ผู้เขียน: a16z New Media แปลโดย: Block unicorn
ในฐานะนักลงทุน หน้าที่ของเราคือการเข้าใจลึกซึ้งในทุกมุมของอุตสาหกรรมเทคโนโลยี เพื่อให้สามารถจับแนวโน้มในอนาคตได้ ดังนั้น ทุกๆ ธันวาคม เราจะเชิญทีมลงทุนมาแบ่งปันแนวคิดสำคัญที่พวกเขาเชื่อว่า บริษัทเทคโนโลยีจะต้องแก้ไขในปีหน้า
วันนี้ เราจะแบ่งปันมุมมองจากทีม Infrastructure, Growth, Bio + Health และ Speedrun โปรดติดตามการแบ่งปันจากทีมอื่นๆ ในวันพรุ่งนี้
Infrastructure
Jennifer Li: สตาร์ทอัปจะควบคุมความวุ่นวายของข้อมูลมัลติโมเดิลได้อย่างไร
ข้อมูลไม่โครงสร้างและมัลติโมเดิลเป็นอุปสรรคที่ใหญ่ที่สุดสำหรับธุรกิจ และยังเป็นสมบัติที่ยังไม่ได้พัฒนามากที่สุด บริษัทต่างๆจมอยู่ในมหาสมุทรของ PDF, ภาพหน้าจอ, วิดีโอ, บันทึก, อีเมล และข้อมูลกึ่งโครงสร้าง โมเดลมีความฉลาดมากขึ้นเรื่อยๆ แต่ข้อมูลนำเข้ากลับยุ่งเหยิงขึ้นเรื่อยๆ ซึ่งทำให้ระบบ RAG ล้มเหลว ตัวแทนระบบล้มเหลวในลักษณะที่ไม่สามารถสังเกตได้ง่ายและมีค่าใช้จ่ายสูง งานกระบวนการสำคัญยังคงต้องพึ่งพาการตรวจสอบด้วยมนุษย์อย่างมาก บริษัทด้านปัญญาประดิษฐ์เผชิญกับข้อจำกัดในปัจจุบันคือ entropy ของข้อมูล: ในโลกของข้อมูลไม่โครงสร้าง ความสดใหม่ โครงสร้าง และความถูกต้องจะลดลงอย่างต่อเนื่อง และ 80% ของความรู้ในองค์กรอยู่ในข้อมูลไม่โครงสร้างเหล่านี้
ด้วยเหตุนี้ การคลี่คลายข้อมูลไม่โครงสร้างกลายเป็นโอกาสอันหาได้ยาก บริษัทจำเป็นต้องมีวิธีการต่อเนื่องในการทำความสะอาด สร้าง ตรวจสอบ และจัดการข้อมูลมัลติโมเดิลของตน เพื่อให้ภาระงาน AI ฝ่ายล่างทำงานได้อย่างแท้จริง ฉากใช้งานมีอยู่ทุกที่: การวิเคราะห์สัญญา กระบวนการ onboarding คำร้องขอชดเชย การปฏิบัติตามกฎระเบียบ การบริการลูกค้า การจัดซื้อ ค้นหาในวิศวกรรม การเสริมพลังฝ่ายขาย การวิเคราะห์สายการผลิต และกระบวนการทำงานที่ขึ้นอยู่กับบริบทที่เชื่อถือได้ สตาร์ทอัปที่สามารถสร้างแพลตฟอร์มที่ดึงโครงสร้างจากเอกสาร ภาพ และวิดีโอ แก้ไขความขัดแย้ง ซ่อมแซมสายการผลิต หรือรักษาความสดใหม่และการสามารถสืบค้นของข้อมูล ได้นั้น จะถือเป็นกุญแจสำคัญสู่ความรู้และกระบวนการขององค์กร
Joel de la Garza: AI ทำให้การสรรหาบุคลากรด้านความปลอดภัยทางเครือข่ายกลับมาใหม่
ในช่วงสิบปีที่ผ่านมา CISO (CISO) ต้องเผชิญกับความท้าทายใหญ่ที่สุดคือการสรรหา ตั้งแต่ปี 2013 จนถึง 2021 ตำแหน่งงานด้านความปลอดภัยทางเครือข่ายว่างงานเพิ่มจากน้อยกว่า 1 ล้านเป็น 3 ล้าน เนื่องจากทีมความปลอดภัยจ้างวิศวกรที่มีทักษะสูงจำนวนมาก ให้ทำงานพื้นฐานและน่าเบื่อ เช่น การตรวจสอบบันทึกโดยไม่มีใครอยากทำปัญหาหลักคือ ทีมความปลอดภัยซื้อผลิตภัณฑ์ที่สามารถตรวจจับทุกอย่าง ทำให้เกิดงานที่ยุ่งยากเหล่านี้ ซึ่งหมายความว่าทีมของพวกเขาต้องตรวจสอบข้อมูลทั้งหมด ซึ่งในทางกลับกัน ทำให้เกิดการขาดแคลนแรงงานปลอม นี่คือวัฏจักรอุบาทว์
ภายในปี 2026 AI จะทำลายวัฏจักรนี้ และเติมเต็มช่องว่างการสรรหาด้วยการอัตโนมัติหลายงานซ้ำซ้อนของทีมความปลอดภัยใดก็ตามที่เคยทำงานในทีมขนาดใหญ่ จะรู้ว่าครึ่งหนึ่งของงานสามารถแก้ไขได้ด้วยระบบอัตโนมัติ แต่เมื่อภาระงานสะสมมากขึ้น ก็ยากที่จะรู้ว่างานไหนควรอัตโนมัติ เครื่องมือ AI native ที่สามารถช่วยทีมความปลอดภัยแก้ไขปัญหาเหล่านี้ได้ จะทำให้พวกเขามีเวลาทำสิ่งที่แท้จริงที่อยากทำ: ไล่ล่าผู้ร้าย สร้างระบบใหม่ และซ่อมแซมช่องโหว่
Malika Aubakirova: โครงสร้างพื้นฐานตัวแทน native จะกลายเป็นมาตรฐาน
ภายในปี 2026 การเปลี่ยนแปลงด้านโครงสร้างพื้นฐานที่ใหญ่ที่สุดจะไม่มาจากภายนอกองค์กร แต่เป็นภายในองค์กรเอง เรากำลังเปลี่ยนจากการรับส่งข้อมูลแบบคาดการณ์และต่ำในความพร้อมใช้งาน ไปสู่ภาระงานแบบวนซ้ำ ฉับพลัน และขนาดใหญ่ของ “ภาระงานตัวแทน”
ปัจจุบัน backend ขององค์กรถูกออกแบบเพื่อรองรับสัดส่วน 1:1 ของการดำเนินงานของมนุษย์และการตอบสนองของระบบ มันไม่ได้เตรียมสถาปัตยกรรมให้กับการเรียกงานแบบวนซ้ำที่ปล่อยให้ตัวแทนแต่ละตัวสั่งงานย่อย 5000 งาน คิวฐานข้อมูล และการเรียก API ภายในเวลาไม่กี่มิลลิวินาที เมื่อตัวแทนพยายามสร้างโครงสร้างโค้ดใหม่หรือซ่อมแซมบันทึกความปลอดภัย มันดูไม่เหมือนผู้ใช้ ในสายตาของฐานข้อมูลแบบดั้งเดิมหรือ limiter มันก็เหมือนการโจมตี DDoS ครั้งหนึ่ง
การสร้างระบบสำหรับตัวแทนในปี 2026 หมายถึงการออกแบบใหม่ของ control plane เราจะได้เห็นการเกิดขึ้นของ “โครงสร้างพื้นฐาน native ตัวแทน” โครงสร้างพื้นฐานรุ่นใหม่ต้องมอง “ปรากฏการณ์ฝูง” (thundering herd) เป็นค่าเริ่มต้น เวลาบูตแบบเย็นต้องสั้นลง ความแปรปรวนในความหน่วงต้องลดลงอย่างมาก และข้อจำกัดด้านความพร้อมใช้งานต้องเพิ่มขึ้นเป็นทวีคูณ ความยุ่งยากอยู่ที่การประสานงาน: การทำ routing, locking, การจัดการสถานะและการดำเนินกลยุทธ์ในระดับใหญ่ การมีแพลตฟอร์มที่สามารถรับมือกับคลื่นการดำเนินงานของเครื่องมือเหล่านี้คือสิ่งที่จะชนะในที่สุด
Justine Moore: เครื่องมือสร้างสรรค์ก้าวเข้าสู่มัลติโมเดิล
เรามีโมดูลสร้างเรื่องราวด้วย AI อยู่แล้ว: การสร้างเสียง, ดนตรี, ภาพ และวิดีโอแบบ generative แต่สำหรับเนื้อหาที่เกินกว่าชิ้นเดียว การได้ผลลัพธ์ที่ต้องการมักใช้เวลานานและน่าหงุดหงิด—หรือแม้แต่เป็นไปไม่ได้—โดยเฉพาะเมื่อคุณต้องการควบคุมระดับระดับเทียบเท่าผู้กำกับภาพยนตร์
ทำไมเราไม่สามารถป้อนวิดีโอ 30 วินาทีให้โมเดล แล้วให้มันสร้างตัวละครใหม่โดยใช้ภาพและเสียงอ้างอิงต่อเนื่องในฉากเดียวกัน? หรือถ่ายทำวิดีโอใหม่เพื่อให้เรามองเห็นฉากจากมุมมองที่แตกต่าง หรือให้การเคลื่อนไหวตรงกับวิดีโออ้างอิง?
ปี 2026 จะเป็นปีที่ AI ก้าวเข้าสู่มัลติโมเดิล คุณสามารถให้โมเดลใช้ข้อมูลอ้างอิงในรูปแบบใดก็ได้ แล้วสร้างเนื้อหาใหม่หรือแก้ไขฉากเดิม เราได้เห็นผลิตภัณฑ์เบื้องต้นบางตัว เช่น Kling O1 และ Runway Aleph แต่ยังมีงานอีกมากที่ต้องทำ—เราต้องสร้างนวัตกรรมทั้งในระดับโมเดลและระดับแอปพลิเคชัน
การสร้างเนื้อหาคือหนึ่งในด้านที่ AI มีอานุภาพสูงสุดในปัจจุบัน คาดว่าจะมีผลิตภัณฑ์สำเร็จรูปจำนวนมากที่ครอบคลุมการใช้งานและกลุ่มลูกค้าต่างๆ ตั้งแต่ผู้สร้างสติกเกอร์อีโมจิ ไปจนถึงผู้กำกับฮอลลีวูด
Jason Cui: โครงสร้างข้อมูล native AI ยังคงพัฒนาอย่างต่อเนื่อง
ในรอบปีที่ผ่านมา เมื่อบริษัทข้อมูลเปลี่ยนจากการมุ่งเน้นด้านการรับข้อมูล การแปลงข้อมูล และคำนวณ ไปสู่แพลตฟอร์มรวมแบบบูรณาการ เราได้เห็นการรวมตัวของ “โครงสร้างข้อมูลสมัยใหม่” เช่น การควบรวม Fivetran/dbt และการเติบโตของแพลตฟอร์มรวมอย่าง Databricks
แม้ว่า ecosystem ทั้งหมดจะโตเต็มที่แล้ว เรายังอยู่ในช่วงเริ่มต้นของสถาปัตยกรรมข้อมูล native AI ที่แท้จริง เรายินดีและตื่นเต้นที่การเปลี่ยนแปลงของ AI กำลังส่งผลต่อหลายด้านของ stack ข้อมูล และเริ่มตระหนักว่าข้อมูลและโครงสร้างพื้นฐาน AI กำลังกลายเป็นสิ่งที่แยกจากกันไม่ได้
นี่คือแนวทางบางส่วนที่เรามองว่าอนาคตสดใส:
- ข้อมูลจะไหลเข้าสู่ฐานข้อมูลเวกเตอร์ที่มีประสิทธิภาพสูงร่วมกับข้อมูลโครงสร้างแบบดั้งเดิมอย่างไร
- ตัวแทน AI จะแก้ปัญหา “บริบท” อย่างไร: การเข้าถึงบริบทข้อมูลธุรกิจและระดับความหมายที่ถูกต้องอย่างต่อเนื่อง เพื่อสร้างแอปพลิเคชันที่แข็งแกร่ง เช่น การโต้ตอบกับข้อมูล และรับรองว่าแอปเหล่านี้มีคำจำกัดความทางธุรกิจที่ถูกต้องในหลายๆ ระบบบันทึก
- เมื่อเวิร์กโฟลว์ข้อมูลกลายเป็นตัวแทนและอัตโนมัติมากขึ้น เครื่องมือ BI แบบเดิมและสเปรดชีตจะเปลี่ยนไปอย่างไร
Yoko Li: ก้าวเข้าสู่ปีของวิดีโอ
ภายในปี 2026 วิดีโอจะไม่ใช่แค่เนื้อหาที่เราดูแบบ passive อีกต่อไป แต่จะกลายเป็นพื้นที่ที่เราสามารถมีส่วนร่วมได้อย่างแท้จริง ระบบวิดีโอในที่สุดจะเข้าใจเวลา จดจำเนื้อหาที่เคยแสดงออกมา ตอบสนองต่อการกระทำของเรา และรักษาความสอดคล้องกับโลกแห่งความเป็นจริง ระบบเหล่านี้จะไม่เพียงแต่สร้างภาพชั่วคราวไม่กี่วินาที แต่สามารถรักษาบทบาท วัตถุ และผลทางฟิสิกส์ให้นานพอที่จะสร้างความหมายและแสดงผลตามผลที่ตามมา การเปลี่ยนแปลงนี้จะเปลี่ยนวิดีโอให้กลายเป็นสื่อที่สามารถพัฒนาได้อย่างต่อเนื่อง: หุ่นยนต์สามารถฝึกซ้อม เกมสามารถวิวัฒนาการ นักออกแบบสามารถสร้างต้นแบบ ตัวแทนสามารถเรียนรู้ในเชิงปฏิบัติ สภาพแวดล้อมนี้จะไม่ใช่แค่คลิปวิดีโออีกต่อไป แต่เป็นสภาพแวดล้อมที่มีชีวิตชีวา เป็นพื้นที่ที่สามารถเชื่อมช่องว่างระหว่างการรับรู้และการกระทำ เราเป็นครั้งแรกที่รู้สึกว่าเราสามารถเข้าไปอยู่ในวิดีโอที่สร้างขึ้นเองได้
Growth
Sarah Wang: ระบบบันทึกจะสูญเสียความเป็นผู้นำ
ภายในปี 2026 การเปลี่ยนแปลงที่แท้จริงในวงการซอฟต์แวร์องค์กรคือ ระบบบันทึกจะสูญเสียความเป็นผู้นำในที่สุด AI กำลังลดระยะห่างระหว่างความตั้งใจและการดำเนินการ: โมเดลตอนนี้สามารถอ่าน เขียน และวิเคราะห์ข้อมูลการดำเนินงานได้โดยตรง เปลี่ยนระบบ ITSM และ CRM จากฐานข้อมูลเชิงรับเป็นกลไกเวิร์กโฟลว์อัตโนมัติ เมื่อความก้าวหน้าของโมเดลและเวิร์กโฟลว์ตัวแทนที่กำลังสะสม ระบบเหล่านี้ไม่เพียงตอบสนอง แต่ยังสามารถทำนาย ประสานงาน และดำเนินกระบวนการตั้งแต่ต้นจนจบ ส่วนต่อประสานจะกลายเป็นชั้นตัวแทนแบบไดนามิก ขณะที่ระบบบันทึกแบบเดิมจะถอยหลังกลายเป็นชั้นที่คงทนแบบทั่วไป ซึ่งกลยุทธ์จะถูกส่งต่อให้กับสภาพแวดล้อมการดำเนินงานของตัวแทนที่ควบคุมการใช้งานของพนักงาน
Alex Immerman: AI ในอุตสาหกรรมแนวตั้งจากการค้นหาและการวิเคราะห์ไปสู่การทำงานร่วมกันของหลายฝ่าย
AI เป็นแรงผลักดันให้ซอฟต์แวร์แนวตั้งเติบโตอย่างไม่เคยปรากฏมาก่อน ธุรกิจด้านสุขภาพ กฎหมาย และอสังหาริมทรัพย์ในเวลาไม่กี่ปี สามารถสร้างรายได้ประจำปีเกิน 100 ล้านดอลลาร์ (ARR); อุตสาหกรรมการเงินและบัญชีก็เช่นกัน การพัฒนานี้เริ่มจากการค้นหาและดึงข้อมูลที่ถูกต้อง 2025 มีการเพิ่มฟังก์ชันการวิเคราะห์: Hebbia วิเคราะห์งบการเงินและสร้างโมเดล Basis ทำ reconciliation งบประมาณในระบบต่าง ๆ และ EliseAI วินิจฉัยปัญหาการบำรุงรักษาและส่งมอบซัพพลายเออร์ที่เหมาะสม
ในปี 2026 จะเปิดใช้งานโหมดการทำงานร่วมกันของหลายฝ่าย ซอฟต์แวร์แนวตั้งได้รับประโยชน์จากอินเทอร์เฟซ ข้อมูล และการบูรณาการเฉพาะด้าน แต่งานในอุตสาหกรรมแนวตั้งเป็นการทำงานร่วมกันของหลายฝ่ายเป็นเรื่องธรรมชาติ หากตัวแทนจะเป็นตัวแทนของแรงงาน ก็ต้องสามารถทำงานร่วมกันได้ ตั้งแต่ผู้ซื้อและผู้ขาย ไปจนถึงผู้เช่า ที่ปรึกษา และซัพพลายเออร์ แต่ละฝ่ายมีสิทธิ์ กระบวนการทำงาน และข้อกำหนดด้านความสอดคล้องที่แตกต่างกัน และซอฟต์แวร์แนวตั้งเท่านั้นที่จะเข้าใจสิ่งเหล่านี้ได้
ปัจจุบัน ทุกฝ่ายใช้ AI อย่างอิสระ ทำให้การโอนงานขาดการให้สิทธิ์ การวิเคราะห์สัญญาการซื้อขายด้วย AI ไม่ได้สื่อสารกับผู้บริหารการเงินเพื่อปรับโมเดล การบำรุงรักษา AI ก็ไม่รู้ว่าสถานที่ทำงานเคยสัญญากับผู้เช่าไว้ว่าอะไร การเปลี่ยนแปลงในความร่วมมือหลายฝ่ายอยู่ที่การประสานงานระหว่างผู้มีส่วนได้ส่วนเสีย: การส่งต่อภารกิจไปยังผู้เชี่ยวชาญแต่ละด้าน การรักษาบริบท การซิงค์การเปลี่ยนแปลง AI ของคู่ค้าในขอบเขตที่กำหนดจะทำการเจรจา และจะแสดงความไม่สมดุลเพื่อให้ตรวจสอบด้วยมนุษย์ การทำเครื่องหมายโดยผู้ร่วมทุนจะใช้ในการฝึกฝนระบบของบริษัท การดำเนินงานของ AI จะสำเร็จด้วยอัตราความสำเร็จที่สูงขึ้น
เมื่อการทำงานร่วมกันของหลายฝ่ายและหลายตัวแทนเพิ่มขึ้น ต้นทุนการเปลี่ยนแปลงก็จะเพิ่มขึ้นตาม เราจะเห็นผลเชิงเครือข่ายที่ AI ไม่สามารถทำได้ก่อนหน้า: ชั้นความร่วมมือจะกลายเป็นกำแพงป้องกัน
Stephenie Zhang: ออกแบบสำหรับตัวแทน ไม่ใช่เพื่อมนุษย์
ภายในปี 2026 ผู้คนจะเริ่มโต้ตอบกับเครือข่ายผ่านตัวแทน สิ่งที่เคยปรับให้เหมาะสมกับการบริโภคของมนุษย์จะไม่สำคัญเท่าเดิมสำหรับการบริโภคของตัวแทนอีกต่อไป
ตลอดหลายปีที่ผ่านมา เราเน้นปรับปรุงพฤติกรรมของมนุษย์ให้คาดการณ์ได้: การจัดอันดับในผลการค้นหา Google การเป็นอันดับต้นในผลการค้นหา Amazon และการเริ่มต้นด้วย “TL;DR” สั้นๆ ในยุคมัธยม ฉันเรียนวิชาข่าวสาร ที่อาจารย์สอนให้เขียนข่าวด้วย “5W1H” บทความต้องมีการเปิดที่น่าดึงดูดเพื่อดึงดูดผู้อ่าน บางทีผู้อ่านมนุษย์อาจพลาดการอ่านบทวิเคราะห์ลึกซึ้งที่ซ่อนอยู่ในหน้าที่ 5 แต่ AI จะไม่พลาด
การเปลี่ยนแปลงนี้สะท้อนในซอฟต์แวร์ด้วย แอปพลิเคชันถูกออกแบบเพื่อรองรับความต้องการด้านภาพและการคลิกของมนุษย์ การปรับปรุงหมายถึงการมีอินเทอร์เฟซที่ดีและขั้นตอนที่เข้าใจง่าย เมื่อ AI เข้ารับหน้าที่ค้นหาและวิเคราะห์ ข้อความและการออกแบบภาพจะกลายเป็นสิ่งรองลงไป วิศวกรจะไม่ต้องจ้องที่แดชบอร์ด Grafana อีกต่อไป ระบบความน่าเชื่อถือของ AI (SRE) จะสามารถอ่านข้อมูล telemetry และส่งผลวิเคราะห์ใน Slack ได้ ทีมขายไม่จำเป็นต้องเปิดดู CRM (CRM) อีกต่อไป เพราะ AI สามารถดึงแพทเทิร์นสรุปและสรุปผลได้โดยอัตโนมัติ
เราไม่ออกแบบเนื้อหาสำหรับมนุษย์อีกต่อไป แต่เพื่อ AI เป้าหมายการปรับแต่งใหม่ไม่ใช่ระดับภาพ แต่เป็นความสามารถในการอ่านของเครื่อง—สิ่งนี้จะเปลี่ยนวิธีที่เราเขียนและเครื่องมือที่เราใช้
Santiago Rodriguez: ยุติ KPI “เวลาหน้าจอ” ในการใช้งาน AI
เป็นเวลากว่า 15 ปีแล้วที่เวลาหน้าจอเป็นตัวชี้วัดที่ดีที่สุดของคุณค่าของแอปพลิเคชันสำหรับผู้บริโภคและองค์กร เราใช้เวลาบนแพลตฟอร์มสตรีมมิ่ง Netflix, การคลิกเมาส์ใน EHR หรือแม้แต่เวลาที่ใช้บน ChatGPT เป็นเกณฑ์วัดผลหลัก เมื่อเราก้าวเข้าสู่โมเดลการกำหนดราคาตามผลลัพธ์ ซึ่งสามารถประสานแรงจูงใจของผู้ให้บริการและผู้ใช้ได้อย่างสมบูรณ์แบบ เราจะต้องหยุดรายงานเวลาหน้าจอทันที
เราได้เห็นสิ่งนี้ในทางปฏิบัติแล้ว เมื่อฉันรันการค้นหา DeepResearch บน ChatGPT ถึงแม้จะใช้เวลาหน้าจอแทบจะเป็นศูนย์ แต่ก็ได้รับคุณค่าอย่างมาก เมื่อ Abridge จับสนทนาระหว่างแพทย์และผู้ป่วยและดำเนินการอัตโนมัติ แทบไม่ต้องมองหน้าจอเลย ขณะที่ Cursor พัฒนาแอปพลิเคชัน end-to-end ฉบับสมบูรณ์ วิศวกรกำลังวางแผนรอบการพัฒนาฟีเจอร์ถัดไป และเมื่อ Hebbia เขียนพรีเซนเทชันจากเอกสารสาธารณะหลายร้อยฉบับ นักการธนาคารก็สามารถนอนหลับได้อย่างสบาย
สิ่งนี้เป็นความท้าทายที่ไม่เหมือนเดิม: ค่าใช้จ่ายต่อผู้ใช้สำหรับแอปพลิเคชันต้องใช้วิธีวัดผล ROI (ROI) ที่ซับซ้อนขึ้น การแพร่หลายของ AI (AI) จะช่วยเพิ่มความพึงพอใจของแพทย์ ประสิทธิภาพของนักพัฒนา ผลประโยชน์ของนักวิเคราะห์การเงิน และความสุขของผู้บริโภค บริษัทที่สามารถอธิบาย ROI ได้อย่างกระชับจะยังคงนำหน้าในการแข่งขัน
Bio + Health
Julie Yoo: ผู้ใช้งานสุขภาพรายเดือน (MAU)
ภายในปี 2026 กลุ่มลูกค้าใหม่ด้านการดูแลสุขภาพจะกลายเป็นจุดสนใจ: “ผู้ใช้งานสุขภาพรายเดือน”
ระบบดูแลสุขภาพแบบดั้งเดิมให้บริการแก่กลุ่มผู้ใช้สามกลุ่ม: (a) “ผู้ใช้งานรายเดือนที่มีโรค” ที่มีความผันผวนของความต้องการและค่าใช้จ่ายสูง; (b) “ผู้ใช้งานรายวันที่มีโรค” เช่น ผู้ป่วยที่ต้องดูแลอย่างต่อเนื่อง; และ © “ผู้ใช้งานสุขภาพดีวัยหนุ่มสาว” ที่แข็งแรงและไม่ค่อยไปพบแพทย์ กลุ่มผู้ใช้งานสุขภาพดีอาจเสี่ยงกลายเป็นผู้ใช้งานรายเดือน/รายวัน ซึ่งการดูแลเชิงป้องกันสามารถชะลอการเปลี่ยนแปลงนี้ได้ อย่างไรก็ตาม ระบบการเรียกเก็บค่ารักษาแบบรักษาเป็นหลักให้รางวัลแก่การรักษามากกว่าการป้องกัน จึงทำให้บริการตรวจสุขภาพและติดตามสุขภาพเชิงรุกไม่ได้รับการสนับสนุนเป็นพิเศษ และประกันก็ครอบคลุมไม่มาก
ตอนนี้ กลุ่มผู้ใช้งานสุขภาพดีรายเดือนได้เกิดขึ้นแล้ว พวกเขาไม่ได้ป่วย แต่ต้องการตรวจสอบและเข้าใจสุขภาพของตัวเองเป็นประจำ และพวกเขาอาจเป็นกลุ่มผู้บริโภคที่ใหญ่ที่สุด เราคาดว่ามีบริษัทหลายแห่ง—ทั้งสตาร์ทอัป native AI และบริษัทที่พัฒนาต่อยอดจากเดิม—จะเริ่มให้บริการเป็นระยะๆ เพื่อรองรับกลุ่มนี้
ด้วยศักยภาพของ AI ในการลดต้นทุนบริการสุขภาพ การเกิดขึ้นของผลิตภัณฑ์ประกันสุขภาพเชิงป้องกันใหม่ และความเต็มใจของผู้บริโภคที่จะจ่ายค่าใช้จ่ายแบบ subscription เอง “ผู้ใช้งานสุขภาพรายเดือน” จึงกลายเป็นกลุ่มลูกค้าที่มีศักยภาพสูงในเทคโนโลยีการแพทย์ พวกเขามีส่วนร่วมอย่างต่อเนื่อง ข้อมูลเป็นฐาน และเน้นการป้องกัน
Speedrun (ชื่อทีมลงทุนภายในของ a16z)
Jon Lai: โมเดลโลกในด้านการเล่าเรื่องเปล่งประกาย
ภายในปี 2026 โมเดลโลกที่ขับเคลื่อนด้วย AI จะเปลี่ยนแนวทางการเล่าเรื่องอย่างสิ้นเชิง ด้วยโลกเสมือนจริงแบบอินเทอร์แอคทีฟและเศรษฐกิจดิจิทัล เทคโนโลยาเช่น Marble (World Labs) และ Genie 3 (DeepMind) สามารถสร้างสภาพแวดล้อม 3D สมบูรณ์ตามคำอธิบายข้อความ ให้ผู้ใช้งานสำรวจเหมือนเล่นเกม ยิ่งไปกว่านั้น นักสร้างสรรค์จะใช้เครื่องมือเหล่านี้เพื่อสร้างรูปแบบการเล่าเรื่องใหม่ๆ ซึ่งอาจกลายเป็น “โลกเสมือนสร้างสรรค์” ที่ผู้เล่นร่วมกันสร้างจักรวาลขนาดใหญ่และวิวัฒนาการอย่างต่อเนื่อง โลกเหล่านี้สามารถรวมกลไกเกมและการเขียนโปรแกรมด้วยภาษาธรรมชาติ เช่น คำสั่ง “สร้างพู่กัน แล้วเปลี่ยนทุกสิ่งที่ฉันแตะให้เป็นสีชมพู”
โมเดลเหล่านี้จะทำให้เส้นแบ่งระหว่างผู้เล่นและนักสร้างสรรค์เบลอลง ทำให้ผู้ใช้กลายเป็นผู้ร่วมสร้างความเป็นจริงที่แชร์กันในลักษณะไดนามิก การเปลี่ยนแปลงนี้อาจนำไปสู่การเกิด multiverse แบบสร้างสรรค์ที่เชื่อมโยงกัน โดยมีความหลากหลายเช่น แฟนตาซี สยองขวัญ ผจญภัยในโลกเสมือนจริง โลกเสมือนเหล่านี้จะกลายเป็นเศรษฐกิจดิจิทัลอย่างเต็มตัว นักสร้างสรรค์สามารถสร้างทรัพย์สิน แนะนำมือใหม่ หรือพัฒนาเครื่องมือใหม่เพื่อหารายได้ นอกจากความบันเทิง โลกเสมือนเหล่านี้ยังเป็นสภาพแวดล้อมจำลองเพื่อฝึก AI ตัวแทน หุ่นยนต์ และ AGI อีกด้วย ความนิยมของโมเดลโลกไม่เพียงแต่แสดงให้เห็นถึงแนวเกมใหม่ แต่ยังเป็นสื่อสร้างสรรค์และแนวเศรษฐกิจใหม่ที่เข้ามา
Josh Lu: “ปีแห่งฉัน”
ปี 2026 จะเป็น “ปีแห่งฉัน”: ในปีนั้น ผลิตภัณฑ์จะไม่ถูกผลิตเป็นจำนวนมากอีกต่อไป แต่จะถูกปรับแต่งให้เหมาะสมกับคุณ
แนวโน้มนี้เราเห็นได้ชัดเจนแล้วในหลายวงการ
ในด้านการศึกษา สตาร์ทอัปอย่าง Alphaschool กำลังสร้าง AI ครูที่สามารถปรับตามความก้าวหน้าและความสนใจของนักเรียนแต่ละคน เพื่อให้เด็กแต่ละคนได้รับการศึกษาที่ตรงกับจังหวะและความถนัดของตนเอง หากไม่ใช้เงินหลายหมื่นดอลลาร์ไปกับการติวเตอร์ ก็เป็นไปไม่ได้ที่จะให้ความสนใจอย่างเต็มที่ในระดับนี้
ในด้านสุขภาพ AI กำลังออกแบบชุดอาหารเสริมรายวัน, แผนการออกกำลังกาย และแผนโภชนาการที่ปรับตามลักษณะทางสรีรวิทยาของคุณ โดยไม่จำเป็นต้องมีโค้ชหรือห้องปฏิบัติการ
แม้แต่ในวงการสื่อ AI ก็สามารถให้ครีเอเตอร์ปรับแต่งข่าว รายการ และเรื่องราวให้เป็นข้อมูลเฉพาะบุคคลตามความสนใจและชอบของคุณ
บริษัทใหญ่ในศตวรรษที่แล้วประสบความสำเร็จเพราะหาเจอและเข้าใจผู้บริโภคทั่วไป
บริษัทใหญ่ในศตวรรษถัดไปจะชนะโดยการค้นหาและเข้าใจตัวบุคคลในกลุ่มผู้บริโภคทั่วไป
ในปี 2026 โลกจะไม่ถูกปรับแต่งให้เหมาะกับทุกคนอีกต่อไป แต่จะเริ่มปรับให้เหมาะกับคุณ
Emily Bennett: วิทยาลัย AI native แห่งแรก
ผมคาดการณ์ว่าในปี 2026 เราจะได้เห็นการก่อตั้งวิทยาลัย AI native แห่งแรก ซึ่งเป็นสถาบันที่สร้างขึ้นใหม่ทั้งหมดโดยเน้นระบบ AI ตั้งแต่ต้น
ในช่วงไม่กี่ปีที่ผ่านมา มหาวิทยาลัยพยายามนำ AI ไปใช้ในด้านการให้คะแนน การสอน และการวางแผนหลักสูตร แต่ตอนนี้กำลังเกิดแนวทางใหม่ที่ลึกซึ้งกว่า เป็นระบบการเรียนรู้แบบปรับตัวเองได้ที่สามารถเรียนรู้และปรับปรุงตัวเองแบบเรียลไทม์
ลองนึกภาพในสถาบันแบบนี้ คอร์ส, การให้คำปรึกษา, ความร่วมมือด้านวิจัย และแม้แต่การบริหารอาคาร จะปรับตัวเองตามข้อมูลย้อนกลับ คอร์สจะปรับปรุงโดยอัตโนมัติ รายการอ่านจะอัปเดตทุกคืนและเขียนใหม่อัตโนมัติเมื่อมีงานวิจัยใหม่ เส้นทางการเรียนรู้จะปรับตามจังหวะและสถานการณ์ของนักเรียนแต่ละคน
เราได้เห็นสัญญาณบางอย่างแล้ว มหาวิทยาลัยรัฐแอริโซนา (ASU) ร่วมมือกับ OpenAI สร้างโปรเจกต์ AI มากมายในด้านการสอนและการบริหาร มหาวิทยาลัยรัฐนิวยอร์ก (SUNY) ก็ได้บรรจุความรู้ด้าน AI เข้าเป็นหนึ่งในหลักสูตรทั่วไป นี่คือรากฐานของการนำ AI ไปใช้ในระดับลึกขึ้น
ในวิทยาลัย AI native อาจารย์จะกลายเป็นสถาปนิกของการเรียนรู้ รับผิดชอบด้านการจัดการข้อมูล การปรับแต่งโมเดล และแนะนำให้นักเรียนตั้งคำถามต่อการวิเคราะห์ของเครื่องมือ
วิธีการประเมินผลก็จะเปลี่ยนไป การใช้เครื่องมือวิเคราะห์และกฎข้อห้ามการลอกเลียนแบบจะถูกแทนที่ด้วยการประเมินผลด้วย AI ซึ่งคะแนนของนักเรียนจะไม่ขึ้นอยู่กับการใช้ AI หรือไม่ แต่ขึ้นอยู่กับวิธีการใช้ AI ของพวกเขา การเปิดเผยและการใช้กลยุทธ์จะเข้ามาแทนที่การห้าม
เมื่อแต่ละอุตสาหกรรมพยายามสรรหาบุคลากรที่สามารถออกแบบ จัดการ และทำงานร่วมกับระบบ AI สถาบันใหม่นี้จะกลายเป็นศูนย์ฝึกอบรม ที่ผลิตบัณฑิตที่เชี่ยวชาญในการประสานงานระบบ AI ซึ่งจะช่วยรับมือกับแรงงานที่เปลี่ยนแปลงอย่างรวดเร็ว
วิทยาลัย AI native นี้จะเป็นเครื่องยนต์สำคัญของเศรษฐกิจใหม่
จบแล้วสำหรับวันนี้ พบกันในส่วนต่อไป โปรดติดตาม
