Fünf Szenarien: Wie AI den SaaS-Markt umkrempelt

Die Frage, was AI mit dem SaaS-Markt macht, wird gerne binär diskutiert: Entweder AI ersetzt alles — oder es ändert sich wenig. Die Realität ist differenzierter. Bain & Company hat in ihrer Analyse “Generative AI and the Future of Software” ein Framework mit fünf Szenarien entwickelt, das die Bandbreite der möglichen Auswirkungen auf SaaS-Unternehmen abbildet. Dieser Artikel überträgt das Modell auf den DACH-B2B-Softwaremarkt.

Bains 5-Szenarien-Framework

Die fünf Szenarien beschreiben ein Spektrum — von minimal betroffen bis fundamental disrupted. In der Praxis wird nicht jede Software-Kategorie dasselbe Szenario durchlaufen. Die Einordnung hängt von der Aufgabenstruktur, der Fehlertoleranz und der Datenabhängigkeit des jeweiligen Marktes ab.

Szenario	Beschreibung	AI-Impact auf SaaS	Beispiel-Kategorien
1 — No AI	AI hat keinen nennenswerten Einfluss	Minimal	Stark regulierte Nischen
2 — AI enhances	AI verbessert bestehende Software	Positiv für Incumbents	ERP, Construction Tech
3 — AI outshines	AI-Agenten übernehmen Workflows, SaaS bleibt System of Record	Gemischt	HR-Plattformen, Finance
4 — AI cannibalizes	AI ersetzt Kernfunktionen der Software	Negativ für Incumbents	Support-Tools, einfaches CRM
5 — Spending compresses	AI senkt Gesamtausgaben für die Kategorie	Stark negativ	Buchhaltung, Rechnungsstellung

Quelle: Bain & Company, “Generative AI and the Future of Software”, 2025

Szenario 1: No AI — Stark regulierte Nischen

Nicht jede Software-Kategorie wird von AI transformiert. In stark regulierten Bereichen, in denen jede Ausgabe auditierbar sein muss und Fehler juristische Konsequenzen haben, bleibt AI vorerst ein Randphänomen.

DACH-Beispiel: Die Haufe Group operiert tief im deutschen Steuer- und Arbeitsrecht. Die Software bildet Hunderte regulatorischer Sonderfälle ab, die sich mit jedem Jahressteuergesetz ändern. Hier geht es nicht um Produktivitätssteigerung durch AI, sondern um 100% korrekte Compliance. Ein AI-Modell, das “meistens richtig” liegt, ist in diesem Kontext wertlos.

Kennzeichen: Null Fehlertoleranz, hohe regulatorische Dichte, Haftungsrisiken bei fehlerhafter Automatisierung.

Szenario 2: AI enhances — ERP und Construction Tech

Im zweithäufigsten Szenario macht AI bestehende Software besser, ohne das Geschäftsmodell zu bedrohen. Die Incumbents integrieren AI-Features und steigern den Kundenwert — und können dafür mehr verlangen.

DACH-Beispiele:

thinkproject nutzt AI zur automatisierten Dokumentenklassifikation und Mängelvorhersage in Bauprojekten. Die historischen Daten (Pläne, Genehmigungen, Mängelberichte) sind der entscheidende Vorteil — AI macht sie erst richtig nutzbar.
Procore integriert AI-gestützte Risikobewertungen in seine Construction-Management-Plattform. Das Ökosystem aus Generalunternehmern, Subunternehmern und Architekten verstärkt den Netzwerkeffekt.
Celonis ist das Paradebeispiel: Process Mining erzeugt Daten-Netzwerkeffekte, die durch AI exponentiell wertvoller werden. Jeder neue Kunde verbessert die Benchmarks für alle.

Kennzeichen: Starke Daten-Moats, Workflow-Embedding, AI als Feature-Upgrade statt als Ersatz.

Szenario 3: AI outshines — Agenten übernehmen, SaaS bleibt Infrastruktur

Das komplexeste Szenario: AI-Agenten erledigen zunehmend die Aufgaben, für die Nutzer bisher die Software-Oberfläche geöffnet haben. Die SaaS-Plattform bleibt aber als System of Record bestehen — sie wird zur unsichtbaren Infrastruktur.

DACH-Beispiele:

Personio könnte in eine Welt geraten, in der AI-Agenten Stellenausschreibungen formulieren, Bewerbungen screenen und Onboarding-Workflows orchestrieren — alles Aufgaben, für die HR-Manager heute manuell durch die Personio-Oberfläche navigieren. Personios Wert verschiebt sich dann von der UX zur Daten- und Integrationsschicht.
Unit4 im Bereich ERP für Professional Services: Wenn AI-Agenten Zeiterfassung, Projektallokation und Forecasting übernehmen, wird die ERP-Oberfläche weniger relevant — aber die darunter liegende Datenbank und die Integrationen bleiben unverzichtbar.

Kennzeichen: Workflow-Automatisierung durch Agenten, Pricing-Druck auf Seat-basierte Modelle, Notwendigkeit zur Transformation in Plattform/API-Geschäft.

Strategische Frage: Wenn Nutzer die UI seltener öffnen, wie rechtfertigt man Seat-basierte Preise? SaaS-Anbieter in diesem Szenario müssen zu Outcome- oder Consumption-based Pricing wechseln.

Szenario 4: AI cannibalizes — Kernfunktionen werden ersetzt

Hier wird es schmerzhaft: AI repliziert die Kernfunktion der Software so gut, dass Kunden die spezialisierte Lösung nicht mehr brauchen.

Marktbeispiel: Salesforce steht vor einer zweifachen Herausforderung. Erstens: Einfache CRM-Workflows — Lead-Qualifizierung, Follow-up-Erinnerungen, Pipeline-Prognosen — können AI-Agenten zunehmend ohne dedizierte CRM-Software erledigen. Zweitens: Tier-1-Support, eines der am schnellsten wachsenden Segmente von Salesforce (Service Cloud), wird von AI-Chatbots kannibalisiert, die auf die Wissensdatenbank des Kunden trainiert werden.

Salesforce’ Antwort — Agentforce — ist der Versuch, selbst zum AI-Agenten-Anbieter zu werden, bevor es andere tun. Ob das reicht, wird davon abhängen, wie tief Salesforce in den Daten seiner Kunden verankert bleibt.

Kennzeichen: Aufgaben mit klarer Struktur und hoher Fehlertoleranz, geringe Datenabhängigkeit, Commodity-Charakter der Software-Funktion.

Szenario 5: Spending compresses — Die ganze Kategorie schrumpft

Das radikalste Szenario: AI macht Software-Kategorien nicht nur effizienter — sie reduziert die Gesamtausgaben, die Unternehmen dafür tätigen. Wenn AI eine Aufgabe 10x schneller erledigt, braucht ein Unternehmen weniger Lizenzen.

DACH-Beispiele:

sevDesk im Bereich Buchhaltung für KMUs: Wenn AI-Agenten Rechnungen automatisch erfassen, kategorisieren und verbuchen, sinkt der Bedarf an manueller Buchhaltungssoftware-Nutzung. Das Modell funktioniert noch — aber der wahrgenommene Wert pro Lizenz sinkt.
Xero und die gesamte Cloud-Buchhaltungsbranche stehen vor einem ähnlichen Druckpunkt: Wenn AI den Zeitaufwand für Buchhaltung um 80% reduziert, lässt sich ein Premium-Preis schwerer rechtfertigen.

Kennzeichen: Hohe Automatisierbarkeit, geringe Komplexität pro Transaktion, preissensitive Kundschaft.

Bains 6 Risiko-Indikatoren

Wie entscheidet man, welches Szenario für eine bestimmte Software-Kategorie eintritt? Bain identifiziert sechs Faktoren, die das AI-Disruption-Risiko bestimmen:

Aufgabenstruktur: Sind die Aufgaben klar definiert und wiederholbar? → Höheres Risiko
Fehlertoleranz: Sind Fehler akzeptabel oder katastrophal? → Geringe Toleranz = geringeres Risiko
Datenabhängigkeit: Benötigt die Aufgabe proprietäre oder historische Daten? → Hohe Abhängigkeit = geringeres Risiko
Human-in-the-Loop: Erfordert die Aufgabe menschliches Urteil? → Ja = geringeres Risiko
Regulatorische Anforderungen: Gibt es Compliance-Pflichten für die Aufgabe? → Ja = geringeres Risiko
Ökosystem-Abhängigkeit: Ist die Software mit einem Netzwerk von Partnern und Systemen verflochten? → Ja = geringeres Risiko

Faustregel: Je mehr dieser Faktoren zugunsten des Incumbents ausfallen, desto wahrscheinlicher ist Szenario 1 oder 2. Je weniger, desto eher bewegt man sich Richtung 4 oder 5.

Strategische Empfehlungen für SaaS-Unternehmen

Bains Analyse liefert drei strategische Hebel, die SaaS-Unternehmen unabhängig vom Szenario aktivieren sollten:

1. Daten als Moat ausbauen

Proprietäre Daten — Kundendaten, Branchenbenchmarks, historische Workflows — sind der stärkste Schutz. SaaS-Unternehmen sollten ihre Datenstrategie aggressiv ausbauen: Mehr Daten sammeln, besser strukturieren und für AI-Features nutzbar machen. Wer die besten Daten hat, trainiert die besten Modelle.

Für den DACH-Markt relevant: Firmen wie Hornetsecurity (Cyber-Threat-Intelligence-Daten) oder die Sage Group (Jahrzehnte an Finanzdaten kleiner Unternehmen) sitzen auf Daten-Assets, deren Wert durch AI exponentiell steigt.

2. Pricing umstellen

Das Seat-basierte Pricing-Modell ist in einer AI-Agenten-Welt nicht nachhaltig. Wenn Agenten Aufgaben übernehmen, sinkt die Zahl der menschlichen “Seats”. SaaS-Unternehmen müssen zu Modellen wechseln, die den tatsächlichen Wert abbilden:

Outcome-based: Abrechnung nach Ergebnis (z.B. pro abgeschlossenem Prozess)
Consumption-based: Abrechnung nach Nutzung (z.B. pro API-Call oder verarbeitetem Dokument)
Platform Fee: Fixe Plattformgebühr + variable AI-Nutzung

3. AI einbetten statt aufsetzen

Der größte Fehler, den SaaS-Unternehmen machen können, ist AI als separates Feature zu behandeln. AI muss in den Kern-Workflow eingebettet werden — so tief, dass die Grenze zwischen “Software” und “AI” für den Nutzer unsichtbar wird.

Investoren wie EQT, Thoma Bravo und Insight Partners erwarten von ihren Portfolio-Unternehmen genau diesen Shift: AI nicht als Marketing-Feature, sondern als integraler Bestandteil des Produkts.

Fazit

Die Zukunft von SaaS ist weder Massensterben noch Business-as-usual. Bains Framework zeigt, dass die Auswirkungen von AI auf Software-Unternehmen radikal verschieden sein können — je nach Markt, Aufgabenstruktur und bestehenden Wettbewerbsvorteilen. Für den DACH-B2B-Softwaremarkt mit seiner Stärke in regulatorisch komplexer, vertikaler Software ist das eine differenzierte Nachricht: Viele Unternehmen fallen in die Szenarien 1 bis 3, in denen AI eine Chance ist — nicht eine Bedrohung.

Die entscheidende Frage für jedes SaaS-Unternehmen: In welchem Szenario befinde ich mich — und was muss ich tun, bevor das Szenario mich einholt?

Wer die Antwort darauf sucht, sollte mit einer ehrlichen Moat-Analyse beginnen — eine Einordnung der relevanten Wettbewerbsvorteile findet sich in unserem Artikel Software-Moats im AI-Zeitalter.

Basierend auf Bain & Companys Analyse “Generative AI and the Future of Software” (2025). Die Szenarien wurden für den DACH-B2B-Softwaremarkt mit eigenen Beispielen und Einordnungen ergänzt.