رسیده بود، به ۳.۸ برابر فشرده شد. دسته‌ای که پانزده سال سرمایه‌گذاری فناوری را تعریف کرده بود، با چیزی مواجه شد که قبلاً تجربه نکرده بود: رقابت واقعی و وجودی از یک رویکرد معماری جدید.

علت، اقتصاد کلان نبود. علت، نسلی از شرکت‌ها بود که تصمیم گرفتند نرم‌افزار سازمانی را متفاوت بسازند – با AI به عنوان پایه، نه تزئین.

تفاوت معماری که واقعاً مهم است

تفاوت بین نرم‌افزار AI-Native و AI-Enhanced، معماری است، نه ظاهری. یک شرکت SaaS سنلی محصولی مبتنی بر پایگاه داده می‌سازد – فرم‌ها، رکوردها، داشبوردها، گردش‌کارها – و سپس مدل‌های Machine Learning را روی آن داده‌ها آموزش می‌دهد تا ویژگی‌هایی مثل توصیه‌ها، خلاصه‌ها، و تشخیص ناهنجاری تولید کند. لایه AI را بردارید، محصول همچنان کار می‌کند. AI یک بهبود است، نه خود محصول.

یک شرکت AI-Native برعکس می‌سازد. محصول یک Agent است که دستورالعمل می‌گیرد، کار انجام می‌دهد، و نتایج را برمی‌گرداند. معماری زیربنایی برای خروجی‌های غیرقطعی، ارزیابی مداوم مدل، و حلقه‌های بازخورد طراحی شده است. AI را بردارید، چیزی باقی نمی‌ماند. این محصولات SaaS با چت‌بات نیستند – آنها نرم‌افزار خودکاری هستند که در گردش‌کارهای خاص جایگزین نیروی انسانی می‌شوند.

این تفاوت عواقب تجاری دارد. SaaS سنتی بر اساس صندلی (seat) قیمت‌گذاری می‌کند: هزینه ثابت ماهانه به ازای هر کاربر نام‌گذاری شده، صرف‌نظر از مقدار کاری که انجام می‌دهند یا ارزشی که تولید می‌کنند. این مدل زمانی معنا داشت که نرم‌افزار ابزاری بود که انسان‌ها از آن استفاده می‌کردند. وقتی نرم‌افزار خودش عملیات را انجام می‌دهد، این مدل می‌شکند. با افزایش بهره‌وری کارکنان توسط AI، شرکت‌ها نیروی کار را کاهش می‌دهند – و درآمد SaaS مبتنی بر صندلی خودکار کم می‌شود. صنعت این را «تله بهره‌وری AI» نامیده است.

شرکت‌هایی که سرعت را تعیین می‌کنند

Cursor، ویرایشگر کد AI ساخته‌شده توسط Anysphere، در فوریه ۲۰۲۶ از ۲ میلیارد دلار درآمد تکرارشونده سالانه عبور کرد. گفته می‌شود در حال مذاکره برای جذب ۲ میلیارد دلار سرمایه جدید با ارزش‌گذاری ۵۰ میلیارد دلاری است و پیش‌بینی داخلی بیش از ۶ میلیارد دلار ARR تا پایان سال دارد. SpaceX گزینه‌ای برای خرید این شرکت با ۶۰ میلیارد دلار دریافت کرد. سه سال پیش، Cursor وجود نداشت. GitHub Copilot، محصول مایکروسافت که در حال خورده شدن است، ابزار AI کدنویسی مسلط محسوب می‌شد.

Harvey AI، پلتفرم حقوقی که بررسی اسناد، تحلیل قراردادها و تحقیقات برای شرکت‌های حقوقی را خودکار می‌کند، تا پایان ۲۰۲۵ به ARR ۱۹۰ میلیون دلار رسید و در مارس ۲۰۲۶ یک دور رشد ۲۰۰ میلیون دلاری با ارزش‌گذاری ۱۱ میلیارد دلار بست – سومین دور تأمین مالی بزرگ آن در نه ماه. بازار فناوری حقوقی که هدف گرفته، تحت سلطه Westlaw و LexisNexis است، محصولاتی که دهه‌ها وجود دارند و معماری اصلی‌شان تغییر اساسی نکرده است.

Cognition AI که Devin – یک مهندس نرم‌افزار AI خودکار – را می‌سازد، ۴۹۲ میلیون دلار درآمد سالانه‌سازی‌شده گزارش کرد و در مه ۲۰۲۶ یک دور D به ارزش ۱ میلیارد دلار با ارزش‌گذاری ۲۶ میلیارد دلار بست، بیش از دو برابر ارزش‌گذاری هشت ماه قبل. گفته می‌شود Devin مسئول ۸۹٪ از کدهایی است که مهندسان خود Cognition کامیت می‌کنند. استفاده سازمانی از اوایل ۲۰۲۵ ده برابر شده است.

Glean که جستجوی AI را در پایگاه‌های دانش سازمانی می‌فروشد، بین اوایل ۲۰۲۵ و مه ۲۰۲۶ درآمد خود را از ۱۰۰ میلیون به ۳۰۰ میلیون دلار ARR سه برابر کرد. Rippling، پلتفرم منابع انسانی ساخته‌شده روی یک استک مدرن AI-first، در آوریل ۲۰۲۶ از مرز ۱ میلیارد دلار ARR عبور کرد و مستقیماً با Workday برای قراردادهای HR سازمانی رقابت می‌کند.

مدل قیمت‌گذاری در حال بازنویسی است

مدل قیمت‌گذاری مبتنی بر صندلی که زیربنای SaaS بود در حال جایگزینی است. نه یکباره، و نه یکسان در همه دسته‌ها – اما از نظر جهت‌گیری، تغییر از «پرداخت به ازای هر کاربر» به «پرداخت به ازای نتیجه» روند تجاری تعیین‌کننده چرخه فعلی AI سازمانی است.

مدل‌های مبتنی بر مصرف به ازای هر API Call، هر Token پردازش‌شده، یا هر چرخه محاسباتی هزینه می‌گیرند. مدل‌های مبتنی بر نتیجه به ازای هر تیکت حل‌شده، هر قرارداد بررسی‌شده، هر لید واجدشرایط هزینه می‌گیرند. مدل‌های ترکیبی – اشتراک پایه به اضافه مصرف متغیر – پیش‌بینی می‌شود تا پایان ۲۰۲۶ برای بیش از ۶۰٪ از شرکت‌های AI SaaS پیش‌فرض باشند. Gartner پیش‌بینی می‌کند حداقل ۴۰٪ از هزینه‌های SaaS سازمانی تا ۲۰۳۰ به مدل‌های مبتنی بر مصرف، Agent یا نتیجه منتقل شود.

منطق ساده است. نرم‌افزار AI-Native هزینه‌های حاشیه‌ای واقعی دارد – زمان GPU و هزینه‌های پردازش Token با هر درخواست افزایش می‌یابد. قیمت‌گذاری ثابت صندلی وقتی مصرف بالا می‌رود حاشیه سود را از بین می‌برد. قیمت‌گذاری مبتنی بر نتیجه انگیزه فروشنده را با مشتری همسو می‌کند: برای کار انجام‌شده پرداخت می‌کنید، نه برای دسترسی داده‌شده.

واکنش شرکت‌های مستقر

Salesforce، ServiceNow، SAP و Workday بیکار ننشسته‌اند. Agentforce سیلزفورس – لایه Agent AI خودکار آن – تا فوریه ۲۰۲۶، ۲۹٬۰۰۰ قرارداد بست و به ۸۰۰ میلیون دلار ARR مستقل رسید. ServiceNow یک AI Agent Studio و Agent Orchestrator برای گردش‌کارهای چند Agent ساخته است. SAP Joule را راه‌اندازی کرد، یک Agent هوشمند سازمانی که در سراسر استک برنامه‌هایش یکپارچه شده است.

چالش استراتژیک برای این شرکت‌ها محصول نیست – معماری است. آنها قابلیت‌های Agent خودکار را به پایه‌هایی اضافه می‌کنند که برای گردش‌کارهای انسانی طراحی شده بودند. محصول را می‌توان کار کرد، اما مدل‌های داده، سیستم‌های مجوز، و الگوهای یکپارچه‌سازی با در نظر گرفتن اپراتور انسانی طراحی شده‌اند. رقبای AI-Native خودمختاری را از روز اول در بنیان خود ساختند.

مزیت شرکت‌های مستقر واقعی است: اعتماد سازمانی که طی دهه‌ها انباشته شده، داده‌های اختصاصی قفل‌شده در سیستم‌هایشان، گردش‌کارهای عمیقاً تعبیه‌شده که جایگزینی آنها گران است، و روابط فروش که کل سازمان را پوشش می‌دهد. هیچ‌کدام از این مزایا به سرعت ناپدید نمی‌شوند. چیزی که فراهم نمی‌کنند محافظت در برابر بارهای کاری جدید، موارد استفاده جدید، و پروژه‌های جدید است – که در سال ۲۰۲۶ حتی در شرکت‌هایی که قصد جایگزینی SAP یا Salesforce خود را ندارند، به طور پیش‌فرض به فروشندگان AI-Native می‌روند.

واقعیت تأمین مالی

داده‌های سرمایه‌گذاری خطرپذیر تغییر تاکید را تأیید می‌کند. سرمایه‌گذاری جهانی VC در کل سال ۲۰۲۵ به رکورد ۲۴۴ میلیارد دلار رسید. در سه‌ماهه اول ۲۰۲۶ به تنهایی، این رقم ۳۰۰ میلیارد دلار بود – با سهم ۸۰٪ شرکت‌های AI از کل. سه شرکت (OpenAI، Anthropic، xAI) مجموعاً ۱۷۲ میلیارد دلار جذب کردند و سهم بزرگی از سرمایه موجود را به تعداد کمی از شرط‌های AI مرزی فشرده کردند.

برای دسته سنتی SaaS، پیام بازارهای سرمایه صریح است. شرکت‌های بدون استراتژی AI معتبر با فشرده‌شدن چندبرابری پایدار مواجه هستند. شرکت‌هایی که پوشش‌های AI را به محصولات قدیمی اضافه می‌کنند، برای متقاعد کردن سرمایه‌گذاران که این پوشش‌ها موقعیت رقابتی زیربنایی را تغییر می‌دهند، تلاش می‌کنند. و تعداد کمی از شرکت‌های AI-Native – آنهایی که تناسب محصول-بازار واقعی و کشش درآمدی قابل اثبات دارند – با شرایطی سرمایه جذب می‌کنند که پنج سال پیش غیرقابل تصور بود.

گذار کامل نشده است. قراردادهای سازمانی سه تا پنج سال طول می‌کشد. جایگزینی SAP یا Workday در یک سازمان بزرگ یک برنامه چندساله است، نه تصمیمی فصلی. SaaSacre یک داستان ارزش‌گذاری را بیشتر از یک داستان درآمد فوری توصیف می‌کند. اما مسیر مشخص است، و سال ۲۰۲۶ سالی است که صنعت نرم‌افزار سازمانی آن را جدی می‌گیرد نه اینکه نادیده بگیرد.