Большие идеи 2026: часть 1

Наша задача как инвесторов — глубоко разбираться в каждом аспекте технологической индустрии, чтобы понимать, куда она движется дальше. Каждый декабрь мы просим наши инвестиционные команды представить одну крупную идею, которую, по их мнению, технологические разработчики будут реализовывать в следующем году.

Сегодня публикуем идеи от команд Infrastructure, Growth, Bio + Health и Speedrun. Завтра ждите мнения других команд.

Infrastructure

Jennifer Li: Стартапы упорядочивают хаос мультимодальных данных

Неструктурированные мультимодальные данные — главный затор и одновременно нераскрытое сокровище для предприятий. Каждая компания тонет в PDF-файлах, скриншотах, видео, логах, письмах и полуструктурированном потоке. Модели становятся умнее, но входные данные все более хаотичны, что приводит к галлюцинациям RAG-систем, сбоям агентов в незаметных и дорогостоящих деталях, а критические рабочие процессы по-прежнему сильно зависят от ручного контроля качества. Для AI-компаний ограничивающим фактором стала энтропия данных: постепенное снижение актуальности, структуры и достоверности в неструктурированной среде, где сейчас хранится 80% корпоративных знаний.

Именно поэтому решение проблемы неструктурированных данных становится возможностью целого поколения. Предприятиям нужен непрерывный процесс очистки, структурирования, проверки и управления мультимодальными данными, чтобы последующие AI-задачи действительно работали. Применение повсюду: анализ контрактов, онбординг, обработка заявок, комплаенс, поддержка, закупки, поиск по инженерной документации, поддержка продаж, аналитические пайплайны и любые агентные процессы, зависящие от достоверного контекста. Стартапы, которые создадут платформу для извлечения структуры из документов, изображений и видео, устранения конфликтов, восстановления пайплайнов или обеспечения свежести и доступности данных, получат ключ к корпоративным знаниям и процессам.

Joel de la Garza: AI меняет подход к найму в кибербезопасности

Последнее десятилетие главной проблемой для CISO был найм сотрудников. С 2013 по 2021 год количество незаполненных вакансий в кибербезопасности выросло с менее 1 млн до 3 млн. Причина — команды безопасности нанимают высококвалифицированных специалистов для рутинной работы уровня 1, например, проверки логов, и никто не хочет этим заниматься. Проблема в том, что сами команды создают такую рутину, закупая продукты, которые фиксируют все подряд, и в итоге приходится проверять абсолютно все — что создает ложный дефицит кадров. Получается замкнутый круг.

В 2026 году AI разорвет этот круг и сократит кадровый дефицит, автоматизируя большую часть повторяющейся и избыточной работы для команд кибербезопасности. Любой, кто работал в крупной команде безопасности, знает, что половину задач легко решить автоматизацией, но невозможно понять, что автоматизировать, когда завален работой. AI-инструменты, которые сами определяют, что автоматизировать, наконец освободят специалистов для настоящих задач: поиск злоумышленников, разработка новых систем и устранение уязвимостей.

Malika Aubakirova: Агент-нативная инфраструктура становится стандартом

В 2026 году главный инфраструктурный сдвиг произойдет не извне, а внутри компаний. Мы переходим от человеческого трафика с низкой конкуренцией и предсказуемостью к “агентскому” — рекурсивному, всплесковому и масштабному.

Современный корпоративный бэкенд рассчитан на соотношение 1:1 между действиями человека и реакцией системы. Он не предназначен для ситуации, когда одна агентная “цель” запускает рекурсивное разветвление на 5 000 подзадач, запросов к базе данных и внутренних API менее чем за миллисекунды. Когда агент рефакторит код или устраняет инцидент безопасности, он не похож на пользователя. Для устаревшей базы данных или ограничителя скорости это выглядит как DDoS-атака.

Разработка для агентов в 2026 году требует переосмысления управляющего слоя. Появится “агент-нативная” инфраструктура. Новое поколение будет рассматривать паттерны “стада” как стандарт. Холодный старт должен сокращаться, разброс задержек — исчезать, а лимиты на параллелизм — увеличиваться на порядки. Узким местом станет координация: маршрутизация, блокировки, управление состоянием и политиками при массовом параллельном исполнении. Победит платформа, способная пережить лавину запуска инструментов.

Justine Moore: Креативные инструменты переходят в мультимодальный формат

У нас появились основы для создания историй с AI: генерация голоса, музыки, изображений и видео. Но если нужен не разовый клип, а что-то большее, получить желаемый результат часто долго и сложно, а иногда невозможно — особенно если хочется контроля, сравнимого с работой режиссера.

Почему нельзя загрузить в модель 30-секундное видео и попросить продолжить сцену с новым персонажем, созданным по референсу изображения и голоса? Или переснять клип с другого ракурса, или сделать движение как в референсном видео?

2026 год — время, когда AI становится мультимодальным. Можно дать модели любой референсный контент и создавать новое или редактировать существующее. Уже появились первые продукты — например, Kling O1 и Runway Aleph. Но предстоит сделать гораздо больше, и нужны инновации как на уровне моделей, так и приложений.

Создание контента — одно из ключевых применений AI, и я ожидаю появления успешных продуктов для разных задач и клиентов — от создателей мемов до голливудских режиссеров.

Jason Cui: AI-нативный стек данных продолжает развиваться

В прошлом году мы наблюдали консолидацию в сегменте “современного стека данных”, когда компании переходят от специализации на этапах загрузки, трансформации и вычислений к объединенным платформам. Пример — слияние Fivetran/dbt и рост платформ вроде Databricks.

Хотя экосистема стала заметно зрелее, мы все еще на ранней стадии настоящей AI-нативной архитектуры данных. Мы вдохновлены тем, как AI может преобразовать разные части стека, и видим, что инфраструктура данных и AI становится неразделимой.

Вот несколько идей, которые нам интересны:

• Как данные будут поступать в производительные векторные базы наряду с традиционными структурированными данными
• Как AI-агенты решают “проблему контекста”: постоянно получают правильный контекст данных и семантические слои для построения надежных приложений, например, диалог с данными, где всегда используются корректные бизнес-определения из разных систем учета
• Как BI-инструменты и таблицы изменятся с переходом рабочих процессов к агентному и автоматизированному формату

Yoko Li: Год, когда мы “входим” в видео

В 2026 году видео перестанет быть просто просматриваемым контентом и станет пространством, в которое можно буквально войти. Видео-модели наконец-то смогут понимать время, помнить, что уже показано, реагировать на действия пользователя и сохранять последовательность, ожидаемую от физического мира. Вместо разрозненных секунд изображения эти системы поддерживают персонажей, объекты и физику достаточно долго, чтобы действия имели значение и последствия реализовывались. Такой сдвиг превращает видео в платформу для творчества: пространство для тренировок роботов, развития игр, прототипирования дизайна и обучения агентов через действия. Получившаяся среда будет похожа не на клип, а на живую экосистему, сокращающую разрыв между восприятием и действием. Впервые появляется ощущение, что мы можем “жить” внутри генерируемого видео.

Growth

Sarah Wang: Системы учета теряют позиции

В 2026 году главный сдвиг в корпоративном софте — потеря первенства систем учета. AI сокращает дистанцию между намерением и исполнением: модели теперь читают, пишут и анализируют операционные данные напрямую, превращая ITSM и CRM из пассивных баз данных в автономные движки рабочих процессов. По мере развития reasoning-моделей и агентных сценариев эти системы получают возможность не только реагировать, но и предугадывать, координировать и выполнять процессы от начала до конца. Интерфейс становится динамичным агентным слоем, а традиционная система учета уходит на второй план и превращается в обычный слой хранения — стратегическое преимущество переходит к тому, кто контролирует интеллектуальную среду исполнения, которой реально пользуются сотрудники.

Alex Immerman: Вертикальный AI переходит от поиска и анализа к мультиагентности

AI обеспечил вертикальному софту беспрецедентный рост. Компании в медицине, юриспруденции и недвижимости достигли $100 млн+ ARR за несколько лет, финансы и учет — почти догнали. Сначала был поиск информации: находить, извлекать, суммировать нужные данные. В 2025 добавился reasoning: Hebbia анализирует финотчеты и строит модели, Basis сверяет балансы между системами, EliseAI диагностирует проблемы и направляет нужных подрядчиков.

В 2026 открывается мультиагентный режим. Вертикальный софт выигрывает от отраслевых интерфейсов, данных и интеграций. Но вертикальная работа всегда многопользовательская. Если агенты будут представлять сотрудников, им нужно сотрудничать. Покупатели и продавцы, арендаторы, консультанты, подрядчики — у каждой стороны свои права, процессы и требования комплаенса, которые понимает только вертикальный софт.

Сегодня каждая сторона использует AI изолированно, что приводит к передачам без полномочий. AI, анализирующий договор, не общается с CFO о корректировках модели. AI по обслуживанию не знает, что пообещал персонал арендаторам. Мультиагентный режим меняет ситуацию: координация между участниками, маршрутизация, поддержание контекста, синхронизация изменений. AI-контрагенты ведут переговоры в заданных рамках и отмечают асимметрии для проверки человеком. Пометки старшего партнера обучают систему для всей фирмы. Задачи, выполняемые AI, завершаются успешнее.

А когда ценность растет за счет сотрудничества людей и агентов, стоимость перехода увеличивается. Здесь появятся сетевые эффекты, которых не хватало AI-приложениям: слой взаимодействия станет барьером для конкурентов.

Stephenie Zhang: Создание для агентов, а не для людей

В 2026 году люди начнут взаимодействовать с вебом через своих агентов. То, что было важно для человека, перестанет быть так же важно для агента.

Много лет мы оптимизировали поведение для предсказуемости человека: высокие позиции в Google, первые товары на Amazon, акцент на TL;DR. На уроках журналистики учили 5W + H для новостей и “зацепку” для статей. Человек мог пропустить важную мысль на пятой странице, но агент — нет.

Это касается и софта. Приложения проектировали для глаз и кликов человека, а оптимизация означала хороший UI и понятные сценарии. Когда агенты берут на себя поиск и интерпретацию, визуальный дизайн перестает быть центральным для понимания. Вместо инженеров, смотрящих на дашборды Grafana, AI-SRE анализирует телеметрию и публикует выводы в Slack. Вместо продажников, изучающих CRM, агенты автоматически показывают паттерны и сводки.

Мы больше не проектируем для людей, а для агентов. Новая оптимизация — не визуальная иерархия, а машинная читаемость, и это изменит подход к созданию и инструментам.

Santiago Rodriguez: Конец KPI по экранному времени в AI-приложениях

Последние 15 лет экранное время было главным показателем ценности для потребительских и бизнес-приложений. Мы жили в парадигме часов просмотра Netflix, кликов в EHR для медицины (чтобы показать полезность) или времени на chatGPT как ключевом KPI. В будущем с переходом к ценообразованию по результату, когда интересы вендоров и пользователей совпадают, мы сначала откажемся от отчетности по экранному времени.

Уже видно, как это работает. Запуская DeepResearch-запросы в ChatGPT, я получаю огромную пользу почти без экранного времени. Когда Abridge записывает разговор врача и пациента и автоматизирует последующие действия, доктор почти не смотрит на экран. Когда Cursor разрабатывает приложение от начала до конца, инженер планирует следующий цикл фич. Когда Hebbia делает презентацию на основе сотен публичных документов, инвестбанкир спокойно спит.

Это создает уникальную задачу: сколько приложение может брать с пользователя, требует более сложной оценки ROI. Удовлетворенность врачей, продуктивность разработчиков, благополучие аналитиков и счастье потребителей — все растет с AI-приложениями. Компании, которые умеют просто объяснить ROI, будут опережать конкурентов.

Bio + Health

Julie Yoo: Здоровые MAU

В 2026 году новая группа пользователей здравоохранения выйдет на первый план: “здоровые MAU”.

Традиционная система делила пользователей на три основные группы: (a) “больные MAU” — люди с резкими и дорогими потребностями; (b) “больные DAU” — пациенты с интенсивной и долгосрочной помощью; и (c) “здоровые YAU” — относительно здоровые, редко посещающие врача. Здоровые YAU рискуют стать больными MAU/DAU, и профилактика могла бы замедлить этот переход. Но система оплаты ориентирована на лечение, а не на профилактику, поэтому доступ к проактивным осмотрам и мониторингу не в приоритете, и страховка редко это покрывает.

Появляются здоровые MAU: потребители, которые не болеют, но хотят регулярно отслеживать и понимать свое состояние — и потенциально составляют самую крупную группу пользователей. Ожидаем волну компаний — как AI-стартапов, так и обновленных крупных игроков, которые предложат регулярные сервисы для этой аудитории.

С учетом потенциала AI снизить стоимость медицинских услуг, появления новых страховых продуктов, ориентированных на профилактику, и готовности потребителей платить за подписку, “здоровые MAU” — следующий перспективный сегмент healthtech: постоянно вовлеченные, ориентированные на данные и профилактику.

Speedrun

Jon Lai: Мировые модели выходят на первый план в сторителлинге

В 2026 году AI-мировые модели революционизируют сторителлинг через интерактивные виртуальные миры и цифровые экономики. Технологии вроде Marble (World Labs) и Genie 3 (DeepMind) уже создают полноценные 3D-окружения по текстовым запросам, позволяя пользователям исследовать их как в игре. По мере того как создатели осваивают эти инструменты, появятся совершенно новые форматы историй, возможно, приведя к “генеративному Minecraft”, где игроки совместно создают огромные, развивающиеся вселенные. Такие миры могут сочетать игровые механики с программированием на естественном языке, например, командой “создать кисть, которая перекрашивает все, к чему я прикасаюсь, в розовый цвет”.

Такие модели размывают границу между игроком и создателем, превращая пользователей в соавторов динамических общих реальностей. Это развитие может привести к появлению связанных генеративных мультивселенных, где жанры — фэнтези, хоррор, приключения — существуют бок о бок. Внутри них расцветут цифровые экономики: создатели будут зарабатывать на создании ассетов, обучении новичков и разработке новых инструментов. Помимо развлечений, эти миры станут средой для обучения AI-агентов, роботов и, возможно, AGI. Рост мировых моделей — это не просто новый жанр игр, а совершенно новая творческая среда и экономический рубеж.

Josh Lu: “Год меня”

2026 год станет “годом меня”: моментом, когда продукты перестают быть массовыми и начинают создаваться для каждого конкретного пользователя.

Мы уже видим это повсюду.

В образовании стартапы вроде Alphaschool создают AI-тьюторов, адаптирующихся к темпу и интересам каждого ученика, давая каждому ребенку образование по его ритму и способу обучения. Такой уровень внимания раньше был невозможен без десятков тысяч долларов на репетитора для каждого.

В медицине AI разрабатывает индивидуальные комплексы добавок, планы тренировок и питания, учитывая вашу биологию. Не нужен ни тренер, ни лаборатория.

Даже в медиа AI позволяет авторам микшировать новости, шоу и истории в персональные ленты, полностью соответствующие вашим интересам и стилю.

Крупнейшие компании прошлого века добивались успеха, находя среднего потребителя.

Крупнейшие компании следующего века победят, найдя “индивидуальность” внутри среднего.

2026 год — это время, когда мир перестает оптимизироваться для всех и начинает — для каждого.

Emily Bennett: Первый AI-нативный университет

В 2026 году, я ожидаю, появится первый AI-нативный университет — учреждение, построенное с нуля вокруг интеллектуальных систем.

В последние годы университеты экспериментировали с AI для оценки, обучения и расписания. Но сейчас формируется нечто большее — адаптивный академический организм, который учится и оптимизируется в реальном времени.

Представьте вуз, где курсы, консультации, исследовательские проекты и даже управление зданиями постоянно адаптируются на основе обратной связи по данным. Расписания оптимизируются автоматически. Списки литературы обновляются каждую ночь и переписываются по мере появления новых исследований. Учебные траектории меняются в реальном времени под темп и контекст каждого студента.

Уже есть примеры. Партнерство ASU с OpenAI привело к сотням AI-проектов в обучении и администрировании. SUNY теперь включает AI-грамотность в базовое образование. Это фундамент для более масштабного внедрения.

В AI-нативном университете преподаватели становятся архитекторами обучения: курируют данные, настраивают модели и учат студентов работать с машинным мышлением

Меняется и оценка. Инструменты обнаружения и запреты на плагиат уступают AI-осознанной оценке: студенты оцениваются по тому, как используют AI, а не по факту использования. Прозрачность и грамотное применение заменяют запреты.

И по мере того как все отрасли испытывают дефицит кадров, способных проектировать, управлять и сотрудничать с AI-системами, такой университет станет кузницей кадров, готовых к оркестрации и развитию быстро меняющейся рабочей среды.

AI-нативный университет станет двигателем талантов для новой экономики.

Ждите вторую часть завтра.

Подписаться

Этот дайджест предоставлен исключительно для информационных целей и не может рассматриваться как юридическая, бизнес-, инвестиционная или налоговая рекомендация. Кроме того, данный контент не является инвестиционной рекомендацией и не предназначен для использования инвесторами или потенциальными инвесторами в фонды a16z. Дайджест может содержать ссылки на другие сайты или материалы, полученные из сторонних источников — a16z не проводила независимую проверку и не гарантирует актуальность или точность такой информации. Если в контенте есть сторонняя реклама, a16z не проверяла такие объявления и не поддерживает рекламируемые продукты или компании. Любые инвестиции или портфельные компании, упомянутые, описанные или приведенные в статье, не отражают все инвестиции, управляемые a16z; полный список размещен на https://a16z.com/investment-list/. Другую важную информацию можно найти на a16z.com/disclosures. Вы получили этот дайджест, так как ранее подписались; если хотите отказаться от рассылки, отпишитесь прямо сейчас.

Дисклеймер:

1. Статья перепечатана с ресурса [a16z]. Все авторские права принадлежат оригинальному автору [a16z New Media]. В случае возражений по поводу перепечатки обращайтесь к команде Gate Learn — они оперативно решат вопрос.
2. Отказ от ответственности: мнения, высказанные в статье, отражают исключительно позицию автора и не являются инвестиционной рекомендацией.
3. Переводы статьи на другие языки выполняет команда Gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных материалов запрещены.