a16z《Idées majeures pour 2026 : Première partie》

Auteur : a16z New Media Traduit par : Block unicorn

En tant qu’investisseurs, notre responsabilité est d’approfondir la connaissance de chaque recoin de l’industrie technologique afin d’anticiper les tendances futures. Par conséquent, chaque décembre, nous invitons des équipes d’investissement à partager une grande idée que, selon elles, les entreprises technologiques devront résoudre dans l’année à venir.

Aujourd’hui, nous partagerons les perspectives des équipes Infrastructure, Croissance, Biologie + Santé et Speedrun. Restez à l’écoute pour les autres présentations de demain.

Infrastructure

Jennifer Li : Comment les startups peuvent maîtriser le chaos des données multimodales

Les données non structurées et multimodales ont toujours été le plus grand frein pour les entreprises, ainsi que leur plus grande mine d’or encore inexploité. Chaque entreprise est submergée par des PDF, captures d’écran, vidéos, journaux, emails et données semi-structurées. Les modèles deviennent toujours plus intelligents, mais la qualité des données d’entrée se dégrade, ce qui cause des défaillances dans les systèmes RAG, des échecs d’agents discrets et coûteux, et des processus critiques encore fortement dépendants de la vérification humaine. La contrainte majeure pour les entreprises d’IA aujourd’hui est l’entropie des données : dans le monde non structuré, la fraîcheur, la structure et la véracité de l’information se dégradent sans cesse, alors que 80 % des connaissances de l’entreprise résident dans ces données non structurées.

C’est pourquoi, clarifier ces données non structurées représente une opportunité exceptionnelle. Les entreprises ont besoin d’une méthode continue pour nettoyer, construire, valider et gérer leurs données multimodales, afin d’assurer que les charges de travail IA en aval puissent réellement fonctionner. Les cas d’usage sont omniprésents : analyse de contrats, processus d’intégration, traitement des sinistres, conformité réglementaire, service client, achats, recherche technique, empowerment commercial, pipelines analytiques, et tous les workflows d’agents dépendant d’un contexte fiable. Les startups capables de construire des plateformes extrayant de la structure à partir de documents, images et vidéos, résolvant conflits, réparant des pipelines ou maintenant la fraîcheur et la recherche des données, détiennent la clé du royaume des connaissances et processus de l’entreprise.

Joel de la Garza : L’IA donne un nouveau souffle au recrutement en cybersécurité

Durant la majorité des dix dernières années, le plus grand défi du CISO ((CISO)) a été le recrutement. Entre 2013 et 2021, le nombre d’offres d’emploi en cybersécurité est passé de moins de 1 million à 3 millions. La raison : les équipes de sécurité ont embauché de nombreux ingénieurs hautement qualifiés pour effectuer des tâches monotones de premier niveau, comme l’audit de journaux, sans que personne ne veuille faire ce travail. La racine du problème réside dans le fait que les équipes de sécurité ont acheté des produits capables de tout détecter, créant ainsi une surcharge de travail fastidieuse, nécessitant de revoir toutes les informations — ce qui a indirectement créé une pénurie de main-d’œuvre factice. Un cercle vicieux.

D’ici 2026, l’IA brisera ce cycle en automatisant une grande partie du travail répétitif des équipes de sécurité pour combler le déficit de recrutement. Quiconque a travaillé dans une grande équipe de sécurité sait qu’une moitié du travail peut être facilement automatisée, mais quand la charge est énorme, il est difficile de déterminer ce qui doit l’être. Les outils IA natifs capables d’aider ces équipes à résoudre ces problèmes leur permettront enfin de se concentrer sur ce qu’ils veulent vraiment faire : traquer les malfaiteurs, construire de nouveaux systèmes et corriger des vulnérabilités.

Malika Aubakirova : L’infrastructure native pour agents deviendra la norme

D’ici 2026, le plus grand bouleversement en infrastructure ne viendra pas de l’extérieur, mais de l’intérieur des entreprises. Nous passons d’un flux prévisible, peu concurrentiel, à « la vitesse humaine » vers une charge de travail récursive, soudaine et à grande échelle : la « vitesse agent ».

Les backends actuels sont conçus pour un ratio 1:1 entre humains et réponses du système. Ils ne sont pas architecturés pour la récursivité où un agent cible déclenche 5000 sous-tâches, requêtes en base de données ou appels API en quelques millisecondes. Lorsqu’un agent tente de refondre un code ou de réparer un journal de sécurité, cela ne ressemble pas à une interaction utilisateur. Dans une base de données classique ou un limiteur de débit, cela ressemble à une attaque DDoS.

Construire un système pour les agents en 2026 implique de repenser le plan de contrôle. Nous assisterons à l’émergence d’infrastructures « natives agents ». La prochaine génération doit considérer l’« effet troupe » (thundering herd) comme la norme. Les temps de démarrage à froid doivent être raccourcis, la fluctuation de latence fortement réduite, et les limites de concurrence multipliées par plusieurs. La bottleneck réside dans la coordination : réaliser du routage, du verrouillage, de la gestion d’état et de l’exécution de stratégie à grande échelle. Seules les plateformes capables de faire face au flot d’outils qui en découle finiront par l’emporter.

Justine Moore : Les outils créatifs évoluent vers le multimodal

Nous disposons désormais de modules de narration alimentés par l’IA : voix générative, musique, images et vidéos. Mais pour tout contenu dépassant une scène unique, obtenir la sortie souhaitée est souvent coûteux, frustrant, voire impossible — surtout quand on veut un contrôle quasi réalisateur.

Pourquoi ne pas donner un clip de 30 secondes au modèle, puis le faire continuer la scène avec de nouveaux personnages créés à partir d’images et de sons de référence ? Ou refaire une vidéo pour voir la scène sous un autre angle, ou faire en sorte que les mouvements correspondent à une vidéo de référence ?

2026 sera l’année où l’IA passera au multimodal. Vous pourrez fournir à un modèle n’importe quelle forme de référence pour créer ou éditer du contenu. Nous voyons déjà des premiers produits, comme Kling O1 et Runway Aleph. Mais beaucoup reste à faire — il faut innover à la fois au niveau du modèle et de l’application.

La création de contenu est l’un des usages les plus puissants de l’IA, et je prévois la naissance de nombreux produits à succès dans divers cas d’usage et pour différents clients, des créateurs de memes aux réalisateurs de Hollywood.

Jason Cui : L’évolution continue de la pile de données native IA

Au cours de l’année écoulée, avec la transformation des sociétés de données de la spécialisation en ingestion, transformation et calcul vers des plateformes intégrées, nous avons vu l’intégration de la « pile de données moderne » : fusion de Fivetran / dbt, montée en puissance des plateformes unifiées comme Databricks.

Bien que tout l’écosystème soit clairement mûr, nous en sommes encore aux premiers pas vers une architecture de données véritablement IA native. Nous sommes enthousiastes face à la façon dont l’IA continue de transformer plusieurs aspects de la pile de données, et commençons à réaliser que données et infrastructure IA deviennent indissociables.

Voici quelques axes que nous privilégions :

• Comment les données vont-elles couler dans des bases de vecteurs haute performance, en complément des données structurées classiques ?
• Comment les agents IA résoudront-ils le « problème du contexte » : accéder en continu au contexte métier pertinent et à la couche sémantique, pour construire des applications puissantes, par exemple interagir avec des données ou assurer une cohérence dans plusieurs systèmes de registre ?
• Avec l’automatisation croissante des workflows de données et leur agentification, comment les outils classiques de BI et tableurs évolueront-ils ?

Yoko Li : Une année dans l’univers vidéo

D’ici 2026, la vidéo ne sera plus simplement un contenu passif à regarder, mais un espace où l’on pourra véritablement s’engager. Les modèles vidéo seront capables de comprendre le temps, de se souvenir de ce qu’ils ont montré, de réagir à nos actions, et de maintenir une cohérence fiable avec le monde réel. Ces systèmes ne se contenteront plus de générer quelques secondes d’images dispersées, mais pourront maintenir des personnages, des objets et des effets physiques pendant de longues périodes, rendant les actions significatives et en montrant les conséquences. Cette transformation fera de la vidéo un média en constante évolution : un robot pouvant s’entraîner, un jeu pouvant évoluer, un designer pouvant prototyper, un agent pouvant apprendre en pratique. Au final, cela ressemblera moins à un fragment vidéo qu’à un environnement vivant, comblant peu à peu l’écart entre perception et action. Nous ressentirons pour la première fois que nous pouvons nous immerger dans la vidéo que nous avons générée.

Croissance

Sarah Wang : Les systèmes de documentation perdent leur suprématie

D’ici 2026, la véritable révolution dans le domaine des logiciels d’entreprise sera la perte du rôle dominant des systèmes de documentation. L’IA réduit la distance entre intention et exécution : les modèles peuvent désormais lire, écrire et raisonner directement sur des données opérationnelles, transformant les systèmes ITSM et CRM d’un simple stockage passif en moteurs de workflows autonomes. Avec les avancées continues des modèles de raisonnement et des workflows d’agents, ces systèmes ne seront plus seulement réactifs, mais aussi capables de prévoir, coordonner et exécuter des processus de bout en bout. L’interface deviendra une couche d’agents dynamique, tandis que les systèmes de documentation traditionnels rétrograderont pour devenir une couche persistante universelle — leur avantage stratégique étant transféré à l’environnement d’exécution agent qui contrôle réellement le travail quotidien des employés.

Alex Immerman : L’IA dans les secteurs verticaux, de la recherche d’information au travail collaboratif

L’IA a catalysé une croissance sans précédent dans les logiciels verticalisés. Les entreprises de santé, juridique et immobilière ont atteint plus de 100 millions de dollars de revenus récurrents annuels ((ARR)) en quelques années ; le secteur financier et comptable suit de près. Cette évolution a d’abord consisté en la recherche d’informations : trouver, extraire et résumer les bonnes données. En 2025, la capacité de raisonnement a été introduite : Hebbia analyse les états financiers et construit des modèles, Basis rapproche des bilans entre différents systèmes, EliseAI diagnostique des problèmes de maintenance et envoie des fournisseurs appropriés.

2026 ouvrira la voie à la collaboration multi-parties. Les logiciels verticaux tirent parti d’interfaces, données et intégrations spécifiques à leur domaine. Mais le travail dans ces secteurs est fondamentalement collaboratif. Si un agent doit représenter la main-d’œuvre, il doit collaborer. Entre acheteurs et vendeurs, locataires, consultants et fournisseurs, chaque partie a ses droits, workflows et exigences de conformité, que seul un logiciel vertical peut comprendre.

Aujourd’hui, tous utilisent l’IA de manière isolée, ce qui complique la transmission d’autorisation. L’IA qui analyse les contrats d’achat ne communique pas avec le CFO pour ajuster le modèle. La maintenance IA ne connaît pas ce que le personnel sur site a promis aux locataires. La révolution de la collaboration multi-parties consiste à coordonner entre parties prenantes : router les tâches vers des experts, maintenir le contexte, synchroniser les modifications. Les IA des contreparties négocient dans des paramètres fixés, en marquant les asymétries pour revue humaine. Les annotations des partenaires sont utilisées pour entraîner l’ensemble du système d’entreprise. Les tâches exécutées par IA ont plus de chances d’aboutir avec succès.

Lorsque la collaboration multi-agent et multi-parties devient plus précieuse, le coût de transition augmente aussi. Nous verrons un effet de réseau que l’IA n’a pas encore pleinement réalisé : la couche de collaboration deviendra une barrière concurrentielle.

Stephenie Zhang : Conçu pour les agents, non pour l’humain

D’ici 2026, nous commencerons à interagir avec le réseau via des agents. Ce qui était optimisé pour la consommation humaine ne le sera plus pour l’agent.

Depuis des années, nous optimisons pour des comportements humains prévisibles : ranker en tête des résultats Google, figurer en bonne place dans les recherches Amazon, commencer par des « TL;DR » courts et précis. Au lycée, j’ai suivi un cours de journalisme où le professeur nous apprenait à écrire avec le « 5W1H », et à commencer par une introduction captivante. Peut-être que les lecteurs humains passeront à côté de pensées précieuses cachées en cinquième page, mais l’IA ne manquera rien.

Ce changement se reflète aussi dans le software. La conception des applications a toujours visé à satisfaire la vue et le clic humains. L’optimisation signifiait interfaces conviviales et flux intuitifs. Avec l’IA qui prend en charge la recherche et l’interprétation, l’importance du design visuel diminue. Les ingénieurs ne scrutent plus les dashboards Grafana ; les ingénieurs en fiabilité IA ((SRE)) peuvent interpréter les télémétries et publier leurs analyses dans Slack. Les équipes commerciales n’ont plus à fouiller dans le CRM ((CRM)) ; l’IA extrait automatiquement des motifs et des résumés.

Nous n’avons plus à concevoir pour l’humain, mais pour l’IA. La nouvelle cible d’optimisation n’est plus le visuel, mais la lisibilité machine — cela changera notre manière de créer et les outils que nous utilisons.

Santiago Rodriguez : La fin du KPI « temps d’écran » dans l’application IA

Depuis 15 ans, le temps d’écran est la meilleure métrique pour mesurer la valeur livrée par les applications pour consommateurs et entreprises. Nous vivons dans un paradigme où le temps de diffusion Netflix, le nombre de clics d’un utilisateur dans une EMR, ou le temps passé sur ChatGPT sont des indicateurs clés de performance. Avec la transition vers des modèles de tarification basés sur les résultats, cette métrique sera abandonnée, car elle ne coordonne plus l’incitation entre fournisseurs et utilisateurs.

J’en ai déjà vu la preuve en pratique. Quand je lance une requête DeepResearch sur ChatGPT, je retire une valeur énorme même si je passe presque pas de temps devant l’écran. Quand Abridge capte la conversation entre médecin et patient et effectue automatiquement des actions, le médecin n’a presque pas besoin de regarder. Quand Cursor construit une application complète de bout en bout, les ingénieurs planifient la prochaine itération. Et quand Hebbia rédige un rapport à partir de centaines de documents publics, les banquiers d’affaires peuvent enfin dormir.

Cela pose un défi unique : le modèle de tarification pour une seule personne dans une application doit intégrer une métrique plus sophistiquée d’(ROI). La diffusion de l’IA va améliorer la satisfaction des médecins, l’efficacité des développeurs, le bien-être des analystes financiers et le bonheur des consommateurs. Les entreprises capables d’exprimer le ROI de façon la plus simple seront toujours en avance.

Biologie + Santé

Julie Yoo : Les « MAU » santé en 2026

D’ici 2026, un nouveau segment de clients en santé émergera : les « utilisateurs actifs mensuels en santé » ((MAU)).

Les systèmes de santé traditionnels servent principalement trois groupes : (a) « utilisateurs actifs mensuels malades » : forte demande et coûts élevés ; (b) « utilisateurs actifs quotidiens malades » : par exemple, patients sous surveillance intensive à long terme ; et © « jeunes actifs en bonne santé » : relativement en forme, peu de visites médicales. La transition du jeune actif en bonne santé vers un utilisateur malade actif mensuel ou quotidien comporte un risque, et la prévention peut ralentir cette transition. Mais le système de remboursement basé sur le traitement privilégie la prise en charge plutôt que la prévention, donc les services de contrôle et de surveillance proactive sont peu encouragés, et peu couverts par l’assurance.

Or, en 2026, apparaît ce nouveau segment : les « jeunes actifs en bonne santé » qui ne sont pas malades mais souhaitent surveiller leur santé régulièrement — et ils représentent peut-être la majorité des consommateurs. Nous anticipons qu’une série d’entreprises, incluant des startups IA natives et des versions améliorées d’acteurs existants, commenceront à fournir des services réguliers pour ce groupe.

Avec la baisse potentielle des coûts des soins par l’IA, l’émergence de nouveaux produits d’assurance santé axés sur la prévention, et la volonté croissante des consommateurs de payer de leur poche via des abonnements, les « MAU en santé » deviennent le prochain segment porteur dans la santé tech : participation continue, données pilotées par la prévention, engagement.

Speedrun (équipe d’investissement interne à a16z)

Jon Lai : Les modèles mondiaux en narration en plein essor

D’ici 2026, les modèles mondiaux IA transformeront radicalement la narration via des mondes virtuels interactifs et une économie numérique. Des technologies comme Marble (World Labs) ou Genie 3 (DeepMind) peuvent générer en réponse à du texte des environnements 3D entiers, permettant aux utilisateurs d’explorer comme dans un jeu. Avec l’adoption de ces outils par des créateurs, de nouveaux modes de narration émergeront, pouvant évoluer vers un « Minecraft génératif », où les joueurs co-créeront un univers vaste et en constante évolution. Ces mondes pourront combiner mécaniques de jeu et programmation en langage naturel, par exemple en donnant l’ordre « Crée un pinceau qui transforme tout ce que je touche en rose ».

Ces modèles brouilleront la frontière entre joueurs et créateurs, faisant des utilisateurs des co-créateurs d’un espace partagé dynamique. Cette évolution pourrait engendrer des multivers génératifs interconnectés, où se côtoieront fantasy, horreur, aventure. Dans ces univers virtuels, l’économie numérique prospérera, avec des créateurs gagnant leur vie à créer des assets, à guider des débutants ou à développer de nouveaux outils interactifs. Au-delà du divertissement, ces mondes génératifs serviront aussi à entraîner des agents IA, des robots, voire une intelligence artificielle générale (AGI). La montée en puissance des modèles mondiaux annonce non seulement une nouvelle catégorie de jeux, mais aussi un nouveau média créatif et une frontière économique.

Josh Lu : « Mon année zéro »

2026 sera « mon année zéro » : les produits ne seront plus standardisés, mais conçus sur mesure.

On voit déjà cette tendance partout.

Dans la santé, des startups comme Alphaschool développent des mentors IA adaptatifs à chaque élève, selon leur rythme et leur intérêt, permettant à chaque enfant de recevoir une éducation adaptée. Sans dépenser des dizaines de milliers de dollars en coaching, ce niveau d’attention est possible.

Dans la santé, l’IA conçoit des compléments alimentaires, des programmes d’exercice et des plans alimentaires personnalisés selon votre physiologie. Pas besoin de coach ou de laboratoire.

Même dans les médias, l’IA permet aux créateurs de recomposer actualités, émissions et histoires pour créer un flux personnalisé selon vos goûts et intérêts.

Les plus grandes entreprises du siècle dernier ont réussi parce qu’elles ont trouvé le consommateur moyen.

Les plus grandes du siècle prochain réussiront en trouvant l’individu dans le consommateur moyen.

En 2026, le monde ne sera plus optimisé pour tous, mais pour vous.

Emily Bennett : La première université IA native

Je prévois qu’en 2026, naîtra la première université IA native, construite dès le départ autour de systèmes IA.

Ces dernières années, des universités ont expérimenté l’intégration de l’IA dans la notation, le tutorat, la planification de cours. Mais aujourd’hui, apparaît une IA plus profonde, capable d’apprendre et de s’auto-optimiser en temps réel, un système académique adaptatif.

Imaginez un établissement où les cours, la recherche, la collaboration et même la gestion immobilière s’ajustent en boucle continue via des retours de données. Les emplois du temps s’auto-optimisent. Les listes de lecture se mettent à jour chaque soir, réécrites automatiquement à partir des nouvelles recherches. Les parcours d’apprentissage s’adaptent en temps réel au rythme et à la situation de chaque étudiant.

On en voit déjà quelques prémices. L’Université d’État de l’Arizona (ASU) et OpenAI ont lancé une collaboration à l’échelle de l’université, avec des centaines de projets IA dans l’enseignement et l’administration. La SUNY (Université d’État de New York) intègre déjà la littératie IA dans ses exigences générales. Ce sont des prémices plus avancés.

Dans cette université IA native, les professeurs seront des architectes de l’apprentissage : responsables de la gestion des données, du tuning des modèles, de l’encadrement des étudiants dans la question critique de la machine.

Les méthodes d’évaluation changeront aussi. Les outils de détection et d’interdiction de plagiat seront remplacés par des évaluations de conscience IA ; la question ne sera plus de savoir si l’étudiant utilise l’IA, mais comment il l’utilise. La transparence et l’utilisation stratégique remplaceront l’interdiction.

Alors que tous les secteurs recrutent pour des talents capables de concevoir, gérer et faire collaborer des systèmes IA, cette nouvelle université deviendra un centre de formation, pour produire des diplômés maîtrisant la coordination des systèmes IA, et soutenir la main-d’œuvre évolutive.

Cette université IA native sera le moteur du talent dans la nouvelle économie.

C’est tout pour aujourd’hui, on se retrouve dans la prochaine partie, restez à l’écoute.