a16z "Ide Besar Tahun 2026: Bagian Pertama"

Artikel ini akan membagikan pandangan dari tim Infrastruktur, Pertumbuhan, Bio + Kesehatan, serta Speedrun.

Penulis: a16z New Media

Penerjemah: Block unicorn

Sebagai investor, tugas kami adalah memahami secara mendalam setiap sudut industri teknologi untuk menangkap tren masa depan. Oleh karena itu, setiap bulan Desember, kami mengundang tim investasi untuk membagikan satu gagasan besar yang menurut mereka akan dipecahkan oleh perusahaan teknologi di tahun mendatang.

Hari ini, kami akan membagikan pandangan dari tim Infrastruktur, Pertumbuhan, Bio + Kesehatan, serta Speedrun. Nantikan pembagian dari tim lain besok.

Infrastruktur

Jennifer Li: Bagaimana Startup Menavigasi Kekacauan Data Multimodal

Data tidak terstruktur dan multimodal selalu menjadi hambatan terbesar yang dihadapi perusahaan, sekaligus harta karun terbesar yang belum mereka gali. Setiap perusahaan tenggelam dalam lautan PDF, tangkapan layar, video, log, email, dan data semi-terstruktur. Model menjadi semakin cerdas, tetapi data input justru semakin kacau, menyebabkan sistem RAG gagal, agen mengalami kegagalan dengan cara yang sulit dideteksi dan mahal, serta alur kerja penting masih sangat bergantung pada pemeriksaan kualitas manual. Faktor pembatas bagi perusahaan AI kini adalah entropi data: dalam dunia data tidak terstruktur, kesegaran, struktur, dan keaslian terus menurun, sementara 80% pengetahuan perusahaan kini tersimpan dalam data tidak terstruktur ini.

Karena itu, merapikan data tidak terstruktur menjadi peluang sekali seumur hidup. Perusahaan membutuhkan metode berkelanjutan untuk membersihkan, membangun, memverifikasi, dan mengelola data multimodal mereka, sehingga beban kerja AI di hilir benar-benar dapat berfungsi. Skenario aplikasi ada di mana-mana: analisis kontrak, proses onboarding, penanganan klaim, kepatuhan, layanan pelanggan, pengadaan, pencarian teknik, pemberdayaan penjualan, pipeline analitik, serta semua alur kerja agen yang bergantung pada konteks yang andal. Startup yang mampu membangun platform untuk mengekstrak struktur dari dokumen, gambar, dan video, menyelesaikan konflik, memperbaiki pipeline, atau menjaga kesegaran dan ketercapaian data, memegang kunci kerajaan pengetahuan dan proses perusahaan.

Joel de la Garza: AI Menghidupkan Kembali Rekrutmen Keamanan Siber

Selama sebagian besar dekade terakhir, tantangan terbesar Chief Information Security Officer (CISO) adalah rekrutmen. Dari 2013 hingga 2021, lowongan pekerjaan keamanan siber meningkat dari kurang dari 1 juta menjadi 3 juta. Ini karena tim keamanan mempekerjakan banyak insinyur terampil untuk melakukan pekerjaan keamanan tingkat satu yang membosankan setiap hari, seperti meninjau log, yang tidak ada yang mau lakukan. Akar masalahnya adalah tim keamanan membeli produk yang dapat mendeteksi segalanya, sehingga menciptakan pekerjaan membosankan ini, yang berarti tim mereka harus meninjau semua informasi—dan ini justru menciptakan kekurangan tenaga kerja palsu. Ini adalah lingkaran setan.

Pada 2026, AI akan memutus lingkaran ini dan mengisi kekurangan rekrutmen dengan mengotomatisasi banyak pekerjaan berulang di tim keamanan siber. Siapa pun yang pernah bekerja di tim keamanan besar tahu bahwa setengah dari pekerjaan bisa dengan mudah diotomatisasi, tetapi saat pekerjaan menumpuk, sulit menentukan mana yang perlu diotomatisasi. Alat AI native yang dapat membantu tim keamanan menyelesaikan masalah ini pada akhirnya akan membebaskan mereka untuk melakukan hal yang benar-benar ingin mereka lakukan: memburu penjahat, membangun sistem baru, dan memperbaiki kerentanan.

Malika Aubakirova: Infrastruktur Agen Native Akan Menjadi Standar

Pada 2026, dampak infrastruktur terbesar tidak akan datang dari perusahaan luar, melainkan dari dalam perusahaan itu sendiri. Kita sedang beralih dari lalu lintas "kecepatan manusia" yang dapat diprediksi dan berkonkurensi rendah ke beban kerja "kecepatan agen" yang rekursif, tiba-tiba, dan sangat besar.

Backend perusahaan saat ini dirancang untuk rasio operasi manusia ke respons sistem 1:1. Sistem ini tidak dirancang untuk satu "tujuan" agen yang memicu 5.000 sub-tugas, kueri database, dan panggilan API internal dalam milidetik secara rekursif. Saat agen mencoba membangun ulang basis kode atau memperbaiki log keamanan, itu tidak terlihat seperti pengguna. Di mata database tradisional atau rate limiter, itu seperti serangan DDoS.

Membangun sistem untuk agen tahun 2026 berarti mendesain ulang control plane. Kita akan menyaksikan kebangkitan infrastruktur "agen native". Infrastruktur generasi berikutnya harus menganggap "thundering herd effect" sebagai keadaan default. Waktu cold start harus dipersingkat, fluktuasi latensi harus dikurangi secara drastis, dan batas konkurensi harus meningkat berkali-kali lipat. Bottleneck-nya adalah koordinasi: routing, locking, manajemen status, dan eksekusi kebijakan dalam eksekusi paralel skala besar. Hanya platform yang mampu menangani gelombang eksekusi alat yang akan menang pada akhirnya.

Justine Moore: Alat Kreatif Menuju Multimodal

Sekarang kita memiliki blok bangunan untuk bercerita dengan AI: suara generatif, musik, gambar, dan video. Namun untuk konten yang lebih dari sekadar potongan satu kali, mendapatkan output yang diinginkan sering kali memakan waktu, membuat frustrasi—bahkan tidak mungkin—terutama jika Anda menginginkan tingkat kontrol seperti sutradara tradisional.

Mengapa kita tidak bisa memberi model video 30 detik, lalu memintanya melanjutkan adegan itu dengan karakter baru yang dibuat dari gambar dan suara referensi? Atau merekam ulang video agar kita bisa melihat adegan dari sudut berbeda, atau membuat aksi sesuai dengan video referensi?

Tahun 2026 adalah tahun AI menuju multimodal. Anda dapat memberi model referensi dalam bentuk apa pun, lalu menggunakannya untuk membuat konten baru atau mengedit adegan yang ada. Kita sudah melihat beberapa produk awal, seperti Kling O1 dan Runway Aleph. Tapi masih banyak pekerjaan yang harus dilakukan—kita butuh inovasi di tingkat model dan aplikasi.

Kreasi konten adalah salah satu skenario aplikasi AI paling mematikan, dan saya memperkirakan kita akan melihat banyak produk sukses bermunculan, mencakup berbagai skenario aplikasi dan kelompok pelanggan, dari pembuat meme hingga sutradara Hollywood.

Jason Cui: Data Stack AI Native Terus Berkembang

Selama setahun terakhir, seiring perusahaan data beralih dari fokus pada bidang khusus seperti ingest, transformasi, dan komputasi data ke platform terpadu yang terintegrasi, kita telah melihat konsolidasi "data stack modern". Contohnya: merger Fivetran/dbt dan kebangkitan platform terpadu seperti Databricks.

Meski ekosistemnya sudah jelas matang, kita masih berada di tahap awal arsitektur data AI native yang sesungguhnya. Kami antusias melihat bagaimana AI terus mengubah berbagai bagian data stack, dan mulai menyadari bahwa data dan infrastruktur AI kini menjadi sangat terintegrasi.

Berikut beberapa arah yang kami yakini:

• Bagaimana data akan mengalir ke database vektor berkinerja tinggi bersama data terstruktur tradisional
• Bagaimana agen AI menyelesaikan "masalah konteks": akses berkelanjutan ke konteks data bisnis dan lapisan semantik yang benar, sehingga membangun aplikasi kuat seperti interaksi data, dan memastikan aplikasi tersebut selalu memiliki definisi bisnis yang benar di berbagai sistem pencatatan
• Bagaimana alat business intelligence tradisional dan spreadsheet akan berubah seiring alur kerja data menjadi semakin teragenisasi dan otomatis

Yoko Li: Tahun Kita Masuk ke Dalam Video

Pada 2026, video tidak lagi menjadi konten yang kita tonton secara pasif, melainkan ruang di mana kita benar-benar bisa berada di dalamnya. Model video akhirnya mampu memahami waktu, mengingat apa yang telah mereka tampilkan, merespons tindakan kita, dan mempertahankan konsistensi yang dapat diandalkan seperti dunia nyata. Sistem ini tidak lagi hanya menghasilkan potongan gambar beberapa detik, tetapi mampu mempertahankan karakter, objek, dan efek fisik cukup lama sehingga tindakan bermakna dan konsekuensinya terlihat. Perubahan ini mengubah video menjadi media yang dapat terus berkembang: robot bisa berlatih, game bisa berevolusi, desainer bisa membuat prototipe, agen bisa belajar melalui praktik. Hasil akhirnya tidak lagi seperti potongan video, melainkan lingkungan hidup, ruang yang mulai menjembatani kesenjangan antara persepsi dan aksi. Untuk pertama kalinya, kita merasa bisa benar-benar berada di dalam video yang kita hasilkan.

Pertumbuhan

Sarah Wang: Sistem Pencatatan Kehilangan Dominasi

Pada 2026, perubahan disruptif sejati di bidang perangkat lunak perusahaan adalah sistem pencatatan akhirnya kehilangan dominasinya. AI sedang memperkecil jarak antara niat dan eksekusi: model kini dapat langsung membaca, menulis, dan melakukan penalaran atas data operasional, mengubah sistem IT Service Management (ITSM) dan Customer Relationship Management (CRM) dari database pasif menjadi mesin alur kerja otonom. Dengan kemajuan terbaru dalam model penalaran dan alur kerja agen, sistem ini tidak hanya dapat merespons, tetapi juga memprediksi, mengoordinasikan, dan mengeksekusi proses ujung ke ujung. Antarmuka berubah menjadi lapisan agen dinamis, sementara sistem pencatatan tradisional mundur ke belakang layar, menjadi lapisan penyimpanan universal—keunggulan strategisnya akan diberikan kepada pihak yang benar-benar mengendalikan lingkungan eksekusi agen yang digunakan karyawan setiap hari.

Alex Immerman: AI Vertikal Berevolusi dari Pencarian Informasi dan Penalaran ke Kolaborasi Multi-Pihak

AI mendorong perangkat lunak vertikal ke pertumbuhan yang belum pernah terjadi sebelumnya. Perusahaan perawatan kesehatan, hukum, dan real estat dalam beberapa tahun saja telah mencapai pendapatan berulang tahunan (ARR) lebih dari 100 juta dolar; industri keuangan dan akuntansi segera menyusul. Evolusi ini dimulai dari pencarian informasi: menemukan, mengekstrak, dan meringkas informasi yang benar. Tahun 2025 membawa kemampuan penalaran: Hebbia menganalisis laporan keuangan dan membangun model, Basis merekonsiliasi spreadsheet antar sistem, EliseAI mendiagnosis masalah pemeliharaan dan mengirim vendor yang tepat.

Tahun 2026 akan membuka mode kolaborasi multi-pihak. Perangkat lunak vertikal diuntungkan dari antarmuka, data, dan integrasi khusus domain. Namun, pekerjaan di industri vertikal pada dasarnya bersifat kolaboratif multi-pihak. Jika agen ingin mewakili tenaga kerja, mereka harus bisa berkolaborasi. Dari pembeli dan penjual, hingga penyewa, konsultan, dan vendor, setiap pihak memiliki izin, alur kerja, dan persyaratan kepatuhan yang berbeda—dan hanya perangkat lunak vertikal yang dapat memahaminya.

Saat ini, setiap pihak menggunakan AI secara terpisah, menyebabkan kurangnya otorisasi dalam proses serah terima. AI yang menganalisis perjanjian pembelian tidak berkomunikasi dengan CFO untuk menyesuaikan model. AI pemeliharaan juga tidak tahu apa yang pernah dijanjikan staf lapangan kepada penyewa. Transformasi kolaborasi multi-pihak terletak pada koordinasi lintas pemangku kepentingan: merutekan tugas ke ahli fungsional, menjaga konteks, menyinkronkan perubahan. AI pihak lawan bernegosiasi dalam parameter yang telah ditetapkan dan menandai asimetri untuk ditinjau secara manual. Penandaan oleh mitra senior digunakan untuk melatih sistem seluruh perusahaan. Tugas yang dijalankan AI akan selesai dengan tingkat keberhasilan lebih tinggi.

Saat nilai kolaborasi multi-pihak dan multi-agen meningkat, biaya perpindahan juga akan meningkat. Kita akan melihat efek jaringan yang selama ini gagal dicapai aplikasi AI: lapisan kolaborasi akan menjadi parit pertahanan.

Stephenie Zhang: Mendesain untuk Agen, Bukan untuk Manusia

Pada 2026, orang akan mulai berinteraksi dengan web melalui agen. Hal-hal yang selama ini dioptimalkan untuk konsumsi manusia tidak lagi sama pentingnya untuk konsumsi agen.

Selama bertahun-tahun, kita telah berupaya mengoptimalkan perilaku manusia yang dapat diprediksi: peringkat tinggi di hasil pencarian Google, teratas di hasil pencarian Amazon, dan memulai dengan "TL;DR" yang ringkas. Saat SMA, saya mengambil kelas jurnalistik, guru saya mengajarkan menulis berita dengan "5W1H", artikel feature harus dimulai dengan pembuka yang menarik. Mungkin pembaca manusia akan melewatkan argumen bernilai tinggi dan mendalam yang tersembunyi di halaman kelima, tapi AI tidak akan.

Perubahan ini juga terlihat di bidang perangkat lunak. Aplikasi awalnya dirancang untuk memenuhi kebutuhan visual dan klik manusia, optimasi berarti antarmuka pengguna yang baik dan alur operasi yang intuitif. Seiring AI mengambil alih tugas pengambilan dan interpretasi, desain visual menjadi kurang penting untuk pemahaman. Insinyur tidak lagi menatap dashboard Grafana, AI Site Reliability Engineer (SRE) dapat menafsirkan data telemetry dan memposting analisis di Slack. Tim penjualan tidak perlu lagi repot menelusuri CRM, AI dapat secara otomatis mengekstrak pola dan ringkasan.

Kita tidak lagi mendesain konten untuk manusia, melainkan untuk AI. Tujuan optimasi baru bukan lagi hierarki visual, melainkan keterbacaan mesin—ini akan mengubah cara kita membuat dan alat yang kita gunakan.

Santiago Rodriguez: Akhir KPI "Waktu Layar" di Aplikasi AI

Selama 15 tahun terakhir, waktu layar telah menjadi indikator terbaik untuk mengukur nilai yang diberikan aplikasi konsumen dan perusahaan. Kita hidup dalam paradigma di mana durasi streaming Netflix, jumlah klik mouse di pengalaman pengguna rekam medis elektronik (untuk membuktikan penggunaan efektif), bahkan waktu yang dihabiskan di ChatGPT dijadikan KPI utama. Saat kita beralih ke model harga berbasis hasil, yang dapat menyelaraskan insentif vendor dan pengguna dengan sempurna, kita akan terlebih dahulu meninggalkan pelaporan waktu layar.

Kita sudah melihat ini dalam praktik. Saat saya menjalankan pencarian DeepResearch di ChatGPT, meski waktu layar hampir nol, saya tetap mendapatkan nilai besar. Saat Abridge secara ajaib menangkap percakapan dokter-pasien dan secara otomatis melakukan tindak lanjut, dokter hampir tidak perlu melihat layar. Saat Cursor mengembangkan aplikasi end-to-end lengkap, para insinyur sudah merencanakan siklus pengembangan fitur berikutnya. Dan saat Hebbia menulis presentasi berdasarkan ratusan dokumen publik, bankir investasi akhirnya bisa tidur nyenyak.

Ini membawa tantangan unik: standar biaya per pengguna aplikasi membutuhkan metode pengukuran ROI yang lebih kompleks. Adopsi aplikasi AI akan meningkatkan kepuasan dokter, efisiensi pengembang, kesejahteraan analis keuangan, dan kebahagiaan konsumen. Perusahaan yang dapat menjelaskan ROI dengan cara paling ringkas akan terus melampaui pesaing.

Bio + Kesehatan

Julie Yoo: Monthly Active User (MAU) Sehat

Pada 2026, kelompok pelanggan layanan kesehatan baru akan menjadi fokus: "monthly active user sehat".

Sistem layanan kesehatan tradisional terutama melayani tiga kelompok pengguna utama: (a) "monthly active user sakit": kelompok dengan permintaan fluktuatif dan biaya tinggi; (b) "daily active user sakit *": misalnya pasien yang membutuhkan perawatan intensif jangka panjang; dan (c) "daily active user muda sehat *": kelompok yang relatif sehat dan jarang berobat. Daily active user muda sehat berisiko berubah menjadi monthly/daily active user sakit, dan perawatan preventif dapat memperlambat perubahan ini. Namun, sistem pembayaran layanan kesehatan yang berfokus pada pengobatan justru memberi insentif pada pengobatan, bukan pencegahan, sehingga layanan pemeriksaan dan pemantauan kesehatan proaktif tidak diprioritaskan, dan asuransi jarang menanggung layanan ini.

Sekarang, kelompok monthly active user sehat muncul: mereka tidak sakit, tetapi ingin memantau dan memahami kesehatan mereka secara rutin—dan mereka mungkin adalah kelompok konsumen terbesar. Kami memperkirakan sejumlah perusahaan—termasuk startup AI native dan versi upgrade dari perusahaan yang sudah ada—akan mulai menawarkan layanan rutin untuk melayani kelompok pengguna ini.

Dengan potensi AI menurunkan biaya layanan kesehatan, munculnya produk asuransi kesehatan baru yang berfokus pada pencegahan, serta konsumen yang semakin bersedia membayar biaya langganan secara mandiri, "monthly active user sehat" mewakili kelompok pelanggan berikutnya yang sangat potensial di bidang healthtech: mereka terlibat secara berkelanjutan, berbasis data, dan berorientasi pencegahan.

Speedrun (nama tim investasi internal a16z)

Jon Lai: World Model Bersinar di Bidang Narasi

Pada 2026, world model berbasis AI akan merevolusi cara bercerita melalui dunia virtual interaktif dan ekonomi digital. Teknologi seperti Marble (World Labs) dan Genie 3 (DeepMind) sudah dapat menghasilkan lingkungan 3D lengkap berdasarkan prompt teks, memungkinkan pengguna menjelajahinya seperti dalam game. Seiring kreator mengadopsi alat ini, bentuk narasi baru akan muncul, yang pada akhirnya bisa berkembang menjadi "Minecraft generatif", di mana pemain bersama-sama menciptakan alam semesta besar yang terus berkembang. Dunia ini dapat menggabungkan mekanisme permainan dengan pemrograman bahasa alami, misalnya, pemain dapat memberi perintah "buat kuas yang mengubah apa pun yang saya sentuh menjadi merah muda".

Model seperti ini akan mengaburkan batas antara pemain dan kreator, menjadikan pengguna sebagai co-creator realitas bersama yang dinamis. Evolusi ini dapat melahirkan multiverse generatif yang saling terhubung, di mana genre fantasi, horor, petualangan, dan lainnya hidup berdampingan. Dalam dunia virtual ini, ekonomi digital akan berkembang pesat, kreator dapat memperoleh penghasilan dengan membuat aset, membimbing pemula, atau mengembangkan alat interaktif baru. Selain hiburan, dunia generatif ini juga akan menjadi lingkungan simulasi yang kaya untuk melatih agen AI, robot, bahkan AGI. Oleh karena itu, kebangkitan world model menandai munculnya jenis game baru sekaligus media kreatif dan frontier ekonomi yang benar-benar baru.

Josh Lu: "Tahun Saya"

Tahun 2026 akan menjadi "Tahun Saya": saat produk tidak lagi diproduksi massal, melainkan disesuaikan untuk Anda.

Kita sudah melihat tren ini di mana-mana.

Di bidang pendidikan, startup seperti Alphaschool sedang membangun tutor AI yang dapat menyesuaikan diri dengan kecepatan belajar dan minat setiap siswa, memungkinkan setiap anak mendapatkan pendidikan yang sesuai dengan ritme dan preferensi mereka. Tingkat perhatian seperti ini tidak mungkin dicapai tanpa menghabiskan puluhan ribu dolar untuk bimbingan setiap siswa.

Di bidang kesehatan, AI sedang merancang kombinasi suplemen nutrisi harian, rencana latihan, dan pola makan yang disesuaikan dengan karakteristik fisiologis Anda. Tidak perlu pelatih atau laboratorium.

Bahkan di bidang media, AI memungkinkan kreator mengombinasikan ulang berita, acara, dan cerita untuk menciptakan aliran informasi yang sepenuhnya dipersonalisasi sesuai minat dan preferensi Anda.

Perusahaan terbesar abad lalu sukses karena mereka menemukan konsumen rata-rata.

Perusahaan terbesar abad berikutnya akan menang dengan menemukan individu di antara konsumen rata-rata.

Pada 2026, dunia tidak lagi dioptimalkan untuk semua orang, melainkan mulai dioptimalkan untuk Anda.

Emily Bennett: Universitas AI Native Pertama

Saya memperkirakan pada 2026 kita akan menyaksikan kelahiran universitas AI native pertama, sebuah institusi yang dibangun dari nol di sekitar sistem AI.

Beberapa tahun terakhir, universitas mencoba menerapkan AI untuk penilaian, bimbingan, dan penjadwalan kursus. Namun kini muncul AI yang lebih dalam, sistem akademik adaptif yang dapat belajar dan mengoptimalkan diri secara real-time.

Bayangkan di institusi seperti ini, kurikulum, konsultasi, kolaborasi riset, bahkan operasi gedung akan terus disesuaikan berdasarkan umpan balik data. Jadwal kuliah mengoptimalkan diri. Daftar bacaan diperbarui setiap malam dan otomatis ditulis ulang seiring munculnya riset baru. Jalur pembelajaran disesuaikan secara real-time untuk setiap siswa sesuai kemajuan dan situasi mereka.

Kita sudah melihat tanda-tandanya. Arizona State University (ASU) bekerja sama dengan OpenAI di seluruh kampus telah melahirkan ratusan proyek AI untuk pengajaran dan administrasi. State University of New York (SUNY) kini telah memasukkan literasi AI ke dalam persyaratan pendidikan umumnya. Semua ini adalah fondasi untuk penerapan yang lebih dalam.

Di universitas AI native, profesor akan menjadi arsitek pembelajaran, bertanggung jawab atas manajemen data, tuning model, dan membimbing siswa bagaimana mempertanyakan penalaran mesin.

Cara penilaian juga akan berubah. Alat deteksi dan larangan plagiarisme akan digantikan oleh penilaian kesadaran AI, standar penilaian siswa bukan lagi apakah mereka menggunakan AI, melainkan bagaimana mereka menggunakannya. Transparansi dan penggunaan strategis menggantikan larangan.

Seiring berbagai industri berupaya merekrut talenta yang mampu merancang, mengelola, dan berkolaborasi dengan sistem AI, universitas baru ini akan menjadi pusat pelatihan, menghasilkan lulusan yang mahir dalam koordinasi sistem AI, mendukung pasar tenaga kerja yang berubah cepat.

Universitas AI native ini akan menjadi mesin talenta untuk ekonomi baru.

Sampai di sini dulu untuk hari ini, sampai jumpa di bagian berikutnya, nantikan terus.