YC Spring 2026 全批 196 家公司分析：AI 不再是差异点¶

📊 Level ⭐⭐⭐⭐ | 11.0KB

原文归档：原文归档

Chris Lu（Copy.ai 创始人）对 YC Spring 2026 全部 196 家公司、395 位创始人的系统分析。核心发现：AI 已不再是差异点，70% 做 Agent，44% 做同一种"Agent 即服务"，差异化最强的公司反而几乎不用 AI。

一句话¶

95% 碰 AI、70% 做 Agent、44% 做同一种 Agent-as-a-Service——AI 是基线不是护城河，差异化来自垂直选择和执行速度。

关键数字¶

指标	数值	备注
AI 优先	95%	上一批 85%
AI 原生	80%	AI 是产品本身
做 LLM Agent	70% (137 家)	比其它技术品类加起来还多
Agent-as-a-Service	44% (86 家)	几乎一半做同一种东西
B2B	62%	纯消费仅 12 家
完全不用 AI	10 家	国防/航天/核能等实体产品

差异化悖论¶

在一个 95% 碰 AI 的批次里，差异化最强的公司反而几乎不用 AI：

国防/航天 13 家：攻击型无人机(Tenet)、无人机防御(Surtr)、反无人机(9 Mothers)、太空制造(Dispatch)、紧凑型核反应堆(Apollo Atomics)
预测市场基础设施 6 家：给 Polymarket/Kalshi 铺轨道
深科技/生物硬件 6 家：便携 MRI、AI 药物发现
AI 安全 4 家：给所有 Agent 搭安全层

创始人画像¶

维度	数据
最常见前东家	Amazon/AWS (33 人) > Meta (17) > Google/DeepMind (17)
技术出身	70%
纯技术班底	49%
博士	仅 5%
辍学创业	仅 3%
单人创始人	38 家（29 家 AI 原生）
连续创业者	45%
顶级学校	Stanford 24 / Berkeley 21 / MIT 15 / Oxford 11 / TUM 8
"抱团出走"	Traba 4人 / HEVN / InLoop / Clara

核心判断¶

Chris Lu：这一批不会靠洞见取胜，会靠速度。

深思圈补充：86 家做同一东西的"速度决胜"更像绞肉机——速度是必要条件，但"选对赛道"本身就是洞见，不是执行。把最难一步归给速度，把判断藏起来了。

深度分析¶

AI 是基线，不是护城河：竞争变量的一次整体迁移¶

95%（AI 优先）/ 80%（AI 原生）/ 70%（137 家做 LLM Agent）/ 44%（86 家做同一种 Agent-as-a-Service）这组数字并列，读出的不是"AI 很热"，而是进入门槛的下沉速度：从 85% 涨到 95%、同一细分品类占到 44%，说明 AI 已从 pitch 的加分项变成默认前提——用户不会因它存在而付费，只会因它缺失而质疑。

变量因此整体迁移。模型是租来的，大家租的是同一批；harness 层组件正被开源与快速复用（参见 Harness Engineering）；云与 API 的初始条件对 196 家几乎相同。竞争于是落到三处：把 agent 指向哪份工作（垂直）、用什么通道触达买家（分发）、拥有什么别人租不到的东西（许可、物理资产、独占数据、供应链关系）。

差异化悖论的结构解释：物理门槛替代了软件层缺失的壁垒¶

最反直觉的一点：差异化最强的公司几乎不用 AI——完全不用 AI 的 10 家集中在国防/航天/核能等实体产品；13 家国防/无人机/航天、6 家预测市场基础设施、6 家深科技/生物硬件（便携 MRI、AI 药物发现）、4 家 agent 安全层，构成这批里真正锋利的几把刀子。

这不是审美偏好，而是纯结构性的。软件层同质化，因为复制成本趋近于零：一份 prompt、一套 subagent 编排、一个 RAG 管道，对手几周就能复刻。反过来，能量产的攻击型无人机、已被国防部采购的反无人机系统、紧凑型核反应堆、给 Polymarket/Kalshi 铺的基础设施、便携 MRI——门槛是监管许可、物理验证周期、供应链与采购关系，不随模型迭代降级，也不因开源扩散。物理世界用"高门槛"替代了软件层缺失的"高壁垒"。且这些赛道对手本就少（10/13/6 家量级 vs 86 家），团队不必把资源全押在"更快"上，判断力与准入资格的价值被完整保留。

创始人画像的含义：大厂整建制外溢，而非"辍学天才"¶

395 位创始人的背景指向一个具体供给结构：前东家 Amazon/AWS 33 人，领先 Meta（17）、Google/DeepMind（17）、微软（12）、苹果（8）；70% 技术出身、49% 清一色技术班底；而博士仅 5%、辍学创业仅 3%——后两个数字直接否证了传播最广的创业叙事，"辍学天才"是例外不是常态；而"MIT 核工程博士"出现在核反应堆赛道，说明高门槛赛道里学历又回来了，它不再是通例而是准入凭证。

38 家单人创始人（29 家 AI 原生）与"抱团出走"（Traba 4 人、HEVN、InLoop、Clara）是同一枚硬币的两面：单人能发布基础设施级产品，说明 agent 工具链把最小可行工程团队压到 1；整建制外溢则说明大厂正按"可搬迁的团队单元"输出人才，带走的不只技能，还有默契与协作协议。

把这条供给结构与同质化叠加，得到更硬的推论：人才池本身就是同质的。同一批前大厂工程师，用同一批模型与开源组件，被同一批舆论告知"agent 是风口"，然后被要求在同一个月做出不同结论；45% 连续创业者与 YC 校友回流只让 playbook 更趋同。这才是"靠速度取胜"的真实来源——不是洞见不重要，而是在这批人的条件分布下，洞见被压扁成了少数无争议共识（做 agent、做 B2B、做垂直）。

速度与洞见的争论：两边各自成立的条件¶

Chris Lu 判断"这批不会靠洞见取胜，会靠速度"，理由是价值明确、产品更快能做出来；深思圈反驳"选对赛道本身就是洞见，不是执行"。两者不是对错之争，而是作用在不同层级：速度是在给定赛道内可优化的量，赛道选择是在赛道集合上的量。

成立条件因此可写清：赛道可复制性高、买家无法区分产品差异时（那 86 家），速度是唯一可操作变量，收益却是幸存而非超额回报；赛道受许可、硬件周期或采购关系保护时（国防 13 家、核能、预测市场基础设施、深科技硬件），谁先动手不重要，谁拿到资格才重要。第三种常被忽略的情形是"速度消耗洞见"：抢发锁定早期技术选择与客户承诺，丧失换赛道的灵活性。所以分水岭不是"谁跑得快"，而是谁在跑之前已经缩小了赛道范围——深思圈指出的那步被藏起来的判断。

实践启示¶

以下七条都从"AI 是基线"这一前提出发，分别给创业者、投资人与观察者。

创业者

别把"用了 AI / 做了 agent"写成差异化。 在 95% 都碰 AI 的批次里这不是优势描述，而是入场条件；融资叙事应直接跳过模型层，讲清你占住了哪份不可让渡的工作。
把护城河搬到模型之外。 三个位置：垂直纵深（把某行业工作流、合规与例外吃透，参见 FlashLabs 垂直 AI 转型）、独占分发（谁掌握客户关系入口）、自建 harness 与评估面（参见 Harness as Product Surface）——后者是少数能在软件层内部造出稀缺性的地方。
把速度预算投向分发与获客，而非模型迭代。 模型会自己变好，不需要你追赶；客户名单、渠道与合规资质不会自己长出来。赛道可复制性高时，速度的唯一变现路径是更早拿到订单与留存。
选赛道前做一次"可复制性审计"。 问：这里需要许可、硬件周期、采购关系或独占数据吗？若全是否定，就默认进入的正是那 86 家之一的绞肉机，按存活概率而非估值预期排节奏（实体赛道结构可参考 Open Defense Initiative）。

投资人

按"同一份工作"去重，而不是按"是否 AI"排序。 按 job-to-be-done 聚类后，86 家应压缩到 1-2 个名额，筛选标准从履历转向独占通道（许可、供应链、独家数据、政企采购）；增量价值集中在不用 AI 的 10 家实体公司与小簇深科技上。
修正两组先验。 一是"辍学天才"——博士 5%、辍学 3%，改看工程建制、前东家（Amazon/AWS 33 > Meta 17 = Google/DeepMind 17）与团队是否整建制外溢：完整搬来的团队单元比明星创始人更可预测；二是"AI 即估值"——AI 原生身份不构成溢价，标准回到赛道不可复制性与分发（通用框架见 AI-Native Startup（CyberFund））。

观察者

把批次分析当风向标读，不当人口普查读。 读方向（"agent 是筹码，剩下拼速度"）与结构（同质化在软件层、差异在物理层），不读精度；对照长辈访谈类一手信源（如 Demis Hassabis YC 访谈）时，优先采信结构性结论。

局限性¶

单人标签（Chris Lu 个人分类标准）
YC 样本偏差（不代表全行业）
"70% 做 agent" 取决于分类粒度