Y Combinator의 'Requests for Startups (RFS)'는 창업가들이 다루기를 바라는 아이디어들을 공유하며, AI가 단순한 기능이 아닌 근간이 된 시대에 소프트웨어, 서비스, 실리콘을 재구축하고 AI를 물리적 세계로 확장하는 새로운 스타트업 물결에 대한 기대감을 표명합니다. 주요 RFS 아이디어는 다음과 같습니다:

1. AI for Low-Pesticide Agriculture (By Garry Tan)
   • 문제점: 현대 농업은 화학 물질에 과도하게 의존하여 건강 위험, 환경 피해, 해충 저항성, 비용 증가를 초래합니다. 기존 방식은 지속 불가능하며, 새로운 화학 물질 개발은 느리고 비쌉니다.
   • 핵심 방법론/기회: AI vision 기술로 개별 잡초 및 해충을 실시간으로 식별하고, 저렴한 센서와 카메라를 통해 전반적인 모니터링을 가능하게 하며, 정밀 로봇이 개별 식물에 맞게 처리할 수 있게 합니다. 또한, 미생물, 펩타이드, RNA 기반 솔루션 등 생물학적 발전과 식물 자체를 방어하도록 조작하는 기술을 활용하여 화학 물질 사용을 대폭 줄이고 수확량을 늘리는 것입니다. AI는 이러한 과학적 돌파구를 가속화합니다. 이는 농약 사용량을 90%까지 줄이면서 더 많은 식량을 생산하여 비용 절감 및 수확량 증가를 동시에 달성하는 거대한 시장 기회를 제공합니다.

2. AI-Native Discovery Engines (By Jon Xu)
   • 문제점: 과학적 발견은 '가설-실험-해석-반복'의 느린 루프를 따르며, 각 단계에 상당한 인적 노력이 필요합니다.
   • 핵심 방법론/기회: Frontier AI 모델은 과학적 추론 벤치마크에서 PhD 수준의 성능을 달성하여 연구자의 가설 제안, 실험 생성, 데이터 분석, 다음 단계 제안을 돕는 Copilot 역할을 넘어섭니다. 핵심은 AI가 폐쇄형(closed) 발견 루프를 자체적으로 실행하는 것입니다. Drug discovery, 재료 과학, 단백질 공학 분야에서 이미 design-make-test-analyze 루프를 자동으로 실행하며, 모델이 후보 분자를 제안하고, 자동화된 실험실에서 합성 및 테스트하며, 결과가 피드백되어 후보를 반복적으로 개선합니다. 이는 연구 보조 도구를 넘어 연구자와 협력하여 가설을 제안하고 검증하는 AI-native discovery engine을 구축하는 것입니다.

3. AI-Native Service Companies (By Gustaf Alströmer)
   • 문제점: 과거에는 서비스가 SaaS 소프트웨어로 전환되었고, 최근에는 AI Copilot 형태로 발전했습니다. 그러나 서비스에 대한 총 지출은 소프트웨어 지출보다 훨씬 크며, 많은 서비스는 이미 아웃소싱되고 있습니다.
   • 핵심 방법론/기회: AI 모델의 급속한 발전으로 복잡한 작업을 수행할 수 있게 되면서, 이제는 소프트웨어를 판매하는 것이 아니라 서비스를 직접 제공하는 AI-native 회사를 구축하는 것입니다. 즉, 사용자에게 도구를 주는 대신 AI가 직접 작업을 수행하는 모델입니다. 보험 중개, 회계/세무/감사, 규정 준수, 의료 행정 등 서비스 분야에서 기존 인력을 대체하는 수준의 AI 기반 서비스 회사를 구축하는 것에 중점을 둡니다.

4. AI Personalized Medicine (By Ankit Gupta)
   • 문제점: 의료는 개인화가 부족하며, 맞춤형 진단 비용과 개인화된 치료법 개발 및 전달 비용이 높았습니다.
   • 핵심 방법론/기회: Intelligent agents(예: Claude Code)를 사용하여 진단 테스트, genome scan, EHR 데이터, 웨어러블 정보 등 개인화된 건강 데이터를 분석하여 매우 정확하고 사용자별 맞춤 제안을 제공합니다. 동시에, genome sequencing 비용의 급락과 새로운 진단법 시장 진입, 그리고 mRNA와 같은 delivery vector를 통한 'n of 1' 유전자 치료제 인쇄 비용의 급락이 일어났습니다. FDA도 이러한 절차에 대해 개방적인 태도를 보입니다. 풍부한 데이터와 인공지능이 질병 위험 평가를 돕고, 심각한 질병에 대한 치료 접근성을 민주화하며, 이를 지원하는 새로운 스타트업 생태계를 구축하는 것입니다.

5. Company Brain (By Tom Blomfield)
   • 문제점: AI 기업 자동화의 가장 큰 장벽은 모델 성능이 아닌 '도메인 지식'입니다. 기업의 핵심 노하우는 직원들의 머릿속, 오래된 이메일, Slack 스레드, 지원 티켓, 데이터베이스 등 파편화된 형태로 흩어져 있습니다. AI agents는 이러한 파편화된 지식을 활용하기 어렵습니다.
   • 핵심 방법론/기회: 'Company brain'이라는 새로운 primitive를 구축하여 파편화된 지식 소스에서 지식을 추출하고, 구조화하며, 최신 상태로 유지하고, 이를 AI를 위한 실행 가능한 'skills file'로 전환하는 것입니다. 이는 단순한 검색이나 챗봇이 아니라, 환불 처리 방식, 가격 예외 결정 방식, 엔지니어가 인시던트에 대응하는 방식 등 회사가 작동하는 방식에 대한 '살아있는 지도'입니다. 이를 통해 AI 시스템이 안전하고 일관되게 작업을 수행할 수 있도록 raw company data와 신뢰할 수 있는 AI 자동화 사이의 누락된 레이어를 제공합니다.

6. Counter-Swarm Defense (By Tyler Bosmeny)
   • 문제점: 저렴한 드론 swarm 공격에 대한 방어 체계가 미비하며, 기존의 개별 드론 방어 시스템은 대규모 swarm 공격에는 무력합니다. 패트리어트 미사일은 고가인 반면 FPV 드론은 저가여서 공격자가 비용 우위를 가집니다.
   • 핵심 방법론/기회: 대규모 드론 swarm에 대응할 수 있는 'counter-swarm stack'을 구축하는 것입니다. 이는 수십 대의 드론을 무력화할 수 있는 고용량 요격기, 모든 센서와 방어 시스템을 단일 실시간 그림으로 통합하는 소프트웨어, 로터를 오염시키는 에어로졸이나 swarm을 얽히게 하는 스트리머와 같은 비운동성 방어체계를 포함합니다. 무선 재밍이 구식화됨에 따라 autonomy stack 자체에 대한 새로운 공격 방식도 필요합니다. 드론 방어는 무기 운영보다는 실시간 분산 시스템 운영에 가까워지며, Cloudflare와 같은 소프트웨어 중심 회사가 Raytheon과 같은 하드웨어 중심 회사보다 유리할 것입니다. 방어자의 비용 우위를 회복시키는 데 중점을 둡니다.

7. Dynamic Software Interfaces (By Ankit Gupta)
   • 문제점: 기존 소프트웨어는 대부분의 사용자에게 동일한 'one-size-fits-all' 인터페이스를 제공하여 개인화가 부족합니다. Enterprise 소프트웨어에서만 forward deployed engineer가 각 고객에게 맞춤형 경험을 제공했습니다.
   • 핵심 방법론/기회: Coding agent의 발전으로 사용자가 스스로 forward deployed engineer가 되어 사용하는 소프트웨어를 급진적으로 맞춤화할 수 있게 됩니다. 이는 단순히 UI 테마 변경을 넘어, 이메일 클라이언트가 task list처럼 보이거나 이벤트 캘린더처럼 보이도록 사용 사례에 따라 완전히 다른 인터페이스를 설계하는 것을 의미합니다. 소프트웨어 회사는 사용자가 최종 인터페이스를 대폭 수정할 것이라는 전제로, underlying primitives와 디자인 결정을 제공하게 될 것입니다. 이를 위해 개발자가 사용자 coding agent에 의해 소프트웨어에 접근할 수 있도록 전체 소프트웨어 delivery stack을 재고해야 하며, 소스 코드를 제공하거나 미들웨어를 즉석에서 수정할 수 있는 방식 등을 고려해야 합니다.

8. Electronics in Space (By Philip Johnston)
   • 문제점: 재사용 로켓 기술의 발전으로 우주에 물체를 발사하는 용량이 크게 증가하고 있지만, 이에 상응하는 우주 내 compute capacity, 특히 inference chip의 공급이 부족합니다.
   • 핵심 방법론/기회: 우주 환경에 최적화된 inference chip을 개발하는 것입니다. 이는 질량(mass), 열 관리(thermal), 방사선 내성(radiation) 측면에서 약간의 최적화를 요구합니다. SpaceX나 NVIDIA에서 chip design 경험이 있는 인재들이 우주용 inference chip 시장의 거대한 기회를 잡을 수 있습니다.

9. Hardware Supply Chain (By Nicolas Dessaigne)
   • 문제점: 미국에서 하드웨어 구축은 중국(특히 선전)에 비해 현저히 느립니다. 설계부터 물리적 부품 생산까지 중국에서는 하루 만에 가능하지만, 미국에서는 몇 주가 걸려 iteration 속도에서 큰 차이가 납니다. 밀집된 공급업체 네트워크, 빠른 처리 시간, 설계 및 생산 간의 긴밀한 조율이 미국에는 부족합니다.
   • 핵심 방법론/기회: 하드웨어 팀의 iteration 속도를 획기적으로 가속화하는 스타트업을 지원합니다. 부품 생산을 극적으로 빠르게 하고, 신속한 하드웨어 iteration을 가능하게 하며, 설계-제조-물류를 긴밀하게 통합하는 솔루션을 구축하는 것이 중요합니다. Hlabs(액추에이터)나 Prototyping.io(기계 부품 제작)와 같은 초기 성공 사례가 있지만, 전체 stack은 여전히 미비합니다.

10. Industrial Capabilities in Space (By Adi Oltean)
    • 문제점: 현재 우주에서의 산업 역량, 특히 현지 자원 활용이 부족합니다.
    • 핵심 방법론/기회: 달과 우주에서 산업 역량을 개발하는 것입니다. 특히 달의 풍화토(regolith)에서 실리콘, 알루미늄, 철, 티타늄과 같은 원자재를 전기분해(electrolysis)를 통해 추출하고, 용융된 풍화토로 복잡한 구조물을 3D 프린팅하는 기술에 중점을 둡니다. 달에서는 지지대 없이도 효율적인 3D 프린팅이 가능하여 지구보다 유리한 이점이 있습니다.

11. Inference Chips for Agent Workflows (By Diana Hu)
    • 문제점: 대부분의 AI chip은 'prompt in, response out' 방식의 inference에 최적화되어 있어, agents의 반복적인 workflow(tool calling, branching, backtracking, context 유지)에 비효율적입니다. 현재 GPU는 이러한 workload에서 30-40%의 낮은 활용률을 보입니다.
    • 핵심 방법론/기회: Agent loop 자체에 특화된 inference silicon을 설계하는 것입니다. 이는 모델 간 빠른 context switching, native speculative decoding, 전체 실행 그래프에 걸쳐 지속되는 KV cache를 위한 memory와 같은 기능이 필요합니다. Groq의 성공이 chip 자체보다 컴파일러에 있었다는 점을 강조하며, chip architecture와 agent 실행 방식을 모두 이해하는 팀이 이 분야에서 경쟁 우위를 가질 것이라고 봅니다.

12. SaaS Challengers (By Jared Friedman)
    • 문제점: AI 코딩 능력의 발전으로 기존 SaaS 모델의 moat(진입 장벽)가 사라지면서 소프트웨어 시장가치가 하락하고 있습니다. 기존 SaaS 제품들은 수백만 줄의 코드로 구성되어 있어 스타트업이 경쟁하기 어려웠습니다.
    • 핵심 방법론/기회: AI가 소프트웨어 생산 비용을 10-100배 절감하면서, 스타트업이 기존 SaaS를 공격할 수 있는 최대의 기회가 생겼습니다. 단순히 기존 제품을 복제하여 10분의 1 가격에 판매하는 것을 넘어, AI-native로 workflow를 근본적으로 재고하여 제품을 구축하거나, 여러 SaaS point solution을 단일 suite로 묶거나, 오픈 소스 대체재를 제공하고 서비스/호스팅으로 수익을 창출하는 방식이 가능합니다. 특히, chip design software, ERPs, 산업 제어 시스템, supply chain management와 같이 수십 년간 거대하고 건드릴 수 없었던 1천만 줄 코드베이스의 제품들을 목표로 삼아야 합니다.

13. Software for Agents (By Aaron Epstein)
    • 문제점: AI agents가 웹 브라우징, 연구, 구매, CRM 관리 등을 수행하고 있지만, 이들이 사용하는 소프트웨어는 인간의 클릭을 위해 설계되어 느리고 일관성이 없으며 취약합니다.
    • 핵심 방법론/기회: 다음 수조 명의 인터넷 사용자가 AI agents가 될 것이며, 이들을 위한 소프트웨어(Make Something Agents Want)를 구축하는 것입니다. agents는 시각적 인터페이스(양식, 버튼, 대시보드) 대신 API, MCP, CLI와 같은 machine-readable 인터페이스를 필요로 합니다. 또한, 인간의 개입 없이 새로운 도구를 프로그래밍 방식으로 발견, 가입, 즉시 사용할 수 있도록 철저한 문서화가 필수적입니다. 기존의 모든 주요 소프트웨어 카테고리는 agents를 위해 재구축되어야 하며, 이는 기존 기업이 아닌 agents를 'first-class citizen'으로 삼는 스타트업에서 나올 것입니다.

14. Startups That Want to Sell to Huge Companies (By Harshita Arora and Brad Flora)
    • 문제점: 과거에는 스타트업이 대기업에 판매하는 것이 어려웠습니다 (접근성 부족, 제품 개발 기간, 낮은 ROI).
    • 핵심 방법론/기회: AI의 등장으로 이 세 가지 장벽이 무너졌습니다. F100 규모의 최고 경영진들은 AI로 핵심 문제를 해결할 팀을 적극적으로 찾고 있으며, YC 기업들은 첫 해에 수백만 달러 규모의 계약을 체결하는 사례가 늘고 있습니다. AI 덕분에 소규모 팀도 몇 년이 아닌 몇 달 만에 대기업에 유용한 매우 정교한 제품을 출시할 수 있게 되었습니다. 대기업 리더들은 내부 가치 창출, 아웃소싱, 변화 적응의 중요성을 이해하고 있습니다. 이는 창업자들이 세계에서 가장 유명하고 중요한 고객들을 대상으로 사업을 시작하기에 좋은 환경을 조성합니다.

15. Supply Chain 2.0 for Semiconductors (By Diana Hu)
    • 문제점: 반도체 supply chain은 약 1,400단계의 공정, 수십 개국을 거치며, 5개월이 소요됩니다. 이는 스프레드시트, SAP, 전화 통화로 관리되며, 1차 공급업체만 볼 수 있고 2, 3차 공급업체에 대한 가시성이 없습니다. TSMC의 advanced packaging과 HBM memory가 AI compute의 병목 현상을 일으키며, 수출 규제는 분기별로 변동됩니다. CHIPS Act로 새로운 미국 fab이 건설되면서 거의 처음부터 supply chain을 구축해야 하는 상황입니다.
    • 핵심 방법론/기회: 실시간 할당 추적, 다단계 위험 모니터링, 수출 규제 준수와 같은 기존에 없는 툴링을 구축하여 반도체 supply chain을 재구축하는 것입니다. 웨이퍼 할당 및 패키징 제약 조건을 깊이 이해해야 하는 복잡한 문제이므로, 이는 SAP 기능 확장이 아닌 스타트업 기회가 됩니다.

16. The AI Operating System for Companies (By Diana Hu)
    • 문제점: 대부분의 기업은 'open loop'으로 운영되어 의사 결정 후 결과 확인이 늦습니다. 기업의 중요한 지식(회의록, 티켓, 고객 상호작용)이 파편화되어 있고, 이를 AI가 학습할 수 있는 지능형 레이어로 연결하는 제품이 없습니다.
    • 핵심 방법론/기회: 회사의 모든 정보를 'queryable'하게 만들어 'closed loop' 시스템으로 전환하는 것입니다. 이는 Slack, Linear, GitHub, Notion, 통화 기록 등 다양한 도구를 사용자 정의 코드로 연결하는 고통스러운 통합 작업을 대신할 'connective layer'를 구축하는 것을 의미합니다. 이 시스템은 회사의 아티팩트를 자체 개선 루프로 전환하여, 엔지니어링이 잘못된 것을 만들고 있는지 플래그를 지정하거나, agents가 실행할 사양을 생성하는 등 회사 전체를 AI에 'legible'하게 만듭니다.