rss_feeda16z ·22.01.2026 open_in_newОригинал

Financial Services Will Embrace Generative AI Faster Than You Think | Andreessen Horowitz

#Ai Adoption #Enterprise Ai #Generative Models

auto_awesomeКраткое саммари

Статья a16z утверждает, что финансовый сектор примет генеративный ИИ быстрее, чем многие ожидают: в отличие от прежних платформенных сдвигов (интернет, мобильные технологии, облако), здесь и стартапы, и крупные игроки начнут внедрять технологию уже сейчас. Авторы выделяют пять направлений применения LLM: персонализированный клиентский опыт, снижение издержек операций, улучшение комплаенса, управление рисками, а также динамическое прогнозирование и отчётность. Приводятся примеры: LLM, обученная на 10 годах отчётов о подозрительной активности (SARs), способна выявлять схемы отмывания денег, а нынешний комплаенс при тратах в миллиарды долларов лишь на 3% эффективен против отмывания (ежегодно нелегально отмывается от $800 млрд до $2 трлн). Инкумбенты получат преимущество за счёт собственных данных, но будут сдерживаться высокими требованиями к точности и приватности, тогда как новые игроки начнут с публичных данных и используют ИИ как рычаг для дистрибуции продуктов. Ключевые вызовы — дообучение моделей на финансовых данных и точность вывода, поскольку модели не должны галлюцинировать; на старте человек останется в контуре как финальный проверяющий. Среди упомянутых примеров — BloombergGPT, Credit Karma, Vesta, а также провалы риск-менеджмента: Archegos, London Whale и Silicon Valley Bank.

translate EN + RU EN RU

Financial Services Will Embrace Generative AI Faster Than You Think

Финансовый сектор примет генеративный ИИ быстрее, чем вы думаете

日本語

Artificial intelligence and machine learning have been used in the financial services industry for more than a decade, enabling enhancements that range from better underwriting to improved foundational fraud scores. Generative AI via large language models (LLMs) represents a monumental leap and is transforming education, games, commerce, and more. While traditional AI/ML is focused on making predictions or classifications based on existing data, generative AI creates net-new content.

Искусственный интеллект и машинное обучение используются в индустрии финансовых услуг уже более десяти лет, обеспечивая улучшения в самых разных областях — от более качественного андеррайтинга до усовершенствованных базовых скоров для борьбы с мошенничеством. Генеративный ИИ на основе больших языковых моделей (LLM) представляет собой колоссальный скачок и уже преобразует образование, игры, торговлю и многое другое. Если традиционный ИИ/ML сосредоточен на прогнозах или классификации на основе существующих данных, то генеративный ИИ создаёт принципиально новый контент.

This ability to train LLMs on vast amounts of unstructured data, combined with essentially unlimited computational power, could yield the largest transformation the financial services market has seen in decades. Unlike other platform shifts—internet, mobile, cloud—where the financial services industry lagged in adoption, here we expect to see the best new companies and incumbents embrace generative AI, now.

Способность обучать LLM на огромных объёмах неструктурированных данных в сочетании с практически неограниченной вычислительной мощностью может привести к крупнейшей трансформации рынка финансовых услуг за последние десятилетия. В отличие от других платформенных сдвигов — интернета, мобильных технологий, облака, — где индустрия финансовых услуг отставала во внедрении, здесь мы ожидаем, что лучшие новые компании и крупные игроки примут генеративный ИИ уже сейчас.

Financial services companies have vast troves of historical financial data; if they use this data to fine-tune LLMs (or train them from scratch, like BloombergGPT), they will be able to quickly produce answers to almost any financial question. For example, an LLM trained on a company’s customer chats and some additional product specification data, should be able to instantly answer all questions about the company’s products, while an LLM trained on 10 years of a company’s Suspicious Activity Reports (SARs) should be able to identify a set of transactions that indicate a money-laundering scheme. We believe that the financial services sector is poised to use generative AI for five goals: personalized consumer experiences, cost-efficient operations, better compliance, improved risk management, and dynamic forecasting and reporting.

У финансовых компаний есть огромные массивы исторических финансовых данных; если они используют эти данные для дообучения LLM (или обучения их с нуля, как BloombergGPT), они смогут быстро формировать ответы практически на любой финансовый вопрос. Например, LLM, обученная на чатах с клиентами компании и дополнительных данных о спецификациях продуктов, сможет мгновенно отвечать на все вопросы о продуктах компании, а LLM, обученная на 10 годах отчётов о подозрительной активности компании (SARs), сможет выявлять набор транзакций, указывающих на схему отмывания денег. Мы считаем, что сектор финансовых услуг готов использовать генеративный ИИ для пяти целей: персонализированный клиентский опыт, экономически эффективные операции, более качественный комплаенс, улучшенное управление рисками, а также динамическое прогнозирование и отчётность.

In the battle between incumbents and startups, the incumbents will have an initial advantage when using AI to launch new products and improve operations, given their access to proprietary financial data, but they will ultimately be hampered by their high thresholds for accuracy and privacy. New entrants, on the other hand, may initially have to use public financial data to train their models, but they will quickly start generating their own data and grow into using AI as a wedge for new product distribution.

В противостоянии инкумбентов и стартапов у инкумбентов поначалу будет преимущество при использовании ИИ для запуска новых продуктов и улучшения операций — благодаря доступу к собственным финансовым данным, — но в конечном счёте их будут сдерживать высокие требования к точности и приватности. Новым же игрокам, напротив, на старте, возможно, придётся обучать свои модели на публичных финансовых данных, но они быстро начнут генерировать собственные данные и со временем будут использовать ИИ как рычаг для дистрибуции новых продуктов.

Let’s dive into the five goals to see how incumbents and startups could leverage generative AI.

Давайте подробно разберём эти пять целей, чтобы понять, как инкумбенты и стартапы могли бы использовать генеративный ИИ.

While consumer fintech companies have achieved an enormous amount of success over the past 10 years, they haven’t yet fulfilled their most ambitious promise: to optimize a consumer’s balance sheet and income statement, without a human in the loop. This promise remains unfulfilled because user interfaces are unable to fully capture the human context that influences financial decisions or provide advice and cross-selling in a way that helps humans make appropriate tradeoffs.

Хотя потребительские финтех-компании добились огромного успеха за последние 10 лет, они пока не реализовали своё самое амбициозное обещание: оптимизировать баланс и отчёт о доходах потребителя без участия человека. Это обещание остаётся невыполненным, потому что пользовательские интерфейсы не способны полностью уловить человеческий контекст, влияющий на финансовые решения, или давать советы и осуществлять кросс-продажи так, чтобы помогать людям делать правильный выбор компромиссов.

A great example of where non-obvious human context matters is how consumers prioritize paying bills during hardship. Consumers tend to consider both utility and brand when making such decisions, and the interplay of these two factors makes it complicated to create an experience that can fully capture how to optimize this decision. This makes it difficult to provide best-in-class credit coaching, for example, without the involvement of a human employee. While experiences like Credit Karma’s can bring customers along for 80% of the journey, the remaining 20% becomes an uncanny valley where further attempts to capture the context tend to be overly narrow or use false precision, breaking consumer trust.

Отличный пример того, где важен неочевидный человеческий контекст, — то, как потребители расставляют приоритеты при оплате счетов в трудные времена. Принимая такие решения, потребители обычно учитывают как практическую пользу, так и бренд, и взаимодействие этих двух факторов усложняет создание опыта, который мог бы полностью отразить, как оптимизировать это решение. Из-за этого, например, трудно обеспечить лучший в своём классе кредитный коучинг без участия живого сотрудника. Хотя сервисы вроде Credit Karma могут провести клиентов через 80% пути, оставшиеся 20% превращаются в «зловещую долину», где дальнейшие попытки уловить контекст оказываются либо слишком узкими, либо используют ложную точность, подрывая доверие потребителей.

Similar shortcomings exist in modern wealth management and tax preparation. In wealth management, human advisors beat fintech solutions, even those narrowly focused on specific asset classes and strategies, because humans are heavily influenced by idiosyncratic hopes, dreams, and fears. This is why human advisors have historically been able to tailor their advice for their clients better than most fintech systems. In the case of taxes, even with the help of modern software, Americans spend over 6 billion hours on their taxes, make 12 million mistakes, and often omit income or forgo a benefit they were not aware of, such as potentially deducting work-travel expenses.

Похожие недостатки существуют и в современном управлении капиталом и подготовке налоговых деклараций. В управлении капиталом живые консультанты превосходят финтех-решения, даже те, что узко сфокусированы на конкретных классах активов и стратегиях, потому что на людей сильно влияют их индивидуальные надежды, мечты и страхи. Именно поэтому консультанты-люди исторически могли адаптировать свои советы для клиентов лучше, чем большинство финтех-систем. Что касается налогов, то даже с помощью современного ПО американцы тратят более 6 миллиардов часов на свои налоги, совершают 12 миллионов ошибок и нередко не указывают доход или упускают льготу, о которой не знали, — например, возможность вычесть командировочные расходы.

LLMs provide a tidy solution to these problems with a better understanding and thus a better navigation of consumers’ financial decisions. These systems can answer questions (“Why is part of my portfolio in muni bonds?”), evaluate tradeoffs (“How should I think about duration risk versus yield?”), and ultimately factor human context into decision making (“Can you build a plan that’s flexible enough to help financially support my aging parents at some point in the future?”). These capabilities should transform consumer fintech from a high-value, but narrowly focused set of use cases to another where apps can help consumers optimize their entire financial lives.

LLM предлагают изящное решение этих проблем за счёт лучшего понимания и, следовательно, более удачной навигации в финансовых решениях потребителей. Эти системы могут отвечать на вопросы («Почему часть моего портфеля вложена в муниципальные облигации?»), оценивать компромиссы («Как мне думать о риске дюрации в сравнении с доходностью?») и в конечном счёте учитывать человеческий контекст при принятии решений («Можешь составить план, достаточно гибкий, чтобы в какой-то момент в будущем помочь мне финансово поддержать стареющих родителей?»). Эти возможности должны превратить потребительский финтех из набора ценных, но узко сфокусированных сценариев в нечто иное — где приложения смогут помогать потребителям оптимизировать всю их финансовую жизнь.

–Anish Acharya and Sumeet Singh

–Anish Acharya и Sumeet Singh

In a world where generative AI tools can permeate a bank, Sally should be continuously underwritten so that the moment she decides to buy a home, she has a pre-approved mortgage.

В мире, где инструменты генеративного ИИ могут пронизывать весь банк, Салли должна непрерывно проходить андеррайтинг, чтобы в момент, когда она решит купить дом, у неё уже была предодобренная ипотека.

Unfortunately, this world doesn’t yet exist for three main reasons:

К сожалению, такого мира пока не существует по трём основным причинам:

First, consumer information lives in multiple different databases. This makes cross-selling and predicting consumer needs highly challenging.

Second, financial services are highly considered emotional purchases with often complex and hard-to-automate decision trees. This means banks must employ large customer service teams to answer their customers’ many questions about what financial products are best for them, based on their individual situations.

Third, financial services are highly regulated. This means human employees like loan officers and processors must be in the loop with every available product (e.g., mortgages) to ensure compliance with complex, but unstructured laws.

Во-первых, информация о потребителе хранится в множестве разных баз данных. Это сильно усложняет кросс-продажи и прогнозирование потребностей клиента. Во-вторых, финансовые услуги — это тщательно обдумываемые эмоциональные покупки с часто сложными и трудно автоматизируемыми деревьями решений. Это значит, что банки вынуждены содержать большие команды клиентской поддержки, чтобы отвечать на множество вопросов клиентов о том, какие финансовые продукты лучше всего подходят именно им в их индивидуальной ситуации. В-третьих, финансовые услуги жёстко регулируются. Это означает, что живые сотрудники, такие как кредитные специалисты и обработчики, должны быть вовлечены в работу с каждым доступным продуктом (например, ипотекой), чтобы обеспечить соответствие сложным, но неструктурированным законам.

Generative AI will make the labor-intensive functions of pulling data from multiple locations, and understanding unstructured personalized situations and unstructured compliance laws, 1000x more efficient. For example:

Генеративный ИИ сделает трудоёмкие функции — извлечение данных из множества источников, понимание неструктурированных персональных ситуаций и неструктурированных законов о комплаенсе — в 1000 раз эффективнее. Например:

Customer service agents: At every bank, thousands of customer service agents must be painstakingly trained on the bank’s products and related compliance requirements to be able to answer customer questions. Now imagine a new customer service representative starts, and they have the benefit of having access to an LLM that’s been trained on the last 10 years of customer service calls across all departments of the bank. The rep could use the model to quickly generate the correct answer to any question and help them speak more intelligently about a wider range of products while simultaneously reducing the amount of time needed to train them. An incumbent would want to ensure that their proprietary data and customer-specific PII was not used to improve a general LLM that other companies could use. New entrants would have to be creative on how to bootstrap a dataset.

Loan officers: Loan officers currently pull data from nearly a dozen different systems to generate a loan file. A generative AI model could be trained on data from all of these systems, so that a loan officer could simply provide a customer name and the loan file would be instantly generated for them. A loan officer would likely still be required to ensure 100% accuracy, but their data-gathering process would be much more efficient and accurate.

Quality assurance: Much of the QA at banks and fintech companies involves ensuring full compliance with numerous regulatory bodies. Generative AI could dramatically speed up this process. For example, Vesta could incorporate a generative AI model trained with the Fannie Mae selling guide to instantly alert a mortgage loan officer of compliance issues. As many of the regulatory guides are publicly available, this may provide an interesting wedge for new market entrants. However, the real value will still accrue to the companies who own the workflow engine.

Агенты клиентской поддержки: В каждом банке тысячи агентов клиентской поддержки приходится кропотливо обучать продуктам банка и связанным с ними требованиям комплаенса, чтобы они могли отвечать на вопросы клиентов. А теперь представьте, что приходит новый сотрудник поддержки и у него есть преимущество — доступ к LLM, обученной на звонках клиентской поддержки за последние 10 лет по всем отделам банка. Сотрудник мог бы использовать модель, чтобы быстро сформировать верный ответ на любой вопрос и говорить более компетентно о более широком наборе продуктов, одновременно сокращая время, необходимое на его обучение. Инкумбент захочет убедиться, что его собственные данные и персональные данные клиентов (PII) не используются для улучшения общедоступной LLM, которой могли бы воспользоваться другие компании. Новым игрокам придётся проявить изобретательность в том, как собрать стартовый набор данных. Кредитные специалисты: Сейчас кредитные специалисты извлекают данные почти из десятка разных систем, чтобы сформировать кредитное досье. Генеративную ИИ-модель можно обучить на данных из всех этих систем, так что кредитному специалисту достаточно будет указать имя клиента — и кредитное досье будет сформировано мгновенно. Кредитному специалисту, вероятно, всё ещё придётся обеспечивать 100% точность, но процесс сбора данных станет гораздо эффективнее и точнее. Контроль качества: Большая часть контроля качества в банках и финтех-компаниях связана с обеспечением полного соответствия требованиям многочисленных регуляторов. Генеративный ИИ мог бы резко ускорить этот процесс. Например, Vesta могла бы внедрить генеративную ИИ-модель, обученную на руководстве по продажам Fannie Mae, чтобы мгновенно предупреждать ипотечного кредитного специалиста о проблемах с комплаенсом. Поскольку многие регуляторные руководства находятся в открытом доступе, это может стать интересным рычагом для новых игроков рынка. Однако реальная ценность всё равно будет накапливаться у компаний, которые владеют движком рабочих процессов.

These are all steps that will lead to a world where Sally can have instant access to a potential mortgage.

Всё это шаги, которые приведут к миру, где Салли сможет получить мгновенный доступ к потенциальной ипотеке.

–Angela Strange, Alex Rampell, and Marc Andrusko

–Angela Strange, Alex Rampell и Marc Andrusko

Future compliance departments that embrace generative AI could potentially stop the $800 billion to $2 trillion that is illegally laundered worldwide every year. Drug trafficking, organized crime, and other illicit activities would all see their most dramatic reduction in decades.

Будущие отделы комплаенса, которые возьмут на вооружение генеративный ИИ, потенциально могли бы пресечь отмывание от $800 миллиардов до $2 триллионов, которые нелегально отмываются по всему миру ежегодно. Наркоторговля, организованная преступность и другая незаконная деятельность столкнулись бы с самым резким сокращением за десятилетия.

Today, the billions of dollars currently spent on compliance is only 3% effective in stopping criminal money laundering. Compliance software is built on mostly “hard-coded” rules. For instance, anti-money laundering systems enable compliance officers to run rules like “flag any transactions over $10K” or scan for other predefined suspicious activity. Applying such rules can be an imperfect science, leading to most financial institutions being flooded with false positives that they are legally required to investigate. Compliance employees spend much of their time gathering customer information from different systems and departments to investigate each flagged transaction. To avoid hefty fines, they employ thousands, often comprising more than 10% of a bank’s workforce.

Сегодня миллиарды долларов, которые тратятся на комплаенс, лишь на 3% эффективны в пресечении криминального отмывания денег. ПО для комплаенса построено в основном на «жёстко прописанных» правилах. Например, системы по борьбе с отмыванием денег позволяют офицерам комплаенса запускать правила вроде «помечать любые транзакции свыше $10 тыс.» или сканировать на предмет иной заранее заданной подозрительной активности. Применение таких правил может быть несовершенной наукой, из-за чего большинство финансовых учреждений захлёстывают ложные срабатывания, которые они по закону обязаны расследовать. Сотрудники комплаенса тратят большую часть времени на сбор информации о клиентах из разных систем и отделов, чтобы расследовать каждую помеченную транзакцию. Чтобы избежать крупных штрафов, они нанимают тысячи людей, нередко составляющих более 10% штата банка.

A future with generative AI could enable:

Будущее с генеративным ИИ могло бы обеспечить:

Efficient screening: A generative AI model could bring a summary of key information across disparate systems on any individual quickly to a compliance officer’s fingertips—allowing compliance officers to more quickly come to an answer on if a transaction was an issue.

Better predicting launderers: Now imagine a model trained on the last 10 years of Suspicious Activity Reports (SARs). Without needing to tell the model specifically what a launderer is, AI could be used to detect new patterns in the reports and create its own definitions of what constitutes a money launderer.

Faster document analysis: Compliance departments are responsible for ensuring that a company’s internal policies and procedures are followed, as well as adhering to regulatory requirements. Generative AI can analyze large volumes of documents, such as contracts, reports, and emails, and flag potential issues or areas of concern that require further investigation.

Training and education: Generative AI can be used to develop training materials and simulate real-world scenarios to educate compliance officers on best practices and how to identify potential risks and non-compliant behavior.

Эффективный скрининг: Генеративная ИИ-модель могла бы быстро предоставить офицеру комплаенса сводку ключевой информации о любом человеке из разрозненных систем — позволяя офицерам комплаенса быстрее приходить к выводу о том, представляет ли транзакция проблему. Более точное выявление отмывателей: А теперь представьте модель, обученную на отчётах о подозрительной активности (SARs) за последние 10 лет. Без необходимости явно объяснять модели, кто такой отмыватель, ИИ можно было бы использовать для обнаружения новых закономерностей в отчётах и формирования собственных определений того, что считается отмывателем денег. Более быстрый анализ документов: Отделы комплаенса отвечают за соблюдение внутренних политик и процедур компании, а также за следование регуляторным требованиям. Генеративный ИИ может анализировать большие объёмы документов — таких как контракты, отчёты и электронные письма — и помечать потенциальные проблемы или зоны риска, требующие дальнейшего расследования. Обучение и образование: Генеративный ИИ можно использовать для разработки обучающих материалов и моделирования реальных сценариев, чтобы обучать офицеров комплаенса лучшим практикам и тому, как выявлять потенциальные риски и несоответствующее поведение.

New entrants can bootstrap with publicly available compliance data from dozens of agencies, and make search and synthesis faster and more accessible. Larger companies benefit from years of collected data, but they will need to design the appropriate privacy features. Compliance has long been considered a growing cost center supported by antiquated technology. Generative AI will change this.

Новые игроки могут стартовать с публично доступных данных по комплаенсу из десятков ведомств и сделать поиск и синтез информации быстрее и доступнее. Крупные компании выигрывают за счёт многолетних накопленных данных, но им потребуется продумать соответствующие механизмы приватности. Комплаенс долгое время считался растущим центром затрат, поддерживаемым устаревшими технологиями. Генеративный ИИ это изменит.

–Angela Strange and Joe Schmidt

–Angela Strange и Joe Schmidt

Archegos and the London Whale may sound like creatures from Greek mythology, but both represent very real failures of risk management that cost several of the world’s largest banks billions in losses. Toss in the much more recent example of Silicon Valley Bank, and it becomes clear that risk management continues to be a challenge for many of our leading financial institutions.

Archegos и London Whale могут звучать как существа из греческой мифологии, но оба представляют собой вполне реальные провалы в управлении рисками, которые стоили нескольким крупнейшим банкам мира миллиардов убытков. Добавьте сюда гораздо более свежий пример Silicon Valley Bank — и становится ясно, что управление рисками остаётся вызовом для многих наших ведущих финансовых учреждений.

While advances in AI are incapable of eliminating credit, markets, liquidity, and operational risks entirely, we believe that this technology can play a significant role in helping financial institutions more quickly identify, plan for, and respond when these risks inevitably arise. Tactically, here are a few areas where we believe AI can help drive more efficient risk management:

Хотя достижения в области ИИ не способны полностью устранить кредитные, рыночные, ликвидные и операционные риски, мы считаем, что эта технология может сыграть значительную роль, помогая финансовым учреждениям быстрее выявлять эти риски, планировать на случай их возникновения и реагировать, когда они неизбежно проявляются. С тактической точки зрения вот несколько областей, где, по нашему мнению, ИИ может способствовать более эффективному управлению рисками:

Natural language processing: LLM models like ChatGPT could help process large amounts of unstructured data, such as news articles, market reports, and analyst research, providing a more complete view of market and counterparty risks.

Real-time insights: Immediate visibility into market conditions, geopolitical events, and other risk factors could allow firms to adapt to changing conditions more rapidly.

Predictive analytics: The ability to run significantly more complex scenarios and provide early warnings could help firms more proactively manage exposures.

Integration: Integrating disparate systems and using AI to synthesize information could help deliver a more complete view of risk exposure and streamline risk-management processes.

Обработка естественного языка: LLM-модели вроде ChatGPT могли бы помочь обрабатывать большие объёмы неструктурированных данных — таких как новостные статьи, рыночные отчёты и аналитические исследования, — обеспечивая более полное представление о рыночных рисках и рисках контрагентов. Инсайты в реальном времени: Немедленная видимость рыночных условий, геополитических событий и других факторов риска могла бы позволить компаниям быстрее адаптироваться к меняющимся условиям. Предиктивная аналитика: Способность прогонять значительно более сложные сценарии и давать ранние предупреждения могла бы помочь компаниям проактивнее управлять своими рисковыми позициями. Интеграция: Интеграция разрозненных систем и использование ИИ для синтеза информации могли бы помочь обеспечить более полное представление о подверженности рискам и оптимизировать процессы управления рисками.

–David Haber and Marc Andrusko

–David Haber и Marc Andrusko

In addition to being able to help with answering financial questions, LLMs can also help financial services teams improve their own internal processes, simplifying the everyday work flow of their finance teams. Despite advancements in practically every other aspect of finance, the everyday work flow of modern finance teams continues to be driven by manual processes like Excel, email, and business intelligence tools that require human inputs. Basic tasks have yet to be automated due to a lack of data science resources, and CFOs and their direct reports consequently spend too much time on time-consuming record-keeping and reporting tasks, when they should be focused on top-of-pyramid strategic decisions.

Помимо помощи в ответах на финансовые вопросы, LLM могут также помочь командам финансовых служб улучшить собственные внутренние процессы, упрощая повседневную работу их финансовых отделов. Несмотря на достижения практически во всех остальных аспектах финансов, повседневная работа современных финансовых команд по-прежнему держится на ручных процессах вроде Excel, электронной почты и инструментов бизнес-аналитики, требующих участия человека. Базовые задачи до сих пор не автоматизированы из-за нехватки ресурсов в области data science, и в результате финансовые директора (CFO) и их подчинённые тратят слишком много времени на трудоёмкое ведение учёта и подготовку отчётности, тогда как им следовало бы сосредоточиться на стратегических решениях верхнего уровня.

Broadly, generative AI can help these teams pull in data across more sources and automate the process of highlighting trends and generating forecasts and reporting. A few examples include:

В целом генеративный ИИ может помочь этим командам подтягивать данные из большего числа источников и автоматизировать процесс выявления трендов, формирования прогнозов и отчётности. Вот несколько примеров:

Forecasting: Generative AI can help write formulas and queries in Excel, SQL, and BI tools that can automate analysis. Moreover, such tools can help surface patterns and suggest inputs for forecasts from a broader set of data with more complex scenarios (i.e., factor in macroeconomics) and suggest how to adapt those models more easily, to inform company decision making.

Reporting: Instead of spending time manually pulling data and analysis into both external and internal reports (e.g., board decks, investor reports, weekly dashboards), generative AI can help automate the creation of text, charts, graphs, and more, adapting such reporting based on different examples.

Accounting and tax: Both accounting and tax teams spend time consulting the rules and understanding how to apply them. Generative AI can help synthesize, summarize, and suggest potential answers about the tax code and potential deductions.

Procurement and payables: Generative AI can help auto-generate and adapt contracts, purchase orders and invoices, and reminders.

Прогнозирование: Генеративный ИИ может помочь писать формулы и запросы в Excel, SQL и BI-инструментах, способные автоматизировать анализ. Более того, такие инструменты могут помочь выявлять закономерности и предлагать входные данные для прогнозов на основе более широкого набора данных с более сложными сценариями (например, с учётом макроэкономики), а также подсказывать, как проще адаптировать эти модели для принятия решений в компании. Отчётность: Вместо того чтобы тратить время на ручное сведение данных и анализа во внешние и внутренние отчёты (например, презентации для совета директоров, отчёты для инвесторов, еженедельные дашборды), генеративный ИИ может помочь автоматизировать создание текста, диаграмм, графиков и многого другого, адаптируя такую отчётность на основе разных примеров. Бухгалтерия и налоги: И бухгалтерские, и налоговые команды тратят время на изучение правил и на то, как их применять. Генеративный ИИ может помочь синтезировать, обобщать и предлагать возможные ответы по налоговому кодексу и потенциальным вычетам. Закупки и кредиторская задолженность: Генеративный ИИ может помочь автоматически формировать и адаптировать контракты, заказы на закупку, счета и напоминания.

That said, it’s important to be mindful of the current limitations of generative AI’s output here—specifically around areas that require judgment or a precise answer, as is often needed for a finance team. Generative AI models continue to improve at computation, but they cannot yet be relied on for complete accuracy, or at least need human review. As the models improve quickly, with additional training data and with the ability to augment with math modules, new possibilities are opened up for its use.

При этом важно помнить о текущих ограничениях вывода генеративного ИИ — особенно в областях, требующих суждения или точного ответа, что часто необходимо финансовой команде. Модели генеративного ИИ продолжают совершенствоваться в вычислениях, но на них пока нельзя полагаться в плане полной точности — или, по меньшей мере, они требуют проверки человеком. По мере того как модели быстро улучшаются — благодаря дополнительным обучающим данным и возможности дополнять их математическими модулями, — открываются новые возможности их применения.

–Seema Amble

Across these five trends, new entrants and incumbents face two primary challenges in making this generative AI future a reality.

По всем этим пяти трендам новые игроки и инкумбенты сталкиваются с двумя основными вызовами на пути к воплощению этого будущего с генеративным ИИ.

Training LLMs with financial data: LLMs are currently trained on the internet. Financial services use cases will require fine-tuning these models with use case-specific financial data. New entrants will probably start refining their models with public company financials, regulatory papers, and other sources of easily accessible public financial data, before eventually using their own data as they collect it over time. Existing players, like banks or large platforms with financial services operations (e.g., Lyft), can leverage their existing and proprietary data, potentially giving them an initial advantage. Existing financial services companies, however, tend to be overly conservative when it comes to embracing large platform shifts. This gives, in our view, the competitive edge to unencumbered new entrants.

Model output accuracy: Given the impact the answer to a financial question can have on individuals, companies, and society, these new AI models need to be as accurate as possible. They can’t hallucinate, or make up, wrong but confident-sounding answers to critical questions about one’s taxes or financial health, and they need to be far more accurate than the approximate answers for popular culture queries or generic high school essays. To start, there will often be a human in the loop as a final verification for an AI-generated answer.

Обучение LLM на финансовых данных: Сейчас LLM обучаются на интернете. Сценарии для финансовых услуг потребуют дообучения этих моделей на специфичных для конкретного сценария финансовых данных. Новые игроки, вероятно, начнут дорабатывать свои модели на финансовой отчётности публичных компаний, регуляторных документах и других легкодоступных публичных финансовых данных, прежде чем со временем перейдут к использованию собственных данных по мере их накопления. Существующие игроки — например, банки или крупные платформы с подразделениями финансовых услуг (например, Lyft) — могут задействовать свои уже имеющиеся и проприетарные данные, что потенциально даёт им начальное преимущество. Однако существующие финансовые компании склонны быть чрезмерно консервативными, когда речь идёт о принятии крупных платформенных сдвигов. На наш взгляд, это даёт конкурентное преимущество ничем не обременённым новым игрокам. Точность вывода модели: Учитывая влияние, которое ответ на финансовый вопрос может оказать на отдельных людей, компании и общество, эти новые ИИ-модели должны быть максимально точными. Они не могут галлюцинировать, то есть выдумывать неверные, но уверенно звучащие ответы на критически важные вопросы о чьих-то налогах или финансовом здоровье, и они должны быть гораздо точнее приблизительных ответов на запросы о поп-культуре или типовых школьных сочинений. На первых порах в контуре часто будет присутствовать человек как финальная проверка для ответа, сгенерированного ИИ.

The advent of generative AI is a dramatic platform change for financial services companies with the potential to give rise to personalized customer solutions, more cost-efficient operations, better compliance, and improved risk management, as well as more dynamic forecasting and reporting. Incumbents and startups will battle for mastery of the two critical challenges we have outlined above. While we don’t yet know who will emerge victorious, we do know there is already one clear winner: the consumers of future financial services.

Появление генеративного ИИ — это радикальная смена платформы для компаний финансовых услуг, способная породить персонализированные клиентские решения, более экономически эффективные операции, более качественный комплаенс и улучшенное управление рисками, а также более динамичное прогнозирование и отчётность. Инкумбенты и стартапы будут бороться за первенство в решении двух ключевых задач, которые мы обозначили выше. Хотя мы пока не знаем, кто выйдет победителем, мы точно знаем, что один явный победитель уже есть: потребители будущих финансовых услуг.

The views expressed here are those of the individual AH Capital Management, L.L.C. (“a16z”) personnel quoted and are not the views of a16z or its affiliates. Certain information contained in here has been obtained from third-party sources, including from portfolio companies of funds managed by a16z. While taken from sources believed to be reliable, a16z has not independently verified such information and makes no representations about the enduring accuracy of the information or its appropriateness for a given situation. In addition, this content may include third-party advertisements; a16z has not reviewed such advertisements and does not endorse any advertising content contained therein.

Высказанные здесь взгляды принадлежат отдельным сотрудникам AH Capital Management, L.L.C. («a16z»), которых цитируют, и не являются взглядами a16z или её аффилированных лиц. Определённая информация, содержащаяся здесь, была получена из сторонних источников, в том числе от портфельных компаний фондов, управляемых a16z. Хотя информация взята из источников, считающихся надёжными, a16z не проверяла её независимо и не делает заявлений о неизменной точности информации или её пригодности для конкретной ситуации. Кроме того, данный контент может включать стороннюю рекламу; a16z не проверяла такую рекламу и не одобряет какое-либо рекламное содержание, в ней представленное.

This content is provided for informational purposes only, and should not be relied upon as legal, business, investment, or tax advice. You should consult your own advisers as to those matters. References to any securities or digital assets are for illustrative purposes only, and do not constitute an investment recommendation or offer to provide investment advisory services. Furthermore, this content is not directed at nor intended for use by any investors or prospective investors, and may not under any circumstances be relied upon when making a decision to invest in any fund managed by a16z. (An offering to invest in an a16z fund will be made only by the private placement memorandum, subscription agreement, and other relevant documentation of any such fund and should be read in their entirety.) Any investments or portfolio companies mentioned, referred to, or described are not representative of all investments in vehicles managed by a16z, and there can be no assurance that the investments will be profitable or that other investments made in the future will have similar characteristics or results. A list of investments made by funds managed by Andreessen Horowitz (excluding investments for which the issuer has not provided permission for a16z to disclose publicly as well as unannounced investments in publicly traded digital assets) is available at https://a16z.com/investments/.

Этот контент предоставляется исключительно в информационных целях и не должен рассматриваться как юридическая, деловая, инвестиционная или налоговая консультация. По этим вопросам вам следует проконсультироваться с собственными советниками. Упоминания любых ценных бумаг или цифровых активов приводятся исключительно в иллюстративных целях и не являются инвестиционной рекомендацией или предложением предоставить услуги инвестиционного консультирования. Более того, этот контент не направлен и не предназначен для использования какими-либо инвесторами или потенциальными инвесторами и ни при каких обстоятельствах не может служить основанием при принятии решения об инвестировании в какой-либо фонд, управляемый a16z. (Предложение об инвестировании в фонд a16z будет сделано только посредством меморандума о частном размещении, договора подписки и иной соответствующей документации любого такого фонда, и их следует читать полностью.) Любые упомянутые, указанные или описанные инвестиции или портфельные компании не являются репрезентативными для всех инвестиций в инструменты, управляемые a16z, и не может быть никаких гарантий, что инвестиции окажутся прибыльными или что иные инвестиции, сделанные в будущем, будут иметь схожие характеристики или результаты. Список инвестиций, сделанных фондами под управлением Andreessen Horowitz (за исключением инвестиций, по которым эмитент не дал a16z разрешения на публичное раскрытие, а также необъявленных инвестиций в публично торгуемые цифровые активы), доступен по адресу https://a16z.com/investments/.

Charts and graphs provided within are for informational purposes solely and should not be relied upon when making any investment decision. Past performance is not indicative of future results. The content speaks only as of the date indicated. Any projections, estimates, forecasts, targets, prospects, and/or opinions expressed in these materials are subject to change without notice and may differ or be contrary to opinions expressed by others. Please see https://a16z.com/disclosures for additional important information.

Приведённые здесь диаграммы и графики предоставляются исключительно в информационных целях и не должны служить основанием при принятии какого-либо инвестиционного решения. Прошлые результаты не являются показателем будущих результатов. Содержание актуально только на указанную дату. Любые проекции, оценки, прогнозы, цели, перспективы и/или мнения, выраженные в этих материалах, могут изменяться без уведомления и могут отличаться или противоречить мнениям, выраженным другими. Дополнительную важную информацию см. на https://a16z.com/disclosures.

Angela Strange

is a general partner at Andreessen Horowitz, where she focuses on financial services, insurance, and B2B software (with AI).

— генеральный партнёр Andreessen Horowitz, где она занимается финансовыми услугами, страхованием и B2B-софтом (с ИИ).

Anish Acharya

Anish Acharya is an entrepreneur and general partner at Andreessen Horowitz. At a16z, he focuses on consumer investing, including AI-native products and companies that will help usher in a new era of abundance.

Anish Acharya — предприниматель и генеральный партнёр Andreessen Horowitz. В a16z он занимается потребительскими инвестициями, включая AI-native продукты и компании, которые помогут ввести новую эру изобилия.

Sumeet Singh

is a partner at Andreessen Horowitz, investing at the intersection of fintech and other categories such as consumer social, marketplaces, commerce, and healthcare.

— партнёр Andreessen Horowitz, инвестирует на стыке финтеха и других категорий, таких как потребительские социальные сети, маркетплейсы, торговля и здравоохранение.

Alex Rampell

is a general partner at Andreessen Horowitz, where he leads the firm’s $1 billion Apps practice.

— генеральный партнёр Andreessen Horowitz, где он возглавляет направление приложений (Apps practice) фирмы объёмом $1 миллиард.

Marc Andrusko

is a partner at Andreessen Horowitz, where he focuses on B2B AI applications and fintech.

— партнёр Andreessen Horowitz, где он занимается B2B-приложениями на основе ИИ и финтехом.

Joe Schmidt

is a partner at Andreessen Horowitz, where he focuses on software, fintech, and insurtech investments.

— партнёр Andreessen Horowitz, где он занимается инвестициями в софт, финтех и иншуртех (insurtech).

David Haber

is a general partner at Andreessen Horowitz, where he focuses on technology investments in B2B software and financial services.

— генеральный партнёр Andreessen Horowitz, где он занимается технологическими инвестициями в B2B-софт и финансовые услуги.

Seema Amble

is a partner at Andreessen Horowitz, where she focuses on investments in B2B software and fintech.

— партнёр Andreessen Horowitz, где она занимается инвестициями в B2B-софт и финтех.

Banking on AI

BarbAIrians at the Gate: The Financial Opportunity of AI

Putting Data in a Corner: LLMs and Financial Services Data

In the Vault

Want More Fintech?

Хотите больше про финтех?

Commentary and analysis on recent news, and compelling trends in the fintech space.

Комментарии и аналитика по свежим новостям и интересным трендам в сфере финтеха.

Views expressed in “posts” (including podcasts, videos, and social media) are those of the individual a16z personnel quoted therein and are not the views of a16z Capital Management, L.L.C. (“a16z”) or its respective affiliates. a16z Capital Management is an investment adviser registered with the Securities and Exchange Commission. Registration as an investment adviser does not imply any special skill or training. The posts are not directed to any investors or potential investors, and do not constitute an offer to sell — or a solicitation of an offer to buy — any securities, and may not be used or relied upon in evaluating the merits of any investment.

Взгляды, выраженные в «постах» (включая подкасты, видео и социальные сети), принадлежат отдельным сотрудникам a16z, которых там цитируют, и не являются взглядами 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 (SEC). Регистрация в качестве инвестиционного советника не подразумевает наличия какого-либо особого мастерства или подготовки. Эти посты не адресованы каким-либо инвесторам или потенциальным инвесторам и не являются предложением о продаже — или приглашением сделать предложение о покупке — каких-либо ценных бумаг, и не могут использоваться или служить основанием при оценке достоинств какой-либо инвестиции.

The contents in here — and available on any associated distribution platforms and any public a16z online social media accounts, platforms, and sites (collectively, “content distribution outlets”) — should not be construed as or relied upon in any manner as investment, legal, tax, or other advice. You should consult your own advisers as to legal, business, tax, and other related matters concerning any investment. Any projections, estimates, forecasts, targets, prospects and/or opinions expressed in these materials are subject to change without notice and may differ or be contrary to opinions expressed by others. Any charts provided here or on a16z content distribution outlets are for informational purposes only, and should not be relied upon when making any investment decision. Certain information contained in here has been obtained from third-party sources, including from portfolio companies of funds managed by a16z. While taken from sources believed to be reliable, a16z has not independently verified such information and makes no representations about the enduring accuracy of the information or its appropriateness for a given situation. In addition, posts may include third-party advertisements; a16z has not reviewed such advertisements and does not endorse any advertising content contained therein. All content speaks only as of the date indicated.

Содержащееся 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 каким-либо образом как инвестиционная, юридическая, налоговая или иная консультация. По юридическим, деловым, налоговым и иным сопутствующим вопросам, касающимся любой инвестиции, вам следует проконсультироваться с собственными советниками. Любые проекции, оценки, прогнозы, цели, перспективы и/или мнения, выраженные в этих материалах, могут изменяться без уведомления и могут отличаться или противоречить мнениям, выраженным другими. Любые приведённые здесь или на каналах распространения контента a16z диаграммы предоставляются исключительно в информационных целях и не должны служить основанием при принятии какого-либо инвестиционного решения. Определённая информация, содержащаяся здесь, была получена из сторонних источников, в том числе от портфельных компаний фондов, управляемых a16z. Хотя информация взята из источников, считающихся надёжными, a16z не проверяла её независимо и не делает заявлений о неизменной точности информации или её пригодности для конкретной ситуации. Кроме того, посты могут включать стороннюю рекламу; a16z не проверяла такую рекламу и не одобряет какое-либо рекламное содержание, в ней представленное. Всё содержание актуально только на указанную дату.

Under no circumstances should any posts or other information provided on this website — or on associated content distribution outlets — be construed as an offer soliciting the purchase or sale of any security or interest in any pooled investment vehicle sponsored, discussed, or mentioned by a16z personnel. Nor should it be construed as an offer to provide investment advisory services; an offer to invest in an a16z-managed pooled investment vehicle will be made separately and only by means of the confidential offering documents of the specific pooled investment vehicles — which should be read in their entirety, and only to those who, among other requirements, meet certain qualifications under federal securities laws. Such investors, defined as accredited investors and qualified purchasers, are generally deemed capable of evaluating the merits and risks of prospective investments and financial matters.

Ни при каких обстоятельствах никакие посты или иная информация, предоставленная на этом сайте — или на 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 инструменте, спонсируемом, обсуждаемом или упоминаемом сотрудниками a16z. Равно как это не должно толковаться как предложение предоставить услуги инвестиционного консультирования; предложение инвестировать в управляемый a16z объединённый инвестиционный инструмент будет сделано отдельно и только посредством конфиденциальных документов о размещении конкретных объединённых инвестиционных инструментов — которые следует читать полностью и только тем, кто, помимо прочих требований, соответствует 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.

There can be no assurances that a16z’s investment objectives will be achieved or investment strategies will be successful. Any investment in a vehicle managed by a16z involves a high degree of risk including the risk that the entire amount invested is lost. Any investments or portfolio companies mentioned, referred to, or described are not representative of all investments in vehicles managed by a16z and there can be no assurance that the investments will be profitable or that other investments made in the future will have similar characteristics or results. A list of investments made by funds managed by a16z is available here: https://a16z.com/investments/. Past results of a16z’s investments, pooled investment vehicles, or investment strategies are not necessarily indicative of future results. Excluded from this list are investments (and certain publicly traded cryptocurrencies/ digital assets) for which the issuer has not provided permission for a16z to disclose publicly. As for its investments in any cryptocurrency or token project, a16z is acting in its own financial interest, not necessarily in the interests of other token holders. a16z has no special role in any of these projects or power over their management. a16z does not undertake to continue to have any involvement in these projects other than as an investor and token holder, and other token holders should not expect that it will or rely on it to have any particular involvement.

Не может быть никаких гарантий, что инвестиционные цели a16z будут достигнуты или что инвестиционные стратегии окажутся успешными. Любая инвестиция в инструмент, управляемый a16z, сопряжена с высокой степенью риска, включая риск потери всей вложенной суммы. Любые упомянутые, указанные или описанные инвестиции или портфельные компании не являются репрезентативными для всех инвестиций в инструменты, управляемые a16z, и не может быть никаких гарантий, что инвестиции окажутся прибыльными или что иные 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, объединённых инвестиционных инструментов или инвестиционных стратегий a16z не обязательно являются показателем будущих результатов. Из этого списка исключены инвестиции (и определённые публично торгуемые криптовалюты/цифровые активы), по которым эмитент не дал a16z разрешения на публичное раскрытие. Что касается её инвестиций в любой криптовалютный или токен-проект, a16z действует в собственных финансовых интересах, не обязательно в интересах других держателей токенов. a16z не играет особой роли ни в одном из этих проектов и не имеет власти над их управлением. a16z не обязуется и далее иметь какое-либо участие в этих проектах, кроме как в качестве инвестора и держателя токенов, и другим держателям токенов не следует ожидать, что она будет иметь какое-либо конкретное участие, или полагаться на это.

With respect to funds managed by a16z that are registered in Japan, a16z will provide to any member of the Japanese public a copy of such documents as are required to be made publicly available pursuant to Article 63 of the Financial Instruments and Exchange Act of Japan. Please contact compliance@a16z.com to request such documents.

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. Чтобы запросить такие документы, пожалуйста, свяжитесь с compliance@a16z.com.

For other site terms of use, please go here. Additional important information about a16z, including our Form ADV Part 2A Brochure, is available at the SEC’s website: http://www.adviserinfo.sec.gov.

С остальными условиями использования сайта можно ознакомиться здесь. Дополнительная важная информация об a16z, включая нашу брошюру Form ADV Part 2A, доступна на сайте SEC: http://www.adviserinfo.sec.gov.