a16z «Важные идеи 2026 года: Часть первая»

В этой статье будут представлены мнения команд по инфраструктуре, росту, биотехнологиям и здоровью, а также команды Speedrun.

Автор: a16z New Media

Перевод: Block unicorn

Как инвесторы, мы обязаны глубоко разбираться во всех уголках технологической индустрии, чтобы уловить тенденции будущего. Поэтому каждый декабрь мы приглашаем инвестиционные команды поделиться одной крупной идеей, которую, по их мнению, технологическим компаниям предстоит решить в следующем году.

Сегодня мы поделимся взглядами команд по инфраструктуре, росту, биотехнологиям и здоровью, а также команды Speedrun. Ожидайте завтра мнения других команд.

Инфраструктура

Jennifer Li: Как стартапы справляются с хаосом мультимодальных данных

Неструктурированные, мультимодальные данные всегда были главным узким местом для компаний, а также их самым большим неосвоенным сокровищем. Каждая компания утопает в океане PDF-файлов, скриншотов, видео, логов, электронных писем и полуструктурированных данных. Модели становятся всё умнее, но входные данные — всё более хаотичными, что приводит к сбоям в системах RAG, незаметным и дорогостоящим ошибкам агентов, а ключевые рабочие процессы по-прежнему сильно зависят от ручной проверки качества. Ограничивающим фактором для AI-компаний сегодня становится энтропия данных: в мире неструктурированных данных свежесть, структурированность и достоверность постоянно снижаются, а 80% корпоративных знаний теперь содержатся именно в таких данных.

Именно поэтому наведение порядка в неструктурированных данных — это уникальная возможность. Компаниям нужен постоянный способ очистки, структурирования, верификации и управления своими мультимодальными данными, чтобы downstream-нагрузки AI действительно работали. Сценарии применения повсюду: анализ контрактов, процессы онбординга, обработка претензий, комплаенс, поддержка клиентов, закупки, инженерный поиск, поддержка продаж, аналитические пайплайны и любые агентные рабочие процессы, зависящие от надежного контекста. Стартапы, способные строить платформы для извлечения структуры из документов, изображений и видео, разрешения конфликтов, восстановления пайплайнов или поддержания свежести и доступности данных, получают ключи от царства корпоративных знаний и процессов.

Joel de la Garza: AI возрождает найм в кибербезопасности

В течение большей части последнего десятилетия главной проблемой для CISO (Chief Information Security Officer) был найм. С 2013 по 2021 год количество вакансий в кибербезопасности выросло с менее чем 1 миллиона до 3 миллионов. Это связано с тем, что команды безопасности нанимали множество технически подкованных инженеров, чтобы те ежедневно занимались скучной рутиной первого уровня — например, просмотром логов, — а никто не хочет этим заниматься. Корень проблемы в том, что команды покупали продукты, способные обнаруживать всё, что создавало массу рутинной работы, а значит, требовало проверки всей информации — и это, в свою очередь, приводило к мнимому дефициту рабочей силы. Получался порочный круг.

К 2026 году AI разорвет этот круг и закроет кадровый дефицит за счет автоматизации многих повторяющихся задач команд кибербезопасности. Любой, кто работал в крупной security-команде, знает: половину работы можно легко автоматизировать, но когда задач слишком много, сложно понять, что именно автоматизировать. Нативные AI-инструменты, помогающие security-командам решать эти вопросы, в итоге позволят им заниматься тем, что они действительно хотят: ловить злоумышленников, строить новые системы и устранять уязвимости.

Malika Aubakirova: Нативная агентная инфраструктура станет стандартом

К 2026 году крупнейший инфраструктурный сдвиг произойдет не извне, а внутри компаний. Мы переходим от предсказуемого, малоконкурентного «человеческого» трафика к рекурсивным, всплесковым и масштабным нагрузкам «агентской скорости».

Современный корпоративный бэкенд рассчитан на соотношение 1:1 между действиями человека и ответом системы. Он не готов к архитектуре, где один агент может за миллисекунды инициировать 5000 подзадач, запросов к базе данных и внутренних API-вызовов. Когда агент пытается рефакторить кодовую базу или чинить security-логи, он не похож на обычного пользователя. Для традиционных баз данных или лимитеров это выглядит как DDoS-атака.

Строить системы для агентов 2026 года — значит переосмысливать control plane. Мы увидим расцвет «агент-нэйтив» инфраструктуры. Следующее поколение инфраструктуры должно считать эффект «thundering herd» (эффект стада) нормой. Время холодного старта должно сокращаться, колебания задержек — резко снижаться, лимиты по параллелизму — расти в разы. Узкое место — в координации: маршрутизация, блокировки, управление состоянием и исполнение политик при массовом параллельном выполнении. Победят только те платформы, которые смогут справиться с этим потоком инструментов.

Justine Moore: Креативные инструменты становятся мультимодальными

Сегодня у нас есть строительные блоки для сторителлинга с помощью AI: генерация речи, музыки, изображений и видео. Но для любого контента, выходящего за рамки разовых фрагментов, получение нужного результата часто занимает много времени, вызывает разочарование — а иногда и вовсе невозможно, особенно если вы хотите уровень контроля, близкий к традиционному режиссерскому.

Почему мы не можем дать модели 30-секундное видео, чтобы она продолжила сцену с новыми персонажами, созданными по референсным изображениям и звукам? Или переснять видео, чтобы увидеть сцену под другим углом, или синхронизировать действия с референсом?

2026 год станет годом мультимодальности AI. Вы сможете дать модели любой референс, а она создаст новый контент или отредактирует существующую сцену. Уже есть ранние продукты, такие как Kling O1 и Runway Aleph. Но предстоит еще много работы — нужны инновации как на уровне моделей, так и приложений.

Контент-креация — один из самых мощных сценариев применения AI, и я ожидаю, что появится множество успешных продуктов для разных задач и аудиторий — от создателей мемов до голливудских режиссеров.

Jason Cui: Эволюция AI-нэйтив data stack продолжается

За последний год мы видели консолидацию «современного data stack», когда data-компании переходят от специализации на ingestion, трансформации и вычислениях к bundled-платформам. Например, слияние Fivetran/dbt и рост unified-платформ вроде Databricks.

Хотя экосистема заметно созрела, мы все еще на ранней стадии truly AI-нэйтив data-архитектуры. Нас вдохновляет, как AI меняет разные уровни data stack, и мы начинаем понимать, что data и AI-инфраструктура становятся неразделимыми.

Вот некоторые направления, которые нам интересны:

• Как данные будут поступать в высокопроизводительные векторные базы данных наряду с традиционными структурированными данными
• Как AI-агенты решат «проблему контекста»: постоянный доступ к правильному бизнес-контексту и семантическому слою для построения мощных приложений (например, интерактивных с данными), гарантируя, что эти приложения всегда используют корректные бизнес-определения в разных системах учета
• Как BI-инструменты и электронные таблицы изменятся по мере того, как data-workflow становится все более агентным и автоматизированным

Yoko Li: Год, когда мы войдем в видео

К 2026 году видео перестанет быть просто пассивным контентом для просмотра — оно станет пространством, в которое мы действительно можем погрузиться. Видео-модели наконец научатся понимать время, запоминать уже показанное, реагировать на наши действия и сохранять реалистичную последовательность. Эти системы смогут не просто генерировать короткие фрагменты, а поддерживать персонажей, объекты и физические эффекты достаточно долго, чтобы действия имели смысл и приводили к последствиям. Такой сдвиг превращает видео в развивающийся медиум: робот может тренироваться, игра — эволюционировать, дизайнер — прототипировать, агент — учиться на практике. Итоговый продукт будет напоминать не видеофрагмент, а живую среду, где стирается грань между восприятием и действием. Впервые мы почувствуем, что можем оказаться внутри созданного нами видео.

Рост

Sarah Wang: Системы учета теряют доминирование

К 2026 году настоящая революция в корпоративном софте будет заключаться в том, что системы учета наконец утратят доминирующее положение. AI сокращает дистанцию между намерением и исполнением: модели теперь могут напрямую читать, записывать и делать выводы на операционных данных, превращая ITSM и CRM из пассивных баз данных в автономные движки workflow. С накоплением прогресса в reasoning-моделях и агентных workflow эти системы смогут не только реагировать, но и предсказывать, координировать и выполнять end-to-end процессы. Интерфейс станет динамическим агентным слоем, а традиционные системы учета уйдут на второй план, став универсальным слоем хранения — и стратегическое преимущество перейдет к тем, кто контролирует агентную среду исполнения, с которой ежедневно работают сотрудники.

Alex Immerman: AI в вертикальных отраслях эволюционирует от поиска и reasoning к многопользовательскому взаимодействию

AI обеспечил беспрецедентный рост вертикального отраслевого софта. Медицинские, юридические и риэлторские компании за несколько лет достигли более 100 миллионов долларов годового регулярного дохода (ARR); финансовый и бухгалтерский секторы быстро догоняют. Сначала эволюция шла через поиск информации: нахождение, извлечение и суммирование нужных данных. 2025 год принес reasoning: Hebbia анализирует финансовую отчетность и строит модели, Basis сверяет балансы между системами, EliseAI диагностирует проблемы и отправляет нужных подрядчиков.

2026 год откроет режим многопользовательского взаимодействия. Вертикальный софт выигрывает от специфических интерфейсов, данных и интеграций. Но работа в вертикалях по сути многопользовательская. Если агенты должны представлять рабочую силу, им нужно взаимодействовать. От покупателей и продавцов до арендаторов, консультантов и подрядчиков — у всех разные права, workflow и требования комплаенса, которые понимает только вертикальный софт.

Сегодня все стороны используют AI изолированно, что приводит к отсутствию авторизации при передаче задач. AI, анализирующий закупочный контракт, не общается с CFO для корректировки модели. AI по обслуживанию не знает, что сотрудник пообещал арендаторам. Преобразование многопользовательского взаимодействия — это координация между стейкхолдерами: маршрутизация задач экспертам, поддержание контекста, синхронизация изменений. AI-контрагенты ведут переговоры в заданных рамках и отмечают асимметрии для ручной проверки. Отметки старших партнеров используются для обучения всей системы. Задачи, выполняемые AI, будут завершаться с большей вероятностью.

По мере роста ценности многопользовательского и многоагентного взаимодействия растет и стоимость переключения. Мы увидим сетевые эффекты, которых AI-приложениям всегда не хватало: слой коллаборации станет рвом.

Stephenie Zhang: Дизайн для агентов, а не для людей

К 2026 году люди начнут взаимодействовать с интернетом через агентов. То, что раньше оптимизировалось для человеческого потребления, перестанет быть столь важным для агентов.

Много лет мы оптимизировали под предсказуемое человеческое поведение: попадание в топ Google, первые места на Amazon, краткие TL;DR в начале. В школе на уроках журналистики мне говорили писать по схеме «5W1H», а статьи начинать с захватывающего вступления. Возможно, человеческий читатель пропустит ценные мысли на пятой странице, но AI — нет.

Это изменение касается и софта. Приложения проектировались для визуальных и кликабельных потребностей человека, а оптимизация означала хороший UI и интуитивный UX. По мере того как AI берет на себя поиск и интерпретацию, визуальный дизайн становится менее важным для понимания. Инженеры больше не смотрят на дашборды Grafana — AI-SRE анализирует телеметрию и публикует выводы в Slack. Sales-команды не листают CRM — AI автоматически извлекает паттерны и делает summary.

Мы больше не проектируем контент для людей — мы проектируем его для AI. Новая цель оптимизации — не визуальная иерархия, а машиночитаемость — это изменит и способы создания, и используемые инструменты.

Santiago Rodriguez: Конец KPI «экранного времени» в AI-приложениях

Последние 15 лет экранное время было главным показателем ценности потребительских и корпоративных приложений. Мы жили в парадигме, где длительность просмотра Netflix, количество кликов в медицинских EHR (как доказательство использования), даже время, проведенное в ChatGPT, считались KPI. По мере перехода к outcome-based pricing, который идеально выравнивает стимулы поставщиков и пользователей, мы первыми откажемся от отчетности по экранному времени.

Мы уже видим это на практике. Когда я запускаю DeepResearch в ChatGPT, даже при нулевом экранном времени я получаю огромную ценность. Когда Abridge волшебным образом фиксирует диалог врача и пациента и автоматически выполняет follow-up, врачу почти не нужно смотреть на экран. Когда Cursor разрабатывает end-to-end приложение, инженеры уже планируют следующий релиз. А когда Hebbia пишет презентацию на основе сотен публичных документов, investment bankers наконец могут выспаться.

Это создает уникальную задачу: ценообразование per user требует более сложных моделей ROI. Распространение AI-приложений повысит удовлетворенность врачей, эффективность разработчиков, благополучие финансовых аналитиков и счастье потребителей. Компании, которые смогут наиболее лаконично объяснить ROI, будут опережать конкурентов.

Био + Здоровье

Julie Yoo: Здоровые MAU (ежемесячно активные пользователи)

К 2026 году новая клиентская группа в здравоохранении выйдет на первый план: «здоровые ежемесячно активные пользователи».

Традиционная система здравоохранения обслуживает три основные группы: (a) «больные MAU» — люди с переменным спросом и высокими расходами; (b) «больные DAU*» — например, пациенты в долгосрочной интенсивной терапии; и (c) «здоровые молодые активные пользователи*» — относительно здоровые, редко обращающиеся за помощью. Здоровые молодые активные пользователи рискуют со временем стать больными MAU/DAU, и профилактика может замедлить этот переход. Но ориентированная на лечение система страхования поощряет именно лечение, а не профилактику, поэтому превентивные осмотры и мониторинг не в приоритете и редко покрываются страховкой.

Теперь появляется группа здоровых MAU: они не больны, но хотят регулярно следить за своим здоровьем — и, возможно, это самая большая группа среди потребителей. Мы ожидаем, что ряд компаний — как AI-стартапы, так и обновленные существующие игроки — начнут предоставлять регулярные сервисы для этой аудитории.

С учетом потенциала AI по снижению стоимости медицинских услуг, появления новых страховых продуктов, ориентированных на профилактику, и растущей готовности потребителей платить за подписку, «здоровые MAU» становятся следующим перспективным клиентским сегментом в медтехе: они вовлечены, ориентированы на данные и профилактику.

Speedrun (инвестиционная команда внутри a16z)

Jon Lai: World models раскрывают потенциал в сторителлинге

В 2026 году AI-драйвные world models радикально изменят сторителлинг через интерактивные виртуальные миры и цифровую экономику. Технологии вроде Marble (World Labs) и Genie 3 (DeepMind) уже позволяют по текстовому промпту создавать полноценные 3D-окружения для исследования, как в игре. По мере того как креаторы осваивают эти инструменты, появятся новые формы сторителлинга, которые могут эволюционировать в «генеративный Minecraft», где игроки совместно создают огромные, постоянно меняющиеся вселенные. Эти миры могут совмещать игровые механики с программированием на естественном языке — например, игрок может сказать: «создай кисть, которая закрашивает все, к чему я прикасаюсь, в розовый».

Такие модели размывают грань между игроком и создателем, превращая пользователей в соавторов динамической общей реальности. Это может привести к появлению связанных генеративных мультивселенных, где уживаются фэнтези, хоррор, приключения и другие жанры. В этих виртуальных мирах расцветет цифровая экономика: креаторы смогут зарабатывать, создавая активы, обучая новичков или разрабатывая новые инструменты. Помимо развлечений, такие миры станут богатой средой для тренировки AI-агентов, роботов и даже AGI. Таким образом, расцвет world models знаменует не только появление нового жанра игр, но и новую творческую медиа-платформу и экономический рубеж.

Josh Lu: «Мой год»

2026 год станет «моим годом»: продукты больше не будут массовыми, а станут персонализированными для каждого.

Мы уже видим эту тенденцию повсюду.

В образовании стартапы вроде Alphaschool строят AI-наставников, которые подстраиваются под темп и интересы каждого ученика, позволяя каждому ребенку учиться в своем ритме и по своим предпочтениям. Такой уровень внимания был невозможен без десятков тысяч долларов на репетиторов для каждого.

В здравоохранении AI разрабатывает индивидуальные комплексы пищевых добавок, планы тренировок и питания, основанные на физиологии пользователя. Без тренеров и лабораторий.

Даже в медиа AI позволяет креаторам пересобирать новости, шоу и истории, формируя полностью персонализированную ленту под ваши интересы и вкусы.

Крупнейшие компании прошлого века побеждали, находя «среднего» потребителя.

Крупнейшие компании следующего века победят, находя индивидуальность в каждом потребителе.

В 2026 году мир перестанет оптимизироваться для всех и начнет оптимизироваться для вас.

Emily Bennett: Первый AI-нэйтив университет

Я ожидаю, что в 2026 году появится первый AI-нэйтив университет — учреждение, построенное с нуля вокруг AI-систем.

В последние годы университеты экспериментировали с AI для оценки, тьюторства и планирования курсов. Но сейчас появляется более глубокий AI — адаптивная академическая система, способная учиться и оптимизироваться в реальном времени.

Представьте себе учреждение, где курсы, консультации, исследовательские коллаборации и даже эксплуатация зданий постоянно корректируются на основе data feedback loop. Расписание оптимизируется само. Списки литературы обновляются каждую ночь и автоматически переписываются с появлением новых исследований. Учебные траектории подстраиваются в реальном времени под темп и обстоятельства каждого студента.

Мы уже видим первые признаки. Arizona State University (ASU) и OpenAI запустили сотни AI-проектов для преподавания и администрирования. SUNY включил AI-грамотность в обязательную программу. Всё это — фундамент для более глубокой интеграции.

В AI-нэйтив университете профессора станут архитекторами обучения: они будут управлять данными, тюнить модели и учить студентов критически относиться к машинным выводам.

Изменится и система оценки. Инструменты обнаружения и запреты на плагиат уступят место оценке AI-грамотности: оцениваться будет не факт использования AI, а то, как он используется. Прозрачность и стратегия заменят запреты.

Поскольку все отрасли ищут специалистов по проектированию, управлению и коллаборации с AI-системами, этот новый университет станет кузницей кадров для быстро меняющегося рынка труда.

AI-нэйтив университет станет двигателем талантов для новой экономики.

На сегодня всё, увидимся в следующей части — следите за обновлениями.