a16z "Mahahalagang Ideya para sa 2026: Unang Bahagi"

Ibabahagi ng artikulong ito ang mga pananaw mula sa mga koponan ng Infrastructure, Growth, Bio + Health, at Speedrun.

May-akda: a16z New Media

Pagsasalin: Block unicorn

Bilang mga mamumuhunan, tungkulin naming lubusang maunawaan ang bawat sulok ng industriya ng teknolohiya upang mahuli ang mga uso ng hinaharap. Kaya tuwing Disyembre, inaanyayahan namin ang aming investment team na ibahagi ang isang mahalagang ideya na sa tingin nila ay susubukang lutasin ng mga tech na kumpanya sa susunod na taon.

Ngayon, ibabahagi namin ang mga pananaw mula sa mga koponan ng Infrastructure, Growth, Bio + Health, at Speedrun. Abangan bukas para sa mga pananaw mula sa iba pang mga koponan.

Infrastructure

Jennifer Li: Paano Makakayanan ng Mga Startup ang Kaguluhan ng Multimodal na Data

Ang hindi nakaayos at multimodal na data ay palaging pinakamalaking hadlang ng mga negosyo—at pinakamalaking yaman na hindi pa nila napapakinabangan. Bawat kumpanya ay nalulunod sa dagat ng mga PDF, screenshot, video, log, email, at semi-structured na data. Habang lalong nagiging matalino ang mga modelo, lalong nagiging magulo ang input data, na nagdudulot ng mga pagkabigo sa RAG system, mga agent na pumapalya sa hindi halatang paraan na may mataas na gastos, at mga kritikal na workflow na umaasa pa rin sa manual na quality check. Ang pangunahing limitasyon ng mga AI company ngayon ay data entropy: sa mundo ng hindi nakaayos na data, patuloy na bumababa ang freshness, structure, at authenticity—at 80% ng enterprise knowledge ay nasa mga hindi nakaayos na data na ito.

Dahil dito, ang paglilinis ng hindi nakaayos na data ay isang bihirang pagkakataon. Kailangan ng mga negosyo ng tuloy-tuloy na paraan para linisin, buuin, i-validate, at pamahalaan ang kanilang multimodal na data upang matiyak na tunay na gumagana ang downstream AI workloads. Napakaraming application scenario: contract analysis, onboarding, claims processing, compliance, customer service, procurement, engineering search, sales enablement, analytics pipeline, at lahat ng agent workflow na umaasa sa maaasahang context. Ang mga startup na makakabuo ng platform na kayang mag-extract ng structure mula sa dokumento, larawan, at video, magresolba ng conflict, mag-ayos ng pipeline, o panatilihin ang freshness at retrievability ng data ay may hawak ng susi sa kaharian ng enterprise knowledge at workflow.

Joel de la Garza: Binibigyang-buhay ng AI ang Cybersecurity Recruitment

Sa halos buong nakaraang dekada, ang pinakamalaking hamon ng mga Chief Information Security Officer (CISO) ay recruitment. Mula 2013 hanggang 2021, ang bakanteng cybersecurity jobs ay tumaas mula sa wala pang 1 milyon hanggang 3 milyon. Ito ay dahil ang mga security team ay nag-hire ng maraming highly-skilled engineers para gawin ang paulit-ulit at nakaka-boring na tier-one security work araw-araw, tulad ng pag-review ng logs—trabahong walang gustong gumawa. Ang ugat ng problema: bumili ang mga security team ng mga produktong kayang mag-detect ng lahat, kaya nagkaroon ng napakaraming trabaho, na nangangahulugang kailangang i-review ng team ang lahat ng impormasyon—na nagdudulot ng pekeng kakulangan sa workforce. Isang vicious cycle ito.

Pagsapit ng 2026, babasagin ng AI ang cycle na ito at pupunan ang hiring gap sa pamamagitan ng pag-automate ng maraming repetitive na gawain ng security teams. Alam ng sinumang nagtrabaho sa malaking security team na kalahati ng trabaho ay kayang i-automate, ngunit kapag tambak ang trabaho, mahirap tukuyin kung alin ang dapat i-automate. Ang mga native AI tools na makakatulong sa security teams na lutasin ang mga problemang ito ay magpapalaya sa kanila upang gawin ang tunay nilang gustong gawin: maghanap ng masasamang aktor, magtayo ng bagong sistema, at mag-ayos ng vulnerabilities.

Malika Aubakirova: Magiging Standard ang Native Agent Infrastructure

Pagsapit ng 2026, ang pinakamalaking infrastructure shock ay magmumula hindi sa labas kundi sa loob ng mga kumpanya. Lumilipat tayo mula sa predictable, low-concurrency na “human speed” traffic patungo sa recursive, bursty, at napakalaking “agent speed” workloads.

Ang backend ng mga negosyo ngayon ay dinisenyo para sa 1:1 na ratio ng human operation at system response. Hindi ito inihanda para sa isang agent na kayang mag-trigger ng 5,000 sub-tasks, database queries, at internal API calls sa millisecond-level na recursive fan-out. Kapag sinusubukan ng agent na i-refactor ang codebase o ayusin ang security logs, hindi ito mukhang isang user. Sa mata ng tradisyonal na database o rate limiter, parang DDoS attack ito.

Ang pagbuo ng system para sa mga agent ng 2026 ay nangangahulugang muling pagdidisenyo ng control plane. Makikita natin ang pag-usbong ng “agent-native” infrastructure. Kailangang ituring ng next-gen infrastructure ang “thundering herd effect” bilang default state. Kailangang paikliin ang cold start time, malaki ang ibaba ng latency variance, at tumaas nang malaki ang concurrency limits. Ang bottleneck ay coordination: routing, locking, state management, at policy enforcement sa malakihang parallel execution. Tanging ang mga platform na kayang humarap sa bugso ng tool execution ang magtatagumpay.

Justine Moore: Papunta na sa Multimodal ang Creative Tools

Mayroon na tayong mga building block para sa AI storytelling: generative voice, music, image, at video. Ngunit para sa anumang nilalaman na lampas sa one-off na clip, ang pagkuha ng gustong output ay madalas na matagal, nakakainis—o imposible—lalo na kung gusto mong makamit ang control na malapit sa antas ng tradisyonal na direktor.

Bakit hindi natin pwedeng pakainin ang modelo ng 30-segundong video, at hayaang lumikha ito ng bagong karakter gamit ang reference images at sounds para ipagpatuloy ang eksena? O i-reshoot ang video para makita ang eksena mula sa ibang anggulo, o ipatugma ang kilos sa reference video?

Ang 2026 ay taon ng AI na papunta sa multimodal. Maaari kang magbigay ng anumang uri ng reference content sa modelo at gamitin ito para lumikha ng bagong content o i-edit ang kasalukuyang eksena. Nakita na natin ang ilang early products tulad ng Kling O1 at Runway Aleph. Ngunit marami pang kailangang gawin—kailangan natin ng innovation sa parehong model layer at application layer.

Ang content creation ay isa sa mga pinaka-makapangyarihang AI application scenarios, at inaasahan kong makakakita tayo ng maraming matagumpay na produkto para sa iba’t ibang use case at customer group—mula sa meme creators hanggang sa Hollywood directors.

Jason Cui: Patuloy na Umuunlad ang AI-Native Data Stack

Sa nakaraang taon, habang ang mga data company ay lumipat mula sa pagtuon sa ingestion, transformation, at computation patungo sa bundled unified platforms, nakita natin ang konsolidasyon ng “modern data stack.” Halimbawa: ang pagsasanib ng Fivetran/dbt at ang patuloy na pag-angat ng mga unified platform tulad ng Databricks.

Kahit na mas mature na ang ecosystem, nasa maagang yugto pa rin tayo ng tunay na AI-native data architecture. Nasasabik kami sa patuloy na pagbabago ng AI sa maraming bahagi ng data stack, at nagsisimula nang maging malinaw na hindi na mapaghihiwalay ang data at AI infrastructure.

Narito ang ilang direksyong pinaniniwalaan namin:

• Paano papasok ang data, kasama ng tradisyonal na structured data, sa high-performance vector databases
• Paano lulutasin ng AI agents ang “context problem”: tuloy-tuloy na pag-access sa tamang business data context at semantic layer, para makabuo ng malalakas na apps tulad ng data interaction, at matiyak na laging tama ang business definition sa maraming system of record
• Habang nagiging mas agentified at automated ang data workflows, paano magbabago ang tradisyonal na business intelligence tools at spreadsheets

Yoko Li: Taon ng Pagpasok Natin sa Video

Pagsapit ng 2026, ang video ay hindi na lamang content na pinapanood natin nang pasibo, kundi magiging isang espasyo na tunay nating mapapasukan. Sa wakas, mauunawaan ng video models ang oras, matatandaan ang naipakitang content, tutugon sa ating mga aksyon, at mapapanatili ang consistency na parang sa totoong mundo. Hindi na lang sila magge-generate ng ilang segundong hiwa-hiwalay na imahe, kundi kayang panatilihin ang mga karakter, bagay, at physical effects nang sapat na haba para magkaroon ng saysay ang mga aksyon at makita ang resulta nito. Binabago nito ang video bilang isang medium na patuloy na umuunlad: maaaring mag-practice ang robot, umunlad ang laro, gumawa ng prototype ang designer, at matuto ang agent sa aktwal na pagsubok. Ang huling resulta ay hindi na parang video clip, kundi parang isang buhay na kapaligiran—isang environment na nagsisimulang magtulay sa pagitan ng perception at action. Sa unang pagkakataon, mararamdaman nating maaari tayong pumasok sa video na ating ginawa.

Growth

Sarah Wang: Nawawala ang Dominasyon ng System of Record

Pagsapit ng 2026, ang tunay na disruptive change sa enterprise software ay ang pagkawala ng dominasyon ng system of record. Pinapaliit ng AI ang agwat sa pagitan ng intensyon at execution: kayang magbasa, magsulat, at mag-reason ng mga modelo sa operational data, ginagawang autonomous workflow engines ang IT Service Management (ITSM) at Customer Relationship Management (CRM) systems mula sa pagiging passive databases. Sa patuloy na pag-unlad ng reasoning models at agent workflows, hindi lang sila tumutugon kundi kaya ring mag-predict, mag-coordinate, at mag-execute ng end-to-end na proseso. Ang interface ay nagiging dynamic agent layer, habang ang tradisyonal na system of record ay nagiging generic persistence layer—at ang strategic advantage ay mapupunta sa may kontrol ng agent execution environment na ginagamit ng mga empleyado araw-araw.

Alex Immerman: Mula Information Retrieval at Reasoning Patungo sa Multi-Party Collaboration ang Vertical AI

Pinabilis ng AI ang paglago ng vertical industry software. Ang mga kumpanya sa healthcare, legal, at real estate ay umabot sa mahigit 100 millions na annual recurring revenue (ARR) sa loob lamang ng ilang taon; kasunod ang finance at accounting. Nagsimula ito sa information retrieval: paghahanap, pagkuha, at pag-summarize ng tamang impormasyon. Noong 2025, dumating ang reasoning: Hebbia ang nag-aanalyze ng financial statements at gumagawa ng models, Basis ang nagre-reconcile ng spreadsheets sa iba’t ibang system, EliseAI ang nagda-diagnose ng maintenance issues at nagpapadala ng tamang vendor.

Pagsapit ng 2026, mabubuksan ang multi-party collaboration mode. Nakikinabang ang vertical industry software sa domain-specific na interface, data, at integration. Ngunit ang likas na gawain sa vertical industries ay collaborative. Kung ang agents ay kakatawan sa workforce, kailangan nilang makipag-collaborate. Mula sa buyer at seller, tenant, consultant, at vendor—bawat isa ay may iba’t ibang permissions, workflow, at compliance na tanging vertical software ang nakakaintindi.

Ngayon, ginagamit ng bawat panig ang AI nang magkakahiwalay, kaya kulang ang authorization sa handoff. Ang AI na nag-aanalyze ng procurement agreement ay hindi nakikipag-ugnayan sa CFO para i-adjust ang model. Hindi rin alam ng maintenance AI ang ipinangako ng field staff sa tenant. Ang pagbabago ng multi-party collaboration ay coordination sa pagitan ng stakeholders: pag-route ng tasks sa functional expert, pagpapanatili ng context, at pag-sync ng changes. Ang AI ng counterparty ay nakikipag-negotiate sa loob ng itinakdang parameters at tina-flag ang asymmetries para sa human review. Ang mga mark ng senior partner ay ginagamit sa training ng buong system ng kumpanya. Mas mataas ang success rate ng AI-executed tasks.

Habang tumataas ang value ng multi-party at multi-agent collaboration, tataas din ang switching cost. Makikita natin ang network effect na matagal nang hindi naabot ng AI apps: ang collaboration layer ay magiging moat.

Stephenie Zhang: Disenyo Para sa Agents, Hindi Para sa Tao

Pagsapit ng 2026, magsisimula nang makipag-interact ang mga tao sa web sa pamamagitan ng agents. Ang mga bagay na in-optimize para sa human consumption noon ay hindi na ganoon kahalaga para sa agent consumption.

Ilang taon na nating in-optimize ang predictable human behavior: pagtaas ng ranking sa Google search results, pag-top sa Amazon search, at pagsisimula ng content sa maikling “TL;DR.” Noong high school, kumuha ako ng journalism class at tinuruan kami ng guro na magsulat gamit ang “5W1H,” at gawing engaging ang simula ng feature article para mahikayat ang mambabasa. Maaring hindi makita ng human reader ang insightful na argumento sa page five, pero hindi ganun ang AI.

Makikita rin ang pagbabagong ito sa software. Ang mga app ay dinisenyo para sa visual at click needs ng tao, kaya ang optimization ay nangangahulugang magandang UI at intuitive na flow. Habang kinukuha ng AI ang retrieval at interpretation, bumababa ang kahalagahan ng visual design para sa understanding. Hindi na kailangang tumingin ng engineer sa Grafana dashboard; kayang i-interpret ng AI SRE ang telemetry data at mag-post ng analysis sa Slack. Hindi na kailangang maghanap ng sales team sa CRM; kayang mag-extract ng patterns at summary ng AI.

Hindi na para sa tao ang content design, kundi para sa AI. Ang bagong optimization goal ay hindi na visual hierarchy kundi machine readability—babaguhin nito ang paraan ng paggawa natin ng content at tools na ginagamit natin.

Santiago Rodriguez: Katapusan ng “Screen Time” KPI sa AI Apps

Sa nakalipas na 15 taon, ang screen time ang naging pangunahing sukatan ng value delivery ng consumer at enterprise apps. Nabuhay tayo sa paradigm na ang Netflix streaming hours, mouse clicks sa medical EHR (bilang patunay ng paggamit), at maging ang oras sa ChatGPT ay key performance indicators. Habang lumilipat tayo sa outcome-based pricing models na perpektong uma-align sa incentives ng vendor at user, unang mawawala ang screen time reporting.

Nakikita na natin ito sa practice. Kapag nagpatakbo ako ng DeepResearch query sa ChatGPT, kahit halos zero ang screen time, napakalaki ng value na nakuha ko. Kapag awtomatikong kinukuha ng Abridge ang doctor-patient conversation at ginagawa ang follow-up, halos hindi na kailangang tumingin ng doktor sa screen. Kapag gumagawa ng end-to-end app ang Cursor, nagpa-plano na ng susunod na feature cycle ang engineer. At kapag gumagawa ng presentation si Hebbia mula sa daan-daang public documents, nakakatulog na nang mahimbing ang investment bankers.

Nagdudulot ito ng kakaibang hamon: kailangan ng mas komplikadong ROI measurement para sa per-user pricing ng apps. Ang paglaganap ng AI apps ay magpapataas ng doctor satisfaction, developer efficiency, analyst well-being, at consumer happiness. Ang mga kumpanyang kayang magpaliwanag ng ROI sa pinakasimple at malinaw na paraan ang patuloy na mangunguna.

Bio + Health

Julie Yoo: Healthy Monthly Active Users (MAU)

Pagsapit ng 2026, isang bagong segment ng healthcare customer ang magiging sentro: ang “healthy monthly active users.”

Tradisyonal na nakatuon ang healthcare system sa tatlong pangunahing user group: (a) “sick monthly active users”—mga taong may pabagu-bagong pangangailangan at mataas ang gastos; (b) “sick daily active users*”—halimbawa, mga pasyenteng nangangailangan ng long-term intensive care; at (c) “healthy young active users*”—mga taong halos hindi nagkakasakit at bihirang magpatingin. Ang healthy young active users ay may panganib na maging sick MAU/DAU, at maaaring pabagalin ito ng preventive care. Ngunit ang reimbursement system na nakatuon sa paggamot ay nagbibigay-gantimpala sa treatment, hindi sa prevention, kaya hindi prayoridad ang proactive health check at monitoring services, at bihirang saklaw ng insurance ang mga ito.

Ngayon, lumilitaw ang segment ng healthy MAU: hindi sila may sakit, ngunit nais nilang regular na i-monitor at malaman ang kanilang kalusugan—at maaaring sila ang pinakamalaking bahagi ng consumer base. Inaasahan naming maraming kumpanya—kabilang ang AI-native startups at upgraded na incumbent firms—ang magsisimulang mag-alok ng regular na serbisyo para sa segment na ito.

Sa potensyal ng AI na magpababa ng gastos sa healthcare, paglitaw ng mga bagong preventive health insurance products, at mas handang gumastos ng consumer para sa subscription model, ang “healthy MAU” ay magiging susunod na promising customer segment sa health tech: engaged, data-driven, at prevention-focused.

Speedrun (pangalan ng internal investment team ng a16z)

Jon Lai: Namamayagpag ang World Models sa Narrative

Pagsapit ng 2026, babaguhin ng AI-driven world models ang storytelling gamit ang interactive virtual worlds at digital economies. Ang mga teknolohiya tulad ng Marble (World Labs) at Genie 3 (DeepMind) ay kayang mag-generate ng buong 3D environment mula sa text prompt, na parang nag-e-explore ka sa laro. Habang ginagamit ng creators ang mga tool na ito, lilitaw ang bagong narrative forms na maaaring mauwi sa “generative Minecraft,” kung saan sabay-sabay na lilikha ang mga player ng malalaking, evolving na universe. Maaaring pagsamahin ng mga world na ito ang game mechanics at natural language programming—halimbawa, maaaring mag-utos ang player ng “gumawa ng brush na ginagawang pink ang lahat ng mahawakan ko.”

Magbubura ang mga modelong ito ng hangganan ng player at creator, at gagawing co-creator ang user ng dynamic, shared reality. Maaaring magbunga ito ng interconnected generative multiverses, kung saan sabay-sabay ang fantasy, horror, adventure, at iba pa. Sa mga virtual world na ito, uunlad ang digital economy: maaaring kumita ang creators sa paggawa ng assets, pagtuturo sa newbies, o pag-develop ng bagong interactive tools. Bukod sa entertainment, magiging training ground din ang mga generative world para sa AI agents, robots, at maging AGI. Kaya’t ang pag-usbong ng world models ay hindi lang simula ng bagong genre ng laro, kundi simula ng bagong creative medium at economic frontier.

Josh Lu: “Aking Taon”

Ang 2026 ay magiging “Aking Taon”: hindi na mass-produced ang mga produkto, kundi para sa iyo mismo ginawa.

Nakikita na natin ang trend na ito kahit saan.

Sa edukasyon, ang mga startup tulad ng Alphaschool ay gumagawa ng AI tutors na umaangkop sa learning pace at interest ng bawat estudyante, kaya’t bawat bata ay makakakuha ng edukasyong akma sa kanilang bilis at hilig. Hindi ito posible kung walang libu-libong dolyar na tutoring kada bata.

Sa kalusugan, nagdidisenyo ang AI ng personalized na daily supplement stack, exercise plan, at meal plan batay sa iyong physiology. Walang coach o laboratoryo na kailangan.

Kahit sa media, kayang i-remix ng AI ang balita, palabas, at kwento para makabuo ng personalized na feed na akma sa iyong interes at hilig.

Ang pinakamalalaking kumpanya noong nakaraang siglo ay nagtagumpay dahil nahanap nila ang “average consumer.”

Ang pinakamalalaking kumpanya ng susunod na siglo ay magwawagi sa pamamagitan ng paghahanap ng indibidwal sa loob ng average consumer.

Pagsapit ng 2026, hindi na para sa lahat ang mundo—para na ito sa iyo.

Emily Bennett: Ang Unang AI-Native University

Inaasahan kong pagsapit ng 2026 ay makikita natin ang unang AI-native university—isang institusyong mula simula ay binuo sa paligid ng AI systems.

Sa mga nakaraang taon, sinubukan ng mga unibersidad na gamitin ang AI sa grading, tutoring, at course scheduling. Ngunit ang lumilitaw ngayon ay mas malalim na AI—isang adaptive academic system na kayang matuto at mag-optimize ng sarili sa real time.

Isipin ang isang institusyong kung saan ang kurikulum, advising, research collaboration, at maging ang building operations ay patuloy na ina-adjust batay sa data feedback loop. Ang class schedule ay self-optimizing. Ang reading list ay nagbabago gabi-gabi at awtomatikong nire-rewrite kapag may bagong research. Ang learning path ay real-time na ina-adjust para umangkop sa learning pace at sitwasyon ng bawat estudyante.

Nakikita na natin ang ilang senyales. Ang Arizona State University (ASU) at OpenAI partnership ay nagbunga ng daan-daang AI-driven projects sa teaching at administration. Ang State University of New York (SUNY) ay isinama na ang AI literacy sa kanilang general education requirements. Lahat ito ay pundasyon ng mas malalim na deployment.

Sa AI-native university, magiging arkitekto ng pagkatuto ang mga propesor—sila ang mamamahala ng data, magtu-tune ng models, at magtuturo sa estudyante kung paano kwestyunin ang machine reasoning.

Magbabago rin ang assessment. Ang detection tools at plagiarism bans ay papalitan ng AI awareness assessment—hindi na kung gumamit ng AI ang estudyante, kundi kung paano nila ito ginamit. Papalitan ng transparency at strategy ang pagbabawal.

Habang lahat ng industriya ay naghahanap ng talentong kayang magdisenyo, mag-manage, at makipag-collaborate sa AI systems, ang bagong unibersidad na ito ang magiging training ground para sa mga graduate na bihasa sa AI system orchestration—na susuporta sa mabilis na nagbabagong labor market.

Ang AI-native university na ito ang magiging talent engine ng bagong ekonomiya.

Hanggang dito muna tayo ngayon. Kita-kits sa susunod na bahagi, abangan!