Avoiding Death on the Yellow Brick Road | Andreessen Horowitz
Партнёр a16z Joe Schmidt отвечает на вопрос основателей: остался ли смысл строить на прикладном уровне ИИ, или OpenAI и Anthropic «съедят» всё. Он использует метафору «Дорога из жёлтого кирпича» — путь, по которому идут лаборатории (генерация кода, текста, изображений, где качество растёт с мощностью модели), и противопоставляет ему «остальную страну Оз» — сложные вертикальные задачи, где ценность даёт не сама модель, а обвязка вокруг неё. Защититься от лабораторий вертикальные стартапы могут за счёт маховиков данных и обучения, управления вариативностью моделей, оптимизации затрат и governance/комплаенса; всё это сводится к фокусу. Свои тезисы он иллюстрирует практическими советами Prabhav Jain (CEO 11x, продажи) и Aman Gour (CEO FurtherAI, страхование), которые описывают агентные рабочие процессы, guardrails под каждого клиента и «операционную память» как ров. Ключевой тест: строите ли вы систему, через которую клиент пропускает свою работу, или лишь инструмент поверх чужой системы — побеждать будут владельцы «системы работы», ведь модель под капотом взаимозаменяема, а сама система — нет.
Как не погибнуть на Дороге из жёлтого кирпича
Вопрос, который мне постоянно задают основатели и потенциальные сотрудники: осталось ли вообще что-то для строительства на прикладном уровне ИИ, или OpenAI и Anthropic собираются убить всё?
За этим вопросом стоит особая разновидность ИИ-психоза. Некоторые пришли к выводу, что единственные надёжные места, где можно избежать попадания в вечный низший класс, — это внутри крупной лаборатории или на самом фронтире, в робототехнике, хардтехе и подобном — теоретически во всём том, «до чего лабораториям не дотянуться». Если каждый кусок софта вот-вот будет съеден — либо Codex или Claude напрямую заберут себе работу, либо будущая модель сделает всё, что вы построили, ненужным, — то бегите!
Послушайте, я такой же ИИ-максималист, как почти кто угодно, и я считаю, что они правы наполовину. Лаборатории действительно идут за огромным куском прикладной поверхности. Но «прикладной уровень» — это не одна однородная возможность. Правильная рамка такая: находитесь ли вы на Дороге из жёлтого кирпича или где-то ещё в Оз.
Дорога из жёлтого кирпича — это наше сокращение для того пути, по которому идут лаборатории, вкладывая в него невероятные ресурсы. Лаборатории лучше всего приспособлены для таких задач, как генерация кода, письмо или создание изображений, потому что эти задачи улучшаются вместе с самой мощностью модели: каждый доллар, потраченный на пре-трейнинг и пост-трейнинг, повышает качество продукта. Тем временем остальную часть Оз населяют более сложные, часто вертикальные задачи, которые не сводятся к тому, чтобы дать бизнес-пользователю горизонтальный инструмент с доступом к стандартным инструментам и computer use. Ценность здесь идёт не столько от сырой мощности самой модели (хотя она по-прежнему важна!), сколько от обвязки вокруг неё, которая делает результат надёжным, соответствующим требованиям и работоспособным внутри конкретной отрасли.
Мы наблюдаем это в реальном времени: OpenAI и Anthropic фактически говорят рынку, что не могут решить любую задачу универсальным ИИ-сотрудником. Они объявили о масштабных forward-deployed совместных предприятиях, чтобы строить целые компании вокруг конфигурирования и кастомизации своих моделей для энтерпрайза. Вы не вливаете миллиарды в такие программы, если считаете, что следующий релиз модели всё решит сам.
Так что если вы хотите разбогатеть, строя ИИ-приложения, — избегайте Дороги из жёлтого кирпича и стройте где-то ещё в Оз. Вот что мы узнали — и что узнали некоторые основатели из нашего портфеля — о том, что работает.
Дорога из жёлтого кирпича
Если вы запускаете компанию, Дорога из жёлтого кирпича — самый очевидный путь, но и самый опасный. Берёте высокопроизводительную модель, подключаете несколько готовых коннекторов (вроде G Drive, Slack, Salesforce, Notion, GitHub) и выпускаете поверх какой-нибудь слой агентной оркестрации. Магия!
Проблема в том, что именно это и делают лаборатории с Cowork и Codex. Очевидно, они владеют моделью, что даёт им лучшую маржу, контроль и возможность диктовать цены всем, кто находится ниже по течению. Но, возможно, ещё важнее то, что они владеют и архитектурными решениями, определяющими, какие задачи их продукты заточены решать хорошо. Пока что они намеренно придерживаются паттерна «модель плюс вызовы инструментов», а это ровно то, что требуется для горизонтальной работы с малым числом шагов на Дороге. Даже если бы стартап каким-то образом превзошёл Codex или Claude Code, у лабораторий огромные дистрибуционные рычаги и самый сильный бренд-ореол в ИИ.
Если вы — ИИ-компания, играющая по этому сценарию с теми же коннекторами, без саб-агентов и конфигурации под капотом и без дистрибуции, вы, скорее всего, идёте по дороге в никуда.
Остальная страна Оз
Для стартапов всё не так беспросветно. За пределами Дороги из жёлтого кирпича есть огромная возможность, где у стартапов есть чёткий путь владеть своим клиентом и решать сложные задачи.
Эти компании строят агентные опыты, где модель вплетена в сложную сеть инструментов, автоматизаций и интеграций (читай: софта), из-за чего большинство таких стартапов по умолчанию оказываются вертикальными. Они могут сосредоточиться на многошаговой и многоучастниковой работе, с саб-агентами под ролевые и отраслевые задачи, до которых Anthropic и OpenAI не дотягиваются горизонтальными платформами: сбор контекста по разным системам и последующая маршрутизация через нескольких людей, которые должны давать согласование на разных этапах. Часто здесь задействована одна или несколько legacy-систем, нужна детерминированность результата, где неоднозначность недопустима, и порой это привязано к какому-то ценному бизнес-результату. Лаборатории понимают, насколько ценны эти задачи: именно поэтому они строят собственные аутсорсинговые конфигурационные цеха и поэтому существует целый высококлассный сегмент бизнесов по reinforcement learning.
Почему остальной Оз не достанется Волшебнику
Возражение на сказанное выше звучало бы так: до сих пор ставка против улучшения моделей/лабораторий была довольно проигрышной. Они, скорее всего, продолжат становиться лучше и в конце концов начнут отъедать рынок, который обслуживают эти бизнесы прикладного уровня.
Лаборатории, безусловно, будут улучшаться, но я бы возразил, что есть несколько способов, которыми остальной Оз может защищаться со временем:
Маховики данных и обучения:
Многое из того, что вы усваиваете, не содержится ни в одном тренировочном наборе — неписаные отраслевые нормы, недокументированные стандарты, племенное знание, живущее в головах практиков. Ничего из этого нет в открытом вебе. Никакой объём обучающих вычислений не заменит присутствия внутри рабочих процессов, где реально живёт это знание. Здесь два маховика, наложенных друг на друга: межклиентский — паттерны, которые накапливаются по мере того, как вы видите всё больше вариаций одной и той же задачи, и внутриклиентский — почему за конкретными решениями, негласные исключения, собственные эвристики фирмы, которые всплывают только в реальном взаимодействии с системой.
Даже если данные одного клиента нельзя использовать для других клиентов, прикладные компании смогут опираться на распознавание паттернов по типам клиентских задач и на этой основе подбирать правильную архитектуру для будущих задач. Компания, которая прогнала своих агентов через сотню юридических редлайнов, тысячу циклов страхового андеррайтинга или десять тысяч SDR-кампаний, усвоила форму задачи так, как следующий новичок не сможет воспроизвести, поднимая свежего агента с нуля в первый раз.
Горизонтальный агент в принципе мог бы построить ту же инфраструктуру обучения. Причина, по которой он этого не делает — помимо чистого фокуса, — это UX: захват такого рода знаний целиком зависит от рабочих поверхностей, которые вы даёте пользователю, и вертикальные игроки могут формировать эти поверхности ровно под то, что нужно вытащить их рабочему процессу. Горизонтальные инструменты не могут. Наборы для eval, размеченные результаты и таксономии граничных случаев могут накапливаться в вертикально-специфичный маховик данных, который способен питать файн-тюнинг, недостижимый для следующего новичка без сопоставимого боевого опыта в продакшене. Возможно ли это, зависит от прав на данные, накопленного объёма боевого опыта и структуры клиентских контрактов, но распознавание паттернов накапливается в любом случае.
Управление вариативностью и сложностью моделей: Лаборатории уже маршрутизируют внутри себя — разные классы моделей под разные запросы, ансамбли под капотом. Чего они не могут — это маршрутизировать между вендорами, или оценить модель конкурента под конкретную подзадачу, или использовать опенсорсный файн-тюн для узкого куска, где он на самом деле лучше всего. Компания из остального Оз подбирает правильную модель для каждой подзадачи по всему рынку моделей, а не только то, что выпускает её родительская лаборатория. Она также делает работу, которую никто не хочет делать, — перепрогоняет evals на апгрейдах, перенастраивает промпты под граничные случаи клиента, выкатывает обновления, не ломая продакшен, — каждый раз, когда выходит новая модель. Лаборатории не делают этого за клиента; они продают вам свою следующую модель и говорят мигрировать. Компания из остального Оз берёт миграцию на себя. Клиент же получает лучший доступный на всём рынке интеллект плюс непрерывность через каждый апгрейд.
Оптимизация затрат: Прогон каждого запроса через Opus 4.7 — это самый быстрый путь к отрицательной валовой марже. Лучшие компании остального Оз маршрутизируют по ярусам моделей — фронтир-модели для самых трудных задач, средний ярус для основной массы, меньшие кастомные или файн-тюненные модели там, где они заслужили право их использовать. Некоторые теперь дополнительно делают пост-трейнинг собственных моделей поверх этого, оптимизируя их под узкий срез работы, который важен их клиенту, и обслуживая их за долю стоимости вызова фронтир-API. Лаборатории задают пол: минимум интеллекта за $X. Компания остального Оз продаёт обратное — минимальную долларовую стоимость за тот конкретный уровень интеллекта, который реально требуется рабочему процессу. Это возможно, только если вы точно знаете, какой уровень нужен каждой подзадаче, чего лаборатории структурно не могут знать по каждой вертикали. Это напрямую транслируется в более низкие, контролируемые цены за результаты.
Governance: Есть значительная ценность в том, чтобы стать control plane для того, как клиенты запускают ИИ в этой вертикали, — местом, где сходятся права доступа, аудит, что-агенту-разрешено-делать и что-агент-фактически-сделал. Этот control plane строится из guardrails под конкретные сценарии использования, которые совершенно по-разному выглядят в разных отраслях и должностях. Поскольку такие компании владеют инструментами, рабочими процессами и данными, к которым агент прикасается от начала до конца, они могут обеспечивать детерминированные результаты так, как горизонтальным инструментам будет трудно. Они же — та сущность, которая берёт на себя регуляторную сложность за конечного покупателя: FRCP и правила коллегии адвокатов в юриспруденции, HIPAA в здравоохранении, SEC и FINRA в финансах, страховое регулирование штатов и так далее. Горизонтальный игрок не сможет правдоподобно это делать, не превратившись в сотню разных вертикалей одновременно. CIO хотят иметь партнёра, который контрактно заявляет, что отвечает за комплаенс агентов, которых он предоставляет.
Всё это сводится к одному и тому же: к фокусу. Это может быть вертикаль (страхование, юриспруденция, бухгалтерия) или функция, проработанная глубоко (продажи, поддержка клиентов, финансы). В любом случае работе нужна команда, целиком сосредоточенная на одном наборе клиентов — на их рабочих процессах, их граничных случаях, их регуляциях. Лаборатории не построены для этого. Им приходится быть везде, для всех, — именно так они и проложили Дорогу из жёлтого кирпича в первую очередь. Тот же компромисс держит их вне остального Оз — можно быть везде сразу, либо быть великим в одном деле. Не и то, и другое.
Продажи как пример — практические советы от технического CEO 11x
Как думать об этом на практике? Вот несколько практических советов от Prabhav Jain, CEO 11x.
Фокусируйтесь на результатах
Тактический путь к построению компании, устойчивой к лабораториям, — это просто начать с конкретного результата, который по-настоящему важен вашим клиентам. Для нас это была помощь компаниям в генерации большего pipeline. Дальше вопросы становятся тактическими. Какими активностями мы хотим владеть от начала до конца, чтобы они реально двигали pipeline? Разложите каждую активность на задачи. Какие задачи агентные, а какие нет. Какие требуют тонкого доменного знания, а какие нет. Лаборатории тоже будут выпускать рабочие процессы, но когда в процессе много шагов, грязные входные данные, трудно интерпретируемое состояние или ограничения реального мира, одна лишь более хорошая модель вас туда не доведёт. Работа ложится на старую добрую инженерию ПО, и на этой поверхности у лабораторий нет преимущества перед сфокусированной прикладной компанией. Например, вот некоторые задачи, которые мы решаем, часть из них агентные, часть нет: проспектинг лидов по кастомным сигналам, обогащение лидов, глубокое исследование аккаунтов, fetcher контекста из CRM, написание сообщений под конкретный канал, агент квалификации лидов и система доставляемости писем. Это не задачи, которые можно решить с одного выстрела, и они требуют глубокой инженерии.
Критическое наблюдение в аналогии с Оз в том, что примерно половина любого реального рабочего процесса, которая является неагентной, не несёт никакого преимущества лабораторий. Они не лучше вас в написании детерминированного софта под слоем модели. А та половина, что агентна, всё равно требует от вас тюнить, обучать и ограничивать модели под тот результат, который вам действительно нужен. Доменное знание часто не лежит в общих тренировочных данных. Эти навыки выстраиваются с нуля под вертикаль или функцию и подаются в модель в нужный момент рабочего процесса. Когда наши агенты квалифицируют входящего лида по телефону, я должен быть обучен тому, что такое хороший разговор о продаже для этой конкретной отрасли и этой персоны. Это работа прикладной компании, и она накапливается.
Что важнее, эти навыки постоянно устаревают, потому что бизнесы эволюционируют, так что ваша способность эволюционировать эти рабочие процессы и контекст становится конкурентным преимуществом. Например, когда мы запускали наш продукт масштабной email-рассылки, написанные «ИИ» письма только начинали входить в обиход. Перенесёмся в сегодня — у людей появилось натренированное чутьё на письма, написанные ИИ против человека, и, что критично, это меняется каждые несколько месяцев. Нашим агентам приходится постоянно адаптироваться под рыночную динамику, но именно здесь и строится ров. По факту, несмотря на эту динамику, наша доля положительных ответов выросла в 4 раза за последние несколько месяцев, и мы сгенерировали сотни миллионов pipeline для наших клиентов.
Работайте над задачами, где сложность высока
Сложные задачи — это то, где раскрывается реальная бизнес-ценность. Иначе вы обнаружите, что строите тонкую обёртку.
Разложите любую достаточно сложную бизнес-задачу — и беспорядок проявляется быстро. Вот пример из мира GTM, который звучит тривиально: не стоит выходить на контакт в компании, если эта компания уже клиент. На деле это что угодно, только не просто. Допустим, в вашем CRM есть домен, привязанный к компании. А как быть с компаниями, у которых десятки дочек? Что, если в записи CRM указан домен материнской компании? Что, если устаревшее поле сопоставления в Salesforce отправит холодный питч действующему CRO клиента? Реальные данные грязны. Люди с ними мучаются. Модели волшебным образом эту планку не берут. Чтобы навести порядок в этом беспорядке, нужны целевые агенты, спроектированные под конкретную форму задачи, а не универсальный copilot, наведённый на CRM. По факту, на основе имеющихся у нас данных мы поняли, что качество и свежесть наших данных намного выше, чем у наших клиентов, поэтому по умолчанию мы опираемся на собственные.
Guardrails нужны не только чтобы предотвращать плохое. Именно за это вам платят клиенты.
Guardrails сильно недооценивают. Даже внутри одного продукта каждому сценарию использования нужны свои. Для нас регулируемый клиент из финансовых услуг требует иных гарантий, чем mid-market SaaS-клиент, и эти гарантии спускаются вниз — в то, как агенту разрешено писать, с кем он может контактировать, к каким данным прикасаться, что он может говорить в звонке и как логируется каждое решение.
Система «один размер на всех» рушится под этой вариативностью. Guardrails должны строиться под каждый сценарий, настраиваться под каждого клиента и непрерывно аудироваться, и эта работа лежит ровно на прикладной компании. Именно поэтому у нас есть FDE и технические deployment-стратеги, которым нужно тюнить под требования каждого клиента. Например, мы работали с институтом из F1000, чтобы делать consented outbound голосом по их большой базе клиентов из сегмента SMB. Первые несколько итераций имели низкую долю поднятых трубок — нам пришлось быстро итерировать и учиться, как вовлечь именно эту аудиторию в первые 10 секунд звонка. Владельцы SMB-бизнесов ведут себя совсем иначе, чем более крупные B2B-покупатели или потребители. Теперь мы генерируем для них больше сделочных возможностей за день, чем вся их команда продаж по этому сегменту за месяц
Страхование как пример — практические советы от CEO FurtherAI
Продажи — это один пример. Страхование — другой, и оно делает ту же мысль под иным углом. Вот как Aman Gour, CEO FurtherAI, думает о строительстве вне Дороги:
Когда мы начали внедрять ИИ внутри реальных страховых операций, мы постоянно слышали одно предположение: модель — это интеллект, а рабочий процесс — лишь обвязка вокруг неё.
Чем с большим числом страховщиков мы работали, тем сильнее убеждались, что всё наоборот.
В страховании немалая часть интеллекта живёт внутри самого рабочего процесса. Два страховщика могут прогонять заявку по тому, что выглядит как один и тот же путь: подача, рассмотрение, котировка, привязка полиса. Но путь — это лёгкая часть. Двух страховщиков различает всё, что внутри: какие риски эскалируются, какие сигналы убытков важны, какое правило аппетита побеждает, когда два из них конфликтуют, когда человек должен поставить подпись, какие внешние данные подтягиваются и как документируется итоговое решение.
Эта логика не живёт в одном чистом движке правил. Она размазана по SOP, проверкам менеджеров, философии андеррайтинга, специфичному для страховщика аппетиту и годам операционного опыта. Многое из этого не записано в форме, которую модель может просто прочитать.
Именно поэтому мы не верим в чистого агента, который каждый раз рассуждает с нуля, и не верим в жёсткий рабочий процесс, который ломается в тот момент, как реальность становится грязной. Вместо этого мы строим агентные рабочие процессы. Рабочий процесс даёт вам повторяемость, аудируемость и контроль затрат. Агент справляется с вариативностью и восстанавливается, когда «счастливый путь» ломается. Человек остаётся в контуре для тех суждений, где важна ответственность.
В первый день это автоматизирует ручную работу. Но со временем каждая эскалация становится сигналом, каждое исключение — обратной связью, а каждая человеческая правка показывает, где runbook был неполным. Со временем рабочий процесс перестаёт быть скриптом и начинает становиться операционной памятью страховщика. Это та часть, до которой лабораториям будет трудно дотянуться. Они продолжат выпускать модели получше и общих агентов получше, и это правильно. Но они не сидят внутри продакшен-процессов страховщика достаточно долго, чтобы понять, почему один аккаунт был эскалирован, почему один риск был отклонён или почему андеррайтер переопределил гайд по аппетиту — и был прав, сделав это.
Это понимание приходит только из прогона рабочего процесса в продакшене многие тысячи раз. Рабочий процесс, который вы выпускаете в первый день, — это не ров. Ров — это петля, которую боевое использование создаёт со временем.
Для нас именно это и значит строить вне Дороги.
Как понять, находитесь вы в остальном Оз или нет?
Тест на инструменты и шаги: Сколько шагов занимает работа и насколько сложны инструменты, которые вам приходится строить для её поддержки? Сравните горизонтальный ИИ-поиск по Google Drive — один шаг, один инструмент с прощающим результатом: пользователь читает сводку и переспрашивает, если она неверна — с многошаговым юридическим редлайном против трёхлетнего корпуса прецедентов фирмы: десятки шагов через множество инструментов, результат, который должен пройти ревью партнёра и, возможно, должен быть отстаиваем в суде. Оба выглядят как «агент, делающий работу», но только один из них требует того глубокого софта, на постройку которого у сфокусированной команды уходят годы.
Тест на систему: Вы строите систему, через которую клиент пропускает свою работу, или инструмент, сидящий поверх системы, которая у клиента уже есть? Системы владеют рабочим процессом от начала до конца — захватом данных, governance, записями о том, что было сделано, — и именно на них клиент указывает, описывая, как реально происходит работа. Инструменты же просто добавляют интеллект в рабочий процесс, который клиент уже ведёт. Случай инструмента генерирует реальную выручку, и лаборатории могут его забрать, потому что клиент не зависит от вас как от слоя оркестрации. Высокий ACV обычно сигнализирует о системе, поскольку системы замещают реальный штат и оплачиваются соответственно, но это не гарантия. Спросите себя: понадобился бы клиенту ваш инструмент по-прежнему, если бы лаборатория выпустила нечто, якобы напрямую конкурирующее с вами? Если да — вы строите систему. Если нет — вы инструмент, даже если ваш ACV высок.
Тест хедж-фонда / P&L: Пока производительность лабораторий судят по бенчмаркам, производительность остального Оз судят по P&L вашего клиента. Вашему клиенту неважно, что ваша модель хорошо набрала на SWE-Bench или MMLU — его волнует, закрыл ли ваш агент сделку, корректно ли отредлайнил контракт или привязал ли правильный полис. Если он зациклен на специфичном для своего рабочего процесса результате, а не на общем балле способностей, — вы в остальном Оз. Если он платит за общую способность — вы продаёте ему то, что он может получить с местом Claude или Codex. Лучшим агентным бизнесам придётся исполнять как хедж-фонды — побеждать на альфе, измеряемой в P&L клиента, а не в баллах бенчмарков.
Победить могут (и победят) оба
Мы увидим огромных победителей и на Дороге из жёлтого кирпича, и вне её. Модели продолжат побеждать, потому что они владеют моделью и владеют дистрибуцией для горизонтальных инструментов, которые они спроектировали.
Остальной Оз может победить, если будет владеть системой работы — той поверхностью, где работа компании реально исполняется, и данными, которые из неё захватываются. Эти компании владеют захватом данных, рабочей системой действия и governance. По мере того как в вертикали созревают всё более сложные рабочие процессы, они складываются в один ключевой опыт, от которого клиент начинает зависеть. По мере того как от старожилов и новых игроков выходят новые поколения моделей, компания становится тем слоем, который интегрирует их и доставляет клиенту. Модель под капотом взаимозаменяема; система работы — нет.
Следующее поколение корпоративного софта будет построено вне Дороги.
Если вы его строите — пишите: jschmidt@a16z.com.
Joe Schmidt
— партнёр в Andreessen Horowitz, где он фокусируется на инвестициях в софт, финтех и иншуртех.
Хотите больше про энтерпрайз?
Новости и ресурсы для навигации в мире B2B-технологий — от ИИ и данных до безопасности, SaaS и не только.
Мнения, выраженные в «постах» (включая подкасты, видео и социальные сети), принадлежат тем отдельным сотрудникам a16z, которые в них цитируются, и не являются мнениями a16z Capital Management, L.L.C. («a16z») или её соответствующих аффилированных лиц. a16z Capital Management — инвестиционный советник, зарегистрированный в Комиссии по ценным бумагам и биржам. Регистрация в качестве инвестиционного советника не подразумевает какого-либо особого мастерства или подготовки. Посты не адресованы каким-либо инвесторам или потенциальным инвесторам и не являются предложением о продаже — или приглашением к оферте о покупке — каких-либо ценных бумаг, и не могут использоваться или служить опорой 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 (совокупно «каналы распространения контента») — не должно толковаться или использоваться в качестве опоры каким бы то ни было образом как инвестиционный, юридический, налоговый или иной совет. Вам следует консультироваться с собственными советниками по юридическим, деловым, налоговым и иным связанным вопросам, касающимся любой инвестиции. Любые прогнозы, оценки, предсказания, цели, перспективы и/или мнения, выраженные в этих материалах, могут изменяться без уведомления и могут отличаться от мнений, выраженных другими, или противоречить им. Любые графики, приведённые здесь или в каналах распространения контента a16z, предназначены только для информационных целей и не должны служить опорой 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 проверяла такую информацию независимо и не делает заявлений о неизменной точности информации или её пригодности для конкретной ситуации. Кроме того, посты могут включать сторонние рекламные материалы; a16z не проверяла такую рекламу и не одобряет какое-либо рекламное содержание в ней. Всё содержимое актуально только на указанную дату.
Ни при каких обстоятельствах любые посты или иная информация, предоставленная на этом веб-сайте — или в связанных каналах распространения контента, — не должны толковаться как оферта, приглашающая к покупке или продаже какой-либо ценной бумаги или доли в каком-либо пуле инвестиционных средств, спонсируемом, обсуждаемом или упомянутом сотрудниками a16z. Равно как и не должны толковаться как предложение предоставить услуги инвестиционного консультирования; предложение инвестировать в управляемый a16z пул инвестиционных средств будет сделано отдельно и только посредством конфиденциальных документов о размещении конкретных пулов инвестиционных средств — которые следует читать полностью и только тем, кто, помимо прочих требований, отвечает определённым квалификациям согласно федеральному законодательству о ценных бумагах. Такие инвесторы, определяемые как аккредитованные инвесторы и квалифицированные покупатели, в целом считаются способными оценивать достоинства и риски предполагаемых инвестиций и финансовых вопросов.
Не может быть никаких гарантий, что инвестиционные цели a16z будут достигнуты или что инвестиционные стратегии окажутся успешными. Любая инвестиция в средство, управляемое a16z, сопряжена с высокой степенью риска, включая риск потери всей вложенной суммы. Любые упомянутые, указанные или описанные инвестиции или портфельные компании не репрезентативны для всех инвестиций в средства, управляемые a16z, и не может быть никаких заверений, что инвестиции будут прибыльными или что другие инвестиции, сделанные в будущем, будут иметь схожие характеристики или результаты. Список инвестиций, сделанных фондами под управлением a16z, доступен здесь: https://a16z.com/investments/. Прошлые результаты инвестиций a16z, пулов инвестиционных средств 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 дал a16z разрешения на публичное раскрытие. Что касается её инвестиций в любой проект криптовалюты или токена, a16z действует в собственных финансовых интересах, не обязательно в интересах других держателей токенов. a16z не играет никакой особой роли ни в одном из этих проектов и не имеет 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 это делать, или полагаться на то, что она будет иметь какое-либо особое участие.
В отношении фондов, управляемых a16z и зарегистрированных в Японии, a16z предоставит любому представителю японской общественности копию таких документов, которые требуется делать публично доступными согласно статье 63 Закона Японии о финансовых инструментах и биржах. Пожалуйста, свяжитесь по адресу compliance@a16z.com, чтобы запросить такие документы.
Прочие условия использования сайта смотрите здесь. Дополнительная важная информация об a16z, включая нашу брошюру Form ADV Part 2A, доступна на сайте SEC: http://www.adviserinfo.sec.gov.