YC 2026 Request for Startups

作者： Wisely Chen 日期： 2026 年 2 月 系列： AI 產業趨勢 關鍵字： YC, Y Combinator, RFS, AI 創業, AI 原生代理, 政務 AI, 製造業 AI, 體力勞動 AI

矽谷的風向標又轉了

2026 年 2 月 4 日，Y Combinator 發布了最新一期的 Request for Startups (RFS)。

如果你不熟悉 YC，簡單講就是全球最頂級的創業加速器。Google、Airbnb、Stripe、Dropbox 都是從這裡畢業的。每年他們會公開一份「我們想投什麼」的清單，基本上就是矽谷未來 2-3 年的風向標。

今年的清單一共 10 個賽道。但讓我覺得有意思的是：超過一半的賽道，跟「軟體」幾乎無關。

金屬加工廠、政府公務員、藍領水電工、對沖基金交易員——這些人什麼時候變成矽谷的目標客群了？

答案是：當 AI 從「聊天工具」進化成「系統引擎」的時候。

先看全貌：YC 2026 的 10 個賽道

# 賽道 一句話說明
1 Cursor for PM 給產品經理的 AI 原生工具
2 AI 原生對沖基金 用 AI 從零建立交易策略
3 AI 原生代辦機構 服務業的利潤結構被重寫
4 穩定幣金融服務 DeFi 與傳統金融的橋樑
5 政務 AI 化 讓政府跟上數位時代
6 現代金屬加工廠 給重工業裝數位引擎
7 體力勞動 AI 導航 給工人裝「技能插件」
8 大型空間模型 AI 理解 3D 物理世界
9 政府反詐基礎設施 加速吹哨者調查流程
10 讓 LLM 訓練更簡單 模型訓練的開發者工具

我不打算全部都講。穩定幣、空間模型、LLM 訓練——這些要嘛太金融、要嘛太基礎研究，離大部分讀者比較遠。

我想聚焦的是 兩大主題，加上一個跟我們軟體開發直接相關的。因為這三塊，才是真正在告訴你：AI 的下一步不是更會聊天，而是更會做事。

1. AI Native Agency：把「賣命」變成「賣成品」

這是我覺得整份 RFS 裡面最精彩的一個賽道，因為它直接改寫了服務業的商業邏輯。

傳統的設計公司、廣告公司、法律事務所，本質上都在做同一件事：賣人頭。你的營收上限 = 員工數量 × 每人工時單價。員工請假、離職、效率低——全部直接吃掉利潤。

YC 的原話是這麼說的：

“Agencies of the future will look more like software companies, with software margins.”

翻成白話：未來的服務公司，利潤率應該跟軟體公司一樣高。

怎麼做到？

從「賣過程」到「賣結果」

以前設計公司接案，要先提案、開會、做三輪修改、交稿。整個過程可能花 3 週。

現在呢？AI 可以在簽約前就直接生成高品質成品。客戶看到的不是提案簡報，而是接近完成的作品。喜歡就買，不喜歡就算了。

交付週期從 3 週壓到 3 天，甚至 3 小時。

具體到各行業，這個變化長這樣：

  • 設計公司： 以前靠提案簡報贏單，現在直接出成品。客戶開完需求會議，隔天就收到三個完整方案。不是 wireframe，是可以直接用的高保真設計。
  • 廣告公司： 以前拍一支 30 秒廣告要租棚、找演員、後製剪輯，沒有兩三百萬下不來。現在 AI 生成影片，同一個腳本可以即時產出 10 個版本做 A/B 測試。成本從百萬級降到萬元級。
  • 法律事務所： 合約審閱從「一個助理律師讀三天」變成「AI 5 分鐘掃完，標出 12 個風險條款」。資深律師只需要判斷這 12 個點要不要改，不用再從頭讀到尾。
  • 顧問公司： 這個我有切身經驗。以前寫一份技術提案要一週，現在用 Claude Code 一小時出草稿，包含架構圖、成本估算、時程規劃。以前一個月只能投兩個標案，現在可以投八個。

注意：速度變快不代表品質自動變好。 AI 產出的是 80 分的底稿，最後 20 分——客製化調整、風險判斷、客戶溝通——還是得人來做。但光是把 0 到 80 分的時間壓縮掉，遊戲規則就已經不一樣了。

利潤結構的根本改變

以前一間設計公司要養一整層樓的初級設計師做執行。現在？3-5 個核心專家帶著 AI 智能體工作就夠了。

規模不再取決於你有多少員工，而是取決於你有多少 AI 算力。

用數字講更直觀：

  傳統代辦機構 AI 原生代辦機構
團隊規模 30 人 5 人 + AI
月產能 10 個專案 30-50 個專案
人力成本佔比 60-70% 15-25%
毛利率 20-35% 60-80%
擴張方式 招人 → 培訓 → 上手（3-6個月） 加 AI 算力（即時）

這就是 YC 說的「software margins」——軟體公司的毛利率通常在 70-80%。當服務公司的成本結構從「人力密集」變成「AI 算力密集」，毛利率自然就往軟體公司靠攏。

這不是效率提升，這是商業模式的重寫。

但這條路有個大坑

講到這裡，我必須潑一盆冷水。

AI 原生代辦機構最大的風險不是技術，而是客戶認知的時間差。

你用 AI 一小時做完的東西，客戶看到交付速度會想：「這麼快？是不是偷工減料？」。或者更糟：「既然 AI 能做，我為什麼不自己用 AI？」

我自己就遇過這個問題。用 Claude Code 一小時出的技術提案，如果立刻交給客戶，他反而不放心。他覺得「好的東西應該要花時間」。所以有時候你得策略性地控制交付節奏——不是故意拖延，而是在等待的時間裡做更深度的客製化。

另一個坑是品質一致性。AI 生成的東西有隨機性，同一個 prompt 跑十次，品質可能差很多。你必須建立嚴格的品控流程，不然就是在賭博。

所以 YC 說的「software margins」是真的可能達到的，但前提是你解決了兩件事：

  1. 讓客戶信任 AI 輔助的產出品質（這是品牌和口碑的問題）
  2. 建立可重複的品控機制（這是流程工程的問題）

我的觀察

這跟我之前寫的 RaaS (Results as a Service) 完全吻合。市場已經不想買你的「過程」了，只想買你的「結果」。

差別在於：RaaS 是個人層面的職涯策略，而 AI 原生代辦機構是把 RaaS 做成公司。

而 RaaS 文章裡提到的核心觀點在這裡被放大了：AI 只能輸出機率性的產出，它無法承擔責任。 代辦機構的真正護城河不是「會用 AI」——這個門檻越來越低。護城河是「敢用自己的信譽擔保 AI 產出的品質」。

說白了，未來的 AI 原生代辦機構賣的不是 AI 的能力，而是人類專家的判斷力和責任感，只是用 AI 把交付效率拉到了一個以前不可能的水平。

2. 傳統產業的實體 AI 化：政府、工廠、工地的三重破圈

YC 這次最讓我意外的，不是某一個賽道，而是有 三個賽道同時指向同一件事：AI 正在從螢幕裡走出來，進入實體世界。

政務 AI 化、現代金屬加工廠、體力勞動 AI 導航——這三個看起來八竿子打不著的領域，其實在講同一個故事：傳統產業被困在「人腦瓶頸」裡太久了，AI 正在把瓶頸打開。

瓶頸一：政府辦公室——效率不對稱的定時炸彈

想像一個場景：你用 ChatGPT 花 5 分鐘就寫好了一份申請書，提交到政府系統。然後呢？一個公務員要手動打開你的 PDF，逐頁比對法規，手寫備註，轉給下一個人蓋章。

你的效率提升了 10 倍，但政府的處理速度還是 1 倍。

YC 的原話：

“Government desperately needs AI tools to deal with the huge increase that’s coming down the line.”

這句話的重點不是「政府需要 AI」，而是「huge increase that’s coming」——當每個人都能用 AI 秒生文件，政府的受理量會爆炸，但處理能力沒變。 這不是效率問題，這是系統性崩潰的前兆。

AI 在這裡做什麼？自動化審核、合規性檢查、文件分類。數周的處理週期縮短到數秒。政府每年處理數兆美元的支出，其中大量是紙本或半結構化資料——這些全部可以被 AI 即時理解。

坦白說，做政府生意很痛苦。流程慢、標案複雜、付款週期長。但 YC 看到的是另一面：一旦進入系統，合約穩定性極高，規模極大。 愛沙尼亞 (Estonia) 已經證明數位政府是可行的。問題從來不是「能不能做」，而是「誰來做」。

瓶頸二：鋼鐵廠——30 年老師傅的經驗困在腦子裡

在美國，訂一批定製鋁材的交期是 8 到 30 週。半年。

但這不是因為工廠產能不夠。而是因為排程系統還在用 Excel（不是開玩笑）、換產停機時間過長、資深技師的經驗全在腦子裡沒有系統化。

一個在鋼鐵廠做了 30 年的老師傅，他知道「這種合金在這個溫度下要多壓 2 秒」。這個知識不在任何手冊裡，全靠經驗。老師傅退休了，知識就斷了。

AI 做的事情是：把這些隱性經驗轉化為演算法，驅動即時生產調度。

排程從「靠人腦記」變成「AI 即時優化」，換產時間從幾天縮到幾小時，交期從 30 週變成 3 週。這不是漸進式改善，這是數量級的壓縮。

瓶頸三：工地現場——3 年學徒制 vs. 3 個月上手

YC 的原話講得很科幻：

“Physical work is about to get something similar…not through brain implants, but through real-time AI guidance.”

就是《駭客帝國》裡尼奧插上電纜就會功夫。差別是：不用插電纜，戴個智能眼鏡就好。

一個新手水電工到現場，面對一堆看不懂的管線。他戴上智能眼鏡，AI 透過攝影機看見零件，在畫面中圈出故障點，同步在耳邊說：「這根管接反了，用 3/8 英寸扳手往左轉兩圈。」

傳統技術工人培訓要 3-5 年學徒制。AI 導航把學習曲線壓平——不是讓你什麼都不用學，而是邊做邊學，AI 即時糾錯。原本需要 3 年才能獨立作業的新手，可能 3 個月就能上手。

三個瓶頸，同一個本質

把這三個放在一起看，你會發現一個共同的模式：

領域 瓶頸 AI 的角色 效果
政府 人工審核跟不上 AI 生成的文件量 自動化審核與分類 處理週期：數周 → 數秒
製造業 老師傅的經驗無法規模化 隱性知識算法化 + 即時排程 交期：30 週 → 3 週
體力勞動 技術工人培訓週期太長 即時 AI 導航與糾錯 上手時間：3 年 → 3 個月

本質都是一樣的：把困在「人腦」裡的知識和判斷力，轉化為 AI 可以規模化複製的系統。

這就是我說的「隱性知識算法化」——它是這三個賽道背後真正的技術趨勢。公務員判斷一份文件是否合規、老師傅判斷一塊合金該壓多久、資深水電工判斷一根管線該怎麼接——這些「只可意會不可言傳」的東西，正在被 AI 編碼。

而這也解釋了為什麼美國的製造業回流、全球的藍領勞動力短缺、各國政府的數位轉型，在 2026 年突然都成了 AI 創業的熱門賽道——不是因為 AI 變強了，而是因為這些產業的「人腦瓶頸」已經撐不住了。

需求端的壓力，終於大到願意為 AI 買單。

加碼：Cursor for PM — 給產品經理用的 AI 原生工具

最後講一個跟我們直接相關的。

YC 提出的第一個賽道叫「Cursor for PM」——給產品經理用的 AI 原生工具。

“An AI-native system focused on helping teams figure out what to build, not just how to build it.”

YC 的意思是：Cursor 已經幫工程師解決了「怎麼寫」的問題，但 PM 還沒有等價的工具來解決「寫什麼」的問題。

這讓我想到 ATPM 框架。我們在實戰中發現，PRD 的品質直接決定了 AI 程式碼生成的品質。PRD 寫得好，AI 生成的程式碼準確率 85%；PRD 寫得爛，AI 再強也是垃圾進垃圾出。

但現在 PRD 的撰寫過程還是很「手工」——PM 做用戶訪談、整理需求、寫文件、反覆修改。我們的經驗是 一個專案平均要改 24 次 PRD。

如果有一個 AI 工具能自動分析用戶訪談、生成 PRD 草稿、拆分開發任務——那 ATPM 的 Assessment 階段就能再加速一個量級。

這不是取代 PM，而是讓 PM 花更多時間在「判斷」而不是「打字」上。

看完 YC 的清單，我的三個觀察

觀察一：AI 的戰場已經從「軟體」擴展到「實體」

2024 年的 AI 創業還集中在 SaaS、開發工具、chatbot。2026 年？金屬加工廠、政府辦公室、建築工地。

AI 不再只是讓你寫 code 更快，而是讓整個產業的運作方式被重新設計。

觀察二：「隱性知識」是最大的 AI 金礦

老師傅的經驗、交易員的直覺、資深公務員的判斷——這些「只可意會不可言傳」的東西，正在被 AI 編碼和規模化。

誰能把一個產業的隱性知識轉化為 AI 系統，誰就掌握了這個產業的下一個十年。

觀察三：不是取代人，是重新定義「人的價值」

YC 這 10 個賽道沒有一個是「用 AI 取代所有人」。每一個都是「用 AI 讓人做到原本做不到的事」。

  • AI 原生代辦機構：讓 3 人團隊做到 30 人的產出
  • 政務 AI：讓公務員從「鍵入資料」變成「做決策」
  • 金屬加工：讓新手工人用到老師傅的經驗
  • 體力勞動：讓新手 3 個月上手，不用等 3 年

人的價值不是「會做什麼」，而是「能判斷什麼」和「敢負責什麼」。

坦白說

YC 的 RFS 從來不是預測——它是一份投資意向書。他們看好這些方向，願意投錢。但方向對不代表每個人都能做成。

真正難的不是技術。AI 工具 2026 年已經夠強了。難的是：

  1. 深入理解一個傳統產業 — 你不懂鋼鐵廠的排程邏輯，就做不出好的 AI 排程系統
  2. 搞定非技術的障礙 — 政府採購流程、工會關係、法規合規，這些比寫程式難 10 倍
  3. 持續交付結果 — 不是 demo 好看就行，要在真實場景中穩定運作

如果你在傳統產業裡有經驗、有人脈、有痛點的第一手理解——恭喜你，你手上的牌可能比你想像的值錢。

AI 時代的創業，不是程式設計師的專利。是那些「懂行業 + 會用 AI」的人的機會。

延伸閱讀