a16z "Grandi idee per il 2026: Parte Prima"

Questo articolo condivide le opinioni dei team di Infrastructure, Growth, Bio + Health e Speedrun.

Autore: a16z New Media

Traduzione: Block unicorn

In qualità di investitori, il nostro compito è comprendere a fondo ogni angolo del settore tecnologico per cogliere le tendenze future. Per questo, ogni dicembre invitiamo i nostri team di investimento a condividere una grande idea che ritengono le aziende tecnologiche dovranno affrontare nell'anno successivo.

Oggi condividiamo le opinioni dei team di Infrastructure, Growth, Bio + Health e Speedrun. Restate sintonizzati per le opinioni degli altri team che arriveranno domani.

Infrastructure

Jennifer Li: Come le startup possono gestire il caos dei dati multimodali

I dati non strutturati e multimodali sono sempre stati il più grande collo di bottiglia per le aziende, nonché il loro tesoro più grande ancora da sfruttare. Ogni azienda è sommersa da PDF, screenshot, video, log, email e dati semi-strutturati. I modelli diventano sempre più intelligenti, ma i dati in ingresso sono sempre più caotici, il che porta a malfunzionamenti nei sistemi RAG, agenti che falliscono in modi subdoli e costosi, e flussi di lavoro critici che dipendono ancora fortemente dal controllo qualità umano. Il fattore limitante per le aziende di intelligenza artificiale oggi è l'entropia dei dati: nel mondo dei dati non strutturati, freschezza, struttura e autenticità si deteriorano costantemente, mentre l'80% della conoscenza aziendale oggi risiede proprio in questi dati non strutturati.

Proprio per questo, mettere ordine nei dati non strutturati rappresenta un'opportunità irripetibile. Le aziende hanno bisogno di un metodo continuo per pulire, strutturare, verificare e gestire i propri dati multimodali, così da garantire che i carichi di lavoro AI a valle possano davvero funzionare. Le applicazioni sono ovunque: analisi dei contratti, onboarding, gestione dei sinistri, compliance, assistenza clienti, procurement, ricerca ingegneristica, abilitazione alle vendite, pipeline di analisi e tutti i flussi di lavoro degli agenti che dipendono da un contesto affidabile. Le startup che riusciranno a costruire piattaforme capaci di estrarre struttura da documenti, immagini e video, risolvere conflitti, riparare pipeline o mantenere freschezza e reperibilità dei dati, avranno in mano le chiavi del regno della conoscenza e dei processi aziendali.

Joel de la Garza: L’AI rivoluziona il recruiting nella cybersecurity

Per la maggior parte dell’ultimo decennio, la sfida più grande per i Chief Information Security Officer (CISO) è stata il recruiting. Dal 2013 al 2021, i posti vacanti nella cybersecurity sono passati da meno di 1 milione a 3 milioni. Questo perché i team di sicurezza hanno assunto molti ingegneri tecnicamente abili per svolgere compiti di sicurezza di primo livello noiosi e ripetitivi, come la revisione dei log, che nessuno vuole fare. Il problema nasce dal fatto che i team di sicurezza hanno acquistato prodotti in grado di rilevare tutto, generando così questo lavoro tedioso, il che significa che i loro team devono esaminare tutte le informazioni—alimentando così una falsa carenza di manodopera. È un circolo vizioso.

Entro il 2026, l’intelligenza artificiale spezzerà questo ciclo e colmerà il gap di recruiting automatizzando molti dei compiti ripetitivi dei team di cybersecurity. Chiunque abbia lavorato in un grande team di sicurezza sa che metà del lavoro può essere facilmente automatizzato, ma quando il lavoro si accumula è difficile capire quali attività automatizzare. Gli strumenti AI nativi che aiutano i team di sicurezza a risolvere questi problemi permetteranno loro di concentrarsi su ciò che vogliono davvero fare: cacciare i malintenzionati, costruire nuovi sistemi e correggere vulnerabilità.

Malika Aubakirova: L’infrastruttura agent-native diventerà lo standard

Entro il 2026, il più grande impatto infrastrutturale non verrà da aziende esterne, ma dall’interno delle aziende stesse. Stiamo passando da un traffico “a velocità umana”, prevedibile e a bassa concorrenza, a carichi di lavoro “a velocità agenti”, ricorsivi, improvvisi e su larga scala.

Oggi il backend aziendale è progettato per un rapporto 1:1 tra operazione umana e risposta del sistema. Non è architettato per gestire la ramificazione ricorsiva di un singolo “obiettivo” agente che innesca 5000 sottocompiti, query di database e chiamate API interne in millisecondi. Quando un agente tenta di ristrutturare una codebase o correggere i log di sicurezza, non sembra un utente. Agli occhi di database tradizionali o rate limiter, sembra un attacco DDoS.

Costruire sistemi per agenti nel 2026 significa riprogettare il control plane. Vedremo l’ascesa dell’infrastruttura “agent-native”. L’infrastruttura di nuova generazione dovrà considerare il “thundering herd effect” come stato predefinito. I tempi di cold start dovranno ridursi, la variabilità della latenza diminuire drasticamente e i limiti di concorrenza aumentare di molto. Il collo di bottiglia sarà il coordinamento: routing, locking, gestione dello stato ed esecuzione delle policy in esecuzioni massivamente parallele. Solo le piattaforme in grado di gestire il flusso di esecuzioni di strumenti che ne deriverà potranno prevalere.

Justine Moore: Gli strumenti creativi diventano multimodali

Ora abbiamo i mattoni per raccontare storie con l’AI: generazione di voce, musica, immagini e video. Ma per qualsiasi contenuto che vada oltre una clip singola, ottenere l’output desiderato è spesso lungo e frustrante—se non impossibile—soprattutto se si vuole un controllo simile a quello di un regista tradizionale.

Perché non possiamo dare a un modello un video di 30 secondi e fargli continuare la scena con nuovi personaggi creati da immagini e suoni di riferimento? O rigirare una scena per vederla da un’altra angolazione, o far sì che le azioni corrispondano a un video di riferimento?

Il 2026 sarà l’anno in cui l’AI diventerà veramente multimodale. Potrai fornire al modello qualsiasi tipo di contenuto di riferimento e usarlo per creare nuovi contenuti o modificare scene esistenti. Abbiamo già visto alcuni prodotti iniziali, come Kling O1 e Runway Aleph. Ma c’è ancora molto da fare—servono innovazioni sia a livello di modello che di applicazione.

La creazione di contenuti è uno degli scenari applicativi più dirompenti dell’AI, e mi aspetto che vedremo emergere numerosi prodotti di successo, per una vasta gamma di casi d’uso e clienti, dai creatori di meme ai registi di Hollywood.

Jason Cui: Lo stack dati AI-native continua a evolversi

Nell’ultimo anno, abbiamo visto l’integrazione del “modern data stack” man mano che le aziende dati sono passate da aree specialistiche come ingestion, trasformazione e calcolo dei dati a piattaforme unificate e integrate. Ad esempio: la fusione Fivetran/dbt e l’ascesa continua di piattaforme unificate come Databricks.

Sebbene l’ecosistema sia chiaramente maturato, siamo ancora agli inizi di una vera architettura dati AI-native. Siamo entusiasti di come l’AI stia trasformando molteplici anelli dello stack dati e stiamo iniziando a renderci conto che dati e infrastruttura AI stanno diventando inseparabili.

Ecco alcune direzioni che ci entusiasmano:

• Come i dati fluiranno nei database vettoriali ad alte prestazioni insieme ai dati strutturati tradizionali
• Come gli agenti AI risolveranno il “problema del contesto”: accesso continuo al giusto contesto di dati aziendali e livello semantico, per costruire applicazioni potenti come l’interazione con i dati, garantendo che queste applicazioni abbiano sempre la giusta definizione di business tra più sistemi di record
• Come cambieranno gli strumenti di business intelligence tradizionali e i fogli di calcolo man mano che i workflow dati diventano più agentizzati e automatizzati

Yoko Li: L’anno in cui entriamo nei video

Entro il 2026, il video non sarà più un contenuto che guardiamo passivamente, ma uno spazio in cui possiamo davvero immergerci. I modelli video saranno finalmente in grado di comprendere il tempo, ricordare ciò che hanno già mostrato, reagire alle nostre azioni e mantenere la coerenza tipica del mondo reale. Questi sistemi non genereranno più solo pochi secondi di immagini frammentarie, ma saranno in grado di mantenere personaggi, oggetti ed effetti fisici abbastanza a lungo da dare senso alle azioni e mostrarne le conseguenze. Questo cambiamento trasformerà il video in un medium in continua evoluzione: un robot potrà esercitarsi, un gioco potrà evolversi, un designer potrà prototipare, un agente potrà imparare nella pratica. Il risultato finale non sembrerà più una semplice clip video, ma un ambiente vivo, uno spazio che inizia a colmare il divario tra percezione e azione. Per la prima volta, sentiremo di poterci immergere nei video che generiamo.

Growth

Sarah Wang: I sistemi di record perdono la loro supremazia

Entro il 2026, la vera rivoluzione nel software enterprise sarà la perdita di supremazia dei sistemi di record. L’AI sta riducendo la distanza tra intenzione ed esecuzione: ora i modelli possono leggere, scrivere e ragionare direttamente sui dati operativi, trasformando sistemi ITSM e CRM da database passivi a motori di workflow autonomi. Con i progressi nei modelli di ragionamento e nei workflow agent-based, questi sistemi non solo risponderanno, ma saranno in grado di prevedere, coordinare ed eseguire processi end-to-end. L’interfaccia si trasformerà in un layer dinamico di agenti, mentre i sistemi di record tradizionali passeranno in secondo piano, diventando uno strato di persistenza generico—il vantaggio strategico andrà a chi controllerà davvero l’ambiente di esecuzione degli agenti usato quotidianamente dai dipendenti.

Alex Immerman: L’AI verticale evolve dalla ricerca informazioni alla collaborazione multiparte

L’AI ha guidato una crescita senza precedenti nel software verticale. Aziende di sanità, legale e immobiliare hanno raggiunto oltre 100 milioni di ARR in pochi anni; finanza e contabilità seguono a ruota. L’evoluzione è partita dalla ricerca informazioni: trovare, estrarre e riassumere le informazioni giuste. Il 2025 ha portato il ragionamento: Hebbia analizza i bilanci e costruisce modelli, Basis riconcilia fogli di calcolo tra sistemi, EliseAI diagnostica problemi di manutenzione e invia il fornitore giusto.

Il 2026 sbloccherà la collaborazione multiparte. Il software verticale beneficia di interfacce, dati e integrazioni specifiche di settore. Ma il lavoro verticale è intrinsecamente collaborativo. Se gli agenti devono rappresentare la forza lavoro, devono collaborare. Da acquirenti e venditori, a inquilini, consulenti e fornitori, ogni parte ha permessi, workflow e requisiti di compliance diversi, che solo il software verticale può comprendere.

Oggi, le parti usano l’AI in modo indipendente, causando una mancanza di autorizzazione nei passaggi di consegna. L’AI che analizza i contratti di acquisto non comunica con il CFO per aggiustare i modelli. L’AI per la manutenzione non sa cosa il personale in loco abbia promesso agli inquilini. La rivoluzione della collaborazione multiparte sta nel coordinamento tra stakeholder: instradare i compiti agli esperti funzionali, mantenere il contesto, sincronizzare i cambiamenti. L’AI delle controparti negozia entro parametri predefiniti e segnala le asimmetrie per la revisione umana. Le annotazioni dei partner senior addestrano il sistema aziendale. I compiti eseguiti dall’AI avranno tassi di successo più elevati.

Quando il valore della collaborazione multiparte e multi-agente cresce, aumentano anche i costi di switching. Vedremo finalmente effetti di rete nelle applicazioni AI: il layer di collaborazione diventerà un fossato difensivo.

Stephenie Zhang: Progettare per agenti, non per umani

Entro il 2026, le persone inizieranno a interagire con il web tramite agenti. Ciò che era ottimizzato per il consumo umano non sarà più altrettanto importante per il consumo degli agenti.

Per anni abbiamo ottimizzato per comportamenti umani prevedibili: posizionarsi in alto nei risultati di Google, primeggiare su Amazon, iniziare con un “TL;DR” conciso. Al liceo, ho seguito un corso di giornalismo dove mi hanno insegnato a scrivere notizie con le “5W1H” e ad aprire gli articoli con un incipit accattivante. Forse i lettori umani si perderanno le intuizioni preziose nascoste a pagina cinque, ma l’AI no.

Questo cambiamento si riflette anche nel software. Le applicazioni sono state progettate per soddisfare esigenze visive e di click umane, dove l’ottimizzazione significava una buona UI e un flusso intuitivo. Man mano che l’AI prende il controllo di recupero e interpretazione, il design visivo perde importanza per la comprensione. Gli ingegneri non fissano più le dashboard Grafana, gli SRE AI possono interpretare i dati di telemetria e pubblicare analisi su Slack. I team di vendita non devono più sfogliare i CRM, l’AI può estrarre pattern e riassunti automaticamente.

Non progettiamo più contenuti per gli umani, ma per l’AI. Il nuovo obiettivo di ottimizzazione non è la gerarchia visiva, ma la leggibilità per le macchine—questo cambierà il modo in cui creiamo e gli strumenti che usiamo.

Santiago Rodriguez: La fine del KPI “screen time” nelle applicazioni AI

Negli ultimi 15 anni, il tempo trascorso davanti allo schermo è stato la metrica principale per misurare il valore delle applicazioni consumer e enterprise. Abbiamo vissuto in un paradigma in cui la durata dello streaming su Netflix, il numero di click nelle cartelle cliniche elettroniche (per dimostrare l’uso effettivo) e persino il tempo trascorso su ChatGPT erano KPI chiave. Con il passaggio a modelli di pricing basati sui risultati, che allineano perfettamente gli incentivi tra fornitori e utenti, abbandoneremo per primi i report sul tempo di utilizzo.

Lo vediamo già nella pratica. Quando eseguo una ricerca DeepResearch su ChatGPT, anche se il tempo sullo schermo è quasi zero, ottengo un valore enorme. Quando Abridge cattura magicamente una conversazione medico-paziente ed esegue automaticamente le azioni successive, il medico quasi non guarda lo schermo. Quando Cursor sviluppa un’app end-to-end completa, gli ingegneri stanno già pianificando la prossima funzione. E quando Hebbia scrive una presentazione basata su centinaia di documenti pubblici, i banchieri d’investimento possono finalmente dormire sonni tranquilli.

Questo pone una sfida unica: il pricing per utente singolo delle applicazioni richiederà metriche ROI più sofisticate. La diffusione delle applicazioni AI aumenterà la soddisfazione dei medici, l’efficienza degli sviluppatori, il benessere degli analisti finanziari e la felicità dei consumatori. Le aziende che sapranno articolare il ROI nel modo più conciso continueranno a superare la concorrenza.

Bio + Health

Julie Yoo: Gli utenti mensili attivi “sani”

Entro il 2026, emergerà un nuovo segmento di clientela sanitaria: i “sani utenti mensili attivi”.

I sistemi sanitari tradizionali servono principalmente tre gruppi: (a) “utenti mensili attivi malati”: persone con bisogni variabili e costi elevati; (b) “utenti giornalieri attivi malati*”: ad esempio pazienti che necessitano di cure intensive a lungo termine; e (c) “utenti giovani e sani attivi*”: persone relativamente sane che raramente ricorrono alle cure. Questi ultimi rischiano di diventare utenti mensili/giornalieri malati, ma la prevenzione può rallentare questa transizione. Tuttavia, i sistemi di rimborso premiano la cura, non la prevenzione, quindi i servizi di screening e monitoraggio proattivi non sono prioritari e raramente coperti dalle assicurazioni.

Ora emerge il segmento degli utenti mensili attivi sani: non sono malati, ma desiderano monitorare e comprendere regolarmente il proprio stato di salute—e potrebbero rappresentare la fetta più ampia dei consumatori. Prevediamo che un gruppo di aziende—sia startup AI-native che versioni evolute di aziende esistenti—inizierà a offrire servizi regolari per questo segmento.

Con il potenziale dell’AI di ridurre i costi sanitari, l’arrivo di nuove assicurazioni focalizzate sulla prevenzione e la crescente disponibilità dei consumatori a pagare abbonamenti di tasca propria, i “sani utenti mensili attivi” rappresentano il prossimo segmento ad alto potenziale per la healthtech: coinvolti, guidati dai dati e orientati alla prevenzione.

Speedrun (nome di un team di investimento interno a a16z)

Jon Lai: I world model AI rivoluzionano la narrazione

Nel 2026, i world model AI trasformeranno la narrazione attraverso mondi virtuali interattivi ed economie digitali. Tecnologie come Marble (World Labs) e Genie 3 (DeepMind) già generano ambienti 3D completi da prompt testuali, permettendo agli utenti di esplorarli come in un videogioco. Con l’adozione di questi strumenti da parte dei creator, emergeranno nuove forme di narrazione, che potrebbero evolvere in un “Minecraft generativo” dove i giocatori co-creano universi vasti e in continua evoluzione. Questi mondi potranno combinare meccaniche di gioco e programmazione in linguaggio naturale, ad esempio: “crea un pennello che trasforma in rosa tutto ciò che tocco”.

Questi modelli sfumeranno il confine tra giocatore e creatore, rendendo gli utenti co-creatori di una realtà condivisa e dinamica. Questa evoluzione potrebbe dare origine a multiversi generativi interconnessi, dove convivono fantasy, horror, avventura e altri generi. In questi mondi virtuali, l’economia digitale prospererà: i creator potranno guadagnare creando asset, guidando i nuovi arrivati o sviluppando nuovi strumenti interattivi. Oltre all’intrattenimento, questi mondi generativi diventeranno ambienti ricchi per addestrare agenti AI, robot e persino AGI. L’ascesa dei world model segna quindi non solo la nascita di un nuovo genere di gioco, ma anche di un nuovo medium creativo e di una nuova frontiera economica.

Josh Lu: “Il mio anno zero”

Il 2026 sarà “il mio anno zero”: i prodotti non saranno più prodotti in massa, ma personalizzati per te.

Stiamo già vedendo questa tendenza ovunque.

Nell’istruzione, startup come Alphaschool stanno costruendo tutor AI che si adattano al ritmo e agli interessi di ogni studente, offrendo a ciascun bambino un’istruzione su misura per il suo stile e le sue preferenze—un livello di attenzione impossibile senza spendere decine di migliaia di dollari per ogni studente.

Nella salute, l’AI sta progettando combinazioni di integratori, piani di allenamento e diete quotidiane su misura per la tua fisiologia. Senza bisogno di coach o laboratori.

Anche nei media, l’AI permette ai creator di riassemblare notizie, programmi e storie per creare feed personalizzati che rispecchiano perfettamente i tuoi interessi e gusti.

Le aziende più grandi del secolo scorso hanno avuto successo perché hanno trovato il consumatore medio.

Le aziende più grandi del prossimo secolo vinceranno trovando l’individuo all’interno del consumatore medio.

Nel 2026, il mondo non sarà più ottimizzato per tutti, ma inizierà a essere ottimizzato per te.

Emily Bennett: La prima università AI-native

Prevedo che nel 2026 assisteremo alla nascita della prima università AI-native, un’istituzione costruita da zero attorno ai sistemi di intelligenza artificiale.

Negli ultimi anni, le università hanno sperimentato l’AI per valutazioni, tutoraggio e pianificazione dei corsi. Ma ora sta emergendo un’AI più profonda, un sistema accademico adattivo in grado di apprendere in tempo reale e auto-ottimizzarsi.

Immaginate un’istituzione in cui corsi, consulenze, collaborazioni di ricerca e persino la gestione degli edifici si adattano continuamente grazie ai feedback dei dati. L’orario delle lezioni si auto-ottimizza. Le reading list si aggiornano ogni notte e si riscrivono automaticamente con l’arrivo di nuove ricerche. I percorsi di apprendimento si adattano in tempo reale al ritmo e alle esigenze di ogni studente.

Abbiamo già visto alcuni segnali. La collaborazione tra Arizona State University (ASU) e OpenAI ha generato centinaia di progetti AI-driven per la didattica e la gestione amministrativa. La State University of New York (SUNY) ha ora incluso la AI literacy nei requisiti di educazione generale. Queste sono le basi per una diffusione più profonda.

Nell’università AI-native, i professori saranno architetti dell’apprendimento: gestiranno i dati, ottimizzeranno i modelli e guideranno gli studenti su come mettere in discussione il ragionamento delle macchine.

Anche i metodi di valutazione cambieranno. Gli strumenti di rilevamento e i divieti di plagio saranno sostituiti da valutazioni della consapevolezza AI: il voto degli studenti non dipenderà più dall’uso dell’AI, ma da come la usano. L’uso trasparente e strategico sostituirà il divieto.

Con tutti i settori che cercano talenti in grado di progettare, gestire e collaborare con sistemi AI, questa nuova università diventerà un centro di formazione, producendo laureati esperti nel coordinamento dei sistemi AI e supportando un mercato del lavoro in rapida evoluzione.

Questa università AI-native sarà il motore di talenti della nuova economia.

Per oggi è tutto, ci vediamo alla prossima parte, restate sintonizzati.