پیش‌بینی a16z: هوش مصنوعی تا سال ۲۰۲۶ صنایع، برنامه‌ها و سازمان‌ها را بازسازی خواهد کرد (بخش دوم)

عنوان اصلی مقاله: ایده‌های بزرگ ۲۰۲۶: بخش دوم
نویسنده مقاله اصلی: a16z New Media
ترجمه: پگی، BlockBeats

یادداشت سردبیر: اگر پیشرفت هوش مصنوعی در سال گذشته «قابلیت‌های مدل» را بازتعریف کرد، روندهای امروز در حال تغییر شکل «منطق برنامه‌ها» و «مرزهای صنعت» هستند. در سال ۲۰۲۶، هوش مصنوعی دیگر تنها یک ابزار منفعل نیست، بلکه به‌طور فعال در هر گردش کاری ادغام شده و به یک سیستم‌عامل نامرئی تبدیل می‌شود که ارتقای همه‌جانبه در صنعت، امور مالی، مصرف‌کننده و همکاری‌های سازمانی را هدایت می‌کند.

در سری سالانه «ایده‌های بزرگ ۲۰۲۶»، در بخش دوم، تیم‌های American Dynamism و Apps در a16z معتقدند که کلمه کلیدی برای سال ۲۰۲۶ «بازسازی» است: بازسازی زیرساخت، بازسازی منطق توزیع و بازسازی مرز همکاری انسان و ماشین. کسانی که بتوانند این روندها را زودتر درک کنند، دهه آینده را تعریف خواهند کرد.

در ادامه، متن اصلی مقاله آمده است:

دیروز، اولین بخش از سری «ایده‌های بزرگ» را منتشر کردیم که به آنچه تیم‌های زیرساخت، رشد، علوم زیستی و سلامت و Speedrun ما معتقدند استارتاپ‌ها در سال ۲۰۲۶ به آن خواهند پرداخت، می‌پردازد.

مطالعه مرتبط: «a16z Predicts Four Trends Leading in 2026 (Part 1)»

امروز، بخش دوم این سری را برای شما آورده‌ایم که شامل بینش‌هایی از تیم‌های American Dynamism و Apps است. منتظر باشید، زیرا فردا خلاقیت‌های تیم کریپتو را به اشتراک خواهیم گذاشت.

American Dynamism Team

David Ulevitch: Building an AI-Native Industrial Foundation

ایالات متحده در حال بازسازی بخش‌های اقتصادی است که واقعاً قدرت ملی را تشکیل می‌دهند. انرژی، تولید، لجستیک و زیرساخت دوباره در کانون توجه قرار گرفته‌اند و مهم‌ترین تحول، ظهور یک زیربنای صنعتی واقعاً بومی هوش مصنوعی و متمرکز بر نرم‌افزار است. این شرکت‌ها از شبیه‌سازی، طراحی خودکار و عملیات مبتنی بر هوش مصنوعی شروع می‌کنند. آن‌ها گذشته را تغییر نمی‌دهند، بلکه در حال ساخت آینده هستند.

این امر فرصت‌های عظیمی به همراه دارد: سیستم‌های انرژی پیشرفته، تولید رباتیک سنگین، استخراج ارز دیجیتال نسل بعد، کاتالیزورهای بیولوژیکی و آنزیمی (تولید پیش‌سازهای شیمیایی کلیدی مورد نیاز صنایع مختلف) و غیره. هوش مصنوعی می‌تواند راکتورهای پاک‌تر طراحی کند، استخراج منابع را بهینه کند، آنزیم‌های کارآمدتر مهندسی کند و دسته‌های ماشین‌های خودران را با بینشی که برای اپراتورهای سنتی بی‌نظیر است، هماهنگ کند.

همین تحول در خارج از کارخانه‌ها نیز در حال رخ دادن است. حسگرهای خودران، پهپادها و مدل‌های مدرن هوش مصنوعی اکنون می‌توانند به‌طور مداوم سیستم‌های کلیدی مانند بنادر، راه‌آهن، خطوط برق، خطوط لوله، پایگاه‌های نظامی و مراکز داده را که زمانی مدیریت جامع آن‌ها دشوار بود، نظارت کنند.

دنیای واقعی به نرم‌افزار جدید نیاز دارد. کارآفرینانی که بتوانند آن را بسازند، یک قرن شکوفایی آمریکا را شکل خواهند داد. اگر شما چنین فردی هستید، بیایید صحبت کنیم.

Erin Price-Wright: The Renaissance of American Factories

اولین قرن بزرگ آمریکا بر پایه قدرت صنعتی بنا شد، اما ما بخش زیادی از آن قدرت را از دست دادیم—تا حدی به دلیل برون‌سپاری و تا حدی به دلیل شکست کلی جامعه در ساخت پایدار. اما اکنون، چرخ‌دنده‌های زنگ‌زده دوباره در حال چرخش هستند و ما شاهد تولد دوباره کارخانه‌های آمریکایی با محوریت نرم‌افزار و هوش مصنوعی هستیم.

تا سال ۲۰۲۶، معتقدم شاهد شرکت‌هایی خواهیم بود که با «ذهنیت کارخانه‌ای» به چالش‌های انرژی، استخراج ارز دیجیتال، ساخت‌وساز و تولید می‌پردازند. این به معنای: استقرار ماژولار هوش مصنوعی و فناوری خودران، همکاری با کارگران ماهر برای اجرای فرآیندهای پیچیده و سفارشی مانند خطوط مونتاژ است. برای مثال: رسیدگی سریع و تکراری به مقررات و تاییدیه های پیچیده؛ تسریع چرخه‌های طراحی با در نظر گرفتن قابلیت تولید از همان ابتدا؛ مدیریت بهتر هماهنگی پروژه‌های بزرگ‌مقیاس؛ استقرار فناوری خودران برای تسریع وظایفی که برای انسان دشوار یا خطرناک است.

با به کارگیری ایده صدساله هنری فورد در مورد برنامه‌ریزی برای مقیاس‌پذیری و تکرارپذیری از روز اول و لایه‌بندی آخرین فناوری هوش مصنوعی، به‌زودی به تولید انبوه راکتورهای هسته‌ای، تأمین تقاضای مسکن، ساخت سریع مراکز داده و ورود به عصر طلایی صنعتی جدید دست خواهیم یافت. به قول Elon Musk: «خود کارخانه، محصول است.»

Zabie Elmgren: The Next Wave of Observability Will Be in the Physical World, Not the Digital World

در طول دهه گذشته، مشاهده‌پذیری نرم‌افزار نحوه نظارت ما بر سیستم‌های دیجیتال را تغییر داده و پایگاه‌های کد و سرورها را از طریق لاگ‌ها، معیارها و ردیابی شفاف کرده است. همین انقلاب در شرف وقوع در دنیای فیزیکی است.

شهرهای آمریکا بیش از یک میلیارد دوربین و حسگر اینترنت اشیا مستقر کرده‌اند و مشاهده‌پذیری فیزیکی—درک بلادرنگ از عملکرد شهرها، شبکه برق و سایر زیرساخت‌ها—در حال تبدیل شدن به یک ضرورت و امری امکان‌پذیر است. این لایه ادراکی جدید همچنین مرز بعدی رباتیک و فناوری خودران را هدایت خواهد کرد و به ماشین‌ها اجازه می‌دهد به شبکه‌ای جهانی تکیه کنند که دنیای فیزیکی را به اندازه کد، قابل مشاهده می‌کند.

البته، این تحول خطرات واقعی به همراه دارد: ابزارهایی که می‌توانند آتش‌سوزی‌های جنگلی را تشخیص دهند یا از حوادث کارگاه‌های ساختمانی جلوگیری کنند، می‌توانند کابوس‌های ویران‌شهری نیز ایجاد کنند. برندگان موج بعدی کسانی خواهند بود که با ساخت سیستم‌های بومی هوش مصنوعی، حفظ حریم خصوصی و قابل تعامل، اعتماد عمومی را جلب کنند؛ سیستم‌هایی که جامعه را شفاف‌تر می‌کنند نه کمتر آزاد. هر کسی که بتواند این شبکه قابل اعتماد را بسازد، مشاهده‌پذیری دهه آینده را تعریف خواهد کرد.

Ryan McEntush: The Electrotechnical Industry Stack Will Drive the World Forward

انقلاب صنعتی بعدی نه تنها در کارخانه، بلکه در داخل ماشین‌هایی که کارخانه را نیرو می‌دهند، در حال وقوع است.

نرم‌افزار شیوه تفکر، طراحی و ارتباط ما را تغییر داده است. اکنون، در حال تغییر نحوه حرکت، ساخت و تولید ماست. پیشرفت‌ها در برق‌رسانی، مواد و هوش مصنوعی در حال همگرایی هستند تا کنترل نرم‌افزاری واقعی را به دنیای فیزیکی بیاورند. ماشین‌ها در حال کسب توانایی درک، یادگیری و عمل مستقل هستند.

این ظهور پشته صنعت الکتروتکنیک است—یک فناوری جامع که وسایل نقلیه الکتریکی، پهپادها، مراکز داده و تولید مدرن را هدایت می‌کند. این پشته، اتم‌هایی که جهان را به حرکت در می‌آورند را با بیت‌هایی که به آن‌ها فرمان می‌دهند، متصل می‌کند: مواد معدنی تصفیه‌شده به قطعات، انرژی ذخیره‌شده در باتری‌ها، قدرت کنترل‌شده توسط الکترونیک قدرت، حرکت منتقل‌شده توسط موتورهای دقیق، که همگی توسط نرم‌افزار هماهنگ می‌شوند. این زیربنای نامرئی پشت موفقیت اتوماسیون فیزیکی است؛ این تعیین می‌کند که نرم‌افزار نه تنها می‌تواند یک ماشین را فراخوانی کند، بلکه می‌تواند خودش آن را هدایت کند.

با این حال، توانایی ساخت این پشته—از تصفیه مواد حیاتی تا تولید تراشه‌های پیشرفته—در حال فرسایش است. اگر ایالات متحده بخواهد عصر صنعتی بعدی را رهبری کند، باید بر سخت‌افزاری که زیربنای آن است، مسلط شود. کشورهایی که بر پشته صنعت الکتروتکنیک تسلط یابند، آینده فناوری‌های صنعتی و نظامی را تعریف خواهند کرد.

نرم‌افزار جهان را بلعیده است و اکنون جهان را به جلو خواهد راند.

Oliver Hsu: Autonomous Labs Accelerating Scientific Discovery

همانطور که قابلیت‌های مدل‌سازی در حوزه‌های چندوجهی پیشرفت می‌کنند و توانایی‌های عملیاتی رباتیک همچنان بهبود می‌یابند، تیم‌ها پیگیری اکتشافات علمی خودران را تسریع خواهند کرد. این فناوری‌های موازی منجر به ظهور آزمایشگاه‌های خودران با قابلیت اکتشاف علمی حلقه بسته خواهند شد—از تولید فرضیه تا طراحی و اجرای آزمایش، تا استنتاج، تحلیل نتایج و جهت‌گیری‌های تحقیقاتی آینده. تیم‌هایی که این آزمایشگاه‌ها را می‌سازند، میان‌رشته‌ای خواهند بود و تخصص‌هایی از هوش مصنوعی، رباتیک، علوم فیزیکی و زیستی، تولید، عملیات و غیره را ادغام می‌کنند و از طریق «آزمایشگاه‌های بدون سرنشین» به آزمایش‌های مداوم میان‌رشته‌ای دست می‌یابند تا عصر جدیدی از اکتشافات علمی را باز کنند.

Will Bitsky: Data Warfare in Key Industries

تا سال ۲۰۲۵، ویژگی بارز عصر هوش مصنوعی محدودیت‌های قدرت محاسباتی و ساخت مراکز داده است؛ با این حال، در سال ۲۰۲۶، این عصر با محدودیت‌های داده و خط مقدم جنگ داده‌های بعدی تعریف خواهد شد: در صنایع کلیدی ما.

این صنایع کلیدی همچنان منابع داده‌های استفاده‌نشده و غیرساختاریافته هستند. هر اعزام کامیون، خواندن کنتور، عملیات نگهداری، اجرای تولید، مونتاژ و آزمایش شلیک به عنوان ماده‌ای برای آموزش مدل عمل می‌کند. با این حال، جمع‌آوری داده، برچسب‌گذاری و آموزش مدل در حوزه صنعتی اصطلاحات رایجی نیستند.

تقاضا برای این داده‌ها سیری‌ناپذیر است. شرکت‌هایی مانند Scale، Mercor و آزمایشگاه‌های تحقیقاتی هوش مصنوعی به‌طور خستگی‌ناپذیری در حال جمع‌آوری داده‌های فرآیند (نه فقط «آنچه انجام شد» بلکه «چگونه انجام شد») هستند و برای هر واحد «داده‌های عرق‌ریزان» قیمت بالایی می‌پردازند.

شرکت‌های صنعتی با زیرساخت‌های فیزیکی و نیروی کار موجود، مزیت نسبی در جمع‌آوری داده دارند و شروع به بهره‌برداری از آن خواهند کرد. عملیات آن‌ها داده‌های غیرقابل اندازه‌گیری تولید می‌کند که می‌تواند با هزینه حاشیه‌ای تقریباً صفر ثبت شود، برای آموزش مدل‌های اختصاصی استفاده شود یا به اشخاص ثالث مجوز داده شود.

ما همچنین می‌توانیم انتظار داشته باشیم که استارتاپ‌هایی برای ارائه کمک ظهور کنند. این استارتاپ‌ها یک پشته هماهنگی ارائه خواهند داد: ابزارهای نرم‌افزاری برای جمع‌آوری داده، حاشیه‌نویسی و صدور مجوز؛ سخت‌افزار حسگر و SDKها؛ محیط‌های یادگیری تقویتی و خطوط لوله آموزشی؛ و در نهایت، حتی ماشین‌های هوشمند خودشان.

Applications Team

David Haber: AI-Enhanced Business Models

بهترین استارتاپ‌های هوش مصنوعی فقط وظایف را خودکار نمی‌کنند، بلکه مزایای اقتصادی را برای مشتری تقویت می‌کنند. برای مثال، در زمینه حقوقی نمایندگان ریسک، شرکت‌های حقوقی تنها زمانی درآمد کسب می‌کنند که در پرونده‌ها پیروز شوند. شرکت‌هایی مانند Eve از داده‌های نتایج اختصاصی برای پیش‌بینی نرخ موفقیت پرونده‌ها استفاده می‌کنند و به شرکت‌های حقوقی کمک می‌کنند پرونده‌های بهتری انتخاب کنند، به مشتریان بیشتری خدمت کنند و نرخ پیروزی را بهبود بخشند.

هوش مصنوعی خود مدل کسب‌وکار را تقویت می‌کند. این نه تنها هزینه‌ها را کاهش می‌دهد، بلکه درآمد بیشتری نیز ایجاد می‌کند. تا سال ۲۰۲۶، شاهد گسترش این منطق به تمام صنایع خواهیم بود، به طوری که سیستم‌های هوش مصنوعی همسویی عمیق‌تری با انگیزه‌های مشتری ایجاد می‌کنند و مزایای ترکیبی ایجاد می‌کنند که نرم‌افزارهای سنتی نمی‌توانند به آن دست یابند.

Anish Acharya: ChatGPT Becoming an AI App Store

چرخه‌های محصول مصرف‌کننده به سه شرط نیاز دارند: فناوری جدید، رفتارهای مصرف‌کننده جدید و کانال‌های توزیع جدید.

تا همین اواخر، موج هوش مصنوعی دو شرط اول را داشت اما فاقد کانال‌های توزیع بومی جدید بود. اکثر محصولات به شبکه‌های موجود (مانند X) یا تبلیغات دهان‌به‌دهان متکی بودند.

با انتشار OpenAI Apps SDK، پشتیبانی اپل از مینی‌اپ‌ها و معرفی قابلیت‌های پیام‌رسانی گروهی توسط ChatGPT، توسعه‌دهندگان مصرف‌کننده اکنون می‌توانند مستقیماً به ۹ میلیارد کاربر ChatGPT دسترسی پیدا کنند و رشد را از طریق شبکه‌هایی مانند bits هدایت کنند. به عنوان آخرین قطعه پازل چرخه محصول مصرف‌کننده، این کانال توزیع جدید، یک تب طلای فناوری مصرف‌کننده یک‌بار در دهه را در سال ۲۰۲۶ آغاز خواهد کرد. نادیده گرفتن آن با مسئولیت خودتان است.

Olivia Moore: Voice Agents Begin to Occupy Space

در ۱۸ ماه گذشته، مفهوم عوامل صوتی هوش مصنوعی که تعاملات واقعی را برای کسب‌وکارها مدیریت می‌کنند، از علمی-تخیلی به واقعیت تبدیل شده است. هزاران شرکت، از کسب‌وکارهای کوچک و متوسط تا شرکت‌های بزرگ، از هوش مصنوعی صوتی برای برنامه‌ریزی قرار ملاقات‌ها، رزرو، انجام نظرسنجی، جمع‌آوری اطلاعات و موارد دیگر استفاده می‌کنند. این عوامل به کسب‌وکارها کمک می‌کنند هزینه‌ها را کاهش دهند، درآمد را افزایش دهند و کارمندان انسانی را برای انجام کارهای با ارزش‌تر و لذت‌بخش‌تر آزاد کنند.

با این حال، از آنجایی که این حوزه هنوز در مراحل اولیه خود است، بسیاری از شرکت‌ها هنوز در مرحله «نقطه تماس صوتی-اول» گیر کرده‌اند و تنها یک یا چند نوع تماس را به عنوان راه حل ارائه می‌دهند. من مشتاقانه منتظر دیدن گسترش عوامل صوتی برای مدیریت گردش‌های کاری کامل (احتمالاً چندوجهی) و حتی مدیریت کل چرخه رابطه با مشتری هستم.

این ممکن است شامل ادغام عمیق‌تر عوامل در سیستم‌های تجاری و اعطای آزادی به آن‌ها برای مدیریت تعاملات پیچیده‌تر باشد. با بهبود مستمر در مدل‌های زیربنایی—عوامل اکنون می‌توانند ابزارها را فراخوانی کنند و در سیستم‌ها عمل کنند—هیچ دلیلی وجود ندارد که هر شرکتی یک محصول هوش مصنوعی صوتی-اول را اجرا نکند و جنبه‌های حیاتی کسب‌وکار خود را بهینه نکند.

Marc Andrusko: No Prompt, Proactive Applications on the Horizon

سال ۲۰۲۶ خداحافظی اصلی با راهنماهای ابزار (tooltips) خواهد بود. موج بعدی برنامه‌های هوش مصنوعی اصلاً اعلان ورودی قابل مشاهده‌ای نخواهند داشت—آن‌ها اقدامات شما را مشاهده کرده و به‌طور پیش‌دستانه اقداماتی را برای بررسی شما پیشنهاد می‌کنند. IDE شما قبل از اینکه صحبت کنید، بازسازی کد را پیشنهاد می‌کند؛ CRM شما پس از پایان تماس، به‌طور خودکار یک ایمیل پیگیری پیش‌نویس می‌کند؛ ابزار طراحی شما همزمان با کار شما، انواع مختلفی را تولید می‌کند. رابط چت صرفاً یک چرخ کمکی است؛ اکنون هوش مصنوعی یک داربست نامرئی در سراسر هر گردش کاری خواهد بود که به جای دستور، با قصد تحریک می‌شود.

Angela Strange: AI Set to Truly Upgrade Banking and Insurance Infrastructure

بسیاری از بانک‌ها و شرکت‌های بیمه قبلاً قابلیت‌های هوش مصنوعی را بر روی سیستم‌های قدیمی، مانند پردازش اسناد و عوامل صوتی، قرار داده‌اند، اما هوش مصنوعی تنها زمانی خدمات مالی را به‌طور واقعی متحول می‌کند که ما زیرساخت‌های زیربنایی آن‌ها را بازسازی کنیم.

تا سال ۲۰۲۶، ریسک عدم ارتقا برای بهره‌برداری کامل از هوش مصنوعی از ریسک شکست بیشتر خواهد شد و ما شاهد خواهیم بود که مؤسسات مالی بزرگ اجازه می‌دهند قراردادهای قدیمی فروشندگان منقضی شوند و شروع به پیاده‌سازی جایگزین‌های به‌روز و بومی هوش مصنوعی کنند. این شرکت‌ها دیگر محدود به مرزهای طبقه‌بندی گذشته نخواهند بود، بلکه به پلتفرم‌هایی تبدیل می‌شوند که داده‌های زیربنایی را هم از سیستم‌های قدیمی و هم از منابع خارجی متمرکز، استاندارد و غنی می‌کنند.

نتیجه چه خواهد بود؟

گردش‌های کاری به‌طور قابل توجهی ساده شده و به پردازش موازی دست می‌یابند و دیگر نیازی به پرش بین سیستم‌ها و رابط‌ها ندارند. برای مثال، می‌توانید صدها کار را به‌طور موازی در یک سیستم وام مسکن مشاهده و پردازش کنید، به طوری که عوامل حتی کارهای پیش‌پاافتاده‌تر را مدیریت کنند.

سیلوهای سنتی برای تشکیل دسته‌های بزرگتر جدید ادغام خواهند شد. برای مثال، داده‌های KYC مشتری و آنبوردینگ و نظارت بر انتقال می‌توانند در یک پلتفرم ریسک واحد ادغام شوند.

برندگان این دسته‌های جدید ده برابر بزرگتر از غول‌های قدیمی خواهند بود: دسته بزرگتر است و بازار نرم‌افزار در حال بلعیدن نیروی کار است. آینده خدمات مالی اعمال هوش مصنوعی بر سیستم‌های قدیمی نیست، بلکه ساخت یک سیستم‌عامل جدید مبتنی بر هوش مصنوعی است.

Joe Schmidt: Pre-deployment Model Bringing AI to 99% of Enterprises

هوش مصنوعی هیجان‌انگیزترین پیشرفت فناوری نسل ماست. با این حال، تا به حال، بیشتر مزایا برای استارتاپ‌ها در ۱٪ شرکت‌های سیلیکون ولی متمرکز بوده است—چه به معنای واقعی کلمه در منطقه خلیج باشد یا شبکه گسترده آن. این نیز منطقی است: کارآفرینان می‌خواهند به شرکت‌هایی بفروشند که با آن‌ها آشنا هستند، دسترسی به آن‌ها آسان است، چه با رانندگی به دفتر یا از طریق ارتباطات rates در هیئت مدیره.

تا سال ۲۰۲۶، این وضعیت معکوس خواهد شد. شرکت‌ها متوجه خواهند شد که اکثریت قریب به اتفاق فرصت‌های هوش مصنوعی خارج از سیلیکون ولی وجود دارند و ما شاهد خواهیم بود که کارآفرینان جدید از یک مدل پیش-استقرار برای کشف فرصت‌های پنهان در صنایع سنتی بزرگ استفاده می‌کنند. این فرصت‌ها در صنایع مشاوره و خدمات سنتی (مانند شرکت‌های یکپارچه‌سازی سیستم و پیاده‌سازی) و صنایع کندرو مانند تولید بسیار عظیم هستند.

Seema Amble: AI Creating New Orchestration Layers and Roles in the Fortune 500

تا سال ۲۰۲۶، شرکت‌ها بیشتر از ابزارهای هوش مصنوعی ایزوله به سمت سیستم‌های چندعاملی حرکت خواهند کرد که باید مانند تیم‌های دیجیتال هماهنگ عمل کنند. همانطور که عوامل شروع به مدیریت گردش‌های کاری پیچیده و وابسته به هم می‌کنند—مانند برنامه‌ریزی، تحلیل و اجرا—سازمان‌ها باید ساختارهای کاری و جریان زمینه بین سیستم‌ها را بازنگری کنند. ما قبلاً دیده‌ایم که شرکت‌هایی مانند AskLio و HappyRobot عوامل را در سراسر فرآیند مستقر می‌کنند، نه فقط برای یک کار واحد.

Fortune 500 این تغییر را عمیق‌تر احساس خواهد کرد: آن‌ها عمیق‌ترین استخرهای داده ایزوله، دانش نهادی و پیچیدگی عملیاتی را در اختیار دارند که بخش زیادی از آن در مغز انسان وجود دارد. تبدیل این زمینه به یک ساختار زیربنایی مشترک توسط کارگران خودران، تصمیم‌گیری‌های سریع‌تر، چرخه‌های فشرده‌تر را باز می‌کند و به فرآیندهای سرتاسری دست می‌یابد که دیگر به مدیریت خرد انسانی متکی نیستند.

این تغییر همچنین رهبران را مجبور می‌کند نقش‌ها و نرم‌افزارها را بازنگری کنند. عملکردهای جدیدی ظهور خواهند کرد، مانند طراحان گردش کار هوش مصنوعی، ناظران عامل و رهبران حاکمیتی مسئول هماهنگی و حسابرسی نیروی کار دیجیتال. با ساخت بر روی سیستم‌های ثبت موجود، شرکت‌ها به سیستم‌های هماهنگی نیاز خواهند داشت: برای مدیریت تعاملات چندعاملی، قضاوت در مورد زمینه و اطمینان از قابلیت اطمینان گردش‌های کاری خودران. انسان‌ها بر رسیدگی به موارد حاشیه‌ای و پیچیده‌ترین موارد تمرکز خواهند کرد. ظهور سیستم‌های چندعاملی فقط یک گام دیگر در اتوماسیون نیست، بلکه بازپیکربندی نحوه عملکرد، تصمیم‌گیری و ایجاد ارزش در شرکت‌ها است.

Bryan Kim: Consumer AI Moving from "Help Me" to "See Me" in 2026

سال ۲۰۲۶ سالی خواهد بود که محصولات هوش مصنوعی مصرف‌کننده از بهره‌وری به سمت اتصال حرکت می‌کنند. هوش مصنوعی دیگر فقط به شما کمک نمی‌کند کارها را انجام دهید، بلکه به شما کمک می‌کند خودتان را واضح‌تر ببینید و روابط قوی‌تری بسازید.

البته، این دشوار است. بسیاری از محصولات هوش مصنوعی اجتماعی قبلاً راه‌اندازی شده و شکست خورده‌اند. اما به لطف پنجره‌های زمینه چندوجهی و کاهش هزینه‌های استنتاج، محصولات هوش مصنوعی اکنون می‌توانند از بافت کامل زندگی شما یاد بگیرند، نه فقط آنچه به یک چت‌بات می‌گویید. تصور کنید: آلبوم‌های عکس که لحظات احساسی واقعی را نشان می‌دهند، حالت‌های پیام‌رسانی ۱:۱ و چت گروهی که بر اساس شرکت‌کنندگان تغییر می‌کنند، عادت‌های روزانه که تحت استرس تنظیم می‌شوند.

هنگامی که این محصولات به ثمر بنشینند، بخشی از زندگی روزمره ما خواهند شد. به‌طور کلی، محصولات «من را ببین» مکانیسم‌های حفظ بهتری نسبت به محصولات «به من کمک کن» دارند. محصولات «به من کمک کن» از طریق تمایل بالا به پرداخت برای وظایف مجزا درآمد کسب می‌کنند و حفظ اشتراک را بهینه می‌کنند؛ محصولات «من را ببین» از طریق تعامل مداوم در زندگی روزمره درآمد کسب می‌کنند: تمایل کمتر به پرداخت، اما الگوهای استفاده چسبنده‌تر.

مردم قبلاً به‌طور مداوم داده‌ها را با ارزش مبادله می‌کردند: سوال این است که آیا آنچه به دست می‌آورند ارزشش را دارد یا خیر. و به‌زودی، این به یک واقعیت تبدیل خواهد شد.

Kimberly Tan: New Model Primitives Unlock Unprecedented Company Forms

در سال ۲۰۲۶، شاهد ظهور برخی شرکت‌ها خواهیم بود که در گذشته نمی‌توانستند وجود داشته باشند و اکنون، به لطف پیشرفت‌هایی در مدل‌سازی مانند استنتاج، چندوجهی بودن و عملیات کامپیوتری، امکان‌پذیر شده‌اند. تا کنون، بسیاری از صنایع (مانند حقوق یا پشتیبانی مشتری) فقط از قابلیت‌های استنتاج بهبودیافته برای تقویت محصولات موجود استفاده می‌کردند. اما ما تازه شروع به دیدن شرکت‌هایی کرده‌ایم که قابلیت‌های اصلی محصول آن‌ها کاملاً توسط این مدل‌های اولیه جدید هدایت می‌شود.

پیشرفت در قابلیت‌های استنتاج می‌تواند عملکردهای جدیدی را باز کند، مانند ارزیابی ادعاهای مالی پیچیده یا رسیدگی به تحقیقات دانشگاهی یا تحلیلی فشرده (مثلاً قضاوت در مورد اختلافات صورت‌حساب). مدل‌های چندوجهی استخراج داده‌های ویدیویی بالقوه از صنایعی که در دنیای فیزیکی ریشه دارند (مثلاً دوربین‌ها در سایت‌های تولید) را ممکن می‌سازند. و قابلیت‌های عملیات کامپیوتری اتوماسیون را در صنایع وسیعی که مدت‌ها توسط نرم‌افزارهای دسکتاپ، APIهای ضعیف و گردش‌های کاری تکه‌تکه قفل شده بودند، امکان‌پذیر می‌سازند.

James da Costa: AI Startups Selling to Other AI Startups and Scaling

ما در لحظه‌ای بی‌سابقه از ایجاد شرکت هستیم که توسط چرخه فعلی محصول هوش مصنوعی هدایت می‌شود. با این حال، برخلاف گذشته، غول‌های موجود «خواب» نیستند، زیرا آن‌ها نیز به‌طور فعال در حال پذیرش هوش مصنوعی هستند. بنابراین، استارتاپ‌ها چگونه می‌توانند موفق شوند؟

یکی از قدرتمندترین و دست‌کم‌گرفته‌شده‌ترین راه‌هایی که استارتاپ‌ها حقوق توزیع را به دست می‌آورند، خدمت به شرکت‌ها در مرحله آغازین آن‌هاست: شرکت‌های سبز (کسب‌وکارهای کاملاً جدید). اگر بتوانید آن‌ها را در مرحله آغازین جذب کنید و با آن‌ها رشد کنید، همانطور که مشتریان مقیاس‌پذیر می‌شوند، شما نیز به یک شرکت بزرگ تبدیل خواهید شد. شرکت‌هایی مانند Stripe، Deel، Mercury و Ramp از این استراتژی پیروی کرده‌اند. در واقع، زمانی که Stripe تأسیس شد، بسیاری از مشتریان آن هنوز وجود نداشتند.

در سال ۲۰۲۶، شاهد خواهیم بود که این استارتاپ‌های متمرکز بر سبز، در طیف وسیعی از دسته‌های نرم‌افزار سازمانی مقیاس‌پذیر می‌شوند. کلید کار ساده است: محصول بهتری بسازید و بر مشتریان جدیدی تمرکز کنید که مدیون شرکت‌های موجود نیستند.

منتظر باشید زیرا فردا بینش‌هایی از تیم کریپتو را به اشتراک خواهیم گذاشت.

[Original Article Link]