Auteur :出海去孵化器
Les règles du jeu de l'entrepreneuriat ont radicalement changé.
Dans la dernière "Liste de souhaits pour les startups" (RFS) du printemps 2026 de Y Combinator (YC), un signal clair se dégage : l'IA native (AI-native) n'est plus un simple terme marketing, mais la logique fondamentale pour construire la prochaine génération de géants. Les startups actuelles peuvent désormais défier des domaines autrefois considérés comme "inébranlables", avec une vitesse accrue et un coût réduit.
Cette fois, YC ne se concentre pas seulement sur les logiciels, mais élargit son regard aux systèmes industriels, aux infrastructures financières de base et à la gouvernance gouvernementale. Si la précédente vague d'IA concernait la "génération de contenu", la prochaine vague sera axée sur la "résolution de problèmes complexes" et la "refonte du monde physique".
Voici les 10 secteurs clés que YC surveille de près et souhaite vivement investir.
1. Le "Cursor" pour les chefs de produit (Cursor for Product Managers)
Au cours des dernières années, des outils comme Cursor et Claude Code ont radicalement changé la façon d'écrire du code. Mais cette effervescence a masqué un problème plus fondamental : écrire du code n'est qu'un moyen, savoir "ce qu'il faut construire" est le cœur du problème.
Actuellement, le processus de découverte de produits est encore à "l'âge de pierre". Nous dépendons d'entretiens utilisateurs fragmentés, de retours marché difficilement quantifiables et d'innombrables tickets Jira. Ce processus est extrêmement laborieux et plein de lacunes.
Le marché a urgemment besoin d'un système natif IA, capable d'assister les chefs de produit comme Cursor assiste les programmeurs. Imaginez un outil : vous téléchargez tous les enregistrements d'entretiens clients et les données d'utilisation du produit, puis vous lui demandez : "Que devrions-nous faire ensuite ?"
Il ne vous donnera pas une suggestion vague, mais produira un plan de fonctionnalités complet, en justifiant la décision par des retours clients concrets. Plus loin, il pourrait même générer directement des prototypes d'interface utilisateur, ajuster des modèles de données et décomposer les tâches de développement spécifiques pour les confier à un Agent de Codage IA.
Alors que l'IA prend progressivement en charge l'implémentation concrète du code, la capacité à "définir le produit" deviendra plus cruciale que jamais. Nous avons besoin d'un super outil capable de boucler la boucle de la "découverte des besoins" à la "définition du produit".
2. Les fonds spéculatifs de nouvelle génération natifs IA (AI-Native Hedge Funds)
Dans les années 80, lorsque quelques fonds ont commencé à utiliser des ordinateurs pour analyser les marchés, Wall Street en a ri. Aujourd'hui, le trading quantitatif est la norme. Si vous ne réalisez pas que nous sommes à un point d'inflexion similaire maintenant, vous pourriez manquer le prochain Renaissance Technologies ou Bridgewater.
Cette opportunité ne réside pas dans le fait de "greffer" l'IA aux stratégies existantes des fonds, mais de construire des stratégies d'investissement natives IA à partir de zéro.
Bien que les géants quantitatifs existants disposent d'énormes ressources, leurs mouvements sont trop lents dans le jeu d'équilibre entre conformité et innovation. Les futurs fonds spéculatifs seront pilotés par des essaims d'agents IA – ils pourront, comme des traders humains, parcourir sans interruption les rapports 10-K, écouter les conférences téléphoniques sur les résultats, analyser les fichiers de la SEC, et synthétiser les points de vue de divers analystes pour trader.
Dans ce domaine, le véritable alpha appartiendra aux nouveaux acteurs audacieux qui laisseront l'IA prendre en charge profondément les décisions d'investissement.
3. La transformation logicielle des entreprises de services (AI-Native Agencies)
Depuis toujours, qu'il s'agisse d'agences de design, de publicité ou de cabinets d'avocats, tous les modèles d'agence (Agency) font face à un nœud coulant : l'incapacité à passer à l'échelle. Parce qu'elles vendent du "temps-homme", leur marge bénéficiaire est faible et leur croissance dépend nécessairement du recrutement.
L'IA est en train de briser ce nœud coulant.
La nouvelle génération d'agences ne vendra plus d'outils logiciels aux clients, mais utilisera elle-même des outils IA pour produire des résultats avec une efficacité 100 fois supérieure, puis vendra directement le produit fini. Cela signifie :
-
Une agence de design peut générer des propositions sur mesure complètes avec l'IA avant même de signer un contrat, surpassant ainsi ses concurrents traditionnels.
-
Une agence de publicité peut générer des publicités vidéo de qualité cinématographique avec l'IA, sans coûteux tournage sur place.
-
Un cabinet d'avocats peut rédiger des actes juridiques complexes en quelques minutes au lieu de plusieurs semaines.
Les futures entreprises de services ressembleront, dans leur modèle économique, à des éditeurs de logiciels : avec la haute marge bénéficiaire des software companies, et une extensibilité illimitée.
4. Les services financiers dérivés des stablecoins (Stablecoin Financial Services)
Les stablecoins deviennent rapidement une infrastructure clé de la finance mondiale, mais la couche de services qui les surmonte est encore une terre en friche. Avec l'avancée de lois comme GENIUS et CLARITY, les stablecoins se trouvent à l'intersection de la DeFi (Finance Décentralisée) et de la TradFi (Finance Traditionnelle).
C'est une fenêtre énorme d'arbitrage réglementaire et d'innovation.
Actuellement, les utilisateurs doivent souvent choisir entre des "produits financiers traditionnels conformes mais à faible rendement" et des "cryptomonnaies à haut rendement mais à haut risque". Le marché a besoin d'une forme intermédiaire : de nouveaux services financiers, basés sur les stablecoins, à la fois conformes et profitant des avantages de la DeFi.
Qu'il s'agisse d'offrir des comptes d'épargne à rendement plus élevé, des actifs du monde réel tokenisés (RWA), ou des infrastructures de paiement transfrontalier plus efficaces, c'est le moment optimal pour connecter ces deux mondes parallèles.
5. Refonte des vieux systèmes industriels : Usines métallurgiques modernes (Modern Metal Mills)
Lorsqu'on parle de "réindustrialisation américaine", on regarde souvent le coût de la main-d'œuvre, mais on ignore l'éléphant dans la pièce : la conception des systèmes industriels traditionnels est extrêmement inefficace.
Prenez l'exemple de l'achat de tôles d'aluminium ou de tubes d'acier aux États-Unis, des délais de livraison de 8 à 30 semaines sont la norme. Ce n'est pas parce que les ouvriers sont paresseux, mais parce que tout le système de gestion de la production a été conçu il y a des décennies. Ces vieilles usines, en recherchant le "tonnage" et l'"utilisation", ont sacrifié la vitesse et la flexibilité. De plus, la haute consommation d'énergie est un autre point douloureux, et les usines manquent souvent de solutions modernes de gestion de l'énergie.
L'opportunité de refonte est mûre.
En utilisant une planification de production pilotée par l'IA, des systèmes d'exécution de fabrication (MES) en temps réel et des technologies d'automatisation modernes, nous pouvons fondamentalement comprimer les délais de livraison et augmenter la marge bénéficiaire. Il ne s'agit pas seulement de faire fonctionner l'usine plus vite, mais de rendre la production métallurgique locale moins chère, plus flexible et plus rentable grâce à des processus de fabrication définis par logiciel. C'est un élément clé pour reconstruire les bases industrielles.
6. La mise à niveau IA de la gouvernance gouvernementale (AI for Government)
La première vague de sociétés d'IA a déjà rendu le remplissage de formulaires pour les entreprises et les particuliers incroyablement rapide, mais cette efficacité s'arrête nette face aux administrations gouvernementales. Un grand nombre de demandes numérisées aboutissent finalement dans des back-offs gouvernementaux qui doivent encore être imprimés et traités manuellement.
Les administrations gouvernementales ont urgemment besoin d'outils d'IA pour faire face au flux de données imminent. Bien que des pays comme l'Estonie aient montré l'ébauche d'un "gouvernement numérique", cette logique doit être répliquée dans le monde entier.
Vendre des logiciels au gouvernement est certes une pilule dure à avaler, mais la récompense est tout aussi importante : une fois que vous avez obtenu votre premier client, cela signifie souvent une très forte fidélité de la clientèle et un énorme potentiel d'expansion. Ce n'est pas seulement une opportunité commerciale, mais aussi une action d'intérêt public pour améliorer l'efficacité du fonctionnement de la société.
7. Le tuteur IA en temps réel pour le travail physique (AI Guidance for Physical Work)
Vous vous souvenez de la scène dans "Matrix" où Neo branche une prise et apprend instantanément le kung-fu ? La version réelle de "l'injection de compétences" arrive, le support n'est pas une interface neuronale, mais un guidage IA en temps réel.
Au lieu de discuter toute la journée des emplois de col blanc que l'IA va remplacer, regardons comment elle peut autonomiser les emplois de col bleu. Dans les services sur site, la fabrication, les soins de santé, etc., l'IA ne peut pas "agir" physiquement, mais elle peut "voir" et "penser".
Imaginez un ouvrier portant des lunettes intelligentes en train de réparer un équipement, l'IA voit la vanne grâce à la caméra et lui dit directement à l'oreille : "Fermez cette vanne rouge, utilisez une clé de 3/8 de pouce, cette pièce est usée, elle doit être remplacée."
La maturité des modèles multimodaux, la普及 des matériels intelligents (téléphones, écouteurs, lunettes) et la pénurie de main-d'œuvre qualifiée, ces trois facteurs combinés créent cette énorme demande. Qu'il s'agisse de fournir des systèmes de formation aux entreprises existantes ou de construire une toute nouvelle plateforme de main-d'œuvre "super col bleu", l'espace d'imagination est immense.
8. Les grands modèles spatiaux brisant les limites du langage (Large Spatial Models)
Les grands modèles de langage (LLM) ont propulsé l'explosion de l'IA, mais leur intelligence est limitée à ce que le "langage" peut décrire. Pour réaliser l'intelligence artificielle générale (IAG), l'IA doit comprendre le monde physique et les relations spatiales.
Actuellement, l'IA est encore maladroite pour traiter les tâches spatiales comme la géométrie, les structures 3D, les rotations physiques, etc. Cela limite sa capacité à interagir avec le monde physique.
Nous recherchons des équipes capables de construire de grands modèles de raisonnement spatial (Large Spatial Models). Ces modèles ne devraient pas considérer la géométrie comme un accessoire du langage, mais comme un principe de première intention. Celui qui permettra à l'IA de vraiment comprendre et concevoir des structures physiques aura une chance de construire le prochain modèle fondateur de calibre OpenAI.
9. L'arsenal numérique des chasseurs de fraude (Infra for Government Fraud Hunters)
Le gouvernement est le plus gros acheteur au monde, dépensant des milliers de milliards de dollars chaque année, tout en subissant de lourdes pertes dues à la fraude. Rien qu'aux États-Unis, l'assurance maladie perd des dizaines de milliards de dollars chaque année à cause des paiements incorrects.
Le "False Claims Act" américain permet aux citoyens privés de poursuivre des entreprises frauduleuses au nom du gouvernement et de recevoir une part des fonds récupérés. C'est l'un des moyens les plus efficaces de lutter contre la fraude, mais le processus actuel est extrêmement primitif : les lanceurs d'alerte fournissent des indices aux cabinets d'avocats, qui passent des années à trier manuellement les documents.
Nous avons besoin d'un système intelligent conçu spécifiquement pour cela. Ce n'est pas un simple tableau de bord, mais un détective IA capable d'analyser automatiquement des PDF désordonnés, de suivre des structures complexes de sociétés écrans, et de regrouper des preuves éparses en des dossiers actionnables en justice.
Si vous pouvez multiplier par 10 la vitesse de récupération des fraudes, vous pourrez non seulement bâtir un vaste empire commercial, mais aussi récupérer des dizaines de milliards de dollars pour les contribuables.
10. Rendre l'entraînement des LLM simple (Make LLMs Easy to Train)
Malgré l'engouement pour l'IA, l'expérience d'entraînement des grands modèles est toujours incroyablement mauvaise.
Les développeurs se battent quotidiennement avec des SDK défaillants, passent des heures à déboguer des instances GPU qui plantent juste après leur lancement, ou découvrent des bugs fatals dans des outils open source. Sans parler du cauchemar de traiter des données de l'ordre du téraoctet.
Tout comme l'ère du cloud computing a donné naissance à Datadog et Snowflake, l'ère de l'IA a désespérément besoin de meilleures "pelles". Nous avons besoin de :
-
Des API qui abstraient complètement le processus d'entraînement.
-
Des bases de données capables de gérer facilement des jeux de données à très grande échelle.
-
Des environnements de développement conçus pour la recherche en apprentissage automatique.
Alors que le "post-entraînement" (Post-training) et la spécialisation des modèles deviennent de plus en plus importants, ces infrastructures deviendront la pierre angulaire du développement logiciel futur.
