Les sociétés de logiciel SAAS ont subi récemment une réduction boursière de minimum 20%. Ce mouvement, appelé la « SaaS-pocalypse  désigne  une rhétorique alarmiste alors que ceci exige plutôt une relecture structurelle  de transformation de modèle économique induit par la disruption  (Christensen, 1997; Bughin, 2025 et Bughin, et van Zeebroeck, 2025, Majumdar et al. 2018).

Dans le passé, le moteur économique du SaaS a été alimenté par une logique stable : les fournisseurs vendaient l’accès à des outils numériques, et la croissance était mesurée par le nombre de licences par utilisateur.  Avec l ère de l’ IA agentique, celle- ci agit de manière indépendante modifiant des bases de données, déclenchant des transactions et exécutant des procédures gouvernées ( Pati, 2025). La licence d’ utilisation est vidée de sa substance, et on assiste à un déplacement vers lde nouveaux modèles de monétisation (Bohnsack et de Wet, 2025).

Lorsque les marchés réalisent l’ampleur d’une disruption, la réinitialisation peut être brutale car elle expose la « dette du modèle d’affaires »  (Tripsas, and Gavetti, 2000 ; Lucas, and Goh, 2009 ;  West, and  Mace, 2010) —dans ce cas , l’exécution agentique devrait déplacer la valeur des licences par utilisateur vers des modèles fondés sur l’usage, l’automatisation et l’orchestration.

Le risque agentique est déjà visible : près de 50 % des applications SaaS non critiques font face à un « churn silencieux » ( Bughin and Remy, 2025) : elles restent dans la pile technologique mais leurs interfaces utilisateurs sont contournées. L’explosion agentique se precise par l’adoption virale de Manus AI (Shen, et al., 2025) et surtout d’OpenClaw, dont la traction en open source  atteint des niveaux comparables aux logiciels comme TensorFlow, ou PyTorch, mais sur un horizon 20 fois plus rapide. cette rupture technologique est résumée par Jensen Huang , PDG de NVIDIA par le fait que « OpenClaw a accompli en trois semaines ce qui a pris trente ans à Linux », devenant de fait le « Système d’Exploitation Universel pour Agents »[1].

Toutefois, la disruption, ne signifie pas que tous les SAAS vont disparaitre demain .  D’une part, les solutions  agentiques ne sont pas parfaites  :  Claude, en tant que « large language model » se base sur un raisonnement  probabiliste. Dans des domaines comme la santé, un taux d’hallucination de 1 % n’est pas un bug mineur, mais une responsabilité juridique. Le marché aussi ignore le « dividende du travail ». Quand l’exécution devient moins chère, l’usage explose ; l’IA agentique permet au logiciel de passer d’un rôle de simple facilitateur de la productivité à celui d’exécutant autonome de tâches, capturant ainsi une part croissante de budgets historiquement alloués au travail humain et aux services externalisés (Brynjolfsson & Mitchell, 2017). Finalement, les entreprises existantes s’adaptent  -même si la littérature s’est souvent focalisée sur certains cas haut en couleur  comme Kodak ou Nokia (Gilbert, 2005 ). En fait, les ruptures technologiques provoquent surtout une bifurcation : certains organisations échouent par rigidité, mais beaucoup  se réinventent, et capturent une grande partie de la vague suivante (Eggers et Park 2018 et Kumaraswamy, et al., 2018, Bergek, et al 2013).

Non seulement nous pouvons distinguer une bifurcation du SAAS, mais aussi que des trajectoires divergentes sont en train de se créer, augurant d’une dynamique classique de réinvention : les trajectoires  constituent plutôt des processus de réorganisation industrielle dans lesquels les positions concurrentielles sont redistribuées selon des mécanismes sélectifs liés aux actifs, aux capacités de réinvention organisationnelles et aux architectures de valeur  Autrement dit, la rupture ne détruit pas “le SaaS” comme catégorie ; elle recompose ses fondements économiques (Bughin, 2025 )

1. CADRE CONCEPTUEL

Si la valeur autour du SAAS se déplace, elle ne le fait pas de manière aléatoire : elle se recompose autour de deux axes nouveaux=

• Le premier axe est celui du pouvoir d’action Un système possède du pouvoir d’action lorsqu’il peut effectuer des modifications réelles dans les systèmes clients Ce pouvoir suppose l’existence de droits d’accès, de mécanismes de gouvernance, et d’un environnement de confiance. (Bohnsack & de Wet, 2025 ).
• Le second axe est celui du pouvoir d’orchestration. Les entreprises fonctionnent par chaînes interdépendantes d’actions. L’enjeu est de coordonner l’ensemble du processus, et d’éviter la dérive chaotique des systèmes multi-agents (Manik, and Wang, 2026).. Le pouvoir d’orchestration devient une nouvelle source de rareté stratégique, car il permet de transformer de l’intelligence fragmentée en exécution institutionnellement cohérente.

La thèse présentée  est que la bifurcation du SaaS est précisément structurée par ces deux axes. La disruption de l’IA agentique devrait s’observer moins comme un choc uniforme que comme l’émergence de trajectoires distinctes de transformation produit et de modèle d’affaires. La première trajectoire est assistive. Le logiciel intègre de l’IA sous forme de copilote, de génération de contenu, de synthèse, d’aide à la recherche ou de suggestion. Dans ce cas, l’IA enrichit l’interface mais ne modifie pas fondamentalement la logique de création de valeur. L’utilisateur reste au centre de l’exécution, et le pricing reste généralement aligné sur les plans existants, souvent via le bundling ou montée en gamme. La deuxième trajectoire est semi-agentique. Ici, l’IA ne se limite plus à suggérer ; elle automatise certaines portions du workflow, déclenche des tâches sur plusieurs étapes, agit sous supervision et commence à absorber une part du travail. Les modèles de prix deviennent plus hybrides : crédits, usage, add-ons, quotas, bundles différenciés. La troisième trajectoire est agentique au sens fort. L’IA exécute effectivement des workflows entiers ou des sous-processus complets, parfois de façon continue, avec mémoire et intégration profonde aux systèmes. Dans ce cas, la logique économique se déplace vers des unités de valeur plus directement liées au travail automatisé : action exécutée, tâche complétée, minute autonome, crédit d’exécution, usage gouverné, ou performance mesurée.

La littérature sur les modèles de revenus a aussi montré que les mécanismes de prix ne sont pas neutres : en sus du  coût, le prix est lié au type de valeur captée et le niveau de maturité du produit (Dempsey & Kelliher, 2018 ; van Oord et al., 2025). Dans le SaaS classique, l’utilisateur constitue l’unité la plus intuitive de monétisation, car il représente à la fois le bénéficiaire et l’exécutant du travail. Mais lorsque le travail commence à être absorbé par des agents, la pertinence de cette unité s’érode. On peut alors anticiper qu’à mesure qu’une firme progresse dans sa maturité agentique, elle aura davantage tendance à migrer vers des modèles de monétisation fondés sur l’usage, l’action ou le résultat.

À partir de ce cadre conceptuel, deux hypothèses peuvent être formulées.

1. H1 : segmentation du marché du saas : Toutes les entreprises ne disposent pas de la même capacité à convertir l’IA en exécution institutionnellement crédible. Les plateformes les plus intégrées, les plus connectées aux workflows métiers et les plus proches des systèmes d’enregistrement devraient être mieux placées pour transformer l’IA en produit exécutoire monétisable, alors que d’autres resteront figées dans le SAAS traditionnel, en l’absence de compétences du nouveau monde .
2. H2 : Si l’IA agentique transforme l’unité économique du SaaS,  la probabilité qu’une firme adopte une tarification à l’usage augmente avec sa maturité agentique ;

Si ces hypothèses sont vérifiées, on assite des lors à une resegmentassions du marché du SAAS qui se traduit par un nouveau modèle de prix/produit et d’écosystème- et pas nécessairement à l’apocalypse programmée.

III. ANALYSE EMPIRIQUE

Nous adoptons une stratégie en deux étapes. Nous utilisons une classification hiérarchique (méthode de Ward, et classes latentes ) qui regroupe les entreprises selon leurs caractéristiques technologiques et économiques. Cette méthode répond à une question structurelle : Observe-t-on une dispersion continue des positions ou l’émergence de régimes stratégiques cohérents ?   Ensuite, sachant les différents segments, se pose la question du nouveau modèle de prix pour répondre à la question  si le changement de  tarification des produits compatibles avec la maturité agentique.

3.1. Données

Nous travaillons sur les 50 plus grandds SAAS sur les marchés boursiers. Toutes les données ci-dessus sont publiques ou extraites par la methode du scrapping, sur le Q4 2025-Q1 :2026.

Deux variables sont créées :  EX (autorité d’exécution) et ORCH (capacité d’orchestration) qui opérationnalisent les deux dimensions stratégiques centrales de l’IA agentique.  Ces deux variables ont un score entre 1 et 5, en référence aux échelles dans la littérature en transformation numérique  (Rai et al., 2012).  , EX=1 si aucune exécution autonome, et EX=5 si le modèle Saas a une exécution autonome complète avec droits d’écriture systèmes ; ORCH= 1, si le SAAS est un outil isolé sans intégration ; =5 si le SAAS peut  orchestrer du  multi-agents et multi-plateformes bout-en-bout (Gawer & Cusumano, 2014 ; Adner, 2017). Cette hiérarchisation est cohérente avec les travaux sur l’intégration architecturale des plateformes numériques (Tiwana, 2014).  Nous y ajoutons deux éléments opérationnels, qui facilitent la mise en œuvre des axes stratégiques= AIM dont le score 1 à 4 mesure le degré d’agentification des offres IA ; et PLATFORM qui mesure le niveau d’intégration de la plateforme dans l’environnement du client

Variable de prix (P) .Cette variable prend la valeur 1 lorsque l’éditeur propose une tarification explicitement indexée sur l’usage effectif du produit — par exemple le volume de requêtes traitées, le nombre d’actions exécutées, les crédits consommés ou le temps d’exécution autonome — et 0 sinon. L’hypothèse testée est de voir si l’évolution du modèle de prix s’écarte du modèle par licence utilisateur en fonction des classes de nouvelles capacités d’exécution.

Variables de contrôle.  Nous utilisons des variables de contrôle comme la localisation principale de l’éditeur du SAAS et la règle du 40 (croissance+marge d’EBITDA) (Wu, , 2011, Lindskog & Löf, 2025, Lee, 2024).

3.2 Résultats

Les résultats par la méthode de Ward , ou des classes latentes se rejoignent sur l’ existence de quatre segments—(corrélation  > 70%). La distance relative entre paires de segments est la plus grande (petite) entre C1-C4 (C2-C3), ce qui correspond à C4 et C1 étant des extrêmes et C2/C3 étant des clusters plus proches, voire transitoires.   L’ hypothèse 1 est confirmée : les éditeurs ne se distribuent donc pas le long d’un continuum uniforme mais se regroupent en configurations stratégiques distinctes (Tableau 1).

Tableau 1 : Segmentation de des logiciels SAAS, 2026, top 50 SAAAS mondiaux

De même, l’ analyse de différence des tarifications entre clusters ( tableau 2) souligne une différence systématique entre chaque paire de segments à p<0,01. Finalement une analyse de régression a été réalisée où le prix est testé comme un fonction des clusters ( C1 est le défaut). La tarification se rapproche de 1 pour le segment C4, et les différences par segment sont significatives (p<0,05).

Tableau 1 : Évolution de la tarification en fonction des segments, 2026, top 50 SAAAS mondiaux

En fait, la cartographie des segments est très frappante :

Cluster 1 — SaaS d’interface .Ces acteurs restent centrés sur l’expérience utilisateur et l’assistance informationnelle. Leur IA améliore l’interface sans transformer l’exécution opérationnelle. Caractéristiques : IA principalement assistive ; tarification par siège ou bundle ; faible autorité d’exécution et dépendance aux orchestrateurs ; exemples représentatifs :Adobe (Creative Cloud IA assistive ou TeamViewer )

Cluster 2 — Orchestrateurs de workflows. Ces plateformes coordonnent processus et flux d’information mais ne contrôlent pas toujours l’acte final d’exécution. Caractéristiques :forte capacité d’intégration multi-systèmes ;ia pour coordination et automatisation ; autorité d’exécution partielle ; pricing hybride ; exemples représentatifs : Workday (orchestration RH & finance).

Cluster 3 — Rails d’exécution. Ces acteurs contrôlent des points transactionnels indispensables. Leur valeur repose sur l’acte d’exécution plutôt que l’orchestration globale. Caractéristiques : Autorité d’exécution élevée ; orchestration limitée tarification transactionnelle ; forte défensabilité réglementaire. Exemples représentatifs : Stripe (paiements))

Cluster 4 — Plateformes agentiques intégrées. Ces entreprises combinent exécution autonome et orchestration systémique. Elles capturent la valeur la plus large.Caractéristiques :agents autonomes ; exécution transactionnelle ; pricing à l’usage, à l’action ou outcome-based Intégration profonde systèmes.  Exemples représentatifs : Palantir (orchestration décisionnelle) Snowflake (agents data ops)

1. DISCUSSION ET CONCLUSIONS

Les résultats reconsidérent une lecture restrictive de la « SaaS-pocalypse »., La première contribution du papier, e est que la rupture agentique ne détruit pas le SaaS en tant que catégorie ; elle en transforme les fondements économiques ( ici, le pricing) .  La seconde contribution réside dans la mise en évidence d’une transformation non homogène.. L’analyse de clusters révèle quatre régimes stratégiques distincts. Certains acteurs restent enfermés dans une logique d’assistance et d’interface ; d’autres commencent à capturer la nouvelle valeur liée à l’exécution autonome et à l’orchestration systémique. Pour les dirigeants d’éditeurs SaaS, la question n’est plus de savoir s’il faut “ajouter de l’IA” à l’offre, mais de déterminer où se situe réellement la valeur future : dans l’interface, dans l’exécution, dans l’orchestration, ou dans la combinaison des deux.

Cette étude présente plusieurs limites qui appellent à des recherches futures. Premièrement, l’échantillon reste limité à cinquante éditeurs majeurs, principalement nord-américains, mondial. Deuxièmement, les variables sont des mesures construites à partir d’un codage structuré, ce qui appelle des validations futures plus étendues. Troisièmement, l’analyse reste transversale, alors que la dynamique de bifurcation devrait idéalement être suivie dans le temps.

[1] OpenClaw Adoption Curve Goes Vertical, Says NVIDIA CEO Jensen Huang – Open Source For You