a16z《Gagasan Utama Tahun 2026: Bagian Pertama》

作者：a16z New Media 编译：Block unicorn

Sebagai investor, kewajiban kita adalah memahami secara mendalam berbagai sudut industri teknologi, sehingga dapat menangkap tren masa depan. Oleh karena itu, setiap bulan Desember, kami mengundang tim investasi untuk berbagi satu gagasan besar yang mereka yakini akan diselesaikan oleh perusahaan teknologi dalam satu tahun ke depan.

Hari ini, kami akan berbagi pandangan dari tim infrastruktur, pertumbuhan, biologi + kesehatan, dan Speedrun. Nantikan berbagi dari tim lain besok.

Infrastruktur

Jennifer Li：Bagaimana perusahaan rintisan mengelola kekacauan data multimodal

Data tidak terstruktur dan multimodal selalu menjadi hambatan terbesar yang dihadapi perusahaan, sekaligus sumber daya terbesar yang belum mereka manfaatkan. Setiap perusahaan tenggelam dalam lautan PDF, screenshot, video, log, email, dan data semi-terstruktur. Model menjadi semakin pintar, tetapi input data justru semakin kacau, menyebabkan sistem RAG gagal, dan agen gagal secara biaya tinggi dan tidak mudah terdeteksi, proses kerja kritis masih sangat bergantung pada inspeksi manual. Kendala utama perusahaan AI saat ini adalah entropi data: dalam dunia data tidak terstruktur, freshness, struktur, dan keaslian terus menurun, dan 80% pengetahuan perusahaan kini tersimpan dalam data tidak terstruktur tersebut.

Karena itu, mengelola data tidak terstruktur menjadi peluang langka. Perusahaan membutuhkan pendekatan berkelanjutan untuk membersihkan, membangun, memverifikasi, dan mengelola data multimodal mereka, agar beban kerja AI di hulu dapat benar-benar berfungsi. Kasus penggunaan ada di mana-mana: analisis kontrak, proses onboarding, klaim asuransi, kepatuhan, layanan pelanggan, pengadaan, pencarian engineering, pemberdayaan penjualan, pipeline analisis, dan semua alur kerja agen yang bergantung pada konteks yang andal. Startup yang mampu membangun platform yang mengekstrak struktur dari dokumen, gambar, dan video, menyelesaikan konflik, memperbaiki pipeline, atau menjaga data tetap segar dan dapat dicari, memegang kunci kerajaan pengetahuan dan proses perusahaan.

Joel de la Garza：Kecerdasan buatan menghidupkan kembali perekrutan keamanan jaringan

Sebagian besar dekade terakhir, Chief Information Security Officer (CISO) menghadapi tantangan terbesar dalam perekrutan. Dari 2013 hingga 2021, kekosongan posisi keamanan siber meningkat dari kurang dari 1 juta menjadi 3 juta posisi. Ini karena tim keamanan mempekerjakan banyak insinyur mahir teknologi, yang melakukan pekerjaan keamanan tingkat satu yang membosankan setiap hari, seperti meninjau log, tanpa ada yang mau melakukannya. Penyebabnya adalah, tim keamanan membeli produk yang mampu mendeteksi segalanya, sehingga menciptakan pekerjaan yang merepotkan ini, yang berarti mereka harus meninjau semua informasi — yang pada gilirannya menciptakan kekurangan tenaga kerja palsu. Siklus ini bersifat vicious.

Hingga 2026, kecerdasan buatan akan memecah siklus ini dan mengisi kekosongan perekrutan dengan mengotomatisasi banyak pekerjaan berulang tim keamanan siber. Siapa pun yang pernah bekerja di tim keamanan besar tahu, setengah dari pekerjaan dapat dengan mudah diotomatisasi, tetapi saat beban kerja menumpuk, sulit menentukan mana yang harus otomatis. Alat AI asli yang mampu membantu tim keamanan menyelesaikan masalah ini akhirnya akan membebaskan mereka untuk melakukan hal yang benar-benar mereka inginkan: menangkap penjahat, membangun sistem baru, dan memperbaiki kerentanan.

Malika Aubakirova：Infrastruktur agen asli akan menjadi standar

Hingga 2026, dampak infrastruktur terbesar bukan berasal dari perusahaan eksternal, tetapi dari dalam perusahaan itu sendiri. Kita sedang beralih dari lalu lintas “kecepatan manusia” yang dapat diprediksi dan rendah konkurensi ke beban kerja “kecepatan agen” yang rekursif, mendadak, dan besar skalanya.

Saat ini, backend perusahaan dirancang untuk rasio operasi manusia dan respons sistem 1:1. Tidak dirancang untuk rekursif, paralel, dan mili detik — untuk memicu 5000 sub-tugas, query database, dan panggilan API internal dari satu agen target. Ketika agen mencoba merekonstruksi kode atau memperbaiki log keamanan, itu tidak terlihat seperti pengguna. Dalam pandangan database tradisional atau pengatur lalu lintas, itu seperti serangan DDoS.

Membangun sistem untuk agen tahun 2026 berarti mendesain ulang control plane. Kita akan menyaksikan munculnya infrastruktur “berbasis agen asli”. Infrastruktur generasi berikutnya harus menganggap “efek kawanan” (thundering herd) sebagai standar. Waktu start dingin harus dipersingkat, fluktuasi latensi harus dikurangi secara signifikan, dan batas konkurensi harus dilipatgandakan. Bottlenecknya adalah koordinasi: mengimplementasikan routing, locking, manajemen status, dan eksekusi kebijakan dalam eksekusi paralel besar-besaran. Hanya platform yang mampu menghadapi gelombang alat eksekusi ini yang akan memenangkan akhirnya.

Justine Moore：Alat kreatif menuju multimodal

Kita sekarang memiliki modul penceritaan berbasis AI: suara generatif, musik, gambar, dan video. Tetapi untuk konten di luar fragmen sekali pakai, mendapatkan output yang diinginkan sering kali memakan waktu dan membingungkan — bahkan tidak mungkin — terutama saat kamu menginginkan tingkat kontrol seperti sutradara tradisional.

Mengapa kita tidak bisa memberi model video berdurasi 30 detik, lalu membiarkannya melanjutkan dengan karakter baru yang dibuat dari gambar dan suara referensi? Atau merekam ulang video agar kita bisa melihat dari sudut berbeda, atau membuat gerakan sesuai referensi video?

2026 adalah tahun AI menuju multimodal. Kamu bisa memberi model apa saja sebagai referensi, lalu menggunakannya untuk menciptakan konten baru atau mengedit adegan yang sudah ada. Kami sudah melihat produk awal seperti Kling O1 dan Runway Aleph. Tapi banyak pekerjaan yang harus dilakukan — kita perlu inovasi di tingkat model dan aplikasi.

Kreasi konten adalah salah satu aplikasi paling kuat dari AI, dan saya prediksi kita akan melihat banyak produk sukses muncul, dari pembuat meme hingga sutradara Hollywood.

Jason Cui：Tumpukan data asli AI terus berkembang

Dalam setahun terakhir, dengan perusahaan data beralih dari fokus pada pengambilan data, transformasi, dan komputasi ke platform terpadu, kita melihat integrasi “tumpukan data modern”. Contohnya: penggabungan Fivetran/dbt dan munculnya platform terpadu seperti Databricks.

Meskipun ekosistem ini sudah matang secara signifikan, kita masih berada di tahap awal arsitektur data asli AI. Kita antusias dengan bagaimana AI terus merevolusi berbagai aspek tumpukan data, dan mulai menyadari bahwa infrastruktur data dan AI semakin tak terpisahkan.

Beberapa arah yang kami yakini:

• Bagaimana data akan mengalir bersama data terstruktur tradisional ke dalam database vektor berkinerja tinggi
• Bagaimana agen AI mengatasi “masalah konteks”: akses terus-menerus ke konteks data bisnis dan semantic layer yang benar, untuk membangun aplikasi yang kuat, seperti berinteraksi dengan data dan memastikan definisi bisnis yang benar di berbagai sistem catatan
• Bagaimana alur kerja data yang semakin agenifikasi dan otomatisasi akan mengubah alat business intelligence tradisional dan spreadsheet

Yoko Li：Kita memasuki tahun video

Hingga 2026, video tidak lagi menjadi konten yang kita tonton secara pasif, melainkan seperti ruang yang benar-benar bisa kita masuki. Model video akhirnya mampu memahami waktu, mengingat apa yang sudah ditampilkan, merespons tindakan kita, dan menjaga konsistensi yang andal seperti dunia nyata. Sistem ini tidak lagi sekadar menghasilkan beberapa detik gambar acak, tetapi mampu mempertahankan karakter, objek, dan efek fisik cukup lama agar aksi bermakna dan menampilkan konsekuensinya. Perubahan ini mengubah video menjadi media yang terus berkembang: robot bisa berlatih, permainan bisa berevolusi, desainer bisa membuat prototipe, dan agen bisa belajar dalam praktik. Akhirnya, yang dihasilkan tidak lagi sekadar klip video, melainkan lingkungan yang hidup, jembatan antara persepsi dan aksi yang mulai menyatu. Kita pertama kali merasa bisa benar-benar masuk ke dalam video yang kita buat.

Pertumbuhan

Sarah Wang：Sistem pencatatan kehilangan dominasi

Hingga 2026, revolusi nyata di bidang perangkat lunak perusahaan adalah sistem pencatatan yang akhirnya kehilangan dominasi mereka. AI mengurangi jarak antara niat dan eksekusi: model sekarang bisa membaca, menulis, dan melakukan inferensi langsung terhadap data operasi, mengubah ITSM dan CRM dari basis data pasif menjadi mesin alur kerja otonom. Dengan kemajuan terbaru dalam model inferensi dan alur kerja agen, sistem ini tidak hanya mampu merespons, tetapi juga memprediksi, mengoordinasikan, dan mengeksekusi proses end-to-end. Antarmuka akan bertransformasi menjadi lapisan agen dinamis, sementara sistem pencatatan tradisional akan mundur sebagai lapisan persistensi umum — keunggulan strategisnya akan dialihkan ke pihak yang mengendalikan lingkungan eksekusi agen yang digunakan karyawan sehari-hari.

Alex Immerman：AI vertikal dari pencarian informasi dan inferensi menuju kolaborasi multipihak

AI mendorong pertumbuhan tak tertandingi di perangkat lunak vertikal industri. Perusahaan di bidang kesehatan, hukum, dan real estate dalam beberapa tahun mampu mencapai pendapatan tahunan berulang (ARR) lebih dari 100 juta dolar (ARR); industri keuangan dan akuntansi mengikuti. Perkembangan ini diawali dengan pencarian informasi: menemukan, mengekstrak, dan merangkum data yang benar. Pada 2025, hadir fungsi inferensi: Hebbia menganalisis laporan keuangan dan membangun model; Basis melakukan reconciliations antar sistem dan trial balance; EliseAI mendiagnosis masalah pemeliharaan dan mengirimkan vendor yang sesuai.

Tahun 2026 akan membuka mode kolaborasi multipihak. Perangkat lunak industri vertikal mendapat manfaat dari antarmuka, data, dan integrasi khusus bidang. Namun, pekerjaan di bidang industri vertikal secara intrinsik melibatkan kolaborasi banyak pihak. Jika agen harus mewakili tenaga kerja, mereka harus bekerja sama. Dari pembeli dan penjual, hingga penyewa, konsultan, dan vendor, setiap pihak memiliki izin, alur kerja, dan persyaratan kepatuhan yang berbeda, dan hanya perangkat lunak vertikal yang mampu memahaminya.

Saat ini, semua pihak menggunakan AI secara terpisah, menyebabkan kurangnya otorisasi dalam transfer tanggung jawab. AI analisis perjanjian pembelian tidak berkomunikasi dengan CFO untuk menyesuaikan model. Pemeliharaan AI tidak tahu apa yang pernah dijanjikan petugas lapangan kepada penyewa. Revolusi kolaborasi multipihak adalah tentang koordinasi antar pemangku kepentingan: mengarahkan tugas ke pakar fungsi, menjaga konteks, menyinkronkan perubahan. AI lawan transaksi bernegosiasi dalam parameter yang telah ditetapkan, dan menandai ketidakseimbangan untuk ditinjau manusia. Penandaan mitra senior digunakan untuk melatih sistem perusahaan secara keseluruhan. Tugas yang dilakukan AI akan lebih sukses.

Ketika kolaborasi multipihak dan multi-agen meningkat nilainya, biaya peralihan juga akan meningkat. Kita akan melihat efek jaringan yang selama ini belum bisa direalisasikan dari aplikasi AI: lapisan kolaborasi akan menjadi keunggulan kompetitif.

Stephenie Zhang：Dirancang untuk agen, bukan manusia

Hingga 2026, orang akan mulai berinteraksi dengan jaringan melalui agen. Sesuatu yang selama ini dioptimalkan untuk konsumsi manusia tidak lagi sama pentingnya bagi konsumsi agen.

Selama bertahun-tahun, kita berfokus mengoptimalkan perilaku manusia yang dapat diprediksi: menduduki peringkat teratas hasil pencarian Google, muncul di puncak hasil pencarian Amazon, dan diawali dengan “TL;DR” yang ringkas dan padat. Saat SMA, saya mengambil mata pelajaran berita, guru mengajar kami menulis berita dengan “5W1H”, dan artikel utama harus menarik perhatian sejak awal agar pembaca tertarik. Mungkin pembaca manusia melewatkan argumen berharga dan mendalam yang tersembunyi di halaman kelima, tetapi AI tidak akan.

Perubahan ini juga tercermin di bidang perangkat lunak. Desain aplikasi awalnya untuk memenuhi kebutuhan visual dan klik manusia, dengan optimisasi berupa antarmuka pengguna yang baik dan alur kerja yang intuitif. Saat AI mengambil alih pencarian dan interpretasi, pentingnya desain visual untuk pemahaman perlahan menurun. Insinyur tidak lagi memantau dashboard Grafana, dan insinyur keandalan sistem AI (SRE) dapat membaca data telemetry dan mengirim analisis di Slack. Tim penjualan tidak lagi harus menelusuri CRM (CRM) secara manual, karena AI dapat mengekstrak pola dan ringkasan secara otomatis.

Kita tidak lagi membuat konten untuk manusia, melainkan untuk AI. Tujuan optimisasi baru bukan lagi hierarki visual, melainkan keterbacaan mesin — ini akan mengubah cara kita berkarya dan alat yang kita gunakan.

Santiago Rodriguez：Akhir dari KPI “waktu layar” dalam aplikasi AI

Selama 15 tahun terakhir, waktu layar menjadi indikator utama dalam menilai nilai aplikasi konsumen dan perusahaan. Kita hidup dalam paradigma di mana durasi streaming Netflix, klik mouse dalam pengalaman EMR, atau waktu yang dihabiskan di ChatGPT, menjadi indikator kinerja utama. Seiring kita beralih ke model penetapan harga berbasis hasil, paradigma ini akan ditinggalkan agar dapat menyelaraskan insentif vendor dan pengguna secara optimal.

Kita sudah melihat ini dalam praktik. Saat saya menjalankan query DeepResearch di ChatGPT, meskipun waktu layar hampir nol, saya tetap mendapatkan nilai besar. Ketika Abridge secara ajaib menangkap percakapan dokter dan pasien serta otomatis menjalankan tindakan lanjutan, dokter hampir tidak perlu melihat layar. Saat Cursor mengembangkan aplikasi lengkap end-to-end, insinyur sedang merencanakan siklus pengembangan berikutnya. Dan saat Hebbia menulis presentasi dari ratusan dokumen publik, para bankir investasi akhirnya bisa tidur nyenyak.

Ini menimbulkan tantangan unik: standar biaya untuk aplikasi satu pengguna perlu metode pengukuran ROI (ROI) yang lebih kompleks. Penggunaan AI (AI) akan meningkatkan kepuasan dokter, efisiensi pengembang, kesejahteraan analis keuangan, dan kebahagiaan konsumen. Perusahaan yang mampu menjelaskan ROI secara singkat dan jelas akan terus mengungguli kompetitor.

Biologi + Kesehatan

Julie Yoo：MAU kesehatan

Hingga 2026, segmen pelanggan baru dalam layanan kesehatan akan menjadi fokus: “MAU kesehatan”.

Sistem kesehatan tradisional melayani tiga kelompok utama pengguna: (a) “Pengguna bulanan sakit”: kelompok dengan fluktuasi kebutuhan tinggi dan biaya tinggi; (b) “Pengguna harian sakit *”: seperti pasien yang membutuhkan perawatan intensif jangka panjang; dan © “Pengguna aktif muda sehat *”: kelompok yang relatif sehat dan jarang berobat. Pengguna aktif muda sehat berisiko bertransformasi menjadi pengguna bulanan sakit / harian sakit, dan pencegahan dapat memperlambat transformasi ini. Tetapi, sistem reimbursement medis berorientasi pengobatan memberi insentif untuk pengobatan, bukan pencegahan, sehingga layanan pemeriksaan dan pemantauan aktif tidak diprioritaskan dan asuransi jarang menanggungnya.

Sekarang, muncul segmen “MAU kesehatan”: mereka bukan sakit, tetapi ingin memantau dan memahami kondisi kesehatan secara rutin — dan mereka mungkin merupakan kelompok terbesar di antara konsumen. Kami prediksi beberapa perusahaan — termasuk startup asli AI dan versi upgrade dari perusahaan yang ada — akan mulai menawarkan layanan rutin untuk melayani segmen ini.

Dengan potensi AI menurunkan biaya layanan medis, munculnya produk asuransi kesehatan berbasis pencegahan, dan meningkatnya keinginan konsumen membayar langganan sendiri, “MAU kesehatan” menjadi segmen pelanggan berikutnya yang sangat potensial di bidang healthtech: mereka terus berpartisipasi, data-driven, dan fokus pada pencegahan.

Speedrun (nama tim investasi internal a16z)

Jon Lai：Model dunia bersinar dalam narasi

Hingga 2026, model dunia berbasis AI akan merevolusi narasi melalui dunia virtual interaktif dan ekonomi digital. Teknologi seperti Marble (World Labs) dan Genie 3 (DeepMind) sudah mampu menghasilkan lingkungan 3D lengkap dari petunjuk teks, memungkinkan pengguna menjelajahi seperti dalam game. Dengan adopsi alat ini oleh kreator, bentuk narasi baru akan muncul, yang akhirnya bisa berkembang menjadi “Minecraft generatif”, di mana pemain dapat bersama-sama menciptakan alam semesta yang besar dan terus berkembang. Dunia ini bisa menggabungkan mekanisme permainan dan pemrograman bahasa alami, misalnya, pemain memberi instruksi seperti “buatkan kuas yang mengubah apapun yang saya sentuh menjadi warna pink”.

Model jenis ini akan mengaburkan batas antara pemain dan pencipta, menjadikan pengguna sebagai co-creator realitas yang dinamis dan berbagi. Evolusi ini bisa melahirkan multiverse generatif yang saling terkait, dengan genre seperti fantasi, horor, dan petualangan yang eksis bersamaan. Dalam dunia virtual ini, ekonomi digital akan berkembang pesat, dan pencipta dapat memperoleh penghasilan melalui pembuatan aset, membimbing pemula, atau mengembangkan alat interaktif baru. Selain untuk hiburan, dunia generatif ini juga akan menjadi lingkungan simulasi yang kaya untuk melatih agen AI, robot, hingga kecerdasan buatan umum (AGI). Dengan demikian, munculnya model dunia tidak hanya menandai jenis game baru, tetapi juga memperkenalkan media kreasi dan frontier ekonomi yang sama sekali baru.

Josh Lu：“Tahun pertama saya”

Tahun 2026 akan menjadi “tahun pertama saya”: saat produk tidak lagi massal, tetapi disesuaikan secara pribadi untukmu.

Kami sudah melihat tren ini di mana-mana.

Dalam pendidikan, startup seperti Alphaschool membangun mentor AI yang mampu beradaptasi dengan kemajuan dan minat belajar setiap siswa, sehingga setiap anak mendapatkan pengalaman belajar yang sesuai dengan ritme dan preferensinya. Tanpa mengeluarkan ribuan dolar untuk bimbingan, perhatian tingkat tinggi ini tidak mungkin tercapai.

Dalam kesehatan, AI merancang suplemen nutrisi harian, rencana olahraga, dan menu makanan yang disesuaikan dengan karakter fisiologismu. Tanpa pelatih atau laboratorium.

Bahkan di media, AI memungkinkan kreator menyusun ulang berita, acara, dan cerita, menciptakan aliran informasi yang benar-benar personal dan sesuai minatmu.

Perusahaan terbesar abad lalu berhasil karena mereka menemukan konsumen umum.

Perusahaan terbesar abad berikutnya akan menang dengan menemukan individu di antara konsumen umum.

Hingga 2026, dunia tidak lagi dioptimalkan untuk semua orang, tetapi mulai dioptimalkan untukmu.

Emily Bennett：Universitas AI asli pertama

Saya prediksi, tahun 2026 kita akan menyaksikan kelahiran universitas AI asli pertama, sebuah institusi yang dibangun dari nol seputar sistem AI.

Beberapa tahun terakhir, universitas mencoba mengintegrasikan AI ke dalam penilaian, bimbingan, dan pengaturan kurikulum. Tapi yang muncul sekarang adalah sistem akademik yang lebih mendalam dan adaptif, mampu belajar secara real-time dan melakukan self-optimization.

Bayangkan di institusi ini, jadwal kuliah, konsultasi, kolaborasi penelitian, bahkan operasional gedung akan terus menyesuaikan berdasarkan data umpan balik. Jadwal akan otomatis optimal, daftar bacaan akan diperbarui setiap malam dan otomatis ditulis ulang mengikuti riset terbaru. Jalur belajar akan disesuaikan secara real-time sesuai kemajuan dan kondisi masing-masing mahasiswa.

Kami sudah melihat beberapa tanda. Kolaborasi seluruh kampus Arizona State University (ASU) dan OpenAI melahirkan ratusan proyek berbasis AI untuk pengajaran dan administrasi. SUNY (State University of New York) kini memasukkan literasi AI ke dalam kurikulum umum. Semua ini adalah fondasi untuk implementasi lebih dalam.

Di universitas berbasis AI, dosen akan menjadi arsitek pembelajaran, bertanggung jawab atas pengelolaan data, penyetelan model, dan membimbing mahasiswa untuk mempertanyakan inferensi mesin.

Metode evaluasi juga akan berubah. Alat deteksi dan larangan plagiarisme akan digantikan oleh penilaian kesadaran AI, di mana standar skor mahasiswa bukan lagi soal menggunakan AI, tetapi bagaimana mereka menggunakannya. Transparansi dan penggunaan strategis akan menggantikan larangan.

Seiring semua bidang berusaha merekrut orang yang mampu merancang, mengelola, dan berkolaborasi dengan sistem AI, universitas baru ini akan menjadi pusat pelatihan lulusan yang mahir dalam koordinasi sistem AI, mendukung tenaga kerja yang cepat berubah.

Universitas AI asli ini akan menjadi mesin pencetak talenta ekonomi baru.

Sampai di sini dulu, sampai jumpa di bagian berikutnya, nantikan.