a16z „Wielkie idee na 2026 rok: Część pierwsza”

W tym artykule podzielimy się perspektywami zespołów z obszarów infrastruktury, wzrostu, bio + zdrowie oraz zespołu Speedrun.

Autor: a16z New Media

Tłumaczenie: Block unicorn

Jako inwestorzy naszym obowiązkiem jest dogłębne zrozumienie każdego zakątka branży technologicznej, aby uchwycić trendy przyszłości. Dlatego każdego grudnia zapraszamy nasz zespół inwestycyjny do podzielenia się jednym kluczowym pomysłem, który ich zdaniem firmy technologiczne będą musiały rozwiązać w nadchodzącym roku.

Dziś podzielimy się perspektywami zespołów z obszarów infrastruktury, wzrostu, bio + zdrowie oraz zespołu Speedrun. Jutro oczekujcie kolejnych opinii innych zespołów.

Infrastruktura

Jennifer Li: Jak startupy mogą okiełznać chaos danych multimodalnych

Niestrukturalizowane, multimodalne dane od zawsze stanowiły największą barierę dla przedsiębiorstw, a jednocześnie są ich największym niewykorzystanym skarbem. Każda firma tonie w morzu PDF-ów, zrzutów ekranu, wideo, logów, e-maili i danych półstrukturalnych. Modele stają się coraz inteligentniejsze, ale dane wejściowe są coraz bardziej chaotyczne, co prowadzi do awarii systemów RAG, nieoczywistych i kosztownych błędów agentów oraz do tego, że kluczowe procesy nadal silnie polegają na ręcznej kontroli jakości. Ograniczeniem dla firm AI jest dziś entropia danych: w świecie niestrukturalizowanych danych świeżość, struktura i autentyczność stale się pogarszają, a 80% wiedzy przedsiębiorstw obecnie znajduje się właśnie w tych niestrukturalizowanych danych.

Dlatego uporządkowanie niestrukturalizowanych danych staje się niepowtarzalną szansą. Firmy potrzebują ciągłego sposobu na czyszczenie, budowanie, weryfikację i zarządzanie swoimi multimodalnymi danymi, aby zapewnić, że obciążenia AI downstream rzeczywiście będą skuteczne. Zastosowania są wszędzie: analiza umów, onboarding, obsługa roszczeń, zgodność, obsługa klienta, zakupy, wyszukiwanie inżynieryjne, wsparcie sprzedaży, pipeline analityczny oraz wszystkie procesy agentów zależne od wiarygodnego kontekstu. Startupy, które zbudują platformy umożliwiające wydobywanie struktury z dokumentów, obrazów i wideo, rozwiązywanie konfliktów, naprawianie pipeline’ów lub utrzymywanie świeżości i wyszukiwalności danych, zdobędą klucz do królestwa wiedzy i procesów przedsiębiorstw.

Joel de la Garza: AI daje nowe życie rekrutacji w cyberbezpieczeństwie

Przez większość ostatniej dekady największym wyzwaniem dla Chief Information Security Officer (CISO) była rekrutacja. Od 2013 do 2021 roku liczba wakatów w cyberbezpieczeństwie wzrosła z poniżej 1 miliona do 3 milionów. Wynika to z faktu, że zespoły bezpieczeństwa zatrudniały wielu wykwalifikowanych inżynierów do wykonywania nudnych, powtarzalnych zadań pierwszego poziomu, takich jak przeglądanie logów – pracy, której nikt nie chce wykonywać. Problem tkwi w tym, że zespoły bezpieczeństwa kupowały produkty wykrywające wszystko, co generowało żmudną pracę, wymagającą przeglądania wszystkich informacji – co z kolei prowadziło do pozornego niedoboru siły roboczej. To błędne koło.

Do 2026 roku AI przerwie ten cykl i wypełni lukę rekrutacyjną, automatyzując wiele powtarzalnych zadań zespołów cyberbezpieczeństwa. Każdy, kto pracował w dużym zespole bezpieczeństwa, wie, że połowę pracy można łatwo zautomatyzować, ale przy natłoku obowiązków trudno zdecydować, co automatyzować. Natomiast natywne narzędzia AI, które pomogą zespołom bezpieczeństwa rozwiązać te problemy, pozwolą im w końcu robić to, co naprawdę chcą: ścigać złych aktorów, budować nowe systemy i naprawiać luki.

Malika Aubakirova: Natywna infrastruktura agentów stanie się standardem

Do 2026 roku największy wstrząs infrastrukturalny nie przyjdzie z zewnątrz, lecz z wnętrza przedsiębiorstw. Przechodzimy od przewidywalnego, niskiego współczynnika równoczesności „ludzkiego tempa” do rekurencyjnych, nagłych i masowych obciążeń „tempa agentów”.

Dzisiejsze zaplecze przedsiębiorstw jest zaprojektowane pod kątem proporcji 1:1 między operacjami ludzkimi a odpowiedziami systemu. Nie jest przygotowane architektonicznie na to, by pojedynczy agent mógł w milisekundy wywołać 5000 podzadań, zapytań do bazy danych i wewnętrznych wywołań API. Gdy agent próbuje przebudować kod lub naprawić logi bezpieczeństwa, nie wygląda jak użytkownik. W oczach tradycyjnych baz danych lub limiterów wygląda jak atak DDoS.

Budowanie systemów dla agentów 2026 roku oznacza przeprojektowanie warstwy kontrolnej. Będziemy świadkami rozkwitu „agent-native” infrastruktury. Infrastruktura nowej generacji musi traktować „efekt stada” (thundering herd) jako stan domyślny. Czas zimnego startu musi się skrócić, wahania opóźnień znacznie zmaleć, a limity równoczesności wzrosnąć wielokrotnie. Wąskim gardłem jest koordynacja: routing, blokowanie, zarządzanie stanem i egzekwowanie polityk w masowo równoległym wykonaniu. Tylko platformy, które poradzą sobie z nadchodzącą falą egzekucji narzędzi, ostatecznie zwyciężą.

Justine Moore: Narzędzia kreatywne stają się multimodalne

Obecnie mamy już klocki do opowiadania historii za pomocą AI: generatywny głos, muzyka, obrazy i wideo. Jednak przy tworzeniu treści wykraczających poza jednorazowe fragmenty, uzyskanie pożądanego efektu jest często czasochłonne i frustrujące – a czasem wręcz niemożliwe – szczególnie jeśli chcemy mieć kontrolę na poziomie tradycyjnego reżysera.

Dlaczego nie możemy podać modelowi 30-sekundowego wideo i pozwolić mu kontynuować scenę z nowymi postaciami stworzonymi na podstawie referencyjnych obrazów i dźwięków? Albo nakręcić scenę z innej perspektywy lub dopasować ruchy do referencyjnego wideo?

Rok 2026 będzie rokiem przełomu AI w kierunku multimodalności. Będziesz mógł podać modelowi dowolny rodzaj treści referencyjnej i wykorzystać ją do tworzenia nowych treści lub edycji istniejących scen. Widzieliśmy już pierwsze produkty, takie jak Kling O1 i Runway Aleph. Ale przed nami jeszcze wiele pracy – innowacje są potrzebne zarówno na poziomie modeli, jak i aplikacji.

Tworzenie treści to jedno z najbardziej przełomowych zastosowań AI i spodziewam się, że zobaczymy wiele udanych produktów obejmujących różne scenariusze i grupy klientów – od twórców memów po reżyserów z Hollywood.

Jason Cui: Ewolucja natywnego stosu danych AI

W ciągu ostatniego roku, gdy firmy danych przesuwały się z wyspecjalizowanych obszarów takich jak pobieranie, transformacja i obliczenia danych w kierunku zintegrowanych platform, byliśmy świadkami konsolidacji „nowoczesnego stosu danych”. Przykładem są fuzje Fivetran/dbt oraz ciągły wzrost platform takich jak Databricks.

Mimo wyraźnej dojrzałości ekosystemu, wciąż jesteśmy na wczesnym etapie prawdziwie natywnej architektury danych AI. Ekscytuje nas sposób, w jaki AI nieustannie zmienia wiele warstw stosu danych i zaczynamy dostrzegać, że dane i infrastruktura AI stają się nierozłączne.

Oto kilka kierunków, które uważamy za obiecujące:

• Jak dane będą wpływać do wysokowydajnych baz wektorowych razem z tradycyjnymi danymi strukturalnymi
• Jak agenci AI rozwiążą „problem kontekstu”: ciągły dostęp do właściwego kontekstu biznesowego i warstwy semantycznej, by budować potężne aplikacje, takie jak interakcje z danymi, i zapewnić, że te aplikacje zawsze mają poprawne definicje biznesowe w wielu systemach rejestrów
• Jak tradycyjne narzędzia BI i arkusze kalkulacyjne zmienią się wraz z coraz większą automatyzacją i agentowością workflow danych

Yoko Li: Rok, w którym wchodzimy do wideo

Do 2026 roku wideo przestanie być treścią, którą biernie oglądamy, a stanie się przestrzenią, w której naprawdę możemy się znaleźć. Modele wideo w końcu będą rozumieć czas, pamiętać, co już pokazały, reagować na nasze działania i utrzymywać spójność znaną z rzeczywistego świata. Systemy te nie będą już generować tylko kilku sekund przypadkowych obrazów, lecz będą w stanie utrzymać postacie, obiekty i efekty fizyczne wystarczająco długo, by działania miały sens i niosły konsekwencje. Ta zmiana przekształci wideo w medium, które może się nieustannie rozwijać: robot może ćwiczyć, gra może ewoluować, projektant może prototypować, a agent może uczyć się w praktyce. Ostateczny efekt nie będzie przypominał klipu wideo, lecz żywe środowisko, które zaczyna zacierać granicę między percepcją a działaniem. Po raz pierwszy poczujemy, że możemy wejść do generowanego przez nas wideo.

Wzrost

Sarah Wang: Systemy rejestrów tracą dominację

Do 2026 roku prawdziwie przełomowa zmiana w oprogramowaniu dla przedsiębiorstw polegać będzie na tym, że systemy rejestrów ostatecznie utracą swoją dominującą pozycję. AI skraca dystans między intencją a wykonaniem: modele mogą teraz bezpośrednio czytać, zapisywać i wnioskować na danych operacyjnych, przekształcając systemy ITSM i CRM z pasywnych baz danych w autonomiczne silniki workflow. Wraz z postępem modeli wnioskowania i workflow agentów, systemy te nie tylko będą reagować, ale także przewidywać, koordynować i wykonywać procesy end-to-end. Interfejsy przekształcą się w dynamiczną warstwę agentów, a tradycyjne systemy rejestrów zejdą na dalszy plan, stając się uniwersalną warstwą trwałości – ich przewaga strategiczna zostanie przekazana temu, kto faktycznie kontroluje środowisko egzekucji agentów używane codziennie przez pracowników.

Alex Immerman: AI w branżach wertykalnych ewoluuje od wyszukiwania informacji i wnioskowania do współpracy wielu osób

AI napędza bezprecedensowy wzrost oprogramowania dla branż wertykalnych. Firmy z sektora opieki zdrowotnej, prawa i nieruchomości w ciągu kilku lat osiągnęły ponad 100 milionów dolarów rocznego powtarzalnego przychodu (ARR); branże finansowe i księgowe szybko je doganiają. Ewolucja zaczęła się od wyszukiwania informacji: znajdowania, wydobywania i podsumowywania właściwych danych. Rok 2025 przyniósł wnioskowanie: Hebbia analizuje sprawozdania finansowe i buduje modele, Basis uzgadnia arkusze między systemami, EliseAI diagnozuje problemy z utrzymaniem i wysyła odpowiednich dostawców.

Rok 2026 odblokuje tryb współpracy wielu osób. Oprogramowanie branżowe korzysta ze specyficznych interfejsów, danych i integracji. Jednak praca w branżach wertykalnych z natury jest wielostronna. Jeśli agenci mają reprezentować siłę roboczą, muszą współpracować. Od kupujących i sprzedających, przez najemców, doradców i dostawców – każda strona ma inne uprawnienia, workflow i wymagania zgodności, które rozumie tylko oprogramowanie branżowe.

Obecnie każda strona korzysta z AI niezależnie, przez co w procesie przekazywania brakuje autoryzacji. AI analizujące umowy zakupowe nie komunikuje się z CFO, by dostosować model. AI do utrzymania nie wie, co obiecano najemcom. Przełom współpracy wielostronnej polega na koordynacji między interesariuszami: kierowaniu zadań do ekspertów, utrzymywaniu kontekstu, synchronizacji zmian. AI kontrahenta negocjuje w ustalonych parametrach i oznacza asymetrie do ręcznej weryfikacji. Oznaczenia partnerów służą do trenowania systemu całej firmy. Zadania wykonywane przez AI będą realizowane z większym powodzeniem.

Wraz ze wzrostem wartości współpracy wielu osób i agentów, rosną także koszty zmiany. Zobaczymy efekty sieciowe, których AI do tej pory nie osiągnęła: warstwa współpracy stanie się fosą obronną.

Stephenie Zhang: Projektowanie dla agentów, nie dla ludzi

Do 2026 roku ludzie zaczną wchodzić w interakcje z siecią za pośrednictwem agentów. To, co przez lata optymalizowaliśmy pod kątem ludzkiej konsumpcji, nie będzie już tak istotne dla agentów.

Przez lata optymalizowaliśmy przewidywalne ludzkie zachowania: wysokie pozycje w wynikach wyszukiwania Google, czołowe miejsca na Amazonie, rozpoczynanie od zwięzłego „TL;DR”. W liceum na zajęciach z dziennikarstwa nauczyciel uczył nas pisać wiadomości według „5W1H”, a artykuły zaczynać od wciągającego leadu. Może ludzki czytelnik przegapi wartościowe spostrzeżenia ukryte na piątej stronie, ale AI nie.

Ta zmiana dotyczy także oprogramowania. Aplikacje były projektowane z myślą o ludzkim wzroku i klikaniu, a optymalizacja oznaczała dobry interfejs i intuicyjny flow. Gdy AI przejmuje wyszukiwanie i interpretację, znaczenie designu wizualnego dla zrozumienia maleje. Inżynierowie nie muszą już patrzeć na dashboardy Grafana, AI SRE interpretuje dane telemetryczne i publikuje analizy na Slacku. Zespoły sprzedaży nie muszą już przekopywać się przez CRM, AI automatycznie wyciąga wzorce i podsumowania.

Nie projektujemy już treści dla ludzi, lecz dla AI. Nowym celem optymalizacji nie jest hierarchia wizualna, lecz czytelność maszynowa – to zmieni sposób, w jaki tworzymy treści i narzędzia, których używamy.

Santiago Rodriguez: Koniec KPI „czasu przed ekranem” w aplikacjach AI

Przez ostatnie 15 lat czas przed ekranem był najlepszym wskaźnikiem wartości dostarczanej przez aplikacje konsumenckie i biznesowe. Żyliśmy w paradygmacie, gdzie czas streamingu na Netflixie, liczba kliknięć w elektronicznej dokumentacji medycznej (jako dowód użycia) czy nawet czas spędzony na ChatGPT były kluczowymi KPI. W miarę przechodzenia na modele wyceny oparte na rezultatach, które idealnie zgrywają motywacje dostawców i użytkowników, najpierw porzucimy raportowanie czasu przed ekranem.

Już to widzimy w praktyce. Gdy uruchamiam zapytanie DeepResearch na ChatGPT, nawet przy zerowym czasie przed ekranem otrzymuję ogromną wartość. Gdy Abridge automatycznie rejestruje rozmowę lekarza z pacjentem i wykonuje kolejne kroki, lekarz prawie nie patrzy na ekran. Gdy Cursor buduje kompletną aplikację end-to-end, inżynierowie planują już kolejne funkcje. A gdy Hebbia pisze prezentację na podstawie setek publicznych dokumentów, bankierzy inwestycyjni w końcu mogą się wyspać.

To rodzi wyjątkowe wyzwanie: wycena aplikacji per użytkownik wymaga bardziej złożonego pomiaru ROI. Upowszechnienie AI podniesie satysfakcję lekarzy, efektywność deweloperów, dobrostan analityków finansowych i szczęście konsumentów. Firmy, które najprościej wyjaśnią ROI, będą wyprzedzać konkurencję.

Bio + zdrowie

Julie Yoo: Zdrowi miesięcznie aktywni użytkownicy (MAU)

Do 2026 roku nowa grupa klientów opieki zdrowotnej stanie się kluczowa: „zdrowi miesięcznie aktywni użytkownicy”.

Tradycyjny system opieki zdrowotnej obsługuje trzy główne grupy: (a) „chorzy miesięcznie aktywni użytkownicy” – osoby o zmiennych potrzebach i wysokich kosztach; (b) „chorzy dziennie aktywni użytkownicy*” – np. pacjenci wymagający długotrwałej intensywnej opieki; oraz (c) „zdrowi młodzi aktywni użytkownicy*” – osoby względnie zdrowe, rzadko korzystające z opieki. Zdrowi młodzi aktywni użytkownicy ryzykują przejście do grupy chorych MAU/DAU, a opieka prewencyjna może to spowolnić. Jednak system refundacji nagradza leczenie, a nie prewencję, więc proaktywne badania i monitoring nie są priorytetem i rzadko są objęte ubezpieczeniem.

Teraz pojawia się grupa zdrowych MAU: nie są chorzy, ale chcą regularnie monitorować i rozumieć swój stan zdrowia – i mogą stanowić największą grupę konsumentów. Spodziewamy się, że firmy – zarówno natywne startupy AI, jak i zmodernizowane istniejące przedsiębiorstwa – zaczną oferować regularne usługi dla tej grupy.

Wraz z potencjałem AI do obniżania kosztów opieki, pojawieniem się nowych ubezpieczeń skupionych na prewencji oraz coraz większą gotowością konsumentów do płacenia za subskrypcje, „zdrowi MAU” staną się kolejną bardzo obiecującą grupą klientów w medtechu: zaangażowaną, opartą na danych i nastawioną na prewencję.

Speedrun (nazwa wewnętrznego zespołu inwestycyjnego a16z)

Jon Lai: Modele świata błyszczą w narracji

W 2026 roku modele świata napędzane AI zrewolucjonizują narrację poprzez interaktywne wirtualne światy i cyfrową gospodarkę. Technologie takie jak Marble (World Labs) i Genie 3 (DeepMind) już potrafią generować kompletne środowiska 3D na podstawie tekstowych promptów, pozwalając użytkownikom eksplorować je jak w grze. Wraz z adaptacją tych narzędzi przez twórców pojawią się nowe formy narracji, które mogą ewoluować w „generatywnego Minecrafta”, gdzie gracze wspólnie tworzą ogromne, ewoluujące wszechświaty. Światy te mogą łączyć mechaniki gry z programowaniem w języku naturalnym, np. polecenie „stwórz pędzel, który zamienia wszystko, czego dotknę, w różowe”.

Takie modele zacierają granicę między graczem a twórcą, czyniąc użytkowników współtwórcami dynamicznej, współdzielonej rzeczywistości. Ta ewolucja może doprowadzić do powstania powiązanych generatywnych multiwersów, gdzie współistnieją różne gatunki: fantasy, horror, przygoda. W tych wirtualnych światach rozkwitnie cyfrowa gospodarka – twórcy będą zarabiać na tworzeniu assetów, szkoleniu nowicjuszy czy opracowywaniu nowych narzędzi interaktywnych. Poza rozrywką, generatywne światy staną się bogatym środowiskiem symulacyjnym do trenowania agentów AI, robotów, a nawet AGI. Wzrost modeli świata to nie tylko nowy gatunek gier, ale także nowy kreatywny środek wyrazu i ekonomiczna granica.

Josh Lu: „Mój rok zerowy”

Rok 2026 będzie „moim rokiem zerowym”: produkty nie będą już masowo produkowane, lecz szyte na miarę dla ciebie.

Już widzimy tę tendencję wszędzie.

W edukacji startupy takie jak Alphaschool budują AI-tutorów, którzy dostosowują się do tempa i zainteresowań każdego ucznia, zapewniając edukację dopasowaną do indywidualnych potrzeb – czego nie da się osiągnąć bez wydania dziesiątek tysięcy dolarów na korepetycje.

W zdrowiu AI projektuje codzienne suplementy, plany treningowe i diety dopasowane do twoich cech fizjologicznych – bez trenera czy laboratorium.

Nawet w mediach AI pozwala twórcom łączyć newsy, programy i historie w spersonalizowany feed idealnie dopasowany do twoich zainteresowań i preferencji.

Największe firmy ubiegłego wieku odnosiły sukces, bo trafiały do przeciętnego konsumenta.

Największe firmy kolejnego wieku wygrają, trafiając do jednostki wśród przeciętnych konsumentów.

W 2026 roku świat nie będzie już optymalizowany dla wszystkich, lecz zacznie być optymalizowany dla ciebie.

Emily Bennett: Pierwszy natywny uniwersytet AI

Przewiduję, że w 2026 roku zobaczymy narodziny pierwszego natywnego uniwersytetu AI – instytucji zbudowanej od podstaw wokół systemów AI.

W ostatnich latach uniwersytety eksperymentowały z AI w ocenianiu, tutoringu i planowaniu kursów. Teraz pojawia się głębsza AI – adaptacyjny system akademicki, który uczy się i optymalizuje w czasie rzeczywistym.

Wyobraź sobie instytucję, w której kursy, doradztwo, współpraca badawcza, a nawet zarządzanie budynkami są stale dostosowywane na podstawie pętli zwrotnej danych. Plan zajęć optymalizuje się sam. Lista lektur aktualizuje się co noc i automatycznie zmienia wraz z pojawieniem się nowych badań. Ścieżki nauki są dostosowywane w czasie rzeczywistym do tempa i sytuacji każdego studenta.

Widzimy już tego zapowiedzi. Arizona State University (ASU) we współpracy z OpenAI stworzył setki projektów AI obejmujących nauczanie i administrację. State University of New York (SUNY) wprowadził AI literacy do wymagań ogólnokształcących. To fundamenty głębszego wdrożenia.

Na natywnym uniwersytecie AI profesorowie będą architektami nauki: zarządzają danymi, stroją modele i uczą studentów kwestionowania rozumowania maszyn.

Zmieni się także sposób oceniania. Narzędzia wykrywające i zakazy plagiatu zostaną zastąpione oceną świadomości AI – studenci będą oceniani nie za to, czy używają AI, ale jak jej używają. Przejrzystość i strategiczne wykorzystanie zastąpią zakazy.

W miarę jak wszystkie branże będą potrzebować ludzi potrafiących projektować, zarządzać i współpracować z systemami AI, nowy uniwersytet stanie się kuźnią talentów, kształcąc absolwentów biegłych w koordynacji systemów AI i wspierających dynamiczny rynek pracy.

Ten natywny uniwersytet AI stanie się silnikiem talentów nowej gospodarki.

Na dziś to wszystko, do zobaczenia w kolejnej części – bądźcie czujni.