YC W26 Demo Day 深度覆盤：200 家公司背後的創業真相

作者：Rathin Shah

編譯：深潮 TechFlow

深潮導讀：這不是一份簡單的 Demo Day 觀察報告。作者現場聽完 199 場路演後，用數據和案例揭示了當下 AI 創業的底層邏輯：為什麼 60%的公司 all in AI、為什麼 copilot 概念幾乎消失、為什麼最快拿到收入的都是"賣回老東家"的創始人。更重要的是，他指出了那些看似熱門賽道背後的致命風險，以及那些被所有人忽視、卻可能誕生下一個傳奇的空白領域。

我參加了 YC 2026 冬季 Demo Day。199 家公司。以下是我的全部觀察：數據、模式，以及如果你是未來創始人需要知道的一切。

給創始人的核心教訓

關於市場/問題陳述

1. AI 不是一個品類，它是基礎設施。60%的 batch 是 AI 原生。另外 26%是 AI 賦能。只有 14%沒有 AI。問題不是"你在用 AI 嗎？"而是"你的 AI 做了什麼基礎模型開箱即用做不到的事？"

2. 替代，而非輔助。核心主題是"AI 員工"，不是 copilot，不是助手。推介詞永遠是"我們端到端替代[昂貴的人力角色]"，定價是那個人薪水的一小部分。Copilot 是輔助。Agent 是行動。行業已經向前了。

3. 為你的領域找到"Claude Code"。每個職業都有 AI 現在能生成的結構化輸出：合同、CAD 文件、財務模型、手術計劃、規格說明書。找一個從業者時薪 100-500 美元以上、工具已有 10-30 年曆史、且有明確驗證步驟的職業。廣闊的領域：稅務籌劃、土木工程、管理諮詢、臨床試驗、專利起草、音樂製作。

4. 考慮服務模式。約 20%的 batch 在建立 AI 原生服務公司（法律、招聘、會計、保險），按結果收費但享有軟件利潤率。他們展示了 batch 中最快的收入增長。套路是：從服務起步→獲得收入和數據→發佈自動化→升級為平臺。

5. B2B 主導。AI agent 替代 B2B 知識工作者。87%是 B2B。只有 14 家面向消費者的公司（約 7%）。當前 AI 能力解鎖完美匹配商業工作流。這是好買賣，但這個 batch 中的傳奇公司很可能是那些異類：鈾礦勘探公司、月球酒店、機器人牛仔、寄生蟲藥物公司。

6. 建立數據飛輪。每次客戶互動都應該讓你的產品更好。LegalOS 基於 12000 份簽證申請訓練→100%批准率。完美地隨著每次僱傭而改進。沒有數據飛輪，你就是個包裝器。

7. 不要建立通用 AI 包裝器。"AI for everything"輸給"AI 替代一個特定的年薪 8 萬美元崗位"。深入一個不性感的行業。最好的機會在你永遠不會在雞尾酒會上推介的行業裡。

8. 消費者的缺席是機會信號。零教育公司。零消費社交。零心理健康/健身。零政府科技。歷史上資金最少的品類產出最大的異常回報。破解 AI 原生娛樂、社交或教育的創始人將獨佔整個品類。

9. 硬件迴歸了。18%的 batch 有硬件組件（機器人、無人機、可穿戴設備、太空技術）。這比近期 batch 有顯著跳升。那些 SpaceX/Tesla 校友建立的實體產品公司是 batch 中最有差異化的。

關於分發渠道

10. 分發渠道是前提，不是事後想法。增長前 15 的公司中 60%通過創始人網絡或 YC 網絡獲得客戶。如果你的前 20 個客戶需要"搞清楚分發渠道"，你選錯了市場。

11. 你的前僱主是你的首個市場。主導的 GTM 動作（約 35%的 B2B）：創始人在行業待了多年、離開、然後賣回他們的人脈網。他們的名片夾就是分發渠道。

12. PE 併購渠道被嚴重低估。Ressl AI 和 Robby 獨立發現 PE 支持的併購方迫切需要利潤改進工具。一筆 PE 交易=50-200 個網點。

13. 選擇你已經有分發網絡的市場。GTM 掙扎的公司幾乎總是那些先造產品再問"我們怎麼賣"的。贏家問的是"我已經能接觸到誰，他們迫切需要什麼？"

關於團隊

14. 創始人-市場匹配是收入速度的最強預測因子。那些真正做過他們現在要自動化的工作的創始人幾天內就能成交。其他人要幾個月。Proximitty（不到 3 周 70 萬美元 ARR）：CEO 是麥肯錫銀行風險顧問。Corvera（4 周內 3.3 萬美元 MRR）：CEO 經營 CPG 品牌。

15. 你的聯創關係是你的護城河。46%的 batch 是 2 人團隊。最強的團隊合作多年：前同事、同學、兄弟姐妹、重複聯創。如果你沒和聯創一起發佈過什麼東西，你就沒驗證創業最重要的部分。

16. 領域專業知識勝過學歷。最有說服力的創始人親身經歷過問題：建立手術 AI 的牙醫、建立機械工具的飛機維護主管、建立政策 AI 的說客。"前大廠"是基本盤，不是差異化因素。

關於路演

17. 瘋狂的結束語很重要。當 199 家公司在一天內路演時，你需要成為他們喝酒時談論的那個。"第一個 AI 奧斯卡將在 Martini 上誕生。""你可以預訂 2032 年的月球酒店。"讓你的願景具體、可證偽、可引用。

關於要避免什麼

18. 避免無差異化的 agent 基礎設施。8-10 家公司在建立 agent 監控/測試/壓縮。基礎模型提供商會原生地建立這些。如果"[現有 DevOps 工具] but for AI agents"描述了你，那就是危險區。

19. 避免沒有數據護城河的 AI 原生服務。收入最快但防禦性最低。核心技術幾周可複製。傳統公司會在 12-18 個月內採用 AI。沒有專有數據或嵌入式分發，護城河很薄。

20. 避免商品化工作流包裝器。AI 做一個明確定義的任務，而 GPT-5 可能在 6 個月內原生地做同樣的事。

現場

199 場路演。從 YC 烤箱裡出來的新鮮創業公司有種獨特的氣味。興奮、高能量、從不沉悶。

一些令人難忘的時刻：

一家創業公司推介月球上的第一家酒店，有白宮邀請和 5 億美元意向書

機器人牛仔用自主無人機放牧牛群

一家 AI 演示公司在 demo 中實時生成自己的路演 deck

一家公司在演示衛星圖像時隨意放大到伊朗德黑蘭（整個房間安靜了）

Martini 創始人以"第一個 AI 製作電影的奧斯卡將被 Martini 贏得！"結束，這種臺詞讓投資人要麼翻白眼要麼掏支票簿

硬件演示區人聲鼎沸：機器人、無人機、帶生命科學蛋白質的顯微鏡、車載雷達。真實的、你能觸摸的物理東西。這不只是一 batch SaaS 儀表盤。

聽完 199 場路演後，你不再聽到單個公司而開始看到模式。以下是我的發現。

宏觀數字

總公司數：199

商業模式：

B2B: 174 (87%)

B2C: 14 (7%)

B2B2C: 11 (6%)

產品類型：

純軟件： 163 （82%）

硬件+軟件： 24 （12%）

純硬件： 12 （6%）

AI 分類：

AI 原生（AI 就是產品）: 120 （60%）

AI 賦能（現有工作流+AI）: 52 （26%）

非 AI: 27 （14%）

牽引力：

估計中位 ARR: 約 5-10 萬美元

估計中位增長： 約 30-50% MoM

ARR>100 萬美元的公司： 約 5%

無收入： 約 50%

主要行業：B2B 軟件（59%）、工業（15%）、醫療（10%）、金融科技（8%）、消費者（4%）。

只有 14 家公司面向消費者，YC 官方只將 7 家歸為"消費者"。其餘是披著企業標籤的消費產品，歸入 B2B、醫療或金融科技。

十大主題

1. AI Agent 替代整個工作職能

核心主題。不是 copilot，是完全替代。

Beacon Health 替代做事先授權的行政人員

Perfectly 端到端替代招聘人員

Lance 替代 50+家萬豪/希爾頓/凱悅酒店的前臺

Mendral（Docker 聯創）替代 DevOps 工程師

Canary 替代 QA

"copilot"框架從 2025 年初約 4%的路演下降到 W26 的 1%。

2. "X 領域的 Claude Code"

Claude Code 和 Cursor 證明了 agent 化 AI 對代碼有效。W26 創始人正在將同樣範式應用到每個有結構化輸出的職業：

REV1 for 機械工程師（3D→2D 圖紙）

Avoice for 建築師（規格說明、文檔）

Synthetic Sciences for 科學研究

Maywood for 投行家

Alt-X for 房地產承銷（直接在 Excel 中工作）

Cardboard for 視頻編輯

Mango Medical 幾分鐘生成手術計劃而不是幾天

3. AI 原生專業服務（"服務業務，軟件經濟學"）

不是為現有公司建工具，而是建立與他們競爭的 AI 公司：

四家 AI 律所（Arcline、General Legal、Vector Legal、LegalOS）

AI 招聘機構（Perfectly）

AI 會計（Balance）

AI 保險經紀（Panta）

AI 政策諮詢（Fed10，三位前說客創立）

Panta 明確說："一個有軟件經濟學的服務業務。"按結果收費，以軟件利潤率運營，因為 AI 做 80%人類處理 20%。Arcline 有 50+創業客戶。LegalOS 有 100%簽證批准率。

看空理由：人在迴路中將利潤率限制在 60-80%。責任是真實的。護城河問題：如果核心技術是"LLM+領域提示+人工審核"，什麼阻止複製？新興答案：從服務開始→發佈自動化→升級為平臺。服務是楔子；軟件是護城河。

4. Agent 時代的基礎設施

每個技術棧層都在為 agent 重建：

Agentic Fabriq = "Agent 的 Okta"

Sponge（三位前 Stripe 加密負責人） = agent 的金融基礎設施

Moda/Sentrial = agent 可靠性的 Datadog

Salus = 運行時護欄

21st（140 萬開發者） = AI 優先 UI 的 React 組件

Zatanna 將 LLM 之前的 SaaS 變成 agent 可查詢的數據庫

風險：基礎模型提供商原生建立這些。這一層約 30%的競爭重疊證實它很擁擠。

5. "不性感"行業的垂直 AI

最大 ROI 在科技忽視的行業：

Zymbly 自動化飛機維護文書工作（5 分鐘維修需要 45 分鐘文檔）

GrazeMate 建立機器人牛仔，自主無人機放牧。當他們路演時，你忍不住笑。聽起來荒謬，直到你瞭解到創始人在 6000 頭牛的牧場長大。

OctaPulse 做魚類養殖的計算機視覺

Squid 解決電網規劃（每年 7600 億美元低效，仍在用電子表格）

這些創始人鑽得很深。Scout Out 創始人是第四代建築業。LegalOS 聯創在家族移民律所長大（每人 12 歲起超過 10000 小時）。Zymbly 聯創是維珍航空飛機維護主管。最好的機會在你永遠不會在雞尾酒會上推介的行業。

6. 實體 AI/機器人復興

18%的 batch 有硬件組件：

Remy AI 和 Servo7 建造從人類演示中學習的倉庫機器人（80%的倉庫零自動化）

Origami Robotics 建造機器人手

RoboDock 60 天部署 MVP 走紅，拿下 10 萬美元 Waymo 合同

Fort（三位前特斯拉工程師）追蹤力量訓練，Whoop/Oura 仍做不到

Pocket 發貨 3 萬+臺，年化收入 2700 萬美元

硬件演示區是當天最有活力的部分。

7. 國防與國家安全

Milliray（三位牛津/聖安德魯斯博士）為北約建造無人機探測雷達（batch 內銷售 47 萬美元）

Seeing Systems 為英國皇家海軍陸戰隊建造 AI 打擊無人機

DAIVIN!為美國特種作戰部隊建造無罐潛水裝備

國防預算大，合同長，信譽可轉移到商業。

8. 數據即護城河

當每個人都有相同基礎模型時，專有數據是主要防禦性：

Shofo：世界最大索引視頻庫

Human Archive：從斯坦福/伯克利退學，搬到亞洲，從數千家庭收集數據用於人形機器人

LegalOS：12000 份成功簽證申請→100%批准率

模式：每次客戶互動讓產品更好。沒有數據飛輪，你就是包裝器。

9. 硬科技與太空

最大膽的路演。GRU Space 正在建造 2032 年前月球上的第一家酒店。當他們路演時，房間重新校準了：一半認為他們瘋了，一半認為他們可能做到。5 億美元意向書，白宮邀請，10 億+瀏覽量。Beyond Reach Labs 建造軌道足球場大小太陽能陣列（2030 年前功率需求增加 500 倍）。Terranox 用 AI 發現鈾礦床（單個發現=2-7 億美元）。

Ditto Biosciences 可能是最有創意的論點：寄生蟲進化出控制人類免疫系統的蛋白質，經過數百萬年。Ditto 用 AI 識別它們並設計自身免疫療法。進化已經解決了問題，他們只是讀取答案。

10. AI 原生研究與科學

Talking Computers 部署 AI 科學家車隊（ARR 超 100 萬美元）

Aemon（雙胞胎兄弟，20 歲前在 ICLR/EMNLP 發表論文）用不到 10 美元計算在 NP 難數學問題上創造世界紀錄，擊敗 Google DeepMind

Ndea，由 Zapier 的 Mike Knoop 和 Keras 創造者 François Chollet 聯創，明確建立能創新的 AGI

創始人：來自 429 人的模式

人口統計：

約 60%移民/國際

86%男性，14%女性

頂級學校：伯克利（約 45）、斯坦福（約 35）、MIT（約 20）、滑鐵盧（約 15）

55%學 CS；45%沒學

背景：

約 30%前大廠

約 25%有過往創業

約 12%前金融/交易（Citadel、Jane Street、Jump）

僅 SpaceX 就約 12 位創始人，絕大多數建造硬件和航空航天

團隊：

46%是 2 人團隊，15%單人

最常見原型：有不同專長的兩位技術聯創（約 35%），不是經典"黑客+銷售"

19%的公司至少有一位博士創始人

他們如何相遇：約 35%大學同學，約 25%前同事，約 15%重複聯創，約 10%家庭/兄弟姐妹

成為創始人的領域專家是最有說服力的故事：Adrian Kilian（牙醫→Mango Medical 手術 AI）、Robbie Bourke（25 年航空業→Zymbly）、Pamir Ehsas（OpenAI 外部法律顧問→Arcline）、Conor Jones（國家電網內部多年→Squid）。

一些觀察：

深度領域專業知識+能建造的技術聯創=batch 中最強公司

最成功的團隊要麼之前一起建立和出售過公司，要麼在同一公司並肩工作解決他們現在要解決的同一問題

31%的公司至少有一位博士或研究者創始人，主要集中在醫療/生物技術、硬科技和 AI 基礎設施

他們如何找到市場

B2B（batch 的 88%）

"我親歷過這個痛點"（約 40%）：最強模式。End Close 創始人在 Modern Treasury 花 6 年處理超 1 萬億美元支付。Squid 創始人在國家電網內部多年。他們不需要客戶發現，他們就是客戶。

"我建造了這個要替代的平臺"（約 20%）：Docker 聯創建造 Mendral。TikTok 的 ML 科學家建造 Perfectly。他們深知架構並看到 AI 在哪創造階躍變化。

"50 次對話衝刺"（約 15%）：系統化發現。Ritivel 在寫代碼前有 50+次製藥對話。Ressl AI 從諮詢開始，發現交易有最多膠水工作。

"基礎設施預言"（約 15%）：論點驅動。"如果 agent 存在，它們需要認證"→Agentic Fabriq。風險：為 2-3 年後的未來建造。

"研究→商業化"（約 10%）：CellType（耶魯教授+DeepMind）。Valgo 聯創真的寫了安全關鍵系統教科書。

B2C（batch 的 7%）

"我就是用戶"（約 50%）：Fort 創始人是對可穿戴設備失望的舉重者。Doomersion 創始人刷短視頻並學語言，把它們結合了。

"格式轉換"（約 25%）：現有行為+新媒介。Pax Historia：對策略遊戲的熱愛+AI 替代歷史。

"硬件楔子"（約 25%）：實體產品創造軟件無法複製的數據循環。

元教訓：沒有一家成功的 W26 公司誕生於黑客松或"如果我們用 AI 做..."頭腦風暴。每一家都源於深厚的個人經驗或痴迷的客戶發現。

他們如何找到分發渠道

數據很清楚：創始人網絡是增長最快 B2B 公司的#1 機制。增長率前 15 中 60%通過創始人網絡或 YC 網絡獲得首批客戶。

B2B 模式：

"賣給前僱主同行"（約 35%）：Fed10 的三位前說客，他們的名片夾就是分發渠道

"YC 作為發射臺"（約 25%）：Cardinal 為 40+家 YC 公司做外呼，Palus Finance 幾周內簽下 33 家

"開源"（約 10%）：21st 有 140 萬開發者，只對基礎設施有效

"PE 併購渠道"（約 8%）：一筆交易=50-200 個網點

"系統化外呼"（約 15%）：有限買家列表有可量化痛點

"楔子產品"（約 7%）：窄切入，到處擴展

B2C：產品就是分發渠道。Doomersion 2 周獲得 1.5 萬下載，零付費營銷。Pax Historia 建立數萬 DAU，有機增長。硬件創始人賭實體存在產生口碑。

最大收穫：GTM 掙扎的公司幾乎總是那些先造產品再問"我們怎麼賣"的。贏家問的是"我已經能接觸到誰，他們迫切需要什麼？"，然後建造那個。

優秀路演剖析

七個組成部分將令人難忘的路演與模糊的區分開：

1. 鉤子

三種原型有效：

震驚數據："將藥物推向市場需要 50 萬天。我們想讓它變成 5 天"（Rhizome AI）

重新框架："你上傳過的每個文件都使用 1974 年的協議"（Byteport）

"我就是問題"："我在 Modern Treasury 花 6 年建造對賬，處理 1 萬億美元"（End Close）

2. 問題（具體，不是泛泛）

"技術人員一半時間花在文書上"（Zymbly）勝過"我們自動化後臺工作流"。

3. 團隊（一句話信譽炸彈）

"Andrea 寫了 Docker 的第一行代碼"（Mendral）。"我們團隊發明了保護互聯網上每個 HTTPS 連接的 MPIC 標準"（Crosslayer Labs）。

4. 市場（不可避免，不只是大）

"衛星功率需求：2030 年前增加 500 倍"（Beyond Reach Labs）。最強市場路演解釋為什麼是現在和為什麼這不可避免，不只是 TAM 有多大。

5. 牽引力（速度>絕對數字）

"0 到 4 周內 3.3 萬美元 MRR"（Corvera）勝過沒有時間框架的"10 萬美元 ARR"。

6. 獨特洞見

"寄生蟲進化出控制人類免疫系統的蛋白質。我們讀取它們的答案"（Ditto Bio）。"保險公司無法為自主系統定價因為歷史索賠數據不存在"（Valgo）。

7. 瘋狂結束語

"第一個 AI 奧斯卡將在 Martini 上誕生。""預訂 2032 年的月球酒店"（GRU Space）。

模糊的路演：泛泛的"AI for [行業]"，團隊資歷與問題無關聯，以及（關鍵）沒有瘋狂結束語。

競爭重疊：YC 的多重押注

約 30%的公司在 batch 內有直接競爭對手。只有約 5%面臨真正高重疊。

高重疊：LLM 上下文壓縮（Token Company vs。 Compresr）、醫療法律文檔（Wayco vs。 Docura Health）、機器人數據（Human Archive vs。 Asimov)

中等：創業法律（Arcline vs。 General Legal vs. Vector Legal)、AI SRE(IncidentFox vs. Sonarly）、agent 監控（Sentrial vs。 Moda）、事先授權（Ruma Care vs。 ClaimGlide vs. Beacon Health)

它告訴你什麼：YC 押注市場，不是公司。三家創業律所=市場真實且大到容納多個贏家。兩家 Demo Day 上看起來相同的公司到 A 輪會完全不同。最有差異化的公司零重疊：Terranox、Zymbly、GrazeMate、Ditto Bio。每種情況下，創始人的領域專業知識就是護城河。

明顯缺席的

零教育公司

零政府科技

零消費社交

零心理健康/健身

幾乎零市場

幾乎零純加密（區塊鏈用作管道，從不作為產品論點）

消費者處於歷史低點（總共 14 家公司，只有 7 家官方歸類）

工業從 W24 的 3.6%躍升到 W26 的 14.1%，4 倍跳升。"原子 vs 比特"轉變在 YC 內部是真實的。

逆向解讀：W26 的組成是當下可融資事物的快照，不是 10 年後有價值的。這個 batch 中缺失的傳奇公司是那些消費者和社交創始人，他們將在 2-3 個 batch 後到來，一旦 AI 能力趕上他們的雄心。

什麼可能失敗

無差異化 agent 基礎設施。8-10 家公司做 agent 監控/測試/壓縮。基礎模型提供商會原生建立這些。企業買家默認現有供應商。

沒有數據護城河的 AI 原生服務。收入最快，防禦性最低。核心技術幾周可複製。傳統公司 12-18 個月採用 AI。

關係銷售市場的單人技術創始人。建築、保險、貨運：如果沒人能走進工地說行話，就會停滯。

沒有領域深度的"AI for [行業]"。標誌：描述以"我們使用先進 LLM agent..."開頭而不是客戶的具體痛點。

無收入的長週期深度科技。概念上沒錯，但失敗模式是燒光錢。

商品化工作流包裝器。單任務 AI，GPT-5 可能在 6 個月內原生做同樣的事。

最快公司共享五個特徵

1. 賣結果，不是工具

2. 創始人在產品存在前有客戶關係

3. 從第 1 天收費：無免費層，無試點煉獄

4. 客戶絕望，不是好奇（Proximitty：有 20 億+美元不良貸款的銀行；Ruma Care：被拒 15 萬美元報銷的診所）

5. MVP 尷尬地簡單：他們描述結果，不是架構

"推出並學習"和"建造並希望"之間的差距是這個 batch 中大部分死亡將發生的地方。

前方激動人心！建造從未有過更好的時機。

寫於 2026 年 3 月 25 日，YC W26 Demo Day 後數天。