a16z預測2026年，AI將重建產業、應用與組織（二）

原文標題：Big Ideas 2026: Part 2
原文作者： a16z New Media
編譯：Peggy，BlockBeats

編按：如果說過去一年，AI 的突破讓我們重新定義了「模型能力」，那麼今天的趨勢正在重塑「應用邏輯」和「產業邊界」。 2026 年，AI 不再只是一個被動的工具，而是主動融入每個工作流程，成為無形的作業系統，推動工業、金融、消費和企業協作全面升級。

在《Big Ideas 2026》的第二部分中，a16z 的American Dynamism 和Apps 團隊認為，2026 年的關鍵字是「重構」：重建基礎設施、重構分發邏輯、重構人與機器的協作邊界。誰能率先抓住這些趨勢，誰就定義下一個十年。

以下為原文：

昨天，我們發布了《Big Ideas》系列的第一篇內容，涵蓋了我們的基礎設施、成長、生命科學與健康，以及Speedrun 團隊認為新創公司將在2026 年解決的問題。

相關閱讀：《 a16z 預測2026 年，四大趨勢率先公佈（一） 》

今天，我們帶來了系列的第二部分，包含來自American Dynamism 和應用團隊的觀點。請繼續關注，明天我們將分享來自加密團隊的創意。

American Dynamism 團隊

David Ulevitch：打造AI 原生的工業基礎

美國正在重建那些真正構成國家實力的經濟領域。能源、製造、物流和基礎設施重新成為焦點，最重要的轉變是，一個真正AI 原生、以軟體為核心的工業基礎正在崛起。這類公司從模擬、自動化設計和AI 驅動的營運開始，它們不是在改造過去，而是在建構未來。

這帶來了巨大的機會：先進能源系統、重度機器人製造、下一代採礦、生物和酵素工藝（生產各行業所需的關鍵化學前體）等。 AI 可以設計更乾淨的反應器、優化資源開採、工程化更有效率的酶，並以傳統業者無法匹敵的洞察力協調自主機器群。

同樣的轉變也在工廠之外發生。自主感測器、無人機和現代AI 模型如今可以持續監控港口、鐵路、電力線路、管道、軍事基地、資料中心等曾經難以全面管理的關鍵系統。

現實世界需要新的軟體。能夠建構它的創業者，將塑造美國未來一個世紀的繁榮。如果你就是這樣的人，讓我們聊聊。

Erin Price-Wright：美國工廠的復興

美國的第一個偉大世紀建立在工業實力之上，但我們失去了大量這種力量──部分源自於離岸外包，部分源自於社會整體未能持續建設。但如今，生鏽的齒輪正在重新轉動，我們正在見證以軟體和AI 為核心的美國工廠重生。

2026 年，我認為我們將看到企業以「工廠思維」來應對能源、採礦、建築和製造等挑戰。這意味著：將AI 和自主技術模組化部署，與熟練工人合作，讓複雜、客製化的流程像管線一樣運作。例如：快速、反覆地應對複雜的法規和審批；加速設計週期，從一開始就考慮可製造性；更好地管理大型專案協調；部署自主技術，加快人類難以或危險的任務。

透過應用亨利·福特一個世紀前的理念——從第一天就規劃規模化和可重複性，並疊加最新的AI 技術，我們將很快實現核反應器的量產、滿足住房需求、以極快速度建設數據中心，開啟新的工業黃金時代。引用伊隆馬斯克的話：「工廠本身就是產品。」

Zabie Elmgren：下一波可觀測性將是實體世界，而非數位世界

過去十年，軟體可觀測性改變了我們監控數位系統的方式，讓程式碼庫和伺服器透過日誌、指標和追蹤變得透明。同樣的革命即將發生在物理世界。

美國城市已部署超過十億台連網攝影機和感測器，物理可觀測性——即時理解城市、電網和其他基礎設施的運作——正在變得緊迫且可行。這一新的感知層也將推動機器人和自主技術的下一個前沿，使機器依賴一個將物理世界呈現得如程式碼般可觀測的通用網路。

當然，這項轉變帶來真實風險：能偵測野火或防止工地事故的工具，也可能催生反烏托邦噩夢。下一波的贏家將是那些贏得大眾信任的人，建構隱私保護、可互通、AI 原生的系統，讓社會更透明而非更不自由。誰能打造這張可信網絡，誰就將定義未來十年的可觀測性。

Ryan McEntush：電氣工業堆疊將推動世界前進

下一次工業革命不僅發生在工廠，也將發生在驅動工廠的機器內部。

軟體改變了我們的思維、設計和溝通方式。現在，它正在改變我們的移動、建造和生產方式。電氣化、材料和AI 的進步正在融合，為物理世界帶來真正的軟體控制。機器開始具備感知、學習和自主行動的能力。

這就是電氣工業棧的崛起——驅動電動車、無人機、資料中心和現代製造的綜合技術。它連接推動世界的原子與指揮它們的比特：礦物被精煉成組件，能量儲存在電池中，電力由電力電子控制，運動通過精密電機傳遞，所有這一切由軟體協調。這是物理自動化突破背後的無形基礎；它決定了軟體不僅能叫車，還能親自駕駛。

但建構這一棧的能力——從精煉關鍵材料到製造先進晶片——正在流失。如果美國想引領下一次工業時代，就必須掌握支撐它的硬體。掌握電氣工業堆疊的國家，將定義未來的工業和軍事技術。

軟體吞噬了世界，現在它將推動世界。

Oliver Hsu：自主實驗室加速科學發現

隨著模型能力在多模態領域不斷進步，機器人操作能力持續提升，團隊將加速追求自主科學發現。這些平行技術將催生能夠閉環科學探索的自主實驗室——從假設提出到實驗設計與執行，再到推理、結果分析和未來研究方向迭代。建構這些實驗室的團隊將是跨學科的，融合AI、機器人、物理與生命科學、製造、營運等領域的專業知識，透過「無人值守實驗室」實現跨領域的持續實驗，解鎖科學發現的新紀元。

Will Bitsky：關鍵產業的數據徵戰

2025 年，AI 的時代特徵是算力限制和資料中心建設；而在2026 年，它將由資料限制和下一場資料徵戰的前沿定義：我們的關鍵產業。

這些關鍵產業仍然是潛在的、非結構化資料的來源。每一次卡車出動、儀表讀數、維修作業、生產運作、組裝和試射，都是模型訓練的材料。但資料收集、標註和模型訓練並不是工業領域的常用字。

對這些數據的需求並不缺乏。像Scale、Mercor 以及AI 研究實驗室這樣的公司，正在不懈地收集流程數據（不僅是“做了什麼”，還包括“如何做”），並為每一單位“血汗數據”支付高昂的代價。

擁有現有實體基礎設施和勞動力的工業公司在資料收集上具有比較優勢，並將開始加以利用。它們的運作會產生無法估量的數據，可以以近乎零邊際成本進行捕獲，用於訓練自有模型，或授權給第三方。

我們也可以預期，新創公司將出現提供協助。這些新創公司將交付協調堆疊：用於採集、標註和授權的軟體工具；感測器硬體和SDK；強化學習環境和訓練管道；最終，甚至是它們自己的智慧機器。

應用程式團隊（Apps）

David Haber：AI 強化商業模式

最優秀的AI 新創公司不僅僅是自動化任務，而是放大客戶的經濟效益。例如，在風險代理法律領域，律所只有在勝訴時才賺錢。像Eve 這樣的公司利用專有結果數據預測案件成功率，幫助律所挑選更優案件、服務更多客戶、並提高勝訴率。

AI 強化的是商業模式本身。它不僅降低成本，還能帶來更多收入。 2026 年，我們將看到這項邏輯擴展到各行各業，AI 系統將加深與顧客激勵的契合，創造出傳統軟體無法觸及的複合優勢。

Anish Acharya：ChatGPT 成為AI 應用商店

消費產品週期需要三個條件：新技術、新的消費者行為，以及新的分銷管道。

直到最近，AI 浪潮滿足了前兩個條件，但缺乏新的原生分發管道。大多數產品依賴現有網路（如X）或口碑傳播。

隨著OpenAI Apps SDK 的發布、蘋果對小程式的支持，以及ChatGPT 推出群組訊息功能，消費者開發者現在可以直接接觸到ChatGPT 的9 億用戶群，並透過Wabi 等小程式網路實現成長。作為消費性產品週期的最後一塊拼圖，這項新的分銷管道將在2026 年引發十年一遇的消費科技淘金熱。忽視它，後果自負。

Olivia Moore：語音代理開始佔據空間

過去18 個月，AI 語音代理為企業管理真實互動的概念已從科幻走向現實。成千上萬的公司，從中小企業到大型企業，正在使用語音AI 來安排預約、完成預訂、進行調查、資訊收集等。這些代理商幫助企業降低成本、增加收入，並釋放人類員工去做更高價值、更愉快的工作。

但由於該領域仍處於早期，許多公司仍停留在「語音切入點」階段，僅提供一種或幾種類型的通話作為解決方案。我期待看到語音代理擴展到處理完整的工作流程（可能是多模態的），甚至管理整個客戶關係週期。

這可能涉及更深度整合到業務系統的代理，並賦予它們處理更複雜互動的自由。隨著底層模型不斷改進——代理現在可以調用工具並跨系統操作——沒有理由不讓每家公司都運行語音優先的AI 產品，優化業務的關鍵環節。

Marc Andrusko：無提示、主動型應用程式到來

2026 年將標誌著主流用戶告別提示框。下一波AI 應用將完全沒有可見的提示輸入——它們會觀察你的操作，並主動提出可供你審核的行動。你的IDE 在你開口之前就建議重構；你的CRM 在你結束通話後自動起草跟進郵件；你的設計工具在你工作時產生變體。聊天介面只是輔助輪，如今AI 將成為無形的鷹架，貫穿每個工作流程，由意圖而非指令觸發。

Angela Strange：AI 將真正升級銀行和保險基礎設施

許多銀行和保險公司已經在傳統系統上疊加了AI 功能，例如文件處理和語音代理，但AI 只有在我們重建其底層基礎設施時，才能真正改變金融服務。

到2026 年，不升級以充分利用AI 的風險將超過失敗風險，我們將看到大型金融機構讓舊有供應商合約到期，開始實施更新的、AI 原生的替代方案。這些公司將不再受制於過去的分類邊界，而是成為平台，集中、規範並豐富來自傳統系統和外部來源的底層資料。

結果如何？

工作流程將被顯著簡化並實現並行處理，不再需要在系統和介面間跳轉。例如，你可以在抵押貸款系統中查看並並行處理數百個任務，代理甚至可以完成更瑣碎的工作。

傳統類別將融合，形成更大的新類別。例如，客戶KYC 與入職和過渡監控數據可以整合到單一風險平台。

這些新類別的贏家將比舊有巨頭大10 倍：類別更大，軟體市場正在吞噬勞動力。金融服務的未來不是在舊系統上應用AI，而是建立一個以AI 為基礎的新作業系統。

Joe Schmidt：前置部署模式將AI 帶給99% 的企業

AI 是我們這一代最令人興奮的技術突破。但迄今為止，新創企業的大部分收益都集中在矽谷的1% 企業——無論是字面上的灣區，還是其擴展網絡。這也合理：創業者希望賣給他們熟悉、容易接觸的公司，無論是開車去辦公室，或是透過董事會上的VC 取得聯繫。

2026 年，這一局面將逆轉。企業將意識到，AI 的絕大部分機會存在於矽谷之外，我們將看到新的創業者採用前置部署模式，發掘隱藏在大型傳統產業的機會。這些機會在傳統諮詢和服務業（如係統整合和實施公司）以及製造等慢速行業中潛力巨大。

Seema Amble：AI 在財富500 強中創造新的編排層和角色

2026 年，企業將進一步從孤立的AI 工具轉向需要像協調數位團隊一樣運作的多智能體系統。隨著智能體開始管理複雜、相互依賴的工作流程——如規劃、分析和執行——組織需要重新思考工作結構以及情境在系統間的流動。我們已經看到AskLio 和HappyRobot 等公司在整個流程中部署智能體，而不僅僅是單一任務。

財富500 強將最深切感受到這一轉變：它們擁有最深的孤立資料池、機構知識和營運複雜性，其中許多存在於人的大腦中。將這些情境轉化為自主工作者共享的底層結構，將解鎖更快的決策、壓縮週期，並實現不再依賴人工微觀管理的端到端流程。

這一轉變也將迫使領導者重新構想角色和軟體。新的職能將出現，如AI 工作流程設計師、智能體監督員，以及負責編排和審計數位工作者群的治理負責人。在現有記錄系統之上，企業將需要協調系統：用於管理多智能體互動、裁定上下文，並確保自主工作流程的可靠性。人類將專注於處理邊緣和最複雜的案例。多智能體系統的崛起不僅是自動化的又一步，而是企業運作方式、決策方式以及價值創造方式的重構。

Bryan Kim：消費級AI 從「幫我」轉向「看見我」

2026 年將是消費級AI 產品從生產力轉向連結性的年份。 AI 不再只是幫助你完成工作，而是讓你更清楚地看見自己，並幫助你建立更強的關係。

當然，這很難。許多社交AI 產品已經推出並失敗。但由於多模態上下文視窗和推理成本下降，AI 產品現在可以從你生活的完整紋理中學習，而不僅僅是你告訴聊天機器人的內容。想像一下：相簿展示真實情感時刻，1:1 訊息和群組聊天模式根據物件變化，日常習慣在壓力下發生調整。

一旦這些產品落地，它們將成為我們日常生活的一部分。整體而言，「看見我」產品比「幫我」產品有更好的留存機制。 「幫我」產品透過高支付意願的離散任務變現，並優化訂閱留存；「看見我」產品透過持續連結的日常互動變現：支付意願較低，但使用模式更具黏性。

人們已經在不斷用數據換取價值：問題在於他們得到的是否值得。而很快，這將成為現實。

Kimberly Tan：新的模型原語解鎖前所未有的公司形態

2026 年，我們將看到一些公司出現，它們在過去根本無法存在，而如今得益於推理、多模態和電腦操作等模型突破才成為可能。迄今為止，許多行業（如法律或客戶支援）只是利用改進的推理能力來增強現有產品。但我們才剛開始看到那些核心產品能力完全由這些新的模型原語驅動的公司。

推理能力的進步可以解鎖新的功能，例如評估複雜的金融索賠，或處理密集的學術或分析研究（如裁定帳單爭議）。多模態模型使得從物理世界根植的產業中提取潛在視訊資料成為可能（例如製造現場的攝影機）。而電腦操作能力則使得在價值長期被桌面軟體、糟糕的API 和碎片化工作流程鎖住的龐大產業中實現自動化。

James da Costa：AI 新創公司向其他AI 新創公司銷售並實現規模化

我們正處於一個由當前AI 產品週期驅動的前所未有的公司創建時刻。但與以往不同的是，現有巨頭並沒有「睡著」，它們也積極採用AI。那麼，新創公司該如何取勝？

新創公司贏得分發權的最強大且被低估的方式之一，是服務於公司成立階段：即綠地公司（全新業務）。如果你能在公司成立時吸引它們，並與它們共同成長，當客戶變大時，你也會成為大公司。 Stripe、Deel、Mercury、Ramp 等公司都遵循了這項策略。事實上，Stripe 成立時，它的許多客戶還不存在。

2026 年，我們將看到這些面向綠地市場的新創公司在一系列企業軟體類別中實現規模化。秘訣很簡單：打造更好的產品，並專注於那些不受制於現有巨頭的新客戶。

請繼續關注，明天我們將分享來自加密團隊的創意。

[原文連結]