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.

■ De eerste golf van generatieve AI heeft individuele taken spectaculair versneld, maar de winst voor complete organisaties blijft veel kleiner. Atlassian wijst erop dat code schrijven slechts ongeveer 16% van het werk van ontwikkelaars vertegenwoordigt, terwijl de totale winst in productiviteit door AI rond 10–15% blijft steken. Dat is geen bewijs dat AI tegenvalt, maar dat de beperking verschuift naar discovery, planning, review, testing, deployment, operations en besluitvorming. De volgende economische waarde ontstaat daarom minder bij het produceren van nóg meer output en steeds meer bij het organiseren, controleren en daadwerkelijk voltooien van werk.
■ Daarmee verschuift de concurrentiestrijd binnen bedrijfssoftware naar een nieuwe besturingslaag. Ondernemingen moeten bepalen welke medewerker of AI agent een taak krijgt, welke context beschikbaar is, welke rechten gelden, welke actie mag worden uitgevoerd en hoe het resultaat achteraf kan worden gecontroleerd. Identity, permissions, policy, workflow, observability en auditability worden daardoor geen ondersteunende functies meer, maar voorwaarden voor grootschalige inzet van autonome software.
■ Bedrijfseigen context wordt tegelijkertijd schaarser naarmate foundation models beter en beter uitwisselbaar worden. Het verschil tussen weten wat een purchase order is en begrijpen hoe één specifieke order doorwerkt in voorraad, productie, logistiek, cashflow en accounting binnen één onderneming is enorm. Atlassian, Palantir, ServiceNow, Microsoft, SAP, Oracle en Salesforce proberen vanuit zeer verschillende posities precies die context en de daaropvolgende uitvoering te controleren.
■ Agentic AI kan bestaande software tegelijk bedreigen en de totale markt juist sterk vergroten. Minder menselijke handelingen kunnen traditionele licenties per gebruiker onder druk zetten, maar één werknemer kan via verschillende agents honderden of duizenden digitale acties laten uitvoeren. De economische eenheid verschuift daarmee van het aantal menselijke gebruikers naar de hoeveelheid digitaal werk. De grote commerciële vraag wordt wie die activiteit kan meten, controleren en monetiseren zonder succesvolle automatisering zo duur te maken dat klanten een alternatieve route zoeken.
■ Wij denken daarom dat de volgende fase van enterprise AI minder zal draaien om de vraag welk bedrijf de beste chatbot of coding agent bezit. Veel belangrijker wordt wie operationele waarheid, context en uitvoering kan verbinden. Atlassian begint bij werk en kennis, Palantir bij een model van de operationele werkelijkheid, ServiceNow bij services en processen, Microsoft bij development, cloud, communicatie en identity, SAP bij transactionele processen, Oracle bij applications, data en compute en Salesforce bij klantcontext. De eerste AI-golf draaide om genereren; de volgende gaat over betrouwbaar handelen.

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.

Investment View

De discussie over productiviteit door AI wordt nog te vaak gevoerd op het niveau van afzonderlijke taken. Een developer schrijft sneller code, een verkoper genereert sneller een voorstel, een jurist maakt sneller een eerste versie van een contract en een financiële medewerker krijgt binnen seconden een analyse die vroeger uren kostte. Vervolgens wordt de lokale tijdsbesparing gebruikt alsof dezelfde winst automatisch door de hele onderneming heen loopt, terwijl organisaties in werkelijkheid bestaan uit afhankelijke processen waarin iedere versnelling nieuwe beperkingen elders kan creëren.

Juist daarom is de observatie van Atlassian interessant. Wanneer code schrijven maar een relatief klein gedeelte van het totale werk vertegenwoordigt, is het logisch dat een enorme versnelling van codegeneratie slechts een veel kleinere verbetering van de totale doorlooptijd oplevert. De conclusie is niet dat AI zijn grens heeft bereikt, maar dat de volgende productiviteitsgolf moet komen uit review, testing, planning, deployment, support en andere stappen rondom de oorspronkelijke taak.

Daarmee verschuift ook de economische waarde. De eerste generatie copilots hielp mensen sneller werken binnen bestaande processen. De volgende generatie agents probeert taken zelfstandig uit te voeren, informatie uit verschillende systemen te combineren en uiteindelijk transacties te starten. Zodra dat gebeurt, zijn intelligence en generatie niet langer voldoende. Agents hebben context, identiteit, rechten, regels, verificatie en controle nodig voordat ondernemingen hun autonomie werkelijk op grote schaal durven verhogen.

Dat maakt de huidige ontwikkeling veel groter dan een nieuwe softwarefunctie. Bedrijfssoftware kan verschuiven van een verzameling applicaties die menselijke werknemers ondersteunen naar infrastructuur waarmee menselijke en digitale arbeid gezamenlijk wordt georganiseerd. Voor beleggers verandert daarmee eveneens de analyse: seat growth wordt minder volledig, activiteit van machines wordt belangrijker en de kwaliteit van de besturingslaag kan uiteindelijk meer waard worden dan de interface die de werknemer dagelijks ziet.

Waarom 10–15% productiviteitswinst helemaal niet tegenvallend hoeft te zijn

De relatief beperkte totale productiviteitswinst kan bijna wiskundig worden verklaard. Wanneer code schrijven ongeveer 16% van de totale tijd van een ontwikkelaar inneemt en AI die activiteit bijvoorbeeld met 80% versnelt, wordt slechts ongeveer 13% van de totale tijd bespaard zolang de overige werkzaamheden nauwelijks veranderen. De lokale verbetering is spectaculair, maar het systeem als geheel kan niet even hard versnellen wanneer planning, overleg, review, testing en operations ongeveer evenveel tijd blijven kosten.

Dit is dezelfde logica die in complexe industriële processen geldt. Het sneller maken van één machine in een fabriek heeft weinig waarde wanneer de volgende machine vervolgens de wachtrij bepaalt. AI creëert daardoor geen eenmalige productiviteitssprong, maar een reeks verschuivende beperkingen die achtereenvolgens moeten worden aangepakt.

Voor softwareontwikkeling betekent dit dat de eerste golf codeproductie versnelt en de tweede golf waarschijnlijk review, testing en deployment automatiseert. Daarna verschuift de beperking verder naar requirements, architectuur, besluitvorming en operations. De uiteindelijke economische impact van AI wordt daarom bepaald door hoeveel opeenvolgende stappen kunnen worden versneld zonder dat kwaliteit of controle verloren gaat.

Meer AI-output kan aanvankelijk juist meer vertraging veroorzaken

Een organisatie kan op individueel niveau sneller worden en op systeemniveau tijdelijk trager. Wanneer developers met behulp van AI veel meer code produceren, ontstaan automatisch meer pull requests, grotere veranderingen en meer werk voor reviewers. De capaciteit om te beoordelen stijgt niet vanzelf mee, waardoor de totale hoeveelheid werk in uitvoering en de wachttijd voor goedkeuring kunnen toenemen.

Dat patroon geldt ook buiten software. Een commerciële agent kan duizenden voorstellen genereren en daarmee legal en pricing overspoelen. Een financieel systeem kan honderden uitzonderingen signaleren en daarmee meer handmatig onderzoek creëren. Een klantenservice agent kan onmiddellijk de juiste categorie herkennen, maar wanneer refunds of logistieke acties nog steeds via langzame processen lopen, verdwijnt de daadwerkelijke doorlooptijd nauwelijks.

De relevante productiviteitsmaatstaf wordt daardoor steeds minder hoeveel output wordt geproduceerd en steeds meer hoeveel economische taken volledig worden afgerond. Generated output kan indrukwekkend ogen in een productdemo, maar completed work bepaalt uiteindelijk hoeveel waarde een onderneming werkelijk creëert.

Verificatie wordt schaarser wanneer generatie goedkoop wordt

Wanneer het maken van een eerste versie bijna niets meer kost, neemt de relatieve waarde van verificatie sterk toe. Een organisatie die tien keer meer output kan produceren, moet ook veel sneller kunnen bepalen welke output correct, veilig en bruikbaar is. Daarmee kan verificatie uitgroeien tot een van de belangrijkste nieuwe markten binnen bedrijfssoftware.

In software betekent dit automatische review, testing, security checks, dependency analysis en beoordeling van change risk. In finance gaat het om reconciliatie, controls, uitzonderingen en audit. In juridische processen draait het om de vraag of een automatisch gegenereerd document daadwerkelijk binnen regelgeving en bestaande contractuele verplichtingen past.

Atlassians nieuwe Code Reviewer past precies in deze verschuiving. Het product probeert niet nog meer code te maken, maar verlaagt de kosten van de controle op code die door mensen en andere agents is geproduceerd. Dat is een fundamenteel ander probleem en waarschijnlijk een duurzamer probleem, omdat de hoeveelheid te controleren output juist groeit naarmate generatieve systemen beter worden.

Context wordt waardevoller naarmate modellen beter worden

Foundation models verbeteren snel en verschillende modellen kunnen steeds meer dezelfde basistaken uitvoeren. Daardoor kan het verschil tussen model A en model B voor bepaalde zakelijke toepassingen kleiner worden, terwijl de kwaliteit van de context waarop het model werkt juist belangrijker wordt.

Een generiek model kan uitstekend uitleggen hoe Kubernetes, een purchase order of revenue recognition werkt. Het weet daarmee nog niet welke productieomgeving van één onderneming gisteren uitviel, welke wijziging eraan voorafging, wie verantwoordelijk is, welke klanten geraakt worden en welke eerdere incidenten dezelfde symptomen hadden.

Die tweede vorm van kennis is uniek. Zij ontstaat uit jaren aan documenten, transacties, code, tickets, comments, uitzonderingen en organisatorische relaties. Daarin kan een duurzamere moat ontstaan dan in algemene taalvaardigheid alleen.

De relaties tussen data zijn belangrijker dan de hoeveelheid data

Veel AI-verhalen beginnen met de stelling dat bedrijven met de meeste data vanzelf winnen. Dat is te eenvoudig. Een enorm data lake zonder voldoende structuur kan juist duur en moeilijk bruikbaar zijn, omdat een model veel irrelevante informatie moet verwerken voordat het de juiste context vindt.

De echte waarde ontstaat wanneer een systeem relaties begrijpt. Welke werknemer rapporteert aan welke manager, welke applicatie gebruikt welke database, welke fabriek produceert welk product, welke klantvraag hangt samen met welke vorige interactie en welke voorraadpositie beïnvloedt welke productieplanning? Dergelijke relaties maken van data een operationeel model.

Daarom worden graphs, semantic layers en ontologies steeds belangrijker. Ze geven AI niet alleen feiten, maar betekenis. Een agent kan dan niet alleen informatie ophalen, maar begrijpen hoe een mogelijke actie door verschillende onderdelen van de onderneming heen werkt.

Atlassian beweegt van werk registreren naar werk besturen

Atlassian heeft historisch een sterke positie in het vastleggen van werk. Jira bevat issues, status, ownership en dependencies, terwijl Confluence institutionele kennis en documentatie bevat. Jira Service Management voegt services, incidents en changes toe, waardoor een groot gedeelte van de digitale werkgeschiedenis al binnen één ecosysteem aanwezig is.

De volgende stap is dat Jira niet alleen registreert wat mensen moeten doen, maar bepaalt welk werk daadwerkelijk wordt uitgevoerd. Een issue kan bijvoorbeeld automatisch een coding agent activeren, waarna een andere agent de wijziging controleert en een volgende workflow testing of deployment voorbereidt. De mens blijft betrokken, maar verschuift steeds meer naar toezicht, uitzonderingen en beslissingen met een hoger risico.

Daarmee verandert Jira fundamenteel van projecttool naar infrastructuur voor werk. Dat is strategisch veel groter dan de toevoeging van een nieuwe assistent in de gebruikersinterface.

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.

Teamwork Graph kan belangrijker worden dan een eigen foundation model

Teamwork Graph is interessant omdat Atlassian probeert relaties tussen mensen, teams, documenten, code en werkzaamheden als één verbonden context te modelleren. Volgens Atlassian verbeterde intern de kwaliteit van AI-antwoorden met ongeveer 44% toen meer relevante context werd gebruikt, terwijl tegelijkertijd ongeveer 48% minder tokens nodig waren. De precieze uitkomst bij klanten kan verschillen, maar de richting is belangrijk.

Wanneer een agent betere antwoorden produceert met minder tokens, ontstaat tegelijk een kwaliteitsvoordeel en een kostenvoordeel. Dat wordt vooral belangrijk wanneer organisaties miljoenen agentacties uitvoeren en inferencekosten niet langer marginaal zijn.

Daarmee kan context voor Atlassian zowel een productvoordeel als een economische moat worden. Het bedrijf hoeft niet noodzakelijk het beste algemene model te bezitten als zijn context ervoor zorgt dat verschillende modellen binnen de Atlassian-omgeving betrouwbaarder en goedkoper werken.

MCP kan Atlassian relatief onafhankelijk maken van de winnaar bij coding agents

Atlassian hoeft niet zelf de beste coding agent te bouwen zolang populaire agents Jira en Confluence blijven gebruiken als bron van taken, status en context. Claude Code, GitHub Copilot, Cursor, Devin, Factory, Warp en andere tools kunnen onderling veranderen zonder dat de onderliggende werkstructuur noodzakelijk verhuist.

Dat is de strategische aantrekkelijkheid van open standaarden zoals MCP. Atlassian meldt inmiddels meer dan een miljoen actieve gebruikers per maand en meer dan vijf miljoen acties per dag via zijn MCP-omgeving. Die aantallen bewijzen nog niet dat de economische monetisatie voldoende is, maar ze laten zien dat externe agents daadwerkelijk beginnen te werken tegen Atlassian-context.

In het positieve scenario wordt concurrentie tussen agents daardoor juist gunstig voor Atlassian. Hoe beter agents worden en hoe meer werk zij uitvoeren, hoe groter de behoefte aan één centrale laag voor planning, context, verantwoordelijkheid en controle.

Palantir heeft de besturingslaag al veel langer centraal staan

Palantir is misschien het duidelijkste voorbeeld van een architectuur die al vóór de huidige agentgolf draaide om operationele context en gecontroleerde uitvoering. De Ontology is daarin belangrijker dan het algemene label AI, omdat zij probeert de werkelijkheid van een onderneming te modelleren in objecten, relaties, rechten en mogelijke acties.

Een vliegtuig, fabriek, patiënt, voorraadpositie of order is binnen zo'n model niet alleen een rij in een database. Het object heeft een toestand, staat in relatie tot andere objecten en kent acties die wel of niet zijn toegestaan. Daardoor krijgt een agent een veel rijkere operationele omgeving dan wanneer hij uitsluitend tegen losse tabellen of documenten werkt.

AIP probeert foundation models vervolgens aan die structuur te koppelen. Daarmee ontstaat een fundamenteel verschil tussen weten en handelen: het model kan niet alleen beschrijven wat waarschijnlijk moet gebeuren, maar opereren binnen een systeem dat begrijpt wat praktisch, juridisch en operationeel mogelijk is.

Palantir laat zien waarom een ontology meer is dan een nette datalaag

De waarde van een ontology zit niet alleen in betere dataorganisatie. Zij kan fungeren als interface tussen intelligence en de daadwerkelijke onderneming. Wanneer een agent bijvoorbeeld een probleem in een supply chain identificeert, moet hij vervolgens weten welke fabriek alternatief kan produceren, welke klantcontracten geraakt worden, welke voorraad beschikbaar is en wie bevoegd is om de wijziging door te voeren.

Dat is veel moeilijker dan een aanbeveling genereren. De agent moet handelen binnen de echte beperkingen van de organisatie en iedere actie moet uiteindelijk terug te voeren zijn op bestaande rechten en bedrijfsregels.

Juist in gereguleerde, industriële en mission-critical omgevingen kan zo'n architectuur zeer waardevol zijn. Autonomie wordt daar alleen geaccepteerd wanneer de ruimte waarbinnen de agent mag handelen expliciet kan worden afgebakend.

De uitdaging voor Palantir ligt in schaalbaarheid en configuratie

De keerzijde is dat een goed operationeel model niet vanzelf ontstaat. Objecten, relaties, permissions en acties moeten zorgvuldig worden gedefinieerd voordat een agent er betrouwbaar mee kan werken. Dat kan gespecialiseerde expertise en aanzienlijke implementatie-inspanning vragen.

Daarom is voor Palantir niet alleen de technologische kwaliteit van Ontology en AIP belangrijk, maar ook de snelheid waarmee die architectuur kan worden gestandaardiseerd. Hoe meer onderdelen herbruikbaar worden tussen klanten en industrieën, hoe groter de economische schaalbaarheid.

Wanneer iedere implementatie zeer intensieve menselijke begeleiding blijft vragen, blijft een belangrijk gedeelte van de waarde afhankelijk van diensten. Wanneer Palantir daarentegen steeds meer van die configuratie productiseert, kan de marge op nieuwe klantuitbreidingen structureel aantrekkelijker worden.

ServiceNow zit dicht bij een natuurlijke thuisbasis voor agents

ServiceNow begint vanuit een totaal andere positie, maar ligt eveneens dicht bij een toekomstige besturingslaag. Het platform beheert vandaag al workflows rond IT, services, assets, incidents, changes, support en andere interne processen.

Daarmee hoeft ServiceNow minder uit te leggen waarom een agent binnen een workflow acties zou moeten uitvoeren. De workflow bestaat al en de relevante objecten, rechten en escalaties zijn grotendeels bekend.

Een incident kan daardoor niet alleen worden geregistreerd, maar automatisch worden geanalyseerd. Een agent kan een mogelijke root cause vinden, een remediation voorstellen, een change starten en daarna controleren of de service daadwerkelijk is hersteld. ServiceNow kan daarmee evolueren van software die werk registreert naar infrastructuur die steeds meer werk uitvoert.

Service context kan voor ServiceNow een belangrijke moat worden

Een incident is pas goed te begrijpen wanneer duidelijk is welke services, assets en afhankelijkheden ermee verbonden zijn. Een agent die alleen een foutmelding ziet, heeft veel minder waarde dan een agent die begrijpt welke applicatie, server, gebruiker en klant wordt geraakt.

ServiceNow beschikt juist in die relationele operationele context over een sterke uitgangspositie. De kwaliteit van dat model bepaalt uiteindelijk hoeveel autonomie veilig kan worden toegestaan.

Daarin zit dezelfde bredere regel die bij vrijwel alle bedrijven in deze analyse terugkomt. Hoe beter het platform de onderneming begrijpt, hoe waardevoller de agent wordt die erop opereert.

Microsoft heeft waarschijnlijk de breedste horizontale positie

Microsoft bezit misschien de meest omvangrijke verzameling assets om verschillende lagen van digitaal werk met elkaar te verbinden. GitHub bevat code en development activity, Copilot levert intelligence, Azure levert compute en data, Teams bezit communicatie, Microsoft 365 bevat documenten en Entra beheert identity en toegang.

Die breedte kan zeer krachtig worden wanneer agents steeds meer taken over verschillende systemen uitvoeren. Een developer kan vanuit communicatie naar code gaan, AI gebruiken, context uit documenten ophalen en dezelfde identity meenemen naar andere acties binnen de organisatie.

Geen enkele individuele applicatie hoeft daarbij de volledige economische waarde te vangen. Microsoft kan monetiseren via cloud, productivity, development tools, security en identity tegelijk. Daardoor heeft de onderneming veel flexibiliteit om AI-functies te bundelen zonder iedere afzonderlijke agentactie direct te hoeven factureren.

GitHub kan veel meer worden dan code hosting

GitHub bevindt zich dicht bij het punt waar software daadwerkelijk verandert. Dat maakt het een natuurlijke plaats voor coding agents, pull requests, tests en deploymentactiviteiten.

Wanneer GitHub Issues, Copilot, Actions en andere onderdelen verder samensmelten, kan Microsoft een groter gedeelte van de softwarecyclus controleren voordat Jira of een andere externe workflowtool nodig is. Dat creëert een duidelijke strategische spanning met Atlassian.

De vraag hoeft uiteindelijk niet te worden beantwoord met één absolute winnaar. Jira kan de bredere organisatorische context blijven bezitten terwijl GitHub dichter bij de code blijft. Economisch wordt vooral belangrijk welke laag de primaire plaats wordt waar agents opdrachten, context en rechten ontvangen.

Identity kan Microsoft een onderschat voordeel geven

Naarmate agents zelfstandig handelen, wordt identity een veel groter probleem. Een menselijke werknemer heeft relatief stabiele rechten, maar een agent kan tijdelijk namens een persoon, team of proces optreden en per taak andere toegang nodig hebben.

Dat vraagt veel fijnmaziger beheer. Een agent kan bijvoorbeeld documenten mogen lezen maar geen betaling mogen autoriseren, of slechts voor een paar minuten toegang krijgen tot een productieomgeving. Rechten moeten dynamisch worden verleend en automatisch kunnen verdwijnen wanneer een taak is afgerond.

Met Entra heeft Microsoft juist in die laag een sterke positie. Identity kan daardoor uiteindelijk een van de minst zichtbare, maar economisch belangrijkste onderdelen van de agentic stack worden.

SAP bezit transactionele waarheid

SAP heeft een totaal andere vorm van context. Het systeem begrijpt niet alleen informatie over een onderneming, maar vooral hoe transactionele processen werkelijk met elkaar samenhangen.

Een purchase order is gekoppeld aan leveranciers, voorraad, productieplanning, transport, facturatie, accounting en cash. Een material movement heeft operationele én financiële gevolgen. Een productieorder raakt capaciteit, grondstoffen en kosten.

Een generiek model kan uitstekend begrijpen wat die begrippen betekenen, maar het weet niet automatisch hoe die specifieke objecten binnen één onderneming zijn geconfigureerd. Juist die transactionele betekenis is moeilijk na te bouwen en wordt bijzonder belangrijk wanneer agents niet alleen adviseren maar werkelijk acties uitvoeren.

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.

Agents kunnen SAP minder zichtbaar maar economisch belangrijker maken

De intuïtieve bear case is dat een krachtige agent de complexe SAP-interface abstraheert en daarmee SAP minder relevant maakt. De interface kan inderdaad minder zichtbaar worden wanneer gebruikers steeds meer via natuurlijke taal werken.

Dat betekent echter niet dat de economische waarde verdwijnt. Wanneer iedere betrouwbare agentactie uiteindelijk een SAP-transactie moet starten of controleren, kan het systeem onder de interface juist belangrijker worden.

De grote strategische vraag is daarom of SAP uitsluitend de transactionele backend blijft of voldoende van de context- en actielaag zelf controleert. Wanneer het die lagen succesvol verbindt, kan AI juist de waarde van de bestaande proceskennis vergroten.

Oracle combineert applications, data en compute

Oracle heeft een interessante positie omdat verschillende economische lagen binnen dezelfde onderneming bestaan. Een agent kan een proces in Fusion uitvoeren, gegevens uit Oracle Database gebruiken en compute op OCI draaien.

Dat geeft Oracle meerdere plaatsen waar waarde kan worden gevangen. Wanneer menselijke interaction met een applicatie afneemt, hoeft de economische impact niet volledig negatief te zijn als dezelfde workflow meer databasegebruik, inference of cloud consumption genereert.

Daarmee heeft Oracle meer ruimte in pricing dan een pure applicatieleverancier. Een gedeelte van AI kan relatief goedkoop worden gebundeld wanneer de totale klantwaarde elders in de stack stijgt.

Oracle kan prijsdruk op seats beter absorberen dan een pure applicatiespeler

Een leverancier die alleen een applicatielaag bezit, moet bijna iedere nieuwe AI-functie binnen diezelfde laag monetiseren. Oracle heeft meer mogelijkheden omdat applications, database en infrastructure elkaar economisch kunnen versterken.

Dat kan belangrijk worden wanneer klanten weerstand ontwikkelen tegen een groot aantal afzonderlijke AI-fees. Oracle kan functionaliteit bundelen in Fusion en toch profiteren wanneer dezelfde functionaliteit OCI en databasegebruik verhoogt.

Die flexibiliteit is niet automatisch een garantie op succes. Klanten kunnen gesloten stacks vermijden en gespecialiseerde oplossingen blijven gebruiken. Maar structureel is het krachtig wanneer één onderneming meerdere onderdelen van dezelfde digitale workflow bezit.

Salesforce bezit commerciële context en intentie

Salesforce zit sterk waar klantgedrag, commerciële kansen en service samenkomen. CRM bevat niet alleen namen en adressen, maar opportunity history, communicatie, deals, contractmomenten en service cases.

Een generieke salesagent kan een goede e-mail schrijven, maar weet daarmee nog niet welke klant werkelijk koopbereid is, welke korting al is besproken of welk contract binnenkort afloopt. Voor zinvolle autonomie heeft de agent precies de context nodig die in CRM aanwezig is.

Agentforce probeert daarom van Salesforce meer te maken dan een database waarin verkopers handmatig informatie invoeren. De strategische ambitie is dat dezelfde klantcontext direct wordt gebruikt om commerciële en serviceprocessen uit te voeren.

Salesforce moet vermijden dat CRM alleen de achterliggende database wordt

Daar ligt tegelijkertijd het risico. Wanneer werknemers vooral via agents van Microsoft, OpenAI, Anthropic of andere partijen werken, kan Salesforce technisch essentieel blijven terwijl de dagelijkse user experience elders terechtkomt.

Daarom moet Salesforce meer controleren dan data alleen. Workflow, context en action moeten voldoende in het platform blijven om een deel van de nieuwe economische waarde vast te houden.

Dat is dezelfde fundamentele spanning die door vrijwel de hele softwaresector loopt. Een system of record kan zeer sticky blijven en toch een gedeelte van zijn pricing power verliezen wanneer een andere partij de intelligente laag boven het systeem bezit.

Systems of record moeten systems of action worden

Historisch ontleenden veel softwareplatforms hun waarde aan het bewaren van de waarheid. CRM wist wie de klant was, ERP wist wat besteld was en service management wist welke service problemen had.

In een agentic omgeving wordt alleen registreren onvoldoende. Het systeem moet agents in staat stellen om verantwoord te handelen op basis van die waarheid.

Een system of action registreert niet alleen een probleem, maar kan remediation starten. Het bevat niet alleen een commerciële opportunity, maar kan een complete vervolgworkflow uitvoeren. Het noteert niet alleen een voorraadprobleem, maar kan binnen vastgestelde grenzen een herplanning voorstellen of uitvoeren.

De leveranciers die hun system of record succesvol uitbreiden naar een system of action kunnen hun bestaande moat juist versterken.

De besturingslaag zit nog boven het system of action

Zelfs wanneer een systeem acties kan uitvoeren, blijft de vraag wie bepaalt welke acties zijn toegestaan. Daar ontstaat de eigenlijke besturingslaag.

Deze laag bepaalt wie handelt, namens wie, met welke context, binnen welke rechten en onder welke policy. Ook moet zij vastleggen wanneer menselijke goedkeuring nodig is, wanneer een actie automatisch kan worden teruggedraaid en welk model voor welke taak wordt ingezet.

In grote organisaties kunnen uiteindelijk duizenden agents tegelijkertijd actief zijn. Zonder centrale regels en zichtbaarheid wordt zo'n omgeving operationeel en juridisch nauwelijks beheersbaar.

Identity wordt infrastructuur voor digitale werknemers

Ondernemingen beheren vandaag vooral menselijke identities en technische service accounts. Agents creëren een veel complexere werkelijkheid.

Sommige agents handelen namens één persoon, andere namens een team of proces. Sommige hebben slechts enkele seconden toegang nodig tot één databron, terwijl andere permanent verschillende systemen moeten kunnen gebruiken.

Permissions moeten daardoor dynamischer en veel preciezer worden. Een agent kan bijvoorbeeld tijdelijk toegang krijgen tot een contractdatabase en die toegang automatisch verliezen zodra de workflow eindigt.

Identity management verschuift daarmee van het beheren van menselijke gebruikers naar het besturen van menselijke én digitale werknemers.

Policy vertaalt bedrijfsregels naar machinegedrag

Permissions bepalen wat technisch mogelijk is. Policy bepaalt onder welke omstandigheden een actie daadwerkelijk mag plaatsvinden.

Een financieel agent kan technisch een betaling kunnen initiëren, terwijl het bedrijfsbeleid een tweede goedkeuring vereist boven een bepaalde waarde. Een deployment-agent kan toegang tot productie hebben maar geen kritieke wijziging mogen doen tijdens een druk verkoopmoment.

Dergelijke regels moeten steeds meer machine leesbaar en uitvoerbaar worden. Dat kan een grote nieuwe markt worden binnen bedrijfssoftware, omdat ondernemingen autonomie alleen breed zullen toelaten wanneer zij grenzen vooraf kunnen definiëren en achteraf kunnen aantonen dat deze zijn gerespecteerd.

Auditability wordt onderdeel van de architectuur

Een autonome agent kan in seconden meer acties uitvoeren dan een werknemer in een volledige werkdag. Daardoor kan één fout eveneens veel sneller opschalen.

Ondernemingen moeten daarom kunnen reconstrueren welke informatie de agent zag, welke instructies golden, welk model werd gebruikt, welke tools werden aangeroepen en waarom uiteindelijk een bepaalde actie is uitgevoerd. Alleen het eindresultaat vastleggen is onvoldoende wanneer een agent financiële, juridische of operationele gevolgen kan veroorzaken.

Bestaande enterprise platforms hebben hier mogelijk een voordeel omdat zij al beschikken over workflowhistorie, logging en toegangsbeheer. Die bestaande systemen kunnen worden uitgebreid naar digitale workers.

Observability verschuift van systemen naar gedrag van agents

Monitoring richt zich vandaag vooral op infrastructuur, netwerken en applicaties. In een agentic onderneming moet ook het gedrag van digitale workers continu worden gevolgd.

Waarom voert één agent plotseling tien keer zoveel acties uit? Waarom gebruikt hij een nieuwe databron? Waarom stijgt het aantal uitzonderingen in één proces en waarom vraagt een agent ineens toegang tot een systeem dat hij eerder nooit gebruikte?

Dat zijn nieuwe operationele signalen die steeds belangrijker worden naarmate autonomie toeneemt. Observability, security, identity en workflow kunnen daardoor dichter naar elkaar toe groeien.

Security verandert zodra software zelf mag handelen

Een fout antwoord van een chatbot is vervelend; een fout uitgevoerde betaling of productieactie kan veel ernstiger gevolgen hebben. Prompt injection, verkeerde context, gestolen credentials en ongewenste tool calls worden daardoor veel belangrijker zodra agents daadwerkelijk permissions krijgen.

Security moet dan niet alleen controleren of een account bestaat, maar ook of de combinatie van intentie, context en actie logisch is. Dezelfde identiteit kan op het ene moment volledig normaal gedrag laten zien en enkele seconden later een uitzonderlijke reeks acties proberen uit te voeren.

Daar ontstaat een nieuwe categorie beveiliging die sterk verweven raakt met workflow en identity. Traditionele grenzen tussen cyber security en enterprise software worden daardoor minder scherp.

Het traditionele seat model verliest geleidelijk economische betekenis

SaaS is jarenlang gebouwd rond het aantal menselijke gebruikers. Dat werkte omdat meer werknemers meestal ook meer softwareactiviteit betekenden.

Agents verbreken die relatie. Een onderneming kan minder mensen hebben en tegelijkertijd veel meer digitale handelingen uitvoeren. Eén medewerker kan meerdere gespecialiseerde agents aansturen die gezamenlijk duizenden acties uitvoeren.

Het aantal seats verandert nauwelijks terwijl de daadwerkelijke activiteit en economische waarde sterk toenemen. Daarom zullen credits, actions, workflows, compute en mogelijk outcome based pricing steeds belangrijker worden.

De eigenaar van de meter kan meer waarde vangen dan de eigenaar van de agent

Wanneer softwareactiviteit loskomt van human headcount wordt measurement strategisch. Een leverancier moet bepalen welke machineactie factureerbaar is en hoeveel waarde die actie vertegenwoordigt.

Dat evenwicht is moeilijk. Te weinig factureren betekent dat de klant vrijwel alle productiviteitswinst krijgt terwijl de leverancier nauwelijks meedeelt. Te agressief factureren betekent dat succesvolle automation steeds duurder wordt en klanten een deel van de logica buiten het platform proberen te plaatsen.

Waarschijnlijk zullen de beste prijsmodellen daarom dichter bij economische waarde komen te liggen. Een agent die een volledig procurementproces automatiseert vertegenwoordigt meer waarde dan een agent die één document samenvat.

De markt voor software kan daardoor veel groter worden dan de markt voor menselijke seats

Seat compression wordt vaak gebruikt als een bearish argument voor software. Dat behandelt slechts één helft van de vergelijking.

Wanneer iedere menselijke werknemer meerdere digitale workers kan gebruiken, kan het aantal actieve software actors vele malen groter worden dan de human headcount. Sommige agents zullen continu draaien en in minuten meer transacties uitvoeren dan een mens in een volledige werkdag.

De economische markt verschuift dan van software per werknemer naar software per hoeveelheid bedrijfsactiviteit. Voor platforms die die activiteit kunnen besturen én factureren kan de addressable market daardoor juist sterk groeien.

Niet ieder softwarebedrijf profiteert automatisch

Applicaties die vooral bestaan uit een aantrekkelijke interface boven gemakkelijk toegankelijke data zijn kwetsbaarder. Wanneer een externe agent dezelfde informatie kan ophalen en dezelfde actie via een API kan starten, kan de oorspronkelijke interface sterk aan belang verliezen.

Sterker staan systemen die unieke context, transactionele waarheid, identity, policy en workflow combineren. Hoe moeilijker die lagen buiten het platform te reconstrueren zijn, hoe groter de kans dat agents het bestaande systeem juist intensiever gebruiken.

Daarom is een algemene SaaSpocalypse-these te eenvoudig. Dezelfde AI-golf kan een interface commoditiseren en tegelijkertijd de onderliggende infrastructuur van een ander bedrijf veel waardevoller maken.

Organisational memory kan een van de sterkste nieuwe moats worden

Elke onderneming heeft jaren aan impliciete kennis. Waarom kreeg een bepaalde klant uitzonderlijke voorwaarden, waarom werd een specifieke architectuur gekozen, welke leverancier veroorzaakte eerder problemen en welke oplossing werkte tijdens een vergelijkbaar incident?

Veel van die kennis staat verspreid over documenten, code, tickets, e-mails en databases. Mensen weten vaak niet meer waar deze informatie staat of waarom een eerdere beslissing precies is genomen.

Agents kunnen deze geschiedenis voor het eerst op grote schaal toegankelijk maken, maar alleen wanneer relaties, rechten en tijdslijnen behouden blijven. Een platform dat deze organisational memory betrouwbaar kan ontsluiten, creëert daardoor een zeer sterke vorm van switching cost.

De rol van mensen verschuift van uitvoeren naar besturen

Autonome agents betekenen niet noodzakelijk dat mensen verdwijnen. Hun rol kan verschuiven van individuele uitvoering naar supervisie van veel grotere hoeveelheden werk.

Een senior developer kan minder standaardcode schrijven en verschillende digitale workers tegelijk begeleiden. Een controller kan duizenden transacties overzien, terwijl een jurist veel meer contractprocessen kan monitoren.

De productiviteitswinst komt dan niet meer alleen uit sneller persoonlijk werken, maar uit de hoeveelheid parallel digitaal werk die één expert verantwoord kan controleren. Dat kan uiteindelijk een veel grotere economische impact hebben dan de huidige copilotfase.

Ook de organisatiestructuur gaat veranderen

Wanneer minder mensen meer digitaal werk kunnen besturen, verandert waarschijnlijk ook de optimale structuur van ondernemingen. Sommige managementlagen kunnen kleiner worden wanneer informatie sneller beschikbaar is en coördinatie automatisch plaatsvindt.

Tegelijk ontstaan nieuwe functies rond agent operations, AI governance, policy, security en workflow design. De onderneming van de toekomst heeft daardoor niet alleen een organigram van menselijke medewerkers, maar ook een operationele kaart van digitale workers.

Software die beide werelden gezamenlijk kan modelleren krijgt een strategische rol die binnen traditionele SaaS nauwelijks bestaat.

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.

Digitale arbeid kan uiteindelijk een grotere markt worden dan bedrijfssoftware

Dit is mogelijk de grootste lange termijn implicatie. Software wordt vandaag vooral verkocht als hulpmiddel voor werknemers. Agents veranderen software zelf in een vorm van arbeid.

Wanneer een bedrijf een agent inzet die facturen controleert, supportvragen oplost of code schrijft, koopt het niet alleen een tool maar feitelijk een hoeveelheid digitale arbeid. Daarmee begint de grens tussen het IT-budget en delen van het personeelsbudget te vervagen.

De totale economische markt kan hierdoor veel groter worden dan de huidige SaaS-markt. Softwareleveranciers kunnen dan niet alleen meedelen in technologie-uitgaven, maar indirect ook in delen van arbeidskosten.

Foundation models hoeven uiteindelijk niet de meeste economische waarde te vangen

De modelbouwers leveren vanzelfsprekend de technologie die deze revolutie mogelijk maakt. Dat betekent niet automatisch dat zij uiteindelijk het grootste gedeelte van de waarde bezitten.

Wanneer modelkwaliteit convergeert en ondernemingen relatief eenvoudig tussen verschillende modellen kunnen schakelen, ontstaat prijsdruk op de intelligence layer. Workloads kunnen dynamisch worden verdeeld op basis van prijs, latency, veiligheid en kwaliteit.

De meer duurzame waarde kan vervolgens verschuiven naar context, workflow, identity, distribution en action. Intelligence blijft cruciaal, maar intelligence alleen hoeft onvoldoende te zijn voor een volledige economische moat.

De sterkste architecturen combineren waarheid, intelligence en action

Wanneer de verschillende bedrijven naast elkaar worden gezet, ontstaat een duidelijk patroon. De interessantste posities combineren in verschillende mate drie lagen: waarheid, intelligence en action.

Palantir probeert die drie expliciet te verbinden via Ontology en AIP. ServiceNow begint bij workflows en services. Microsoft heeft de breedste horizontale stack. SAP bezit diepe transactionele context. Oracle combineert applications, data en compute. Salesforce bezit commerciële context en Atlassian begint bij werk, kennis en softwareontwikkeling.

Geen van deze architecturen is vanzelfsprekend winnaar. Ze bewegen echter allemaal richting hetzelfde eindpunt: de afstand tussen weten en doen zo klein mogelijk maken zonder controle te verliezen.

Beleggers zullen nieuwe metrics nodig hebben

Traditionele softwarecijfers zoals recurring revenue, net retention, seat growth en operationele marge blijven relevant, maar zijn onvoldoende wanneer agents een groot deel van het werk uitvoeren.

De hoeveelheid machine activity wordt belangrijker. Beleggers moeten weten hoeveel daarvan betaald wordt, hoeveel inferencekosten worden veroorzaakt, hoeveel externe agents het platform gebruiken en of contractwaarde sneller stijgt dan human seat count.

Ook kwaliteit moet worden gemeten. Hoe vaak moet een mens ingrijpen, hoeveel actions worden teruggedraaid, hoeveel fouten veroorzaken incidents en hoeveel workflows kunnen volledig autonoom worden afgerond?

Een onderneming kan enorme AI adoption laten zien en economisch toch teleurstellen wanneer usage sneller stijgt dan monetisatie of wanneer inferencekosten een groot gedeelte van de extra omzet opslokken.

De volgende winnaar hoeft niet de beste chatbot te hebben

De eerste fase van generatieve AI maakte intelligence zichtbaar via een chatvenster. Daardoor leek de partij met de beste interface of het sterkste model automatisch de meest logische winnaar.

De volgende fase wordt waarschijnlijk minder zichtbaar. De meest waardevolle AI kan op de achtergrond draaien en duizenden processen uitvoeren zonder dat werknemers voortdurend met een chatbot praten.

Product leadership verandert daarmee van conversatiekwaliteit naar betrouwbare uitvoering. Het belangrijkste systeem kan juist het platform worden dat agents de juiste context geeft, veilige acties laat uitvoeren en ervoor zorgt dat de volledige workflow bestuurbaar blijft.

De besturingslaag wordt de strategische prijs

Wanneer een onderneming honderden of duizenden agents inzet, ontstaat uiteindelijk behoefte aan één of meerdere lagen die het geheel besturen. Die besturingslaag bepaalt identity, context, policy, permissions, monitoring, escalatie en audit.

Zij bepaalt ook welk model voor welke taak wordt gebruikt en welke acties volledig autonoom mogen verlopen. In een toekomst waarin modellen relatief makkelijk vervangbaar worden, kan die control layer veel duurzamer zijn dan een tijdelijke voorsprong in modelkwaliteit.

Daarom denken wij dat de volgende grote concurrentiestrijd binnen enterprise AI zich vooral hier gaat afspelen. De bedrijven die waarheid, intelligence en gecontroleerde uitvoering het beste verbinden, kunnen uiteindelijk een veel belangrijkere rol krijgen dan degene die alleen de oorspronkelijke prompt het snelst beantwoordt.

Conclusie

De eerste golf van generatieve AI heeft laten zien dat individuele taken spectaculair kunnen worden versneld, maar de veel beperktere verbetering van complete organisaties toont dat de echte economische strijd begint wanneer de bottleneck verschuift naar context, verificatie, workflow en uitvoering. De volgende fase draait daarom minder om wie de meeste tekst of code produceert en steeds meer om wie digitale arbeid betrouwbaar kan organiseren. Atlassian, Palantir, ServiceNow, Microsoft, SAP, Oracle en Salesforce benaderen die uitdaging vanuit verschillende posities, maar bewegen allemaal richting dezelfde kern: het verbinden van operationele waarheid, intelligence en gecontroleerde actie. Naarmate agents autonomer worden, verschuift de waarde van menselijke seats naar machine activity en van interface naar context, identity, policy en execution. Dat kan sommige traditionele softwarelagen commoditiseren, terwijl andere platforms juist veel waardevoller worden. De uiteindelijke winnaars hoeven daarom niet de bedrijven met de beste chatbot te zijn, maar de bedrijven die de besturingslaag van menselijke en digitale arbeid weten te bezitten.

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.

English version

The next phase of AI is not about who writes the best code, but about who controls digital work

■ The first wave of generative AI has dramatically accelerated individual tasks, while productivity gains across complete organisations remain much smaller. Atlassian points out that coding represents only around 16% of developer work, while overall productivity gains from AI remain around 10–15%. This is not evidence that AI is underwhelming. It means the constraint is shifting toward discovery, planning, review, testing, deployment, operations and decision-making. The next layer of economic value therefore lies less in producing still more output and increasingly in organising, governing and completing work.
■ Competition in enterprise software is consequently moving toward a new control layer. Companies need to determine which human or AI agent receives a task, which context is available, which permissions apply, which action is allowed and how the result can be audited afterwards. Identity, permissions, policy, workflow, observability and auditability therefore move from supporting capabilities toward prerequisites for deploying autonomous software at scale.
■ Enterprise context simultaneously becomes scarcer as foundation models become more capable and interchangeable. The difference between understanding what a purchase order is and knowing how one specific order affects inventory, production, logistics, cash flow and accounting inside one company is enormous. Atlassian, Palantir, ServiceNow, Microsoft, SAP, Oracle and Salesforce are approaching precisely that context and execution layer from very different starting positions.
■ Agentic AI can simultaneously threaten existing software models and expand the total market dramatically. Fewer human interactions can pressure traditional per-user licensing, but one employee may use several agents to trigger hundreds or thousands of digital actions. The economic unit therefore shifts from the number of human users toward the amount of digital work. The key commercial question becomes who can meter, govern and monetise that activity without making successful automation so expensive that customers seek an alternative.
■ We therefore believe the next phase of enterprise AI will be less about which company owns the best chatbot or coding agent. Far more important will be who connects operational truth, context and execution. Atlassian starts with work and knowledge, Palantir with a model of operational reality, ServiceNow with services and processes, Microsoft with development, cloud, communication and identity, SAP with transactional processes, Oracle with applications, data and compute, and Salesforce with customer context. The first AI wave was about generation; the next is about reliable action.

Investment View

The debate around AI productivity is still too often conducted at the level of individual tasks. A developer writes code faster, a salesperson creates a proposal more quickly, a lawyer produces an initial contract draft in minutes and a finance employee receives analysis in seconds that previously required hours. The local time saving is then treated as though the same gain automatically passes through the entire organisation, even though companies in reality consist of interdependent processes where each acceleration can create new constraints elsewhere.

This is precisely why Atlassian's observation matters. If coding represents only a relatively small portion of total developer work, it is entirely logical that enormous gains in code generation create much smaller improvements in total cycle time. The conclusion is not that AI has reached its limit, but that the next productivity wave needs to come from review, testing, planning, deployment, support and the other stages around the initial task.

Economic value moves with that shift. The first generation of copilots helped humans work faster inside existing processes. The next generation of agents attempts to execute tasks independently, combine information across systems and ultimately initiate transactions. Once that happens, intelligence and generation are no longer sufficient. Agents require context, identity, permissions, rules, verification and control before enterprises can safely increase autonomy at scale.

This makes the current transition much larger than a new software feature. Enterprise software can evolve from a collection of applications supporting human employees into infrastructure organising human and digital labour together. For investors the analysis changes as well: seat growth becomes less complete as a metric, machine activity becomes more important and the quality of the control layer may ultimately matter more than the interface an employee sees every day.

Why 10–15% productivity gains do not have to be disappointing

The relatively modest improvement in total productivity can be understood almost mathematically. If coding represents roughly 16% of a developer's total time and AI accelerates that activity by, for example, 80%, only around 13% of total time is saved if the remaining work changes very little. The local improvement is spectacular, while the system as a whole cannot accelerate equally fast if planning, meetings, review, testing and operations still require roughly the same amount of time.

The same logic applies to complex industrial processes. Making one machine in a factory dramatically faster creates little value if the next machine then determines the queue. AI therefore does not create one productivity jump, but a sequence of moving constraints that need to be addressed in turn.

For software development, this means the first wave accelerates code production and the next wave likely automates review, testing and deployment. The constraint then moves toward requirements, architecture, decision-making and operations. The ultimate economic impact of AI will therefore depend on how many consecutive steps can be accelerated without losing quality or control.

More AI output can initially create more delay

An organisation can become faster at the individual level while becoming temporarily slower at the system level. When developers use AI to produce much more code, there are automatically more pull requests, larger changes and more work for reviewers. Review capacity does not rise automatically, causing work in progress and approval queues to grow.

The same pattern exists outside software. A commercial agent can create thousands of proposals and overwhelm legal and pricing. A finance system can flag hundreds of exceptions and generate more manual investigation. A customer-service agent can classify issues instantly, but if refunds or logistics still move through slow processes, the real cycle time barely improves.

The relevant productivity metric therefore becomes less about how much output is produced and more about how much economic work is fully completed. Generated output may look impressive in a product demonstration, but completed work determines how much value the organisation actually creates.

Verification becomes scarcer as generation becomes cheap

As the cost of producing a first version approaches zero, the relative value of verification rises sharply. An organisation capable of producing ten times more output also needs to determine much faster which output is correct, safe and useful. Verification can therefore become one of the most important new markets in enterprise software.

In software this means automated review, testing, security checks, dependency analysis and change-risk assessment. In finance it involves reconciliation, controls, exceptions and audit. In legal processes it means determining whether an automatically generated document actually complies with regulation and existing contractual obligations.

Atlassian's Code Reviewer fits directly into this shift. The product is not trying to create still more code, but to reduce the cost of checking code created by humans and other agents. That is a fundamentally different problem and probably a more durable one, because the amount of output requiring verification increases as generative systems improve.

Context becomes more valuable as models improve

Foundation models are improving quickly and different models can increasingly perform the same baseline tasks. The difference between model A and model B may therefore become smaller for certain business applications, while the quality of the context available to the model becomes more important.

A generic model may understand Kubernetes, purchase orders or revenue recognition extremely well. It still does not know which production environment at one specific company failed yesterday, which change preceded the incident, who owns the service, which customers are affected and which previous incidents showed the same symptoms.

That second type of knowledge is unique. It is created through years of documents, transactions, code, tickets, comments, exceptions and organisational relationships. A more durable moat may emerge there than from general language capability alone.

Relationships between data matter more than the amount of data

Many AI narratives begin with the assumption that companies holding the most data will automatically win. That is too simplistic. A huge data lake without sufficient structure can actually be expensive and difficult to use because a model needs to process large amounts of irrelevant information before identifying the correct context.

Real value emerges when a system understands relationships. Which employee reports to which manager, which application depends on which database, which factory produces which product, which customer request connects to which previous interaction and which inventory position influences which production plan? Those relationships turn data into an operational model.

This is why graphs, semantic layers and ontologies are becoming more important. They give AI not only facts, but meaning. An agent can then do more than retrieve information; it can understand how a potential action propagates through different parts of the organisation.

Atlassian is moving from recording work toward controlling work

Atlassian has historically held a strong position in recording work. Jira contains issues, status, ownership and dependencies, while Confluence contains institutional knowledge and documentation. Jira Service Management adds services, incidents and changes, meaning a large share of digital work history already exists within one ecosystem.

The next step is for Jira not only to register what humans need to do, but to determine which work is actually executed. An issue can automatically activate a coding agent, another agent can review the resulting change and a subsequent workflow can prepare testing or deployment. Humans remain involved, but increasingly shift toward supervision, exceptions and higher-risk decisions.

Jira therefore changes fundamentally from a project tool into infrastructure for work. That is strategically much more significant than adding another assistant to the user interface.

Teamwork Graph may matter more than owning a foundation model

Teamwork Graph is interesting because Atlassian is attempting to model relationships between people, teams, documents, code and work as one connected context. Atlassian says that internally, better grounding in relevant context improved AI answer quality by roughly 44% while reducing token consumption by approximately 48%. Customer results may differ, but the direction is important.

If an agent produces better answers with fewer tokens, quality and economics improve simultaneously. This becomes especially significant when organisations execute millions of agent actions and inference costs are no longer trivial.

Context can therefore become both a product advantage and an economic moat for Atlassian. The company does not necessarily need to own the best general model if its context makes multiple models operate more reliably and cheaply inside the Atlassian environment.

MCP can make Atlassian relatively independent of the winning coding agent

Atlassian does not need to build the best coding agent itself as long as popular agents continue using Jira and Confluence as the source of tasks, status and context. Claude Code, GitHub Copilot, Cursor, Devin, Factory, Warp and other tools can change while the underlying structure of work does not necessarily move.

That is the strategic appeal of open standards such as MCP. Atlassian now reports more than one million monthly active users and more than five million daily actions across its MCP environment. Those numbers do not yet prove sufficient monetisation, but they show that external agents are beginning to work against Atlassian context in practice.

In the positive scenario, competition between agents therefore becomes beneficial to Atlassian. The better agents become and the more work they execute, the greater the need for one central layer handling planning, context, responsibility and control.

Palantir has placed the control layer at the centre for much longer

Palantir may be the clearest example of an architecture that was built around operational context and governed execution even before the current wave of agents. The Ontology matters more here than the generic AI label because it attempts to model the reality of an organisation in objects, relationships, permissions and available actions.

An aircraft, factory, patient, inventory position or order inside such a model is not merely one row in a database. The object has a state, relates to other objects and has actions that are or are not permitted. An agent therefore receives a much richer operational environment than when it works only against isolated tables or documents.

AIP then attempts to connect foundation models to that structure. This creates a fundamental distinction between knowing and acting: the model can do more than describe what probably should happen and instead operate inside a system that understands what is practically, legally and operationally possible.

Palantir demonstrates why an ontology is more than a clean data layer

The value of an ontology is not only in better data organisation. It can function as the interface between intelligence and the actual enterprise. If an agent identifies a supply-chain issue, it then needs to know which factory can provide alternative production, which customer contracts are affected, which inventory is available and who is authorised to make the change.

That is far more difficult than generating a recommendation. The agent needs to act within the real constraints of the organisation, with every action traceable to existing permissions and business rules.

This is particularly valuable in regulated, industrial and mission-critical environments. Autonomy is only acceptable there when the space in which the agent can operate is explicitly governed.

Palantir's challenge is scalability and configuration

The downside is that a good operational model does not appear automatically. Objects, relationships, permissions and actions need to be defined carefully before an agent can work against them reliably. This can require specialised expertise and meaningful implementation effort.

For Palantir, therefore, the strategic question is not only the quality of Ontology and AIP, but how quickly that architecture can be standardised. The more elements become reusable across customers and industries, the stronger the economic scalability.

If every implementation continues to require extensive human support, a meaningful share of the value remains tied to services. If Palantir increasingly productises that configuration, margins on future customer expansion can become structurally more attractive.

ServiceNow sits close to a natural home for agents

ServiceNow starts from a very different position but also sits close to a future control layer. The platform already manages workflows across IT, services, assets, incidents, changes, support and many other internal processes.

ServiceNow therefore has less need to convince customers that agents should execute actions inside workflows. Those workflows already exist and the relevant objects, permissions and escalation paths are largely known.

An incident can consequently move from simple registration toward automated analysis. An agent can identify a likely root cause, propose remediation, initiate a change and subsequently verify whether the service has actually recovered. ServiceNow can therefore evolve from software that records work toward infrastructure that executes more of it.

Service context can become a significant moat for ServiceNow

An incident can only be understood properly when the relationships between services, assets and dependencies are known. An agent seeing only an error message has much less value than one that understands which application, server, user and customer are affected.

ServiceNow has a strong starting position in precisely this relational operational context. The quality of that model ultimately determines how much autonomy can safely be granted.

This reflects the same broader rule running through almost every company in this analysis. The better the platform understands the enterprise, the more valuable the agent operating on top of it becomes.

Microsoft probably has the broadest horizontal position

Microsoft owns perhaps the broadest set of assets for connecting different layers of digital work. GitHub contains code and development activity, Copilot provides intelligence, Azure provides compute and data, Teams owns communication, Microsoft 365 contains documents and Entra manages identity and access.

This breadth can become extremely powerful as agents execute more tasks across multiple systems. A developer can move from communication to code, use AI, retrieve context from documents and carry the same identity into actions elsewhere in the organisation.

No single application needs to capture the entire economic value. Microsoft can monetise simultaneously across cloud, productivity, development tools, security and identity, giving the company considerable flexibility to bundle AI features without charging directly for every individual agent action.

GitHub can become much more than code hosting

GitHub sits close to where software actually changes. That makes it a natural location for coding agents, pull requests, testing and deployment activity.

As GitHub Issues, Copilot, Actions and related tools become more integrated, Microsoft can attempt to control a larger share of the software lifecycle before Jira or another external workflow tool becomes necessary. This creates a clear strategic tension with Atlassian.

The question does not need to have one absolute winner. Jira can continue owning broader organisational context while GitHub stays closer to code. Economically, what matters most is which layer becomes the primary location where agents receive tasks, context and permissions.

Identity may give Microsoft an underestimated advantage

As agents act autonomously, identity becomes a much larger problem. Human employees tend to have relatively stable permissions, while an agent may temporarily act on behalf of a person, team or process and require different access for each task.

That demands much finer control. An agent may be allowed to read documents but not approve payments, or receive access to a production environment for only a few minutes. Permissions need to be granted dynamically and disappear automatically once work is completed.

With Entra, Microsoft has a strong position in this layer. Identity may therefore become one of the least visible but economically most important parts of the agentic stack.

SAP owns transactional truth

SAP possesses a completely different type of context. The system understands not only information about the enterprise, but how transactional processes actually connect.

A purchase order links to suppliers, inventory, production planning, logistics, invoicing, accounting and cash. A material movement creates both operational and financial consequences. A production order affects capacity, raw materials and costs.

A generic model can understand these concepts very well, but it does not automatically know how those specific objects are configured inside one company. This transactional meaning is difficult to reproduce and becomes especially important once agents move from advising to executing real actions.

Agents can make SAP less visible but more important economically

The intuitive bearish argument is that a powerful agent abstracts away SAP's complex interface and therefore makes SAP less relevant. The interface may indeed become less visible as users increasingly interact through natural language.

That does not mean economic value disappears. If every reliable agent action ultimately needs to initiate or validate a SAP transaction, the system underneath the interface may become more important.

The key strategic question is whether SAP remains merely the transactional backend or controls enough of the context and action layers to retain incremental economics. If it successfully connects those layers, AI can strengthen the value of its existing process knowledge.

Oracle combines applications, data and compute

Oracle holds an interesting position because multiple economic layers exist inside the same company. An agent can execute a process in Fusion, use data from Oracle Database and run compute on OCI.

This gives Oracle several points at which value can be captured. If direct human interaction with an application declines, the economic effect does not have to be fully negative if the same workflow increases database usage, inference or cloud consumption.

Oracle therefore has more pricing flexibility than a pure application vendor. Part of AI can be bundled relatively cheaply if total customer value rises elsewhere in the stack.

Oracle can absorb seat pressure better than a pure application vendor

A supplier owning only an application layer needs to monetise almost every new AI function within that same layer. Oracle has more options because applications, database and infrastructure can reinforce each other economically.

This may become important if customers resist a large number of separate AI fees. Oracle can bundle functionality into Fusion and still benefit if that functionality increases OCI and database usage.

That flexibility is not an automatic guarantee of success. Customers may avoid closed stacks and continue using specialised solutions. Structurally, however, owning multiple parts of the same digital workflow is powerful.

Salesforce owns commercial context and intent

Salesforce is strongest where customer behaviour, commercial opportunities and service converge. CRM contains not only names and addresses, but opportunity history, communication, deals, contract timing and service cases.

A generic sales agent can write an excellent email without knowing which customer is actually ready to buy, which discount has already been discussed or which contract is approaching renewal. Meaningful autonomy therefore requires precisely the context stored inside CRM.

Agentforce is an attempt to make Salesforce more than a database where salespeople manually record activity. The strategic ambition is to use the same customer context directly in commercial and service execution.

Salesforce needs to avoid becoming only the backend database

This is also the key risk. If employees primarily work through agents from Microsoft, OpenAI, Anthropic or other vendors, Salesforce can remain technically essential while the daily user experience moves elsewhere.

Salesforce therefore needs to control more than reliable data. Workflow, context and action need to remain sufficiently tied to the platform to preserve part of the incremental economics.

This is the same fundamental tension running through most of the software sector. A system of record can remain extremely sticky while still losing part of its pricing power if another company owns the intelligent layer above it.

Systems of record need to become systems of action

Historically, many software platforms created value by storing truth. CRM knew who the customer was, ERP knew what had been ordered and service management knew which service was failing.

In an agentic environment, recording information alone becomes insufficient. The system also needs to allow agents to act responsibly on the basis of that truth.

A system of action does not merely register a problem, but can initiate remediation. It does not simply contain a commercial opportunity, but can execute a full follow-up workflow. It does not only identify an inventory problem, but can propose or execute replanning within governed boundaries.

Vendors capable of extending their systems of record into systems of action can strengthen their existing moats rather than lose them.

The control layer sits above the system of action

Even when a system can execute actions, someone still needs to determine which actions are permitted. This is where the true control layer emerges.

That layer determines who acts, on whose behalf, with which context, within which permissions and under which policy. It also needs to specify when human approval is required, when an action can be reversed automatically and which model should be used for which task.

Large enterprises may eventually operate thousands of agents at the same time. Without central rules and visibility, such an environment becomes almost impossible to manage operationally and legally.

Identity becomes infrastructure for digital workers

Enterprises today primarily manage human identities and technical service accounts. Agents create a much more complex reality.

Some agents act on behalf of one person, others on behalf of a team or process. Some need access for only a few seconds, while others need persistent access to multiple systems.

Permissions therefore need to become more dynamic and precise. An agent may receive temporary access to a contract database and lose that permission automatically when the workflow ends.

Identity management consequently expands from managing human users toward governing both human and digital workers.

Policy translates corporate rules into machine behaviour

Permissions define what is technically possible. Policy defines under which circumstances an action is actually allowed.

A finance agent may technically be able to initiate a payment while company policy requires a second approval above a certain value. A deployment agent may have production access but still be prohibited from making critical changes during a major sales event.

Such rules increasingly need to become machine-readable and enforceable. This can become a major new category in enterprise software because companies will only accept broad autonomy when they can define boundaries in advance and demonstrate afterwards that those boundaries were respected.

Auditability becomes part of the architecture

An autonomous agent can execute more actions in seconds than a human employee can perform in a full working day. One error can therefore also scale much more rapidly.

Enterprises need to reconstruct what information the agent saw, which instructions applied, which model was used, which tools were called and why a particular action was taken. Logging only the final result is insufficient when an agent can cause financial, legal or operational consequences.

Existing enterprise platforms may hold an advantage because they already contain workflow history, logging and access controls. Those systems can be extended toward digital workers.

Observability shifts from systems toward agent behaviour

Monitoring today focuses mainly on infrastructure, networks and applications. An agentic enterprise also needs continuous monitoring of digital worker behaviour.

Why is one agent suddenly executing ten times more actions? Why has it started using a new data source? Why are exceptions increasing in one process, and why is the same agent requesting access to a system it has never used before?

These become new operational signals as autonomy increases. Observability, security, identity and workflow can therefore move much closer together.

Security changes once software is allowed to act

A wrong chatbot answer is inconvenient; a wrong payment or production action can have materially larger consequences. Prompt injection, incorrect context, stolen credentials and unwanted tool calls therefore become far more significant once agents receive real permissions.

Security then needs to evaluate more than whether an account exists. It must consider whether the combination of intent, context and action is plausible. The same identity can behave normally in one moment and attempt an abnormal sequence of actions only seconds later.

This creates a new security category deeply connected to workflow and identity. Traditional boundaries between cyber security and enterprise software therefore become less clear.

The traditional seat model gradually loses economic meaning

SaaS has been built for years around the number of human users. That made sense because more employees generally meant more software activity.

Agents break this relationship. A company can employ fewer people while producing much more digital activity. One employee can direct multiple specialised agents that collectively execute thousands of actions.

Seat count barely changes while activity and economic value rise sharply. Credits, actions, workflows, compute and potentially outcome-based pricing therefore become increasingly important.

The owner of the meter may capture more value than the owner of the agent

As software activity separates from human headcount, measurement becomes strategic. A provider needs to determine which machine actions are billable and how much economic value they represent.

The balance is difficult. Charging too little means customers capture nearly all of the productivity gain while the supplier barely participates. Charging too aggressively makes successful automation increasingly expensive and encourages customers to move more logic elsewhere.

The best pricing models will therefore likely align more closely with economic value. An agent automating a complete procurement process represents more value than an agent summarising one document.

The software market can become much larger than the market for human seats

Seat compression is often used as a bearish argument for software, but that captures only one side of the equation.

If each human worker uses multiple digital workers, the number of active software actors can become many times larger than human headcount. Some agents can run continuously and execute more transactions in minutes than a person can complete in a day.

The economic market therefore shifts from software per employee toward software per unit of business activity. For platforms capable of controlling and monetising this activity, the addressable market can expand significantly.

Not every software company benefits automatically

Applications that mainly provide an attractive interface over easily accessible data are more vulnerable. If an external agent can retrieve the same information and trigger the same action through an API, the original interface can lose importance.

Systems combining unique context, transactional truth, identity, policy and workflow stand in a stronger position. The harder those layers are to recreate outside the platform, the more likely agents are to increase usage of the existing system rather than reduce it.

This is why a universal SaaSpocalypse thesis is too simplistic. The same AI wave can commoditise one interface while making another company's underlying infrastructure substantially more valuable.

Organisational memory can become one of the strongest new moats

Every enterprise contains years of implicit knowledge. Why did one customer receive exceptional terms, why was a particular architecture chosen, which supplier previously caused problems and which solution worked during a similar incident?

Much of this knowledge is distributed across documents, code, tickets, email and databases. People often no longer know where the information sits or why a previous decision was made.

Agents can make this history accessible at scale for the first time, but only if relationships, permissions and timelines are preserved. A platform capable of exposing organisational memory reliably can therefore create a powerful form of switching cost.

The human role moves from execution toward control

Autonomous agents do not necessarily eliminate humans. Their role can shift from individual execution toward supervising much larger volumes of work.

A senior developer may write less routine code and coordinate several digital workers simultaneously. A controller can oversee thousands of transactions, while a lawyer can supervise far more contract workflows.

The productivity gain then comes not merely from working faster personally, but from the quantity of parallel digital work one expert can govern responsibly. This may ultimately have much larger economic consequences than the current copilot phase.

Organisational structure will change as well

If fewer people can supervise more digital work, the optimal structure of enterprises is likely to change. Some management layers may become smaller as information becomes more available and coordination becomes more automated.

At the same time, new functions emerge around agent operations, AI governance, policy, security and workflow design. The enterprise of the future therefore has not only an organisation chart of human employees, but also an operational map of digital workers.

Software capable of modelling both human and digital responsibilities together can occupy a strategic position that barely exists in traditional SaaS.

Digital labour can ultimately become a larger market than enterprise software

This may be the largest long-term implication. Software today is primarily sold as a tool for employees. Agents turn software itself into a form of labour.

When a company deploys an agent to review invoices, resolve support issues or write code, it is not merely purchasing a tool but effectively buying a quantity of digital labour. The boundary between IT budgets and portions of labour budgets therefore starts to blur.

The total economic market can become much larger than today's SaaS market. Software vendors can then participate not only in technology spending but indirectly in parts of labour spending.

Foundation models do not necessarily capture most of the economic value

Model builders obviously provide the technology enabling this transition. That does not guarantee they ultimately capture the largest share of the value.

As model quality converges and enterprises can switch more easily between models, pricing pressure can develop at the intelligence layer. Workloads can be routed dynamically based on price, latency, security and quality.

More durable value may therefore migrate toward context, workflow, identity, distribution and action. Intelligence remains essential, but intelligence alone may not be enough to create the complete economic moat.

The strongest architectures combine truth, intelligence and action

When the different companies are compared, a clear pattern emerges. The most interesting positions combine three layers to varying degrees: truth, intelligence and action.

Palantir explicitly connects them through Ontology and AIP. ServiceNow begins with workflows and services. Microsoft owns the broadest horizontal stack. SAP brings deep transactional context. Oracle combines applications, data and compute. Salesforce owns commercial context and Atlassian starts with work, knowledge and software development.

None of these architectures is an automatic winner. They are nevertheless moving toward the same destination: minimising the distance between knowing and doing without losing control.

Investors will need new metrics

Traditional software measures such as recurring revenue, net retention, seat growth and operating margin remain relevant, but become insufficient when agents perform a large share of the work.

The amount of machine activity becomes more important. Investors need to know how much of it is paid, how much additional inference cost it creates, how many third-party agents use the platform and whether contract value grows faster than human seat count.

Quality also needs to be measured. How often does a human need to intervene, how many actions are rolled back, how many errors cause incidents and how many workflows can be completed fully autonomously?

A company can report enormous AI adoption and still disappoint economically if usage grows faster than monetisation or inference costs absorb too much of the incremental revenue.

The next winner does not need the best chatbot

The first phase of generative AI made intelligence visible through a chat window. This created the impression that the company with the best interface or strongest model would naturally become the largest winner.

The next phase will probably be less visible. The most valuable AI may run in the background and execute thousands of processes without employees constantly talking to a chatbot.

Product leadership therefore shifts from conversational quality toward reliable execution. The most important system may be the platform that gives agents the correct context, allows safe actions and keeps the overall workflow governable.

The control layer becomes the strategic prize

Once a company deploys hundreds or thousands of agents, it ultimately needs one or more layers controlling the system as a whole. That control layer defines identity, context, policy, permissions, monitoring, escalation and audit.

It also determines which model should handle which task and which actions can be executed autonomously. In a future where models become relatively easy to swap, this control layer may prove far more durable than a temporary lead in model quality.

We therefore believe the next major competitive battle in enterprise AI will increasingly take place here. The companies that best connect truth, intelligence and governed execution may ultimately occupy a much more important position than those that merely answer the original prompt fastest.

Conclusion

The first wave of generative AI has shown that individual tasks can be accelerated dramatically, but the much smaller improvement across complete organisations demonstrates that the real economic contest begins once the bottleneck shifts toward context, verification, workflow and execution. The next phase is therefore less about who produces the most code or text and increasingly about who can organise digital labour reliably. Atlassian, Palantir, ServiceNow, Microsoft, SAP, Oracle and Salesforce approach that challenge from different starting points, but all are moving toward the same core objective: connecting operational truth, intelligence and governed action. As agents become more autonomous, value shifts from human seats toward machine activity and from interface toward context, identity, policy and execution. This can commoditise some traditional software layers while making other platforms substantially more valuable. The ultimate winners therefore may not be the companies with the best chatbot, but those that manage to own the control layer of human and digital labour.