a16z《2026 року масштабні ідеї: Перша частина》

Автор: a16z New Media Переклад: Block unicorn

Як інвестори, наше завдання — глибоко досліджувати всі куточки технологічної галузі, щоб зрозуміти майбутні тенденції розвитку. Тому кожного грудня ми запрошуємо інвестиційні команди поділитися своїми ідеями щодо основних технологічних викликів, які компанії мають вирішити у наступному році.

Сьогодні ми поділимось поглядами команд з інфраструктури, зростання, біо + здоров’я та Speedrun. З нетерпінням очікуємо на їхні доповіді завтра.

Інфраструктура

Jennifer Li: Як стартапам керувати хаосом мульти-модальних даних

Неструктуровані та мульти-модальні дані залишаються найбільшим бар’єром для компаній і водночас їхнім найбільшим резервом. Кожна компанія тоне у морі PDF-файлів, скріншотів, відео, логів, електронної пошти та напівструктурованих даних. Моделі стають все розумнішими, але вхідні дані — все більш хаотичними, що спричиняє збої у системах RAG, несподівані та дорогі несправності агентів, а ключові робочі процеси все ще важко виконувати без людської перевірки. Обмеження сучасних компаній зі штучного інтелекту тепер — це ентропія даних: у світі неструктурованих даних зменшується актуальність, структура та достовірність, тоді як 80% корпоративних знань зосереджено саме у цих даних.

Саме тому розкладання неструктурованих даних — унікальна можливість. Компаніям потрібен постійний метод очищення, побудови, валідації та керування мульти-модальними даними, щоб забезпечити ефективну роботу downstream моделей штучного інтелекту. Сценарії застосування — скрізь: аналіз контрактів, процес працевлаштування, обробка претензій, відповідність, обслуговування клієнтів, закупівлі, пошук інженерних рішень, підвищення продажів, аналітичні лінії, а також всі робочі процеси, що залежать від надійного контексту. Стартапи, здатні побудувати платформи для вилучення структур із документів, зображень і відео, вирішення конфліктів, відновлення потоків або підтримання актуальності та пошукової здатності даних — володіють ключем до корпоративних знань і процесів.

Joel de la Garza: Штучний інтелект повертає віртуальну безпеку до життя

За останнє десятиліття найсерйознішою проблемою для CISO ((CISO)) було наймання. З 2013 по 2021 роки кількість вакансій у сфері кібербезпеки зросла з менш ніж 1 млн до 3 млн. Це сталося через те, що безпекові команди наймали численних технічно кваліфікованих інженерів для монотонної роботи — наприклад, перевірки логів — і ніхто не хотів цим займатися. Причина — у тому, що компанії купували продукти, здатні виявити все, що створює цю нудну роботу; це означає, що команда має аналізувати всю інформацію — що, в свою чергу, створює ілюзію дефіциту робочої сили. Це порочне коло.

До 2026 року штучний інтелект зруйнує цей цикл, автоматизуючи багато повторюваних завдань у команді безпеки й тим самим усунувши проблему найму. Будь-хто, хто працює у великих командах безпеки, знає: половина роботи може бути легко автоматизована, але, коли роботи накопичується багато, важко визначити, що саме потрібно автоматизувати. Внутрішні AI-інструменти, здатні допомогти у цьому, зрештою, звільнять безпековим фахівцям час для справжніх цілей: ловити злочинців, створювати нові системи і виправляти вразливості.

Malika Aubakirova: Вбудована інфраструктура агентів стане стандартом

До 2026 року найбільший вплив на інфраструктуру матиме не зовнішній сектор, а внутрішні компанії. Ми переходимо від передбачуваного трафіку з низькою одночасністю до рекурсивних, імпульсних і масштабних навантажень «агентського» типу.

На сьогоднішній день бекенд компаній побудований для співвідношення 1:1 між людською операцією та відповіддю системи. Він не враховує архітектуру для рекурсивної розгалуженості — коли один агент може ініціювати 5000 підзавдань, запити до баз даних та внутрішні API у мілісекундах. Коли агент намагається реконструювати код або виправити безпековий лог, це не схоже на звичайного користувача — з погляду традиційної бази даних або обмежувачів пропускної здатності, це — DDoS-атака.

Створення систем для агентів до 2026 року означає потребу в повному переосмисленні control plane. Ми станемо свідками появи «агентної інфраструктури». Наступне покоління інфраструктури має автоматично враховувати «ефект натовпу» (thundering herd). Час холодного старту потрібно скоротити, затримки — знизити у багато разів, а обмеження на одночасність — подвоїти. Проблема — у координації: потрібно управляти маршрутизацією, блокуваннями, станом і політиками в масштабних паралельних системах. Тільки платформи, здатні впоратися з цим потоком інструментів, зможуть перемогти.

Justine Moore: Творчі інструменти йдуть у мульти-модальність

Ми вже маємо модулі для розповіді історій на базі штучного інтелекту: генеративний голос, музика, зображення та відео. Але для будь-якого контенту, що виходить за межі однієї сцени, отримати бажаний результат — часто довго і розчаровує — особливо коли потрібно близько до рівня режисерського контролю.

Чому б нам не подати моделі 30-секундне відео і не дозволити їй створювати нових персонажів, використовуючи референтні зображення та звуки? Або зняти повторне відео з різних точок зору, щоб краще бачити сцену, або зробити так, щоб рухи співпадали з референтним відео?

2026 рік стане роком входу штучного інтелекту у мульти-модальність. Ви зможете подавати будь-який формат референтів і створювати або редагувати контент. Ми вже бачимо перші продукти — Kling O1 і Runway Aleph. Але попереду ще багато роботи — потрібні інновації як у моделях, так і у застосунках.

Створення контенту — одна з найпотужніших сфер застосування штучного інтелекту. Я очікую, що з’явиться багато успішних продуктів для різних цілей і клієнтів — від мемів до голлівудських режисерів.

Jason Cui: Постійна еволюція штучного інтелекту для даних

За минулий рік, із переходом компаній з сфери даних, зосередженої на зборі, перетворенні та обчисленнях, до єдиної платформи, ми спостерігаємо інтеграцію «сучасного стеку даних». Наприклад, злиття Fivetran і dbt, а також зростання платформ типу Databricks.

Хоча екосистема вже значно зріла, ми все ще знаходимося на ранніх етапах створення справжньої архітектури даних з штучним інтелектом. Нас захоплює те, як AI трансформує різні етапи стека даних і як дані з’єднуються з інфраструктурою AI.

Ось кілька напрямків, у яких ми бачимо перспективу:

• Як дані будуть потрапляти до високопродуктивних векторних баз даних разом із традиційними структурованими даними
• Як агент штучного інтелекту вирішуватиме «проблему контексту»: постійний доступ до правильного бізнес-контексту та семантичних рівнів для побудови потужних додатків, наприклад, взаємодії з даними й забезпечення їхньої актуальності у кількох системах
• Як зміняться традиційні інструменти бізнес-аналітики і таблиці у міру того, як робочі процеси стають дедалі більш агентними та автоматизованими

Yoko Li: Ми йдемо у відео у 2026 році

До 2026 року відео перестане бути пасивним контентом для перегляду й стане простором, у якому можна реально брати участь. Моделі відео зможуть розуміти час, запам’ятовувати вже показане, реагувати на наші дії і підтримувати таку ж надійну послідовність, як у реальному світі. Ці системи вже не просто генерують кілька секунд фрагментів — вони зможуть тримати ролі, об’єкти та фізичні ефекти довше, щоб дія та її наслідки мали сенс. Ця трансформація зробить відео живим медіа: робот може тренуватися, ігри — еволюціонувати, дизайнери — створювати прототипи, агенти — вчитись на практиці. Врешті-решт, це буде не просто відео-фрагмент, а живе середовище, що почне перетинати межі сприйняття й дії. Ми вперше відчуваємо себе частиною створеного нами відео.

Зростання

Sarah Wang: Системи запису втрачають домінування

До 2026 року справжньою революцією у сфері корпоративного софту стане втрата системами запису їхньої домінуючої ролі. Штучний інтелект зменшить дистанцію між наміром і виконанням: моделі зможуть безпосередньо читати, писати та виводити операційні дані, перетворюючи системи управління ІТ (ITSM) і управління відносинами з клієнтами (CRM) із пасивних баз даних у автономні робочі рушії. З розвитком моделей з логікою і агентських робочих процесів ці системи зможуть не лише реагувати, а й прогнозувати, координувати та виконувати цілісні процеси. Інтерфейси трансформуються у динамічний рівень агентів, тоді як традиційні системи запису залишаться у тіні, ставши універсальним рівнем збереження — стратегічна перевага буде передана тій стороні, яка контролює середовище виконання агентів.

Alex Immerman: Еволюція штучного інтелекту у вертикальних галузях від пошуку інформації до колаборації кількох учасників

Штучний інтелект сприяв безпрецедентному зростанню вертикальних галузевих програм. Медичні, юридичні та нерухомі компанії за кілька років досягли понад 100 мільйонів доларів щорічного повторюваного доходу ((ARR)); фінансовий і бухгалтерський сектори йдуть слідом. Це почалося з пошуку: знаходження, витягування та узагальнення правильної інформації. У 2025 році додалися функції логіки: Hebbia аналізує фінансові звіти і створює моделі, Basis узгоджує звіти між системами, EliseAI діагностує проблеми обслуговування і делегує постачальників.

2026 рік відкриє можливості для багатокористувацької колаборації. Вертикальні програми мають вигідний інтерфейс, дані і інтеграцію відповідно до конкретної галузі. Однак сама робота у вертикальній сфері — це багатоучасна співпраця. Щоб агенти діяли як працівники, вони мають співпрацювати. Від покупців і продавців до орендарів, консультантів і постачальників — кожен має свої права, процеси і вимоги відповідності, і лише спеціалізоване програмне забезпечення для галузі здатне це врахувати.

Зараз усі учасники використовують штучний інтелект незалежно один від одного, що призводить до браку авторизації під час передачі даних. AI для аналізу контрактів не спілкується з фінансовим директором для коригування моделей. Підтримка AI не знає, що обіцяли орендарям місцеві співробітники. Колаборація — це координація зацікавлених сторін: маршрутизація задач до фахівців, збереження контексту, синхронізація змін. AI-партнери ведуть переговори у межах встановлених параметрів і маркують нерівності для людського перегляду. Метки старших партнерів використовуються для тренування систем усієї компанії. Завдання, виконувані AI, матимуть вищий рівень успіху.

Коли цінність багатокористувацької та багатороботної співпраці зросте, зросте і вартість переключення. Ми побачимо мережеві ефекти, які раніше AI застосункам не вдавалося реалізувати: рівень колаборації стане бар’єром входу.

Stephenie Zhang: Проєктування для агентів, а не для людей

До 2026 року люди почнуть взаємодіяти з мережею через агентів. Що раніше було оптимізовано для людського споживання, — тепер втрачає актуальність для агентів.

Ми довго оптимізували передбачувану поведінку людини: високі позиції у Google пошуку, перші у Amazon за рейтингом, та короткі «TL;DR». У школі я вивчала журналістику, і вчитель казав: писати «5W1H» — щоб залучити читача. Можливо, люди пропустять цінні й глибокі дослідження, приховані на п’ятій сторінці, але штучний інтелект цього не зробить.

Ця зміна відбуватиметься й у софті. Додатки раніше створювалися для задоволення людських очікувань — хорошого дизайну і інтуїтивної роботи. Однак із появою ІІ, що займається пошуком і аналізом, візуальна привабливість має менше значення. Інженери вже не придивлятимуться до дашбордів Grafana — системи безпеки й надійності AI-інженерів ((SRE)) зможуть читати телеметрію і публікувати аналіз у Slack. Продажі більше не будуть ритися у CRM ((CRM)), бо AI автоматично витягне патерни і підсумки.

Ми створюємо не для людей, а для AI. Нова мета — машинна читабельність, а не візуальний рівень — і це змінить наш підхід до творчості і інструментів.

Santiago Rodriguez: Кінцева точка KPI «екранного часу» в застосунках штучного інтелекту

За останні 15 років «екранний час» був найкращим показником цінності застосунків для споживачів і бізнесу. Ми жили у парадигмі, де важливі були години стрімінгу Netflix, кількість кліків у медичних електронних записах (щоб засвідчити ефективність) або час, витрачений на ChatGPT. Але тепер у міру перехід на цінові моделі, що базуються на результатах, і здатності узгоджувати мотивацію постачальників і користувачів, ми відмовимося від звіту про «екранний час».

Це вже видно на практиці. Коли я використовую DeepResearch у ChatGPT, час перед екраном майже нульовий, але я отримую величезну цінність. Коли Abridge вловлює медичні діалоги і автоматично виконує наступні дії, лікарам майже не потрібно дивитися на екран. Коли Cursor розробляє цілісні end-to-end застосунки, інженери планують наступний цикл розробки. А коли Hebbia пише презентації на основі сотень публічних документів, інвестиційні банки нарешті можуть добре поспати.

Це створює унікальний виклик: стандартна модель оплати за одного користувача для застосунків штучного інтелекту вимагає більш складних методів оцінки ROI ((ROI)). Впровадження AI у застосунки підвищить задоволеність лікарів, ефективність розробників, добробут фінансових аналітиків і рівень щастя споживачів. Ті, хто зможе найкоротшим шляхом пояснити ROI, збережуть конкурентну перевагу.

Біо + Здоров’я

Julie Yoo: Активність місяця у сфері охорони здоров’я ((MAU))

До 2026 року новий сегмент клієнтів у галузі охорони здоров’я стане головним — «активні користувачі у місяць (MAU)».

Традиційна система охорони здоров’я орієнтована на три основні групи користувачів: (a) «хворі активні користувачі» — з високими коливаннями потреб і високими витратами; (b) «хворі щомісячні активні користувачі*» — наприклад, з хронічними захворюваннями; і © «здорові молоді активні користувачі*» — здорові, рідко звертаються до лікаря. Молоді активні користувачі ризикують перетворитися на хворих або щомісячних активних — і профілактика може уповільнити цей процес. Але система охорони здоров’я, орієнтована на лікування, винагороджує саме лікування, а не профілактику, тому профілактичні обстеження і моніторинг не є пріоритетами, і страхові поліси покривають їх рідко.

З’являється новий сегмент — «активні користувачі у місяць», які не хворі, але хочуть регулярно контролювати свій стан здоров’я — і цю групу можна вважати наймасовішою. Ми очікуємо, що кілька компаній — з AI-стартапами і існуючими гігантами — почнуть пропонувати періодичне обслуговування для цієї аудиторії.

З урахуванням потенціалу AI знижувати вартість медичних послуг, нових профілактичних страхових продуктів і дедалі більшої готовності споживачів платити за підпискою, «активні користувачі у місяць» — це майбутнє медичних технологій із високим потенціалом: постійна участь, дані та профілактика.

Speedrun (внутрішня команда інвестицій a16z)

Jon Lai: Світова модель у світі нарративу

До 2026 року штучний інтелект на основі світових моделей повністю змінить спосіб оповідання історій через інтерактивні віртуальні світи і цифрову економіку. Технології на кшталт Marble (World Labs) і Genie 3 (DeepMind) вже здатні створювати цілі 3D-середовища за текстовими підказками, щоб користувачі могли досліджувати їх, наче у грі. За допомогою цих інструментів творці зможуть створювати нові форми оповідання, що перетворюватимуться у «генеративний Minecraft», де гравці разом будуватимуть величезні й постійно еволюціонуючі всесвіти. Ці світи зможуть поєднувати ігрові механіки з природною мовою програмування: наприклад, команда «створи пензель і зроби все, до чого я торкаюся, рожевим» — і це зреалізується.

Подібні моделі розмивають межі між гравцями і творцями, роблячи користувачів співтворцями динамічної спільної реальності. Це може спричинити появу взаємопов’язаних генеративних мультивсесвітів з фантазією, жахами, пригодами і т. ін. У таких віртуальних світах цінова економіка розквітне, творці зможуть заробляти, створюючи активи, керуючи новачками або розробляючи нові інтерактивні інструменти. Крім розваг, ці генеративні світи стануть майданчиком для тренування агентів AI, роботів і навіть загального штучного інтелекту (AGI). Отже, світові моделі — не просто новий тип ігор, а новий засіб для творчості та економіки майбутнього.

Josh Lu: «Мій рік»

2026 рік стане «моїм роком»: продукти більше не будуть масовими — вони будуть створені спеціально для вас.

Ми вже бачимо цю тенденцію.

У сфері освіти стартапи на кшталт Alphaschool створюють AI-наставників, що підлаштовуються під темпи навчання і інтереси кожної дитини, забезпечуючи індивідуальну освіту. Без витрат у кілька тисяч доларів на репетиторство це зробити неможливо.

У галузі здоров’я AI розробляє персоналізовані щоденні добавки, тренувальні програми та дієти на основі фізіологічних характеристик. Без тренера і лабораторії.

Навіть у медіа AI дозволяє творцям переробляти новини, шоу і історії під ваші інтереси. Це повністю персоналізує стрічки новин і контент.

Перші компанії, які досягли успіху у минулому столітті, були орієнтовані на широкого споживача.

Наступний століття — за тими, хто знайде і з’єднає всіх індивідуальних споживачів.

У 2026 році світ перестане прагнути оптимізувати всіх одних і тих самих — і почне оптимізувати саме вас.

Emily Bennett: Перша університетська школа, побудована навколо AI

Я прогнозую, що у 2026 році з’явиться перший університет, створений з нуля навколо систем штучного інтелекту.

За останні роки університети намагалися застосовувати AI для оцінювання, наставництва і планування курсів. Але зараз з’являється більш глибока форма AI — здатна до реального часу навчання і самовдосконалення.

Уявіть собі таку установу, де курси, консультації, дослідницькі колаборації і навіть управління будівлями постійно адаптуються на основі зворотного зв’язку даних. Розклад самостійно удосконалюється. Щоденні списки читання оновлюються і автоматично переписуються відповідно до нових досліджень. Навчальні маршрути коригуються у реальному часі, щоб відповідати прогресу і потребам кожного студента.

Ми вже бачили перші ознаки: університет штату Арізона (ASU) і співпраця з OpenAI сприяли створенню сотень AI-проектів для навчання й адміністрації. Університет штату Нью-Йорк (SUNY) вже включив AI-освіту до обов’язкових курсів. Це — основа для більш глибокого впровадження.

У такому AI-орієнтованому університеті викладачі стануть архітекторами навчання: відповідатимуть за управління даними, оптимізацію моделей і навчать студентів ставити під сумнів машинну логіку.

Оцінювання зміниться: замість заборони на AI, з’являться прозорі і стратегічні методи оцінки його використання. Студенти будуть оцінюватися не за використання AI, а за те, як вони його застосовують. Застосування у прозорості і стратегічності замість заборон.

Усі галузі активно шукають фахівців, здатних проектувати, керувати і співпрацювати у системах AI. Це перетворить новий університет на центр підготовки таких фахівців, що допоможе швидко реагувати на змінний ринок праці.

Це — інкубатор нової економіки і майбутніх талантів.

На цьому завершимо. До зустрічі у наступній частині, очікуйте!