Що шукає Y Combinator у 2027: 8 AI-напрямків і яка там робота для інженера

Кілька разів на рік Y Combinator публікує Requests for Startups (RFS), список ідей, під які партнери фонду особливо чекають заявки. Це не закритий перелік, YC фінансує й інші компанії. Але це дуже точний сигнал, куди дивляться люди, які щороку бачать десятки тисяч стартапів.

Список на батч Winter 2027 містить 11 напрямків і починається з речення, яке пояснює все інше: «Найбільші вузькі місця ШІ зміщуються за межі самих моделей». Питання вже не в тому, що вміє нова модель, а в тому, що заважає її масштабувати: доступ до даних, довіра, вартість інференсу, інтеграція в старі процеси, бюрократія. Саме тут з'являється багато роботи для інженерів, які вміють вбудовувати ШІ в реальні продукти.

Нижче вісім напрямків, де ШІ є ядром продукту, і для кожного інженерні задачі, які там будуть. Три «залізні» напрямки коротко в кінці.

Що пише YC (Jon Xu): сьогодні майже кожна компанія з ШІ орендує інтелект: шле токени фронтирній лабораторії й платить рахунок. Це мало сенс, поки найкращі моделі були на роки попереду. Тепер open-weight моделі конкурентні з топовими на важливих бенчмарках, і компанії хочуть володіти моделями: покращувати їх на своїх даних, запускати де завгодно, самі вирішувати, коли оновлюватись. Найбільше це важить у регульованих галузях. YC прямо називає, чого бракує: хтось має перетворювати робочі процеси на евали, експертизу на тренувальні дані, продакшн-збої на покращення, і переносити все це на кожну нову базову модель.

Інженерні задачі: платформа евалів з тест-кейсами з реальних сценаріїв і автоматичним порівнянням моделей і версій промптів; пайплайни, що збирають приклади з продакшну й готують датасети для донавчання; шар маршрутизації між власною і орендованою моделлю, дешева локальна для рутини і фронтирна для складних випадків; RAG поверх корпоративних знань як перший крок, ще до будь-якого донавчання.

Що пише YC (Brad Flora): найцінніші дані у світі не в хмарі. Оборонні підрядники, банки, лікарні й атомні станції не можуть відправити їх в API. Засновники постійно чують одне: клієнт у захваті від продукту, але хоче, щоб той працював повністю всередині його будівлі, без інтернету. YC шукає компанії, що заносять фронтирний ШІ за ці стіни: on-prem моделі, інструменти розгортання, сертифікація безпеки, залізо. Продавати складніше, але тут найбільші бюджети і найзахищеніший бізнес.

Інженерні задачі: упакування всього продукту (модель, векторна база, бекенд, UI) в контейнери, які розгортаються без інтернету; локальний RAG, де ембеддинги, пошук і генерація працюють без жодного зовнішнього виклику; ролі, права доступу й аудит-логи, бо без них продукт не пройде перевірку безпеки; офлайн-оновлення моделей і застосунку з версіонуванням, відкатом і перевіркою цілісності.

Що пише YC (Brad Flora): замість історії «ШІ замінить працівників» протилежна: ШІ, який робить звичайного працівника експертом. Компанії вже наймають розумних людей без профільних дипломів, дають їм ШІ, і ті виконують роботу спеціалістів у соціальних виплатах, податках, страхових випадках, медичному білінгу, імміграційних документах. Правило YC: скрізь, де вузьке місце це диплом чи сертифікат.

Інженерні задачі: копілот для оператора, агент, що веде людину по кейсу, пропонує наступний крок і пояснює чому; RAG по нормативній базі з посиланнями на першоджерело, щоб людина могла перевірити відповідь; витягування даних зі сканів, PDF і форм у структуровані поля; human-in-the-loop, де експерт перевіряє вибіркові кейси, а його правки повертаються в систему.

Що пише YC (Gustaf Alströmer): щоб збудувати будинок чи відкрити бізнес у США, потрібен дозвіл міста, і це місяці очікування. Працівники мерії вручну звіряють креслення з будівельними нормами і заявки з правилами зонування. Це все може робити ШІ. За підрахунком YC, якби дозволи погоджувались за 10% поточного часу, міста отримували б на $16 млрд податків більше щороку. Почати пропонують з дозволів, далі 311, публічні записи, ліцензування й інспекції. В Америці 19 000 міст, і майже всі працюють вручну. YC також пише, що міф «державі неможливо продати софт» більше не працює: частина їхніх GovTech-компаній росте швидше за майже все, що вони бачили.

Інженерні задачі: перевірка заявки на відповідність правилам, де правила зберігаються як структуровані дані, а LLM інтерпретує текст; портал для заявника, який одразу пояснює, чого бракує; робоче місце інспектора з чергою кейсів, підказками ШІ та історією рішень; інтеграції зі старими муніципальними системами, де API часто немає взагалі.

Що пише YC (Gustaf Alströmer): щоб отримати державну допомогу, людина доводить дохід, склад сім'ї й адресу, а потім повторює це для кожної програми. Відомства не діляться даними, держслужбовці перевіряють довідки вручну, а шахрайство, за оцінкою Government Accountability Office, коштує федеральному уряду до півтрильйона доларів на рік. Тепер ШІ підробляє платіжку за секунди. Потрібен шар, який за згодою людини бере перевірені дані напряму з джерела і віддає їх у всі програми одразу. З 2027 року штати мають перевіряти учасників Medicaid кожні шість місяців, а з часом реєстрацію вестимуть ШІ-агенти, і їм потрібні дані, яким можна довіряти.

Інженерні задачі: API-шар у стилі Plaid з конекторами до джерел даних, згодами користувача й нормалізацією; API для ШІ-агентів, які подають заявки від імені людини, і тут природно стає в пригоді MCP; виявлення підроблених документів і аномалій. По суті це фінтех-інфраструктура: безпека, аудит і надійність важать більше, ніж швидкість релізів.

Що пише YC (Diana Hu): потрібні лабораторії, що будують спеціалізовані моделі для виробництва, енергетики та біології, які працюють з кількох прикладів або без них. Планка: не гірше за моделі загального призначення при обчисленнях на порядки дешевших. Приклад: Google TimesFM-3, модель на 330 млн параметрів для прогнозування часових рядів без донавчання під задачу. Найскладніше тут дані: якісні, галузеві, з перевірюваною винагородою, і права на них.

Інженерні задачі, крім самого ML-дослідження: пайплайни збору й очищення галузевих даних; API інференсу, SDK і документація, щоб модель було легко вбудувати; продукт поверх моделі, як-от дашборди прогнозів, алерти, інтеграція з системами клієнта.

Що пише YC (Jared Friedman): що краще моделі пишуть код і розв'язують математику, то гірше вони пишуть текст. Сучасні моделі звучать більш «роботизовано», ніж моделі 2024–2025 років, і YC вважає це структурною проблемою: ті самі сигнали винагороди, що роблять модель сильною в коді, сплющують голос і стиль. Великі лабораторії, якщо доведеться обирати, оберуть код і агентів. Тому є ніша для стартапу, який зробить модель, з якою приємно говорити.

Інженерні задачі: інструменти для оцінки стилю з попарними порівняннями й збором вподобань від живих читачів; продукти поверх моделі, як-от редактор, асистент для авторів, генерація в голосі конкретного бренду; голосові інтерфейси, бо якщо текст звучить природно, наступний крок це природний синтез мовлення.

Що пише YC (Brad Flora): софтверний стартап запустити дешево, а роботи, GPU-кластери й датацентри дорогі, і фінансових інструментів для них здебільшого немає. Банки оцінюють робота як навантажувач. Засновники в YC вже вигадують власні: кредитора для роботів, кожен з яких заробляє $500 тис. на рік, опціони на GPU-потужності. YC шукає кредиторів, лізинг, сек'юритизацію й хеджування для фізичної ШІ-економіки. Це не про моделі, а про фінтех для ШІ-галузі, тому я включаю його в список.

Інженерні задачі: платформа андеррайтингу, де телеметрія з роботів чи GPU стає даними для оцінки ризику; кабінети позичальника й інвестора, платежі, звітність; ШІ для скорингу й аналізу документів угоди.

YC не шукає ще одну обгортку над API. Він шукає компанії, які прибирають конкретні перешкоди на шляху ШІ в реальну економіку: дані, що не можуть покинути будівлю; бюрократію, яка тримає дозволи місяцями; залежність від чужих моделей; брак довіри до даних.

Для інженера це хороша новина. Майже в кожному з цих напрямків основна робота не в тренуванні моделей, а в тому, що навколо: RAG, агенти, евали, інтеграції, безпечне розгортання, продуктовий інтерфейс. Тобто в класичній full-stack інженерії з ШІ всередині.

Далі в серії: як Y Combinator фінансує стартапи і коли вони наймають розробників: https://zavada.dev/ua/blog/how-y-combinator-funding-works, і що я можу збудувати для AI-стартапу з цих напрямків: https://zavada.dev/ua/blog/what-i-build-for-yc-ai-startups.

Будуєте продукт в одному з цих напрямків? Я Senior Full-Stack AI Engineer: RAG, AI-агенти, MCP, LLM-інтеграції, фінтех. Надішліть короткий опис задачі, обговоримо.

Джерело: Y Combinator Requests for Startups, Winter 2027, https://www.ycombinator.com/rfs. Дані перевірено 31 жовтня 2026.