Geen tijd om het volledige artikel te lezen? Gebruik dan de vijf onderstaande bullets voor de belangrijkste punten.

■ Wij waren al selectief bullish op enterprise software die een cruciale positie binnen AI kan innemen. De recente ontwikkeling bij Snowflake bevestigt die visie en laat zien dat AI steeds duidelijker van infrastructuur naar daadwerkelijke softwareconsumptie en bedrijfsprocessen doorsijpelt.
■ Snowflake, Palantir, ServiceNow, SAP en CrowdStrike vormen een selecte groep van vijf voorbeelden, nadrukkelijk niet de enige potentiële winnaars. Ze zijn gekozen omdat ieder bedrijf vanuit een andere softwarelaag een duidelijke en potentieel moeilijk te repliceren edge bezit.
■ Snowflake combineert enterprise data met consumption, Palantir koppelt intelligence aan operationele execution, ServiceNow orkestreert workflows en agents, SAP bezit bedrijfskritische transacties en context, terwijl CrowdStrike de steeds autonomere digitale omgeving moet beveiligen.
■ De kern van de softwarecase is dat AI méér digitale activiteit kan creëren zonder dat het aantal werknemers evenredig hoeft te stijgen. Daardoor kunnen consumption, transacties, workflows, geautomatiseerde beslissingen en security events veel sneller groeien dan traditionele software-seats.
■ Bij deze categorie zien wij fundamenteel gedreven koerszwakte niet automatisch als een reden om afstand te nemen. Wanneer de onderliggende AI-case intact blijft, kunnen correcties juist kansen bieden om opnieuw naar deze namen te kijken, waarbij waardering en de oorzaak van de daling bepalend blijven.

De eerste grote winnaars van de AI-boom waren relatief eenvoudig te identificeren. Er waren accelerators, memory, networking, datacenters, koeling en enorme hoeveelheden elektriciteit nodig voordat bedrijven kunstmatige intelligentie überhaupt op grote schaal konden inzetten. Die infrastructuurcyclus blijft belangrijk, maar vormt uiteindelijk slechts één deel van de economische keten.

De volgende vraag is minstens zo belangrijk: welke bedrijven zorgen ervoor dat al die rekenkracht daadwerkelijk leidt tot hogere productiviteit, lagere kosten, betere beslissingen en nieuwe omzet? Daar komt software nadrukkelijk in beeld. AI moet toegang krijgen tot bedrijfsdata, processen begrijpen, acties kunnen uitvoeren, transacties verwerken en binnen duidelijke veiligheidsgrenzen functioneren. Bedrijven die al diep in die lagen zijn geïntegreerd, kunnen daardoor een belangrijke positie innemen in de volgende fase van de AI-cyclus.

Investment view

Wij waren al selectief bullish op softwarebedrijven die een sterke en moeilijk vervangbare positie binnen de AI-stack hebben. De recente cijfers van Snowflake veranderen die visie niet, maar versterken haar. Product revenue versnelt voor het derde kwartaal op rij, management ziet een betekenisvolle stijging van AI-revenue en de onderneming verhoogt tegelijkertijd haar verwachtingen voor groei en operationele winstgevendheid.

Voor ons is dit belangrijk omdat de markt lange tijd vooral betaalde voor toekomstige AI-beloften. We willen inmiddels concreter bewijs zien dat nieuwe AI-producten daadwerkelijk leiden tot extra gebruik, hogere omzet, grotere klantwaarde of sterkere switching costs. Snowflake begint dat bewijs te leveren, terwijl Palantir, ServiceNow, SAP en CrowdStrike ieder vanuit een andere softwarecategorie dezelfde bredere ontwikkeling ondersteunen.

Wij zouden bij deze namen dan ook niet automatisch negatiever worden wanneer koersen corrigeren. Integendeel, wanneer een terugval vooral wordt veroorzaakt door marktbrede risicoaversie, positionering of waarderingscompressie en de fundamentele case intact blijft, kan zwakte juist interessant worden. Dat betekent nadrukkelijk niet dat iedere daling gekocht moet worden. De oorzaak van de daling, de waardering en de ontwikkeling van de onderliggende business blijven leidend.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Snowflake: data en consumption

Snowflake vormt de aanleiding voor dit artikel omdat de onderneming steeds duidelijker laat zien hoe AI daadwerkelijk in het financiële model kan doorwerken. In Q2 FY27 groeide product revenue met 37% naar $1,49 miljard en kwam de totale omzet uit op $1,55 miljard. De aangepaste winst per aandeel en operationele winst lagen boven verwachting, terwijl management sprak over het derde opeenvolgende kwartaal van versnellende product revenue growth.

Ook de vooruitzichten werden sterker. Snowflake verhoogde de verwachte product revenue voor FY27 van $5,84 miljard naar $6,07 miljard en trok tegelijkertijd de verwachte non-GAAP operating margin op van 13,5% naar 14,5%. Voor Q3 wordt opnieuw ongeveer 37% tot 38% product revenue growth voorzien. De vrije kasstroom bleef in Q2 achter bij de marktverwachting en moet dus verbeteren, maar de combinatie van hogere groei en meer operationele leverage is fundamenteel sterk.

De unieke edge van Snowflake zit echter dieper dan deze cijfers. Enterprise AI heeft betrouwbare, actuele en gecontroleerde bedrijfsdata nodig. Een model kan algemene kennis bezitten, maar weet niet automatisch welke klant gisteren een order plaatste, hoeveel voorraad beschikbaar is, welke contractvoorwaarden gelden of wie toegang mag krijgen tot gevoelige informatie.

Snowflake probeert precies die datalaag te bezitten. Daarbij is het consumption-model bijzonder interessant. De onderneming verdient niet uitsluitend aan het aantal menselijke gebruikers, maar aan daadwerkelijke compute, storage en dataverwerking. Wanneer steeds meer agents zelfstandig informatie ophalen, queries uitvoeren, datasets combineren en modellen aanroepen, kan de hoeveelheid machine-to-data-activiteit veel sneller groeien dan het aantal werknemers bij een klant.

Dat vormt de kern van de Snowflake-case binnen AI. Het bedrijf hoeft niet het dominante foundation model te bouwen. Het kan juist profiteren doordat verschillende modellen en applicaties steeds intensiever gebruikmaken van de data die op het platform staat. Als die trend doorzet, kan AI een extra consumptielaag boven op de bestaande analytics- en data-engineeringactiviteiten creëren.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Palantir: intelligence wordt execution

Palantir zit verderop in de economische keten. Waar Snowflake vooral zorgt dat data beschikbaar en bruikbaar is, probeert Palantir AI te verbinden met daadwerkelijke beslissingen en operationele acties. Dat onderscheid is essentieel.

Een generatief model kan voorspellen dat een productieproces dreigt te worden verstoord, maar daarmee is het probleem nog niet opgelost. Software moet begrijpen welke machines betrokken zijn, welke klantorders worden geraakt, welke alternatieven beschikbaar zijn, welke regels gelden en welke actie daadwerkelijk mag worden uitgevoerd.

Daar zit Palantirs unieke edge. Via de Ontology worden objecten, relaties, rechten en processen binnen een organisatie digitaal gemodelleerd. Daarmee ontstaat een operationele representatie van de onderneming waarop AI niet alleen kan analyseren, maar ook binnen gecontroleerde grenzen kan handelen.

Juist die diepe bedrijfsspecifieke integratie is moeilijker te kopiëren dan een algemene AI-interface. Naarmate meer beslisregels, processen en operationele kennis in het platform worden ingebouwd, stijgt de waarde voor de klant en worden switching costs potentieel groter.

Palantir behoort daarom voor ons tot de duidelijkste voorbeelden van software die AI niet alleen gebruikt om een beter antwoord te produceren, maar om werkelijke economische handelingen mogelijk te maken. Dat is een aanzienlijk sterkere positie dan software waarbij AI hoofdzakelijk als extra functionaliteit boven op een bestaand product wordt geplaatst.

ServiceNow: orchestration van de digitale workforce

ServiceNow heeft opnieuw een andere positie. Naarmate grote ondernemingen meer agents gaan inzetten, ontstaat naast het modelprobleem ook een organisatorisch probleem. Een bedrijf kan uiteindelijk honderden of duizenden gespecialiseerde agents gebruiken die allemaal toegang nodig hebben tot applicaties, data en bedrijfsprocessen.

Die digitale workforce moet worden bestuurd. Welke agent mag welke taak uitvoeren? Welke systemen mogen worden benaderd? Wanneer is menselijke goedkeuring noodzakelijk? Hoe wordt voorkomen dat verschillende agents elkaar tegenwerken of acties uitvoeren buiten hun bevoegdheid?

ServiceNows unieke edge ligt in het feit dat het al jarenlang een centrale rol speelt in enterprise workflows. Het bedrijf hoeft niet vanaf nul uit te zoeken hoe complexe processen tussen medewerkers, afdelingen en applicaties worden georganiseerd. Die infrastructuur bestaat al.

De strategische kans is dat ServiceNow deze positie uitbreidt van workflow automation naar agent orchestration. AI Control Tower en de bredere agentic architectuur passen daarin. Het platform kan een plaats worden waar bedrijven niet alleen menselijke workflows beheren, maar ook digitale arbeid ontdekken, controleren, meten en coördineren.

Dat kan een zeer belangrijke softwarelaag worden. De economische waarde van één agent is beperkt wanneer die agent nergens veilig kan handelen. Naarmate het aantal agents groeit, kan de software die al die digitale activiteit orkestreert juist steeds belangrijker worden.

SAP: de transactionele waarheid van de onderneming

SAP heeft misschien de minst voor de hand liggende AI-case van deze vijf, maar strategisch is de positie zeer interessant. Veel van 's werelds grootste ondernemingen draaien essentiële bedrijfsprocessen op SAP. Finance, procurement, productie, supply chains, voorraad, logistiek en HR zijn geen randfuncties, maar vormen de operationele kern van een onderneming.

Dat geeft SAP een unieke edge: het bedrijf bezit niet alleen data, maar ook de transactionele context waarin echte economische gebeurtenissen plaatsvinden. Een AI-agent kan bijvoorbeeld pas zelfstandig een inkoopproces aanpassen wanneer hij weet welke contracten bestaan, welke leverancier beschikbaar is, hoeveel voorraad aanwezig is, welke budgetten gelden en welke transactie uiteindelijk moet worden geregistreerd.

Die context is bijzonder waardevol omdat zij over tientallen jaren diep in ondernemingen is opgebouwd. Het gaat niet om informatie die eenvoudig naar een nieuwe chatbot kan worden gekopieerd. SAP-systemen zijn verbonden met financiële regels, productiestructuren, interne bevoegdheden en talloze bedrijfsspecifieke processen.

Via Joule en Business AI kan SAP deze bestaande positie steeds verder automatiseren. De belangrijkste kans is daarom niet dat SAP het beste foundation model bouwt, maar dat AI steeds meer van de handelingen uitvoert die vroeger door werknemers via verschillende SAP-schermen werden verricht.

Hier ligt ook het verschil met ServiceNow. ServiceNow heeft een sterke positie in orchestration over verschillende processen en systemen heen. SAP zit veel dieper in de onderliggende transacties en systemen of record. Beide kunnen daardoor naast elkaar profiteren zonder hetzelfde probleem op te lossen.

CrowdStrike: security wordt belangrijker naarmate AI autonomer wordt

CrowdStrike profiteert van een consequentie van AI die bedrijven niet kunnen vermijden. Zolang een model alleen tekst genereert, blijft het operationele risico relatief beperkt. Dat verandert wanneer agents toegang krijgen tot code, browsers, cloudomgevingen, financiële systemen en andere bedrijfsapplicaties.

Een autonome agent wordt daarmee feitelijk een nieuwe digitale identiteit met privileges. Bedrijven moeten weten welke agents actief zijn, wat zij mogen doen, welke systemen zij gebruiken en of hun gedrag overeenkomt met wat oorspronkelijk is toegestaan.

De unieke edge van CrowdStrike ligt in de hoeveelheid security telemetry en gedragscontext die het al heeft rond endpoints, identities en cloudworkloads. Het bedrijf hoeft een volledig nieuwe beveiligingsarchitectuur voor agents daarom niet vanaf nul te bouwen. Agentic activity kan geleidelijk worden toegevoegd aan een bredere omgeving waarin al continu naar afwijkend gedrag wordt gezocht.

De uitbreiding van de samenwerking met OpenAI illustreert die ontwikkeling. Falcon Guardian moet runtime controls, inventory, visibility, detection en response leveren rond ondersteunde Codex-agents, terwijl GPT-5.6 Cyber kan worden ingezet bij defensieve analyses en het prioriteren van risico's en remediation.

De bredere thesis is belangrijker dan één samenwerking. AI maakt aanvallers potentieel krachtiger en creëert tegelijkertijd veel meer autonome digitale activiteit binnen bedrijven. Beide trends vergroten de behoefte aan identity security, monitoring, detection en response. Dat geeft CrowdStrike een fundamenteel andere AI-edge dan de overige vier ondernemingen.

Vijf voorbeelden, geen volledige lijst

Snowflake, Palantir, ServiceNow, SAP en CrowdStrike zijn nadrukkelijk niet de enige softwarebedrijven die van AI kunnen profiteren. We gebruiken deze vijf omdat ze samen goed illustreren hoe verschillend de kansen binnen software zijn.

Snowflake bezit de data- en consumption-laag. Palantir bevindt zich bij operationele intelligence en execution. ServiceNow kan de workflow- en orchestrationlaag van een digitale workforce bezetten. SAP levert de transactionele context waarop bedrijfskritische acties plaatsvinden. CrowdStrike beveiligt de digitale infrastructuur waarin steeds meer autonome software opereert.

Juist dat onderscheid is belangrijk. Het heeft weinig waarde om alle bedrijven die een copilot, chatbot of AI-assistant introduceren als één beleggingscategorie te behandelen. De interessantste ondernemingen zijn naar onze mening bedrijven waarbij AI bestaande strategische assets belangrijker maakt.

Van menselijke seats naar digitale activiteit

Daarmee kan AI ook het economische model van software veranderen. Traditionele SaaS is vaak opgebouwd rond menselijke gebruikers. Een klant met 20.000 werknemers kan slechts een beperkt aantal seats aanschaffen en wanneer AI ervoor zorgt dat minder mensen hetzelfde werk uitvoeren, kan dat model zelfs onder druk komen te staan.

Voor andere softwarebedrijven kan exact het tegenovergestelde gebeuren. Hun omzetpotentieel wordt niet langer voornamelijk bepaald door hoeveel mensen werken, maar door hoeveel digitale activiteit plaatsvindt.

Snowflake kan meer compute en dataverwerking monetariseren. Palantir kan meer beslissingen en operationele acties ondersteunen. ServiceNow kan een toenemend aantal workflows en agents orkestreren. SAP kan meer transacties en bedrijfsprocessen automatiseren. CrowdStrike krijgt meer digitale activiteit en identities om te beschermen.

Dat is een fundamenteel verschil. Het aantal werknemers groeit relatief langzaam, terwijl machine activity vrijwel onbeperkt kan opschalen. Eén medewerker kan tientallen agents aansturen en iedere agent kan duizenden taken uitvoeren zonder menselijke werkdag als natuurlijke begrenzing.

Voor beleggers kan dit één van de belangrijkste structurele veranderingen binnen software worden.

Waar de echte moat ontstaat

Tegelijkertijd moeten we voorzichtig zijn met afzonderlijke AI-features. Foundation models ontwikkelen zich zo snel dat veel functionaliteit relatief eenvoudig kan worden gekopieerd. Een bedrijf met alleen een goede chatbot heeft daardoor waarschijnlijk geen duurzame competitive edge.

De sterkere moat ontstaat onder de interface. Bedrijfsdata, permissions, transactionele historie, operationele modellen, geïntegreerde workflows en security telemetry zijn veel moeilijker te vervangen.

Dat is precies waarom de vijf geselecteerde bedrijven interessant zijn. Snowflake heeft data en governance, Palantir bezit bedrijfsspecifieke operationele modellen, ServiceNow heeft bestaande workflows, SAP zit diep in mission-critical transacties en CrowdStrike beschikt over omvangrijke securitycontext.

AI kan daardoor een interessant tegenstrijdig effect krijgen. De modellen zelf kunnen steeds meer commoditiseren, terwijl de enterprise softwarelaag rondom die modellen juist waardevoller wordt.

Wat dit betekent voor de bredere AI-cyclus

De groei van software betekent niet dat de kansen in semiconductors of infrastructuur verdwijnen. Een succesvolle softwarelaag kan de infrastructuurcyclus juist verlengen.

Wanneer bedrijven dankzij AI-software aantoonbaar meer productiviteit realiseren, wordt het economisch rationeler om opnieuw geld uit te geven aan accelerators, networking en datacenters. Daardoor kan een feedbackloop ontstaan waarin hardware betere toepassingen mogelijk maakt en betere toepassingen vervolgens nieuwe hardware-investeringen rechtvaardigen.

De AI-trade hoeft dus niet simpelweg van chips naar software te roteren. De markt kan juist verbreden. Naarmate meer economische waarde wordt gecreëerd, kunnen verschillende delen van de keten tegelijkertijd profiteren.

Belangrijkste risico's

De belangrijkste concurrentiedreiging komt van hyperscalers en foundation-modelproviders die steeds verder omhoog bewegen in de softwarestack. Microsoft, Google, Amazon, OpenAI en Anthropic hebben allemaal sterke prikkels om meer data-, workflow-, agent- en securityfunctionaliteit zelf te leveren. De vijf geselecteerde bedrijven moeten daarom blijven bewijzen dat hun enterprise positie voldoende diep en onderscheidend is.

Daarnaast blijft waardering cruciaal. Een fundamenteel aantrekkelijk bedrijf is niet automatisch aantrekkelijk tegen iedere koers. Vooral bij softwarebedrijven waarvoor de markt al jaren van snelle AI-groei inprijst, kan een relatief kleine tegenvaller tot forse multiple compression leiden.

Daarom behandelen wij koerszwakte ook niet mechanisch als een koopsignaal. Wanneer de fundamentele thesis verslechtert, AI-monetisatie uitblijft of concurrentie structureel sterker wordt, verandert de analyse. Maar wanneer sterke bedrijven uitsluitend corrigeren terwijl hun strategische positie intact blijft, kunnen juist daar interessante kansen ontstaan.

Conclusie

Wij waren al selectief bullish op softwarebedrijven die een essentiële positie binnen de AI-architectuur kunnen innemen. Snowflakes recente resultaten versterken dat bestaande beeld doordat AI steeds zichtbaarder begint bij te dragen aan daadwerkelijke consumptie en financiële groei.

Snowflake, Palantir, ServiceNow, SAP en CrowdStrike vormen slechts vijf voorbeelden, maar illustreren goed waar wij naar zoeken: een bestaande enterprise positie, een duidelijke unieke edge en een economisch model dat juist sterker kan worden wanneer bedrijven méér AI gebruiken. Bij relevante koerszwakte blijven dit daarom namen die we nauwlettend zouden volgen op nieuwe kansen.

🔵 English version

AI is moving deeper into software: five selected companies with a distinct structural edge

No time to read the full article? Use the five bullets below for the key points.

■ We were already selectively bullish on enterprise software occupying critical positions within the AI stack. Snowflake's latest development reinforces that view and shows AI increasingly moving from infrastructure spending into actual software consumption and business processes.
■ Snowflake, Palantir, ServiceNow, SAP and CrowdStrike represent a selected group of five examples, explicitly not the only potential winners. They were chosen because each controls a different software layer with a distinct and potentially difficult-to-replicate edge.
■ Snowflake combines enterprise data with consumption, Palantir connects intelligence with operational execution, ServiceNow orchestrates workflows and agents, SAP controls mission-critical transactions and enterprise context, while CrowdStrike secures an increasingly autonomous digital environment.
■ The core software opportunity is that AI can create significantly more digital activity without requiring proportional growth in human employment. Consumption, transactions, workflows, automated decisions and security events can therefore grow much faster than traditional software seats.
■ We do not automatically view fundamental share-price weakness across this category as a reason to step away. When the underlying AI thesis remains intact, corrections can create opportunities to revisit these companies, although valuation and the reason behind the decline remain critical.

The first major winners of the AI boom were relatively easy to identify. Accelerators, memory, networking, data centers, cooling and enormous amounts of power were required before companies could deploy artificial intelligence at scale. That infrastructure cycle remains important, but ultimately represents only one part of the economic chain.

The next question is equally important: which companies turn all that compute into actual productivity, lower costs, better decisions and new revenue? This is where software increasingly enters the picture. AI needs access to enterprise data, an understanding of business processes, the ability to take actions, execute transactions and operate within clear security boundaries. Companies already deeply embedded in those layers may therefore occupy important positions in the next phase of the AI cycle.

Investment view

We were already selectively bullish on software companies with strong and difficult-to-replace positions within the AI stack. Snowflake's latest results do not change that view, but reinforce it. Product revenue has accelerated for three consecutive quarters, management is seeing a meaningful increase in AI revenue and the company has simultaneously raised expectations for both growth and operating profitability.

This matters because the market spent a long period paying primarily for future AI promises. We increasingly want concrete evidence that new AI products generate additional usage, revenue, customer value or switching costs. Snowflake is beginning to provide that evidence, while Palantir, ServiceNow, SAP and CrowdStrike support the broader thesis from very different software categories.

We would therefore not automatically become more negative on these companies when share prices correct. If weakness is primarily driven by broader risk aversion, positioning or valuation compression while the underlying business remains intact, it can create opportunities. That does not mean every decline should be bought. The reason for the weakness, valuation and underlying business development remain decisive.

Snowflake: data and consumption

Snowflake is the starting point for this article because the company is increasingly demonstrating how AI can feed directly into its financial model. Q2 FY27 product revenue increased 37% to $1.49 billion while total revenue reached $1.55 billion. Adjusted earnings and operating income exceeded expectations, while management described this as the third consecutive quarter of accelerating product revenue growth.

The outlook strengthened as well. Snowflake raised expected FY27 product revenue from $5.84 billion to $6.07 billion while simultaneously lifting expected non-GAAP operating margin from 13.5% to 14.5%. Q3 guidance implies another roughly 37% to 38% increase in product revenue. Free cash flow fell short of market expectations in Q2 and therefore needs to improve, but the combination of stronger growth and greater operating leverage remains fundamentally attractive.

Snowflake's unique edge goes deeper than these numbers. Enterprise AI requires reliable, current and governed business data. A model can possess general knowledge but does not automatically know which customer placed an order yesterday, how much inventory is available, what contractual restrictions apply or who is authorized to access sensitive information.

Snowflake is attempting to control precisely that data layer. Its consumption model makes the position particularly interesting. Revenue is not driven solely by the number of human users but by actual compute, storage and data processing. As more agents retrieve information, run queries, combine datasets and call models autonomously, machine-to-data activity can grow much faster than a customer's workforce.

This is the core of Snowflake's AI opportunity. It does not need to build the dominant foundation model. It can benefit from different models and applications interacting increasingly intensively with data held on its platform. If this trend persists, AI can create an incremental consumption layer on top of traditional analytics and data-engineering workloads.

Palantir: intelligence becomes execution

Palantir operates further along the economic chain. While Snowflake primarily makes data accessible and useful, Palantir attempts to connect AI with real decisions and operational actions. That distinction is essential.

A generative model can predict that a production process may be disrupted, but that does not solve the problem. Software needs to understand which machines are involved, which customer orders will be affected, what alternatives exist, which rules apply and what action is actually permitted.

This is where Palantir's unique edge sits. Through its Ontology, objects, relationships, permissions and processes across an organization are digitally modeled. AI can therefore operate on an operational representation of the enterprise and not merely analyze text.

This deep company-specific integration is harder to replicate than a general AI interface. As more decision rules, processes and operational knowledge are embedded into the platform, customer value can increase while switching costs potentially rise.

Palantir is therefore one of the clearest examples, in our view, of software using AI not merely to produce a better answer but to enable real economic action. That is a substantially stronger position than adding AI functionality to an existing application without changing its underlying strategic importance.

ServiceNow: orchestration of the digital workforce

ServiceNow occupies yet another layer. As large enterprises deploy more agents, an organizational problem emerges alongside the model problem. Companies may ultimately use hundreds or thousands of specialized agents requiring access to applications, data and business processes.

That digital workforce needs to be managed. Which agent can perform which task? Which systems can it access? When is human approval required? How do companies prevent multiple agents from conflicting or operating outside their permissions?

ServiceNow's unique edge is that it has already spent years establishing a central role in enterprise workflows. The company does not need to learn from scratch how complex processes between employees, departments and applications are organized. Much of that infrastructure already exists.

The strategic opportunity is to expand from workflow automation into agent orchestration. AI Control Tower and the wider agentic architecture fit that model. ServiceNow can become a place where enterprises discover, govern, measure and coordinate not only human workflows but digital labor as well.

This could become a major software layer. The economic value of an individual agent remains limited if it has nowhere safe to operate. As agent deployment scales, the software coordinating all that digital activity can become increasingly important.

SAP: the transactional truth of the enterprise

SAP may have the least obvious AI case among the five, but strategically its position is highly interesting. Many of the world's largest companies run essential business processes on SAP. Finance, procurement, manufacturing, supply chains, inventory, logistics and HR are not peripheral functions but the operational core of an enterprise.

This gives SAP a unique edge: it controls not only data but also the transactional context where actual economic events occur. An AI agent can only autonomously modify a procurement process if it understands which contracts exist, which suppliers are available, what inventory is on hand, what budget rules apply and which transaction must ultimately be recorded.

That context is particularly valuable because it has been built deeply into enterprises over decades. It is not information that can simply be copied into a new chatbot. SAP systems are tied to financial rules, production structures, internal permissions and countless company-specific processes.

Through Joule and Business AI, SAP can increasingly automate the activity built on top of that existing core. The main opportunity is therefore not for SAP to build the best foundation model, but for AI to execute an increasing number of tasks that employees previously performed manually across different SAP applications.

This also illustrates the distinction between SAP and ServiceNow. ServiceNow has a strong orchestration position across systems and processes, while SAP sits much deeper inside underlying transactions and systems of record. Both can therefore benefit without solving the same problem.

CrowdStrike: security becomes more important as AI becomes autonomous

CrowdStrike benefits from an unavoidable consequence of AI. As long as a model simply generates text, operational risk remains relatively limited. That changes when agents gain access to code, browsers, cloud environments, financial systems and business applications.

An autonomous agent effectively becomes a new digital identity with privileges. Enterprises need to know which agents are active, what they are allowed to do, which systems they use and whether their behavior remains consistent with original permissions.

CrowdStrike's unique edge lies in the amount of security telemetry and behavioral context it already holds across endpoints, identities and cloud workloads. The company therefore does not need to build an entirely new agent-security architecture from scratch. Agentic activity can gradually be added to a broader environment already designed to detect abnormal behavior.

The expanded OpenAI collaboration illustrates how this market may develop. Falcon Guardian is designed to provide runtime controls, inventory, visibility, detection and response around supported Codex agents, while GPT-5.6 Cyber can be used in defensive analysis and risk-remediation prioritization.

The broader thesis matters more than a single partnership. AI can make attackers more capable while simultaneously creating substantially more autonomous digital activity inside enterprises. Both trends increase demand for identity security, monitoring, detection and response. CrowdStrike therefore has a fundamentally different AI edge from the other four companies.

Five examples, not a complete list

Snowflake, Palantir, ServiceNow, SAP and CrowdStrike are explicitly not the only software companies that can benefit from AI. We use these five because together they clearly illustrate how different the opportunities within software can be.

Snowflake controls the data and consumption layer. Palantir sits around operational intelligence and execution. ServiceNow can occupy the workflow and orchestration layer for a digital workforce. SAP supplies the transactional context where mission-critical actions occur. CrowdStrike protects the digital infrastructure in which increasingly autonomous software operates.

That distinction matters. There is little value in treating every company introducing a copilot, chatbot or AI assistant as one investment category. The more interesting businesses, in our view, are those where AI makes existing strategic assets more valuable.

From human seats to digital activity

AI could also alter the economics of software itself. Traditional SaaS is often built around human users. A customer with 20,000 employees can purchase only a finite number of seats, and AI could even pressure that model if fewer people are required to perform the same work.

For other software companies, the opposite can happen. Revenue potential becomes determined less by the number of humans and more by the amount of digital activity.

Snowflake can monetize additional compute and data processing. Palantir can support more decisions and operational actions. ServiceNow can orchestrate a rising number of workflows and agents. SAP can automate more transactions and processes. CrowdStrike gains more digital activity and identities to protect.

This is a fundamental difference. Employee numbers grow relatively slowly, while machine activity can scale almost without limit. One worker can supervise dozens of agents and each agent can execute thousands of tasks without the natural constraint of a human working day.

For investors, this could become one of the most important structural changes within software.

Where the real moat emerges

At the same time, investors should remain cautious around individual AI features. Foundation models are improving so quickly that many capabilities can be copied relatively easily. A company with nothing more than a good chatbot therefore probably does not possess a durable competitive edge.

The stronger moat emerges beneath the interface. Enterprise data, permissions, transactional history, operational models, integrated workflows and security telemetry are much harder to replace.

That is exactly why these five companies are interesting. Snowflake has data and governance, Palantir owns company-specific operational models, ServiceNow has existing workflows, SAP sits deep inside mission-critical transactions and CrowdStrike possesses extensive security context.

AI can therefore produce an interesting paradox. The models themselves may become increasingly commoditized while the enterprise software layer surrounding those models becomes more valuable.

What this means for the broader AI cycle

Growth in software does not mean opportunities in semiconductors or infrastructure disappear. A successful software layer can actually extend the infrastructure cycle.

If enterprises generate measurable productivity gains through AI software, further investment in accelerators, networking and data centers becomes more economically rational. That can create a feedback loop in which hardware enables better applications and better applications subsequently justify another round of hardware investment.

The AI trade therefore does not need to rotate simply from chips into software. The market can broaden instead. As more economic value is created, multiple parts of the chain can benefit simultaneously.

Key risks

The main competitive threat comes from hyperscalers and foundation-model providers moving further up the software stack. Microsoft, Google, Amazon, OpenAI and Anthropic all have strong incentives to offer more data, workflow, agent and security functionality themselves. The five selected companies therefore need to continue proving that their enterprise positions remain deep and differentiated.

Valuation also remains critical. A fundamentally attractive company is not automatically attractive at every price. Particularly in software businesses where markets already discount years of rapid AI growth, a relatively modest disappointment can cause significant multiple compression.

This is why we do not treat share-price weakness mechanically as a buy signal. If the underlying thesis deteriorates, AI monetization disappoints or competition becomes structurally stronger, the analysis changes. But when strong companies correct while their strategic position remains intact, that is precisely where interesting opportunities can emerge.

Conclusion

We were already selectively bullish on software companies capable of occupying essential positions within the AI architecture. Snowflake's latest results reinforce that existing view as AI increasingly begins to contribute to actual consumption and financial growth.

Snowflake, Palantir, ServiceNow, SAP and CrowdStrike are only five examples, but they clearly illustrate what we are looking for: an existing enterprise position, a distinct structural edge and an economic model that can become stronger as customers use more AI. Meaningful share-price weakness therefore keeps these names high on our list when looking for new opportunities.