U.S. SMID-Cap and Global Application Software — Interpretação do relatório

Visão geral

Esta nota setorial examina se a produtividade impulsionada por IA pode enfraquecer a precificação baseada em assentos do software de aplicações. A Bernstein conclui que a evidência disponível em nível de empresa aponta, ao contrário, para uma resposta de crescimento via contratação entre adotantes intensivos de IA, o que pode tornar os assentos menos um ônus estrutural, embora certas categorias funcionais de software permaneçam mais expostas.

Visões principais

A Bernstein enquadra o debate central como um possível conflito entre a produtividade da IA e o modelo de licenciamento baseado em assentos usado por grande parte do software de aplicações. Copilotos de programação, copilotos de desktop e agentes de atendimento ao cliente podem permitir que desenvolvedores, líderes e equipes de suporte façam mais com menos pessoas, gerando preocupação de que licenças vinculadas a empregados percam seu motor de crescimento. O relatório argumenta que compradores empresariais ainda valorizam assentos porque são previsíveis e escalam com o investimento conhecido em capacidade humana; a precificação por consumo vinculada a tokens ou outros usos pode ser difícil de orçar. Como o valor do software de aplicações costuma estar ligado à produtividade dos empregados, precificar por empregados também pode ser uma forma lógica de precificação baseada em valor. O relatório contesta a premissa mais ampla de que a IA necessariamente reduzirá o emprego de colarinho branco. A Bernstein faz uma analogia com as eras do PC e da internet: melhorias de produtividade podem ser reinvestidas em crescimento em vez de capturadas apenas como margens, pois as empresas geralmente veem maior benefício de valuation na aceleração do crescimento do que na expansão de margens. Nessa visão, trabalhadores do conhecimento mais produtivos são retidos ou ampliados para desenvolver produtos, vender ofertas e buscar novas oportunidades. A Bernstein observa que as margens EBIT do S&P 500 em base comparável aumentaram apenas cerca de 150 pontos-base, ou 1.5%, de 1989 a 2019, apesar de grandes ganhos de produtividade, enquanto a era do PC nos anos 1990 coincidiu com forte crescimento do PIB dos EUA e aumento do emprego de colarinho branco. A principal evidência atual é o estudo em nível de empresa da Ramp, que usa dados de gastos de clientes para distinguir adotantes intensivos de IA de adotantes leves e não adotantes. A adoção de IA é definida como o primeiro mês de uma sequência de três meses consecutivos em que uma empresa registra pelo menos $100 de gastos mensais com fornecedores de IA; a intensidade de adoção é o gasto com IA por empregado base nos três primeiros meses após a adoção. A Ramp compara agentes de programação amplamente implantados, agentes de IA derivados de API e ferramentas nativas de IA com usos mais leves de chatbots para busca, síntese e tarefas criativas. A amostra termina em fevereiro de 2026. A Bernstein destaca que a análise compara em grande medida conjuntos de empresas semelhantes antes e depois da adoção e relata diferenças estatisticamente significativas, em alguns casos com 99% de confiança, embora as barras de erro aumentem em horizontes mais longos, pois há menos empresas com 24 meses de histórico de adoção. Segundo a leitura da Bernstein, os adotantes intensivos de IA tiveram crescimento de emprego superior a 10% em média em relação aos pares de menor adoção e não adotantes, e as empresas 24 meses após a adoção inicial eram mais de 50% maiores que esses pares. O relatório enfatiza que, no horizonte mais longo, a conclusão mais forte é direcional — os adotantes intensivos cresceram mais — e não uma estimativa precisa do ponto médio. Também cita a recuperação das vagas de desenvolvimento de software nos EUA desde o piso do início de 2025 como sinal confirmatório independente. O resultado de contratação é mais amplo do que apenas front office. Engenheiros e vendas foram fortes, mas o emprego administrativo e de atendimento ao cliente também cresceu em média; houve demanda notável por empregados com graduação e, especialmente, de nível inicial. Em contraste, o emprego de PhD tinha maior probabilidade de ficar estável nas empresas líderes em IA, enquanto os adotantes de baixa IA apresentavam maior demanda por diplomas avançados. A Bernstein sugere que isso pode refletir em parte que as empresas de alta adoção já têm mais empregados com PhD. O relatório identifica finanças, cientistas e operações como os três grupos de funções com crescimento positivo muito menor ou não estatisticamente significativo, o que pode significar menor suporte para software baseado em assentos voltado a essas funções. RH não foi desagregado. A adoção de IA já era relevante nos dados subjacentes: mais de 40% das empresas eram ao menos adotantes leves em janeiro de 2026, acima do nível de altas dezenas reportado na pesquisa do U.S. Census no mesmo período. A Bernstein aponta possíveis diferenças de definição, conhecimento dos respondentes e composição da amostra, incluindo um possível viés da Ramp para compradores mais avançados em tecnologia. A adoção foi maior na categoria NAICS “Information”, em ~54%, seguida por “Finance/Insurance”, em ~44%, e “Professional/Scientific/Technical Services”, em 36%; a maior parte dos demais setores ficou em 11-22%. A Bernstein vê esses setores intensivos em trabalho de colarinho branco como possíveis próximas áreas para a mesma dinâmica de produtividade e contratação. Para a cobertura de software, a implicação não é que todos os fornecedores manterão um modelo puramente baseado em assentos. O relatório prevê uma combinação de assentos, cobranças baseadas em ROI, medidores ligados à escala de infraestrutura e consumo de tokens, mas acredita que assentos continuarão importantes porque clientes demandam previsibilidade e alguns não se ajustam bem à precificação alternativa. Se a adoção intensiva de IA continuar a gerar contratações induzidas por produtividade, a precificação ligada a empregados pode ser um vento favorável, e não um fardo, para essas empresas de software. A Bernstein qualifica a conclusão: algumas empresas e setores podem priorizar margens quando oportunidades de crescimento são limitadas, a tecnologia pode ser operacional em vez de orientada ao produto, e os dados podem ser ainda muito iniciais para refletir totalmente a evolução final da demanda por trabalho.

Estrutura de análise

A Bernstein combina comparações de empresas da Ramp antes e depois da adoção de IA com base em gastos, resultados de emprego por função, taxas de adoção por setor, uma checagem contra tendências de vagas de software e comparações históricas com as eras do PC e da internet. Em seguida, relaciona a evidência de contratação à economia de precificação de software empresarial e à escolha corporativa entre reinvestir ganhos de produtividade em crescimento ou retê-los como margem.

Notas metodológicas

• Marco de análise setorialMarco de oferta e demanda

  Demanda de software baseada em assentos ligada ao crescimento do emprego e à preferência de compradores por precificação previsível.

  O relatório trata o número de empregados como um impulsionador da demanda por licenças de assento e avalia se a IA altera esse impulsionador por meio de contratações, e não de deslocamento de empregos.

• Marco de análise setorialDecomposição de volume e preço

  Modelos de precificação por assento, baseados em ROI, ligados à infraestrutura e por consumo de tokens.

  A Bernstein distingue o medidor de preço da demanda subjacente do cliente, argumentando que assentos podem continuar importantes mesmo quando fornecedores adicionam outras formas de cobrança.

• OutroOutro

  Comparação da Ramp antes e depois da adoção de IA entre empresas semelhantes, usando gastos com IA e número de empregados.

  O estudo citado compara empresas em torno da adoção, em vez de comparar simplesmente setores não relacionados, buscando reduzir o viés de amostra; a Bernstein observa que as estimativas de períodos posteriores apresentam barras de erro mais amplas.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• ServiceNow (NOW)

  Empresa de software de aplicações explicitamente coberta e potencialmente ligada à continuidade da demanda baseada em assentos.

  Pontos fortes

  Agent Assist é citado como adotado por aproximadamente um quarto de sua base de clientes.

  Riscos

  Os resultados de contratação entre funções podem ser desiguais.

• Atlassian (TEAM)

  Empresa de software de aplicações explicitamente coberta no universo de software da Bernstein.

  Pontos fortes

  Pode se beneficiar se a contratação movida por IA sustentar a demanda por software para trabalhadores do conhecimento.

• GitLab (GTLB)

  Empresa de software de aplicações explicitamente coberta no universo de software da Bernstein.

  Pontos fortes

  Pode estar ligada à atividade de desenvolvimento de software habilitada por IA.

• Okta (OKTA)

  Empresa de software de aplicações explicitamente coberta no universo de software da Bernstein.

  Pontos fortes

  Pode se beneficiar do crescimento contínuo de funcionários nas empresas.

• Microsoft (MSFT)

  Empresa explicitamente coberta e citada na discussão sobre adoção empresarial de IA.

  Pontos fortes

  É mencionada como evidência de que a adoção em front office não melhorou claramente frente à de back office.

• Salesforce.com (CRM)

  Empresa explicitamente coberta e citada na discussão sobre adoção empresarial de IA.

  Pontos fortes

  É mencionada como evidência de que a adoção em front office não melhorou claramente frente à de back office.

• Adobe (ADBE)

  Empresa de software de aplicações explicitamente coberta no universo de software da Bernstein.

  Pontos fortes

  Pode se beneficiar se a produtividade de IA for reinvestida em crescimento e expansão de funcionários.

• Workday (WDAY)

  Empresa de software de aplicações explicitamente coberta no universo de software da Bernstein.

  Pontos fortes

  Pode se beneficiar se o crescimento de funcionários sustentar a demanda ligada a assentos.

  Riscos

  As funções de RH não foram separadas nos dados citados.

• HubSpot (HUBS)

  Empresa explicitamente coberta e citada na discussão sobre adoção empresarial de IA.

  Pontos fortes

  É mencionada como evidência de que a adoção em front office não melhorou claramente frente à de back office.

• Zoom Video Communications (ZM)

  Empresa de software de aplicações explicitamente coberta no universo de software da Bernstein.

  Pontos fortes

  Pode se beneficiar da demanda sustentada de software ligada a funcionários.

• SAP (SAP)

  Empresa de software de aplicações explicitamente coberta no universo de software da Bernstein.

  Pontos fortes

  Pode se beneficiar da continuidade da contratação empresarial e da demanda por assentos.

Dados principais

• Crescimento de emprego dos adotantes intensivos>10% more than lower/non-adopting peers on averageAmostra da Ramp; a Bernstein afirma que a diferença é estatisticamente significativa.
• Tamanho do emprego após a adoção>50% larger at 24 monthsEm relação a empresas que adotaram menos ou não adotaram; o relatório observa barras de erro mais amplas nesse horizonte.
• Confiança estatísticaUp to 99%Significância reportada do crescimento dos adotantes intensivos frente a adotantes baixos ou não adotantes, dependendo da métrica.
• Qualquer nível de adoção de IA em janeiro de 2026>40% of companiesPelo menos adotantes leves nos dados da Ramp, ante uma taxa de altas dezenas na pesquisa citada do U.S. Census.
• Adoção de IA por setorInformation ~54%; Finance/Insurance ~44%; Professional/Scientific/Technical Services 36%A maior parte dos setores restantes ficou em 11-22%.
• Composição do emprego de desenvolvedores~2/3 in industries more likely to invest in growth; only ~25% in industries more likely to shrink teamsCaracterização da Bernstein do emprego de desenvolvedores nos Estados Unidos.
• Expansão da margem EBIT do S&P 500 em base comparável1.5% from 1989 to 2019Usada para argumentar que ganhos anteriores de produtividade não se traduziram em expansão desproporcional e sustentada de margens.

Impacto e implicações

A Bernstein considera que a evidência reduz a preocupação de que a IA encolha mecanicamente a base de assentos do software de aplicações. O suporte potencial é mais forte onde clientes usam IA para criar produtos e acelerar o crescimento; software voltado a funções de finanças, cientistas e operações pode receber menos benefício, e a conclusão continua sujeita ao estágio inicial dos dados.

Riscos

• As funções de finanças, cientistas e operações mostraram crescimento positivo muito menor ou não estatisticamente significativo, o que pode limitar o suporte para software voltado a essas funções.
• Os dados não desagregam algumas funções, incluindo RH.
• As estimativas de adoção em horizontes mais longos têm barras de erro mais amplas porque menos empresas possuem 24 meses de histórico pós-adoção.
• Algumas empresas e setores podem usar a produtividade de IA principalmente para melhorar margens em vez de buscar crescimento.

Pontos a observar

• Se adotantes intensivos de IA continuam superando em crescimento de empregados os pares de menor adoção e não adotantes à medida que o conjunto de dados amadurece.
• Tendências de contratação por função, especialmente em finanças, ciência, operações e RH.
• Se clientes de software mantêm assentos como métrica-chave de preço ao lado de tokens, modelos baseados em ROI e modelos ligados à infraestrutura.
• O progresso da adoção de IA em Finance/Insurance e Professional/Scientific/Technical Services após a elevada adoção em Information.