Автор: 出海去孵化器
Правила гри для стартапів вже кардинально змінилися.
У найновішому випуску Y Combinator (YC) весна 2026 року «Список бажань для підприємців» (RFS) ми побачили чіткий сигнал: AI-натив (AI-native) більше не є просто маркетинговим терміном, а стає базовою логікою побудови наступного покоління гігантів. Зараз стартапи можуть швидше і з меншими затратами кидати виклик тим сферам, які раніше вважалися «незламними».
Цього разу YC зосереджує увагу не лише на програмному забезпеченні, а й на промислових системах, базовій фінансовій архітектурі та урядовому управлінні. Якщо попередня хвиля AI була про «генерацію контенту», то наступна хвиля буде про «вирішення складних задач» і «переформатування фізичного світу».
Нижче наведено 10 ключових напрямків, за якими YC активно стежить і прагне інвестувати.
1. “Cursor” для менеджерів продуктів (Cursor for Product Managers)
За останні кілька років інструменти як Cursor і Claude Code кардинально змінили спосіб написання коду. Але ця розквіт приховує більш фундаментальну проблему: написання коду — це лише засіб, а зрозуміти, «що саме потрібно створити» — ось справжня суть.
Зараз процес виявлення продукту все ще перебуває у «кам’яному віці». Ми залежимо від фрагментарних інтерв’ю з користувачами, важко піддаваних кількісній оцінці відгуків ринку та безлічі Jira-завдань. Цей процес надзвичайно залежний від людського фактора і має прогалини.
Ринок гостро потребує AI-нативної системи, яка могла б, як Cursor допомагає програмістам, підтримувати менеджерів продуктів. Уявіть собі інструмент: ви завантажуєте всі записи інтерв’ю з клієнтами та дані про використання продукту, а потім запитуєте: «Що нам робити далі?»
Він не дасть вам лише розпливчасту рекомендацію, а сформує повний план функціоналу та обґрунтує рішення на основі конкретних відгуків клієнтів. Більше того, він може безпосередньо генерувати UI-прототипи, коригувати моделі даних і розбивати задачі для AI Coding Agent, щоб ті виконували їх.
Зі зростанням ролі AI у конкретній реалізації коду, здатність «визначати продукт» стане надзвичайно важливою. Нам потрібен суперінструмент, який з’єднає «виявлення потреб» і «визначення продукту» у цілісний цикл.
2. Наступне покоління AI-нативних хедж-фондів (AI-Native Hedge Funds)
У 80-х роках минулого століття кілька фондів почали використовувати комп’ютери для аналізу ринку, але на Уолл-стріт до цього ставилися з іронією. Зараз алгоритмічна торгівля — стандарт. Якщо ви досі не усвідомлюєте, що ми перебуваємо на порозі нової революції, ви можете пропустити наступний Renaissance Technologies або Bridgewater.
Ця хвиля не полягає у додаванні AI до існуючих стратегій, а у створенні з нуля AI-нативних інвестиційних стратегій.
Хоча існуючі гіганти у сфері кількісних стратегій мають великі ресурси, у боротьбі за відповідність регуляціям і інновації їх дії надто повільні. Майбутні хедж-фонди будуть керуватися зграями AI-агентів, які, як і люди-трейдери, цілодобово аналізуватимуть 10-K, стежитимуть за конференціями, аналізуватимуть SEC-файли і враховуватимуть думки аналітиків для прийняття рішень.
У цій сфері справжній Alpha-доход принесе той, хто зважиться на глибоку автоматизацію інвестиційних рішень за допомогою AI.
3. Цифровізація сервісних компаній (AI-Native Agencies)
Завжди, будь то дизайн-студії, рекламні агентства чи юридичні фірми, агентські моделі стикалися з проблемою масштабування: вони продають «людські години», мають низьку маржу і зростають за рахунок найму.
AI руйнує цю модель.
Нові агентства не будуть продавати клієнтам просто інструменти, а самі використовуватимуть AI для створення результатів у 100 разів швидше і продаватимуть готовий продукт. Це означає, що:
- дизайн-студії зможуть перед підписанням контракту генерувати індивідуальні рішення за допомогою AI, перемагаючи традиційних конкурентів.
- рекламні агентства зможуть створювати відеорекламу рівня кіноіндустрії без дорогих знімальних майданчиків.
- юридичні фірми зможуть за кілька хвилин, а не тижнів, готувати складні юридичні документи.
Майбутні сервісні компанії матимуть бізнес-модель, схожу на програмне забезпечення: високий валовий дохід і необмежена масштабованість.
4. Фінансові послуги на базі стабільних монет (Stablecoin Financial Services)
Стабільні монети швидко стають ключовою інфраструктурою глобальних фінансів, але рівень сервісів над ними ще залишається незайнятим. З ухваленням законопроектів як GENIUS і CLARITY, стабільні монети опиняються на перетині DeFi (децентралізовані фінанси) і TradFi (традиційні фінанси).
Це величезна можливість для регуляторного арбітражу і інновацій.
Зараз користувачі змушені обирати між «законними, але з низькою доходністю» традиційними фінансовими продуктами і «високоризиковими, але з високою доходністю» криптовалютами. Ринок потребує проміжної моделі: нових фінансових сервісів, побудованих на стабільних монетах, які будуть і відповідати регуляціям, і мати переваги DeFi.
Це і депозити з високою доходністю, і токенізовані активи реального світу (RWA), і більш ефективна трансгранична платіжна інфраструктура — зараз найкращий час з’єднати ці два паралельні світи.
5. Переформатування старих промислових систем: сучасні металургійні заводи (Modern Metal Mills)
Коли говорять про «відновлення промисловості США», зазвичай звертають увагу на витрати на робочу силу, ігноруючи слона у кімнаті: надзвичайно низька ефективність традиційних промислових систем.
Наприклад, у закупівлі алюмінію або сталевих труб у США період доставки становить від 8 до 30 тижнів. Це не через лінь робітників, а через застарілу систему управління виробництвом, яка з’явилася десятиліття тому. Ці заводи, щоб досягти «ваги» і «завантаженості», жертвували швидкістю і гнучкістю. Висока енергоспоживаність — ще одна проблема, адже сучасних енергоменеджментних рішень у них немає.
Можливості для реконструкції вже дозріли.
За допомогою AI у плануванні виробництва, систем реального часу для управління виробничими процесами (MES) і сучасних автоматизаційних технологій можна радикально скоротити терміни і підвищити прибутковість. Це не просто швидше працюючі заводи, а перетворення виробничих процесів за допомогою софту, що робить внутрішню металургію дешевшою, гнучкішою і прибутковішою. Це ключовий етап у відновленні промислової бази.
6. AI для державного управління (AI for Government)
Перша хвиля AI-компаній вже прискорила заповнення форм для бізнесу і громадян, але ця ефективність обмежується урядовими структурами. Масштабні цифрові заявки все ще обробляються вручну, паперово.
Урядові структури гостро потребують AI-інструментів для роботи з лавиною даних. Хоча такі країни, як Естонія, вже демонструють «цифровий уряд», цю логіку потрібно поширити по всьому світу.
Продаж програмного забезпечення урядам — це складна справа, але й дуже вигідна: перший клієнт забезпечує високий рівень залученості і потенціал масштабування. Це не лише бізнес-можливість, а й спосіб підвищити ефективність роботи суспільства.
7. Реальний AI-наставник для фізичної праці (AI Guidance for Physical Work)
Пам’ятаєте сцену з «Матриці», коли Нео підключають до трубки і він миттєво навчається бойовим мистецтвам? У реальності «навчання навичкам» вже на порозі, і носіями є не мозковий інтерфейс, а реальний AI-наставник.
Замість обговорювати, які роботи AI зможе замінити у білому воротничку, краще подивитися, як він може допомогти синім воротничкам. Обслуговування, виробництво, медична допомога — сфери, де AI не може безпосередньо «рухати руками», але може «бачити» і «мислити».
Уявіть робітника у смарт-окулярах, який ремонтує обладнання, а AI через камеру бачить клапан і каже: «Закрий цей червоний клапан, візьми 3/8 дюймовий ключ, ця деталь зношена, потрібно замінити.»
Зрілість мультимодальних моделей, поширення розумних гаджетів (смартфони, навушники, окуляри) і нестача кваліфікованих кадрів створюють величезний попит. Це відкриває великі можливості для створення систем навчання або нової платформи «супер-синіх воротничків».
8. Масивні просторові моделі для подолання мовних обмежень (Large Spatial Models)
Великі мовні моделі (LLM) спричинили бум AI, але їх інтелект обмежений «мовою». Щоб досягти загального штучного інтелекту (AGI), AI має розуміти фізичний світ і просторові відносини.
Зараз AI погано справляється з задачами геометрії, 3D-структур і фізичних обертів. Це обмежує його здатність взаємодіяти з фізичним світом.
Нам потрібна команда, яка зможе створити великі просторові моделі (Large Spatial Models). Ці моделі не повинні розглядати геометрію як додаток до мови, а як фундаментальні принципи. Той, хто зможе навчити AI справді розуміти і проектувати фізичні структури, матиме шанс створити наступну базову модель рівня OpenAI.
9. Цифровий арсенал для боротьби з шахрайством (Infra for Government Fraud Hunters)
Уряд — найбільший покупець у світі, щороку витрачає трильйони доларів, але і зазнає величезних збитків від шахрайства. Лише у США щорічні втрати від неправомірних виплат у системі медичного страхування сягають сотень мільярдів.
Закон США «False Claims Act» дозволяє приватним громадянам подавати позови від імені уряду і отримувати частку від повернених коштів. Це один із найефективніших способів боротьби з шахрайством, але нині процес дуже примітивний: інформатор передає інформацію адвокатам, які роками вручну обробляють документи.
Нам потрібна спеціальна система, яка автоматично аналізуватиме PDF-документи, відслідковуватиме складні схеми компаній-оболонок і формуватиме зібрані докази у судові документи — AI-детектив.
Якщо ви зможете прискорити повернення шахрайських коштів у 10 разів, ви зможете побудувати величезну бізнес-імперію і повернути державі мільярди.
10. Спрощення тренування LLM (Make LLMs Easy to Train)
Хоч AI і в розпалі, досвід тренування великих моделей досі жахливий.
Розробники щодня борються з розбитими SDK, годинами налаштовують зламані GPU, шукають критичні баги у відкритих інструментах. А ще — жахи з обробкою терабайтів даних.
Як у епоху хмарних сервісів з’явилися Datadog і Snowflake, так і в AI потрібні кращі «інструменти». Нам потрібні:
- API для повної абстракції процесу тренування.
- Бази даних, що легко керують надмасивними наборами даних.
- Розробницьке середовище, спеціально створене для машинного навчання.
Зі зростанням значущості «пост-тренінгових» і спеціалізації моделей ці інфраструктури стануть основою майбутнього програмного забезпечення.
