Autor:Salir al mar para ir a un incubador
Las reglas del juego para emprender se han transformado por completo.
En la última lista de deseos de startups (RFS) de primavera de 2026 de Y Combinator (YC), vemos una señal clara: "nativo de IA" (AI-native) ya no es simplemente un término de marketing, sino la lógica fundamental para construir las próximas grandes empresas. Las startups actuales pueden desafiar, con una velocidad y un costo más bajos, sectores que antes se consideraban "irremplazables".
Esta vez, YC no solo se centra en el software, sino que también ha puesto su atención en los sistemas industriales, la infraestructura subyacente de la finanza y la gobernanza gubernamental. Si la ola anterior de IA se trataba de "generar contenido", la próxima ola se tratará de "resolver problemas complejos" y "reconfigurar el mundo físico".
A continuación se presentan las 10 áreas clave que YC está siguiendo de cerca y en las que desea invertir.
1. "Cursor" para gerentes de producto (Cursor for Product Managers)
En los últimos años, herramientas como Cursor y Claude Code han transformado radicalmente la forma de escribir código. Pero este auge ha ocultado un problema más fundamental: escribir código es solo un medio, el núcleo real es averiguar "exactamente qué se debe construir".
En la actualidad, el proceso de descubrimiento de productos sigue estando en la "Edad de Piedra". Nos basamos en entrevistas fragmentadas con usuarios, comentarios del mercado difíciles de cuantificar y en innumerables tareas de Jira. Este proceso depende en extremo del trabajo manual y está lleno de vacíos.
El mercado necesita urgentemente un sistema nativo de IA que ayude a los gerentes de producto de la misma manera en que Cursor ayuda a los programadores. Imagina una herramienta en la que subes todas tus grabaciones de entrevistas con clientes y datos de uso del producto, y luego le preguntas: "¿Qué debemos hacer a continuación?"
No te dará solo una sugerencia vaga, sino que producirá un esquema completo de funciones y justificará las decisiones con comentarios específicos de los clientes. Además, incluso puede generar directamente prototipos de interfaz de usuario, ajustar modelos de datos y desglosar tareas de desarrollo concretas para entregarlas al Agente de Codificación de IA para su ejecución.
A medida que la IA asume gradualmente la implementación específica del código, la capacidad de "definir productos" se volverá más importante que nunca. Necesitamos una herramienta superpoderosa que conecte el círculo cerrado desde la "detección de necesidades" hasta la "definición del producto".
2. El siguiente generación de fondos de cobertura nativos de IA (AI-Native Hedge Funds)
En la década de 1980, cuando unos pocos fondos comenzaron a intentar usar computadoras para analizar los mercados, Wall Street se burló de ello. Hoy en día, el comercio cuantitativo es lo estándar. Si ahora no te das cuenta de que estamos en un punto de inflexión similar, podrías perderte la próxima Renaissance Technologies o Bridgewater.
Esta ola de oportunidades no radica en "enganchar" la IA a las estrategias existentes de fondos, sino en construir desde cero estrategias de inversión nativas de IA.
Aunque los gigantes cuantitativos existentes disponen de enormes recursos, sus movimientos son demasiado lentos en la lucha entre cumplimiento normativo y innovación. Los fondos de cobertura del futuro estarán impulsados por multitudes de agentes inteligentes de IA, que podrán revisar informes financieros 10-K, escuchar conferencias telefónicas de resultados, analizar documentos de la SEC y sintetizar las opiniones de diversos analistas para realizar operaciones, sin interrupción, 24 horas al día, al igual que los operadores humanos.
En este campo, los verdaderos beneficios alfa pertenecerán a los nuevos jugadores que tengan el valor de permitir que la IA tome profundamente las decisiones de inversión.
3. Transformación hacia software de empresas de servicios (Agencias nativas de IA)
Desde siempre, ya sea en empresas de diseño, agencias de publicidad o bufetes de abogados, todos los modelos de agencia (Agency) han enfrentado un nudo gordiano: la dificultad para escalar. Porque venden "horas hombre", con margen de beneficio bajo y un crecimiento que necesariamente depende de la contratación.
La IA está rompiendo este punto muerto.
La nueva generación de agentes ya no venderá herramientas de software a sus clientes, sino que ellos mismos utilizarán herramientas de IA para producir resultados con una eficiencia 100 veces mayor, y luego venderán directamente el producto final. Esto significa:
Las empresas de diseño pueden utilizar la IA para generar un conjunto completo de soluciones personalizadas antes de firmar un contrato, lo que les permite superar a sus competidores tradicionales.
Las agencias de publicidad pueden generar anuncios de video de nivel cinematográfico con IA sin necesidad de costosas grabaciones en el lugar.
Los bufetes de abogados pueden completar la redacción de documentos legales complejos en minutos en lugar de semanas.
Las empresas de servicios del futuro serán más similares a empresas de software en su modelo de negocio: con márgenes brutos altos como los de las empresas de software, y con una escalabilidad ilimitada.
4. Servicios financieros derivados de monedas estables (Stablecoin Financial Services)
Las stablecoins (monedas estables) están convirtiéndose rápidamente en una infraestructura clave para la financiación global, pero la capa de servicios sobre ellas sigue siendo un desierto. Con la promulgación de leyes como GENIUS y CLARITY, las stablecoins se encuentran en el punto de intersección entre DeFi (finanzas descentralizadas) y TradFi (finanzas tradicionales).
Esta es una ventana enorme de arbitraje regulatorio e innovación.
Actualmente, los usuarios suelen tener que elegir entre "productos financieros tradicionales que son合规 pero ofrecen bajos rendimientos" y "criptomonedas de altos rendimientos pero con altos riesgos". El mercado necesita una forma intermedia: nuevos servicios financieros basados en monedas estables que sean合规 y al mismo tiempo ofrezcan las ventajas de DeFi.
Ya sea a través de cuentas de ahorro con mayores rendimientos, activos del mundo real (RWA) tokenizados o infraestructuras de pagos transfronterizos más eficientes, ahora es el mejor momento para conectar estos dos mundos paralelos.
5. Reestructurar el antiguo sistema industrial: Modern Metal Mills
Cuando la gente habla de "reindustrialización de Estados Unidos", suele enfocarse en los costos del trabajo, ignorando al elefante en la habitación: el diseño del sistema industrial tradicional es extremadamente ineficiente.
Tomando como ejemplo la compra de aluminio o tubos de acero en Estados Unidos, un plazo de entrega de 8 a 30 semanas es lo habitual. Esto no se debe a que los trabajadores sean perezosos, sino a que todo el sistema de gestión de producción fue diseñado hace varias décadas. Estas fábricas antiguas sacrificaron la velocidad y la flexibilidad en pos de "tonelaje" y "tasa de utilización". Además, el alto consumo energético es un gran problema, y las fábricas suelen carecer de soluciones modernas de gestión energética.
La oportunidad de reconstrucción ya está madura.
Gracias al plan de producción impulsado por la IA, a los sistemas MES en tiempo real y a las tecnologías modernas de automatización, podemos comprimir fundamentalmente los ciclos de entrega y aumentar las margenes de beneficio. Esto no se trata simplemente de hacer que las fábricas funcionen más rápido, sino de hacer que la producción metálica local sea más barata, más flexible y más rentable mediante procesos de fabricación definidos por software. Este es un elemento clave para reconstruir la base industrial.
6. Actualización de la gobernanza gubernamental con IA (IA para el gobierno)
La primera ola de empresas de IA ha permitido a empresas y particulares completar formularios con una velocidad asombrosa, pero esta eficiencia se detiene abruptamente al encontrarse con los departamentos gubernamentales. Una gran cantidad de solicitudes digitalizadas terminan en sistemas gubernamentales traseros que aún dependen de la impresión manual y del procesamiento manual.
Los gobiernos necesitan urgentemente herramientas de IA para hacer frente a la avalancha de datos que se avecina. Aunque países como Estonia ya han demostrado el prototipo de un "gobierno digital", esta lógica necesita ser replicada en todo el mundo.
Vender software al gobierno es definitivamente un hueso difícil de roer, pero la recompensa es igualmente丰厚: una vez que obtienes el primer cliente, a menudo significa una alta retención de clientes y un gran potencial de expansión. Esto no es solo una oportunidad comercial, sino también una acción benéfica para mejorar la eficiencia del funcionamiento social.
7. Tutor en tiempo real de IA para trabajos físicos (AI Guidance for Physical Work)
¿Recuerdas la escena de Matrix donde Neo se conecta con los tubos y aprende kung fu instantáneamente? La "inyección de habilidades" en la vida real está llegando, y su soporte no es una interfaz cerebro-máquina, sino una guía en tiempo real con IA.
En lugar de debatir todo el día qué trabajos de oficina serán reemplazados por la IA, deberíamos observar cómo la IA puede empoderar a los trabajos manuales. En campos como servicios en el lugar, manufactura y cuidado de la salud, aunque la IA no puede actuar directamente con sus manos, puede "ver" y "pensar".
Imagina que un trabajador con gafas inteligentes está reparando un equipo, la IA ve la válvula a través de la cámara y le dice directamente al oído: "Cierra esa válvula roja, usa una llave inglesa de 3/8 de pulgada, esa pieza está desgastada y necesita ser reemplazada".
La madurez de los modelos multimodales, la popularización de los dispositivos inteligentes (teléfonos móviles, auriculares, gafas) y la escasez de mano de obra calificada, al combinarse, han generado una gran demanda. Ya sea proporcionando sistemas de formación para empresas existentes o creando una plataforma completamente nueva de "trabajadores azules superiores", aquí hay un gran espacio para la imaginación.
8. Modelos espaciales de gran tamaño (Large Spatial Models) que superan las limitaciones del lenguaje
Los modelos de lenguaje de gran tamaño (LLM) han impulsado la explosión de la IA, pero su sabiduría está limitada al ámbito que puede describir el "lenguaje". Para lograr la inteligencia artificial general (IAG), la IA debe comprender el mundo físico y las relaciones espaciales.
La inteligencia artificial actual sigue siendo torpe al manejar tareas espaciales como geometría, estructuras 3D, rotaciones físicas, etc. Esto limita su capacidad para interactuar con el mundo físico.
Buscamos equipos que puedan construir modelos de razonamiento espacial grandes (Large Spatial Models). Estos modelos no deberían ver la geometría como un accesorio del lenguaje, sino como un principio fundamental. Quien haga que la IA entienda y diseñe verdaderamente estructuras físicas, tendrá la oportunidad de construir el próximo modelo fundamental de nivel OpenAI.
9. Arsenal digital para cazadores de fraude gubernamental (Infra para cazadores de fraude gubernamental)
El gobierno es el comprador más grande del mundo, gastando billones de dólares cada año, y al mismo tiempo sufre pérdidas considerables por fraude. Solo el seguro médico en Estados Unidos pierde cientos de miles de millones de dólares anualmente por pagos indebidos.
La Ley de Denuncias Falsas de Estados Unidos permite que ciudadanos privados demanden a empresas que engañan al gobierno y obtengan una parte de los fondos recuperados. Es uno de los medios más efectivos para combatir el fraude, pero el proceso actual es extremadamente primitivo: un denunciante proporciona información a un bufete de abogados, que pasa varios años organizando documentos de forma manual.
Necesitamos un sistema inteligente diseñado específicamente para esto. No es simplemente un panel de control, sino un detective de IA que pueda analizar automáticamente PDFs caóticos, rastrear estructuras complejas de empresas fantasma y empaquetar pruebas dispersas en documentos presentables en juicio.
Si puedes acelerar por diez veces la recuperación de fraudes, no solo construirás un vasto imperio comercial, sino que también recuperarás miles de millones para los contribuyentes.
10. Hacer que el entrenamiento de los LLM sea sencillo (Make LLMs Easy to Train)
A pesar del entusiasmo por la inteligencia artificial, la experiencia de entrenar modelos grandes sigue siendo terriblemente mala.
Los desarrolladores luchan todos los días contra SDK rotos, pasan horas depurando instancias de GPU que se bloquean apenas se inician, o descubren errores fatales en herramientas de código abierto. No mencionemos ya los infiernos al manejar datos de nivel de terabytes.
Al igual que la era de la computación en la nube dio lugar a Datadog y Snowflake, la era de la IA también necesita urgentemente mejores "herramientas". Necesitamos:
API que abstrae por completo el proceso de entrenamiento.
Una base de datos que puede gestionar fácilmente conjuntos de datos de gran tamaño.
Entorno de desarrollo diseñado especialmente para la investigación en aprendizaje automático.
A medida que la "post-entrenamiento" (Post-training) y la especialización de modelos se vuelven cada vez más importantes, estas infraestructuras se convertirán en la base de la futura desarrollo de software.