Big Ideas 2026: Bagian 1

Tugas kami sebagai investor adalah memahami secara mendalam setiap aspek industri teknologi agar dapat mengantisipasi arah pergerakan berikutnya. Setiap bulan Desember, kami meminta tim investasi kami untuk membagikan satu ide besar yang menurut mereka akan menjadi fokus para pelaku teknologi di tahun mendatang.

Hari ini, kami membagikan gagasan dari tim Infrastructure, Growth, Bio + Health, dan Speedrun. Nantikan pandangan dari tim lainnya besok.

Infrastructure

Jennifer Li: Startup menaklukkan kekacauan data multimodal

Data multimodal yang tidak terstruktur menjadi hambatan utama sekaligus potensi terbesar yang belum digali bagi perusahaan. Setiap perusahaan kini dibanjiri PDF, tangkapan layar, video, log, email, dan data semi-terstruktur. Model AI semakin canggih, namun input data kian kacau, sehingga sistem RAG berhalusinasi, agen mengalami gangguan halus yang mahal, dan alur kerja kritis masih sangat bergantung pada QA manusia. Faktor pembatas bagi perusahaan AI saat ini adalah entropi data: pelapukan bertahap terhadap kebaruan, struktur, dan kebenaran dalam semesta tidak terstruktur di mana 80% pengetahuan perusahaan kini tersimpan.

Mengurai data tidak terstruktur menjadi peluang lintas generasi. Perusahaan membutuhkan solusi berkelanjutan untuk membersihkan, menstrukturkan, memvalidasi, dan mengelola data multimodal agar beban kerja AI di hilir benar-benar optimal. Kasus penggunaan sangat luas: analisis kontrak, onboarding, penanganan klaim, kepatuhan, dukungan, pengadaan, pencarian teknik, pemberdayaan penjualan, pipeline analitik, dan seluruh alur kerja agen yang membutuhkan konteks andal. Startup yang membangun platform untuk mengekstrak struktur dari dokumen, gambar, dan video; merekonsiliasi konflik; memperbaiki pipeline; atau menjaga data tetap segar dan mudah diakses, memegang kunci utama pengetahuan dan proses perusahaan.

Joel de la Garza: AI menghidupkan kembali perekrutan keamanan siber

Sepanjang dekade terakhir, tantangan terbesar bagi CISO adalah perekrutan. Dari 2013 hingga 2021, jumlah lowongan keamanan siber yang belum terisi melonjak dari kurang dari 1 juta menjadi 3 juta. Hal ini terjadi karena tim keamanan merekrut tenaga ahli untuk melakukan pekerjaan keamanan level 1 yang monoton seperti meninjau log, pekerjaan yang tidak diminati banyak orang. Masalahnya, tim keamanan siber menciptakan rutinitas tersebut dengan membeli produk yang mendeteksi segalanya, sehingga tim harus meninjau semuanya—yang akhirnya menimbulkan kelangkaan tenaga kerja semu. Siklus ini terus berulang.

Pada 2026, AI akan memutus siklus ini dan menutup kesenjangan perekrutan dengan mengotomatisasi sebagian besar pekerjaan berulang dan redundan bagi tim keamanan siber. Siapa pun yang pernah bekerja di tim keamanan besar tahu bahwa setengah pekerjaan dapat diotomatisasi, namun sulit menentukan apa yang harus diotomatisasi saat beban kerja menumpuk. Alat AI-native yang memetakan pekerjaan ini untuk tim keamanan akan membebaskan mereka untuk melakukan hal yang lebih penting: memburu pelaku kejahatan, membangun sistem baru, dan memperbaiki kerentanan.

Malika Aubakirova: Infrastruktur agent-native menjadi standar minimum

Pada 2026, kejutan infrastruktur terbesar berasal dari internal perusahaan. Kita beralih dari lalu lintas berkecepatan manusia yang dapat diprediksi dan berkonkurensi rendah menuju beban kerja “kecepatan agen” yang rekursif, meledak-ledak, dan masif.

Backend perusahaan saat ini dirancang untuk rasio 1:1 antara aksi manusia dan respons sistem. Arsitektur ini tidak didesain untuk satu “tujuan” agen yang memicu fan-out rekursif ribuan sub-tugas, kueri database, dan panggilan API internal dalam hitungan milidetik. Ketika agen melakukan refaktor kode atau memperbaiki log keamanan, ia tidak tampak seperti pengguna biasa. Bagi database atau rate-limiter lama, itu mirip serangan DDoS.

Membangun untuk agen di tahun 2026 berarti merancang ulang control plane. Infrastruktur “agent-native” akan muncul dan menjadi standar. Generasi berikutnya harus memperlakukan pola “thundering herd” sebagai kondisi default. Cold start harus diminimalkan, variansi latensi harus dihilangkan, dan batas konkurensi harus meningkat drastis. Hambatan utama bergeser ke koordinasi: routing, locking, manajemen state, dan penegakan kebijakan di eksekusi paralel masif. Platform yang mampu bertahan dari banjir eksekusi alat akan menjadi pemenang.

Justine Moore: Alat kreatif menjadi multimodal

Kita kini memiliki komponen untuk bercerita dengan AI: suara, musik, gambar, dan video generatif. Namun untuk sesuatu yang lebih dari sekadar klip satu kali, prosesnya sering memakan waktu dan membuat frustrasi—bahkan mustahil—untuk mendapatkan hasil sesuai keinginan, terutama jika menginginkan tingkat kontrol seperti sutradara tradisional.

Mengapa kita tidak bisa memberi model video 30 detik dan memintanya melanjutkan adegan dengan karakter baru dari gambar dan suara referensi? Atau merekam ulang klip agar adegan terlihat dari sudut berbeda, atau membuat gerakan sesuai video referensi?

2026 adalah tahun AI menjadi multimodal. Berikan model bentuk konten referensi apa pun dan gunakan untuk membuat sesuatu yang baru atau mengedit adegan yang sudah ada. Produk awal seperti Kling O1 dan Runway Aleph mulai bermunculan, namun masih banyak inovasi yang dibutuhkan pada lapisan model dan aplikasi.

Pembuatan konten adalah salah satu use case utama AI, dan saya yakin akan muncul banyak produk sukses di berbagai use case dan segmen pelanggan, mulai dari pembuat meme hingga sutradara Hollywood.

Jason Cui: Stack data AI-native terus berkembang

Setahun terakhir kita melihat konsolidasi pada “modern data stack” seiring perusahaan data beralih dari spesialisasi ingestion, transformasi, dan komputasi menuju platform bundling dan terpadu. Contohnya merger Fivetran/dbt dan kenaikan platform terpadu seperti Databricks.

Meski ekosistem terasa lebih matang, kita masih di tahap awal arsitektur data yang benar-benar AI-native. Kami antusias dengan cara AI dapat mentransformasi berbagai bagian stack data, dan mulai melihat bagaimana data serta infrastruktur AI menjadi saling terhubung erat.

Beberapa ide yang kami nantikan:

• Bagaimana data mengalir ke database vektor performa tinggi bersamaan dengan data terstruktur tradisional
• Bagaimana agen AI menavigasi “masalah konteks”: mengakses konteks data dan lapisan semantik secara berkelanjutan untuk membangun aplikasi tangguh, seperti chat dengan data, yang selalu memiliki definisi bisnis benar di berbagai sistem pencatatan
• Bagaimana alat BI tradisional dan spreadsheet akan berubah seiring alur kerja data menjadi lebih agentic dan otomatis

Yoko Li: Tahun kita masuk ke dalam video

Pada 2026, video berhenti menjadi tontonan pasif dan mulai terasa seperti ruang yang dapat kita masuki. Model video akhirnya memahami waktu, mengingat apa yang sudah ditampilkan, bereaksi atas tindakan kita, dan tetap konsisten seperti dunia fisik. Alih-alih menghasilkan beberapa detik gambar terputus, sistem ini mempertahankan karakter, objek, dan fisika cukup lama agar aksi bermakna dan konsekuensi terjadi. Pergeseran ini mengubah video menjadi medium yang bisa dibangun: ruang bagi robot berlatih, game berkembang, desainer membuat prototipe, dan agen belajar dengan praktik langsung. Yang muncul bukan sekadar klip, melainkan lingkungan hidup yang mulai menutup celah antara persepsi dan aksi. Untuk pertama kalinya, kita benar-benar dapat “menghuni” video yang dihasilkan.

Growth

Sarah Wang: Sistem pencatatan mulai kehilangan dominasi

Pada 2026, disrupsi utama di perangkat lunak perusahaan adalah sistem pencatatan mulai kehilangan peran utama. AI memperpendek jarak antara niat dan eksekusi: model kini dapat membaca, menulis, dan bernalar langsung pada data operasional, mengubah ITSM dan CRM dari database pasif menjadi mesin alur kerja otonom. Seiring kemajuan model reasoning dan alur kerja agentic, sistem ini tidak hanya merespons, tetapi juga mengantisipasi, mengoordinasikan, dan mengeksekusi proses end-to-end. Antarmuka menjadi lapisan agen dinamis, sementara sistem pencatatan tradisional bergeser ke latar belakang sebagai penyimpanan komoditas—daya tawar strategis berpindah ke pihak yang mengendalikan lingkungan eksekusi cerdas yang digunakan karyawan.

Alex Immerman: AI vertikal berevolusi dari penelusuran informasi dan reasoning ke mode multipemain

AI mendorong perangkat lunak vertikal tumbuh pesat. Perusahaan kesehatan, hukum, dan perumahan mencapai ARR di atas USD100 juta hanya dalam beberapa tahun; keuangan dan akuntansi segera menyusul. Evolusi awalnya adalah penelusuran informasi: menemukan, mengekstrak, dan merangkum informasi yang tepat. Tahun 2025 membawa reasoning: Hebbia menganalisis laporan keuangan dan membangun model, Basis merekonsiliasi saldo percobaan lintas sistem, EliseAI mendiagnosis masalah pemeliharaan dan mengirim vendor yang tepat.

2026 membuka mode multipemain. Perangkat lunak vertikal mendapat manfaat dari antarmuka, data, dan integrasi spesifik domain. Namun pekerjaan vertikal melibatkan banyak pihak. Jika agen mewakili tenaga kerja, mereka harus berkolaborasi. Dari pembeli dan penjual, hingga penyewa, penasihat, dan vendor, setiap pihak punya izin, alur kerja, dan persyaratan kepatuhan berbeda yang hanya dipahami perangkat lunak vertikal.

Saat ini, setiap pihak menggunakan AI secara terpisah, sehingga terjadi serah terima tanpa otoritas. AI yang menganalisis perjanjian pembelian tidak berbicara dengan CFO untuk penyesuaian modelnya. AI pemeliharaan tidak tahu apa yang dijanjikan staf onsite kepada penyewa. Mode multipemain mengubah ini dengan mengoordinasikan antar pemangku kepentingan: routing ke spesialis fungsional, mempertahankan konteks, sinkronisasi perubahan. AI counterparty bernegosiasi dalam parameter dan menandai asimetri untuk tinjauan manusia. Markup mitra senior melatih sistem untuk seluruh firma. Tugas AI akan selesai dengan tingkat keberhasilan lebih tinggi.

Ketika nilai meningkat dari kolaborasi multi-manusia dan multi-agen, biaya switching naik. Efek jaringan yang selama ini luput dari aplikasi AI akan muncul: lapisan kolaborasi menjadi benteng utama.

Stephenie Zhang: Menciptakan untuk agen, bukan manusia

Pada 2026, orang mulai berinteraksi dengan web melalui agen mereka. Hal yang penting bagi konsumsi manusia tidak lagi relevan bagi konsumsi agen.

Selama bertahun-tahun, kita mengoptimalkan perilaku manusia yang dapat diprediksi: ranking tinggi di Google, muncul di urutan teratas Amazon, memulai dengan TL;DR. Di kelas jurnalisme SMA, kami diajarkan 5W+H untuk berita dan memulai dengan hook pada fitur. Mungkin manusia melewatkan pernyataan relevan yang tersembunyi di halaman lima, tapi agen tidak akan.

Pergeseran ini juga menyangkut perangkat lunak. Aplikasi didesain untuk mata dan klik manusia, dan optimasi berarti UI bagus dan alur intuitif. Saat agen mengambil alih penelusuran dan interpretasi, desain visual menjadi kurang sentral untuk pemahaman. Alih-alih engineer menatap dashboard Grafana, AI SRE dapat menginterpretasi telemetry dan memposting insight di Slack. Alih-alih tim penjualan menyisir CRM, agen bisa menampilkan pola dan ringkasan otomatis.

Kita tidak lagi mendesain untuk manusia, tetapi untuk agen. Optimasi baru bukan pada hierarki visual, melainkan keterbacaan mesin—dan itu akan mengubah cara kita mencipta dan alat yang kita gunakan.

Santiago Rodriguez: Akhir KPI waktu layar pada aplikasi AI

Selama 15 tahun terakhir, waktu layar menjadi indikator utama nilai pada aplikasi konsumen maupun bisnis. Paradigma ini berfokus pada jam streaming Netflix, klik mouse di UX EHR kesehatan, atau waktu di chatGPT sebagai KPI utama. Dengan transisi ke masa depan berbasis harga berbasis hasil yang menyelaraskan insentif antara vendor dan pengguna, pelaporan waktu layar akan segera ditinggalkan.

Praktik ini sudah mulai terlihat. Saat saya menjalankan kueri DeepResearch di ChatGPT, saya memperoleh nilai besar meski hampir tanpa waktu layar. Saat Abridge menangkap percakapan dokter-pasien dan mengotomatisasi aktivitas hilir, dokter hampir tidak melihat layar. Saat Cursor mengembangkan aplikasi secara end-to-end, engineer merencanakan siklus pengembangan berikutnya. Saat Hebbia membuat pitch deck dari ratusan dokumen publik, banker investasi bisa beristirahat dengan tenang.

Ini menghadirkan tantangan unik: penentuan biaya aplikasi per pengguna membutuhkan metode pengukuran ROI yang lebih kompleks. Kepuasan dokter, produktivitas developer, kesejahteraan analis keuangan, dan kebahagiaan konsumen semuanya meningkat dengan aplikasi AI. Perusahaan yang mampu menyampaikan pitch penjualan ROI paling sederhana akan tetap unggul.

Bio + Health

Julie Yoo: MAU sehat

Pada 2026, segmen pelanggan layanan kesehatan baru akan menjadi sorotan: “MAU sehat.”

Sistem kesehatan tradisional utamanya melayani tiga segmen pengguna: (a) “MAU sakit”: orang dengan kebutuhan tinggi dan biaya besar; (b) “DAU sakit”: mereka yang menjalani perawatan intensif dan jangka panjang; dan (c) “YAU sehat”: individu yang relatif sehat dan jarang ke dokter. YAU sehat berisiko menjadi MAU/DAU sakit, dan perawatan preventif dapat memperlambat pergeseran itu. Namun sistem pembayaran layanan kesehatan yang reaktif lebih mengutamakan pengobatan dibanding pencegahan, sehingga akses ke layanan cek berkala dan pemantauan tidak diprioritaskan, dan asuransi jarang menanggungnya.

MAU sehat hadir: konsumen yang tidak sedang sakit aktif tetapi ingin memantau dan memahami kesehatan mereka secara rutin—dan berpotensi menjadi segmen konsumen terbesar. Kami memperkirakan gelombang perusahaan—baik startup AI-native maupun versi baru dari pemain lama—akan mulai menawarkan layanan berulang untuk melayani basis pengguna ini.

Dengan potensi AI menurunkan biaya layanan kesehatan, munculnya produk asuransi kesehatan baru yang berfokus pada pencegahan, dan konsumen yang lebih nyaman membayar model langganan secara mandiri, “MAU sehat” menjadi segmen pelanggan berpotensi tinggi berikutnya bagi healthtech: terus terlibat, berbasis data, dan berorientasi pencegahan.

Speedrun

Jon Lai: World models jadi sorotan dalam storytelling

Pada 2026, world models bertenaga AI akan merevolusi storytelling lewat dunia virtual interaktif dan ekonomi digital. Teknologi seperti Marble (World Labs) dan Genie 3 (DeepMind) sudah menciptakan lingkungan 3D dari perintah teks, memungkinkan pengguna menjelajahinya layaknya di game. Saat kreator mengadopsi alat ini, format storytelling baru akan muncul, berpotensi menghasilkan “generative Minecraft”, di mana pemain bersama-sama menciptakan semesta luas yang terus berkembang. Dunia-dunia ini bisa memadukan mekanik game dengan pemrograman bahasa alami, seperti perintah “buat kuas yang mengubah warna apapun yang saya sentuh jadi pink.”

Model-model ini mengaburkan batas antara pemain dan kreator, mengubah pengguna menjadi co-author realitas bersama yang dinamis. Evolusi ini bisa melahirkan multiverse generatif yang saling terhubung, di mana genre berbeda seperti fantasi, horor, petualangan dapat hidup berdampingan. Di dalamnya, ekonomi digital akan berkembang saat kreator memperoleh pendapatan dari membuat aset, membimbing pendatang baru, atau mengembangkan alat interaktif baru. Di luar hiburan, dunia generatif ini akan menjadi lingkungan simulasi kaya untuk melatih agen AI, robot, bahkan AGI. Kenaikan world models menandakan bukan hanya genre bermain baru, melainkan medium kreatif dan frontier ekonomi sepenuhnya baru.

Josh Lu: “Tahun saya”

2026 akan menjadi “tahun saya”: momen ketika produk berhenti diproduksi massal dan mulai dibuat khusus untuk Anda.

Kita sudah melihatnya di berbagai bidang.

Di pendidikan, startup seperti Alphaschool membangun tutor AI yang menyesuaikan dengan kecepatan dan rasa ingin tahu setiap siswa, memberikan pendidikan sesuai ritme dan metode belajar favorit setiap anak. Tingkat perhatian seperti ini sebelumnya mustahil tanpa biaya tutor puluhan ribu dolar per siswa.

Di kesehatan, AI merancang tumpukan suplemen harian, rencana latihan, dan pola makan sesuai biologi Anda. Tidak perlu pelatih atau laboratorium.

Bahkan di media, AI memungkinkan kreator meremix berita, acara, dan cerita menjadi feed personal yang sesuai minat dan karakter Anda.

Perusahaan terbesar abad lalu menang dengan menemukan konsumen rata-rata.

Perusahaan terbesar abad berikutnya akan menang dengan menemukan individu di dalam rata-rata.

2026 adalah tahun dunia berhenti mengoptimalkan untuk semua orang dan mulai mengoptimalkan untuk Anda.

Emily Bennett: Universitas AI-native pertama

Pada 2026, saya memperkirakan kita akan menyaksikan kelahiran universitas AI-native pertama, institusi yang dibangun dari nol di sekitar sistem cerdas.

Beberapa tahun terakhir, universitas mulai mencoba penilaian, tutor, dan penjadwalan berbasis AI. Namun yang muncul kini lebih mendalam, yaitu organisme akademik adaptif yang belajar dan mengoptimalkan diri secara real time.

Bayangkan institusi di mana mata kuliah, pembimbingan, kolaborasi riset, bahkan operasi gedung terus beradaptasi berdasarkan umpan balik data. Jadwal mengoptimalkan diri. Daftar bacaan berubah setiap malam dan menyesuaikan diri saat riset baru muncul. Jalur pembelajaran bergeser secara real time sesuai ritme dan konteks setiap siswa.

Kita sudah melihat pendahulu. Kemitraan kampus ASU dengan OpenAI menghasilkan ratusan proyek berbasis AI di pengajaran dan administrasi. SUNY kini menanamkan literasi AI dalam kurikulum pendidikan umum. Ini adalah fondasi bagi penerapan yang lebih mendasar.

Di universitas AI-native, dosen menjadi arsitek pembelajaran, mengkurasi data, menyesuaikan model, dan mengajari siswa cara menginterogasi penalaran mesin.

Penilaian pun berubah. Alat deteksi dan larangan plagiarisme digantikan evaluasi sadar AI, menilai siswa atas cara mereka menggunakan AI, bukan sekadar apakah mereka memakainya. Transparansi dan penerapan bijak menggantikan larangan.

Ketika setiap industri kesulitan merekrut orang yang bisa merancang, mengelola, dan berkolaborasi dengan sistem AI, universitas baru ini menjadi tempat pelatihan, menghasilkan lulusan yang fasih dalam orkestrasi dan membantu memperkuat tenaga kerja yang cepat berubah.

Universitas AI-native ini akan menjadi mesin talenta bagi ekonomi baru.

Nantikan bagian 2 besok.

Subscribe

Newsletter ini disediakan hanya untuk tujuan informasi dan tidak boleh dijadikan sebagai nasihat hukum, bisnis, investasi, atau pajak. Konten ini bukan merupakan nasihat investasi, maupun dimaksudkan untuk digunakan oleh investor atau calon investor di dana a16z mana pun. Newsletter ini dapat menautkan ke situs lain atau memuat informasi dari sumber pihak ketiga— a16z tidak memverifikasi maupun membuat pernyataan tentang keakuratan informasi tersebut saat ini atau di masa mendatang. Jika konten ini memuat iklan pihak ketiga, a16z tidak meninjau dan tidak mendukung konten iklan atau perusahaan yang terkait. Investasi atau perusahaan portofolio yang disebutkan, dirujuk, atau dijelaskan tidak mewakili seluruh investasi pada kendaraan yang dikelola oleh a16z; kunjungi https://a16z.com/investment-list/ untuk daftar lengkap investasi. Informasi penting lainnya dapat ditemukan di a16z.com/disclosures. Anda menerima newsletter ini karena telah mendaftar sebelumnya; jika ingin berhenti berlangganan, Anda dapat melakukannya segera.

Disclaimer:

1. Artikel ini dicetak ulang dari [a16z]. Seluruh hak cipta milik penulis asli [a16z New Media]. Jika ada keberatan atas pencetakan ulang ini, silakan hubungi tim Gate Learn, dan akan segera ditindaklanjuti.
2. Disclaimer Tanggung Jawab: Pandangan dan opini dalam artikel ini sepenuhnya milik penulis dan tidak merupakan nasihat investasi apa pun.
3. Penerjemahan artikel ke bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, dilarang menyalin, mendistribusikan, atau menjiplak artikel terjemahan ini.