De waardering van SaaS-bedrijven in het AI-tijdperk

De afgelopen vijftien jaar leerden investeerders één taal te spreken als het ging om software. ARR-multiples, net revenue retention, de rule of 40, brutomarge. Het was een efficiënt kader. Het beloonde voorspelbaarheid en strafte verbranding af. Het werkte omdat software bouwen duur en traag was, en een goed product daardoor een natuurlijke voorsprong opbouwde. Die aanname is aan het verschuiven. AI verlaagt de drempel om software te maken in een tempo dat de meeste waarderingsmodellen nog niet hebben verwerkt. Wie vandaag een SaaS-bedrijf koopt of erin investeert, koopt niet langer vanzelfsprekend een verdedigbare positie. De vraag is verschoven van wat het product kan, naar wie de klant is.

Het klassieke kader staat onder druk

De genoemde maatstaven zijn niet verkeerd. Ze zijn onvolledig geworden. Een hoge ARR-multiple veronderstelt dat de omzet schaars en moeilijk te repliceren is. Maar wanneer een concurrent een vergelijkbare feature in weken in plaats van kwartalen kan bouwen, daalt de schaarste van die feature. De omzet die erop rust, wordt kwetsbaarder dan het multiple suggereert.

Het effect is het scherpst bij wat men pure feature-SaaS kan noemen. Een nette oplossing voor een afgebakend probleem, zonder diepe verankering in het werk van de klant. Dat soort product was altijd al kopieerbaar. AI versnelt het kopiëren en verlaagt de kosten ervan. Wat overblijft, is een commodity met een mooie omzetcurve en een fragiele bodem.

De moat verschuift naar de klant

De duurzame voorsprong verplaatst zich. Niet naar de feature, maar naar de relatie eromheen. Vier elementen bepalen die relatie.

Diepe workflow-integratie: het product zit verweven in hoe de klant dagelijks werkt, niet ernaast.
Proprietary data: gegevens die de klant alleen hier opbouwt en die het product steeds beter maken.
Distributie: toegang tot de klant die concurrenten niet eenvoudig nabouwen.
Switching costs en vertrouwen: de optelsom van moeite, risico en merk die vertrek onaantrekkelijk maakt.

Geen van deze vier is een functie. Ze zijn alle vier eigenschappen van de band met de klant. Dat is geen toeval. Een feature kan worden gekopieerd. Een ingesleten werkwijze, een dataset die jaren beslaat, en het vertrouwen van een directie die haar processen aan u heeft toevertrouwd, niet zomaar. Het zijn juist deze elementen die zich onttrekken aan de versnelling die AI biedt, omdat zij niet in code wonen maar in gewoonte en in vertrouwen.

De feature was nooit het bezit. De klant was het bezit. AI maakt dat onderscheid alleen pijnlijk zichtbaar.

Wat dit betekent voor multiples

De spreiding tussen winnaars en verliezers wordt groter. Twee bedrijven met identieke ARR en identieke groei verdienen niet langer hetzelfde multiple. Het bedrijf dat de klant bezit, verdient een premie. Het bedrijf dat alleen een functie levert, verdient een korting, ongeacht hoe elegant die functie is.

Dat vraagt om een nuchtere herijking. Een feature-lijst is geen moat. Een indrukwekkende roadmap evenmin. Wat telt, is of de omzet verankerd is. Verankerde omzet rechtvaardigt een hoog multiple. Losse omzet, hoe groot ook, is geleend.

Waar due diligence nu over gaat

Het onderzoek verschuift mee. De relevante vragen gaan niet langer in de eerste plaats over de productarchitectuur, maar over de klant. Hoe diep zit het product in de werkprocessen. Wat zou het de klant werkelijk kosten om te vertrekken, in tijd, risico en geld. Welke data is opgebouwd en van wie is die. Hoe geconcentreerd is de omzet, en hoe afhankelijk is het bedrijf van enkele relaties.

Net revenue retention blijft hier de scherpste enkele indicator, mits men begrijpt waaróm hij hoog is. Hoge retentie door echte verankering is waarde. Hoge retentie door een ontbrekend alternatief is geleende tijd. Het verschil is niet zichtbaar in het cijfer. Het wordt zichtbaar in het gesprek met de klant.

AI als kans, niet alleen als dreiging

Het beeld is niet eenzijdig. Voor wie de klant bezit, is AI vooral een hefboom. Wie diepe integratie, eigen data en vertrouwen heeft, kan AI inzetten om het product sneller te verbeteren dan een nieuwkomer ooit kan inhalen. De data voedt het model, het model verbetert de uitkomst, de uitkomst verdiept de relatie. Dat is een voorsprong die zichzelf versterkt.

De scheidslijn loopt daarmee niet tussen bedrijven mét en zónder AI. AI wordt algemeen beschikbaar. De scheidslijn loopt tussen bedrijven die een klantrelatie bezitten waarop AI kan voortbouwen, en bedrijven die dat niet doen. Voor kopers en investeerders is de conclusie eenvoudig en ongemakkelijk tegelijk. Beoordeel niet wat het product kan. Beoordeel hoe diep het in het leven van de klant zit. Daar zit de waarde. Daar zat hij altijd al.

For the past fifteen years investors learned to speak a single language when it came to software. ARR multiples, net revenue retention, the rule of 40, gross margin. It was an efficient framework. It rewarded predictability and punished cash burn. It worked because building software was expensive and slow, so a good product naturally built up a lead. That assumption is shifting. AI is lowering the barrier to building software at a pace most valuation models have not yet absorbed. Anyone buying or investing in a SaaS business today no longer automatically buys a defensible position. The question has moved from what the product can do, to who the customer is.

The classic framework is under pressure

The metrics above are not wrong. They have become incomplete. A high ARR multiple assumes that revenue is scarce and hard to replicate. But when a competitor can build a comparable feature in weeks rather than quarters, the scarcity of that feature falls. The revenue resting on it becomes more fragile than the multiple suggests.

The effect is sharpest in what one might call pure feature-SaaS. A neat solution to a narrow problem, without deep anchoring in the customer's work. That kind of product was always copyable. AI accelerates the copying and lowers its cost. What remains is a commodity with an attractive revenue curve and a fragile floor.

The moat shifts to the customer

The durable advantage moves. Not to the feature, but to the relationship around it. Four elements define that relationship.

Deep workflow integration: the product is woven into how the customer works each day, not parked beside it.
Proprietary data: information the customer builds only here, which makes the product steadily better.
Distribution: access to the customer that competitors cannot easily reproduce.
Switching costs and trust: the sum of effort, risk and brand that makes leaving unattractive.

None of these four is a feature. All four are properties of the bond with the customer. That is no coincidence. A feature can be copied. An ingrained way of working, a dataset spanning years, and the trust of a leadership team that has entrusted its processes to you, cannot be copied so easily. It is precisely these elements that escape the acceleration AI offers, because they live not in code but in habit and in trust.

The feature was never the asset. The customer was the asset. AI only makes that distinction painfully visible.

What this means for multiples

The gap between winners and losers widens. Two companies with identical ARR and identical growth no longer deserve the same multiple. The company that owns the customer deserves a premium. The company that merely supplies a function deserves a discount, however elegant that function may be.

This calls for a sober recalibration. A feature list is not a moat. An impressive roadmap is not one either. What counts is whether the revenue is anchored. Anchored revenue justifies a high multiple. Loose revenue, however large, is borrowed.

What due diligence is now about

The investigation shifts with it. The relevant questions are no longer primarily about product architecture, but about the customer. How deeply does the product sit within the work processes. What would it truly cost the customer to leave, in time, risk and money. What data has been built, and who owns it. How concentrated is the revenue, and how dependent is the business on a few relationships.

Net revenue retention remains the single sharpest indicator here, provided one understands why it is high. High retention through genuine anchoring is value. High retention through the absence of an alternative is borrowed time. The difference is not visible in the figure. It becomes visible in conversation with the customer.

AI as opportunity, not only threat

The picture is not one-sided. For those who own the customer, AI is above all a lever. A company with deep integration, proprietary data and trust can use AI to improve the product faster than a newcomer can ever catch up. The data feeds the model, the model improves the outcome, the outcome deepens the relationship. That is an advantage that reinforces itself.

The dividing line therefore does not run between companies with and without AI. AI is becoming widely available. The line runs between companies that own a customer relationship on which AI can build, and companies that do not. For buyers and investors the conclusion is both simple and uncomfortable. Do not judge what the product can do. Judge how deeply it sits in the customer's life. That is where the value is. That is where it always was.

In het kortIn short

AI commoditiseert features; pure feature-SaaS wordt minder verdedigbaar.
De moat verschuift naar workflow-integratie, data, distributie en vertrouwen.
Retentie en klantafhankelijkheid wegen zwaarder dan een feature-lijst.
Due diligence draait om de klantrelatie, niet om de functieomvang.

AI commoditises features; pure feature-SaaS becomes less defensible.
The moat shifts to workflow integration, data, distribution and trust.
Retention and customer dependency outweigh a feature list.
Due diligence centres on the customer relationship, not on feature scope.

De waardering van SaaS-bedrijven in het AI-tijdperkValuing SaaS Companies in the Age of AI