Salesforce rozdziela przychody AI – co to zmienia

Salesforce zaczyna osobno pokazywać przychody z Agentforce Apps oraz z kategorii Data 360, Platform & Other, co ma ułatwić ocenę realnej skali biznesu AI (Investor’s Business Daily). Dla praktyków Salesforce to nie jest wyłącznie zmiana raportowa. To sygnał, które warstwy platformy firma uznaje dziś za najważniejsze nośniki monetyzacji AI. W praktyce łatwiej będzie odróżnić, czy wzrost napędzają gotowe aplikacje agentowe, czy raczej fundament danych i platformy.

Nowy podział przychodów pokazuje, gdzie Salesforce chce mierzyć AI

Dotychczas narracja wokół AI w Salesforce była szeroka, ale dla rynku kapitałowego zbyt mało precyzyjna. Nowy model disclosure porządkuje ten obraz do dwóch głównych kategorii: Agentforce Apps oraz Data 360, Platform & Other. Dodatkowo Salesforce ma przeliczyć wcześniejsze okresy od roku fiskalnego 2025 tak, aby zachować porównywalność rok do roku.

To ważne, bo sama obecność AI w roadmapie nie mówi jeszcze, gdzie powstaje przychód. Jeśli osobno raportowane będą Agentforce Apps, inwestorzy i partnerzy dostaną lepszy sygnał, czy klienci rzeczywiście kupują funkcje agentowe osadzone w CRM i service. Z kolei koszyk Data 360, Platform & Other będzie pokazywał, czy monetyzacja AI opiera się bardziej na danych, analityce i usługach platformowych.

Dla polskich zespołów wdrożeniowych to ma praktyczny wymiar. Jeżeli najszybciej rośnie warstwa aplikacyjna, większego znaczenia nabierają scenariusze wdrożeniowe gotowych funkcji Agentforce, governance agentów i kontrola kosztów użycia. Jeśli mocniej rośnie warstwa danych i platformy, priorytetem staje się data readiness, modelowanie kontekstu i architektura integracyjna. Ten sam kierunek widać też w analizach dotyczących rosnącej roli Data 360 jako silnika wzrostu AI.

Agentforce kontra Data 360 – dwa różne sposoby monetyzacji AI

Podział na Agentforce Apps i Data 360, Platform & Other nie jest kosmetyką nazewniczą. To rozdzielenie dwóch odmiennych warstw wartości. Agentforce Apps najpewniej obejmuje AI osadzone bezpośrednio w aplikacjach CRM i customer service, czyli tam, gdzie użytkownik końcowy widzi efekt w codziennej pracy. Taki przychód zwykle łatwiej powiązać z konkretnym use casem biznesowym, adopcją funkcji i modelem cenowym.

Drugi koszyk jest szerszy i bardziej infrastrukturalny. Data 360, platforma oraz pozostałe usługi mogą obejmować zarządzanie danymi, analitykę i inne elementy wzmacniane przez AI. Dla architekta to często bardziej fundamentalna warstwa niż sam interfejs agenta. Bez niej trudno o spójny kontekst, sensowne odpowiedzi modeli i kontrolę nad jakością danych.

To rozróżnienie dobrze wpisuje się w debatę o tym, czy AI w Salesforce jest dodatkiem do SaaS, czy nową warstwą operacyjną nad CRM. W praktyce oba modele mogą rosnąć równolegle, ale każdy wymaga innych decyzji projektowych. Przy Agentforce większe znaczenie mają ścieżki eskalacji, guardrails i sposób osadzania agenta w procesie. Przy Data 360 kluczowe są semantyka danych, dostępność sygnałów i architektura wspólnego kontekstu, o czym szerzej pisaliśmy przy budowie współdzielonego kontekstu dla Agentforce 360.

Z perspektywy partnera wdrożeniowego nowy disclosure może też pomóc w rozmowach z klientem. Łatwiej będzie pokazać, czy rynek płaci bardziej za warstwę doświadczenia użytkownika, czy za fundament danych. To cenna wskazówka przy planowaniu roadmapy, szczególnie tam, gdzie budżet nie pozwala robić wszystkiego naraz.

Co z tym zrobić w praktyce przed kolejnymi wynikami kwartalnymi

Najważniejszy wniosek jest prosty: AI w Salesforce przestaje być jedną zbiorczą historią. Jeśli firma pokazuje osobne kategorie przychodowe, to znaczy, że chce być rozliczana z konkretnych linii biznesowych. Dla praktyka oznacza to potrzebę dokładniejszego mapowania własnych inicjatyw na te same warstwy – aplikacyjną i danych.

Warto więc przejrzeć własny backlog AI pod trzema pytaniami. Po pierwsze, czy projekt generuje wartość głównie przez gotową funkcję użytkową, czy przez lepszy dostęp do danych. Po drugie, czy sukces wdrożenia da się zmierzyć adopcją aplikacji, czy raczej jakością i dostępnością kontekstu. Po trzecie, czy model kosztowy jest bliższy licencji aplikacyjnej, czy platformowej konsumpcji.

To ma znaczenie także dla forecastingu i uzasadniania inwestycji. Jeżeli rynek zacznie osobno wyceniać Agentforce i Data 360, klienci będą oczekiwali podobnej precyzji od partnerów i zespołów wewnętrznych. Ogólne hasło „wdrażamy AI” przestanie wystarczać. Potrzebne będzie wskazanie, czy organizacja kupuje automatyzację pracy, czy buduje warstwę danych pod przyszłe use case’y. W tym kontekście warto też obserwować, jak zmienia się logika cenowa Agentforce, bo sposób raportowania przychodów zwykle idzie w parze z dojrzewaniem modelu sprzedaży.

Na koniec zostaje najciekawsze pytanie: czy po nowym podziale okaże się, że AI w Salesforce sprzedaje się przede wszystkim jako aplikacja, czy jako infrastruktura danych. Od odpowiedzi na to pytanie zależy nie tylko narracja dla inwestorów, ale też to, gdzie zespoły w Polsce powinny dziś lokować kompetencje. Czy w waszej organizacji ciężar roadmapy AI leży bardziej po stronie Agentforce, czy po stronie Data 360 i platformy?