Představa, že s AI skončí všechny aplikace a všechno si naprogramujeme sami, mi od začátku připadá přehnaná. Část SaaSů zanikne a některé funkce převezmou AI nástroje. Z toho mi ale nevychází konec softwaru jako služby. Spíš se mění práce, kterou od služby chceme, a způsob, jak ji používáme.
U sebe tu změnu vidím už teď. Méně chodím do cloudových prostředí, kde hostuji aplikace, i do nástrojů pro práci s kódem. Často otevřu hlavně výslednou stránku nebo aplikaci a zkontroluji, jak funguje. Nastavení či editaci obstarává agent.
Nejlépe to vidím na Notionu. Poznámky už většinou nepíšu ručně: diktuji je agentovi a on je ukládá k jednotlivým projektům. Notion tak využívám víc než dřív, i když v něm sám trávím méně času. Hodnotu pro mě má i jeho čitelnost. Když do něj přijdu, vyznám se v něm a potřebné úpravy zvládnu udělat sám. Zároveň s ním umí pracovat můj agent. Oba způsoby přístupu se doplňují.
Trh se mění. Zatím nezmizel.
Průzkum SaaS Capital zveřejněný v roce 2026 uvádí u více než tisícovky soukromých B2B SaaS firem medián růstu za rok 2025 ve výši 22 %. V samostatném ročním vzorku za rok 2024 to bylo 25 %. Jde o zpomalení, stále však růst. Tyto vzorky nepopisují celý trh ani nezaručují budoucnost dnešních dodavatelů. Ukazují ale, proč mi označení celé kategorie za mrtvou připadá nepřesné.
Zajímá mě proto, za jakou práci budou zákazníci dál platit. Dosud jsme výsledek často spojovali s obrazovkou, ve které vznikal. Pokud obsluhu převezme agent, může služba zůstat užitečná, i když její uživatel skoro nikdy neotevře dashboard.
Codex mi dává důvod používat další nástroje
Moje vlastní zkušenost s Codexem mě vede trochu jinam než k představě, že jednu aplikaci nahradím jinou. Podstatné pro mě je, že nemusím při každém přechodu mezi nástroji začínat znovu. Dřív jsem musel otevřít správnou aplikaci, najít správné místo a převést to, co chci udělat, do jejího způsobu ovládání. Když tuhle práci převezme agent, můžu zůstat u zadání a výsledku. Služba, kterou použije, přitom dál odvádí svoji část práce.
Podobnou cestu nabízejí pluginy pro Codex. Propojují aplikace, instrukce a pracovní postupy pro různé role, včetně analýz a přípravy podkladů. Pro mě je podstatné, že využívají nástroje a data, které firma už má.
Představme si přípravu na schůzku se zákazníkem. Potřebuju vědět, co jsme mu slíbili, co zůstalo otevřené a jestli se od poslední schůzky něco změnilo. Agent může poskládat podklady z několika služeb a připravit přehled. Po schůzce může navrhnout aktualizaci záznamu a založení navazujících úkolů. CRM přitom pořád drží historii zákazníka, oprávnění a strukturu obchodního případu. Nástroj na úkoly pořád hlídá termíny a stav práce. To, že jsem do nich osobně nevstoupil, neznamená, že se přestaly používat.
Z toho mi vychází i jiný pohled na rozdrobenost softwaru. Dnes je další aplikace často další heslo, další menu a další místo, které musím kontrolovat. Pokud velkou část té obsluhy převezme agent, může pro mě být přijatelnější používat několik specialistů. Pořád zbývá řešit přístupy, propojení a odpovědnost za data, ale odpadá část každodenního přepínání. Právě to může menším službám otevřít prostor, který jim dřív zavírala prostá nechuť lidí učit se další nástroj.
To, že agent může, ještě neznamená, že má
V šachu můžu vzít soupeřovu figuru a přesto to může být špatný tah. S AI je to pro mě podobné. Schopnost agenta nějaký úkol zvládnout ještě neříká, jestli je rozumné mu ho svěřovat při každém opakování. Když potřebuju pochopit nejasné zadání, propojit souvislosti nebo rozhodnout, který nástroj použít, model může být výborný pomocník. Když už přesně znám pravidla výpočtu, často mi víc dává smysl obyčejný kód, který je provede rychle a předvídatelně.
Vezměme si třeba zpracování faktur. Agent může z komunikace pochopit, jaký doklad hledám, dohledat ho a předat ho správné službě. Kontrola součtů, odhalení přesné duplicity nebo vytvoření exportu do účetního systému ale nemusí vyžadovat nové uvažování modelu při každém kroku. Taková služba může mít jasné vstupy, kontrolní pravidla a popsané chyby. AI uvnitř klidně použije tam, kde pomáhá, třeba při čtení nestandardního dokumentu. Není důvod ji volat na všechno jen proto, že ji máme k dispozici.
Podobný princip popisuje i Anthropic ve svých doporučeních pro stavbu agentů: začínat nejjednodušším řešením, které úlohu zvládne, a počítat s tím, že agentní přístup může přidávat náklady a latenci. Pro mě je to docela praktický argument pro další existenci specializovaných služeb. Agent rozhodne, co potřebuje udělat, a zavolá software, který daný úkol umí.
Průvodce OpenAI doporučuje agenty tam, kde běžná automatizace naráží na nejasné zadání, složité rozhodování nebo nestrukturovaná data. Popisuje je jako model, nástroje a instrukce. Tohle rozdělení mi dává smysl: model vybere postup a existující software provede jeho jednotlivé části.
Z pohledu nákladů navíc rozlišuju dvě různé věci. Jedna je použít AI k napsání programu. Druhá je potřebovat AI pokaždé, když program běží. Když mi Codex pomůže připravit kontrolu dat, která se pak provádí běžným kódem, využil jsem AI při vývoji, ale nemusím platit za nové rozhodování modelu nad každým řádkem. Právě tahle kombinace mi přijde zajímavá pro menší služby: snížit náklady na jejich vznik a zároveň udržet levný a předvídatelný provoz.
Malá aplikace může řešit těžkou věc
Proto očekávám větší nabídku micro SaaSů: malých služeb zaměřených na jednu potřebu. Je to moje sázka na budoucnost. Úzký rozsah přitom neznamená snadný problém. Kontrola účetního exportu nebo správa oprávnění může být malou částí celého postupu a zároveň místem, kde chyba stojí hodně peněz.
Taková služba potřebuje popsat své operace, umožnit agentovi bezpečný přístup a vracet použitelný výsledek. Agent jí zadá práci v mezích svých oprávnění. Ke mně se vrátí hotový výstup, upozornění na výjimku nebo otázka, o které musím rozhodnout. Nemusím kvůli každému běžnému kroku otevírat další aplikaci.
Levnější vývoj může vytvořit i hromadu zaměnitelných produktů, za které nikdo platit nebude. Samotná velikost aplikace není výhoda. Hodnotu vidím v kombinaci úzkého problému, znalosti jeho nepříjemných detailů a spolehlivého provozu. Za to se dá platit i ve světě, kde je první verze kódu levná.
Postavit za večer a provozovat roky jsou různé věci
Proti téhle představě stojí reálný posun k vlastnímu vývoji. V průzkumu McKinsey ze srpna 2026 uvedlo 32 % respondentů, že jejich organizace nekoupila alespoň jeden softwarový produkt nebo funkci, protože je mohla postavit interně s pomocí coding agentů. Je to silný signál, že AI už ovlivňuje rozhodování mezi nákupem a vlastním vývojem.
Část těchto rozhodnutí bude dávat smysl. U části podle mě hraje roli nadšení z rychlého prototypu. Z něj ale ještě nepoznáme, kolik práce bude potřeba pro dlouhodobý provoz. Průzkum také neříká, že firmy přestaly platit za 32 % svého softwaru; mluví o vynechání alespoň jednoho nákupu.
Postavit aplikaci pro sebe, nasadit ji do firmy a několik let ji udržovat jsou různé úkoly. V prototypu si vystačím s jedním účtem a vzorovými daty. Ve firmě někdo musí řešit odchody lidí, oprávnění, změny napojených systémů, obnovu po chybě a situaci, kdy výstup vypadá správně, ale není. Pravidla pro bezpečnost a práci s osobními údaji mají důvod. AI může výrazně zlevnit i tuhle práci, odpovědnost za výsledek tím ale nezmizí.
Při vlastním vývoji proto záleží i na technickém zázemí člověka, který se o řešení postará. Potřebuje rozumět zálohám, bezpečnosti, databázím a provozu aplikace, u složitějšího nástroje také použitelnosti. Rychlé vytvoření kódu tuto znalost samo nenahradí.
U kritických věcí bych byl zvlášť opatrný. Vztahy se zákazníky jsou pro mě dobrý příklad: než si postavím vlastní CRM, chci vědět, jaký problém stávající nabídka neřeší a zda mi stojí za převzetí celé údržby. Zavedený nástroj už má řadu těchto situací promyšlenou. Pokud vyhovuje, zaplacená služba mi může ušetřit starosti, které v prvním prototypu ještě nevidím.
Proto pro mě cena předplatného není jen cena za kód, který bych možná dokázal vygenerovat. Platím také za to, že někdo rozumí danému problému, průběžně řeší jeho výjimky a drží službu v provozu. U některých věcí to zvládnu výhodněji sám. U jiných rád zaplatím někomu, kdo je řeší pro více zákazníků a nemusí se je učit znovu jen kvůli mně.
Čím víc práce předáme agentům, tím víc potřebujeme kontrolu
U firem očekávám rostoucí hodnotu dohledatelných operací. Když agent změní nastavení nebo předá data, chci zjistit, co udělal, kdy a podle jakého pravidla. Vysvětlení nemá zůstat jen v chatu. Služba potřebuje uchovat stav a historii operací, hlídat oprávnění a odmítnout požadavek, který porušuje její pravidla.
Samotný log samozřejmě správnost nezaručí. Můžu mít dokonale zaznamenanou špatnou operaci. Smysl má až spolu s validacemi, kontrolou přístupu a možností chybu napravit. V tom vidím další důvod, proč nesvěřovat každý detail volnému rozhodování modelu. Pokud určitý krok musí splnit přesně dané podmínky, chci, aby je vynucoval systém. Agent se může postarat o kontext a koordinaci; služba musí umět říct i „tohle neprovedu“.
Rozhraní kvůli tomu nemusí zmizet úplně. Pro kontrolu problému, nastavení pravidel nebo složitější rozhodnutí bude pořád užitečné. OpenAI to ukazuje na aplikacích v ChatGPT a Apps SDK: služba může nabídnout svoje funkce i interaktivní rozhraní přímo v konverzaci a dál pracovat s vlastním backendem. Podobně fungují interaktivní nástroje v Claude. Pro mou tezi ale není podmínkou, aby UI přestalo existovat. Stačí, že do něj kvůli běžné práci nemusím chodit.
Pro tvůrce SaaSů se mění i produkt
Kdybych dnes stavěl specializovanou službu, navrhoval bych přístup pro agenta od začátku. Každá operace musí vysvětlit, co potřebuje a co vrací. Při odmítnutí má uvést důvod. Při přijetí má rozlišit dokončenou práci od požadavku, který teprve čeká na zpracování. Jinak bude agent odhadovat stav, který nezná.
Třeba u exportu dokladů chci vědět, zda se export skutečně vytvořil, které doklady zahrnuje a které skončily chybou. Pokud se přeruší spojení a agent požadavek zopakuje, neměly by bez kontroly vzniknout dvě stejné operace. To nejsou efektní funkce do produktového videa, ale právě na nich může stát důvod, proč si službu zaplatím. Někdo už promyslel situace, které na první ukázce fungující aplikace nejsou vidět.
Měnit se podle mě bude i způsob, jakým dodavatel ukazuje zákazníkovi hodnotu. Pokud do služby chodí hlavně agent, samotný počet aktivních lidských uživatelů začne popisovat jen část reality. Zajímat mě budou úspěšně dokončené úlohy, rychlost zpracování, množství práce, kterou nemusím opravovat, a náklady na výsledek. Neznamená to, že se všechno musí účtovat za jednotlivou akci. I předplatné může dávat smysl, pokud vím, co mi průběžně zajišťuje.
Za co tedy budu platit?
Až budu příště přemýšlet, jestli nějakou službu zrušit, otázka „kdy jsem ji naposledy otevřel?“ mi nebude stačit. Budu chtít vědět, jakou práci za mě udělala, jak spolehlivě ji zvládá a co bych musel převzít, kdybych ji vypnul. Pro tvůrce SaaSů to znamená prokázat hodnotu i mimo vlastní obrazovky. Přehled dokončených úloh a vyřešených výjimek pro mě může být užitečnější než snaha dostat mě za každou cenu zpátky do dashboardu.
Moje sázka je, že část nových služeb bude menší a úzce zaměřená. Budu je chtít používat i tehdy, když jejich rozhraní skoro nikdy neuvidím. Rozhodne práce, kterou pro mě spolehlivě udělají.