Автор:Выход в океан для инкубатора
Правила игры в предпринимательстве полностью изменились.
В только что опубликованном Y Combinator (YC) «Запросе на стартапы» (RFS) весны 2026 года мы видим четкий сигнал: AI-ориентированность (AI-native) больше не является просто маркетинговым термином, а стала основной логикой создания следующего поколения гигантов. Современные стартапы могут быстрее и дешевле бросать вызов тем сферам, которые когда-то считались «непоколебимыми».
На этот раз YC уделяет внимание не только программному обеспечению, но и промышленным системам, финансовой инфраструктуре и государственному управлению. Если предыдущая волна ИИ касалась «создания контента», то следующая волна будет связана с «решением сложных проблем» и «переосмыслением физического мира».
Вот 10 ключевых направлений, которые YC тщательно отслеживает и в которые стремится инвестировать.
1. «Cursor» для менеджеров по продуктам (Cursor for Product Managers)
В последние годы инструменты вроде Cursor и Claude Code полностью изменили способ написания кода. Но этот бум скрывает более фундаментальный вопрос: написание кода — это всего лишь средство, а суть в том, чтобы понять, «что именно нужно создать».
В настоящее время процесс открытия продуктов все еще находится в «кремниевом веке». Мы опираемся на фрагментированные интервью с пользователями, трудно измеримую рыночную обратную связь и бесчисленное количество задач Jira. Этот процесс чрезвычайно зависит от ручного труда и полон разрывов.
Рынку срочно нужна система, встроенная в ИИ, которая поможет менеджерам по продуктам так же, как Cursor помогает программистам. Представьте себе такой инструмент: вы загружаете все записи интервью с клиентами и данные использования продукта, а затем спрашиваете его: «Что нам делать дальше?»
Вместо того, чтобы просто дать расплывчатое предложение, он выдаст полный функциональный план и обоснует обоснованность решений с помощью конкретных отзывов клиентов. Более того, он может даже напрямую генерировать прототипы пользовательского интерфейса, корректировать модель данных и разбивать на конкретные задачи разработки, передавая их на выполнение AI Coding Agent.
По мере того, как ИИ постепенно берет на себя конкретную реализацию кода, способность «определять продукт» станет более важной, чем раньше. Нам нужен суперинструмент, который может создать замкнутый цикл от «выявления потребностей» до «определения продукта».
2. Следующее поколение хедж-фондов, нативных для искусственного интеллекта (AI-Native Hedge Funds)
В 1980-х годах, когда небольшие фонды начали использовать компьютеры для анализа рынка, Волл-стрит смеялась над этим. Сегодня количественная торговля стала стандартом. Если вы еще не осознали, что мы сейчас находимся на подобной точке поворота, вы можете упустить следующую компанию Renaissance Technologies или Bridgewater.
Эта волна возможностей не заключается в том, чтобы «прикрепить» ИИ к существующим фондам, а в том, чтобы строить инвестиционные стратегии, врожденно ориентированные на ИИ, с нуля.
Несмотря на то, что существующие количественные гиганты обладают огромными ресурсами, их действия слишком медленны в борьбе между соблюдением норм и инновациями. Будущие хедж-фонды будут приводиться в движение множеством агентов ИИ, которые могут работать 24 часа подряд, как человеческие трейдеры, просматривая отчеты 10-K, прослушивая телефонные конференции по отчетности, анализируя документы SEC и одновременно учитывая мнения аналитиков для совершения сделок.
В этой области реальные альфа-доходы достанутся новым игрокам, готовым позволить ИИ глубоко управлять инвестиционными решениями.
3. Цифровизация сервисных компаний (AI-Native Agencies)
Всегда, будь то дизайн-студии, рекламные агентства или юридические фирмы, все агентские модели сталкиваются с одной неразрешимой проблемой: сложность масштабирования. Потому что они продают «человеческое время», имеют низкую рентабельность и их рост должен зависеть от найма.
ИИ разрывает этот тупик.
Новые поколения агентов больше не будут продавать клиентам программные инструменты, вместо этого они сами будут использовать инструменты ИИ, чтобы производить результаты с эффективностью в 100 раз выше, а затем напрямую продавать готовые продукты. Это означает:
Компании по дизайну могут использовать ИИ для создания полного комплекта индивидуальных решений до подписания контракта, что снижает конкуренцию традиционных конкурентов.
Компаниям по рекламе не нужно дорогостоящее съемочное оборудование, чтобы создавать видео для рекламы уровня кино с помощью ИИ.
Юридические фирмы могут подготовить сложные юридические документы за несколько минут, а не за несколько недель.
Будущие сервисные компании будут похожи на компании по производству программного обеспечения в своих бизнес-моделях: они будут иметь высокую рентабельность, как у компаний по производству программного обеспечения, и неограниченную масштабируемость.
4. Финансовые услуги, связанные с стейблкоинами (Stablecoin Financial Services)
Стейблкоины быстро становятся ключевой инфраструктурой глобального финансового сектора, но сервисный слой над ними все еще представляет собой пустыню. По мере продвижения законов вроде GENIUS и CLARITY, стейблкоины оказываются на перекрестье DeFi (децентрализованных финансов) и TradFi (традиционных финансов).
Это огромное регуляторное арбитражное и инновационное окно.
В настоящее время пользователи сталкиваются с выбором между «традиционными финансовыми продуктами, соответствующими нормативным требованиям, но с низкой доходностью» и «криптовалютами с высокой доходностью, но высоким риском». Рынку нужна промежуточная форма: новое финансовое обслуживание, построенное на основе стейблкоинов, которое соответствует нормативным требованиям и обладает преимуществами DeFi.
Независимо от того, идет ли речь о депозитных счетах с более высокой доходностью, токенизированных реальных активах (RWA) или более эффективной инфраструктуре для международных платежей, сейчас настало самое подходящее время для объединения этих двух параллельных миров.
5. Перестройка старой промышленной системы: Современные металлургические заводы (Modern Metal Mills)
Когда люди говорят о «вторичной индустриализации Америки», они часто фокусируются на стоимости рабочей силы, игнорируя при этом слона в комнате: традиционные промышленные системы имеют чрезвычайно низкую эффективность.
В качестве примера можно привести закупку алюминиевых или стальных труб в США, где срок поставки в 8–30 недель – это норма. Это не потому, что рабочие ленивы, а потому, что вся система управления производством была разработана несколько десятилетий назад. Эти старые фабрики жертвовали скоростью и гибкостью ради «тоннажа» и «использования мощностей». Кроме того, высокое энергопотребление – это серьезная проблема, а фабрики часто не имеют современных систем управления энергопотреблением.
Время перестроить возможности уже настало.
С помощью планов производства, управляемых ИИ, MES в реальном времени и современных автоматизированных технологий, мы можем кардинально сократить цикл поставок и повысить рентабельность. Это не просто ускорение работы завода, а снижение стоимости, повышение гибкости и увеличение прибыли от местного производства металлов за счет программно определенных производственных процессов. Это ключевой элемент восстановления промышленной базы.
6. Модернизация искусственного интеллекта для государственного управления (ИИ для правительства)
Первая волна компаний по искусственному интеллекту позволила предприятиям и частным лицам заполнять формы с поразительной скоростью, но эта эффективность резко останавливается, сталкиваясь с государственными органами. Множественные цифровые заявки в конечном итоге направляются в государственные задние офисы, где все еще необходимо печатать вручную и обрабатывать вручную.
Правительственные органы срочно нуждаются в инструментах ИИ, чтобы справиться с надвигающимся потоком данных. Хотя страны вроде Эстонии уже продемонстрировали зачатки «цифрового правительства», эту логику нужно воспроизвести по всему миру.
Продажа программного обеспечения правительству действительно представляет собой непростую задачу, но и вознаграждение за это соответствующее: как только вы завоевываете первого клиента, это обычно означает очень высокую лояльность клиентов и огромный потенциал расширения. Это не только коммерческая возможность, но и благотворительный поступок, повышающий эффективность функционирования общества.
7. Реальный AI-наставник для физической работы
Помните сцену из "Матрицы", когда Нео вставляет трубку и мгновенно учится карате? Реальный "внедрение навыков" вот-вот начнется, носителем не будет мозг-интерфейс, а будет реальное время AI-руководство.
Вместо того чтобы весь день обсуждать, какие офисные должности заменит ИИ, лучше взглянуть, как он может усилить рабочих. В таких сферах, как полевые услуги, производство, уход за больными, ИИ не может напрямую «действовать», но он может «видеть» и «думать».
Представьте себе рабочего в интеллектуальных очках, который ремонтирует оборудование, ИИ через камеру видит клапан и прямо ему на ухо говорит: «Закройте этот красный клапан, используйте ключ на 3/8 дюйма, эта деталь изношена и требует замены».
Созревание многофункциональных моделей, распространение умных устройств (смартфоны, наушники, очки) и нехватка квалифицированной рабочей силы вместе создали этот огромный спрос. Независимо от того, создается ли система обучения для существующих предприятий или разрабатывается совершенно новая платформа рабочей силы "супер-синие воротнички", здесь есть огромное пространство для воображения.
8. Пространственные модели (Large Spatial Models), преодолевающие языковые ограничения
Большие языковые модели (LLM) стимулировали взрывной рост ИИ, но их мудрость ограничена тем, что может быть описано «языком». Чтобы достичь искусственного общего интеллекта (AGI), ИИ должен понимать физический мир и пространственные отношения.
Современные ИИ по-прежнему неуклюжи при выполнении пространственных задач, таких как обработка геометрии, 3D-структур, физических вращений. Это ограничивает их способность взаимодействовать с физическим миром.
Мы ищем команду, способную создать крупномасштабные пространственные модели (Large Spatial Models). Такие модели не должны рассматривать геометрию как приложение к языку, а как первую принципиальную вещь. Кто сможет заставить ИИ действительно понимать и проектировать физические структуры, тот получит возможность создать следующую модель-кирпич, уровень OpenAI.
9. Цифровой арсенал охотников за мошенниками (инфраструктура для охотников за мошенниками в правительстве)
Правительство является крупнейшим покупателем в мире, тратя триллионы долларов в год, и при этом страдает от значительных потерь из-за мошенничества. Только в США система здравоохранения теряет сотни миллиардов долларов ежегодно из-за неправомерных выплат.
Закон США о ложных заявлениях позволяет частным гражданам подавать в суд на мошеннические компании от имени правительства и получать долю из возвращенных средств. Это один из самых эффективных способов борьбы с мошенничеством, но текущий процесс крайне примитивен: информатор предоставляет адвокатскому бюро информацию, а бюро тратит годы на ручную обработку документов.
Нам нужны специально разработанные интеллектуальные системы. Это не просто панель приборов, а искусственный интеллект-детектив, который автоматически анализирует хаотичные PDF-файлы, отслеживает сложные схемы фирм-однодневок и упаковывает разрозненные доказательства в судебные документы.
Если вы сможете ускорить возврат мошеннических средств в 10 раз, вы не только создадите гигантскую коммерческую империю, но и вернете налогоплательщикам миллиарды.
10. Сделать обучение LLM простым (Make LLMs Easy to Train)
Несмотря на то, что ИИ разогнался, опыт обучения больших моделей всё ещё ужасающе плох.
Разработчики ежедневно борются с неработающими SDK, тратя часы на отладку экземпляров GPU, которые только что запустились и уже упали, или находят критические ошибки в открытом программном обеспечении. Не говоря уже о кошмарах при работе с данными в терабайтах.
Как облачные вычисления породили Datadog и Snowflake, эпоха искусственного интеллекта также требует лучших «лопат». Нам нужны:
API, полностью абстрагирующее процесс тренировки.
База данных, которая может легко управлять сверхмасштабными наборами данных.
Среда разработки, специально разработанная для исследований в области машинного обучения.
По мере того, как пост-обучение (Post-training) и специализация моделей становятся все более важными, эти инфраструктуры станут основой для будущего программного обеспечения.