著者：出海去孵化器
起業のゲームルールはすでに根本的に変わっています。
Y Combinator（YC）の最新の2026年春の「スタートアップ願望リスト」（RFS）では、明確なシグナルが見て取れます：AIネイティブ（AI-native）はもはや単なるマーケティング用語ではなく、次世代の巨大企業を構築するための基本的な論理になっています。今のスタートアップは、かつて「不動の」と考えられていた分野に対しても、より速く、より低コストで挑戦できるようになっています。
今回は、YCはソフトウェアだけにとどまらず、産業システム、金融の基盤アーキテクチャ、そして政府のガバナンスにも目を向けています。もし前回のAIブームが「コンテンツ生成」に関するものであったなら、次の波は「複雑な問題の解決」や「物理世界の再構築」に向かうでしょう。
以下は、YCが注目し、投資を熱望している10の主要なコアトラックです。
過去数年で、CursorやClaude Codeのようなツールはコードの書き方を根本から変えました。しかし、この繁栄の裏には、より根本的な問題があります。コードを書くことはあくまで手段であり、「何を作るか」を見極めることこそが本質です。
現在、プロダクト発見のプロセスは未だに「石器時代」のままです。断片的なユーザーインタビュー、定量化が難しい市場のフィードバック、そして無数のJiraチケットに頼っています。このプロセスは非常に人手に依存しており、多くの断絶や非効率があります。
市場は、CursorのようなAIネイティブシステムによる、プロダクトマネージャー支援の必要性を切実に感じています。たとえば、あなたがすべての顧客インタビューの録音や製品使用データをアップロードし、「次に何をすべきか？」と問いかけるとします。
それは単なる曖昧な提案をするのではなく、詳細な機能のアウトラインを出力し、具体的な顧客フィードバックをもとにその決定の妥当性を論証します。さらに進めて、UIのプロトタイプを直接生成したり、データモデルを調整したり、具体的な開発タスクに分解してAIコーディングエージェントに実行させることも可能です。
AIが具体的なコード実装を担う時代において、「製品を定義する」能力はこれまで以上に重要になります。私たちは、「ニーズ発見」から「製品定義」までの閉ループをつなぐスーパーなツールを必要としています。
1980年代、少数のファンドがコンピュータを使った市場分析を試み始めたとき、ウォール街はこれを嘲笑しました。今や、量的取引は標準となっています。もしあなたが今も、私たちが同じような転換点にいることに気づいていなければ、次のルネサンス・テクノロジーズやブリッジウォーターを見逃すことになるかもしれません。
この波は、既存のファンド戦略にAIを「付け足す」ことではなく、ゼロからAIネイティブの投資戦略を構築することにあります。
既存の量的ヘッジファンドは巨大なリソースを持っていますが、規制やイノベーションの競争の中では動きが遅すぎます。未来のヘッジファンドは、多数のAIエージェント（Agents）によって動かされるでしょう。これらは人間のトレーダーのように、24時間休まずに10-K報告書を精査し、決算電話会議を監視し、SECの書類を分析し、アナリストの意見を総合して取引を行います。
この分野では、AIに投資判断を深く委ねる新規参入者こそが、真のアルファ（超過収益）を獲得できるでしょう。
長年、デザイン会社や広告代理店、法律事務所などのエージェンシーは、スケールの壁に直面してきました。彼らが売るのは「人件時間」であり、利益率は低く、成長は採用に依存しています。
しかし、AIはこの壁を打ち破りつつあります。
次世代のエージェンシーは、クライアントにソフトウェアツールを売るのではなく、自らAIツールを使って、従来の100倍の効率で結果を出し、最終的な成果物を直接販売します。具体的には、
未来のサービス企業は、ビジネスモデルもソフトウェア企業に近づき、高い利益率と無限の拡張性を持つことになるでしょう。
ステーブルコインは、急速に世界の金融インフラの重要な一角となりつつありますが、その上にあるサービス層は未だ未開拓の荒野です。GENIUSやCLARITYのような法案の進展とともに、ステーブルコインはDeFi（分散型金融）とTradFi（伝統的金融）の交差点に位置しています。
これは巨大な規制のアービトラージとイノベーションのチャンスです。
現状、多くのユーザーは「規制に準拠しつつ利回りの低い従来型金融商品」と「高利回りだがリスクの高い暗号資産」の間で選択を迫られています。市場には、その中間を埋める新しい金融サービスが必要です。すなわち、ステーブルコインを基盤とし、規制に準拠しつつDeFiの利点も享受できる新しい金融モデルです。
より高い利回りの貯蓄口座、トークン化された現実資産（RWA）、あるいはより効率的な国境越え決済インフラなど、これらの並行する世界をつなぐ絶好のタイミングです。
「アメリカの再工業化」と言うとき、多くの人は労働コストに目を奪われがちですが、実はもう一つの巨大な問題があります。それは、従来の産業システムの設計が非常に非効率的であることです。
例えば、アメリカのアルミニウムや鋼管の調達では、8週間から30週間のリードタイムが普通です。これは、労働者の怠慢や怠惰のせいではなく、数十年前に設計された古い生産管理システムのせいです。これらの工場は、「トン数」や「稼働率」を追求するあまり、速度や柔軟性を犠牲にしています。さらに、高エネルギー消費も大きな課題です。多くの工場は最新のエネルギー管理システムを導入していません。
このリファクタリングの機会は絶好のタイミングです。
AIを活用した生産計画、リアルタイムの製造実行システム（MES）、最新の自動化技術を導入することで、リードタイムを大幅に短縮し、利益率を向上させることが可能です。これは単に工場の速度を上げるだけでなく、ソフトウェア定義の製造プロセスを通じて、国内の金属生産をより安価で柔軟に、かつ収益性の高いものに変えることを目指すものです。これが産業基盤の再構築の鍵となります。
最初のAI企業の波では、企業や個人が驚くほど速くフォームを記入できるようになりましたが、その効率性は政府部門に入ると一気に失われました。多くのデジタル申請は、最終的に紙に印刷され、手作業で処理される政府のバックエンドに流れ込みます。
政府は、これから到来するデータの洪水に対応するために、AIツールを緊急に必要としています。エストニアのような国々はすでに「デジタル政府」の原型を示していますが、そのロジックは世界中に展開される必要があります。
政府にソフトウェアを販売するのは難しい課題ですが、そのリターンも非常に大きいです。最初の顧客を獲得すれば、非常に高い顧客の粘着性と、巨大な拡張性を持つことになります。これは単なるビジネスチャンスだけでなく、社会の運営効率を向上させる公益的な取り組みでもあります。
『マトリックス』のネオがチューブを差し込むと瞬時にカンフーを覚えるシーンを覚えていますか？ 現実世界の「スキル注入」がいよいよ到来し、その媒介は脳とコンピュータのインターフェースではなく、リアルタイムのAIガイダンスです。
AIがホワイトカラーの仕事を奪う議論はさておき、ブルーカラーの仕事をどう強化できるかに目を向けましょう。現場サービス、製造、医療などの分野では、AIは直接「動作」できませんが、「見て」「考える」ことは可能です。
例えば、スマートグラスを装着した作業員が機器を修理しているとします。AIはカメラ越しにバルブを認識し、「その赤いバルブを閉めてください。3/8インチのレンチを使ってください。その部品は摩耗しているので交換が必要です」と耳元で指示します。
マルチモーダルモデルの成熟、スマートハードウェア（スマホ、ヘッドホン、メガネ）の普及、熟練労働者の不足がこの巨大な需要を生み出しています。既存の研修システムの提供や、新たな「スーパーブルーカラー」労働力プラットフォームの構築など、想像の余地は非常に大きいです。
大規模言語モデル（LLM）はAIの爆発的普及を促進しましたが、その知能は「言語」で表現できる範囲に限定されています。汎用人工知能（AGI）を実現するには、AIは物理世界と空間的関係を理解する必要があります。
現状のAIは、ジオメトリや3D構造、物理的な回転などの空間的タスクの処理において、未だに不器用です。これにより、物理的な世界とのインタラクション能力が制限されています。
私たちは、大規模な空間推論モデル（Large Spatial Models）を構築できるチームを探しています。この種のモデルは、言語の付属品ではなく、第一原理として考えるべきです。AIに物理的構造を理解させ、設計できる者こそが、次のOpenAIレベルの基盤モデルを築くチャンスを持つのです。
政府は世界最大の買い手であり、毎年数兆ドルを支出していますが、その一方で詐欺による損失も甚大です。アメリカだけでも、医療保険の不正支払いだけで毎年数百億ドルの損失があります。
アメリカの虚偽請求法（False Claims Act）は、民間人が政府を代表して詐欺企業を訴え、回収した資金の一部を得る仕組みです。これは詐欺対策の最も効果的な手段の一つですが、現状のプロセスは非常に原始的です。告発者は弁護士事務所に情報を提供し、事務所は何年もかけて手作業で書類を整理しています。
これを自動化・高度化するためのAIシステムが必要です。単なるダッシュボードではなく、膨大なPDFを自動解析し、複雑なシェルカンパニーの構造を追跡し、散在する証拠をまとめて訴訟に使える書類に仕上げるAI探偵です。
もしこれにより詐欺の回収速度を10倍にできれば、巨大なビジネス帝国を築くだけでなく、税金を払う市民のために数十億ドルの損失を取り戻すことも可能です。
AIブームにもかかわらず、大規模モデルのトレーニング体験は依然としてひどいものです。
開発者は、壊れたSDKと格闘し、起動直後にクラッシュするGPUインスタンスを何時間もデバッグし、オープンソースツールの致命的なバグに悩まされ、テラバイト級のデータ処理の悪夢に直面しています。
クラウド時代にDatadogやSnowflakeが登場したように、AI時代にもより良い「シャベル」が必要です。私たちが求めるのは、
これらのインフラは、「ポストトレーニング」やモデルの専門化がますます重要になる未来のソフトウェア開発の基盤となるでしょう。
