How 100 Enterprise CIOs Are Building and Buying Gen AI in 2025

Как 100 enterprise-CIO строят и покупают Gen AI в 2025 году

Чуть более года назад мы выделили 16 изменений в том, как корпорации подходят к созданию и закупке gen AI. С тех пор ландшафт продолжал быстро меняться — поэтому мы вернулись к разговорам с более чем двумя дюжинами enterprise-покупателей и опросили 100 CIO из 15 отраслей, чтобы помочь основателям понять, как эти лидеры используют, покупают и закладывают в бюджет gen AI в 2025 году и далее.1

Даже в области, где единственная константа — это изменения, структура рынка gen AI существенно эволюционировала сверх наших ожиданий с момента прошлого опроса больше года назад.

Корпоративные AI-бюджеты выросли сверх и без того высоких прогнозов и перешли из пилотных программ и инновационных фондов в постоянные строки в основных IT- и бизнес-юнит-бюджетах. Организации стали гораздо изощрённее в комбинировании нескольких моделей для оптимизации как по производительности, так и по стоимости. OpenAI, Google и Anthropic в нашем опросе заняли доминирующую общую долю рынка, тогда как Meta и Mistral были популярны среди open source-вариантов. Закупки теперь зеркалят традиционный software procurement — с более строгими оценками, учётом хостинга и проверкой бенчмарков, — а всё более сложные AI-воркфлоу повышают switching costs. Тем временем ландшафт AI-приложений созрел: готовые off-the-shelf решения вытесняют кастомные сборки, и выигрывают AI-native сторонние приложения.

Чтобы дать основателям более тонкое представление о том, что сейчас на уме у enterprise-покупателей, ниже мы разберём эти сдвиги в ресурсах, моделях, закупках и использовании приложений.

Бюджеты: расходы на AI превысили высокие ожидания и пришли надолго

1. Бюджеты больше, чем ожидалось, и нет признаков замедления

Бюджеты на LLM выросли с опережением (уже высоких) ожиданий корпораций годовой давности, и нет признаков, что это замедлится. Корпоративные лидеры ожидают в среднем ~75% роста в ближайший год. Как отметил один CIO: «то, что я тратил в 2023 году, теперь уходит за неделю».

Рост расходов отчасти обусловлен тем, что корпорации находят больше релевантных внутренних use case и увеличивают вовлечённость сотрудников. Кроме того, мы начинаем видеть больше клиентских (customer-facing) use case — особенно у tech-forward компаний, — которые потенциально могут привести к экспоненциальному росту расходов. Одна крупная технологическая компания сказала: «пока мы в основном фокусировались на внутренних use case, но в этом году мы сосредоточимся на клиентском gen AI, где расходы будут значительно больше».

2. Расходы на Gen AI переходят в постоянные строки бюджета

В прошлом году инновационные бюджеты всё ещё составляли четверть расходов на LLM; теперь это всего 7%. Корпорации всё чаще оплачивают AI-модели и приложения через централизованные IT- и бизнес-юнит-бюджеты, что отражает растущее восприятие: gen AI больше не эксперимент, а необходимость для бизнес-операций. Один CTO отметил: «всё больше наших продуктов добавляют AI-функциональность, поэтому рост наших расходов поднимется по всем этим продуктам» — это означает, что сдвиг к основным бюджетам будет только ускоряться.

Модели: появляются три лидера, а дифференцированная производительность по use case подталкивает к большей диверсификации моделей

3. Мир мультимодельности пришёл надолго, и ключевой драйвер — дифференциация моделей, а не их коммодитизация

С появлением нескольких очень способных LLM нормой стало развёртывание нескольких моделей в продакшен-кейсах. Хотя одной причиной, безусловно, является избежание vendor lock-in, дифференциация моделей по use case стала всё более выраженной и является главной причиной, по которой корпорации покупают модели у нескольких вендоров. В опросе этого года 37% респондентов используют 5 или более моделей против 29% в прошлом году.

Хотя в некоторых случаях модели показывают сопоставимые баллы в общих оценках, очевидно, что enterprise-слой моделей не коммодитизировался. Хорошо известно, например, что модели Anthropic отлично справляются с задачами, связанными с кодом, но в этом утверждении есть нюансы. В рамках кода некоторые пользователи отмечают, что Claude лучше работает с тонким code completion, тогда как Gemini сильнее в системном дизайне и архитектуре более высокого уровня. В других доменах, например, в текстовых приложениях, один клиент заметил: «Anthropic чуть лучше в писательских задачах — беглость языка, генерация контента, мозговой штурм, — тогда как модели OpenAI лучше справляются с более сложными вопросами и ответами». Эти различия сделали best practice использование нескольких моделей, и мы ожидаем, что эта стратегия сохранится, пока клиенты строят приложения под производительность и сохраняют ориентацию на независимость от вендора.

4. Рынок моделей переполнен, но появляется чёткое лидерство

Хотя корпорации продолжают использовать разные модели как для экспериментальных, так и для продакшен-кейсов, как обсуждалось выше, несколько игроков вышли в лидеры по общей адопции: OpenAI удержал лидерство по общей доле рынка, а Google и Anthropic заметно продвинулись за прошлый год. Доля рынка несколько различалась в зависимости от масштаба корпорации: больше open source применяется в крупных корпорациях, где on-prem по-прежнему важен.

Углубляясь в использование:

Корпорации используют широкий набор моделей OpenAI. GPT-4o — наиболее часто разворачиваемая в продакшене модель, а OpenAI o3 вызвала значительный интерес по мере того, как reasoning-модели всё больше интегрируются в продакшен. Не-фронтирные модели OpenAI применяются значительно чаще, чем у других вендоров, поэтому Google и Anthropic «входят в дверь» благодаря именно своим фронтирным моделям — Gemini 2.5 и Claude Sonnet 3.5 и далее. Конкретно: 67% пользователей OpenAI развернули не-фронтирные модели в продакшене, против всего 41% у Google и 27% у Anthropic. Подъём Google был особенно выраженным в крупных корпорациях, так как у них часто уже есть отношения с GCP и они могут опереться на доверие к бренду мега-кап компании. Модели Gemini давно гордились лучшими в классе контекстными окнами, но общая производительность Gemini 2.5 вывела их в полноценный статус frontier-модели. Также стало очевидно — и это может дать Google долгосрочную устойчивость — соотношение производительности к стоимости у Google. В примере моделей со сравнимым интеллектом Gemini 2.5 flash стоит 26 центов / миллион токенов, тогда как GPT-4.1 mini — 70 центов. В противоположность этому Anthropic показал наивысшую адопцию в наиболее tech-forward компаниях, особенно в софтверных компаниях и стартапах. Их модели преуспели в определённых use case, прежде всего в коде, и в результате именно они питают наиболее быстрорастущие AI-приложения для кодинга. Это лидерство на уровне use case не осталось незамеченным в корпорациях: tech-forward лидеры активно оценивают производительность по use case и обычно выбирают Anthropic для инженерии и кода. Это стало благом для выручки Anthropic и дало им масштаб и репутацию, которую ценят и более традиционные крупные корпорации. Адопция open source-моделей вроде Llama и Mistral, как правило, была выше у более крупных корпораций по сравнению с их применением в небольших компаниях. Это обычно вызвано предпочтением on-prem-решений из соображений безопасности данных и комплаенса, а также возможностью fine-tune под конкретные enterprise use case. Новые поставщики моделей вроде xAI вызывают сильный интерес и раннее тестирование с самого старта — это напоминает прошлогоднее поведение и служит напоминанием, что доля рынка моделей остаётся динамичной.

5. Соотношение цены и производительности у closed source стало более привлекательным для не-фронтирных моделей

Как мы обсуждали ранее, стоимость моделей снижается на порядок каждые 12 месяцев. На этом фоне мы также увидели, что соотношение цены и производительности у closed source стало гораздо привлекательнее для малых и средних моделей: лидерами здесь являются Grok 3 mini от xAI и Gemini 2.5 Flash от Google. В ряде случаев клиенты чаще выбирают closed source-модели именно из-за этого сдвига, а также благодаря другим преимуществам экосистемы. Как сказал один клиент: «Цены стали привлекательными, и мы уже встроены в Google: используем всё — от G Suite до баз данных, — а их enterprise-экспертиза привлекательна». Или более лаконично от другого: «Gemini дешёвый».

6. Fine-tuning считается менее необходимым по мере улучшения возможностей моделей

Улучшение возможностей моделей — в первую очередь более высокий интеллект и более длинные контекстные окна — сделало fine-tuning менее критичным для достижения сильной производительности под конкретный use case. Вместо этого компании обнаружили, что prompt engineering может давать сходные или лучшие результаты, часто при гораздо меньшей стоимости. Как заметила одна корпорация: «вместо того чтобы брать тренировочные данные и делать parameter-efficient fine-tuning, можно просто положить их в длинный контекст и получить почти эквивалентные результаты».

Уход от fine-tuning также помогает компаниям избежать model lock-in, поскольку дообученные модели требуют высоких первоначальных затрат и инженерной работы, тогда как промпты гораздо легче переносить с одной модели на другую. Это важно в мире, где модели стремительно улучшаются и компании хотят пользоваться преимуществами того, чтобы оставаться на переднем крае.

Тем не менее компании с гиперспецифичными use case всё ещё дообучают модели. Например, один стриминговый сервис fine-tune-ит open source-модели для аугментации запросов в видеопоиске, «где требуется больше доменной адаптации». Мы также можем увидеть рост fine-tuning, если более новые методы, вроде reinforcement fine tuning, получат более широкое распространение за пределами лабораторий.

По мере улучшения возможностей моделей большинство корпораций не видят такой ROI от fine-tuning, как в прошлом году, и в основном выбирают open source-модели для use case, чувствительных к цене.

7. Корпорации оптимистично смотрят на reasoning-модели и готовы быстро масштабировать их

Позволяя LLM выполнять более сложные задачи более точно, reasoning-модели расширили круг use case, которые LLM могут решать. Корпорации всё ещё на ранней стадии тестирования reasoning-моделей, и немногие развернули их в продакшене, но компании очень оптимистично смотрят на их потенциал. Один из руководителей, у которого мы брали интервью, хорошо это сформулировал: «[reasoning-модели] позволяют нам решать новые, более сложные use case, поэтому я ожидаю большого скачка в нашем использовании. Но мы всё ещё в начале и сегодня тестируем». Среди ранних adopter наибольшую динамику показали reasoning-модели OpenAI. Несмотря на значительный отраслевой шум вокруг DeepSeek, корпорации в подавляющем большинстве используют OpenAI: 23% опрошенных корпораций уже используют модель OpenAI o3 в продакшене, против всего 3% для DeepSeek. У DeepSeek адопция была выше среди стартапов по сравнению с её низким уровнем в корпоративном сегменте.

Закупки: корпоративные AI-закупки перенимают строгость традиционного software-procurement

8. Процесс покупки моделей всё больше напоминает традиционный enterprise software procurement, с чек-листами и чувствительностью к цене

Компании теперь подходят к выбору модели с дисциплинированными фреймворками оценки, и такие факторы, как безопасность — на которой в наших интервью делался сильный акцент — и стоимость, заняли позиции наравне с общей точностью и надёжностью. Этот сдвиг подчёркивает рост доверия корпораций к производительности моделей и уверенность в том, что LLM будут развёртываться в масштабе. Как лаконично подытожил один лидер: «для большинства задач все модели сейчас работают достаточно хорошо — поэтому цена стала гораздо более важным фактором».

Как мы упоминали в разделе «Модели», корпорации также становятся более изощрёнными в подборе конкретных use case к правильной модели. Для высоковидимых или критичных по производительности приложений компании обычно предпочитают передовые модели с сильным узнаваемым брендом. Напротив, для более простых или внутренних задач выбор модели часто сводится исключительно к стоимости. См. ниже, как со временем менялись эти KPC (key purchasing criteria) для LLM.

9. Предпочтения по хостингу по-прежнему сильно различаются, хотя за прошлый год корпорации быстро выстроили доверие к поставщикам моделей

Хотя сохраняется определённое предпочтение существующих cloud-отношений (подобно другим инфра-закупкам), всё больше корпораций хостят либо напрямую у поставщиков моделей, либо через Databricks, особенно в случаях, когда выбранная модель не хостится их основным cloud-провайдером (например, OpenAI для клиентов AWS). Это обычно потому, что лидеры «хотят прямой доступ к новейшей модели с лучшей производительностью, как только она становится доступной. Ранние preview-доступы тоже важны». Возросшее доверие к прямому взаимодействию с поставщиками моделей, включая OpenAI и Anthropic, — это значительный сдвиг по сравнению с тем, что мы слышали в прошлогодних интервью с корпорациями: многие предпочитали по возможности получать доступ к моделям через cloud-провайдера, иногда даже если это был не их основной cloud-провайдер.

10. Switching costs растут по мере того, как AI берёт на себя более сложные задачи

В прошлом году мы обнаружили, что большинство корпораций проектировали свои приложения так, чтобы минимизировать switching costs и сделать модели максимально взаимозаменяемыми. В результате многие корпорации относились к моделям как к «легко пришёл — легко ушёл». Это могло хорошо работать для простых, одношаговых use case, но появление agentic-воркфлоу начало делать переключение между моделями более сложным.

По мере того как компании вкладывают время и ресурсы в построение guardrails и промптов для agentic-воркфлоу, они всё неохотнее переключаются на другие модели из-за риска, что результаты не воспроизведутся или придётся вложить значительное время в инженерию надёжности другой модели. Agentic-воркфлоу часто требуют нескольких шагов для выполнения задачи, поэтому изменение одной части модельного воркфлоу может повлиять на все downstream-зависимости. Как сказал нам один лидер: «все промпты были настроены под OpenAI. У каждого из них свой набор инструкций, промптов и деталей. То, как LLM получают инструкции для agentic-обработки, — это занимает много страниц инструкций. К тому же quality assurance агентов не такой простой, поэтому смена модели сейчас — задача, которая может занять много инженерного времени».

11. Корпорации всё чаще обращаются к внешним бенчмаркам как к квази-«Magic Quadrants» — начальному фильтру выбора модели

По мере того как моделей становится больше, внешние оценки предлагают практичный, Gartner-подобный фильтр, который корпорации узнают по своим традиционным процессам закупки софта.

Хотя внутренние бенчмарки, golden datasets и фидбэк разработчиков по-прежнему остаются критичными частями более глубокой оценки производительности LLM, зрелость рынка LLM подтолкнула компании всё чаще обращаться к внешним бенчмаркам, таким как LM Arena. Хотя эти внешние бенчмарки помогают enterprise-покупателям сортировать рынок, лидеры также отмечают, что эти бенчмарки — лишь один фактор в более широком процессе оценки: «мы определённо смотрим на внешние бенчмарки. Но всё равно нужно оценивать самим. Сложно выбрать без реальных пробных запусков и получения фидбэка от сотрудников».

Подъём приложений: рост AI-приложений ошеломителен, так как всё больше корпораций решают покупать, а не строить, по большему числу use case

12. Корпорации переходят от «build» к «buy» по мере того, как экосистема AI-приложений обретает форму

На раннем этапе AI-продуктового цикла корпорации в основном предпочитали работать напрямую с AI-моделями и строить собственные приложения. Однако за последние двенадцать месяцев мы увидели заметный сдвиг к покупке сторонних приложений по мере того, как экосистема AI-приложений начала созревать. Это особенно верно, поскольку динамичная дифференциация по производительности и стоимости между моделями привела к инкрементальным приростам ROI от постоянной оценки и оптимизации под use case, что часто лучше всего решается специализированной командой AI-приложения, а не внутренней командой.

Более того: в столь динамичном пространстве, как AI, компании обнаруживают, что внутренне разработанные инструменты сложно поддерживать и они часто не дают бизнес-преимущества, что дополнительно укрепляет их интерес к покупке, а не созданию приложений.

По мере созревания всё большего числа категорий приложений мы ожидаем, что этот тренд в будущем сильнее качнётся в сторону сторонних приложений, что подтверждается опережающим индикатором: лидеры всё чаще рассматривают приложения при тестировании новых use case. В случае поддержки клиентов, например, более 90% респондентов опроса отметили, что тестируют сторонние приложения. Один публичный fintech отметил, что хотя они начали строить customer support собственными силами, недавний обзор сторонних решений на рынке убедил их купить вместо того, чтобы продолжать собственную разработку. Единственная область, где этот тренд не проявился, — это регулируемые или высокорисковые отрасли вроде здравоохранения, где приватность данных и комплаенс более приоритетны.

13. Покупатели с трудом принимают outcome-based ценообразование для приложений

Хотя вокруг outcome-based ценообразования для AI много хайпа, CIO всё ещё некомфортно с тем, как метрики результата устанавливаются, измеряются и выставляются в счёт.

Среди основных опасений в отношении outcome-based ценообразования — отсутствие чётких результатов, которые мапятся на бизнес-цели, непредсказуемые расходы и атрибуция, — но консенсуса о том, как вендоры могут смягчить эти проблемы, нет. Это неудивительно: AI — относительно новая технология, и пока неясно, как её внедрять, чтобы она приносила реальную ценность бизнесу. Покупатели не знают, сколько с них возьмут, и не хотят остаться крайними. Учитывая это, большинство CIO всё ещё предпочитают платить по usage за AI-приложения.

14. Разработка ПО становится killer use case — другие следуют близко

Хотя мы видим прогрессирующую адопцию AI use case по всем направлениям — особенно внутренний enterprise search, анализ данных и поддержка клиентов, — разработка ПО пережила ступенчатый скачок в адопции, обусловленный идеальным штормом из чрезвычайно качественных off-the-shelf приложений, значительного роста возможностей моделей, релевантности для широкого круга компаний и отраслей и no-brainer ROI use case.

Один CTO в быстрорастущей SaaS-компании сообщил, что почти 90% их кода теперь сгенерировано AI через Cursor и Claude Code — против 10–15% 12 месяцев назад с GitHub Copilot. Такой уровень адопции всё ещё представляет передний край, но, вероятно, является сильным опережающим индикатором для корпоративного рынка.

15. Prosumer-рынок задал значительную часть раннего роста приложений и поведения корпоративных покупателей

Сильные потребительские бренды конвертируются в сильный enterprise-спрос.

Как и в случае с некоторыми ранними platform shifts (например, интернет), значительная часть раннего роста среди ведущих enterprise AI-приложений была обусловлена prosumer-рынком. Это началось с ChatGPT и подкреплено coding-приложениями и creator-инструментами вроде ElevenLabs. Многие CIO отмечали, что их решение приобрести enterprise ChatGPT было вызвано тем, что «сотрудники любят ChatGPT. Это известное им имя бренда». Это двойное рыночное притяжение привело к гораздо более быстрому росту следующего поколения AI-компаний, чем мы видели в прошлом.

16. Качество и скорость AI-native начинают опережать инкумбентов

Инкумбенты всегда выигрывали за счёт устоявшегося доверия и существующей дистрибуции, но в AI-эпоху они всё чаще проигрывают AI-native конкурентам по качеству продукта и скорости.

Неудивительно, что основная причина, по которой покупатели предпочитают AI-native вендоров, — их более высокая скорость инноваций. Вторая причина — признание того, что компании, построенные вокруг AI с нуля, поставляют фундаментально лучшие продукты с более высокими результатами по сравнению с инкумбентами, которые «прикручивают» AI к существующим решениям.

Этот разрыв особенно очевиден сегодня в разработке ПО, где CIO одной публичной security-компании отметил резкое различие в возможностях между AI coding-инструментами первого и второго поколения по мере того, как кодинг становится более agentic. Этот сдвиг также отражён в данных по удовлетворённости пользователей: пользователи, перешедшие на Cursor, gen-AI-native coding-решение, демонстрируют заметно более низкую удовлетворённость прежними инструментами вроде GitHub Copilot, подчёркивая, насколько быстро инновации фундаментально перестраивают результаты, которых покупатели могут и должны ожидать от AI.

Взгляд в будущее

Enterprise AI-ландшафт больше не определяется экспериментированием: он формируется стратегическим развёртыванием, бюджетными обязательствами и созревающими вендорскими экосистемами. По мере того как выбор моделей диверсифицируется, фрагментация по use case не только ожидаема, но и принимается, и появляется несколько ключевых лидеров. Корпорации внедряют структурированные процессы закупок и всё чаще обращаются к off-the-shelf приложениям для ускорения адопции. В результате рынок выглядит больше похожим на традиционный software-рынок — но движется со скоростью и сложностью, уникальными для AI.

Опрос по состоянию на 8 мая 2025 года. Не включает модели, выпущенные после этой даты, в том числе семейство моделей Claude 4.

Sarah Wang

— general partner в команде Growth в Andreessen Horowitz, где она ведёт инвестиции на growth-стадии в AI, enterprise applications и инфраструктуру.

Shangda Xu

— партнёр в Growth investing team, фокусируется на enterprise-технологических компаниях.

Justin Kahl

— партнёр в Growth investing team.

Tugce Erten

— партнёр в Growth team, фокусируется на ценообразовании и упаковке.

16 изменений в том, как корпорации создают и покупают Generative AI

Продавать сейчас тяжело. Вот как выигрывать бизнес в эпоху Gen AI.

Гонка за захват ценности: уроки cloud для AI-эпохи

Хотите больше Growth?

Глубокие разборы того, что делает компании по-настоящему великими — от инвесторов и операторов a16z Growth.

Мнения, выраженные в «постах» (включая подкасты, видео и социальные сети), являются мнениями отдельных сотрудников a16z, упомянутых в них, и не являются мнениями a16z Capital Management, L.L.C. («a16z») или её соответствующих аффилированных лиц. a16z Capital Management — инвестиционный консультант, зарегистрированный в Комиссии по ценным бумагам и биржам. Регистрация в качестве инвестиционного консультанта не подразумевает каких-либо особых навыков или подготовки. Посты не адресованы каким-либо инвесторам или потенциальным инвесторам и не являются предложением продать или приглашением сделать предложение купить какие-либо ценные бумаги и не могут использоваться или быть основанием при оценке достоинств какой-либо инвестиции.

Содержимое здесь — и доступное на любых связанных платформах распространения и любых публичных онлайн-аккаунтах, платформах и сайтах a16z в социальных сетях (совместно, «каналы распространения контента») — не должно толковаться или использоваться каким-либо образом как инвестиционный, юридический, налоговый или иной совет. Вам следует консультироваться с собственными советниками по юридическим, бизнес-, налоговым и другим связанным вопросам относительно любой инвестиции. Любые прогнозы, оценки, форкасты, цели, перспективы и/или мнения, выраженные в этих материалах, могут изменяться без уведомления и могут отличаться или быть противоположными мнениям, выраженным другими. Любые графики, предоставленные здесь или в каналах распространения контента a16z, предназначены только для информационных целей, и на них нельзя полагаться при принятии каких-либо инвестиционных решений. Определённая информация, содержащаяся здесь, была получена из сторонних источников, включая портфельные компании фондов, управляемых a16z. Хотя она взята из источников, считающихся надёжными, a16z не проверял такую информацию независимо и не делает заявлений о её сохраняющейся точности или применимости в той или иной ситуации. Кроме того, посты могут включать сторонние рекламные материалы; a16z не рассматривал такие рекламные материалы и не одобряет какой-либо рекламный контент, содержащийся в них. Всё содержимое говорит только на дату, указанную в нём.

Ни при каких обстоятельствах никакие посты или иная информация, предоставленная на этом сайте — или в связанных каналах распространения контента, — не должны толковаться как предложение, побуждающее к покупке или продаже какой-либо ценной бумаги или доли в каком-либо объединённом инвестиционном механизме, спонсируемом, обсуждаемом или упомянутом сотрудниками a16z. Также это не должно толковаться как предложение предоставлять услуги инвестиционного консультирования; предложение инвестировать в управляемый a16z объединённый инвестиционный механизм будет сделано отдельно и только посредством конфиденциальных оферных документов конкретных объединённых инвестиционных механизмов, которые следует прочитать полностью, и только тем, кто, среди прочих требований, отвечает определённым квалификациям в соответствии с федеральным законодательством о ценных бумагах. Такие инвесторы, определённые как accredited investors и qualified purchasers, в целом считаются способными оценивать достоинства и риски потенциальных инвестиций и финансовых вопросов.

Не может быть никаких гарантий, что инвестиционные цели a16z будут достигнуты или что инвестиционные стратегии окажутся успешными. Любая инвестиция в механизм, управляемый a16z, сопряжена с высокой степенью риска, включая риск того, что вся вложенная сумма будет потеряна. Любые упомянутые, указанные или описанные инвестиции или портфельные компании не являются репрезентативными для всех инвестиций в механизмы, управляемые a16z, и не может быть никаких гарантий, что инвестиции окажутся прибыльными или что другие будущие инвестиции будут обладать схожими характеристиками или результатами. Список инвестиций, сделанных фондами под управлением a16z, доступен здесь: https://a16z.com/investments/. Прошлые результаты инвестиций a16z, объединённых инвестиционных механизмов или инвестиционных стратегий не обязательно являются показателем будущих результатов. Из этого списка исключены инвестиции (и определённые публично торгуемые криптовалюты/цифровые активы), для которых эмитент не предоставил a16z разрешения на публичное раскрытие. Что касается инвестиций в любые криптовалюты или token-проекты, a16z действует в своих собственных финансовых интересах, не обязательно в интересах других держателей токенов. У a16z нет особой роли ни в одном из этих проектов и власти над их управлением. a16z не обязуется продолжать иметь какое-либо участие в этих проектах, кроме как в качестве инвестора и держателя токенов, и другие держатели токенов не должны ожидать, что она будет участвовать каким-либо особым образом, или полагаться на это.

В отношении фондов под управлением a16z, зарегистрированных в Японии, a16z предоставит любому представителю японской общественности копию таких документов, которые должны быть публично доступны в соответствии со статьёй 63 Закона Японии о финансовых инструментах и биржах. Пожалуйста, свяжитесь с compliance@a16z.com, чтобы запросить такие документы.

По остальным условиям использования сайта, пожалуйста, перейдите сюда. Дополнительная важная информация об a16z, включая нашу Form ADV Part 2A Brochure, доступна на сайте SEC: http://www.adviserinfo.sec.gov.