ستشمل الخدمات المالية الذكاء الاصطناعي التوليدي بشكل أسرع مما تعتقد

تم استخدام الذكاء الاصطناعي والتعلم الآلي في صناعة الخدمات المالية لأكثر من عقد ، مما يتيح التحسينات التي تتراوح من الاكتتاب الأفضل إلى تحسين درجات الاحتيال التأسيسي. الذكاء الاصطناعي التوليدي عبر نماذج اللغات الكبيرة (LLMs) يمثل قفزة هائلة ويتحول التعليم, ألعاب, تجارة، وأكثر من ذلك. بينما يركز الذكاء الاصطناعي / التعلم الآلي التقليدي على إجراء تنبؤات أو تصنيفات بناءً على البيانات الموجودة ، الذكاء الاصطناعي التوليدي يخلق صافي المحتوى الجديد.   

هذه القدرة على تدريب LLM على كميات هائلة من البيانات غير المهيكلة ، جنبًا إلى جنب مع قوة حسابية غير محدودة بشكل أساسي ، يمكن أن ينتج عنها أكبر تحول شهده سوق الخدمات المالية منذ عقود. على عكس التحولات الأخرى في الأنظمة الأساسية - الإنترنت والجوال والسحابة - حيث تأخرت صناعة الخدمات المالية في التبني ، نتوقع هنا أن نرى أفضل الشركات الجديدة والشركات الحالية تتبنى الذكاء الاصطناعي التوليدي الآن.   

تمتلك شركات الخدمات المالية مجموعة كبيرة من البيانات المالية التاريخية ؛ إذا استخدموا هذه البيانات لضبط LLM (أو تدريبهم من الصفر ، مثل بلومبرججبت) ، سيكونون قادرين على تقديم إجابات سريعة لأي سؤال مالي تقريبًا. على سبيل المثال ، يجب أن يكون LLM المدرب على محادثات العملاء في الشركة وبعض بيانات مواصفات المنتج الإضافية قادرًا على الإجابة على الفور على جميع الأسئلة حول منتجات الشركة ، بينما يجب أن يكون LLM الذي تم تدريبه على 10 سنوات من تقارير الأنشطة المشبوهة للشركة (SARs) قادرًا لتحديد مجموعة المعاملات التي تشير إلى وجود مخطط لغسيل الأموال. نعتقد أن قطاع الخدمات المالية مهيأ لاستخدام الذكاء الاصطناعي التوليفي من أجل خمسة أهداف: تجارب المستهلك الشخصية ، والعمليات الفعالة من حيث التكلفة ، والامتثال الأفضل ، وإدارة المخاطر المحسنة ، والتنبؤ الديناميكي وإعداد التقارير. 

Iن معركة بين شاغلي الوظائف والشركات الناشئة، ستتمتع شاغلو الوظائف بميزة أولية عند استخدام الذكاء الاصطناعي لإطلاق منتجات جديدة وتحسين العمليات ، نظرًا لوصولهم إلى البيانات المالية المسجلة الملكية ، لكنهم في النهاية سيعوقون بسبب الحدود العالية للدقة والخصوصية. من ناحية أخرى ، قد يضطر الوافدون الجدد في البداية إلى استخدام البيانات المالية العامة لتدريب نماذجهم ، لكنهم سيبدأون بسرعة في إنشاء بياناتهم الخاصة وينموون لاستخدام الذكاء الاصطناعي كوسيلة لتوزيع المنتجات الجديدة. 

دعونا نتعمق في الأهداف الخمسة لنرى كيف يمكن للشركات القائمة والشركات الناشئة الاستفادة من الذكاء الاصطناعي التوليدي.

بينما المستهلك وحققت شركات intech قدرًا هائلاً من النجاح على مدار السنوات العشر الماضية ، ولم تفِ بعد بأكثر وعودها طموحًا: لتحسين الميزانية العمومية للمستهلك وبيان الدخل ، دون وجود إنسان في الحلقة. هذا الوعد لا يزال غير وافٍممتلئة لأن واجهات المستخدم غير قادرة على استيعاب السياق البشري بشكل كامل الذي يؤثر على القرارات المالية أو تقديم المشورة والبيع المتبادل بطريقة تساعد البشر على إجراء المقايضات المناسبة.

من الأمثلة الرائعة على أهمية السياق البشري غير الواضح هو كيف يكون المستهلكون إعطاء الأولوية لدفع الفواتير أثناء المشقة. يميل المستهلكون إلى التفكير في كل من المنفعة والعلامة التجارية عند اتخاذ مثل هذه القرارات ، والتفاعل بين هذين العاملين يجعل الأمر معقدًا لإنشاء تجربة يمكن أن تلتقط تمامًا كيفية تحسين هذا القرار. هذا يجعل من الصعب تقديم أفضل تدريب ائتماني ، على سبيل المثال ، دون إشراك موظف بشري. في حين أن تجارب مثل Credit Karma يمكن أن تجلب العملاء على طول 80٪ من الرحلة ، فإن الـ 20٪ المتبقية تصبح واديًا خارقًا حيث تميل المحاولات الإضافية لالتقاط السياق إلى أن تكون ضيقة للغاية أو تستخدم دقة زائفة ، مما يكسر ثقة المستهلك.

توجد أوجه قصور مماثلة في الإدارة الحديثة للثروة وإعداد الضرائب. في إدارة الثروات ، يتغلب المستشارون البشريون على حلول التكنولوجيا المالية ، حتى تلك التي تركز بشكل ضيق على فئات واستراتيجيات أصول محددة ، لأن البشر يتأثرون بشدة بالآمال والأحلام والمخاوف الخاصة. هذا هو السبب في أن المستشارين البشريين كانوا تاريخياً قادرين على تكييف نصائحهم لعملائهم بشكل أفضل من معظم أنظمة التكنولوجيا المالية. في حالة الضرائب ، حتى بمساعدة البرامج الحديثة ، ينفق الأمريكيون أكثر 6 مليار ساعة على ضرائبهم ، يرتكبون 12 مليون خطأ ، وغالبًا ما يتجاهلون الدخل أو يتنازلون عن ميزة لم يكونوا على دراية بها ، مثل احتمالية خصم نفقات السفر للعمل. 

توفر LLMs حلاً مرتبًا لهذه المشكلات مع فهم أفضل وبالتالي تنقل أفضل للقرارات المالية للمستهلكين. يمكن أن تجيب هذه الأنظمة على الأسئلة ("لماذا جزء من محفظتي في السندات البلدية؟") ، وتقييم المقايضات ("كيف أفكر في مخاطر المدة مقابل العائد؟") ، وفي النهاية عامل السياق البشري في عملية صنع القرار ("هل يمكنك بناء خطة مرنة بما يكفي لمساعدة والديّ المسنين ماليًا في مرحلة ما في المستقبل؟ "). يجب أن تحول هذه الإمكانات التكنولوجيا المالية للمستهلكين من مجموعة حالات استخدام عالية القيمة ولكنها مركزة بشكل ضيق إلى أخرى حيث يمكن للتطبيقات أن تساعد المستهلكين على تحسين حياتهم المالية بالكامل.

-أنيش أشاريا وسوميت سينغ

في العالم حيث يمكن لأدوات الذكاء الاصطناعي التوليدية أن تتغلغل في أحد البنوك ، يجب أن تكون سالي مضمونة باستمرار حتى تحصل على قرض عقاري موافق عليه مسبقًا في اللحظة التي تقرر فيها شراء منزل. 

لسوء الحظ ، هذا العالم غير موجود بعد لثلاثة أسباب رئيسية: 

• أولاً ، تعيش معلومات المستهلك في عدة قواعد بيانات مختلفة. هذا يجعل البيع العابر والتنبؤ باحتياجات المستهلك أمرًا صعبًا للغاية. 
• ثانيًا ، تعتبر الخدمات المالية عمليات شراء عاطفية إلى حد كبير مع وجود أشجار قرارات معقدة ويصعب تشغيلها آليًا. هذا يعني أنه يجب على البنوك توظيف فرق خدمة عملاء كبيرة للإجابة على أسئلة عملائها العديدة حول المنتجات المالية الأفضل بالنسبة لهم ، بناءً على أوضاعهم الفردية.
• ثالثًا ، الخدمات المالية منظمة للغاية. وهذا يعني أن الموظفين البشريين مثل مسؤولي القروض والمعالجات يجب أن يكونوا في الحلقة مع كل منتج متاح (على سبيل المثال ، الرهون العقارية) لضمان الامتثال للقوانين المعقدة ، ولكن غير المنظمة.

سيجعل الذكاء الاصطناعي التوليدي الوظائف التي تتطلب عمالة مكثفة لسحب البيانات من مواقع متعددة ، وفهم المواقف الشخصية غير المنظمة وقوانين الامتثال غير المنظمة ، 1000 مرة أكثر كفاءة. على سبيل المثال:

• وكلاء خدمة العملاء: في كل بنك ، يجب تدريب الآلاف من وكلاء خدمة العملاء بشق الأنفس على منتجات البنك ومتطلبات الامتثال ذات الصلة حتى يتمكنوا من الإجابة على أسئلة العملاء. تخيل الآن بدء ممثل خدمة عملاء جديد ، ولهم ميزة الوصول إلى LLM تم تدريبه في آخر 10 سنوات من مكالمات خدمة العملاء عبر جميع أقسام البنك. يمكن للمندوب استخدام النموذج لتوليد الإجابة الصحيحة على أي سؤال بسرعة ومساعدتهم على التحدث بشكل أكثر ذكاءً عن مجموعة واسعة من المنتجات مع تقليل الوقت اللازم لتدريبهم في نفس الوقت. قد يرغب شاغل الوظيفة في التأكد من عدم استخدام بيانات الملكية ومعلومات تحديد الهوية الشخصية الخاصة بالعميل لتحسين LLM عام يمكن للشركات الأخرى استخدامه. يجب على الوافدين الجدد أن يكونوا مبدعين في كيفية تمهيد مجموعة البيانات.
• ضباط القروض: يسحب موظفو القروض حاليًا البيانات من ما يقرب من عشرة أنظمة مختلفة لإنشاء ملف قرض. يمكن تدريب نموذج الذكاء الاصطناعي التوليدي على البيانات من جميع هذه الأنظمة ، بحيث يمكن لمسؤول القرض ببساطة توفير اسم العميل وسيتم إنشاء ملف القرض على الفور لهم. من المحتمل أن يظل مسؤول القرض مطالبًا بضمان الدقة بنسبة 100٪ ، لكن عملية جمع البيانات ستكون أكثر كفاءة ودقة.
• تاكيد الجودة: يتضمن جزء كبير من ضمان الجودة في البنوك وشركات التكنولوجيا المالية ضمان الامتثال الكامل للعديد من الهيئات التنظيمية. يمكن للذكاء الاصطناعي التوليدي تسريع هذه العملية بشكل كبير. على سبيل المثال، فستا يمكن أن يشتمل على نموذج ذكاء اصطناعي توليدي تم تدريبه باستخدام دليل بيع فاني ماي لتنبيه مسؤول قروض الرهن العقاري على الفور بقضايا الامتثال. نظرًا لأن العديد من الأدلة التنظيمية متاحة للجمهور ، فقد يوفر هذا إسفينًا مثيرًا للاهتمام للوافدين الجدد إلى السوق. ومع ذلك ، ستظل القيمة الحقيقية تعود إلى الشركات التي تمتلك محرك سير العمل.

هذه كلها خطوات ستؤدي إلى عالم يمكن لسالي فيه الوصول الفوري إلى قرض عقاري محتمل.

-أنجيلا سترينج وأليكس رامبل ومارك أندرسكو

يمكن لإدارات الامتثال المستقبلية التي تتبنى الذكاء الاصطناعي التوليدي إيقاف 800 مليار دولار التي تزيد قيمتها عن 2 تريليون دولار. يتم غسلها بشكل غير قانوني في جميع أنحاء العالم كل عام. الاتجار بالمخدرات والجريمة المنظمة والأنشطة غير المشروعة الأخرى سيشهدون جميعًا أكبر انخفاض دراماتيكي لهم منذ عقود.

اليوم ، مليارات الدولارات التي تُنفق حاليًا على الامتثال هي فقط 3٪ فعال في وقف غسل الأموال الإجرامي. برامج الامتثال مبنية على قواعد "مضمنة الترميز" في الغالب. على سبيل المثال ، تتيح أنظمة مكافحة غسيل الأموال لمسؤولي الامتثال تشغيل قواعد مثل "وضع علامة على أي معاملات تزيد قيمتها عن 10 آلاف دولار" أو البحث عن أي نشاط مشبوه آخر محدد مسبقًا. يمكن أن يكون تطبيق مثل هذه القواعد علمًا غير كامل ، مما يؤدي إلى إغراق معظم المؤسسات المالية بإيجابيات كاذبة يتعين عليها قانونيًا التحقيق فيها. يقضي موظفو الامتثال الكثير من وقتهم في جمع معلومات العملاء من الأنظمة والإدارات المختلفة للتحقيق في كل معاملة تم الإبلاغ عنها. ل تجنب الغرامات الباهظة، فهم يوظفون الآلاف ، وغالبًا ما يشكلون أكثر من 10٪ من القوى العاملة في البنك. 

يمكن للمستقبل مع الذكاء الاصطناعي التوليدي أن يمكّن من:

• فحص فعال: يمكن لنموذج الذكاء الاصطناعي التوليدي تقديم ملخص للمعلومات الأساسية عبر أنظمة متباينة لأي فرد بسرعة إلى أطراف أصابع مسؤول الامتثال - مما يسمح لمسؤولي الامتثال بالوصول بسرعة أكبر إلى إجابة إذا كانت المعاملة مشكلة. 
• أفضل توقع للغاسلين: تخيل الآن نموذجًا تم تدريبه على آخر 10 سنوات من تقارير الأنشطة المشبوهة (SAR). بدون الحاجة إلى إخبار النموذج بالتحديد عن ماهية الغاسل ، يمكن استخدام الذكاء الاصطناعي لاكتشاف الأنماط الجديدة في التقارير وإنشاء تعريفات خاصة به لما يشكله مبيض أموال. 
• تحليل أسرع للوثائق: إدارات الامتثال مسؤولة عن ضمان اتباع السياسات والإجراءات الداخلية للشركة ، فضلاً عن الالتزام بالمتطلبات التنظيمية. يمكن للذكاء الاصطناعي التوليدي تحليل كميات كبيرة من المستندات ، مثل العقود والتقارير ورسائل البريد الإلكتروني ، وتحديد المشكلات المحتملة أو مجالات الاهتمام التي تتطلب مزيدًا من التحقيق.
• التدريب والتعليم: يمكن استخدام الذكاء الاصطناعي التوليدي لتطوير مواد تدريبية ومحاكاة سيناريوهات العالم الحقيقي لتثقيف مسؤولي الامتثال حول أفضل الممارسات وكيفية تحديد المخاطر المحتملة والسلوك غير المتوافق.

يمكن للوافدين الجدد التمهيد ببيانات الامتثال المتاحة للجمهور من عشرات الوكالات ، وجعل البحث والتوليف أسرع وأكثر سهولة. تستفيد الشركات الأكبر حجمًا من سنوات من البيانات التي تم جمعها ، ولكنها ستحتاج إلى تصميم ميزات الخصوصية المناسبة. لطالما اعتبر الامتثال مركز تكلفة متنامياً مدعوماً بالتكنولوجيا القديمة. سوف يغير الذكاء الاصطناعي التوليدي هذا.

-أنجيلا سترينج وجو شميت

قد يبدو Archegos و London Whale كمخلوقات من الأساطير اليونانية ، لكن كلاهما يمثل إخفاقات حقيقية للغاية في إدارة المخاطر التي كلفت العديد من أكبر البنوك في العالم خسائر بمليارات الدولارات. ألقِ نظرة على أحدث مثال لبنك وادي السيليكون ، وسيصبح من الواضح أن إدارة المخاطر لا تزال تمثل تحديًا للعديد من مؤسساتنا المالية الرائدة. 

في حين أن التقدم في الذكاء الاصطناعي غير قادر على القضاء على الائتمان والأسواق والسيولة والمخاطر التشغيلية تمامًا ، فإننا نعتقد أن هذه التكنولوجيا يمكن أن تلعب دورًا مهمًا في مساعدة المؤسسات المالية بشكل أسرع على تحديد هذه المخاطر والتخطيط لها والاستجابة لها عندما تنشأ حتمًا. من الناحية التكتيكية ، إليك بعض المجالات التي نعتقد أن الذكاء الاصطناعي يمكن أن يساعد في إدارة مخاطر أكثر كفاءة:

• معالجة اللغة الطبيعية: يمكن أن تساعد نماذج LLM مثل ChatGPT في معالجة كميات كبيرة من البيانات غير المنظمة ، مثل المقالات الإخبارية وتقارير السوق وأبحاث المحللين ، مما يوفر رؤية أكثر اكتمالاً لمخاطر السوق والطرف المقابل.
• رؤى في الوقت الفعلي: يمكن أن تسمح الرؤية الفورية لظروف السوق والأحداث الجيوسياسية وعوامل الخطر الأخرى للشركات بالتكيف مع الظروف المتغيرة بسرعة أكبر.
• التحليلات التنبؤية: يمكن أن تساعد القدرة على تشغيل سيناريوهات أكثر تعقيدًا بشكل كبير وتقديم تحذيرات مبكرة الشركات على إدارة التعرض بشكل أكثر استباقية.
• دمج: يمكن أن يساعد دمج الأنظمة المتباينة واستخدام الذكاء الاصطناعي لتجميع المعلومات في تقديم رؤية أكثر اكتمالاً للتعرض للمخاطر وتبسيط عمليات إدارة المخاطر.

-ديفيد هابر ومارك أندرسكو

بالإضافة إلى القدرة على المساعدة في الإجابة على الأسئلة المالية ، يمكن لـ LLM أيضًا مساعدة فرق الخدمات المالية على تحسين العمليات الداخلية الخاصة بهم ، وتبسيط تدفق العمل اليومي لفرقهم المالية. على الرغم من التقدم في كل جانب آخر من جوانب التمويل عمليًا ، لا يزال تدفق العمل اليومي لفرق التمويل الحديثة مدفوعًا بالعمليات اليدوية مثل Excel والبريد الإلكتروني وأدوات ذكاء الأعمال التي تتطلب مدخلات بشرية. لم يتم حتى الآن أتمتة المهام الأساسية بسبب نقص موارد علوم البيانات ، وبالتالي يقضي المديرون الماليون وتقاريرهم المباشرة وقتًا طويلاً في مهام حفظ السجلات وإعداد التقارير التي تستغرق وقتًا طويلاً ، عندما ينبغي التركيز عليها قمة الهرم قرارات استراتيجية. 

على نطاق واسع ، يمكن أن يساعد الذكاء الاصطناعي التوليفي هذه الفرق على سحب البيانات عبر المزيد من المصادر وأتمتة عملية تسليط الضوء على الاتجاهات وإنشاء التنبؤات وإعداد التقارير. تتضمن بعض الأمثلة ما يلي:

• التوقع: يمكن أن يساعد الذكاء الاصطناعي التوليدي في كتابة الصيغ والاستعلامات في أدوات Excel و SQL و BI التي يمكنها أتمتة التحليل. علاوة على ذلك ، يمكن أن تساعد هذه الأدوات في إبراز الأنماط واقتراح مدخلات للتنبؤات من مجموعة أوسع من البيانات مع سيناريوهات أكثر تعقيدًا (أي عامل في الاقتصاد الكلي) وتقترح كيفية تكييف هذه النماذج بسهولة أكبر ، لإعلام عملية صنع القرار في الشركة. 
• التقرير: بدلاً من قضاء الوقت في سحب البيانات والتحليل يدويًا في كل من التقارير الخارجية والداخلية (على سبيل المثال ، مجموعات اللوحات وتقارير المستثمرين ولوحات المعلومات الأسبوعية) ، يمكن أن يساعد الذكاء الاصطناعي التكويني في أتمتة إنشاء النصوص والمخططات والرسوم البيانية والمزيد ، مع تكييف هذه التقارير بناءً على أمثلة مختلفة.
• المحاسبة والضرائب: يقضي كل من فرق المحاسبة والضرائب الوقت في استشارة القواعد وفهم كيفية تطبيقها. يمكن أن يساعد الذكاء الاصطناعي التوليفي في تجميع وتلخيص واقتراح إجابات محتملة حول قانون الضرائب والخصومات المحتملة.
• المشتريات والذمم الدائنة: يمكن أن يساعد الذكاء الاصطناعي التوليدي في إنشاء العقود وأوامر الشراء والفواتير والتذكيرات وتكييفها تلقائيًا.

ومع ذلك ، من المهم أن تضع في اعتبارك القيود الحالية للمخرجات التوليدية للذكاء الاصطناعي هنا - تحديدًا حول المجالات التي تتطلب حكمًا أو إجابة دقيقة ، كما هو مطلوب غالبًا لفريق الشؤون المالية. تستمر نماذج الذكاء الاصطناعي التوليدية في التحسن في العمليات الحسابية ، لكن لا يمكن الاعتماد عليها حتى الآن للحصول على دقة كاملة ، أو على الأقل تحتاج إلى مراجعة بشرية. مع تحسن النماذج بسرعة ، مع بيانات التدريب الإضافية والقدرة على زيادة وحدات الرياضيات ، يتم فتح إمكانيات جديدة لاستخدامها.

-سيما امبل

التحديات

من خلال هذه الاتجاهات الخمسة ، يواجه الوافدون الجدد وشاغلي الوظائف تحديين أساسيين في جعل مستقبل الذكاء الاصطناعي التوليدي هذا حقيقة واقعة.

1. تدريب ماجستير مع البيانات المالية: يتم تدريب LLMs حاليًا على الإنترنت. ستتطلب حالات استخدام الخدمات المالية ضبط هذه النماذج بدقة باستخدام البيانات المالية الخاصة بحالة الاستخدام. من المحتمل أن يبدأ الوافدون الجدد في تنقيح نماذجهم مع البيانات المالية للشركات العامة والأوراق التنظيمية وغيرها من مصادر البيانات المالية العامة التي يسهل الوصول إليها ، قبل استخدام بياناتهم الخاصة في نهاية المطاف أثناء جمعها بمرور الوقت. يمكن للاعبين الحاليين ، مثل البنوك أو المنصات الكبيرة ذات عمليات الخدمات المالية (على سبيل المثال ، Lyft) ، الاستفادة من بياناتهم الحالية والخاصة ، مما قد يمنحهم ميزة أولية. ومع ذلك ، تميل شركات الخدمات المالية الحالية إلى الإفراط في التحفظ عندما يتعلق الأمر باحتضان تحولات كبيرة في النظام الأساسي. وهذا يعطي ، في رأينا ، الميزة التنافسية للوافدين الجدد غير المرتبطين.
2. دقة إخراج النموذج: نظرًا للتأثير الذي يمكن أن تحدثه إجابة السؤال المالي على الأفراد والشركات والمجتمع ، يجب أن تكون نماذج الذكاء الاصطناعي الجديدة دقيقة قدر الإمكان. لا يمكنهم الهلوسة ، أو اختلاق ، إجابات خاطئة ولكنها تبدو واثقة على الأسئلة المهمة حول الضرائب أو الصحة المالية ، ويجب أن يكونوا أكثر دقة من الإجابات التقريبية لاستفسارات الثقافة الشعبية أو مقالات المدرسة الثانوية العامة. للبدء ، غالبًا ما يكون هناك إنسان في الحلقة كتحقق نهائي لإجابة تم إنشاؤها بواسطة الذكاء الاصطناعي.

يعد ظهور الذكاء الاصطناعي التوليدي تغييرًا جذريًا في منصة شركات الخدمات المالية التي من المحتمل أن تؤدي إلى ذلك حلول مخصصة للعملاء وعمليات أكثر فعالية من حيث التكلفة وامتثال أفضل وإدارة محسنة للمخاطر، طالما تنبؤ وتقارير أكثر ديناميكية. سوف يناضل شاغلو الوظائف والشركات الناشئة من أجل إتقان التحديين الأساسيين اللذين حددناهما أعلاه. على الرغم من أننا لا نعرف حتى الآن من الذي سيخرج منتصراً ، إلا أننا نعلم بالفعل أن هناك فائزًا واحدًا واضحًا: مستهلكو الخدمات المالية المستقبلية.

***

الآراء المعبر عنها هنا هي آراء أفراد AH Capital Management، LLC ("a16z") المقتبس منهم وليست آراء a16z أو الشركات التابعة لها. تم الحصول على بعض المعلومات الواردة هنا من مصادر خارجية ، بما في ذلك من شركات محافظ الصناديق التي تديرها a16z. على الرغم من أنه مأخوذ من مصادر يُعتقد أنها موثوقة ، لم تتحقق a16z بشكل مستقل من هذه المعلومات ولا تقدم أي تعهدات حول الدقة الدائمة للمعلومات أو ملاءمتها لموقف معين. بالإضافة إلى ذلك ، قد يتضمن هذا المحتوى إعلانات جهات خارجية ؛ لم تقم a16z بمراجعة مثل هذه الإعلانات ولا تصادق على أي محتوى إعلاني وارد فيها.

يتم توفير هذا المحتوى لأغراض إعلامية فقط ، ولا ينبغي الاعتماد عليه كمشورة قانونية أو تجارية أو استثمارية أو ضريبية. يجب عليك استشارة مستشاريك بخصوص هذه الأمور. الإشارات إلى أي أوراق مالية أو أصول رقمية هي لأغراض توضيحية فقط ، ولا تشكل توصية استثمارية أو عرضًا لتقديم خدمات استشارية استثمارية. علاوة على ذلك ، هذا المحتوى غير موجه أو مخصص للاستخدام من قبل أي مستثمرين أو مستثمرين محتملين ، ولا يجوز الاعتماد عليه تحت أي ظرف من الظروف عند اتخاذ قرار بالاستثمار في أي صندوق تديره a16z. (سيتم تقديم عرض للاستثمار في صندوق a16z فقط من خلال مذكرة الاكتتاب الخاص واتفاقية الاشتراك والوثائق الأخرى ذات الصلة لأي صندوق من هذا القبيل ويجب قراءتها بالكامل.) أي استثمارات أو شركات محفظة مذكورة ، يشار إليها ، أو الموصوفة لا تمثل جميع الاستثمارات في السيارات التي تديرها a16z ، ولا يمكن أن يكون هناك ضمان بأن الاستثمارات ستكون مربحة أو أن الاستثمارات الأخرى التي تتم في المستقبل سيكون لها خصائص أو نتائج مماثلة. قائمة الاستثمارات التي أجرتها الصناديق التي يديرها Andreessen Horowitz (باستثناء الاستثمارات التي لم يمنحها المُصدر إذنًا لـ a16z للإفصاح علنًا عن الاستثمارات غير المعلنة في الأصول الرقمية المتداولة علنًا) على https://a16z.com/investments /.

الرسوم البيانية والرسوم البيانية المقدمة في الداخل هي لأغراض إعلامية فقط ولا ينبغي الاعتماد عليها عند اتخاذ أي قرار استثماري. الأداء السابق ليس مؤشرا على النتائج المستقبلية. المحتوى يتحدث فقط اعتبارًا من التاريخ المشار إليه. أي توقعات وتقديرات وتنبؤات وأهداف وآفاق و / أو آراء معبر عنها في هذه المواد عرضة للتغيير دون إشعار وقد تختلف أو تتعارض مع الآراء التي يعبر عنها الآخرون. يرجى الاطلاع على https://a16z.com/disclosures للحصول على معلومات إضافية مهمة.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
• سك المستقبل مع أدرين أشلي. الوصول هنا.
• المصدر https://a16z.com/2023/04/19/financial-services-will-embrace-generative-ai-faster-than-you-think/