a16z «Великі ідеї 2026 року: Частина перша»

У цій статті ми поділимося думками команд з інфраструктури, зростання, біо + здоров’я та Speedrun.

Автор: a16z New Media

Переклад: Block unicorn

Як інвестори, наш обов’язок — глибоко розуміти всі куточки технологічної індустрії, щоб вловити майбутні тренди. Тому щороку в грудні ми запрошуємо інвестиційні команди поділитися однією великою ідеєю, яку, на їхню думку, технологічні компанії вирішуватимуть у наступному році.

Сьогодні ми поділимося думками команд з інфраструктури, зростання, біо + здоров’я та Speedrun. Слідкуйте за завтрашніми матеріалами від інших команд.

Інфраструктура

Jennifer Li: Як стартапи можуть впоратися з хаосом мультимодальних даних

Неструктуровані, мультимодальні дані завжди були найбільшим вузьким місцем для підприємств, а також їхнім найбільшим невикористаним скарбом. Кожна компанія потопає в морі PDF, скріншотів, відео, логів, електронних листів і напівструктурованих даних. Моделі стають дедалі розумнішими, але вхідні дані — дедалі хаотичнішими, що призводить до збоїв у системах RAG, невидимих і дорогих відмов агентів, а ключові робочі процеси все ще сильно залежать від ручної перевірки якості. Головним обмеженням для компаній зі сфери штучного інтелекту сьогодні є ентропія даних: у світі неструктурованих даних свіжість, структурованість і достовірність постійно знижуються, а 80% корпоративних знань зараз містяться саме в цих неструктурованих даних.

Саме тому впорядкування неструктурованих даних стає унікальною можливістю. Підприємствам потрібен постійний підхід до очищення, побудови, верифікації та керування своїми мультимодальними даними, щоб забезпечити реальну ефективність подальших навантажень зі штучним інтелектом. Сценарії застосування всюдисущі: аналіз контрактів, процеси адаптації, обробка страхових випадків, комплаєнс, підтримка клієнтів, закупівлі, інженерний пошук, підвищення ефективності продажів, аналітичні пайплайни та всі агентні робочі процеси, що залежать від надійного контексту. Стартапи, які зможуть створити платформи для вилучення структури з документів, зображень і відео, вирішення конфліктів, ремонту пайплайнів або підтримки свіжості та пошуковості даних, отримають ключі до королівства корпоративних знань і процесів.

Joel de la Garza: Штучний інтелект вдихає нове життя в наймання у сфері кібербезпеки

Протягом більшої частини останнього десятиліття найбільшим викликом для головних інформаційних безпекових директорів (CISO) було наймання. З 2013 по 2021 рік кількість вакансій у сфері кібербезпеки зросла з менш ніж 1 мільйона до 3 мільйонів. Це сталося тому, що команди безпеки наймали багато технічно підкованих інженерів для виконання монотонної роботи першого рівня, наприклад, перегляду логів, яку ніхто не хоче робити. Корінь проблеми в тому, що команди кібербезпеки купували продукти, здатні виявляти все, створюючи цю рутинну роботу, а це означає, що їхні команди повинні переглядати всю інформацію — що, у свою чергу, створює уявний дефіцит робочої сили. Це замкнене коло.

До 2026 року штучний інтелект розірве це коло й заповнить прогалину в найманні, автоматизуючи багато рутинних завдань команд кібербезпеки. Кожен, хто працював у великій команді безпеки, знає, що половину роботи можна легко автоматизувати, але коли завдань накопичується занадто багато, важко визначити, що саме автоматизувати. Рідні AI-інструменти, які допоможуть командам безпеки вирішити ці проблеми, зрештою дозволять їм займатися тим, чим вони дійсно хочуть: ловити зловмисників, будувати нові системи та виправляти вразливості.

Malika Aubakirova: Рідна агентна інфраструктура стане стандартом

До 2026 року найбільший інфраструктурний зсув відбудеться не зовні, а всередині підприємств. Ми переходимо від передбачуваного, низькоконкурентного трафіку «людської швидкості» до рекурсивних, вибухових і масштабних навантажень «агентної швидкості».

Сучасний бекенд підприємств розроблений для співвідношення 1:1 між людськими діями та відповідями системи. Він не підготовлений до архітектури, де один агентний «цільовий» запит може за мілісекунди ініціювати 5000 підзавдань, запитів до бази даних і внутрішніх API. Коли агент намагається перебудувати кодову базу або виправити журнали безпеки, він не схожий на користувача. Для традиційних баз даних або лімітаторів це виглядає як DDoS-атака.

Створення систем для агентів 2026 року означає повний редизайн контрольної площини. Ми станемо свідками підйому «агентно-рідної» інфраструктури. Інфраструктура наступного покоління повинна сприймати «ефект гуркоту стада» (thundering herd) як стандартний стан. Час холодного старту має скоротитися, коливання затримки — значно зменшитися, а ліміти паралелізму — зрости в рази. Вузьким місцем стане координація: маршрутизація, блокування, керування станом і виконання політик у масштабному паралельному виконанні. Переможуть лише ті платформи, які зможуть впоратися з цим потоком інструментів.

Justine Moore: Креативні інструменти стають мультимодальними

Зараз у нас є будівельні блоки для сторітелінгу зі штучним інтелектом: генеративна мова, музика, зображення та відео. Але для будь-якого контенту, що виходить за межі одноразових фрагментів, отримати потрібний результат часто довго, фруструє — а іноді й неможливо — особливо якщо ви хочете рівень контролю, близький до традиційного режисера.

Чому ми не можемо дати моделі 30-секундне відео, а потім дозволити їй продовжити сцену з новими персонажами, створеними за референсними зображеннями та звуками? Або перезняти відео, щоб побачити сцену з іншого ракурсу, або синхронізувати рухи з референсним відео?

2026 рік стане роком мультимодальності штучного інтелекту. Ви зможете надати моделі будь-який референсний контент і використовувати його для створення нового або редагування існуючих сцен. Ми вже бачимо перші продукти, такі як Kling O1 і Runway Aleph. Але ще багато роботи попереду — потрібні інновації як на рівні моделей, так і на рівні застосунків.

Контент-креація — один із найпотужніших сценаріїв застосування штучного інтелекту, і я очікую, що ми побачимо багато успішних продуктів для різних сценаріїв і аудиторій — від мем-мейкерів до голлівудських режисерів.

Jason Cui: Еволюція рідного AI-стека даних триває

За останній рік ми спостерігали консолідацію «сучасного стека даних», коли компанії з даних переходили від спеціалізації на інджесті, трансформації та обчисленнях до уніфікованих платформ. Наприклад: злиття Fivetran/dbt і подальший ріст таких платформ, як Databricks.

Попри явну зрілість екосистеми, ми все ще на ранньому етапі справжньої AI-рідної архітектури даних. Ми захоплені тим, як штучний інтелект трансформує різні ланки стека даних, і починаємо усвідомлювати, що дані та інфраструктура штучного інтелекту стають нерозривно пов’язаними.

Ось кілька напрямків, які нам подобаються:

• Як дані надходитимуть у високопродуктивні векторні бази разом із традиційними структурованими даними
• Як AI-агенти вирішуватимуть «проблему контексту»: постійний доступ до правильного бізнес-контексту та семантичного шару для побудови потужних застосунків, наприклад, для взаємодії з даними, і забезпечення правильності бізнес-визначень у кількох системах запису
• Як зміняться традиційні BI-інструменти та електронні таблиці, коли робочі процеси з даними стануть більш агентними й автоматизованими

Yoko Li: Рік, коли ми увійдемо у відео

До 2026 року відео перестане бути просто контентом для пасивного перегляду, а стане простором, у якому ми справді можемо перебувати. Відеомоделі нарешті зможуть розуміти час, пам’ятати, що вже було показано, реагувати на наші дії та зберігати ту саму надійну послідовність, що й у реальному світі. Ці системи більше не просто генерують кілька секунд розрізнених кадрів, а здатні підтримувати персонажів, об’єкти та фізичні ефекти достатньо довго, щоб дії мали сенс і проявляли наслідки. Така трансформація перетворює відео на медіум, що постійно розвивається: робот може тренуватися, гра — еволюціонувати, дизайнер — створювати прототипи, агент — навчатися на практиці. Кінцевий результат більше не схожий на відеофрагмент, а радше на живе середовище, яке починає долати розрив між сприйняттям і дією. Вперше ми відчуємо, що можемо бути всередині згенерованого нами відео.

Зростання

Sarah Wang: Системи запису втрачають домінування

До 2026 року справжня революція в корпоративному програмному забезпеченні полягатиме в тому, що системи запису остаточно втратять своє домінування. Штучний інтелект скорочує відстань між наміром і виконанням: моделі тепер можуть безпосередньо читати, записувати й робити висновки з операційних даних, перетворюючи ITSM і CRM із пасивних баз даних на автономні рушії робочих процесів. Завдяки останнім досягненням у reasoning-моделях і агентних workflow ці системи не лише реагують, а й передбачають, координують і виконують end-to-end процеси. Інтерфейс перетворюється на динамічний агентний шар, а традиційні системи запису відходять на другий план, стаючи універсальним шаром зберігання — їхня стратегічна перевага переходить до тих, хто контролює агентне середовище виконання, яким щодня користуються працівники.

Alex Immerman: Вертикальний AI еволюціонує від пошуку інформації та reasoning до багатокористувацької співпраці

Штучний інтелект стимулював безпрецедентне зростання вертикального галузевого ПЗ. Медичні, юридичні та ріелторські компанії за кілька років досягли понад 100 millions доларів річного повторюваного доходу (ARR); фінансовий та бухгалтерський сектори — слідом за ними. Спочатку це була інформаційна вибірка: пошук, вилучення та підсумовування правильної інформації. 2025 рік приніс reasoning-функції: Hebbia аналізує фінансові звіти й будує моделі, Basis звіряє таблиці між різними системами, EliseAI діагностує проблеми з обслуговуванням і відправляє потрібних підрядників.

2026 рік відкриє багатокористувацькі сценарії співпраці. Вертикальне ПЗ виграє від спеціалізованих інтерфейсів, даних та інтеграцій. Але робота у вертикалях за своєю природою багатостороння. Якщо агенти мають представляти робочу силу, їм потрібно співпрацювати. Від покупців і продавців до орендарів, консультантів і постачальників — кожна сторона має свої права, workflow і вимоги до комплаєнсу, які розуміє лише вертикальне ПЗ.

Зараз усі сторони використовують AI незалежно, що призводить до браку делегування під час передачі. AI, який аналізує закупівельні угоди, не спілкується з CFO для коригування моделі. AI для обслуговування не знає, що співробітники на місці щось пообіцяли орендарю. Революція багатосторонньої співпраці полягає в координації між стейкхолдерами: маршрутизація завдань експертам, збереження контексту, синхронізація змін. AI контрагентів веде переговори в межах заданих параметрів і позначає асиметрії для ручної перевірки. Позначки старших партнерів використовуються для навчання системи всієї компанії. Завдання, виконані AI, матимуть вищий відсоток успіху.

Коли цінність багатокористувацької та мультиагентної співпраці зростає, зростає й вартість переходу. Ми побачимо мережевий ефект, якого AI-додатки досі не досягали: шар співпраці стане ровом.

Stephenie Zhang: Дизайн для агентів, а не для людей

До 2026 року люди почнуть взаємодіяти з мережею через агентів. Те, що раніше оптимізувалося для людського споживання, більше не буде так само важливим для агентів.

Довгі роки ми оптимізували під передбачувану людську поведінку: бути на першій сторінці Google, на вершині Amazon, починати з короткого «TL;DR». У школі я відвідувала курс журналістики, де нас учили писати новини за принципом «5W1H», а тематичні статті — починати з інтригуючого вступу. Можливо, людський читач пропустить цінні інсайти на п’ятій сторінці, але AI — ні.

Ця зміна стосується і ПЗ. Додатки створювалися для людського зору й кліків, оптимізація означала хороший UI та інтуїтивний UX. Коли AI бере на себе пошук і інтерпретацію, візуальний дизайн стає менш важливим для розуміння. Інженери більше не дивляться на дашборди Grafana, AI SRE інтерпретує телеметрію й публікує аналіз у Slack. Продажники більше не гортають CRM — AI автоматично витягує патерни й підсумки.

Ми більше не створюємо контент для людей, а для AI. Новою метою оптимізації стає машинна читабельність, а не візуальна ієрархія — це змінить і наші підходи до створення, і наші інструменти.

Santiago Rodriguez: Кінець KPI «екранного часу» в AI-додатках

Останні 15 років екранний час був головним показником цінності споживчих і корпоративних додатків. Ми жили у світі, де тривалість перегляду Netflix, кількість кліків у медичних ЕМР (щоб довести корисність) і навіть час у ChatGPT були ключовими метриками. З переходом до цінових моделей, орієнтованих на результат, які ідеально узгоджують мотивацію постачальників і користувачів, ми першими відмовимося від звітності за екранний час.

Ми вже бачимо це на практиці. Коли я запускаю DeepResearch у ChatGPT, навіть із нульовим екранним часом я отримую величезну цінність. Коли Abridge магічно фіксує діалог лікаря й пацієнта й автоматично виконує подальші дії, лікар майже не дивиться на екран. Коли Cursor створює повний end-to-end додаток, інженери вже планують наступний цикл розробки. А коли Hebbia пише презентацію на основі сотень публічних документів, інвестбанкіри нарешті можуть виспатися.

Це створює унікальний виклик: ціноутворення на одного користувача потребує складніших ROI-метрик. Масове впровадження AI-додатків підвищить задоволеність лікарів, ефективність розробників, добробут фінансових аналітиків і щастя споживачів. Ті компанії, які зможуть найлаконічніше пояснити ROI, і далі випереджатимуть конкурентів.

Біо + здоров’я

Julie Yoo: Здорові MAU (місячні активні користувачі)

До 2026 року нова група клієнтів у сфері охорони здоров’я стане у фокусі: «здорові місячні активні користувачі».

Традиційна система охорони здоров’я обслуговує три основні групи: (a) «хворі MAU» — люди з мінливими потребами й високими витратами; (b) «хворі DAU*» — наприклад, пацієнти, що потребують тривалої інтенсивної терапії; і (c) «здорові молоді активні користувачі*» — відносно здорові люди, які рідко звертаються до лікаря. Здорові молоді активні користувачі ризикують перейти в категорію хворих MAU/DAU, і профілактика може уповільнити цей перехід. Але система відшкодування витрат у медицині орієнтована на лікування, а не на профілактику, тому профілактичні огляди й моніторинг не в пріоритеті, а страховки рідко їх покривають.

Тепер з’являється група здорових MAU: вони не хворі, але хочуть регулярно моніторити й розуміти свій стан здоров’я — і, ймовірно, це найбільша група серед споживачів. Ми очікуємо, що низка компаній — як AI-стартапи, так і апгрейди існуючих підприємств — почнуть надавати регулярні послуги для цієї аудиторії.

З огляду на потенціал AI для зниження вартості медичних послуг, появу нових страхових продуктів, орієнтованих на профілактику, і дедалі більшу готовність споживачів платити за підписку, «здорові MAU» стануть наступною великою клієнтською групою в медтеху: вони залучені, орієнтовані на дані й профілактику.

Speedrun (назва внутрішньої інвесткоманди a16z)

Jon Lai: Світові моделі розквітають у сфері сторітелінгу

У 2026 році світові моделі на основі штучного інтелекту докорінно змінять сторітелінг через інтерактивні віртуальні світи й цифрову економіку. Такі технології, як Marble (World Labs) і Genie 3 (DeepMind), вже можуть створювати повноцінні 3D-середовища за текстовими підказками, дозволяючи користувачам досліджувати їх, як у грі. Коли творці почнуть використовувати ці інструменти, з’являться нові форми сторітелінгу, які зрештою можуть перетворитися на «генеративний Minecraft», де гравці разом створюють величезні й динамічні всесвіти. Ці світи можуть поєднувати ігрові механіки з програмуванням природною мовою, наприклад, гравець може дати команду: «створи пензель, який усе, до чого я торкнуся, фарбує в рожевий».

Такі моделі розмивають межу між гравцем і творцем, роблячи користувачів співавторами динамічної спільної реальності. Це може породити взаємопов’язані генеративні мультивсесвіти, де співіснують фентезі, жахи, пригоди тощо. У цих віртуальних світах процвітатиме цифрова економіка: творці зможуть заробляти, створюючи активи, навчаючи новачків або розробляючи нові інтерактивні інструменти. Окрім розваг, ці генеративні світи стануть багатим симуляційним середовищем для тренування AI-агентів, роботів і навіть AGI. Тож підйом світових моделей знаменує не лише появу нового жанру ігор, а й новий креативний медіум і економічний фронтир.

Josh Lu: «Мій рік»

2026 рік стане «моїм роком»: продукти більше не будуть масовими, а створюватимуться спеціально для вас.

Ми вже бачимо цю тенденцію всюди.

В освіті стартапи на кшталт Alphaschool створюють AI-наставників, які підлаштовуються під темп і інтереси кожного учня, даючи кожній дитині освіту, що відповідає її ритму й вподобанням. Без витрат у десятки тисяч доларів на репетиторство такої уваги не досягти.

У сфері здоров’я AI підбирає індивідуальні комбінації щоденних добавок, тренувань і дієт за вашими фізіологічними особливостями. Без тренера чи лабораторії.

Навіть у медіа AI дозволяє творцям перебудовувати новини, шоу й історії, створюючи персоналізовані стрічки під ваші інтереси й смаки.

Найбільші компанії минулого століття перемагали, знаходячи «середнього споживача».

Найбільші компанії наступного століття перемагатимуть, знаходячи індивідуальність у кожному споживачі.

У 2026 році світ перестане оптимізуватися для всіх, а почне оптимізуватися для вас.

Emily Bennett: Перший рідний AI-університет

Я очікую, що у 2026 році ми побачимо перший рідний AI-університет — заклад, побудований з нуля навколо AI-систем.

Останні роки університети експериментували з AI для оцінювання, наставництва й розкладу. Але зараз з’являється глибший AI — адаптивна академічна система, що навчається й оптимізується в реальному часі.

Уявіть заклад, де курси, консультування, дослідницька співпраця й навіть експлуатація будівель постійно коригуються за зворотним зв’язком із даних. Розклад оптимізується сам. Списки літератури оновлюються щовечора й автоматично переписуються з появою нових досліджень. Навчальні траєкторії коригуються в реальному часі під темп і ситуацію кожного студента.

Ми вже бачимо перші ознаки цього. Arizona State University (ASU) у співпраці з OpenAI створила сотні AI-проєктів для навчання й адміністрування. State University of New York (SUNY) вже включив AI-грамотність до загальноосвітніх вимог. Це основа для глибшого впровадження.

У AI-рідному університеті професори стануть архітекторами навчання: вони відповідатимуть за керування даними, тюнінг моделей і навчання студентів критично мислити щодо машинних висновків.

Зміниться й оцінювання. Інструменти виявлення й заборони плагіату поступляться місцем оцінці AI-усвідомленості: оцінюватиметься не факт використання AI, а те, як його використовують. Прозорість і стратегічність замість заборон.

Оскільки всі галузі шукають фахівців із проєктування, керування й співпраці з AI-системами, цей новий університет стане кузнею кадрів для швидкозмінного ринку праці.

AI-рідний університет стане двигуном талантів нової економіки.

На сьогодні все, до зустрічі в наступній частині — слідкуйте за оновленнями.