Y Combinator heeft net zijn nieuwe Requests for Startups voor Summer 2026 gepubliceerd. Voor wie YC niet kent: het is de invloedrijkste startup-accelerator ter wereld, met Airbnb, Stripe, Dropbox, Reddit en Coinbase op het palmares. Twee keer per jaar publiceren ze een lijst met bedrijfsrichtingen/ ideeën waar ze actief founders voor zoeken om deel te nemen aan hun accelerator programma. Zie het als een kompas dat laat zien waar de slimste investeerders denken dat de komende jaren de grootste kansen liggen voor (nieuwe) bedrijven.
De reden dat ik deze lijst zo interessant vind is tweeledig. Allereerst omdat zij vaak heel vroeg zijn met het spotten van (digitale) kansen. Toen ze in 2012 schreven dat ze "the future of payments" wilden funden, zat Stripe nog in zijn beginjaren. En ten tweede omdat zij voor de komende ronde heel duidelijk inzetten op de kansen die AI mogelijk maakt.
De openingszin van Summer 2026 is dan ook duidelijk:
AI has stopped being a feature and started being the foundation.
De vijftien categorieën gaan van counter-drone defense tot inferentiechips voor agents. Drie categorieën willen we eruit lichten, omdat we daar voor onszelf heel erg in geloven, maar ook voor anderen grote kansen zien.
1. SaaS Challengers: het einde van de traditionele softwaremacht
Jared Friedman opent zijn pleidooi met een observatie die je in elke board room van een softwarebedrijf hoort: iedereen heeft het over hoe AI-coding het einde van SaaS betekent. Investeerders hebben er miljarden aan beurswaarde voor afgeschreven en mogelijk heb je de term Saaspocolypse ook wel langs zien komen in het nieuws.
Het SaaS-model won de afgelopen jaren overtuigend van custom software omdat dat laatste te duur en omslachtig was om te bouwen en onderhouden. Een vijfkoppig team kon onmogelijk concurreren met de Salesforcen van deze wereld. AI heeft de kosten van het produceren van software met een factor 10 tot 100 verlaagd. De miljoenen regels code, opgebouwd over decennia, die maakte dat jij voor een bestaande oplossing koos, is nauwelijks nog een reden om deze beslissing nu weer zo te nemen.
Als je nu € 50K per jaar betaalt voor een softwarepakket waarvan je 20% van de functionaliteit gebruikt, dan is de kans groot dat er binnen 18 maanden een AI-native uitdager bestaat die exact jouw use case dekt voor een tiende van de prijs. Of als je nog verder denkt, je jezelf kan afvragen of je de oplossing die je nodig hebt, niet ook gewoon intern kan bouwen en onderhouden met behulp van AI.
2. Company Brain: het missende stuk van AI-automatisering
Dit is misschien wel de belangrijkste categorie van de hele lijst om AI optimaal in te kunnen zetten binnen je organisatie. Tom Blomfield (founder van Monzo, nu YC-partner) stelt daarover de volgende diagnose:
The biggest blocker to AI automation of companies is no longer the models, they just got so good so quickly. Now the blocker is the domain knowledge.
Elk bedrijf heeft kritieke kennis verspreid liggen. Een deel zit in mensen hun hoofd. Een deel ligt begraven in oude e-mails, Slack-threads, supporttickets en databases. Het bedrijf werkt omdat mensen vaag onthouden waar die kennis zit en hoe je die toepast. Maar AI-agents kunnen niet zo werken.
Blomfield stelt dat we een nieuwe oplossing nodig hebben: een company brain. Geen company-wide search. Geen chatbot over documenten. Maar een levende kaart van hoe een bedrijf werkt. Denk aan hoe refunds afgehandeld worden, hoe pricing-uitzonderingen besloten worden, hoe engineers reageren op incidenten. En vervolgens een executable skills file die AI-systemen kunnen gebruiken om dat werk veilig en consistent uit te voeren.
Organisaties zeggen steeds vaker "we willen AI-agents inzetten" en kopen dan een licentie bij een van de grote AI-labs. Maar de echte blokkade zit niet in de modellen, die zijn ruimschoots goed genoeg om de gewenste taken uit te voeren. De uitdaging zit in het feit dat er nergens een gestructureerd antwoord is op "hoe doen wij dit eigenlijk?". Een agent die een offerte moet opstellen heeft geen idee dat klant X altijd 8% korting krijgt omdat ze in 2019 een groot project tekenden. Die kennis zit in het hoofd van Karin op de binnendienst.
Voordat je investeert in agents, copilots of welke AI-tool dan ook, moet je begrijpen welke kennis impliciet in je organisatie zit en hoe je die expliciet en bevraagbaar maakt. Een voorbeeld hoe je een digital brain voor jezelf of een klein team kan inzetten, schreef ik laatst in dit stuk.
3. The AI Operating System for Companies: van open loop naar closed loop
De derde categorie, geschreven door Diana Hu, is in feite het natuurlijke vervolg op de Company Brain. Hu beschrijft wat ze ziet bij de beste AI-native bedrijven uit het YC-portfolio: ze hebben hun hele bedrijf queryable gemaakt. Elke meeting opgenomen, elk ticket bijgehouden, elke klantinteractie vastgelegd, allemaal leesbaar voor een intelligence-laag die ervan leert.
Het kernconcept is de verschuiving van een open loop naar een closed loop. In een open loop neem je een beslissing en kijk je weken later misschien naar de resultaten. In een closed loop monitort het systeem wat er gebeurt, vergelijkt dat met wat zou moeten gebeuren, en stuurt bij. Hu zegt dat ze teams gezien heeft die hun sprint-tijd halveerden en twee keer zoveel shipten.
Aangezien wij zelf pas net zijn begonnen en dus geen historische sprint-tijd hebben vind ik het moeilijk om bij onszelf een verschil uit te drukken. Maar ons eigen Operating System is waar we voor onszelf het hardst op inzetten en ik afgelopen week ook dit artikel over schreef.
Het probleem waar de meeste bestaande organisaties nu nog tegenaan lopen is dat dit bouwen nu nog vraagt om brute integratie-arbeid. Slack, Linear, GitHub, Notion, call recordings, en een dozijn andere tools aan elkaar lijmen met custom code. Er bestaat nog geen voor iedereen bruikbaar product dat al deze context verbindt in één intelligence-laag die erover kan redeneren.
Hu's punt: wat je nodig hebt is geen dashboard, maar een systeem dat de eigen artefacten van een bedrijf verandert in een zelfverbeterende loop.
De bedrijven die hier de komende drie jaar in investeren, gaan een enorme voorsprong opbouwen op de bedrijven die dat niet doen. Je maakt je organisatie minder afhankelijk van de kennis van de mensen die er al jaren zitten, en krijgt daarmee een organisatie die als geheel sneller leert.
De stack moet opnieuw
Als je deze drie categorieën naast elkaar legt, krijg je in ons perspectief een gouden combinatie. De software van de komende vijftien jaar wordt gebouwd voor agents die loops draaien, voor organisaties die continu leren en voor teams die in maanden kunnen bouwen wat vroeger jaren kostte en dat volledig toegespitst op het eigen uit te voeren werk.
SaaS Challengers vervangen de traditionele on solution for everyone applicatielaag.
Company Brain vervangt de van zeer trouwe medewerkers afhankelijke kennislaag.
AI Operating System vervangt de orchestratielaag.
Wat wij hiermee doen en wat jij ermee kunt
Bij Think again werken we precies op het snijvlak van deze drie categorieën, omdat wij er ook heel erg in geloven dat ze elkaar versterken. Daarbij hebben we het voordeel dat er nog geen bestaande processen, rollen en werkwijzen zijn, anders dan dat we die kennen uit eerder werk. Dat maakt dat wij flexibel zijn om het nu op een manier in te richten die past bij wij denken dat de wereld heen beweegt. We bouwen daarom onze eigen custom software met als doel een AI Operating system, waarin alle kennis zit over het werk dat wij doen.
Waar dit over een jaar staat vind ik nog moeilijk te zeggen en ik hoop vooral ook veel te leren van mensen die hier ook mee bezig zijn.
Drie dingen die je zelf deze week al kunt doen:
Maak een lijst van je vijf duurste SaaS-licenties. Vraag je bij elk af: gebruiken we hier meer dan 30% van de functionaliteit? Zo niet, staat er een AI-native uitdager klaar?
Identificeer drie "Karins" in je organisatie. Mensen wiens vertrek een serieus probleem zou zijn omdat ze kennis dragen die nergens vastligt. Dat is je company brain-backlog.
Kijk naar één repetitief werkproces dat een open loop is. Iets waar je een beslissing neemt en pas weken later het effect ziet, omdat je simpelweg niet goed hebt gedocumenteerd waarom het vorige keren een bepaalde uitkomst had. Daar zit mogelijk je grootste kans om met AI een closed loop te bouwen.
Mocht je hier hulp bij nodig hebben, dan helpen we hier natuurlijk graag bij. Ondertussen zullen we ook blijven delen hoe wij hiermee bezig zijn.
