Автор: Отправиться в море к инкубатору
Правила игры в предпринимательстве были полностью изменены.
В последнем весеннем «Стартап-листе желаний» (RFS) от Y Combinator (YC) 2026 года мы видим чёткий сигнал: «нативный для ИИ» — это уже не просто маркетинговый термин, а основная логика построения следующего поколения гигантов. Современные стартапы могут бросать вызов тем, которые раньше считались «непоколебимыми», быстрее и с меньшими затратами.
На этот раз YC сосредоточился не только на программном обеспечении, но и на промышленных системах, финансовых архитектурах и государственном управлении. Если последняя волна ИИ была посвящена «генеративному контенту», то следующая волна будет посвящена «решению сложных проблем» и «переустройству физического мира».
Вот топ-10 основных треков, за которыми YC внимательно следит и в которые с энтузиазмом хочет инвестировать.
1. Курсор для менеджеров продукта
За последние несколько лет такие инструменты, как Cursor и Claude Code, произвели революцию в написании кода. Но этот бум скрывает более фундаментальную проблему: написание кода — это просто средство, а решение о том, что строить, — это суть.
В настоящее время процесс открытия продуктов всё ещё находится в «каменном веке». Мы полагаемся на фрагментированные интервью с пользователями, труднооценимую отзыв с рынка и бесчисленные заявки на Jira. Этот процесс крайне ручной и полон неисправностей.
Существует острая потребность в системе, нативной на базе искусственного интеллекта, которая могла бы помогать менеджерам продукта так же, как это делают ассистенты курсора. Представьте себе инструмент, в который вы загружаете все записи интервью с клиентами и данные об использовании продукта и спрашиваете: «Что делать дальше?» ”
Вместо того чтобы дать вам расплывчатое предложение, он выводит полный план функций и обосновывает решение конкретной обратной связью клиентов. Кроме того, он может напрямую генерировать прототипы интерфейса, корректировать модели данных и разбирать конкретные задачи разработки для выполнения AI-Coding Agents.
По мере того как ИИ возьмёт на себя конкретные реализации кода, возможность «определить продукт» станет важнее, чем когда-либо. Нам нужен суперинструмент, который сможет открыть замкнутый круг от «обнаружения требований» до «определения продукта».
2. Хедж-фонды, основанные на искусственном интеллекте
В 80-х, когда несколько фондов начали экспериментировать с компьютерным рыночным анализом, Уолл-стрит насмехался над этим. Сегодня количественная торговля стала стандартом. Если вы ещё не понимаете, что мы сейчас находимся на похожем поворотном этапе, возможно, вы упускаете следующий Renaissance Technologies или Bridgewater.
Эта волна возможностей заключается не в «включении» ИИ в существующие стратегии фонда, а в создании инвестиционных стратегий, основанных на ИИ, с нуля.
Хотя существующие количественные гиганты обладают огромными ресурсами, они слишком медлительны в области комплаенса и инноваций. Хедж-фонды будущего будут поддерживаться роями агентов ИИ, которые действуют как человеческие трейдеры круглосуточно, просматривая отчеты о прибылях 10-тысячных долларов, отслеживая сообщения о прибыли, анализируя отчеты SEC и синтезируя перспективы аналитиков для торговли.
В этой сфере реальные альфа-приросты принадлежат новым игрокам, которые осмелятся позволить ИИ глубоко взять на себя инвестиционные решения.
3. Трансформация программного обеспечения компаний, основанных на сервисах (агентства, основанные на искусственном интеллекте)
Долгое время все агентские модели, будь то дизайнерские фирмы, рекламные агентства или юридические фирмы, столкнулись с тупиком: их сложно масштабировать. Поскольку они продают «численность персонала», низкая прибыль и рост вынуждены зависеть от найма.
ИИ разрывает узел.
Вместо того чтобы продавать программные инструменты клиентам, следующее поколение агентов будет использовать сами инструменты ИИ, чтобы добиваться результатов в 100 раз эффективнее, а затем продавать конечный продукт напрямую. Это означает:
- Проектные компании могут использовать ИИ для создания полного набора индивидуальных решений до подписания контракта на уменьшение размерности и атаку на традиционных конкурентов.
- Рекламные агентства могут создавать кинематографическую видеорекламу с помощью ИИ без дорогостоящих съёмок на площадке.
- Юридические фирмы могут завершить составление сложных юридических документов за считанные минуты, а не за недели.
Сервисная компания будущего будет больше похожа на софтверную по бизнес-модели: с высокой валовой маржей и неограниченной масштабируемостью.
4. Финансовые услуги стейблкоинов
Стейблкоины быстро становятся критически важной инфраструктурой глобальных финансов, но сервисный слой поверх них всё ещё остаётся пустошью. С развитием таких законопроектов, как GENIUS и CLARITY, стейблкоины находятся на пересечении DeFi (децентрализованных финансов) и TradFi (традиционных финансов).
Это огромное окно для регуляторного арбитража и инноваций.
В настоящее время пользователям часто приходится выбирать между «соответствующими, но низкодоходными традиционными финансовыми продуктами» и «высокодоходными, но высокорисковыми криптовалютами». Рынку нужна промежуточная форма: новые финансовые услуги, построенные на стейблкоинах, которые одновременно соответствуют требованиям и имеют преимущества DeFi.
Будь то сберегательные счета с более высокой доходностью, токенизированные реальные активы (RWA) или более эффективная трансграничная платежная инфраструктура — никогда не было лучшего времени, чтобы соединить эти два параллельных мира.
5. Переосмысление старой промышленной системы: современные металлургические мельницы
Когда люди говорят о «американской реиндустриализации», они часто сосредотачиваются на затратах на труд и игнорируют слон в комнате: традиционный промышленный дизайн систем крайне неэффективен.
Например, при покупке алюминиевых или стальных труб в Соединённых Штатах обычно составляет сроки выполнения от 8 до 30 недель. Это не потому, что работники ленивы, а потому, что вся система управления производством была разработана десятилетия назад. Эти старые заводы жертвовали скоростью и гибкостью ради «тоннажа» и «утилизации». Кроме того, высокое энергопотребление является серьёзной проблемой, а заводы часто не имеют современных решений для управления энергией.
Возможность для рефакторинга уже созрела.
С помощью планирования производства на базе ИИ, систем исполнения производства в реальном времени (MES) и современных автоматизационных технологий мы можем радикально сократить сроки выполнения и увеличить маржу прибыли. Речь не только о том, чтобы заводы работали быстрее, но и о том, чтобы сделать отечественное производство металлов дешевле, гибче и прибыльнее с помощью программно-определяемых производственных процессов. Это ключевой элемент восстановления промышленной базы.
6. ИИ для правительства
Первая волна компаний, работающих с ИИ, заставила компании и частные лица заполнять формы удивительно быстро, но эта эффективность резко исчезла, когда пришло время для государственных ведомств. Большое количество цифровых приложений наконец-то импортируется в государственный фон, которые всё ещё предстоит вручную печатать и обрабатывать.
Государственные ведомства срочно нуждаются в инструментах ИИ для борьбы с предстоящим потоком данных. Хотя такие страны, как Эстония, показали прототипы «цифрового правительства», эту логику необходимо воспроизвести по всему миру.
Продажа программного обеспечения государству действительно непростая задача, но не менее вознаграждающая: как только вы завоеваете первого клиента, это часто означает очень высокую «привязанность» и огромный потенциал для расширения. Это не только бизнес-возможность, но и шаг в области общественного благополучия, направленный на повышение эффективности социальной деятельности.
7. Руководство по искусственному интеллекту для физической работы
Помните сцену в «Матрице», где Нео подключает трубку и сразу же изучает кунг-фу? Реальная версия «внедрения навыков» скоро появится, и носитель — это не интерфейс мозг-компьютер, а руководство ИИ в реальном времени.
Вместо того чтобы тратить дни на обсуждения, какие беловоротничковые должности ИИ заменит, давайте посмотрим, как он поможет рабочим местам. В таких сферах, как полевые услуги, производство и здравоохранение, ИИ не может напрямую «делать», но может «видеть» и «думать».
Представьте себе работника в умных очках, ремонтирующего оборудование, и ИИ видит клапан через камеру и говорит ему прямо на ухо: «Выключите этот красный клапан, используйте ключ 3/8 дюйма, эта деталь изношена и требует замены.» ”
Зрелость мультимодальных моделей, популярность умного оборудования (мобильные телефоны, наушники, очки) и нехватка квалифицированных рабочих способствовали этому огромному спросу. Будь то предоставление системы обучения для существующих компаний или создание новой платформы для «суперсиних воротничков» — здесь есть огромное пространство для воображения.
8. Большие пространственные модели, преодолевающие ограничения языка
Крупные языковые модели (LLM) способствовали взрывному росту ИИ, но их интеллект ограничен тем, что может описать «язык». Для достижения искусственного общего интеллекта (ИИ) ИИ должен понимать физический мир и пространственные связи.
Современный ИИ по-прежнему неуклюже справляется с пространственными задачами, такими как геометрия, 3D-структуры и физическое вращение. Это ограничивает их способность взаимодействовать с физическим миром.
Мы искали команду, способную создавать большие пространственные модели. Такие модели не следует рассматривать как дополнение к языку, а как первостепенный принцип. Тот, кто сможет заставить ИИ действительно понять и спроектировать физические конструкции, получит возможность создать следующую краеугольную модель уровня OpenAI.
9. Инфраструктура для охотников на мошенничество в правительстве
Правительства — крупнейшие покупатели в мире, тратят триллионы долларов ежегодно и теряют много денег из-за мошенничества. Только в Соединённых Штатах Medicare теряет десятки миллиардов долларов ежегодно из-за неправильных платежей.
Закон о ложных заявлениях в США позволяет частным лицам подавать в суд на мошеннические компании от имени правительства и получать часть возвращённых средств. Это один из самых эффективных способов борьбы с мошенничеством, но текущий процесс крайне примитивен: информаторы предоставляют информацию юридическим фирмам, которые годами вручную сортируют документы.
Нам нужны интеллектуальные системы, специально разработанные для этого. Это не просто дашборд, а искусственный интеллект-детектив, который автоматически анализирует хаотичные PDF-файлы, отслеживает сложные структуры подставных компаний и упаковывает разбросанные доказательства в документы, пригодные к действию.
Если ускорить восстановление мошенничества в 10 раз, вы сможете не только построить огромную бизнес-империю, но и вернуть налогоплательщикам миллиарды долларов.
10. Сделайте LLM простыми для обучения
Несмотря на напряжённость ИИ, опыт обучения крупных моделей всё ещё возмутительно плох.
Разработчики ежедневно сталкиваются с проблемами с сломанными SDK, проводя часы на отладку инстанций GPU, которые вылетают сразу после запуска, или находят фатальные баги в инструментах с открытым исходным кодом. Не говоря уже о кошмаре при работе с терабайтами данных.
Точно так же, как эпоха облаков породила Datadog и Snowflake, эра ИИ срочно нуждается в лучшей «лопате». Нам нужно:
- API, который полностью абстрагирует процесс обучения.
- Простое управление базами данных для гипермасштабных наборов данных.
- Среда разработки, предназначенная для исследований машинного обучения.
По мере того как «посттренинг» и специализация модели становятся всё более важными, эти инфраструктуры станут краеугольным камнем будущей разработки программного обеспечения.
