Agent statt Anwender: Warum AI-Agenten das SaaS-Geschäftsmodell auf den Kopf stellen

Salesforce hat ein Paradoxon geschaffen. Das Unternehmen hat Milliarden in Agentforce investiert — ein Produkt, das Kundenservice, Vertrieb und Marketing durch AI-Agenten automatisiert. Agentforce funktioniert. So gut, dass Kunden plötzlich weniger Salesforce-Seats brauchen. Die Aktie verlor 26% ihres Werts Anfang 2026. Salesforce hat gerade bewiesen, dass sein eigenes AI-Produkt sein eigenes Geschäftsmodell frisst.

Marc Benioff gibt es inzwischen zu: Die Nachfrage nach Agentforce ist “slow”. Nicht weil es nicht funktioniert — sondern weil Kunden nicht wissen, wie sie es kaufen sollen. Bei einer Adoptionsrate von 5,3% trotz ~29.000 geschlossener Deals wird klar: Das Problem ist nicht die Technologie. Das Problem ist das Geschäftsmodell.

In Death by Clawd haben wir analysiert, welche Software-Kategorien sterben. In AI Agents brauchen Aufsicht haben wir gezeigt, warum autonome Agents scheitern. Dieser Artikel vervollständigt das Bild: Selbst die Software, die überlebt, muss ihr Geschäftsmodell fundamental neu erfinden. Denn wenn der Anwender ein Agent wird, zählen keine Seats mehr.

Die Mathematik der Seat Compression

Die Zahlen sind brutal:

Metrik	Wert	Quelle
Seat-Ersatz-Ratio	1 Agent : 5 Human Seats	Taskade
Revenue-Verlust bei Seat-Reduktion	72% bei 380→108 aktiven Nutzern	Taskade
B2B-Software-ETF (IGV) YTD	-21%, ~$2 Billionen Market Cap vernichtet	NewClawTimes
Salesforce Kursverlust	-26% (Agentforce kannibalisiert eigene Seats)	NewClawTimes
Hybrid-Pricing-Modelle	Von 27% auf 41% in einem Jahr	Bain
SaaS-Verträge mit Outcome-Elementen	40% (hoch von 15% vor 2 Jahren)	Deloitte

Ein konkretes Beispiel: Eine 380-Personen-Abteilung reduziert durch AI-Agents auf 108 aktive menschliche Nutzer. Jede SaaS-Subscription, die an Seats gebunden ist, verliert 72% ihres Revenues — ohne dass das Unternehmen einen einzigen Output-Einheit weniger produziert. Die Arbeit wird erledigt. Nur nicht mehr von Menschen, die Lizenzen brauchen.

Die drei Phasen: Copilot → Autopilot → Autonomous

Die Transition passiert nicht über Nacht. Sie folgt einem Muster:

Phase 1: Copilot (2023-2025)

AI assistiert dem menschlichen Nutzer. GitHub Copilot schlägt Code vor. ChatGPT formuliert E-Mails. Der Mensch bleibt im Driver’s Seat, die Software behält ihren Seat-Wert.

Revenue-Impact: Minimal bis positiv (AI als Premium-Feature).

Phase 2: Autopilot (2025-2027)

AI übernimmt komplette Workflows. Der Mensch überwacht und greift ein, wenn nötig. Salesforce Agentforce löst 85% des Tier-1-Supports. Der Mensch wird zum Supervisor.

Revenue-Impact: Seat Compression beginnt. 1 Supervisor braucht 1 Seat statt 5 Support-Agents.

Phase 3: Autonomous (2027+)

AI-Agents handeln eigenständig. End-to-End. Der Mensch definiert Ziele und prüft Ergebnisse. Die UI wird irrelevant — Agents interagieren via API.

Revenue-Impact: Seat-Modell kollabiert. Nur Outcome- oder Usage-basierte Modelle überleben.

Gartner prognostiziert: 40% der Enterprise-Apps werden bis Ende 2026 task-spezifische AI-Agents enthalten — hoch von unter 5% in 2025. Und bis 2030 werden 35% aller SaaS-Tools durch Agents ersetzt oder in Agent-Ökosysteme absorbiert.

Welche SaaS-Kategorien fallen zuerst?

Nicht alle Kategorien sind gleich exponiert. Die verwundbarsten:

Kategorie	Warum exponiert	Agent-Replacement-Rate
Customer Support (Tier 1)	Repetitiv, textbasiert, klar definierte Outcomes	70-85%
Data Entry & Processing	Regelbasiert, fehleranfällig, high-volume	60-80%
Basic Reporting & Analytics	Template-basiert, Daten-zu-Insight-Pipelines	50-70%
Code Review	Musterbasiert, hohe Wiederholung	40-60%
SDR/BDR Outbound	Sequenz-basiert, personalisierbar	50-70%

Die widerstandsfähigsten Kategorien:

Enterprise ERP (zu komplex, zu tief integriert, zu reguliert)
Infrastructure/DevOps (Agents brauchen Infrastruktur)
Compliance/Regulatory (Null Fehlertoleranz)
Vertical SaaS mit proprietären Daten (Moats schützen)

Die Gegenseite: Decision Fatigue und die Adoptions-Bremse

Hier wird es differenziert. Denn der Agent-Shift ist nicht nur ein Technologie-Problem — er ist ein Organisations-Problem.

Salesforce Agentforce: Case Study des Scheiterns

Metrik	Wert
Adoptionsrate unter SF-Kunden	5,3%
Erwartete Implementierungsdauer	4-6 Wochen
Tatsächliche Implementierungsdauer	9-15 Wochen
Budget-Overruns	200-300% des initialen Budgets
User-Adoption nach 6 Monaten	23% bei einem Enterprise-Kunden
”Meaningful” Revenue erwartet	Erst Fiskaljahr 2027

Barron’s nennt es “Decision Fatigue” — Kunden wollen Agentforce, können sich aber nicht entscheiden wie. Die Preisstruktur ist unklar ($0,10 pro Aktion kann ohne Governance explodieren), der ROI ist schwer messbar, und die Integration in bestehende Workflows dauert Monate statt Wochen.

Die systemischen Bremsfaktoren

Bremsfaktor	Datenpunkt
Budget-Reality-Gap	63,3% der Enterprises geben ≤10% ihres Tech-Budgets für AI aus
AI-Projektkosten unterschätzt	85% der Unternehmen um mindestens 10%, oft deutlich mehr
Datenqualität als Bottleneck	75% der AI-Initiativen scheitern an unstrukturierten Daten
Agentic-AI-Projekt-Abbrüche	>40% bis 2027 (Gartner)
GenAI-Pilots die scheitern	95% (MIT NANDA)

Der realistische Zeitrahmen

Deloitte ist nüchtern: Es könnte Jahre dauern, bis Standard-Practices für Agent-Pricing entstehen. 2026 ist eine Phase der Experimente, nicht der Revolution. Gartner erwartet erst bis 2028, dass die meisten Enterprises “assistive AI” zugunsten von “outcome-focused Workflows” aufgeben.

Gewinner und Verlierer im DACH-Markt

Agent-Ready (Gewinner)

Celonis: Process Mining + AI-Agents = Agents, die nicht nur Prozesse analysieren, sondern optimieren. Daten-Moat schützt vor Commoditisierung.
Personio: HR-Workflows sind hochgradig automatisierbar. Wer den Agent-Shift schafft (Bewerbungen screenen, Onboarding orchestrieren), gewinnt. Aber: Pricing muss von Seats auf Outcomes umgestellt werden.
SAP: Zu groß und zu tief integriert, um ersetzt zu werden. Agents werden auf SAP aufbauen, nicht SAP ersetzen. Das Ökosystem profitiert.

Agent-Exposed (Verlierer)

Generische CRM-Anbieter im Mittelstand: Wer Salesforce-Light ist und keine proprietären Daten hat, wird zwischen Salesforce Agentforce (oben) und AI-nativen Startups (unten) zerrieben.
Reporting-/BI-Tools ohne Moat: Wenn ein Agent direkt auf die Datenbank zugreift und Reports generiert, braucht niemand mehr ein Dashboard-Tool.
Klassische Ticketing-Systeme: Tier-1-Support-Agents mit 70-85% Automation machen einfache Helpdesk-Software obsolet.

Meine Perspektive 🎯

Salesforce ist der Kanarienvogel in der Kohlemine. Wenn das größte CRM-Unternehmen der Welt 26% Börsenwert verliert, weil sein eigenes AI-Produkt Seats kannibalisiert, dann ist das kein Salesforce-Problem — das ist eine Branchenwarnung. Jedes SaaS-Unternehmen mit Seat-basiertem Pricing steht vor derselben Frage: Kannibalisiere ich mich selbst — oder warte ich, bis es ein Wettbewerber tut?
Die Decision Fatigue ist real — und sie kauft den Incumbents Zeit. 5,3% Agentforce-Adoption, 200-300% Budget-Overruns, 63% der Enterprises geben ≤10% für AI aus. Das sind keine Zeichen einer Revolution — das sind Zeichen einer schmerzhaften Transition. Die gute Nachricht für Incumbents: Die Disruption kommt langsamer als der Hype suggeriert. Die schlechte Nachricht: Sie kommt.
Bains 18-Monats-Warnung ist das wichtigste Signal für PE-Investoren. Unternehmen, die innerhalb von 18 Monaten nach der ersten Seat Compression ihr Pricing nicht umstellen, erleiden permanente Revenue-Erosion. Für PE-Portfolio-Companies heißt das: Die Pricing-Transformation muss JETZT beginnen — nicht nach dem nächsten Board Meeting.
Der DACH-Mittelstand hat ein doppeltes Problem. Deutsche Mittelständler kämpfen gleichzeitig mit Datenqualität (75% scheitern daran) UND Entscheidungs-Paralyse. Wer keine sauberen Daten hat, kann keine Agents deployen. Wer Agents deployen könnte, kann sich nicht entscheiden. Das Ergebnis: Die Transition dauert in DACH 12-18 Monate länger als in den USA — was sowohl Risiko (Rückstand) als auch Chance (Second-Mover-Advantage) bedeutet.
Die wahren Gewinner sind nicht die Agent-Anbieter, sondern die Plattformen, auf denen Agents laufen. SAP, Salesforce (trotz kurzfristigem Pain), Microsoft — wer das “System of Record” besitzt, besitzt den Agenten-Spielplatz. Vertikale SaaS-Anbieter mit starken Daten-Moats werden die nächste Schicht: die Agent-fähige Middleware zwischen Plattform und Geschäftsprozess.

Fazit: Die Pricing-Landkarte 2026-2030

Zeitraum	Dominantes Modell	Seat-Anteil
2024	Per-Seat dominiert	~85%
2026	Hybrid (Seat + Usage + AI-Credits)	~59%
2028	Outcome-basiert wächst stark	~40%
2030	Usage/Agent/Outcome dominant	<40% (Gartner)

Die Frage für jedes SaaS-Unternehmen ist nicht ob die Transition kommt — sondern wann sie sich nicht mehr aufschieben lässt. Salesforce hat es auf die harte Tour gelernt: Wenn dein bestes Produkt dein Geschäftsmodell frisst, hast du keine Wahl. Du musst das Geschäftsmodell schneller neu erfinden, als das Produkt es zerstört.

Für PE-Investoren heißt das: Bei jedem Software-Investment zwei Due-Diligence-Fragen stellen — erstens: Ist das Target AI-ready? Und zweitens: Kann es sein Pricing von Seats auf Outcomes umstellen — bevor die Seat Compression zuschlägt?