Financial Services Will Embrace Generative AI Faster Than You Think | Andreessen Horowitz
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.
Финансовый сектор примет генеративный ИИ быстрее, чем вы думаете
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.
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.
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.
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.
Давайте подробно разберём эти пять целей, чтобы понять, как инкумбенты и стартапы могли бы использовать генеративный ИИ.
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.
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.
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.
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 и Sumeet Singh
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.
К сожалению, такого мира пока не существует по трём основным причинам:
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.
Генеративный ИИ сделает трудоёмкие функции — извлечение данных из множества источников, понимание неструктурированных персональных ситуаций и неструктурированных законов о комплаенсе — в 1000 раз эффективнее. Например:
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.
Всё это шаги, которые приведут к миру, где Салли сможет получить мгновенный доступ к потенциальной ипотеке.
–Angela Strange, Alex Rampell и Marc Andrusko
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.
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.
Будущее с генеративным ИИ могло бы обеспечить:
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.
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 и Joe Schmidt
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.
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:
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 и Marc Andrusko
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.
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:
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.
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
По всем этим пяти трендам новые игроки и инкумбенты сталкиваются с двумя основными вызовами на пути к воплощению этого будущего с генеративным ИИ.
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.
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.
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.
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/.
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
— генеральный партнёр Andreessen Horowitz, где она занимается финансовыми услугами, страхованием и B2B-софтом (с ИИ).
Anish Acharya
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
— партнёр Andreessen Horowitz, инвестирует на стыке финтеха и других категорий, таких как потребительские социальные сети, маркетплейсы, торговля и здравоохранение.
Alex Rampell
— генеральный партнёр Andreessen Horowitz, где он возглавляет направление приложений (Apps practice) фирмы объёмом $1 миллиард.
Marc Andrusko
— партнёр Andreessen Horowitz, где он занимается B2B-приложениями на основе ИИ и финтехом.
Joe Schmidt
— партнёр Andreessen Horowitz, где он занимается инвестициями в софт, финтех и иншуртех (insurtech).
David Haber
— генеральный партнёр Andreessen Horowitz, где он занимается технологическими инвестициями в B2B-софт и финансовые услуги.
Seema Amble
— партнёр Andreessen Horowitz, где она занимается инвестициями в B2B-софт и финтех.
Хотите больше про финтех?
Комментарии и аналитика по свежим новостям и интересным трендам в сфере финтеха.
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.
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.
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.
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.
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.
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.