Umetna inteligenca se vse manj vrti zgolj okoli tega, kateri model je večji, hitrejši ali boljši v testih. Naslednje pomembnejše vprašanje je, ali lahko deluje zanesljivo v tovarni, bolnišnici, finančnem oddelku ali na gradbišču – in ali jo je mogoče vključiti v procese podjetij, ne da bi pri tem ustvarila še več kompleksnosti. Prav ta premik, od demonstracij do uporabe v resničnem svetu, bo v ospredju programa TechCrunch Disrupt 2026.
Konferenca bo med 13. in 15. oktobrom 2026 v San Franciscu združila ustanovitelje, vlagatelje, operativne vodje in tehnološka podjetja. Med napovedanimi okroglimi mizami izstopajo teme, ki dobro ponazarjajo stanje industrije: fizična umetna inteligenca, agentni sistemi za podjetja, specializirani podatki, odprti modeli, zdravstvena uporaba UI in vse večja koncentracija kapitala okoli največjih laboratorijev.
Program zato ni zanimiv le kot seznam govorcev. Ponuja precej jasen posnetek dileme, s katero se srečuje tehnološka industrija: kako preiti od obljube generativne UI do sistemov, ki ustvarjajo merljivo poslovno, znanstveno ali družbeno vrednost.
Fizična UI: trenutek resnice za modele
Eden najbolj povednih poudarkov programa je fizična umetna inteligenca. Generativni modeli so v zadnjih letih hitro osvojili besedila, slike, kodo in administrativna opravila. Fizični svet pa je bistveno manj prizanesljiv kot klepetalni vmesnik. Robot ne more »skoraj pravilno« pobrati predmeta, avtonomni sistem ne sme spregledati nevarnosti, industrijski proces pa ne more temeljiti na odgovoru, ki je večinoma pravilen.
Radha Basu iz podjetja iMerit bo v razpravi o podatkovnih izzivih robotike in avtonomnih sistemov izpostavila robne primere, večmodalne podatke in zanesljive podatkovne tokove. To je ključno vprašanje za naslednjo fazo razvoja UI: modeli se lahko učijo iz ogromnih količin spletnih vsebin, toda robotika, logistika, proizvodnja in infrastruktura zahtevajo podatke iz nepredvidljivih, neurejenih in fizično kompleksnih okolij.
Podobno dilemo odpirata Logan Farrell iz Rugged Robotics in vlagatelj Austin Yount. Njuna napovedana razprava o prehodu od robotske demonstracije do uporabnega proizvoda opozarja na razliko, ki jo industrija pogosto podcenjuje. Dober demo lahko prepriča vlagatelje, vendar še ne pomeni, da bo rešitev dovolj robustna za vsakodnevno delo, dovolj varna za uporabnike in dovolj donosna za kupca.
V tem smislu fizična UI ni le nova kategorija zagonskih podjetij. Je test zrelosti celotnega področja. Naslednji veliki preboji ne bodo nujno prišli od sistema, ki še bolje odgovarja na vprašanja, temveč od sistemov, ki lahko zanesljivo opravljajo delo v svetu atomov, materialov, strojev in ljudi.
Agentna UI v podjetjih: manj navdušenja, več dokazovanja
Drugi pomemben trend je prehod od splošnih pogovorov o »AI agentih« k vprašanju, kje imajo ti sistemi dejansko poslovno vrednost. Podjetja že eksperimentirajo z agenti za podporo strankam, prodajo, analitiko, obdelavo dokumentov in notranje procese. Vendar pa se številni projekti ustavijo pri pilotih.
Dr. Maha Achour iz podjetja Kodamai in Pankaj Kedia iz sklada 2468 Ventures bosta obravnavala prav ta problem: zakaj agentni sistemi pogosto ne dosežejo produkcijskega okolja. Razlogi so praviloma manj spektakularni od tehnologije same – nezanesljivi rezultati, pomanjkanje nadzora, težave z integracijo v obstoječe sisteme, varnostni pomisleki in nejasna odgovornost, ko sistem naredi napako.
Rajeev Singh, izvršni direktor Smartsheeta, bo medtem odprl vprašanje prihodnosti SaaS-a. Njegova iztočnica ni, da bo UI nujno uničila podjetniško programsko opremo, temveč da razkriva njeno razdrobljenost. Podjetja so pogosto sestavljena iz množice nepovezanih orodij, preglednic, evidenc in delovnih tokov. Če naj bi bila agentna UI uporabna, mora razumeti kontekst med temi sistemi – ne le ustvariti prepričljivo besedilo.
To je morda najpomembnejši signal za podjetja, ki spremljajo razvoj UI: prihodnost ni nujno v popolni zamenjavi obstoječih informacijskih sistemov. Bolj verjetno je, da bo vrednost nastajala v plasteh, ki povezujejo obstoječa okolja, avtomatizirajo ponavljajoče se procese in ljudem omogočajo boljši nadzor nad kompleksnimi delovnimi tokovi.
Podatki postajajo strateška prednost
Če je prvo obdobje generativne UI zaznamovalo tekmovanje za računsko moč in velikost modelov, se vse bolj odpira vprašanje, kaj bo razlikovalo naslednjo generacijo sistemov. Eden od odgovorov so specializirani podatki.
Dani London iz Base10 Partners bo govoril o podatkih za dodatno učenje modelov, torej o zbirkah, ki so prilagojene konkretnim nalogam, panogam ali strokovnim področjem. Takšni podatki so lahko bistveni pri sistemih, ki delujejo v zdravstvu, pravu, financah, industriji ali znanstvenem raziskovanju, kjer splošno znanje modela ni dovolj.
To nakazuje pomemben premik: konkurenčna prednost ne bo vedno v tem, kdo uporablja največji temeljni model. Pogosto bo v tem, kdo ima dostop do kakovostnih podatkov, razume specifičen problem in zna UI varno vključiti v delovni proces.
Hkrati Mercedes Bent in Vanessa Larco iz sklada Premise odpirata razpravo o odprtih modelih oziroma modelih z odprtimi utežmi. Za podjetja to pomeni več izbire, več nadzora in potencialno manjšo odvisnost od največjih ponudnikov. Toda odprtost prinaša tudi vprašanja glede varnosti, stroškov upravljanja, zmogljivosti in odgovornosti.
Ključna dilema torej ni več samo odprto proti zaprtemu. Gre za vprašanje, kdo bo nadzoroval temeljno infrastrukturo umetne inteligence in koliko manevrskega prostora bodo imela podjetja, ki ne želijo celotnega tehnološkega razvoja vezati na peščico velikih platform.
Koncentracija kapitala in prostor za manjše igralce
Ena bolj neposrednih razprav programa nosi naslov »Vstopnina v višini 100 milijard dolarjev«. Harrison Rolfes iz PitchBooka bo obravnaval koncentracijo kapitala v razvoju naprednih modelov ter vprašanje, ali je trg že postavljen tako, da lahko resno tekmuje le nekaj največjih laboratorijev.
To ni zgolj investicijsko vprašanje. Če razvoj temeljnih modelov zahteva ogromne količine kapitala, čipov, energije in podatkov, se moč naravno koncentrira. Posledica je lahko manj raznolikosti pri razvoju tehnologije in večja odvisnost preostalih podjetij od infrastrukture velikih igralcev.
Po drugi strani pa ravno ta koncentracija ustvarja prostor za drugačno vrsto inovacij: za podjetja, ki ne poskušajo zgraditi naslednjega univerzalnega modela, temveč rešujejo konkretne probleme v vertikalnih panogah, razvijajo orodja za uvajanje UI ali gradijo zanesljive podatkovne in varnostne plasti.
Od hitrega uvajanja do trajne vrednosti
Zdravstvo, finance in znanstveno raziskovanje bodo na konferenci predstavljeni kot področja, kjer lahko UI preseže vlogo splošnega pomočnika. Brian Butler iz Questa Capital bo govoril o hitrem uvajanju generativne UI v zdravstvu, Piotr Byrski iz Molecule.one pa o avtonomnem eksperimentiranju in uporabi UI pri znanstvenih odkritjih.
Toda prav na teh področjih so standardi višji. V zdravstvu je treba upoštevati varnost, zasebnost, odgovornost in regulacijo. Pri znanstvenem raziskovanju ni dovolj, da sistem predlaga prepričljivo hipotezo; treba jo je preveriti v laboratoriju. Pri financah avtomatizacija ne sme pomeniti slabšega nadzora, temveč boljšo sledljivost in disciplino.
To je širše sporočilo programa Disrupt 2026: umetna inteligenca vstopa v fazo, v kateri sama tehnološka impresivnost ne bo več dovolj. Najpomembnejša vprašanja bodo povezana z zaupanjem, podatki, integracijo, upravljanjem tveganj in dejansko uporabnostjo.
Najzanimivejši del prihodnosti UI zato morda ne bo vprašanje, kateri model bo najbolj navdušil javnost. Pomembnejše bo, kateri sistemi bodo dovolj zanesljivi, razumljivi in dostopni, da bodo lahko postali del vsakdanjih odločitev, dela in infrastrukture.
