Jakie spółki SaaS są lepiej przygotowane na świat AI?

W pierwszej części naszego raportu o SaaSach rozebraliśmy na czynniki pierwsze główne niedźwiedzie tezy. Opisaliśmy też filtr, który miał jedno zadanie: odsiać firmy, które są mniej narażone na ryzyko AI a i tak "koszykowo" zostały zakategoryzowane do "przegranych" i w efekcie doświadczyły spadków kursu akcji w ostatnich tygodniach. Teraz robimy krok dalej. Druga część to przejście do konkretnych biznesów.

I ważne zastrzeżenie na start: to nie jest pitch inwestycyjny. Nie będzie tu nic o wycenach ani naszych oczekiwaniach na przyszłość. Zero dyskusji o mnożnikach i tym podobnych. To będzie czysta analiza kilku biznesów jako przykładów tych, których naszym zdaniem AI nie wywróci.

Pamiętajmy, że dzisiejsze narzędzia AI są w praktyce najgorszą wersją samych siebie, jaką kiedykolwiek zobaczymy. Będą tylko lepsze i tańsze. To oznacza, że sektor software prawdopodobnie przechodzi do świata ostrzejszej selekcji. Wielu przegra, zwłaszcza tam, gdzie produkt nie jest mission critical, wynik nie musi być perfekcyjny, a przewaga była głównie w interfejsie i sprzedaży. Nie wierzymy w strategię kupna byle jakiego SaaS-a w nadziei na odbicie całego sektora. Wierzymy w selektywność.

Jednocześnie wierzymy, że część firm może wręcz zyskać, bo AI stanie się dla nich dodaktowym dopalaczem. Nasze podejście pozostaje ostrożne. I właśnie dlatego druga część ma być praktycznym przewodnikiem po spółkach, które biznesowo mają szansę się bronić.

Rynek ma jedną ulubioną zabawę w bessie: wrzuca wszystko do jednego worka i sprzedaje koszykowo, często wylewając dziecko z kąpielą. Dlatego nasz filtr jest prosty. Na bazie poprzedniej analizy szukamy spółek, które robią rzeczy, w których nie wolno pomylić się ani razu. Tam, gdzie nie ma miejsca na zgadywanie, halucynacje i działanie poprawnie w większości przypadków. Jeśli system się myli, konsekwencje są bolesne.

Najlepsze SaaS-y wygrywają wtedy, gdy mają dane, których nie da się łatwo skopiować. Chodzi o dane z transakcji, ceny z rynku w czasie rzeczywistym, dane zbierane latami, dane regulowane albo takie, które wynikają z relacji i sieci. LLM takich danych nie tworzy. On je tylko „zjada” i na nich pracuje. Dlatego im bardziej te dane są unikalne, tym silniejsza jest firma.

Jeśli system jest podpięty pod pieniądze, czyli przetwarza płatności, rozlicza transakcje, obsługuje kredyty albo stoi w środku przepływu kasy jako takiej, to naprawdę trudno go zastąpić. Zwłaszcza gdy nie ma prawa się pomylić i musi działać zawsze w 100%. AI może pomóc na wierzchu, tj lepsze wyszukiwanie, konwersje, automatyzacja obsługi klienta, podpowiedzi dla pracowników. Ale nie zastąpi „silnika”, który faktycznie przesuwa pieniądze i musi być bezbłędny.

Silny sygnał bezpieczeństwa to regulacje. Ochrona zdrowia, finanse, instytucje publiczne, raportowanie prawne i wszystko, co wymaga certyfikacji, audytów i wielu innych kwestii. Wdrożenia tam są długie, a odpowiedzialność spora. AI tego nie omija. AI może pomóc w pracy, ale nie skróci magicznie formalnych barier i nie sprawi, że compliance przestanie mieć znaczenie.

Interesują nas systems of record, ale nie byle jakie. Szukamy takich, które są tak głęboko wpięte w procesy klienta i mają tak duży lock in oraz tak unikalne dane, że mogą wejść do rozmów z labami AI (typu Anthropic czy OpenAI) z pozycji siły. Chodzi o spółki, które mają realne „asy w rękawie”: kontrolują kluczowy proces, mają dostęp do danych, dyktują warunki wdrożenia i potrafią wymusić lepszy deal na integracji agentów. Dzięki temu nie muszą oddawać połowy wartości w marży brutto tylko dlatego, że ktoś z zewnątrz dostarcza model.

To jest kluczowe, bo agent AI może stać się nowym interfejsem, ale nie chcemy firm, które w tym układzie kończą jako pasywna baza danych pod cudzy produkt. Jeśli spółka oddaje większość wartości na zewnątrz, presja na marże i pricing jest niemal pewna. Jeśli natomiast sama przechwytuje wartość, bo kontroluje proces i dane, wtedy partnerstwo z labami AI działać może nawet na jej korzyść, a nie przeciwko niej. Mechanizm tego potencjalnego układu opisywaliśmy szerzej w osobnym wpisie. (https://dnarynkow.pl/ai-zabije-saas-y-to-nie-takie-proste/)

Interesują nas spółki od rzeczy, w których nie wolno się pomylić ani razu. Systemy, które muszą dawać poprawny wynik zawsze, bez „w większości przypadków”. Jeśli payroll się pomyli, robi się problem. Jeśli system finansowy wrzuci błędny wpis, to potrafi rozlać się po całej organizacji. Jeśli doświadczymy cyberataku, straty są gigantyczne. I dlatego takie kategorie są bronione budżetowo.

I teraz klucz: ankiety CIO (AlphaWise/Morgan Stanley które opisywaliśmy w 1 części) pokazywały, że w trudniejszym otoczeniu najwyżej na liście „nie do cięcia” są kategorie defensywne: security, automatyzacja procesów i ERP. Czyli dokładnie te obszary, gdzie software jest systemem nerwowym firmy, a nie tylko kolejną zakładką w przeglądarce.

Druga ważna rzecz z tych samych danych: CIO nie tylko bronią defensywnego rdzenia, ale jednocześnie mówią, gdzie chcą zwiększać wydatki w 2026. Na górze listy jest AI/ML, potem security i digital transformation, dalej ERP/CRM i cloud. To jest praktycznie gotowa mapa tego, gdzie budżet ma się bronić albo nawet rosnąć, mimo że „SaaS” jako koszyk dostaje w łeb.

Na koniec dokładamy jeszcze jeden filtr. Sprzęt i świat fizyczny. Jeśli produkt jest wpięty w urządzenia, logistykę, magazyn, flotę, systemy czasu rzeczywistego albo infrastrukturę bezpieczeństwa, to nie jest już tylko software, tylko bardziej ekosystem. AI nie znosi ograniczeń realnego świata. To zwykle podnosi switching costs i utrudnia szybkie skopiowanie produktu samym kodem.

Spółki sprzedające do enterprise są z definicji bezpieczniejsze niż te, które żyją ze startupów i SMB, bo kupowanie w dużych firmach działa inaczej. W enterprise software to jest zakup bezpieczeństwa organizacyjnego. Gdy coś pójdzie źle, decyzja „kupiliśmy ServiceNow” broni się sama zgodnie z powiedzeniem "No one has ever been fired for choosing ServiceNow". Decyzja „zrobiliśmy to in house na agentach AI” już niekoniecznie, bo wtedy odpowiedzialność ląduje na twoim biurku. W innym scenariuszu ma miejsce taki trochę outsourcing odpowiedzialności.

I nawet jeśli agenci AI przejmą interfejs, to nie zmieni sedna, że choć UI może zniknąć z ekranu, to dane nadal muszą gdzieś leżeć, być zgodne z politykami bezpieczeństwa, kontrolami dostępu, regulacjami, backupami i integracjami. Ktoś musi być systemem referencyjnym. Wtedy tak, zmieni się sposób obsługi, ale nie zmieni się warstwa infrastruktury (choć ta infrastruktura nie może dać się zbyt zmarginalizować - patrz punkt 4).

Najwięcej wartości jest dziś w interfejsie i workflow, czyli w tym, jak człowiek gada z systemem. Jeśli zamiast logować się do 10 aplikacji rozmawiać będziemy z jednym agentem, a on ogarnia wszystko pod spodem, to system of record spada niżej w stacku. Nadal krytyczny, tylko mniej widoczny. Wykres OpenAI Frontier pokazuje to jasno: na górze są interfejsy (ChatGPT Enterprise, ChatGPT Atlas, Business Applications), pod nimi warstwa agentów (twoi, OpenAI i third party), a jeszcze niżej warstwy: evaluation and optimization, agent execution oraz business context. Na samym dole leżą twoje systems of record. Przekaz jest taki, że klasyczne aplikacje mają być rurami, a wartość ma płynąć wyżej.

Docelowo możemy dojść do świata, w którym SaaS będzie jak infrastruktura, a agenci zgarną większość przyrostu wartości. To proces, nie nagła rewolucja. Skutek uboczny: revenue expansion w starym, seatowym modelu będzie trudniejsze. Ci, którzy patrzą na mnożniki i mówią „przed covidem było 8x NTM revenue, więc wrócimy”, mogą się przejechać. To nie znaczy, że wszystko jest stracone. W takich momentach rodzą się najlepsze okazje. Największy błąd to jednak zakładać, że wróci stara „norma”. Ta norma właśnie się przestawia.

Przejdźmy do tych spółek, które w nowej rzeczywistości mogą wyróżniać się na tle sektora. Jakie spółki omówimy?

• 1)Cyberbezpieczeństwo (Crowdstrike, Zscaler, Rubrik, Fortinet)
• 2)Axon Enterprise
• 3)Moody's i S&P Global
• 4) Constellation Software
• 5) Sygnity
• 6) Fintechy
• 7) Nemetschek & Autodesk
• 8) Cadence & Synopsys
• 9) Samsara

Agenci AI ... to w praktyce nowy typ użytkownika w systemie. Taki, który działa cały czas, bez przerwy. Ma dostęp do wielu rzeczy naraz. Często szybciej niż człowiek. I tych agentów też trzeba będzie chronić. Tak samo jak ludzi, laptopy i serwery. Można zadać pytanie: czy agenci będą w stanie chronić się sami? Teoretycznie kto wie, kiedyś może tak. Nigdy nie mów nigdy. Ale dziś i w najbliższych latach nie wydaje się to realne.

Kiedyś malware kasował pliki albo blokował komputer. Dziś agent może przechowywać historię rozmów, preferencje, dane kontaktowe, dostęp do API, czasem do banku, giełdy czy systemów firmowych. Może znać twoje nawyki i sposób pisania. W efekcie może udawać ciebie. Może odpisać na maila. Może potwierdzić przelew. Może skasować wiadomość. Ponadto, atakujący też będą używać AI. To będzie wyścig na szybkość i skalę. A historia pokazuje, że atakujący bardzo szybko uczą się nowych narzędzi. Im bardziej autonomiczne będą systemy, tym większa pokusa, żeby je przejąć.

Warto też spojrzeć na budżety. W badaniach CIO cyberbezpieczeństwo jest ostatnią kategorią do cięcia. Ponadto widać, że około trzy czwarte firm planuje finansować projekty AI z nowych pieniędzy albo z budżetów spoza IT. To ważne. To znaczy, że wydatki na AI nie muszą być kosztem innych systemów. Firmy mogą równocześnie inwestować w AI i w zabezpieczenia wokół AI. To nie musi być gra o sumie zerowej.

Im więcej agentów będzie działało w firmach, tym więcej pojawi się nowych tożsamości w systemach. Każdy agent będzie miał dostęp do danych i procesów. To oznacza, że musi być traktowany jak pełnoprawny użytkownik. Cyberbezpieczeństwo to dziś jeden z najszybciej rosnących segmentów software’u. Im więcej AI, agentów i automatyzacji w firmach, tym większa powierzchnia ataku. AI nie tylko wzmacnia defensywe, ale też ofensywe.

To jest też segment, który musi być niemal nieomylny. Nie „działać w większości przypadków”, tylko działać zawsze. Jest tak istotny, że zawsze będziesz chciał korzystać z najlepszego i najbardziej zaufanego rozwiązania. Ostatnia rzecz, na jakiej CIO będzie oszczędzać. Historia CrowdStrike z 2024 roku jest w tym kontekście bardzo ważna. Letni outage, spowodowany błędem w aktualizacji, sparaliżował systemy na całym świecie. Linie lotnicze, szpitale, firmy logistyczne, banki. Różne branże, różne kraje, jeden wspólny punkt: centralny system bezpieczeństwa przestał działać.

Na pierwszy rzut oka to argument przeciwko CrowdStrike. Ale biznesowo to jest argument za całym sektorem cyber. Ten incydent pokazał dwie rzeczy naraz. Po pierwsze, jak krytyczne są te systemy. Jeden błąd i świat staje. Po drugie, jak bardzo CIO nie mają alternatywy. Nie można „na chwilę wyłączyć security” ani zastąpić go prowizorką. I teraz przełóżmy to na konkretne kryteria.

Unikalne dane, których nie da się odtworzyć? CrowdStrike zbiera dane z milionów endpointów na całym świecie, w czasie rzeczywistym. To są sygnały o zachowaniu systemów, atakach, ruchu, anomaliach. One powstają tylko w skali i tylko przez lata działania. To dokładnie ten typ danych, którego LLM nie tworzy.

Warstwa pieniędzy i odpowiedzialności jest twardsza niż interfejs? CrowdStrike stoi przy ryzyku finansowym i prawnym. Błąd w detekcji oznacza atak, przestój, straty, pozwy. To jest software, który musi działać poprawnie w 100%.

Regulacja i compliance jako mur obronny? Security operations w dużych firmach działają w środowisku audytów, certyfikacji i odpowiedzialności zarządu. Wdrożenia są długie, decyzje ostrożne, a zmiana dostawcy kosztowna politycznie i operacyjnie. AI tego nie omija.

System of record, którego nie da się wyrzucić? CrowdStrike jest systemem referencyjnym dla bezpieczeństwa endpointów. Dane historyczne, reguły, integracje - to wszystko jest głęboko wpięte w procesy klienta. Dzięki temu CrowdStrike nie wchodzi w relację z AI-labami z pozycji słabej bazy danych.

Filtr budżetowy: gdzie CIO nie tnie? Security to jedna z ostatnich kategorii do cięcia. Ankiety CIO to potwierdzają.

Integracja ze światem fizycznym? CrowdStrike chroni realne urządzenia: laptopy, serwery, systemy operacyjne, infrastrukturę, choć nie sprzedaje hardware'u.

Enterprise jako tarcza? CrowdStrike sprzedaje głównie do dużych organizacji. W enterprise liczy się odpowiedzialność. Decyzja „wybraliśmy CrowdStrike” broni się sama. Jak coś sie popsuje, jest na kogo zwalić winę. Decyzja „zastąpiliśmy go agentem AI zrobionym in-house” już nie. W razie problemu odpowiedzialność spada na decydenta. To działa jak naturalna bariera.

Zscaler działa jak chmurowa brama bezpieczeństwa, przez którą przechodzi ruch użytkowników do aplikacji i internetu, sprawdzając go w czasie rzeczywistym i blokując zagrożenia, zanim dotrą do firmowych systemów. Zscaler bardzo dobrze wpisuje się w ten sam jakościowy framework co CrowdStrike, tylko że działa w innej warstwie stosu bezpieczeństwa. CrowdStrike siedzi na endpointach, a Zscaler siedzi w dostępie i w sieci. Zscaler znajduje się bezpośrednio na ścieżce ruchu między użytkownikami a aplikacjami, dzięki czemu widzi ogromną skalę rzeczywistych połączeń, zapytań do systemów i coraz częściej interakcji z narzędziami AI, co daje mu dane.

Po wdrożeniu Zscaler staje się też częścią tego, jak firma w ogóle łączy się z internetem i aplikacjami. To nie jest narzędzie, które da się podmienić w weekend bez bólu. Zmiana dostawcy oznacza przebudowę polityk, integracji itp. To też jest obszar, gdzie błąd kosztuje natychmiast. Kontrola dostępu i danych nie wybacza, bo jedna zła reguła potrafi skończyć się wyciekiem albo zatrzymaniem pracy.

Przede wszystkim też pojawiają się agenci, którzy zachowują się jak użytkownicy: czytają dane, wysyłają zapytania, wykonują akcje. Jeśli taki agent zostanie przejęty, problem jest spory. Zscaler naturalnie odpowiada na to, traktując agentów jak nowe tożsamości, które trzeba kontrolować podobnie jak ludzi. Wprowadza nowe rozwiązania zabezpieczające firmy przed ryzykiem związanym z użyciem AI, twierdząc, że tradycyjne systemy bezpieczeństwa nie nadążają za autonomicznymi agentami i ruchem generowanym przez modele, dlatego oferuje narzędzia, które dają firmom pełną widoczność tego, gdzie i jak używana jest AI, kontrolują dostęp do niej w modelu Zero Trust oraz chronią systemy AI. Budżetowo to jest produkt defensywny, dokładnie jak CrowdStrike.

Rubrik to trochę inna historia niż CrowdStrike czy Zscaler, bo działa bliżej warstwy backupu i cyberodporności, a tam konkurencja jest większa i bardziej bezpośrednia. To nie jest kategoria, w której masz jednego dominującego gracza. Ale jednocześnie to jest dalej usługa wysokiego zaufania.

W momencie ataku ransomware Rubrik staje się czymś w rodzaju ubezpieczenia. Jeśli wszystko inne zawiedzie, to właśnie backup i możliwość czystego, szybkiego odtworzenia danych decydują, czy firma traci kilka dni pracy, czy setki milionów dolarów. To taka ostatnia linia obrony. Ryzyko, że ktoś to „zastąpi vibecodingiem”, jest bardzo niskie. Backup, odtwarzanie, zarządzanie niezmienialnością danych, integracje z hyperscalerami i polityki retencji to nie jest cienka warstwa UI. To jest infrastruktura, która musi działać zawsze i w 100% poprawnie.

W kontekście AI Rubrik próbuje zrobić też coś logicznego. Skoro w organizacjach pojawiają się agenci, którzy działają jak użytkownicy i wykonują realne akcje, to trzeba mieć możliwość nie tylko ich monitorowania, ale też cofnięcia ich błędów. Stąd Rubrik Agent Cloud i koncepcja przywrócenia stanu sprzed działania agenta bez pełnego rollbacku całego systemu.

Rubrik buduje trzy warstwy:

• Po pierwsze: Agent Monitor. Automatyczne wykrywanie agentów, śledzenie ich interakcji z danymi, tożsamościami i aplikacjami. To jest odpowiedź na problem shadow AI.
• Po drugie: Agent Govern. Definiowanie, co agent może robić, do jakich danych ma dostęp i w jakich warunkach.
• Po trzecie: Agent Rewind. Najciekawszy element. Możliwość cofnięcia niepożądanego działania agenta bez pełnego odtwarzania systemu. To jest logiczne rozwinięcie DNA Rubrika jako firmy od cyber recovery. Jeśli agent uszkodzi dane, zmieni konfiguracje albo wykona błędne operacje, masz przycisk cofania.

Spółka też podaje, że 90% liderów IT martwi się shadow AI, 63% nie wie, jak odzyskać kontrolę, gdy AI coś zepsuje, a 73% projektów AI ma problemy z governance i compliance. Z inwestycyjnego punktu widzenia to ma sens. AI zwiększa powierzchnię ataku i złożoność operacyjną. Im więcej autonomii dajesz systemom, tym większa wartość ma warstwa, która potrafi je nadzorować i naprawić skutki błędów. To wpisuje się w trend, w którym AI i security rosną razem.

To jest ciekawy kierunek, bo przesuwa Rubrika z roli „backup po katastrofie” w stronę aktywnej warstwy kontroli i korekty działań AI. To spójne z jej DNA. Tutaj też ryzyko "seat based pricing" nie istnieje.

Fortinet wyróżnia się tym, że nie jest czystym SaaS-em, tylko również biznesem mocno opartym o hardware. I to dziś działa paradoksalnie na jego korzyść, a nie przeciwko niemu. Sprzęt Fortinet fizycznie stoi w sieci klienta. To też są oczywiście rzeczy, w których nie wolno się pomylić ani razu. Hardware daje też bardzo twarde switching costs. Zmiana dostawcy to nie kliknięcie w panelu, tylko wymiana urządzeń. Agent AI tego nie „przeniesie” w weekend. Interfejs też nie jest tu fosą. Fortinet sprzedaje infrastrukturę bezpieczeństwa, a nie ładne UI.

Rynek to rozumie. Fortinet nie partycypował mocno w ostatnich przecenach SaaS, bo inwestorzy widzą w nim defensywny, również w jakimś stopniu infrastrukturalny biznes. Więcej o biznesie Fortinet opowiadałem na wrześniowym webinarze https://dnarynkow.pl/analiza-fortinet-wideo/

Axon to firma absolutnie jedyna w swoim rodzaju pod wieloma względami. W dużym skrócie zajmuje się tworzeniem technologii dla policji i służb ratunkowych – od urządzeń takich jak TASER-y i kamery nasobne, po chmurowe systemy do zarządzania dowodami, raportami i operacjami w czasie rzeczywistym. Buduje kompletną, zintegrowaną infrastrukturę bezpieczeństwa publicznego, która obejmuje zarówno sprzęt w terenie, jak i oprogramowanie w chmurze.

To połączenie sprzętu, chmury, AI i infrastruktury bezpieczeństwa publicznego w jednym, spójnym ekosystemie. Więcej szczegółów opowiem na webinarze spółkowym w środę w przyszłym tygodniu, bo temat jest znacznie głębszy niż może się wydawać na pierwszy rzut oka. Co ciekawe, przez to, że dziś spora część przychodów Axona pochodzi z usług software’owych zintegrowanych z całym ich systemem, akcje spółki również wzięły udział w szerokiej wyprzedaży sektora. Rynek wrzucił ją do jednego koszyka z firmami software’owymi i potraktował tak samo, jak całą resztę.

Cóż, nawet jeśli jest się biznesem wyjątkowym, trudno uciec przed silnym odpływem kapitału z całego sektora, szczególnie będąc w top percentylu wycenowym. To też tutaj miało miejsce. W oczach wielu inwestorów Axon przez lata stał się „software’owy” bardziej niż „hardware’owy”. Zresztą trzeba uczciwie powiedzieć: korekta nie była całkowicie irracjonalna. Nawet po 50-procentowym spadku wycena wciąż nie należy do niskich. I to jest ważne. To nie jest spółka, którą kupuje się dlatego, że jest tania. Nie ma co liczyć, że te akcje kiedykolwiek będą „tanie” w klasycznym rozumieniu i jak należy na to patrzeć z perspektywy jakości biznesu, wyjaśnię szerzej w środę.

No dobra, to jakie są konkretnie przewagi Axona nad "przeciętną spółką SaaS?" Dlaczego mi się tak podoba?

To, co na pierwszy rzut oka wygląda jak „słaby end market” – administracja publiczna, policja, 911, prokuratura – w praktyce jest ogromnym plusem. To nie są budżety marketingowe ani projekty „transformacyjne”, które można zamrozić w recesji. Policja musi działać zawsze. Numer 911 musi odbierać zgłoszenia zawsze. Postępowania karne muszą być prowadzone zawsze. Bezpieczeństwo w przestrzeni publicznej musi być zapewniane zawsze. Dlatego wydatki na bezpieczeństwo publiczne są historycznie trwałe i mało cykliczne. One mogą rosnąć wolniej lub szybciej, ale nie znikają.

Po historii George’a Floyda presja społeczna na przejrzystość działań policji dramatycznie wzrosła. Kamery nasobne przestały być opcją, a stały się standardem oczekiwanym przez opinię publiczną, prokuratorów i same departamenty. Ba - sami policjanci również je lubią, bo stanowią ubezpieczenie na wypadek fałszywych oskarżeń. W wielu miejscach brak nagrania oznacza dziś ryzyko prawne i reputacyjne. To czyni kamery rozwiązaniem mission critical.

Drugi fundamentalny filar to TASER-y. Rosną oczekiwania, by obezwładniać niebezpieczne osoby w sposób mniej śmiercionośny i bez trwałych obrażeń. Społecznie i politycznie presja na ograniczenie użycia broni palnej jest realna. TASER daje policji narzędzie pośrednie między gołymi rękami a bronią palną. To zmniejsza ryzyko tragedii, pozwów i eskalacji przemocy. Axon ma tu de facto monopol technologiczny, wsparty latami badań i certyfikacji. To nie jest produkt, który da się łatwo skopiować.

Mission critical oznacza tu coś bardzo konkretnego. Jeśli kamera nie działa, materiał dowodowy może być podważony. Jeśli system przechowywania dowodów w chmurze zawiedzie, sprawa może upaść. Jeśli narzędzie obezwładniające nie jest dostępne, funkcjonariusz może sięgnąć po broń palną. Konsekwencje są prawne, finansowe, społeczne i polityczne. To nie jest miejsce na eksperymenty.

Budżetowo to też ma znaczenie. Bezpieczeństwo publiczne nie znika w recesji. Policja nie przestaje funkcjonować, bo PKB spadło o 1%. W praktyce budżety rosną o kilka procent rocznie, a Axon zwiększa równolegle swój udział w tym torcie, bo rozszerza ofertę z samego sprzętu na pełen ekosystem: kamery, TASER-y, zarządzanie dowodami, 911, drony, AI.

Jest jeszcze jeden ważny element. Klienci Axona nie są najbardziej innowacyjną grupą na świecie. Administracja publiczna działa wolniej i ostrożniej niż startupy. I właśnie dlatego Axon jako technologiczny innowator w tak nieinnowacyjniej branży ma przewagę. Wprowadza AI, automatyzację raportów, redakcję wideo, analizę danych w środowisku, które samo z siebie nie tworzyłoby takich rozwiązań. To daje podwójną fosę. Po pierwsze, klienci są mniej skłonni do częstej zmiany dostawcy. Po drugie, po co mają to robić, jak mają tak świetnego dostawcę. Axon kontroluje tempo innowacji w całym segmencie.

Oprogramowanie Axona nie może się mylić. W świecie dowodów cyfrowych, procedur i łańcucha dowodowego błąd to może być zrujnowane śledztwo, podważony dowód w sądzie, uniewinniona sprawa albo wielomilionowy pozew. Jeśli nagranie zostanie źle zapisane, źle oznaczone, utraci dane albo ktoś podważy integralność pliku, konsekwencje są realne i nieodwracalne.

Axon działa w środowisku, gdzie regulacje, klasyfikacje produktów, wymogi przechowywania danych, audyty i odpowiedzialność prawna są codziennością. Ich chmura nie przechowuje filmików z wakacji w Turcji. Przechowuje materiał dowodowy, który musi być nienaruszalny, zabezpieczony i możliwy do obrony w sądzie. Każdy element musi być audytowalny. Tu nie ma miejsca na „w większości przypadków działa”.

Tak więc niedźwiedzia teza „AI zrobi to taniej i zastąpi dostawcę” jest kompletnie w tym przypadku naszym zdaniem nietrafiona. Nawet jeśli AI pomaga w transkrypcji, redakcji czy pisaniu raportów, to musi działać w ramach ścisłych procedur i pełnej odpowiedzialności człowieka. I właśnie ta konieczność bezbłędności czyni ofertę Axona tak mission critical. Jeśli system dowodowy pomyli się przy zabójstwie, problem jest nieporównywalnie większy.

W przypadku Axona integracja hardware’u z chmurą i oprogramowaniem jest kluczowa i właśnie ona tworzy prawdziwe, „fizyczne” switching costs. To nie jest SaaS, z którego da się łatwo wyeksportować dane i przenieść je do innego dostawcy. Tutaj wszystko jest spięte w jeden, zamknięty obieg.

Każde użycie TASER-a jest automatycznie rejestrowane w chmurze, oznaczane czasem, miejscem i przypisywane do konkretnego funkcjonariusza. Dane z TASER-a są synchronizowane z chmurą Axona i trafiają do tego samego systemu dowodowego co nagrania wideo. To oznacza, że użycie środka przymusu od razu staje się częścią dokumentacji dowodowej i raportowej.

Kamery nasobne i samochodowe działają podobnie. Nagrania są automatycznie przesyłane do chmury Axon Evidence, szyfrowane end-to-end i przypisywane do spraw, interwencji i raportów. System pilnuje łańcucha dowodowego, kontroli dostępu i integralności plików. Funkcjonariusz nie musi „zgrywać plików”. Materiał sam trafia tam, gdzie powinien, zgodnie z procedurą.

Do tego dochodzą szkolenia, polityki itp. Funkcjonariusze są szkoleni na konkretnym sprzęcie i konkretnym systemie. Procedury użycia TASER-a, kamer i raportowania są osadzone w oprogramowaniu. Zmiana dostawcy to nie tylko migracja danych, ale też przebudowa szkoleń, know-how w obsłudze sprzętu, zasad, certyfikacji i codziennej pracy tysięcy ludzi.

Model sprzedaży wzmacnia tylko ten lock-in. Axon nie sprzedaje jednorazowo kamery czy TASER-a. Sprzedaje plan subskrybcyjny: sprzęt, gwarancję, storage w chmurze, aplikacje, funkcje AI i regularne odświeżanie flot. Hardware wraca cyklicznie w upgrade’ach, a software i usługi są komplementarne. To sprawia, że relacja z klientem jest ciągła i przewidywalna. W takim układzie nie ma prostego scenariusza, w którym „agent SaaS wyciąga dane i przenosi je do konkurencji”. Nie da się zastąpić oprogramowania Axona nie zastępując ich sprzętu. A tak się składa, że w TASER-ach mają monopol, a w kamerach oligopol.

Axon ma dokładnie taki zasób: gigantyczne ilości nagrań audio-wideo z kamer nasobnych, zebrane w realnych zdarzeniach i opisane w kontekście procedur. To nie są dane, które da się łatwo „zeskrobać z internetu”. Dane pokazują, że Axon ma „30x więcej godzin nagrań niż Netflix”! Axon na własnych materiałach marketingowych komunikuje skalę rzędu setek petabajtów w chmurze i miliardów plików dowodowych. To nie są publicznie dostępne dane dla każdego!

W „nudnych” i silnie regulowanych branżach najlepszy software to nie ten, który wygląda efektownie, tylko ten, który realnie skraca procedury, podnosi efektywność i zmniejsza liczbę błędów. Axon bardzo konsekwentnie idzie właśnie w tym kierunku. Spółka pokazuje konkretne przykłady ROI. Draft One to przykład takiego rozwiązania - narzędzie oparte na sztucznej inteligencji, które automatycznie tworzy pierwszą wersję raportu policyjnego na podstawie nagrania z body camery. Inny przykład? Redaction assistant, przyśpieszający czas redagowania dowodów.

Draft One jest szczególnie ważny. To narzędzie do odbierania czasu najbardziej niewdzięcznym czynnościom. Policjanci nie chcą siedzieć godzinami przy biurku i pisać raportów. Chcą być w terenie. Draft One generuje pierwszy szkic raportu w kilka sekund na podstawie transkrypcji audio z kamery nasobnej. Według opisów skraca to czas pisania raportów nawet o około połowę. Sam Axon twierdzi, że oszczędza kilka godzin dziennie pracy biurowej funkcjonariuszom.

Kluczowe jest to, że Draft One nie działa autonomicznie. Funkcjonariusz zawsze przegląda i zatwierdza raport. AI nie „halucynuje” zdarzeń, tylko porządkuje to, co faktycznie zostało nagrane. W efekcie - mniej czasu przed klawiaturą oznacza więcej czasu w terenie, mniejsze zmęczenie administracją i większą dostępność patroli. Dla departamentów, które zmagają się z brakami kadrowymi, to jest realna poprawa produktywności bez zatrudniania nowych ludzi. I właśnie dlatego takie narzędzia mają sens w tym segmencie: nie zmieniają natury pracy policji, tylko odciążają ją tam, gdzie dziś traci się najwięcej czasu.

Moody’s i S&P Global, szczególnie w części CRA (Credit Rating Agencies), to bardzo czysty przykład spółek, które przechodzą nasz filtr modelowo. W zasadzie (słusznie) powinniście na wstępie zanucić elektryczne gitary i zapytać :

I to byłoby świetne pytanie. To nawet nie są przecież typowe SaaS-y, ale jednak zostały zakategoryzowane ostatnio do koszyka "AI Losers", w związku z tym zdecydowałem się je i tak dodać do tego raportu. Na DNA powstał już jakiś czas temu swoją drogą webinar o biznesie spółki S&P Global (od 1:00).

Moody’s i S&P Global to globalne firmy dostarczające dane, analizy i oceny ryzyka dla rynków finansowych. Obie działają w kilku segmentach: ratingach kredytowych (CRA), danych i analizach rynkowych, rozwiązaniach analitycznych oraz narzędziach dla instytucji finansowych i korporacji. Kluczową częścią biznesu jest jednak działalność ratingowa, czyli nadawanie ocen wiarygodności kredytowej państwom i firmom. W przypadku Moody’s to zdecydowanie najważniejsze źródło wartości i marż. W S&P Global filarem rentowności jest również biznes ratingowy, ale równie istotny jest segment indeksów (S&P Dow Jones Indices), który tworzy i licencjonuje m.in. indeks S&P 500, stanowiący podstawę dla ogromnego rynku funduszy ETF i produktów inwestycyjnych.

Wydaje mi się jednak, że mało kto racjonalnie (mam nadzieje) zakłada, że Moody’s czy S&P Global zostaną zastąpione przez AI i że ratingi znikną. Core’owy biznes CRA powinien przez każdego być postrzegany jako bezpieczny, bo jest regulowany, wymagany przez inwestorów i wpisany w infrastrukturę rynku kapitałowego. To, co rynek faktycznie może prędzej kwestionować, to warstwa analityczna dobudowywana wokół ratingów. Przez lata spółki podnosiły ceny, dokładając kolejne produkty: modele, dane, raporty, dashboardy i „insighty”.

Segment analytics jest dobry, ale nie ma tej samej siły co ratingi. AI może obniżać koszt tworzenia analiz, porównań i raportów, więc pricing power w tej części może być słabszy. W S&P Global dochodzi też obawa wokół segmentu Market Intelligence, dlatego tam spadki akcji były większe, bo Moody’s to bardziej „czysty” play na ratingach. Mimo to rynek wrzucił ich do worka „AI loserów”.

Pytanie jednak, czy ma to sens? CEO Moody's został wprost zapytany o to na ostatniej konferencji wynikowej, a mianowicie czy generatywna AI może z czasem odtworzyć ofertę Moody’s Analytics. Odpowiedź była chłodna i konkretna. Duża część danych, na których opiera się Moody’s, w ogóle nie jest publicznie dostępna. To efekt dekad umów komercyjnych, praw własności intelektualnej, licencji i ograniczeń regulacyjnych. To nie jest coś, co można po prostu „zeskrobać z internetu” i wrzucić do modelu.

Drugi element to złożoność. Moody’s buduje relacje między podmiotami na całym świecie, w różnych jurysdykcjach, w różnych systemach prawnych. Dochodzi problem tzw. semantic drift, czyli różnic w definicjach i znaczeniu danych między krajami. Do tego entity resolution, czyli poprawne łączenie tych samych podmiotów w różnych bazach. I historyczna głębia danych, często sięgająca czasów sprzed pełnej cyfryzacji. AI może analizować dane. Ale jeśli nie ma do nich dostępu albo nie rozumie ich kontekstu regulacyjnego, to nie zrobi z nich „decision-grade data”.

CEO podkreślił też coś bardzo istotnego z punktu widzenia banków. „Good enough is not good enough”. Duże instytucje finansowe nie mogą sobie pozwolić na rozwiązania „wystarczająco dobre”. Potrzebują danych audytowalnych, zgodnych z regulacjami i obronnych przed nadzorcą. Dlatego trend nie idzie w stronę większej liczby dostawców, tylko mniejszej liczby bardziej zaufanych partnerów. To de facto sprzyja konsolidacji wokół takich firm jak Moody’s. Strategicznie Moody’s buduje coś, co nazywa „trusted context layer”.

To w efekcie oznacza, że Moody's może być wręcz niezłym "AI Winner". W tle jest jeszcze model biznesowy. Moody’s nigdy nie działał na licencjach seat-based, więc nie jest bezpośrednio narażony na erozję tego modelu, o której mówi się w kontekście AI. Spółka testuje różne modele cenowe, żeby uchwycić dodatkową wartość, jeśli AI zwiększy produktywność klientów. Ciekawe, co wymyślą.

I S&P Global i Moody's wpadają do worka firm, którym nie wolno się pomylić. Rating kredytowy nie jest opinią randomowego blogera. To formalny element rynku kapitałowego, od którego zależy koszt finansowania, dostęp do inwestorów, regulacyjne wymogi kapitałowe banków i funduszy. Błąd w ocenie ryzyka może oznaczać miliardy strat albo kryzys systemowy. Dlatego ten segment jest ekstremalnie regulowany i pod stałym nadzorem. W naszym frameworku to jest kombinacja kilku twardych punktów naraz.

• Po pierwsze, regulacja i compliance jako mur obronny
• Po drugie, to jest warstwa pieniędzy w najczystszej postaci. Rating jest wpięty bezpośrednio w koszt długu i w decyzje inwestycyjne.
• Po trzecie, to są klasyczne systems of record dla rynku długu. Historia ratingów, metodologia, dane kredytowe, modele ryzyka – to wszystko żyje w ich systemach.

W kontekście AI niedźwiedzia teza jest słabsza, niż się wydaje. Owszem, modele językowe potrafią analizować sprawozdania finansowe. Ale rating to metodologia, komitety, odpowiedzialność prawna i regulacyjna. Budżetowo ten segment jest również defensywny. Emisje długu są cykliczne, ale sam biznes kredytowy w długim terminie rośnie szybciej, niż PKB. Oczywiście trzeba pamiętać, że model CRA jest też podatny na cykl emisji obligacji. Gdy rynek długu zamiera, przychody transakcyjne spadają. Ale strukturalnie to wciąż jeden z najbardziej jakościowych biznesów w całym szerokim koszyku „financial software i data”.

A no i jeszcze jedna kwestia, którą warto bardzo jasno powiedzieć : nikomu nie opłaca się brać ratingu od kogoś innego niż Moody's, S&P i Fitch, nawet jeśli byłby tańszy. Emitent płaci za rating, ale rynek wycenia dług na podstawie tego, kto ten rating wystawił. Jeśli obligacja nie ma ratingu od Moody’s, S&P albo Fitcha, to dla ogromnej części inwestorów instytucjonalnych ona w praktyce nie istnieje. Fundusze emerytalne, ubezpieczyciele, banki mają regulacyjne ograniczenia co do tego, jakie papiery mogą trzymać.

Wzięcie „tańszego” ratingu od alternatywnego dostawcy kończy się wyższym kosztem obsługi długu. Spread rośnie, baza inwestorów się zawęża, płynność spada. To, co emitent zaoszczędził na opłacie za rating, wielokrotnie oddaje później w odsetkach! I właśnie dlatego Moody’s, S&P Global i Fitch tworzą naturalny oligopol. Wystarczyłoby zapytać się jakiegoś pierwszego z brzegu fixed income PM-a w funduszu emerytalnym, co sądzi o kupowaniu obligacji z ratingiem kredytowym od ChataGPT.

Z tej perspektywy Moody’s jest dla mnie ciekawszy niż S&P Global. Moody’s ma większą ekspozycję na core’owy biznes CRA i jest bliżej „pure play” na ratingach. S&P Global ma też inne segmenty, które same w sobie nie są złe, ale jakościowo i pod względem trwałości wzrostu odstają od CRA. A ponieważ rynek wrzucił Moody’s do worka „AI loserów”, właśnie tam powstało ciekawe nieporozumienie, choć niedawna publikacja (bardzo dobrych swoją drogą) wyników Moody's już trochę to "nieporozumienie" cofnęła (kurs bowiem wzrósł 6% w jedną sesję). W okolicach 400$ za akcje sam (Jurek) rozważe dodanie Moody's do portfela, jeśli ponownie nadarzy się ku temu okazja.

A tak na marginesie - Morgan Stanley spodziewa się, że firmy z sektora hiperskalowego pożyczą w tym roku 400 miliardów dolarów, czyli ponad dwukrotnie więcej niż 165 miliardów dolarów w 2025 roku. Ta fala ofert doprowadzi do rekordowej emisji obligacji korporacyjnych o wysokiej jakości do 2,25 biliona dolarów w tym roku. To, kto na tym skorzysta, jest dość oczywiste.

W tej części przyjrzymy się spółkom z rodziny Constellation Software przez pryzmat naszego filtra. Rynek ewidentnie się z tą tezą nie zgadza. Widać to po mocnych spadkach kursów Constellation, Topicus czy Lumine. Dodatkowo mamy niską płynność i specyficzną strukturę akcjonariatu, co potęguje zmienność. To wszystko buduje i potęguje wśród inwestorów narrację, że całe portfolio może być zagrożone. My nie widzimy tego tak zerojedynkowo.

Oczywiście trudno mówić o całej grupie jednym zdaniem. To setki firm działających w różnych niszach. Jedne są bardziej narażone na presję technologiczną, inne mniej. Dlatego warto jednak opisać przeciętną firmę, którą Constellation historycznie kupowało. To zazwyczaj „nudny” pionowy system dla konkretnej branży: podatki miejskie, billing mediów, system dla szpitala, oprogramowanie do zarządzania szkołami, bibliotekami, rejestry rządowe, payroll w wąskiej branży. Te firmy nigdy nie były kupowane po wycenach, które implikowały dynamiczny, technologiczny wzrost. One były kupowane jako stabilne aktywa z wysoką retencją i przewidywalnym cash flow.

Zacznijmy od rzeczy podstawowej. Nic z tego, co pisaliśmy w zespole wcześniej w analizach, póki co się nie zmieniło. To nadal wyjątkowo zarządzana firma, działająca zupełnie inaczej niż większość SaaS w USA. Ta wyjątkowość tam pozostaje. CSU jest wzorem pod względem alignmentu pracowników z akcjonariuszami i koncentracji na ROIC. Zawsze za to ich ceniliśmy i nic się tu nie zmieniło. Operacyjnie spółka dalej robi swoje i w wynikach nie widać nic niepokojącego – przynajmniej na dziś.

Jednocześnie w ostatnich miesiącach wydarzyło się sporo i obiektywnie profil ryzyka się zmienił. To fakt. W efekcie pewien rerating był uzasadniony. Naszym zdaniem obecna skala przeceny to już jednak duże przereagowanie. Co realnie się zmieniło? Po pierwsze, rozwój narzędzi AI faktycznie zagraża jakiejś części prostszych spółek w portfelu. Problem w tym, że przez brak szczegółowego raportowania trudno ocenić, jak duży to procent. To zwiększa niepewność i utrudnia chłodną ocenę.

Moim zdaniem spora część firm CSU spełnia kryteria naszego mental frameworku, bo mają niszowe i wartościowe dane i działają jako systemy rejestrowe, a nie tylko narzędzia działania. Ale brak transparentności sprawia, że rynek zakłada scenariusz bardziej pesymistyczny. Po drugie, odejście Marka Leonarda z roli CEO zwiększa niepewność. Nawet jeśli business as usual się nie zmienił, to taki ruch naturalnie zwiększa discount rate.

Po trzecie, sam spadek kursu jest ryzykiem dla morali. W CSU setki kluczowych osób mają znaczną część majątku w akcjach. Gdy kurs spada o połowę, to nie jest tylko kwestia wyceny na ekranie. To realne uderzenie w poczucie bezpieczeństwa i motywację. A kultura i kapitał ludzki są głównym źródłem przewagi tej organizacji. Widać swoją drogą, że nie obserwują biernie kursu, bo zdecydowali się wyjątkowo na poprowadzenie konferencji wynikowej podczas publikacji nadchodzących wyników kwartalnych. Krok w dobrym kierunku.

Trzeba jednak jasno powiedzieć: premia w wycenie CSU nigdy nie wynikała z samej jakości portfelowych spółek. Nikt nie płacił ponad 20x EBITDA za ekspozycję na system do zarządzania biblioteką rosnący w tempie inflacji. Inwestorzy płacili za maszynę do alokacji kapitału. Za know-how organizacyjne. Za track record inwestowania przy wysokim ROIC. CSU nigdy nie priorytetyzowało kupowania „ładnych” aktywów, tylko dokonywanie dobrych inwestycji. Wiele firm zwracało cenę zakupu w 4–5 lat, a potem generowało czysty zysk. To jest źródło wartości.

I to jest element, którego AI nie zastąpi. Model alokacji kapitału, kultura decentralizacji, wewnętrzne systemy motywacyjne, dyscyplina inwestycyjna – to nie jest cienka warstwa kodu, którą można wygenerować w weekend. Jednocześnie trzeba przyznać, że obecny spadek kursu uderza właśnie w to źródło wartości, bo morale i postrzeganie przyszłości organizacji mają znaczenie. Jeśli CSU byłoby wyceniane wyłącznie na bazie organicznych perspektyw spółek portfelowych, bez premii za capital allocation, jego wartość prawdopodobnie byłaby niższa nawet po tych spadkach. To pokazuje, jak duża część wyceny była oparta na zaufaniu do modelu inwestycyjnego.

Przechodząc do ryzyka technologicznego. Największa presja jest na narzędziach, które są cienką warstwą nad innymi systemami. Tam koszt odtworzenia jest niski. Ale większość firm kupowanych przez CSU to systems of record. One przechowują dane podatkowe, historię płatności, dane medyczne, rejestry administracyjne. Tam nie chodzi tylko o kod. Chodzi o 10–30 lat historycznych danych, wyjątków, zmian regulacyjnych i audytów. Tak długo, jak rozwój technologii AI nie umożliwi magicznego przesłania wszystkich tych danych w milisekundzie, tak długo jest to fosa.

Wyobraźmy sobie miejscowość, które od kilkunastu lat działa na jednym systemie finansowym. Migracja wielu lat danych, przejście audytów i zgód regulatora to mozolny proces. Wszystko po to, by oszczędzić relatywnie niewielką kwotę rocznie na licencji. To się po prostu nie spina. Największą barierą wejścia nie jest jakość kodu, tylko zapis rzeczywistości w danych.

Jeśli koszt rozwoju kodu byłby jedyną przewagą tych firm, ktoś mógłby przez ostatnie naście lat już pokonać firmy VMS od Constellation, outsourcując development do Indii np. A jednak tak się nie stało. Dlaczego? Bo przewaga nie leży tylko w tanim kodzie. Leży w relacjach z klientem, znajomości branży, integracjach, danych i zaufaniu.

AI może nawet poprawi marże takich firm, bo zwiększy produktywność zespołów wsparcia, skróci czas developmentu, obniży koszty utrzymania. Jednocześnie w branżach, gdzie software to koszt rzędu 1–2% przychodów klienta, a jest absolutnie krytyczny operacyjnie, presja cenowa i potrzeba oszczędności ma swoje granice. Najważniejsze jest bezpieczeństwo i stabilność. Nikt nie chce ryzykować systemu podatkowego czy medycznego dla niewielkiej oszczędności.

Nie ma co jednak oszukiwać - profil ryzyka CSU się zmienił, choć przy tak dramatycznym spadku akcji, trudno jest nie odnieść wrażenia, że już z nawiązką większość pesymistycznych scenariuszy zostało zdyskontowanych. Tak, część prostszych aktywów może być bardziej narażona niż wcześniej. Brak dokładnego raportowania zwiększa niepewność. Zmiana CEO podnosi dla wielu wymagany zwrot. Ale jednocześnie rdzeń modelu – niszowe systemy rejestrowe, długie historie danych i unikalna maszyna do alokacji kapitału – nie przestał istnieć. I dlatego nie widzimy tej historii jako czarno-białej.

Potencjalnym katalizatorem poprawy sentymentu wokół Constellation mogłyby być po prostu lepsze i bardziej szczegółowe dane w raportach kwartalnych. Gdyby spółka szerzej opowiedziała o konkretnych projektach związanych z AI, które realnie wdraża w swoich spółkach portfelowych, rynek mógłby zobaczyć, że technologia jest wykorzystywana jako narzędzie zwiększające produktywność, a nie zagrożenie. Podobnie byłoby z dokładniejszym pokazaniem miksu przychodów – sektorowego i geograficznego. Kiedyś spółka raportowała udział sektora publicznego w przychodach i jeśli dziś okazałoby się, że znacząca część pochodzi od instytucji publicznych, obraz ryzyka wyglądałby inaczej. To jest segment dużo bardziej defensywny, mniej podatny na eksperymenty i nagłe zmiany technologiczne.

Drugim ważnym katalizatorem byłoby przyspieszenie alokacji kapitału. Model Constellation wciąż opiera się na reinwestowaniu nadwyżek gotówki generowanych przez „nudne”, stabilne spółki w kolejne podobne aktywa. Historycznie wiele z tych inwestycji zwracało się po czterech–pięciu latach, a potem samo zaczynało generować nadwyżki. Jeśli spółka zaczęłaby dziś wyraźnie zwiększać tempo przejęć, byłby to sygnał, że widzi atrakcyjne okazje i buduje fundament pod przyszły wzrost. To również mogłoby odwrócić narrację.

Z drugiej strony w krótkim terminie rynek boi się o wzrost organiczny. Wiele spółek z modelu Constellation rośnie w tempie zbliżonym do inflacji, bo podnoszą ceny indeksowane o CPI. Kiedy inflacja była wysoka, dynamika organiczna wyglądała solidnie. Dziś w Stanach inflacja wyraźnie hamuje, więc naturalnie tempo wzrostu organicznego może spaść. Istnieje ryzyko, że inwestorzy zobaczą słabsze liczby organiczne i zinterpretują je jako efekt presji AI, podczas gdy w rzeczywistości będzie to po prostu efekt niższego CPI. Narracyjnie to może wywołać niepokój, nawet jeśli biznesowo nic fundamentalnego się nie pogorszy.

Na tym tle nieprzypadkowa jest premia w wycenie Topicusa. Spółka rośnie szybciej organicznie niż przeciętny podmiot w rodzinie Constellation, ma większą ekspozycję na Europę – rynek co do zasady mniej podatny na gwałtowne technologiczne zmiany – oraz wyższy udział sektora publicznego w przychodach. Ta kombinacja sprawia, że jej profil jest bardziej defensywny i przewidywalny. Dlatego rynek jest skłonny płacić za nią więcej.

W kontekście naszego filtra Sygnity jest bardzo ciekawym przypadkiem. To dostawca systemów mission-critical dla sektora publicznego, bankowego i utilities. I to widać w strukturze przychodów: prawie połowa pochodzi od instytucji publicznych – ministerstw, ZUS, GUS, NBP, urzędów centralnych i samorządowych. Około jedna trzecia to banki komercyjne i spółdzielcze, a mniej więcej 20% sektor energetyczny.

Prezes mówi wprost, że churn jest „praktycznie nieistniejący”, bo klienci po prostu nie odchodzą. Te systemy są głęboko osadzone w procesach. Część rozwiązań z lat 90. i 2000. była tworzona pod konkretne instytucje, tailor-made. To są wielowarstwowe systemy, z dziesiątkami wyjątków, zmian legislacyjnych, integracji z innymi rejestrami. Zmiana dostawcy oznaczałaby przebudowę procesów, migrację historycznych danych i ponowne przejście audytów. To są bardzo wysokie switching costs, wyższe niż w typowych spółkach CSU.

W kontekście AI to ma znaczenie. AI świetnie radzi sobie z cienką warstwą interfejsu i automatyzacją zadań. Ale w systemach takich jak obsługa świadczeń, systemy bankowe czy rozliczenia w energetyce problemem nie jest napisanie kodu. Problemem jest zgodność z prawem, historia zmian, odpowiedzialność i zrozumienie procesu klienta. Domenowa wiedza i dystrybucja są dziś ich przewagą, a wiele systemów jest tak złożonych, że samo „przepisanie” ich przez AI nie rozwiązuje problemu. To wpisuje się w nasz filtr: systems of record, compliance, realny koszt błędu. Jednocześnie spółka nie udaje, że AI można zignorować. Prezes mówi wprost że to jednocześnie szansa i zagrożenie, a organizacja podchodzi do tematu z pokorą. Są pilotaże, małe eksperymenty, ale bez hurraoptymizmu.

Drugi element to model alokacji kapitału. Pamiętajmy, że Sygnity implementuje model Constellation – reinwestowanie nadwyżek w kolejne niszowe software’y, które rozumieją i na których wygenerują wysokie ROIC. Ostatni zakup HIS Comarch to przykład nowo dodanego SaaSa, który również cechuje się niskim ryzykiem dysrupcji przez AI (oprogramowanie dla szpitali).

Sygnity wpisuje się w nasz framework w kilku kluczowych punktach: mission-critical systems, compliance-heavy środowisko, bardzo wysoki lock-in, praktycznie zerowy churn, klienci z defensywnych budżetów. Jednocześnie dochodzi warstwa capital allocation w stylu CSU, z koncentracją na ROIC i reinwestowaniu nadwyżek, a obecna wycena implikuje <15x fwd FCF! Ja sam (Jurek) zwiększyłem pozycję poniżej 70 PLN w akcjach Sygnity po ostatnich spadkach.

Software z fizycznymi terminalami płatności to kolejny z przykładów spółek, które idealnie przechodzą przez nasz filtr. Adyen i Toast czy biznes Square od Blocka działają dokładnie w tym miejscu, gdzie nie wolno się pomylić ani razu, bo system siedzi bezpośrednio na pieniądzach i ma fizyczne terminale w sklepach.

Tu nie ma zgadywania ani „w większości przypadków działa”. Jeśli płatność się nie przejdzie, biznes klienta staje. Restauracja nie przyjmie zamówienia. Sklep nie sprzeda towaru. To jest absolutnie mission critical. Kluczowa jest integracja świata fizycznego z software’em. Terminal stoi na ladzie. Jest wpięty w system POS, księgowość, raportowanie, inventory itp. Zmiana dostawcy to nie tylko nowa aplikacja, ale wymiana sprzętu, ryzyko przestoju, papierkowa robota. To są realne, fizyczne switching costs, których agent AI nie obchodzi.

To jest też czysty przykład systems of record. Każda transakcja jest zapisem finansowym, który musi być poprawny, zgodny z regulacjami i audytowalny. AI może pomóc na brzegu, ale nie zastąpi deterministycznego silnika płatności.

Toast jest dobrym przykładem w segmencie restauracyjnym, gdzie POS + terminal + software tworzą zamknięty ekosystem. Square tak samo, tylko dla szerszej grupy SME. Adyen to ta sama logika, tylko w wersji globalnej i enterprise’owej. O Adyenie mówiłem szerzej na webinarze, więc tutaj nie będę się rozwodził, ale dokładnie z tych powodów ta spółka idealnie pasuje do naszego filtra (https://dnarynkow.pl/czy-adyen-to-okazja-przed-wynikami-wideo/)

Autodesk i Nemetschek siedzą w segmencie „software dla architektów”. Ich produkty są używane do tworzenia dokumentacji i modeli, na podstawie których później ktoś buduje realne rzeczy. To oznacza, że koszt błędu jest wysoki. Jeżeli model jest zły, projekt się sypie. Jeżeli dokumentacja jest niespójna, budowa dostaje opóźnienia, rosną koszty, lecą kary. To nie jest coś co „może się czasem pomylić”.

W tym sensie to są spółki z kategorii „rdzeń procesu”, czyli dokładnie to, czego szukamy w ramach filtra. One są systemami referencyjnymi dla projektowania: pliki, biblioteki, standardy, reguły, wersjonowanie, współpraca między biurami – wszystko żyje w tych ekosystemach. Zmiana dostawcy jest bardzo trudna, a pozycja negocjacyjna z perspektywy "wdrażania" agentów wydaje się być dość mocna. To jest przebudowa całego pipeline’u projektowego, szkolenia ludzi, ryzyko utraty kompatybilności i często ryzyko opóźnienia projektu. A opóźnienie projektu w budownictwie kosztuje realne pieniądze. Stąd „stickiness”, o której mówią zarządy tych spółek.

W naszym frameworku to wpada w punkt „systems of record”. To bazy prawdy o projekcie. Nawet jeśli agent AI przejmie część interfejsu i będzie wydawał polecenia w imieniu użytkownika, to nadal musi pracować na tych plikach, tych bibliotekach i w tych standardach. To jest dokładnie scenariusz z „agent jako interfejs”, ale system of record nadal zostaje w środku.

Duże projekty budowlane trwają latami. Model tworzony na początku inwestycji żyje przez cały cykl projektu: koncepcja, projekt wykonawczy, zmiany lokatorskie, poprawki konstrukcyjne, instalacje, a później nawet utrzymanie budynku. Dane są wersjonowane, podpinane pod normy, kosztorysy, harmonogramy. Setki plików, tysiące referencji, współpraca kilku biur w różnych krajach. I teraz wyobraź sobie, że w połowie projektu ktoś mówi: zmieniamy system. No way.

Dlatego switching costs są ogromne. Autodesk czy Nemetschek siedzą w samym sercu pipeline’u projektowego. Cała organizacja, standardy pracy, archiwa projektów z ostatnich 10 czy 20 lat są oparte na ich formatach i narzędziach. Agent AI może przyspieszyć rysowanie ścian albo generowanie zestawień. Ale nadal musi pracować w tym ekosystemie. Tu ważna różnica względem typowego SaaS-u jest taka, że Autodesk (i w mniejszej skali Nemetschek) ma też efekt sieciowy i standard edukacyjny (podobnie jak EDA software). Autodesk jest tak powszechny, że ludzie uczą się go, żeby dostać pracę, a firmy używają go, bo partnerzy i podwykonawcy też go używają.

Budżetowo to jest kategoria bardziej „półdefensywna” niż cyberbezpieczeństwo, ale nadal dużo twardsza niż typowy koszyk SaaS. Budownictwo może zwolnić, projekty mogą się przesunąć, ale jeśli projekt trwa, to software jest obowiązkowy. Nikt nie przestaje używać narzędzi projektowych w trakcie realizacji. Regulacja działa tu inaczej niż w cyber czy ochronie zdrowia, ale nadal jest barierą. Projekty muszą spełniać normy, standardy branżowe, wymogi dokumentacyjne. To zwiększa wagę poprawności i audytowalności pracy.

Autodesk i Nemetschek są mniej narażone bo nie sprzedają tylko „tablicy z taskami”, ale silnik projektowy dla całego procesu budowy. Agent AI może przyspieszyć rysowanie czy poprawki, ale nadal musi działać w ich ekosystemie. Jednocześnie wydają się być bardziej narażone niż Axon, Moody's, EDA czy cyber, bo AI może obniżyć barierę wejścia na etapie koncepcji i prostych projektów, co może tworzyć presję cenową na „lżejsze” narzędzia. Rdzeń jednak zostaje. Dokładność modeli, zgodność z normami, współpraca międzybranżowa i archiwa projektów to twarde switching costs.

EDA, czyli software do projektowania chipów, to absolutny wyjątek w świecie SaaS. W większości kategorii software’u dziś zadajemy pytanie: czy AI zmniejszy liczbę użytkowników? Czy ryzyko seat based pricing jest realne? Czy agent zrobi część pracy i ograniczy potrzebę licencji? W EDA to pytanie jest odwrócone. Im więcej AI, GPU, akceleratorów i nowych generacji chipów, tym więcej pracy projektowej. A im więcej pracy projektowej, tym większe zapotrzebowanie na narzędzia EDA. Tu AI nie redukuje „seatów”, tylko zwiększa skalę projektów i liczbę symulacji. Nie mówiąc już o tym, że i budżety i kadry R&D w spółkach półprzewodnikowych wcale się nie będą kurczyć.

To nie jest zwykły SaaS do zarządzania zadaniami. To engineering software oparty na twardej fizyce i matematyce. Każda symulacja musi być poprawna. Nie „w większości przypadków” i nie „statystycznie wystarczająco dobra”. Jeśli symulacja jest błędna, chip nie działa. Jeśli chip nie działa, cały tape-out idzie do kosza. Straty idą w setki milionów dolarów, a firma może przegrać cały cykl technologiczny. W tej branży nie ma miejsca na halucynacje modelu językowego. Każdy inżynier w Nvidii i AMD uczył się korzystać całe życie z Synopsys i/lub Cadence. Niczego innego nie znają. To silny efekt sieciowy.

Przewaga Cadence i Synopsys to nie interfejs, tylko własne solvery, modele fizyczne i dekady know-how rozwijanego wspólnie z największymi foundry na świecie, jak TSMC, Samsung czy Intel. Ich narzędzia są ściśle zintegrowane z procesami produkcyjnymi i oparte na certyfikowanych PDK oraz regułach projektowych akceptowanych przez fabryki, co w praktyce czyni je systemem of record dla projektowania chipów. Modele uwzględniają konkretne parametry technologiczne, ograniczenia litografii i reguły dla danego node’a, a bez tej zgodności projekt nie trafi do produkcji. Tego nie da się „odtworzyć” przez LLM wytrenowany na publicznych danych.

Zarządy tych firm mówią wprost, że każde narzędzie AI finalnie uruchamia ich software. AI zwiększa liczbę uruchomień, zwiększa złożoność projektów i podnosi zapotrzebowanie na symulacje. Jeżeli projektujemy coraz bardziej złożone GPU pod modele generatywne, to liczba iteracji rośnie, a nie maleje. To oznacza więcej godzin licencyjnych, więcej compute’u i większe budżety na R&D.

EDA siedzi w samym środku wydatków R&D. A R&D w branży półprzewodników to świętość. Można ciąć koszty administracyjne, marketing, nawet opóźnić premierę urządzenia. Ale nie można przestać projektować kolejnej generacji chipu, nawet w dołku cyklu, dlatego Synopsys i Cadence to najmniej cykliczne spółki z branży. Jeśli firma wypadnie z jednego cyklu technologicznego, może już nie wrócić do gry. Intel coś o tym wie. Dlatego wydatki na EDA są jeszcze trudniejsze do cięcia niż wiele kosztów operacyjnych.

Bariera wejścia w tej branży jest wysoka. Projektowanie chipów wymaga certyfikacji, zgodności z foundry, kompatybilności z procesami produkcyjnymi. Każda nowa wersja technologii produkcyjnej wymaga dostosowania narzędzi EDA. To wieloletnia współpraca między dostawcą software’u a producentem krzemu. Dlatego rynek wygląda jak oligopol 3 graczy.

Switching costs są bardzo duże. Kiedy firma projektuje układ scalony, cały proces – od pierwszego schematu, przez symulacje logiczne i fizyczne, aż po finalne pliki produkcyjne – odbywa się w środowisku EDA. W tych systemach zapisane są wszystkie dane projektowe: biblioteki IP, reguły technologiczne, zależności między blokami, modele czasowe, parametry energetyczne.

Zmiana dostawcy oznaczałoby przebudowę całego pipeline’u projektowego. Migrację danych, testy zgodności z procesem produkcyjnym, walidację wszystkich reguł projektowych, szkolenia inżynierów, aktualizację integracji z foundry. To ogrom pracy i ryzyko opóźnień. A opóźnienie w projekcie chipu może oznaczać utratę okna rynkowego i miliony dolarów straty. Nikt nie podejmuje takiego ryzyka dla 10 procent tańszej licencji.

W EDA interfejs jest drugorzędny. Liczy się wynik obliczeń i zgodność z fizyką krzemu. Agent AI może być nowym sposobem wydawania poleceń. Może generować skrypty, przyspieszać eksplorację wariantów, pomagać młodszym inżynierom. Cadence i Synopsys to nie są aplikacje, które można wymienić jak narzędzie do notatek czy tablicę projektową. One są sercem całego procesu projektowania chipów. Problem? Wycena, mimo spadków, nie należy do najtańszych w obu tych spółkach, ale... miało nie być o wycenie...

Wizja ServiceNow jest ciekawa, ale niepozbawiona ryzyk. Spółka chce stać się warstwą orkiestracji dla agentów AI w dużych organizacjach. W praktyce chodzi o to, kto w firmie będzie zarządzał dziesiątkami agentów działających jednocześnie w IT, HR, finansach, bezpieczeństwie i operacjach. Kto nada im uprawnienia, kto będzie śledził ich działania i kto zapewni audytowalność. ServiceNow pozycjonuje się jako taki „control tower” dla AI w enterprise.

Ta wizja ma logiczne podstawy, bo wiele firm już dziś używa ServiceNow jako centralnego systemu workflow. Najpierw klienci wdrażają automatyzację procesów, żeby zwiększyć efektywność bez zwiększania zatrudnienia. Dopiero później wprowadzają AI, zaczynając od obszarów o dużym wolumenie i relatywnie niskim ryzyku, takich jak IT service management czy HR. Spółka wskazuje, że zużycie tokenów AI jest wyższe, niż początkowo zakładano, co sugeruje realne wykorzystanie narzędzi, a nie tylko pilotażowe wdrożenia „na pokaz”.

Dla klientów ma to wymierną wartość. Jeśli firma jest w stanie obsłużyć więcej zgłoszeń bez zatrudniania dodatkowych pracowników, zwrot z inwestycji jest stosunkowo łatwy do policzenia. W regulowanych branżach dodatkowym atutem jest to, że wiele wdrożeń AI i tak musi przechodzić przez ServiceNow, ponieważ platforma oferuje już mechanizmy compliance, ścieżki audytu i kontrolę dostępu.

W wywiadach Bill McDermott podkreśla, że AI nie jest dla ServiceNow dodatkiem, ale jednym z głównych motorów wzrostu. Produkty takie jak Now Assist czy pakiety Pro Plus AI mają poprawiać doświadczenie użytkowników i zwiększać efektywność klientów, co ma bezpośrednio przekładać się na gotowość do dalszych wdrożeń i rozszerzeń kontraktów.

Ważnym elementem narracji jest to, że AI nie zastępuje samej platformy. Według McDermotta sztuczna inteligencja może automatycznie rozwiązywać wiele zgłoszeń, ale nadal potrzebna jest struktura procesów, governance i integracja z systemami bazowymi.

Na koniec warto podkreślić, że spółka stara się wyjść poza prostą sprzedaż licencji. ,,Story” ServiceNow opiera się na byciu platformą do zarządzania agentami AI w skali całej organizacji. To atrakcyjna wizja, ale jej realizacja będzie zależała od tempa adopcji AI w enterprise, konkurencji ze strony innych platform oraz zdolności ServiceNow do utrzymania roli takiego centralnego systemu.

Ale też wizja ta nie jest bez ryzyk. Po pierwsze, marże. Miks AI może w teorii na pewnym etapie obniżać marżę subskrypcyjną. AI oznacza wyższe koszty. Jeśli AI stanie się bardziej konsumpcyjne, oparte na tokenach, struktura przychodów może się zmienić. A to może prowadzić do presji na marże, szczególnie jeśli konkurencja zacznie agresywnie cenowo walczyć o ten sam budżet.

Po drugie, ryzyko marginalizacji. Jeśli interfejs przejmą agenci OpenAI, Anthropic czy Microsoftu, ServiceNow może zostać „zepchnięty” niżej w stacku jako backend. Nadal potrzebny, ale mniej widoczny. W takim scenariuszu pricing power może się zmniejszyć, bo klient zacznie postrzegać wartość w warstwie agenta, a nie w systemie orkiestrującym pod spodem.

Z drugiej strony, szansa jest realna. Jeśli agentów będzie coraz więcej, ktoś musi nimi zarządzać. Firmy regulowane nie mogą pozwolić sobie na chaos. Jeśli ServiceNow stanie się standardem dla zarządzania agentami, switching costs jeszcze wzrosną.

Samsara to platforma do zarządzania operacjami w świecie fizycznym: floty, ciężarówki, maszyny budowlane, magazyny, kierowcy. To po prostu system do ogarniania tego, co dzieje się w realnym świecie. Zbiera dane, gdzie jest auto, jak szybko jedzie, czy silnik się nie przegrzewa, czy paliwo nie znika podejrzanie szybko. A software pokazuje to wszystko w jednym miejscu i analizuje na bieżąco. To system, który mówi firmie transportowej coś w stylu - ten kierowca jeździ niebezpiecznie, ta ciężarówka zaraz się zepsuje, ta naczepa stoi w złym miejscu.

CEO spółki Sanjit Biswas mówi wprost: AI jest dla nich katalizatorem wartości, bo mają ogromną bazę danych z prawdziwych operacji w terenie. Tych danych jest tak dużo, że żaden zespół ludzi nie byłby w stanie ich ręcznie przeanalizować. Dzięki AI mogą szybciej wykrywać problemy, poprawiać jakość usług i tworzyć nowe produkty. Ich przewaga to unikalne dane, których nie da się łatwo skopiować, bo to nie są dane z internetu. To dane z tysięcy pojazdów i maszyn. I widać, że to działa, bo nowe produkty oparte na AI, jak AI Multicam czy Connected Workflows, stanowiły już około 20% nowego rocznego kontraktu.

Do tego dochodzą realne koszty zmiany dostawcy. Wdrożenie Samsary to montaż urządzeń w setkach czy tysiącach pojazdów, szkolenie ludzi, integracja z systemami księgowymi i operacyjnymi. Tutaj więc nie mamy tlyko kliknięcia „odinstaluj”, tylko realne koszty przejścia. Zmiana oznacza demontaż sprzętu, przerwy w pracy i ryzyko utraty danych historycznych. Dla firmy logistycznej to ryzyko.

Oczywiście ryzyko istnieje. To konkurencyjna branża. Część analityki może z czasem stać się tańsza i bardziej dostępna. Ale kluczowa wartość Samsary leży w połączeniu sprzętu i software’u oraz w danych z fizycznego świata. Jest to bardzo intrygująca mieszanka. Tego nie da się łatwo ominąć samym agentem AI działającym tylko w przeglądarce. Dlatego Samsara wygląda na typ SaaS-a, który jest bardziej odporny na AI i wręcz nawet ma niemałą szansę na nim dużo zyskać, jak tylko founderzy odpowiednio będą nawigować w tej nowej rzeczywistości.

Dzięki za uwagę!

Do zarobienia,
Jurek Tomaszewski