Requests for Startups ของ YC - ฤดูร้อนปี 2026

• Y Combinator รวบรวมไอเดียที่อยากเห็นผู้ก่อตั้งลองทำมากขึ้น และเผยแพร่ภายใต้ชื่อ Request for Startups(RFS)
• เมื่อ AI กำลังก้าวจากฟีเจอร์ธรรมดาไปเป็น เทคโนโลยีพื้นฐาน จึงได้เผยแพร่ไอเดียสตาร์ทอัพ 15 ข้อที่มุ่ง สร้างซอฟต์แวร์·บริการ·เซมิคอนดักเตอร์ขึ้นใหม่ และขยาย AI ไปสู่โลกกายภาพ
• รายการนี้ไม่ใช่ทั้งหมดของการลงทุนจาก YC และหากคุณสนใจไอเดียด้านล่างอยู่แล้ว ก็อาจใช้เป็นความมั่นใจเพิ่มเติมได้ว่า YC ก็กำลังคิดแบบเดียวกัน

เกษตรกรรมใช้สารกำจัดศัตรูพืชน้อยด้วย AI

• เกษตรกรรมสมัยใหม่พึ่งพาสารเคมี แต่ สารตกค้างจากยาฆ่าแมลง กำลังกระจายสู่อาหาร คุณภาพน้ำ และดิน ขณะเดียวกันความกังวลต่อความเสี่ยงด้านสุขภาพระยะยาวของ glyphosate ก็เพิ่มขึ้น
• เมื่อวัชพืชและศัตรูพืชปรับตัวเข้ากับสารเคมีเดิมได้ ประสิทธิภาพก็ลดลง เกษตรกรจึงต้องใช้สารมากขึ้น แต่ต้นทุนสูงขึ้นและกำไรลดลง กลายเป็นวงจรที่เลวร้าย
• AI สามารถ ระบุวัชพืชและศัตรูพืชแต่ละชนิดแบบเรียลไทม์ ได้แล้ว ขณะที่ต้นทุนของเซ็นเซอร์และกล้องลดลง และหุ่นยนต์ก็เริ่มจัดการได้อย่างแม่นยำในระดับต้นพืชแต่ละต้น แทนที่จะทำทั้งแปลง
• โซลูชันแบบจุลชีพ เปปไทด์ และ RNA-based solution กำลังไปถึงจุดที่แทนที่หมวดหมู่ทั้งหมดของสารเคมีสังเคราะห์ได้ และยังสามารถวิศวกรรมให้พืชป้องกันตัวเองและแข่งขันกับวัชพืชได้
• บริษัทที่สามารถ ลดการใช้สารเกษตรลง 90% พร้อมปลูกอาหารได้มากขึ้น อาจกลายเป็นบริษัทที่นิยามทั้งยุคสมัย

บริษัทบริการแบบ AI-native

• โมเดล AI พัฒนาเร็วมากจนทำงานซับซ้อนได้เกินกว่างานวิศวกรรม สะท้อนกระแสที่บริการพัฒนาจาก SaaS ไปสู่ AI copilot
• ในช่วงปี 2023~2025 สตาร์ทอัพส่วนใหญ่สร้างเครื่องมือช่วยงานคน แต่ขั้นต่อไปคือบริษัทแบบ AI-native ที่ขาย ตัวบริการเอง ไม่ใช่ขายซอฟต์แวร์
• มูลค่าการใช้จ่ายด้านบริการรวมสูงกว่าการใช้จ่ายด้านซอฟต์แวร์หลายเท่า และมีบริการจำนวนมากที่ถูกเอาต์ซอร์สอยู่แล้ว จึงแทนที่ด้วยผลิตภัณฑ์ AI-native ได้ง่าย
• ด้านที่สนใจเป็นพิเศษ: นายหน้าประกันภัย, บัญชี·ภาษี·ตรวจสอบบัญชี, คอมพลายแอนซ์, งานธุรการทางการแพทย์

การแพทย์เฉพาะบุคคลด้วย AI

• ใช้ agent harness อย่าง Claude Code เพื่อวิเคราะห์ผลตรวจวินิจฉัย การสแกนจีโนม ข้อมูล EHR และข้อมูลจาก wearable แล้วเสนอคำแนะนำสุขภาพเฉพาะบุคคลได้
• ต้นทุนการทำ genome sequencing ลดลง เร็วกว่า Moore's Law และเครื่องมือวินิจฉัยใหม่ ๆ ก็เริ่มตรวจจับสัญญาณสุขภาพได้ตั้งแต่ระยะเริ่มต้น
• ต้นทุนการสร้าง n-of-1 gene therapy ลดลงอย่างมาก และด้วย delivery vector อย่าง mRNA ก็สามารถออกแบบและส่งมอบยาที่ปรับเฉพาะบุคคลได้ โดย FDA ก็เปิดกว้างต่อกระบวนการลักษณะนี้มากขึ้น
• ข้อมูลและความฉลาดที่อุดมสมบูรณ์น่าจะช่วย เพิ่มความแม่นยำในการประเมินความเสี่ยงโรค และทำให้การเข้าถึงการรักษาโรคร้ายแรงเป็นประชาธิปไตยมากขึ้น

Company Brain (สมองขององค์กร)

• อุปสรรคใหญ่ที่สุดของ AI automation เปลี่ยนจากประสิทธิภาพของโมเดลไปเป็น ความรู้เฉพาะโดเมน โดยองค์ความรู้หลักของทุกองค์กรกระจายอยู่ในอีเมล, Slack, ทิกเก็ตซัพพอร์ต, ฐานข้อมูล และที่อื่น ๆ
• สิ่งที่ต้องการไม่ใช่แค่ระบบค้นหาหรือแชตบอตเอกสาร แต่คือ แผนที่มีชีวิตของวิธีที่องค์กรดำเนินงาน เช่น วิธีจัดการ refund วิธีตัดสินใจกรณียกเว้นราคา หรือวิธีตอบสนองต่อ incident
• ต้องมี primitive ใหม่ที่ดึงความรู้จากแหล่งกระจัดกระจาย จัดโครงสร้าง อัปเดตให้ทันสมัย และแปลงให้เป็น skill file ที่ AI นำไปใช้ลงมือทำได้
• Company Brain ทำหน้าที่เป็น เลเยอร์ที่ขาดหายไป ระหว่างข้อมูลดิบขององค์กรกับ AI automation ที่เชื่อถือได้ และเป็นโครงสร้างพื้นฐานที่ทุกองค์กรต้องมี

การป้องกันฝูงโดรน (Counter-Swarm Defense)

• มีการยกตัวอย่างกรณีฝูงโดรนราคาถูกจากอิหร่าน โจมตี AWS data center และชี้ให้เห็นว่ายังไม่มีความพร้อมในการป้องกันฝูงโดรนที่ประสานงานกันนับพันลำ
• ขีปนาวุธ Patriot หนึ่งลูกมีราคา 3 ล้านดอลลาร์ ขณะที่โดรน FPV หนึ่งลำมีราคา 500 ดอลลาร์ ทำให้ ความได้เปรียบด้านต้นทุนอยู่ฝั่งผู้โจมตีอย่างสิ้นเชิง
• ระบบป้องกันโดรนในปัจจุบันเป็นโครงสร้างที่แออัดและแยกส่วน โดยเรดาร์ กล้อง jammer เครื่องสกัดกั้น และกำลังพลที่ใช้กล้องส่องทางไกลทำงานแยกกันโดยไม่เชื่อมต่อ
• เทคโนโลยีที่ต้องการ: interceptor ความจุสูง ที่ทำให้ไร้ฤทธิ์ได้มากกว่า 50 ลำในแพลตฟอร์มเดียว ซอฟต์แวร์ที่รวมเซ็นเซอร์และระบบป้องกันทั้งหมดแบบเรียลไทม์ และ การป้องกันแบบไม่ใช้แรงปะทะ เช่น ละอองที่ทำให้ rotor ปนเปื้อน หรือ streamer ที่ทำให้ฝูงโดรนพันกัน
• การป้องกันโดรนกำลังใกล้เคียงกับการ ปฏิบัติการระบบกระจายแบบเรียลไทม์ มากกว่าการใช้งานอาวุธ และบริษัทผู้ชนะจะมีลักษณะใกล้ Cloudflare มากกว่า Raytheon

อินเทอร์เฟซซอฟต์แวร์แบบไดนามิก

• ซอฟต์แวร์แบบเดิมมอบอินเทอร์เฟซเดียวกันให้ผู้ใช้ทุกคน แม้แต่ personalization ของ Netflix ก็ยังเปลี่ยนเพียงภาพ ไม่ใช่เลย์เอาต์
• สิ่งที่เคยเกิดขึ้นเฉพาะในซอฟต์แวร์องค์กร ที่ forward deployed engineer ปรับแต่งให้ลูกค้าแต่ละราย กำลังมาถึงจุดที่ coding agent ทำให้ผู้ใช้แต่ละคนได้
• ผู้ใช้จะสามารถปรับแต่งอินเทอร์เฟซอย่างสุดขั้ว เช่น email client ที่สำหรับคนหนึ่งดูเหมือน รายการงาน, แต่สำหรับนักศึกษากลับดูเหมือน ปฏิทินกิจกรรม
• อนาคตที่บริษัทซอฟต์แวร์แจกจ่าย shared primitive แล้วผู้ใช้เปลี่ยนอินเทอร์เฟซปลายทางเองนั้น ต้อง ทบทวนทั้ง software delivery stack ใหม่ทั้งหมด
  • มีคำถามอย่างเช่น จะปล่อยซอร์สโค้ดให้ user coding agent เข้าถึงหรือไม่ แก้ได้เฉพาะ frontend หรือแก้ได้ถึง middleware ด้วย

ชิ้นส่วนอิเล็กทรอนิกส์สำหรับอวกาศ

• ด้วย จรวดใช้ซ้ำได้ ของ SpaceX และ Stoke Space ความสามารถในการส่งสิ่งของขึ้นสู่อวกาศจะเพิ่มขึ้นอย่างมาก
• โดยเฉพาะอย่างยิ่ง มีตลาดขนาดใหญ่สำหรับ ชิป inference ในอวกาศ ซึ่งต้องการชิปที่ปรับให้เหมาะกับมวล ความร้อน และรังสีในระดับต่าง ๆ
• เหมาะกับผู้มีประสบการณ์ด้านการออกแบบชิปจาก SpaceX หรือ NVIDIA

ซัพพลายเชนฮาร์ดแวร์

• ใน Shenzhen ตั้งแต่การออกแบบไปจนถึงการสร้างชิ้นส่วนจริงใหม่ใช้เวลาเพียง 1 วัน แต่ในสหรัฐฯ กระบวนการเดียวกันใช้เวลาหลายสัปดาห์
• เหตุผลที่จีนชนะคือเครือข่ายซัพพลายเออร์ที่หนาแน่น ความเร็วในการ turnaround และ การประสานงานอย่างใกล้ชิด ระหว่างการออกแบบกับการผลิต
• สตาร์ทอัพบางรายเริ่มสร้างบางส่วนแล้ว เช่น Hlabs(W26) ที่ผลิต actuator และ Prototyping.io(P26) ที่เปลี่ยนชิ้นส่วนเครื่องกลได้ภายในไม่กี่วัน แต่ยังไม่มีผู้เล่นที่ทำครบทั้ง stack
• สนใจสตาร์ทอัพที่สามารถผลิตชิ้นส่วนได้เร็วแบบก้าวกระโดด ทำให้การทำ hardware iteration เร็วขึ้น และ บูรณาการการออกแบบ การผลิต และโลจิสติกส์อย่างแนบแน่น

ขีดความสามารถอุตสาหกรรมอวกาศ

• สนใจการ พัฒนาขีดความสามารถทางอุตสาหกรรม บนดวงจันทร์และในอวกาศ โดยเฉพาะการสกัดวัตถุดิบอย่างซิลิคอน อะลูมิเนียม เหล็ก และไทเทเนียม ผ่านกระบวนการ electrolysis
• สนใจเทคโนโลยี 3D printing โครงสร้างซับซ้อนจาก molten regolith ซึ่งบนดวงจันทร์มีประสิทธิภาพกว่าบนโลกเพราะไม่ต้องมีโครงสร้างค้ำยัน

ชิป inference สำหรับ agent workflow

• ชิป AI ส่วนใหญ่ถูกออกแบบมาสำหรับ inference แบบ "รับพรอมป์ต์→ส่งคำตอบ" แต่ agent ทำงานแบบลูปที่มีการเรียกใช้เครื่องมือ การแตกแขนง การย้อนกลับ และ การคง context ตลอดหลายสิบขั้นตอน
• GPU ปัจจุบันมี การใช้ประโยชน์สูงสุดเพียง 30~40% กับ workload แบบนี้ เพราะเป็นรูปแบบ burst ที่สลับไปมาระหว่างการเรียกโมเดลแบบ memory-bound การใช้เครื่องมือแบบ I/O-bound และ orchestration แบบ CPU-bound
• แม้ NVIDIA จะเข้าซื้อ Groq ด้วยมูลค่า 2 หมื่นล้านดอลลาร์ และ Google สร้าง TPU v7 สำหรับ inference โดยเฉพาะแล้ว ก็ยังไม่มีการออกแบบเพื่อ agent loop โดยตรง เช่น การสลับ context ที่เร็ว speculative decoding แบบ native หรือหน่วยความจำที่เก็บ KV cache ตลอด execution graph
• แก่นสำคัญของ Groq คือไม่ใช่ตัวชิป แต่เป็น compiler ที่ทำให้ชิปทำงานได้ และนี่เป็นช่วงเวลาหายากที่ต้องการคนซึ่งเข้าใจทั้งสถาปัตยกรรมชิปและวิธีการรัน agent

ผู้ท้าชิง SaaS

• แม้ AI coding จะทำให้กระแสสิ้นสุดยุค SaaS แพร่หลาย และนักลงทุนจะหั่น มูลค่าตลาดซอฟต์แวร์ไประดับหลายล้านล้านดอลลาร์ แต่นี่กลับเป็นโอกาสครั้งใหญ่ที่สุดของสตาร์ทอัพในรอบ 10 ปี
• AI ลดต้นทุนการผลิตซอฟต์แวร์ลง 10~100 เท่า ทำให้คูเมืองของ legacy SaaS ที่ก่อตัวจากโค้ดนับล้านบรรทัดตลอดหลายทศวรรษเริ่มสลาย
• สเปกตรัมของการบุกตลาด: clone ผลิตภัณฑ์เดิมแล้วขายที่ราคา 1/10, ออกแบบ workflow ใหม่โดยยึด AI-native เป็นแกน, bundle SaaS point solution 10 ตัวเป็น suite เดียว, หรือแทนที่ ผลิตภัณฑ์ราคา 50,000 ดอลลาร์/seat ด้วยโอเพนซอร์ส แล้วหารายได้จากบริการและโฮสติ้ง
• ไม่ควรเล็งเป้าหมายที่ง่ายอย่างเครื่องมือจัดการโปรเจกต์ แต่ควรโจมตี codebase ระดับ 10 ล้านบรรทัดที่ยากจะตีแตกมาหลายทศวรรษ เช่น ซอฟต์แวร์ออกแบบชิป ERP ระบบควบคุมอุตสาหกรรม และการจัดการซัพพลายเชน
• บริษัทซอฟต์แวร์ยิ่งใหญ่ของยุคก่อนถือกำเนิดจากการแทนที่ on-premise ด้วยคลาวด์ ส่วนยุคถัดไปจะเกิดจากการ แทนที่ legacy SaaS ด้วยซอฟต์แวร์ AI-native

ซอฟต์แวร์สำหรับ agent

• ผู้ใช้ 1 ล้านล้านรายถัดไปของอินเทอร์เน็ตไม่ใช่มนุษย์ แต่คือ AI agent และปัจจุบัน agent ยังทำงานอย่างช้าและไม่เสถียรอยู่บนซอฟต์แวร์สำหรับมนุษย์ที่อิงการกดปุ่ม
• Agent ต้องการอินเทอร์เฟซที่เครื่องอ่านได้ เช่น API, MCP, CLI ไม่ใช่อินเทอร์เฟซเชิงภาพอย่างฟอร์ม ปุ่ม หรือแดชบอร์ด
• หากต้องการให้ agent ค้นพบ สมัครใช้ และใช้งานเครื่องมือใหม่แบบโปรแกรมได้ทันที ก็จำเป็นต้องมี เอกสารที่ครบถ้วนอย่างเข้มงวด และระบบต้องทำงานได้โดยไม่ต้องมีมนุษย์เข้ามาแทรก
• ซอฟต์แวร์ทุกหมวดหมู่หลักที่มีอยู่ต้องถูกสร้างใหม่เพื่อ agent และสิ่งนี้จะเกิดจากสตาร์ทอัพที่ ออกแบบโดยถือว่า agent เป็นพลเมืองชั้นหนึ่งตั้งแต่ต้น ไม่ใช่จากบริษัทเดิมที่แค่เพิ่มการรองรับ agent เข้าไป

สตาร์ทอัพที่อยากขายให้บริษัทยักษ์ใหญ่

• เดิมทีสูตรสำเร็จคือสตาร์ทอัพขายให้สตาร์ทอัพด้วยกัน แต่หลังการมาของ AI ก็สามารถเข้าถึง บริษัทยักษ์ระดับ Fortune 100 ได้แล้ว
• AI เปลี่ยนกำแพง 3 ด้าน: ผู้มีอำนาจตัดสินใจในองค์กรใหญ่กำลัง มองหาทีมที่ใช้ AI แก้ปัญหาหลักอย่างจริงจัง, ทีมเล็กสามารถสร้างผลิตภัณฑ์ซับซ้อนสำหรับองค์กรใหญ่ได้ในไม่กี่เดือน, และผู้นำองค์กรใหญ่ก็ ตระหนักเอง ถึงความจำเป็นในการปรับตัว
• ในช่วง 3 ปีที่ผ่านมา บริษัทใน YC หลายแห่งปิด สัญญามูลค่าหลายล้านดอลลาร์ ได้ตั้งแต่ช่วงแบตช์หรือในปีแรก และกรณีที่ลูกค้ารายแรกเป็นหนึ่งในบริษัทที่ใหญ่ที่สุดในโลกก็พบได้บ่อย
• ยุคของการอยู่ใน stealth mode 3 ปีเพื่อไล่ให้ทันฟีเจอร์ผลิตภัณฑ์เดิมได้จบลงแล้ว และตอนนี้ ทีม 2~3 คนสามารถปล่อยผลิตภัณฑ์ที่ Fortune 10 ใช้งานได้ก่อนจดบริษัทเสียอีก

ซัพพลายเชนเซมิคอนดักเตอร์ 2.0

• ชิป AI ระดับล้ำสมัยหนึ่งตัวต้องผ่านกระบวนการราว 1,400 ขั้นตอน เดินทางผ่านมากกว่า 12 ประเทศ และใช้เวลา 5 เดือนในการผลิต แต่ซัพพลายเชนนี้กลับถูกบริหารด้วยสเปรดชีต SAP และโทรศัพท์
• ในปี 2021 ชิปมูลค่า 300 ดอลลาร์ทำให้รถยนต์มูลค่า 50,000 ดอลลาร์ผลิตไม่ได้ คิดเป็น ความเสียหายจากการไม่สามารถผลิตรถได้มูลค่า 2.1 แสนล้านดอลลาร์ ขณะที่บริษัทต่าง ๆ มองเห็นได้เพียงซัพพลายเออร์ตรงของตน และแทบไม่มี visibility ไปถึง tier 2 และ 3
• advanced packaging ของ TSMC เป็นคอขวดใหญ่ที่สุดของ AI compute ในตอนนี้ โดย NVIDIA จองไปมากกว่า 60%, หน่วยความจำ HBM ถูกจองเต็มไปจนถึงปี 2026 และกฎควบคุมการส่งออกก็เปลี่ยนทุกไตรมาส
• ด้วย CHIPS Act กำลังมีการสร้าง fab ใหม่ใน Arizona, Texas, Ohio และ New York แต่แต่ละ fab ก็ต้อง สร้างซัพพลายเชนแทบทั้งหมดขึ้นมาใหม่เอง
• แทบไม่มี tooling สำหรับการติดตาม allocation แบบเรียลไทม์ การเฝ้าระวังความเสี่ยงหลายชั้น หรือ export compliance และเพราะต้องเข้าใจลึกถึง wafer allocation กับข้อจำกัดด้าน packaging จึงเป็นโอกาสของสตาร์ทอัพ ไม่ใช่ฟีเจอร์ภายใน SAP

ระบบปฏิบัติการ AI สำหรับองค์กร

• บริษัท AI-native ที่ดีที่สุดกำลังบันทึกทุกการประชุม ติดตามทุกทิกเก็ต และเก็บทุกปฏิสัมพันธ์กับลูกค้า เพื่อทำให้ ทั้งองค์กรสามารถถูก query ได้
• สิ่งนี้ทำให้องค์กรเปลี่ยนจาก open loop (ตัดสินใจแล้วค่อยรู้ผลอีกหลายสัปดาห์ถัดมา) ไปสู่ closed loop (ระบบเฝ้าดูสถานะปัจจุบัน เปรียบเทียบ และปรับแก้เอง)
• ทีมที่นำแนวทางนี้ไปใช้สามารถลดเวลา sprint ลงครึ่งหนึ่งและ เพิ่มปริมาณการปล่อยขึ้นสองเท่า
• แต่ปัจจุบันการสร้างสิ่งนี้ยังต้องอาศัย งาน integration ที่หนักหน่วง โดยใช้ custom glue code เพื่อเชื่อม Slack, Linear, GitHub, Notion, การบันทึกสายโทรศัพท์ และอื่น ๆ
• ยังไม่มีผลิตภัณฑ์ที่เชื่อมทุก context เข้ากับชั้น intelligence เดียว เพื่อ ติดธงเตือน เมื่อวิศวกรรมกำลังสร้างสิ่งผิด หรือเพื่อสร้างสเปกให้ agent ไปลงมือทำ เป็นโอกาสในการสร้างชั้นเชื่อมต่อที่เปลี่ยนผลลัพธ์ขององค์กรให้กลายเป็น วงจรการพัฒนาตัวเอง

[xguru]

ออกมาทุกไตรมาสอยู่แล้วครับ
เห็นได้ชัดว่าตอน YC's Requests for Startups - Summer 2025 ก็มีเรื่อง AI เยอะเหมือนกัน
แต่พอเข้าปีนี้มา ดูเหมือนการประยุกต์ใช้ AI จะขยับเข้าใกล้ฝั่ง vertical หรือ enterprise มากขึ้นนะครับ