Автор:Вирушити в море до інкубатора
Правила гри для стартапів змінилися назавжди.
У новоопублікованому Y Combinator (YC) RFS 2026 ми бачимо чіткий сигнал: AI-натуральне (AI-native) більше не є просто маркетинговим терміном, а стає основною логікою побудови наступного покоління гігантів. Зараз стартапи можуть швидкіше та дешевше викликати ті сфери, які раніше вважалися "непохитними".
На цей раз YC приділяє увагу не лише програмному забезпеченню, але й промисловим системам, фінансовій інфраструктурі та державному управлінню. Якщо минула хвиля ІІ була пов'язана з «генерацією вмісту», то наступна хвиля стосуватиметься «вирішення складних проблем» та «переосмислення фізичного світу».
Ось 10 основних напрямків, якими YC турбується та в які прагне інвестувати.
1. «Cursor» для менеджерів продуктів (Cursor for Product Managers)
У минуле кілька років інструменти, такі як Cursor і Claude Code, змінили спосіб написання коду. Але ця хвиля захистила більш глибоке питання: написання коду — це засіб, а головне — зрозуміти, "що ж насправді потрібно створити".
Наразі процес виявлення продукту все ще перебуває в «кам’яному віці». Ми залежимо від фрагментарних співбесід з користувачами, непорівнянних ринкових зворотних зв’язків і безлічі завдань Jira. Цей процес надзвичайно залежить від людського фактора і повністю розчленований.
Ринку дуже потрібна система, вбудована в штучний інтелект, яка б допомагала менеджерам з продуктами так, як Cursor допомагає програмістам. Уяви інструмент, який можна би завантажити всі записи з клієнтами та дані використання продукту, а потім запитати: «Що ми маємо зробити наступним?»
Він не дасть вам лише нечітку пораду, а виведе повний функціональний опис та обґрунтує прийняття рішень конкретними відгуками клієнта. Крім того, він навіть може безпосередньо генерувати прототип інтерфейсу, налаштовувати модель даних та розбивати конкретні завдання розробки для виконання AI Coding Agent.
З міркувань AI поступово приймають на себе конкретну реалізацію коду, здатність «визначати продукт» стане неймовірно важливою. Нам потрібен суперінструмент, який зможе замикати коло від «виявлення потреб» до «визначення продукту».
2. Наступне покоління AI-ініційованих хедж-фондів (AI-Native Hedge Funds)
У 1980-х роках, коли невелика кількість фондів почала спробувати використовувати комп'ютери для аналізу ринку, Волл-стріт зневажливо посміхалася. Зараз квантовий торгівля — це стандарт. Якщо ви ще не зрозуміли, що ми зараз перебуваємо на подібному переломному моменті, ви можете пропустити наступний Renaissance Technologies або Bridgewater.
Ця хвиля можливостей полягає не в тому, щоб «прикріпити» штучний інтелект до існуючих фондів, а в тому, щоб будувати інвестиційні стратегії, вбудовані в штучний інтелект, з самого початку.
Хоча існуючі квантитативні гіганти мають величезні ресурси, їхні дії в балансі між відповідністю вимогам та інноваціями занадто повільні. Майбутні хедж-фонди будуть здійснюватися групою AI-агентів, які, подібно людським трейдерам, 24 години на добу аналізуватимуть 10-K звіти, слухатимуть телефонні конференції з оприлюдненням звітів, аналізуватимуть документи SEC та виконуватимуть торгівлю, враховуючи погляди аналітиків.
У цій галузі справжній альфа-дохід належатиме новим гравцям, які візьмуться за те, щоб AI глибоко ввійшов у прийняття рішень про інвестиції.
3. Програмна трансформація сервісних компаній (AI-Native Agencies)
Завжди, незалежно від того, чи це дизайн-студії, рекламні агентства чи юридичні фірми, усі агентські моделі стикнулися з однією проблемою: вони важко масштабуються. Тому що вони продають «людський час», мають низький рівень рентабельності, а зростання обов'язково залежить від найму.
ІІ розбиває цей мертвий вузол.
Нове покоління агентів більше не буде торгувати з клієнтами програмними інструментами, а самі використовуватиме інструменти штучного інтелекту, щоб отримувати результати з ефективністю у 100 разів вищою, а потім пропонувати готовий продукт напряму. Це означає:
Компанії-дизайнери можуть використовувати штучний інтелект для створення повного набору індивідуальних рішень до укладення контракту, таким чином зменшуючи конкуренцію з традиційними конкурентами.
Компанії з реклами можуть використовувати штучний інтелект для створення відеореклами фільмового рівня без дорогих знімань на місці.
Юридичні фірми можуть виконувати складні юридичні документи за кілька хвилин, а не за кілька тижнів.
Майбутні компанії-посередники будуть більше схожі на компанії-розробники програмного забезпечення у своїх бізнес-моделях: з високим рівнем рентабельності, притаманним компаніям-розробникам ПЗ, та необмеженою масштабованістю.
4. Фінансові послуги, похідні від стабілізуючих монет (Stablecoin Financial Services)
Стейблкоїни швидко стають ключовою інфраструктурою глобальної фінансової системи, але сервісний шар над ними все ще залишається пустою пустеллю. З поширенням законопроектів, таких як GENIUS і CLARITY, стейблкоїни опиняються на перетині DeFi (децентралізовані фінанси) і TradFi (трансляція фінансів).
Це величезне регуляторне арбітражне та інноваційне вікно.
Наразі користувачі змушені вибирати між «дотриманням вимог регулятора, але з низьким прибутком у традиційних фінансових продуктах» та «вищим прибутком, але з високим ризиком у криптовалютах». Ринку потрібна проміжна форма: нові фінансові послуги, побудовані на основі стабільних монет, які відповідатимуть вимогам регулятора та матимуть переваги DeFi.
Незалежно від того, чи йдеться про зберігаючі рахунки з більш високим доходом, токенізовані активи реального світу (RWA) чи більш ефективну інфраструктуру міжнародних платежів, зараз найкращий час для з'єднання цих двох паралельних світів.
5. Перетворення старої промислової системи: сучасні металургійні верстати (Modern Metal Mills)
Коли люди говорять про «рендустріалізацію Америки», вони часто зосереджуються на витратах на оплату праці, ігноруючи при цьому слона в кімнаті: традиційні промислові системи мають надзвичайно низьку ефективність.
У випадку закупівлі алюмінієвого або сталевого трубного прокату в США, термін поставки від 8 до 30 тижнів — це норма. Це не через те, що робітники лінійні, а тому, що весь виробничий менеджмент був спроектований кілька десятиліть тому. Ці старі заводи жертвують швидкістю та гнучкістю у погоні за «тоннажем» і «використанням». Крім того, висока енергозалежність — це ще одна велика проблема, а на заводах часто відсутні сучасні системи енергетичного менеджменту.
Час перебудови настав.
Використовуючи AI-орієнтоване планування виробництва, реальні системи виконання виробництва (MES) та сучасні автоматизаційні технології, ми можемо суттєво скоротити терміни виконання замовлень та підвищити рентабельність. Це не просто те, щоб зробити заводи швидкішими, але зробити виробництво металу в місцевих умовах дешевшим, більш гнучким і прибутковим за допомогою програмно визначених виробничих процесів. Це ключовий елемент перебудови промислової інфраструктури.
6. Модернізація штучного інтелекту для державного управління (ШІ для уряду)
Перша хвиля компаній з ІІ здатна заповнювати форми для підприємств і окремих осіб швидкістю, що вражає, але ця ефективність припиняється, коли йдеться про урядові установи. Величезна кількість цифрових заяв у кінцевому підсумку потрапляє в урядові системи, які все ще змушені друкувати їх вручну та обробляти вручну.
Державним установам терміново потрібні інструменти штучного інтелекту, щоб впоратися з надходженням надходять величезних обсягів даних. хоча такі країни, як Естонія, вже продемонстрували початкові форми «цифрового уряду», ця логіка має бути впроваджена по всьому світу.
Продажа програмного забезпечення уряду дійсно є непростим завданням, але його винагорода також висока: як тільки ви отримаєте першого клієнта, це зазвичай означає високу відданість клієнта та великий потенціал розширення. Це не лише комерційна можливість, але й громадська дія, яка підвищує ефективність функціонування суспільства.
7. Релевантний AI-ментор для фізичної роботи (AI-орієнтація для фізичної роботи)
Пам’ятаєте сцену з "Матриці", коли Нео вставляє трубки і миттєво навчається бою? Реальний варіант "ін’єкції навичок" уже приходить, а її носієм не буде мозковий інтерфейс, а натомість реальний час AI-інструктаж.
Ніж весь день обговорювати, які офісні роботи може замінити штучний інтелект, краще подивитися, як він підсилює ручну працю. У таких сферах, як обслуговування на місці, виробництво, медичний персонал, штучний інтелект не може безпосередньо «виконувати дії», але він може «бачити» і «думати».
Уявіть, що робітник у джинсах із інтелектуальними окулярами відремонтує обладнання, штучний інтелект через камеру бачить кран і прямо до нього на вухо каже: "Закрийте цей червоний кран, використовуйте ключ на 3/8 дюйма, ця деталь зношена, її потрібно замінити."
Зрілість полімодальних моделей, поширення інтелектуальних пристроїв (мобільні телефони, навушники, окуляри) та нестача кваліфікованої робочої сили створили це велике попит. Незалежно від того, чи це навчальні системи для існуючих компаній, чи створення повністю нового платформи "супер-робітників", тут є великий простір для уяви.
8. Великі просторові моделі (Large Spatial Models), що подолали мовні обмеження
Великі мовні моделі (LLM) сприяли поширенню штучного інтелекту, але їхній розум обмежений тим, що може описувати «мова». Щоб досягти штучного загального інтелекту (AGI), штучному інтелекту необхідно зрозуміти фізичний світ і просторові відношення.
Поточні AI все ще не дуже справляються з просторовими завданнями, такими як геометрія, 3D-структури, фізичні обертання. Це обмежує їхню здатність взаємодіяти з фізичним світом.
Ми шукаємо команду, здатну побудувати великі просторові моделі (Large Spatial Models). Такі моделі не повинні розглядати геометрію як приналежність мови, а як першопричину. Хто зможе навчити AI справжньо розуміти та проектувати фізичні структури, той матиме шанс створити наступну фундаментальну модель рівня OpenAI.
9. Цифрове зброярня для полювання на шахраїв (Інфраструктура для поліцейських, що полюють на шахраїв)
Уряд є найбільшим покупцем у світі, витрачаючи трильйони доларів щорічно, і водночас страждає від значних втрат через зловмисність. Лише система охорони здоров'я США щорічно втрачає сотні мільярдів доларів через неправильні платежі.
Федеральний закон США про хибні позови дозволяє приватним громадянам позивати компанії від імені уряду та отримувати частину повернених коштів. Це один із найефективніших засобів боротьби з хибністю, але поточний процес надзвичайно примітивний: повідомлення про порушення надсилаються адвокатським фірмам, які витрачають роки на вручну обробку документів.
Нам потрібна спеціально розроблена інтелектуальна система. Це не просто панель приладів, а штучний інтелект-детектив, який автоматично аналізує хаотичні PDF-файли, відстежує складні структури фіктивних компаній і збирає розсіяне докази в судові документи.
Якщо ви зможете збільшити швидкість повернення злочинних коштів у 10 разів, ви не тільки створите грандіозну комерційну імперію, а й повернете мільярди назад у податкову систему.
10. Зробити навчання LLM простим (Make LLMs Easy to Train)
Незважаючи на гарячку з AI, досвід навчання великих моделей все ще вражаюче поганий.
Розробники щодня борються з руйнованими SDK, витрачаючи години на налагодження екземплярів GPU, які крашаться при запуску, або виявляють фатальні помилки в відкритих інструментах. Не кажучи вже про кошмари при роботі з даними в терабайтах.
Як у віці хмарних обчислень народилися Datadog і Snowflake, так і в епоху ІІ нам потрібні кращі "лопати". Нам потрібно:
АПІ, що абстрактно описує процес тренування.
База даних, яка з легкістю обробляє надвеликі набори даних.
Розроблене середовище для машинного навчання.
З урахуванням того, що «посттренінг» (Post-training) і спеціалізація моделей стають все більш важливими, ці інфраструктури стануть основою для майбутнього розробки програмного забезпечення.