Bain & Company estime que le marché américain du SaaS fondé sur l’agentic AI (IA capable d’agir de manière autonome pour accomplir des tâches) pourrait atteindre 100 milliards de dollars. L’enjeu central, selon l’étude, n’est pas tant de remplacer des logiciels existants que de transformer un travail de coordination, aujourd’hui largement manuel, en dépenses et en offres logicielles.

De la coordination entre applications vers de nouveaux logiciels

Le potentiel identifié par Bain concerne le travail effectué entre plusieurs systèmes d’entreprise. Dans la pratique, de nombreuses équipes doivent faire circuler des informations d’un outil à un autre, par exemple entre un ERP, un CRM et des outils de support, parfois avec l’ajout de gestion fournisseurs ou d’échanges par e-mail.

Ce “travail de liaison” comprend notamment :

• extraire des données d’un système et les vérifier par rapport à une autre source ;
• interpréter des messages non structurés et décider quoi faire (approuver, répondre, escalader ou attendre) ;
• gérer des cas d’exception qui exigent de la compréhension et une coordination entre processus.

Bain souligne que l’automatisation classique par règles ou via RPA est souvent limitée dès que les flux impliquent de l’ambiguïté, des informations dispersées ou des décisions contextualisées. L’agentic AI serait mieux à même d’interpréter des signaux provenant de sources variées, d’ordonner des actions dans plusieurs systèmes, tout en restant encadrée par des garde-fous de politique interne.

Un marché largement sous-exploité

D’après Bain, les acteurs captent déjà entre 4 et 6 milliards de dollars sur le marché américain lié à ces scénarios. Plus de 90% resterait encore à adresser. À l’extérieur des États-Unis, l’étude estime que le Canada, l’Europe, l’Australie et la Nouvelle-Zélande pourraient générer un marché de taille comparable, portant l’ensemble à environ 200 milliards de dollars pour ces régions et le marché américain.

Quelle répartition par fonction dans l’entreprise ?

La taille du potentiel n’est pas identique selon les domaines d’activité. Bain évalue notamment :

• Ventes comme la plus grosse part à environ 20 milliards, surtout en raison du volume de personnes impliquées, davantage que par un potentiel d’automatisation exceptionnel ;
• Coût des ventes et opérations autour de 26 milliards, car même une automatisation modérée peut représenter beaucoup à l’échelle des équipes ;
• R&D/ingénierie, support client et finance sur des ordres de grandeur plus élevés en fonction des flux, avec une fourchette d’environ 6 à 12 milliards de potentiel adressable.

Sur le niveau d’automatisation réalisable, Bain indique que le support client ainsi que la R&D/ingénierie seraient les plus prometteurs, avec environ 40% à 60% des tâches de workflow susceptibles d’être automatisées. La finance et les ressources humaines se situeraient plutôt autour de 35% à 45%. Les scénarios juridiques seraient plus en retrait, entre 20% et 30%, en raison notamment de l’importance des conséquences d’erreurs.

Les critères qui rendent un workflow “agent-ready”

Bain liste six facteurs permettant d’évaluer ce qu’un agent d’IA peut traiter efficacement dans un workflow. Parmi eux, la possibilité de vérifier le résultat (output verifiability), la gravité en cas d’échec, et la disponibilité d’une connaissance suffisamment numérisée.

Selon l’étude :

• les tâches avec des signaux de validation clairs sont plus faciles à automatiser ;
• les domaines exposés à un risque financier ou réglementaire nécessitent plus souvent une supervision humaine ;
• les agents ont besoin d’entrées structurées et d’un contexte documenté ;
• l’intégration multi-systèmes (multiples API, authentifications, gestion des exceptions) complique les automatisations bout-en-bout.

Bain estime que la valeur se concentre là où aucun outil ne constitue, à lui seul, la “source unique” de l’issue finale. Ces workflows traversent alors plusieurs plateformes, typiquement ERP, CRM et support.

Des modèles à outcomes plutôt qu’aux “sièges”

L’étude avance que l’arrivée d’agents capables de livrer des résultats complets pourrait pousser les éditeurs à faire évoluer la tarification. Bain évoque une montée en pertinence des modèles fondés sur l’outcome ou l’usage, notamment quand l’agent résout un incident ou traite une facture, plutôt qu’un modèle basé sur le nombre de sièges et de connexions.

Dans cette logique, une partie du travail commercial pourrait aussi être réorientée : l’accent porterait davantage sur la capacité à prouver des gains et des taux de résolution, et moins sur la seule adoption des licences.

Comment les éditeurs de SaaS pourraient s’y prendre

Bain recommande de commencer par sélectionner les workflows clients déjà suffisamment automatisables avec de l’agentic AI, en évaluant la faisabilité au niveau des sous-processus plutôt qu’en supposant que toute une fonction se vaut.

Les entreprises devraient aussi analyser la qualité des données : complétude, liens directs avec les résultats attendus et aptitude à être exploitées par l’automatisation. Pour combler des lacunes, Bain cite plusieurs voies : développement interne, acquisitions ou partenariats.

L’étude insiste également sur la nécessité de compétences en “AI engineering”, d’une architecture cloud adaptée à l’orchestration multi-agents, ainsi que de ressources pour l’entraînement et l’inférence des modèles. Enfin, l’alignement des incitations commerciales avec les résultats générés par l’IA serait, selon Bain, un point clé pour éviter de caler le produit sur des logiques historiques.

Vers des déploiements plus rapides

Bain estime que la trajectoire d’adoption peut s’accélérer : les cycles de mise en œuvre seraient davantage “mesurés en trimestres” que “en années”, au fur et à mesure que les entreprises collectent des données de déploiement à chaque workflow automatisé.

Pour illustrer concrètement les besoins, les équipes qui évaluent l’automatisation agentique s’appuient souvent sur des outils de productivité et de recherche documentaire. À ce titre, une solution comme des outils de gestion de base de connaissances peuvent aider à structurer le contexte nécessaire aux agents. Côté orchestration et automatisation des flux, des plateformes d’automatisation de workflows sont également couramment mobilisées pour relier les systèmes et gérer les déclencheurs.