a16z《2026 Ano de Grandes Ideias: Parte Um》

Autor: a16z New Media Tradução: Block unicorn

Como investidores, a nossa responsabilidade é aprofundar o conhecimento sobre todos os cantos da indústria tecnológica, para assim captar as tendências futuras. Portanto, todos os anos em dezembro, convidamos as equipas de investimento para partilhar uma grande ideia que acreditam que as empresas tecnológicas terão que resolver no próximo ano.

Hoje, iremos partilhar opiniões das equipas de infraestrutura, crescimento, biologia + saúde e Speedrun. Fiquem atentos às partilhas de amanhã de outras equipas.

Infraestrutura

Jennifer Li: Como as startups podem dominar o caos dos dados multimodais

Dados não estruturados e multimodais têm sido a maior restrição enfrentada pelas empresas, bem como o maior tesouro ainda por explorar. Cada empresa encontra-se imersa numa oceanos de PDFs, capturas de tela, vídeos, logs, emails e dados semi-estruturados. Os modelos estão a tornar-se mais inteligentes, mas a entrada de dados torna-se cada vez mais caótica, levando a falhas nos sistemas RAG, a falhas disfarçadas e caras de agentes que ainda dependem fortemente de inspeções manuais. Os fluxos de trabalho críticos continuam a depender de inspeções humanas.

Por isso, esclarecer os dados não estruturados apresenta uma oportunidade única. As empresas precisam de uma abordagem contínua para limpar, construir, validar e gerenciar os seus dados multimodais, garantindo que as cargas de trabalho de IA downstream possam realmente atuar. Os casos de uso estão por toda parte: análise de contratos, processos de onboarding, processamento de sinistros, conformidade, atendimento ao cliente, compras, pesquisa de engenharia, capacitação de vendas, pipelines de análise, e todas as operações de agentes que dependem de contexto confiável. Startups que construírem plataformas capazes de extrair estruturas de documentos, imagens e vídeos, resolver conflitos, reparar pipelines ou manter os dados atualizados e pesquisáveis, seguram a chave do reino do conhecimento e dos processos empresariais.

Joel de la Garza: IA dá nova vida ao recrutamento de cibersegurança

Durante a maior parte dos últimos dez anos, o maior desafio do CISO (CISO) foi o recrutamento. Entre 2013 e 2021, as vagas de cibersegurança aumentaram de menos de 1 milhão para 3 milhões. Isso porque as equipas de segurança contrataram muitos engenheiros altamente habilidosos, que realizavam tarefas monótonas, como revisão de logs, sem ninguém querer fazer esse trabalho. A raiz do problema foi a aquisição de produtos capazes de detectar tudo, criando esse trabalho exaustivo, obrigando as equipas a revisar toda a informação — o que, por sua vez, gerou uma falsa escassez de força de trabalho. Um ciclo vicioso.

Para 2026, a IA irá romper esse ciclo, automatizando muitas tarefas repetitivas das equipas de segurança e preenchendo as lacunas de recrutamento. Qualquer pessoa que tenha trabalhado em grandes equipas de segurança sabe que metade do trabalho pode ser facilmente automatizado, mas, quando há uma acumulação de tarefas, é difícil identificar o que deve ser automatizado. Ferramentas nativas de IA que ajudem as equipas de segurança a resolver esses problemas, no final, libertarão os profissionais para fazerem o que realmente querem: caçar bandidos, construir novos sistemas e reparar vulnerabilidades.

Malika Aubakirova: Infraestrutura nativa de agentes será o padrão

Até 2026, o maior impacto na infraestrutura virá não de empresas externas, mas de dentro das próprias organizações. Estamos a passar de tráfego previsível, de baixa concorrência, de “velocidade humana” para cargas de trabalho recursivas, de picos e de escala massiva, de “velocidade de agente”.

Hoje, os backends empresariais são projetados para uma proporção 1:1 de operações humanas e respostas de sistema. Não estão preparados para arquitetar a execução recursiva de uma “meta” por um único agente, acionando 5000 subtarefas, consultas de banco de dados e chamadas a APIs internas em milissegundos. Quando um agente tenta reestruturar um código ou reparar logs de segurança, parece um usuário. Aos olhos de bancos de dados tradicionais ou controladores de fluxo, é um ataque DDoS.

Construir sistemas para agentes em 2026 significa redesenhar o plano de controlo. Veremos o surgimento de infraestrutura “nativa de agentes”. A próxima geração de infraestrutura deve tratar “efeito enxame” (thundering herd) como padrão. Os tempos de cold start devem diminuir, as oscilações de latência reduzidas e as limitações de concorrência multiplicadas. O gargalo reside na coordenação: na execução paralela massiva, na realização de roteamento, bloqueios, gestão de estado e execução de políticas. Apenas plataformas capazes de lidar com a avalanche de execução de ferramentas que se seguirá poderão vencer.

Justine Moore: Ferramentas criativas rumo à multimodalidade

Já temos componentes de IA que contam histórias: geração de voz, música, imagens e vídeos. Mas, para conteúdos além de fragmentos pontuais, obter o resultado desejado costuma ser demorado e frustrante — ou até impossível — especialmente quando se busca um controle quase de nível diretor tradicional.

Por que não podemos alimentar o modelo com um vídeo de 30 segundos e fazer com que ele continue a interpretar o cenário usando personagens criados com referências visuais e sonoras? Ou regravar um vídeo para que seja observado de diferentes ângulos? Ou fazer os movimentos combinar com um vídeo de referência?

2026 será o ano da IA rumo à multimodalidade. Você poderá fornecer ao modelo qualquer tipo de conteúdo de referência e usá-lo para criar ou editar cenas existentes. Já vimos alguns produtos iniciais, como Kling O1 e Runway Aleph. Mas há muito trabalho a fazer — inovação tanto na camada do modelo quanto na camada de aplicações.

A criação de conteúdo é uma das aplicações mais impactantes da IA, e esperamos ver muitos produtos bem-sucedidos surgindo, cobrindo uma vasta gama de casos de uso e públicos, desde criadores de memes até diretores de Hollywood.

Jason Cui: A evolução contínua da pilha de dados nativos de IA

No último ano, à medida que as empresas de dados passaram de focar em aquisição, transformação e computação para plataformas unificadas, vimos a integração da “pilha de dados moderna”. Por exemplo, a fusão entre Fivetran e dbt e o avanço contínuo de plataformas unificadas como Databricks.

Embora o ecossistema esteja claramente maduro, ainda estamos no início de uma arquitetura de dados verdadeiramente nativa de IA. Estamos entusiasmados com as mudanças que a IA trará às várias etapas da pilha de dados e começamos a perceber que infraestrutura de dados e IA estão se tornando cada vez mais inseparáveis.

Algumas direções promissoras que vemos:

• Como os dados irão fluir juntamente com dados estruturados tradicionais para bancos de vetores de alto desempenho
• Como agentes de IA resolverão o “problema do contexto”: acessando continuamente o contexto de dados de negócios corretos e camadas semânticas, construindo aplicativos robustos, como interagir com dados, e garantindo que esses aplicativos tenham sempre a definição de negócio correta em múltiplos sistemas de registro
• Como fluxos de trabalho de dados se tornarão mais agentes e automatizados, mudando ferramentas tradicionais de BI e planilhas

Yoko Li: Entrando no mundo dos vídeos em 2026

Até 2026, os vídeos deixarão de ser um conteúdo passivo para os espectadores, passando a ser um espaço onde podemos realmente estar presentes. Modelos de vídeo finalmente entenderão o tempo, lembrarão do que já foi mostrado, responderão às nossas ações e manterão a consistência confiável do mundo real. Esses sistemas não gerarão apenas alguns segundos de imagens dispersas, mas manterão personagens, objetos e efeitos físicos por períodos suficientemente longos para que as ações tenham sentido e suas consequências sejam visíveis. Essa mudança transformará o vídeo numa mídia em constante evolução: um robô que aprende, jogos que evoluem, designers que criam protótipos, agentes que aprendem na prática. O resultado final não parecerá mais um trecho de vídeo, mas um ambiente vivo, que começa a preencher a lacuna entre percepção e ação. Pela primeira vez, sentimos que podemos realmente estar dentro do vídeo que criamos.

Crescimento

Sarah Wang: Os sistemas de registro perdem a liderança

Até 2026, a verdadeira disrupção no setor de software empresarial será a perda do domínio dos sistemas de registro. A IA está a diminuir a distância entre intenção e execução: agora, os modelos podem ler, escrever e raciocinar sobre dados de operações, transformando sistemas de gestão de serviços de TI (ITSM) e CRM de bases de dados passivas para motores de fluxo de trabalho autônomos. Com os avanços contínuos em modelos de raciocínio e agentes de fluxo de trabalho, esses sistemas não responderão apenas, mas também preverão, coordenarão e executarão processos ponta a ponta. A interface evoluirá para uma camada de agentes dinâmicos, enquanto os sistemas de registro tradicionais ficarão na retaguarda, como uma camada de persistência universal — cuja vantagem estratégica será transferida para os ambientes de execução de agentes que realmente controlam o uso diário dos funcionários.

Alex Immerman: IA em indústrias verticais evolui de pesquisa e raciocínio para colaboração múltipla

A IA impulsionou um crescimento sem precedentes no software vertical. Empresas de saúde, jurídicas e imobiliárias alcançaram mais de 100 milhões de dólares em receita recorrente anual (ARR) em poucos anos; setores financeiro e de contabilidade seguem na mesma direção. Essa evolução começou com pesquisa: encontrar, extrair e resumir informações corretas. Em 2025, adicionou raciocínio: Hebbia analisa demonstrações financeiras e constrói modelos; Basis reconcilia planilhas entre sistemas diferentes; EliseAI diagnostica problemas de manutenção e envia fornecedores adequados.

Em 2026, desbloqueará a colaboração múltipla. O software vertical beneficia-se de interfaces, dados e integrações específicas por setor. Mas o trabalho nesse setor é, por sua natureza, colaborativo. Se os agentes representam força de trabalho, precisam colaborar. Desde compradores e vendedores, até inquilinos, consultores e fornecedores, cada parte tem permissões, fluxos de trabalho e requisitos de conformidade diferentes — que só o software vertical consegue compreender.

Hoje, todos usam IA de forma isolada, o que leva à falta de autoridade na transferência de tarefas. IA que analisa contratos de compra não conversa com o CFO para ajustar modelos. Manter IA também não sabe o que os trabalhadores no local prometeram aos inquilinos. A revolução da colaboração múltipla está na coordenação entre partes interessadas: roteando tarefas para especialistas funcionais, mantendo contexto, sincronizando mudanças. AI dos contrapartes negocia dentro de parâmetros definidos, marcando desigualdades para revisão humana. Marcadores de parceiros seniores treinam os sistemas de toda a empresa. Tarefas executadas por IA terão maior sucesso.

À medida que o valor da colaboração múltipla e de múltiplos agentes aumenta, também crescem os custos de troca. Veremos o efeito de rede que a IA, até agora, não conseguiu alcançar: a camada de colaboração se tornará uma barreira de entrada.

Stephenie Zhang: Projetada para agentes, não para humanos

Até 2026, as pessoas começarão a interagir com redes através de agentes. Coisas otimizadas para o consumo humano, deixam de ser importantes para o consumo por agentes.

Há anos, tentamos otimizar comportamentos humanos previsíveis: aparecer no topo dos resultados do Google, estar entre os primeiros no Amazon Search, começar com um “TL;DR” curto e direto. Na escola, aprendi uma matéria de jornalismo que ensinava a usar as “5W1H” para escrever notícias, com uma introdução envolvente. Talvez os leitores humanos percam valor dos argumentos valiosos escondidos na quinta página, mas a IA não.

Essa mudança também se reflete no software. Aplicações eram feitas para atender às necessidades visuais e de cliques humanos; otimizar significa ter boas interfaces e operações intuitivas. Com a IA assumindo tarefas de busca e interpretação, o design visual perde importância na compreensão. Engenheiros deixam de olhar para dashboards do Grafana, enquanto engenheiros de confiabilidade de IA (SRE) interpretam telemetria e publicam análises no Slack. Equipes de vendas deixam de percorrer o CRM (CRM) manualmente; a IA extrai padrões e resumos automaticamente.

Passamos a criar conteúdos para a IA, não para humanos. Os novos objetivos de otimização deixam de ser hierárquicos visuais, passando a ser legibilidade de máquina — mudando a nossa forma de criar e as ferramentas que usamos.

Santiago Rodriguez: O fim do KPI “tempo de tela” na IA

Nos últimos 15 anos, o “tempo de tela” foi o melhor indicador de valor entregue por aplicações ao consumidor e às empresas. Vivíamos numa era em que o tempo de streaming no Netflix, os cliques em registros eletrônicos de saúde ou o tempo gasto no ChatGPT eram as métricas principais. Com a mudança para modelos de precificação baseados em resultados, essa abordagem será abandonada.

Já vimos isso na prática. Quando faço pesquisas no ChatGPT com DeepResearch, mesmo com quase zero tempo de tela, obtenho grande valor. Quando a Abridge captura diálogos médico-paciente e executa ações automaticamente, o médico quase não precisa olhar a tela. Quando o Cursor desenvolve uma aplicação ponta a ponta, os engenheiros planejam a próxima rodada de funcionalidades. E quando a Hebbia escreve apresentações com base em centenas de documentos públicos, os banqueiros finalmente podem dormir bem.

Isso traz um desafio: a cobrança por usuário único de aplicações precisa de métricas mais sofisticadas de ROI (ROI). A adoção de IA aumentará a satisfação de médicos, a eficiência de desenvolvedores, o bem-estar de analistas financeiros e a felicidade do consumidor. Empresas que explicarem o ROI de forma mais simples continuarão à frente.

Biologia + Saúde

Julie Yoo: MAU de saúde ((MAU))

Até 2026, um novo grupo de clientes na saúde emergirá: “MAU de saúde”.

Os sistemas tradicionais de saúde atendem principalmente a três grupos: (a) “MAU doentes”: com necessidades voláteis e custos altos; (b) “DAU doentes”: por exemplo, pacientes em cuidados intensivos de longo prazo; e © “MAU saudáveis”: pessoas relativamente saudáveis, que raramente consultam médicos. Os jovens saudáveis enfrentam risco de evoluir para doentes, com MAU ou DAU, mas a prevenção pode retardar essa transição. Entretanto, o sistema de reembolso centrado no tratamento recompensa a cura, não a prevenção; exames de rotina e monitoramento preventivo não são priorizados, e os seguros raramente cobrem esses serviços.

Agora, surge o grupo de “MAU saudáveis”: pessoas que não estão doentes, mas querem monitorar sua saúde regularmente — e provavelmente representam o maior grupo de consumidores. Esperamos que várias startups, incluindo empresas nativas de IA e versões aprimoradas de empresas existentes, ofereçam serviços periódicos para atender esse público.

Com a redução do custo dos serviços médicos via IA, o surgimento de novos seguros focados em prevenção, e consumidores dispostos a pagar assinaturas, “MAU de saúde” representa o próximo grupo de clientes altamente promissor na tecnologia médica: participantes contínuos, orientados por dados e centrados na prevenção.

Speedrun (nome de uma equipa de investimento da a16z)

Jon Lai: Modelos mundiais brilham na narrativa

Em 2026, modelos mundiais de IA transformarão radicalmente a narrativa por meio de mundos virtuais interativos e economia digital. Tecnologias como Marble (World Labs) e Genie 3 (DeepMind) já geram ambientes 3D completos a partir de prompts de texto, permitindo aos usuários explorar como em jogos. Com criadores adotando essas ferramentas, novas formas de narrativa surgirão, evoluindo para “Minecraft generativo”, onde jogadores colaboram na criação de universos vastos e em constante evolução. Esses mundos podem combinar mecânicas de jogo com programação em linguagem natural, como “crie um pincel que transforme tudo que toco em rosa”.

Esses modelos vão borrar a linha entre jogadores e criadores, tornando os usuários co-criadores de realidades compartilhadas dinâmicas. Essa evolução pode gerar multiversos gerados automaticamente, com gêneros diversos — fantasia, horror, aventura — coexistindo. Nesses mundos virtuais, a economia digital prospera, com criadores monetizando ativos, orientando novatos ou criando novas ferramentas interativas. Além do entretenimento, esses mundos serão ambientes de simulação para treinar agentes de IA, robôs e até inteligência artificial geral (AGI). Assim, o surgimento de modelos mundiais marca não só uma nova categoria de jogos, mas também um novo meio de expressão criativa e uma nova fronteira econômica.

Josh Lu: “Meu Ano Zero”

2026 será “Meu Ano Zero”: produtos deixarão de ser produzidos em massa e passarão a ser feitos sob medida para você.

Vemos essa tendência em todos os lugares.

Na educação, startups como Alphaschool criam mentores de IA que se adaptam ao ritmo e interesses de cada estudante, garantindo uma educação personalizada. Sem gastar milhares de dólares por aluno em tutoria, esse nível de atenção seria impossível.

Na saúde, IA projeta combinações de suplementos, planos de treino e dietas sob medida para suas características fisiológicas. Sem treinadores ou laboratórios.

Até na mídia, IA permite aos criadores recompor notícias, programas e histórias, formando fluxos de informações totalmente alinhados aos seus interesses e preferências.

As maiores empresas do século passado tiveram sucesso por entenderem o consumidor comum.

As maiores do próximo século vencerão ao entenderem indivíduos dentro do público comum.

Até 2026, o mundo não será mais otimizado para todos, mas para você.

Emily Bennett: A primeira universidade nativa de IA

Prevejo que, em 2026, veremos a primeira universidade nativa de IA, construída do zero ao redor de sistemas de IA.

Nos últimos anos, universidades tentaram aplicar IA na avaliação, tutoria e agendamento de cursos. Mas agora surgirá uma IA mais profunda, capaz de aprender e auto-otimizar em tempo real, formando um sistema de aprendizagem adaptativo.

Imagine uma instituição onde aulas, consultorias, pesquisas e até operações prediais se ajustam continuamente com base no feedback dos dados. Cronogramas se otimizam automaticamente. Listas de leitura se atualizam diariamente, reescritas com novas descobertas. Trilhas de aprendizagem se ajustam em tempo real às necessidades de cada estudante.

Já vimos sinais disso: a Arizona State University (ASU) e a colaboração com a OpenAI geraram centenas de projetos de IA em ensino e administração. A SUNY já incorporou alfabetização em IA na formação geral. São passos mais aprofundados de implementação.

Nessa universidade nativa de IA, professores serão arquitetos do aprendizado, responsáveis por gestão de dados, ajuste de modelos e por ensinar estudantes a questionar as inferências das máquinas.

Os métodos de avaliação também mudarão: ferramentas de detecção e proibições de plágio serão substituídas por avaliações de consciência de IA, onde o foco será como os estudantes usam IA, não se usam ou não. Uso transparente e estratégico substituirá a proibição.

À medida que todos os setores buscarem talentos capazes de projetar, gerenciar e colaborar com sistemas de IA, essa nova universidade será um centro de formação de graduados que dominam a coordenação de IA, alimentando o mercado de trabalho em rápida transformação.

Essa universidade nativa de IA será o motor de talentos para a nova economia.

Por hoje é tudo, até a próxima parte, fiquem atentos.