Anong uri ng software ang mawawala dahil sa AI?

Ang pag-urong ng software sector mula 2026 hanggang ngayon ay iba sa mga nakaraang round ng pagwawalang-bahala sa "pagbagal ng demand/pagtaas ng interest rates": parang mas pinag-uusapan ng merkado ang panghuling halaga—kung kaya pa bang mapanatili ng mga kumpanyang ito ang profit pool pagkalipas ng sampung taon at kung ang kanilang moat ay muling mahahati ng “agentic” AI.

Ayon sa ulat ng Trading Desk, tuwirang isinulat ni Gabriela Borges, analyst ng Goldman Sachs Global Investment Research Department, noong ika-16: “Pinagdududahan ng merkado ang moat ng software at business model.” Sinuri niya ang pitong pinakakaraniwang bearish na argumento ng mga mamumuhunan, binigyan ng risk rating mula 1 hanggang 5, at pinaghihiwalay kung ang epekto nito ay para lamang sa application software, o aabot sa mas malawak na infrastructure/security stack, pati na rin sa ROI na may kaugnayan sa capital expenditure ng cloud providers.

Kapansin-pansin, hindi itinuturing ng Goldman Sachs na “ang system-level software ay ganap na mapapalitan ng AI” bilang pangunahing panganib (rating 1). Ang mas matalim na pangamba ay nasa dalawang direksyon: una, ang paglipat ng value mula sa System of Record (SoR) patungo sa “agentic operating system/orchestration layer” (rating 4); pangalawa, ang bilis mismo ng technological iteration na nagpapahirap sa pagpepresyo ng endgame (rating 5)—mahirap hanapin ang “floor” ng valuation.

Sa ganitong uri ng kawalang-katiyakan, malinaw din ang mga dapat bantayan ayon sa ulat: tutukan ang dalawang uri ng senyales—una, kung kayang patunayan ng software companies na ang “domain expertise” sa industriya ay tunay na makakapaghatid ng mas mataas na kalidad na agentic outcome; pangalawa, kung kayang mapanatili o kahit mapabuti ang mga pangunahing datos sa financial report.

Sa round na ito ng software pullback, ang “end value debate” ang sentro ng merkado

Ang pagsusuri ng Goldman Sachs: Sa pagbaba ngayong 2026, ang pokus ng debate ay lumipat mula sa “short-term growth curve” patungo sa “mawawala ba ang moat dahil sa AI.” Ang talakayan ay nakasentro sa application software, ngunit nagsisimula na ring makaapekto sa infrastructure/security stack at sa investments na konektado sa capital expenditure ng cloud providers.

Dahil dito, parang “debate breakdown” ang istilo ng ulat: hinimay ang pitong bearish na argumento mula “straw man” hanggang “steel man argument,” binigyan ng risk score, at sinikap sagutin ang parehong tanong—ano ang makakapagsuporta pa sa end value.

Hindi madaling mapapalitan ang SoR, pero mas mapanganib ang “value migration”

• A: Mababang panganib na mapalitan ang SoR (“rip and replace”, rating 1)

Ang unang bearish na argumento ay ang “rip and replace”: bagong manlalaro ang gagamit ng AI para muling buuin ang system of record, na magpapaluma sa mga base system gaya ng ERP/CRM/HR. Itinuturing ito ng Goldman Sachs na low risk, at ang dahilan ay diretso: mas parang analysis at generation engine ang generative AI, hindi transaction engine; nangangailangan ang enterprise-level AI ng maraming high-quality, structured, at traceable data, at SoR ang sisidlan at sistema ng pamamahala ng mga datos na ito.

Aminado rin ang ulat na hindi imposibleng may risk ng totoong replacement: kung may gumawa ng mas modern, scalable, at mas mababa ang total cost of ownership na arkitektura sa layer ng SoR, maaring mahikayat ang migration. Halimbawa ang cloud upgrade ng SAP S/4HANA: karaniwang tumatagal ang migration ng malalaking kumpanya ng 18–36 buwan, mataas ang gastos at mahaba ang cycle, kaya may puwang para sa “mas mura at mas mabilis na alternatibo.”

Ang “defensive moves” na binanggit ng Goldman Sachs ay nakatuon din sa arkitektura: dapat lumipat ang SoR mula passive ledger patungo sa “system of reason,” mula “AI powered” (may plug-in) patungo sa “AI native” (built-in sa arkitektura). Ilan sa mga senyales na binanggit ay ang replatforming ng Salesforce noong 2024, at ang pagbago ng Workday mula sa saradong sistema patungo sa mas bukas na ruta.

Isa pang mahalagang variable ay ang hangganan ng corporate data. Kung patuloy na “ikinukulong” ng mga negosyo ang data advantage sa kasalukuyang apps (binanggit sa ulat ang pagbabago ng Salesforce sa Slack API terms noong Mayo 2025, nililimitahan ang LLM training at bulk export), magiging mas matatag ang SoR bilang base layer, ngunit maaaring masipsip pataas ang profit pool ng mga bagong layer.

• B: Paglipat ng value mula SoR patungo sa “agentic operating system/orchestration layer” (rating 4)

Naninindigan ang Goldman Sachs na mas realistic na risk ay hindi ang pagkawala ng SoR, kundi ang pag-transform nito bilang “compliant data foundation,” at ang value ay mapupunta sa orchestration layer na kayang mag-cross-system reasoning, tumawag ng API, at mag-automate ng workflow. Kayang magbasa, magsulat, at mag-reconcile ng agents sa iba’t ibang SoR, at hindi na kailangang pumasok ang user sa orihinal na system interface—ang moat na nabuo sa UI, process, at user habit ng SoR ay mapapalabnaw.

Inilarawan ng ulat ang “kung sino ang nakapatong sa ibabaw ng sino” sa mundong ito: Sierra ay nasa ibabaw ng Salesforce, Anthropic Cowork sa ibabaw ng Microsoft, at mas malamang na makuha ng upper layer ang incremental budget. Binanggit din ng Goldman Sachs na sensitibo ang market sa line na ito, partly dahil mas mahina ang moat ng batch ng application companies na lumago noong low interest rate cycle ng 2020/2021, kaya mas madaling maapektuhan ng “disintermediation” narrative.

Ang pagkakataong naiiwan para sa traditional vendors ay nakasalalay sa “domain experience + context.” Gumamit ng ilang pahayag mula sa iba’t ibang kumpanya ang ulat upang maipakita kung bakit mahalaga ang “context”:

• Binibigyang-diin ng Microsoft na ang pananatili sa parehong ecosystem ay nagpapababa ng latency, tinitiyak ang data freshness, at nagbibigay ng mas maraming context sa LLM; at madalas na mamenos ang friction, gastos, at “breakage” ng malakihang data migration;
• Itinuturo ng HubSpot na ang pangunahing kakulangan ng enterprise AI ay “kawalan ng context,” at ang system of record ay kayang magsama-sama ng customer history at collaboration info upang mabawasan ang paulit-ulit na “pagtuturo sa AI”;
• Ipinakita ng Datadog sa analyst day noong 2/12: ang SLM na sinanay gamit ang internal data ay nakakapagbigay ng mas tumpak na resulta sa mas mababang gastos, at binibigyang-diin na ang “domain experience” ay maaaring isalin sa differentiation sa modelo at resulta.

Mas matibay sa maikling panahon ang vertical software, pero maaaring magbago ang pricing power kapag “sapat na ang usability” (rating 2)

Ang ikatlong bearish na argumento ay “horizontal eats vertical”: ginagamitan ng AI tool ng horizontal platform upang hayaang ang customer ang bumuo ng industry workflow, kaya nasisira ang pricing power ng vertical software. Binibigyan ito ng Goldman Sachs ng risk rating na 2—naniniwala silang may ilang hadlang pa rin ang vertical software: proprietary data ng industriya, deep integration sa workflow na bumubuo ng SoR attribute, long-term na reputasyon bilang reference, at compliance moat sa mahigpit na regulated na industriya.

Nagbigay ng halimbawa ang ulat gamit ang Guidewire para sa scale ng data: sa base ng customer nito, humigit-kumulang $775 bilyon sa global property & casualty insurance DWP ay pinamamahalaan gamit ang kahit isang Guidewire product, at ang historical data accumulation ay malaking hadlang sa mga outsider. Pinapansin din ng Goldman Sachs ang “pasensya ng customer”: ang deeply embedded na vertical software ay karaniwang nagpapalipat o nagpapalit ng customer sa loob ng “taon” at hindi buwan.

Ngunit hindi pinalampas ng Goldman Sachs ang risk. Binanggit din sa ulat ang emerging impact ng horizontal/AI approaches: ang pakikipagtulungan ng Palantir sa AIG at Anthropic sa insurance use cases; ang paglulunsad ng Intuit ng GenOS, na nagpapadali sa pag-encode ng vertical workflow sa horizontal accounting software gaya ng Quickbooks. Ang pangunahing tanong ay: Kapag ang AI function ng horizontal platform ay “sapat na,” hindi man “malinaw na mas magaling,” posible bang maakit pa rin ang kliyente dahil mas simple ang integration at mas kaunti ang fragmentation—direktang tinutukoy nito ang long-term pricing power ng vertical software.

Mas magiging mura ang code kaya mas maraming kompetisyon, ngunit hindi ibig sabihin na makakabuo ng kumpanya kapag nakagawa ng produkto (rating 2)

Ikaapat na bearish na argumento ay “bumababa ang code cost.” Inaamin ng Goldman Sachs na ang AI coding tools ay magpapababa ng development entry barrier at magdadala ng mas maraming mga bagong kalahok, ngunit binibigyan ito ng risk rating na 2, at ang dahilan ay: hindi lang pagsusulat ng code ang software engineering, kundi ginugugol din ng engineers ang maraming oras sa design, debugging, risk identification, at review; ang efficiency ng tools ay hindi nangangahulugang mawawala ang developer roles.

Nagbigay pa ng datos ang ulat tungkol sa “tao pa rin ang nasa loop”: Sa pag-aaral ng Faros sa 10,000 developers, mas maraming tasks ang natapos ng high AI adoption teams ng 21%, mas maraming pull requests ang na-merge ng 98%, ngunit tumaas ang pull request review time ng 91%. Ang efficiency gain ay naglilipat lang ng bottleneck sa bagong bahagi, lalo na sa enterprise delivery, kung saan security, maintenance, integration, process orchestration, ecosystem building at GTM ay matitinding gawain pa rin.

“Ang hinaharap ay customization” ay kukuha ng bahagi ng budget, ginawa ng Palantir ang customization bilang platform (rating 3)

Ikalimang bearish na argumento ay mas gustong mag-build in-house ng enterprise. Ang konklusyon ng Goldman Sachs ay mas parang kompromiso pero malinaw: ang pagbaba ng code cost ay hindi magbabago ng build vs buy sa kabuuan, ngunit maaaring ilipat ng enterprise ang bahagi ng budget sa in-house build sa ilang scenario, risk rating 3. Ang dahilan ay ang maintenance cost at responsibilidad ay nagko-compound sa mahabang panahon—kahit bumaba ang maintenance cost dahil sa agentic efficiency, bababa din ang maintenance cost ng pro vendors, kaya ang “performance/cost frontier” ay kadalasan nasa vendors pa rin.

Naniniwala ang ulat na mas malamang maagaw ng in-house build ang “middle ground”—yung bahagi sa pagitan ng traditional SoR na nangangailangan ng coordination sa iba’t ibang departamento, na dati ay hindi maganda ang pagkakakonekta ng packaged software.

Itinampok ang Palantir bilang customization paradigm: sa pamamagitan ng AIP ay nakikipag-co-build ito ng production-grade AI use case sa mga kliyente, na may emphasis sa quantifiable ROI. Binanggit ang growth data: 109% growth ng Palantir US commercial business sa 2025, inaasahang bibilis sa mahigit 115% sa 2026E. Sa pamamagitan ng frontline deployment engineers (FDE), isinasalin ng Palantir ang customer intent sa running system, at iniipon ang customer-specific solutions bilang reusable capability; sa kabila ng tanong kung “software o service” ito, naabot pa rin ng hybrid mode ng kumpanya ang ~85% gross margin.

Binanggit din ng Goldman Sachs na posibleng nasa “local high point” na ang in-house build craze: hinahabol na ng SaaS vendors ang AI capability, umuunlad ang data governance at security protocols (tulad ng A2A, MCP, atbp.), at umaakyat na rin ang IT teams. Bukas nang sinabi ng ServiceNow na nanunumbalik na ang budget na dating napunta sa “in-house build.”

“LLM tax” magpapababa ng gross margin: mas realistic sa 12–24 buwan, long-term ay pricing power pa rin (rating 3)

Ika-anim na bearish na argumento ay ang pagbabago ng gross margin structure. Inaasahan ng Goldman Sachs na ang industriya ay dadaan sa 12–24 buwang mild gross margin pressure: upang makuha ang adoption, maaaring sagutin muna ng vendors ang GPU inference cost at third-party model API fees. Dahil nagiging direct cost ng AI ang “usage intensity” (token consumption, model complexity, frequency ng query ay may kaakibat na gastos), lumalayo ang SaaS mula sa fixed cost leverage patungo sa ekonomiyang mas malapit sa “consumption-based pricing.”

Binanggit sa ulat ang obserbasyon ng Bessemer: ang ilan sa pinakamabilis na AI-native company na umabot sa $100 milyong ARR ay may gross margin na mga 25%, at marami ang negative pa; ang mas matured na AI-native company ay karaniwang nasa 60% gross margin, mas mababa pa rin kaysa sa traditional SaaS.

Ngunit hindi ito itinuturing ng Goldman Sachs na permanenteng pagbagsak: ayon sa Epoch AI, bumababa ang LLM inference cost kada taon ng 9x hanggang 900x; ang presyo para maabot ang MMLU performance na malapit sa GPT-4 ay bumababa ng mahigit 40x kada taon. Ang pagbawi ng long-term gross margin ay nakasalalay pa rin sa “pricing power = differentiation.” Binanggit din ng ulat ang structural advantage ng Microsoft: ang vertical integration plus relasyon sa OpenAI ay nagpapahintulot na ma-capture ang profit sa maraming layer ng value chain at mabawasan ang third-party “LLM tax” outflow.

Pinakamahirap i-presyo ang bilis ng teknolohiya: ang kawalang-katiyakan mismo ang nagpapababa ng valuation (rating 5)

Ika-pitong bearish na argumento ay may pinakamataas na risk rating mula sa Goldman Sachs: masyadong mabilis ang technological evolution, mahirap hulaan ang endgame. Inisa-isa ng ulat ang updates mula simula ng taon—Anthropic (Cowork, Opus 4.6, vertical plugin), OpenAI (Frontier, OpenClaw), Google DeepMind (Deep Think), Meta (Avocado). Binanggit ang white paper ng Bridgewater noong Nobyembre 2025: nananatiling totoo ang scaling laws ng pre-training; at inilista ang mga bagong model updates at benchmark scores (tulad ng multi-model >90% sa GPQA Diamond).

Gumamit ang ulat ng dalawang “inflection point na dulot ng packaging” para ipakita ang unpredictability: dinala ng ChatGPT ang kakayanan sa madaling gamiting entry point, kaya lumaganap ito; dinala ng Cowork ang kakayanan sa desktop GUI, kaya nagsimulang mag-experiment ang non-technical users. Sa susunod, ang self-hosted agent gaya ng OpenClaw ay binigyang-halaga sa ulat at sa usapan kay Cloudflare CEO Matthew Prince: sa loob ng tatlong taon, maaaring maulit ang bilis ng pagkalat ng ChatGPT noong nakaraang tatlong taon, at ang pangunahing sagabal sa enterprise side ay security.

Maaring magbunsod din ng bagong TAM ang kawalang-katiyakan. Binanggit ng ulat ang case ng Microsoft MAI Superintelligence Team: naabot ng MAI-DxO ang 85% pass rate sa New England Journal of Medicine case challenge, at na-calculate ang TAM sa pagitan ng $50 bilyon at $100 bilyon bawat taon gamit ang Microsoft blog at initial metrics input sa ChatGPT (up scenario: $150 bilyon hanggang $200 bilyon). Pero hindi “pumusta sa alin ending” ang buod ng Goldman Sachs, kundi ang pagtanggap na: mas mahirap i-anchor ang end value dahil sa hindi alam, at ang mataas na uncertainty ay kadalasang nagreresulta sa mababang valuation multiple.

Mga “steadying” signals na dapat bantayan ayon sa ulat: domain expertise na napapatunayan, fundamentals na hindi bumibitaw

Piniga ng Goldman Sachs ang observable steadying signals sa dalawang bagay: Una, kung magagawa ng enterprise software company na patunayan sa pamamagitan ng produkto at case study na ang domain expertise ay tunay na nakapagdadala ng mas mataas na kalidad na agentic outcome; pangalawa, kung mananatili o bubuti ang fundamentals sa financial reports (lalo na kapag nasusubukan sa earnings season). Bago pa ito, mas pabor sila sa “architectural moat”—hindi lang moat sa application layer interface at workflow, kundi dapat umaabot sa mas malalim na technology at platform structure.

 

~~~~~~~~~~~~~~~~~~~~~~~~