El argumento económico a favor de la IA generativa y los modelos de fundación

Jul 05, 2023

La inteligencia artificial ha sido un elemento básico en la informática desde la década de 1950. A lo largo de los años, también ha generado mucho dinero para las empresas capaces de implementarlo de manera efectiva. Sin embargo, como explicamos en un artículo de opinión reciente para el Wall Street Journal (que es un buen punto de partida para el argumento más detallado que presentamos aquí), la mayoría de esas ganancias han ido a parar a grandes proveedores (como Google o Meta) en lugar de a que a las startups. Hasta hace muy poco, con la llegada de la IA generativa y todo lo que ésta abarca, no hemos visto empresas que prioricen la IA que amenacen seriamente las ganancias de sus pares más grandes y establecidos a través de la competencia directa o comportamientos completamente nuevos que hagan obsoletas a las antiguas.

Sin embargo, con las aplicaciones de IA generativa y los modelos básicos (o modelos de frontera), las cosas se ven muy diferentes. Un desempeño y una adopción increíbles, combinados con un ritmo vertiginoso de innovación, sugieren que podríamos estar en los primeros días de un ciclo que transformará nuestras vidas y nuestra economía a niveles no vistos desde el microchip e Internet.

Esta publicación explora la economía de la IA tradicional y por qué normalmente ha sido difícil alcanzar la velocidad de escape para las nuevas empresas que utilizan la IA como un diferenciador central (algo sobre lo que hemos escrito en el pasado). Luego explica por qué las aplicaciones de IA generativa y las grandes empresas basadas en modelos básicos son muy diferentes, y lo que eso puede significar para nuestra industria.

Históricamente, el problema con la IA no es que no funcione (durante mucho tiempo ha producido resultados alucinantes) sino más bien que se ha resistido a construir modelos de negocio atractivos y exclusivos en los mercados privados. Si analizamos los fundamentos, no es difícil ver por qué ha sido difícil para las startups obtener grandes beneficios económicos de la IA.

Muchos productos de IA deben asegurarse de ofrecer una alta precisión incluso en situaciones excepcionales, a las que a menudo se hace referencia como “la cola”. Y a menudo, si bien una situación dada puede ser rara por sí sola, tiende a haber muchas situaciones raras en conjunto. Esto es importante porque a medida que los casos se vuelven más raros, el nivel de inversión necesario para manejarlos puede dispararse. Estas pueden ser economías de escala perversas que las startups deben racionalizar.

Por ejemplo, puede ser necesaria una inversión de 20 millones de dólares para construir un robot que pueda recoger cerezas con un 80% de precisión, pero la inversión requerida podría dispararse a 200 millones de dólares si se necesita una precisión del 90%. Llegar al 95% de precisión podría costar mil millones de dólares. No sólo supone una gran inversión inicial para obtener niveles adecuados de precisión sin depender demasiado de los humanos (de lo contrario, ¿qué sentido tiene?), sino que también da lugar a rendimientos marginales decrecientes sobre el capital invertido. Además de la gran cantidad de dólares que pueden ser necesarios para alcanzar y mantener el nivel deseado de precisión, el creciente costo del progreso puede servir como un anti-foso para los líderes: gastan dinero en I+D mientras los seguidores rápidos aprovechan sus aprendizajes. y cerrar la brecha por una fracción del costo.

Muchos de los dominios de problemas tradicionales de la IA no son particularmente tolerantes con las respuestas incorrectas. Por ejemplo, los robots de éxito del cliente nunca deberían ofrecer una mala orientación, el reconocimiento óptico de caracteres (OCR) para depósitos de cheques nunca debería interpretar mal las cuentas bancarias y (por supuesto) los vehículos autónomos no deberían hacer muchas cosas ilegales o peligrosas. Aunque la IA ha demostrado ser más precisa que los humanos para algunas tareas bien definidas, los humanos a menudo se desempeñan mejor en problemas de cola larga donde el contexto importa. Por lo tanto, las soluciones impulsadas por IA a menudo todavía utilizan humanos en el circuito para garantizar la precisión, una situación que puede ser difícil de escalar y a menudo se convierte en un costo oneroso que pesa sobre los márgenes brutos.

El cuerpo y el cerebro humanos comprenden una máquina analógica que ha evolucionado durante cientos de millones de años para navegar por el mundo físico. Consume aproximadamente 150 vatios de energía, funciona con un plato de avena, es bastante bueno para abordar problemas en la cola y el salario promedio mundial es de aproximadamente 5 dólares la hora. Para algunas tareas en algunas partes del mundo, el salario promedio es inferior a un dólar por día.

Para muchas aplicaciones, la IA no compite con un programa informático tradicional, sino con un ser humano. Y cuando el trabajo involucra una de las capacidades más fundamentales de la vida basada en el carbono, como la percepción, los humanos suelen ser más baratos. O, al menos, es mucho más barato conseguir una precisión razonable con una inversión relativamente pequeña y recurriendo a personas. Esto es particularmente cierto para las nuevas empresas, que normalmente no cuentan con una infraestructura de IA grande y sofisticada para construir.

También vale la pena señalar que la IA a menudo se sitúa en un objetivo más alto que el que los humanos pueden lograr (¿por qué cambiar el sistema si el nuevo no es significativamente mejor?). Entonces, incluso en los casos en los que la IA es obviamente mejor, sigue estando en desventaja.

Este es un punto muy importante, aunque subestimado. Probablemente como resultado de que la IA es en gran medida un complemento de los productos existentes de los tradicionales, no ha introducido muchos casos de uso nuevos que se hayan traducido en nuevos comportamientos de usuario en la población de consumidores en general. Los nuevos comportamientos de los usuarios tienden a ser la base de los cambios masivos del mercado porque a menudo comienzan como movimientos seculares marginales que los titulares no entienden o no les importan. (Piense en la microcomputadora personal, Internet, los teléfonos inteligentes personales o la nube). Este es un terreno fértil para que las nuevas empresas atiendan las necesidades emergentes de los consumidores sin tener que competir contra empresas tradicionales arraigadas en sus áreas centrales de enfoque.

Por supuesto, hay excepciones, como los nuevos comportamientos introducidos por los asistentes de voz domésticos. Pero incluso estos subrayan cuán dominantes son los operadores tradicionales en productos de IA, dada la notable falta de independientes ampliamente adoptados en este espacio.

Los vehículos autónomos (AV) son un ejemplo extremo pero ilustrativo de por qué la IA es difícil para las nuevas empresas. Los AV requieren corrección de cola (hacer las cosas mal es muy, muy malo); Los sistemas AV operativos a menudo dependen de mucha supervisión humana; y compiten con el cerebro humano en percepción (que funciona a unos 12 vatios frente a algunas configuraciones AV de CPU/GPU de alta gama que consumen más de 1300 vatios). Entonces, si bien hay muchas razones para pasarse a los vehículos autónomos, incluida la seguridad, la eficiencia y la gestión del tráfico, la economía aún no está ahí en comparación con los servicios de viajes compartidos, y mucho menos simplemente conducir uno mismo. Esto a pesar de que se han invertido aproximadamente 75 mil millones de dólares en tecnología AV.

Por supuesto, hay casos de uso más específicos que son más atractivos, como el transporte por carretera o rutas de campus bien definidas. Además, la economía está mejorando todo el tiempo y es probable que pronto supere a los humanos. Pero considerando el nivel de inversión y el tiempo que ha llevado llegar hasta aquí, además de la complejidad y los riesgos operativos actuales, no es de extrañar por qué los AV generalizados se han convertido en gran medida en un esfuerzo de las grandes empresas públicas, ya sea mediante incubación o adquisición.

Por las razones que expusimos anteriormente, la dificultad de crear un negocio de alto margen y alto crecimiento donde la IA sea el principal diferenciador ha resultado en una ardua tarea para las nuevas empresas que intentan hacerlo. Esta hipótesis del artículo del Wall Street Journal lo resume muy bien:

Para que la startup tenga suficiente corrección desde el principio, contrata humanos para realizar la función que espera que la IA automatice con el tiempo. A menudo, esto es parte de un camino de escalada en el que una primera versión de la IA manejará el 80% de los casos de uso comunes, y los humanos manejarán la cola.

Los primeros inversores tienden a centrarse más en el crecimiento que en los márgenes, por lo que, para recaudar capital y mantener contento al directorio, la empresa continúa contratando gente en lugar de invertir en la automatización, lo que de todos modos está resultando complicado debido a las complicaciones antes mencionadas con el cola larga. Para cuando la empresa está lista para una inversión a nivel de crecimiento, ya ha construido una organización completa en torno a la contratación y la puesta en funcionamiento de humanos en el circuito, y es demasiado difícil relajarse. El resultado es un negocio que puede mostrar un crecimiento inicial relativamente alto, pero mantiene un margen bajo y, con el tiempo, se vuelve difícil de escalar.

Sin embargo, la espiral de mediocridad de la IA no es fatal y, de hecho, se pueden construir empresas públicas importantes a partir de ella. Pero la economía y el escalamiento tienden a retrasarse con respecto a los productos centrados en software. Por lo tanto, históricamente no hemos visto una ola de nuevas empresas de IA de rápido crecimiento que hayan tenido el impulso para desestabilizar a los titulares. Más bien, tienden a orientarse hacia los problemas más difíciles, más serios y complejos (o convertirse en empresas de servicios que crean soluciones a medida) porque tienen a la gente disponible para lidiar con ese tipo de cosas.

Sin embargo, con la IA generativa todo esto está cambiando.

En los últimos años, hemos visto una nueva ola de aplicaciones de IA creadas sobre grandes modelos básicos o que los incorporan. Esta tendencia se conoce comúnmente como IA generativa, porque los modelos se utilizan para generar contenido (imagen, texto, audio, etc.), o simplemente como grandes modelos básicos, porque las tecnologías subyacentes se pueden adaptar a tareas que van más allá de la simple generación de contenido. A los efectos de esta publicación, nos referiremos a todo esto como IA generativa.

Dada la larga historia de la IA, es fácil descartar esto como otro ciclo de exageración que eventualmente se enfriará. Esta vez, sin embargo, las empresas de IA han demostrado un interés y una velocidad de adopción sin precedentes por parte de los consumidores. Desde que entró en el espíritu de la época a mediados o finales de 2022, la IA generativa ya ha producido algunas de las empresas, productos y proyectos de más rápido crecimiento que hemos visto en la historia de la industria tecnológica. Caso en cuestión: ChatGPT tardó solo 5 días en llegar a 1 millón de usuarios, dejando en el polvo a algunas de las empresas de consumo más emblemáticas del mundo (Threads from Meta recientemente alcanzó 1 millón en unas pocas horas, pero se inició a partir de un gráfico social existente, por lo que no lo vemos como una comparación de manzanas con manzanas).

Lo que es incluso más convincente que el rápido crecimiento inicial es su naturaleza sostenida y su escala más allá de la novedad del lanzamiento inicial del producto. En los 6 meses transcurridos desde su lanzamiento, ChatGPT alcanzó un estimado de más de 230 millones de usuarios activos mensuales (MAU) en todo el mundo por Yipit. Facebook tardó hasta 2009 en alcanzar 197 millones de MAU comparables, más de cinco años después de su lanzamiento inicial en la Ivy League y tres años después de que la red social estuviera disponible para el público en general.

Si bien ChatGPT es un claro gigante de la IA, no es de ninguna manera la única historia de éxito de la IA generativa:

El mercado de desarrolladores de IA también está experimentando un enorme crecimiento. Por ejemplo, el lanzamiento del modelo de imagen grande Stable Diffusion destruyó algunos de los proyectos de desarrolladores de código abierto más exitosos de la historia reciente en cuanto a velocidad y prevalencia de adopción. El modelo de lenguaje grande (LLM) Llama 2 de Meta atrajo a cientos de miles de usuarios, a través de plataformas como Replicate, a los pocos días de su lanzamiento en julio.

Estos niveles de adopción sin precedentes son una razón importante por la que creemos que existe un argumento muy sólido de que la IA generativa no sólo es económicamente viable, sino que puede impulsar niveles de transformación del mercado a la par con el microchip e Internet.

Para entender por qué es así, vale la pena observar en qué se diferencia la IA generativa de los intentos anteriores de comercializarla.

Muchos de los casos de uso de la IA generativa no se encuentran dentro de dominios que tengan una noción formal de corrección. De hecho, los dos casos de uso más comunes actualmente son la generación creativa de contenido (imágenes, historias, etc.) y el compañerismo (amigo virtual, compañero de trabajo, compañero de lluvia de ideas, etc.). En estos contextos, ser correcto simplemente significa "atraer o involucrar al usuario". Además, otros casos de uso populares, como ayudar a los desarrolladores a escribir software mediante la generación de código, tienden a ser iterativos, en los que el usuario es efectivamente el ser humano en el circuito y también proporciona retroalimentación para mejorar las respuestas generadas. Pueden guiar el modelo hacia la respuesta que buscan, en lugar de exigir que la empresa cargue con un grupo de humanos para garantizar la corrección inmediata.

Los modelos de IA generativa son increíblemente generales y ya se están aplicando a una amplia variedad de grandes mercados. Esto incluye imágenes, vídeos, música, juegos y chat. Sólo las industrias de los juegos y el cine valen más de 300 mil millones de dólares. Además, los LLM realmente entienden el lenguaje natural y, por lo tanto, están siendo puestos en servicio como una nueva capa de consumo para los programas. También estamos viendo una amplia adopción en áreas de interacción profesional por parejas, como terapia, derecho, educación, programación y coaching.

Dicho todo esto, los mercados existentes son sólo una prueba de valor, y quizás simplemente un punto de lanzamiento para la IA generativa. Históricamente, cuando la economía y las capacidades cambian tan dramáticamente, como fue el caso de Internet, vemos el surgimiento de comportamientos y mercados completamente nuevos que son imposibles de predecir y mucho más grandes que los que los precedieron.

Históricamente, gran parte del esfuerzo en IA se ha centrado en replicar tareas que son fáciles para los humanos, como la identificación de objetos o la navegación por el mundo físico; esencialmente, cosas que involucran percepción. Sin embargo, estas tareas son fáciles para los humanos porque el cerebro ha evolucionado durante cientos de millones de años, optimizándose específicamente para ellas (recoger bayas, evadir leones, etc.). Por lo tanto, como comentamos anteriormente, lograr que la economía funcione en relación con un ser humano es difícil.

La IA generativa, por otro lado, automatiza el procesamiento del lenguaje natural y la creación de contenido, tareas en las que el cerebro humano ha dedicado mucho menos tiempo a evolucionar (posiblemente menos de 100.000 años). La IA generativa ya puede realizar muchas de estas tareas a órdenes de magnitud más baratas, más rápidas y, en algunos casos, mejor que los humanos. Debido a que estas tareas basadas en el lenguaje o “creativas” son más difíciles para los humanos y a menudo requieren más sofisticación, estos trabajos administrativos (por ejemplo, programadores, abogados y terapeutas) tienden a exigir salarios más altos.

Así, mientras que un trabajador agrícola en Estados Unidos gana una media de 15 dólares la hora, los trabajadores administrativos que desempeñan los puestos mencionados anteriormente reciben un salario de cientos de dólares la hora. Sin embargo, si bien todavía no tenemos robots con las habilidades motoras finas necesarias para recolectar fresas de manera económica, verás cuando desglosemos los costos que la IA generativa puede realizar de manera similar a estos trabajadores de alto valor a una fracción del costo y tiempo.

Los nuevos comportamientos de los usuarios que han surgido con la ola generativa de IA son tan sorprendentes como lo ha sido la economía. Los LLM se han puesto en servicio como socios de desarrollo de software, compañeros de intercambio de ideas, educadores, entrenadores de vida, amigos y, sí, incluso amantes. Los modelos de imágenes grandes se han vuelto fundamentales para las nuevas comunidades construidas enteramente en torno a la creación de contenido nuevo e imaginativo o el desarrollo de terapia artística con IA para ayudar a tratar casos de uso como problemas de salud mental. Estas son funciones que las computadoras, hasta la fecha, no han podido cumplir, por lo que realmente no tenemos una buena comprensión de a qué conducirá su comportamiento ni cuáles son los mejores productos para cumplirlas. Todo esto significa oportunidades para la nueva clase de empresas privadas de IA generativa que están surgiendo.

Aunque los casos de uso para este nuevo comportamiento aún están surgiendo o creándose, los usuarios (de manera crítica) ya han mostrado su disposición a pagar. Muchas de las nuevas empresas de IA generativa han mostrado un enorme crecimiento de ingresos además del crecimiento de usuarios antes mencionado. Las estimaciones de suscriptores de ChatGPT implican cerca de 500 millones de dólares en ingresos anualizados sólo de los suscriptores de EE. UU. Dejando a un lado ChatGPT, empresas de diversas industrias (incluidas la legal, la redacción, la generación de imágenes y el acompañamiento de IA, por nombrar algunas) han logrado una escala de ingresos impresionante y rápida: hasta cientos de millones de ingresos en tasa de ejecución durante su primer año. Para unas pocas empresas que poseen y entrenan sus propios modelos, este crecimiento de ingresos incluso ha superado los altos costos de capacitación, además de los costos de inferencia, es decir, los costos variables para atender a los clientes. Esto crea así empresas autosostenibles, que ya lo serán o que lo serán en el futuro.

Así como se ha truncado el tiempo necesario para llegar a 1 millón de usuarios, también se ha truncado el tiempo que necesitan muchas empresas de inteligencia artificial para alcanzar más de 10 millones de dólares en ingresos por tasa de ejecución, a menudo un sello distintivo de recaudación de fondos para lograr la adecuación del producto al mercado.

Como ejemplo motivador, veamos la sencilla tarea de crear una imagen. Actualmente, las calidades de imagen producidas por estos modelos están a la par con las producidas por artistas y diseñadores gráficos humanos, y nos acercamos al fotorrealismo. Al momento de escribir este artículo, el costo de cómputo para crear una imagen usando un modelo de imagen grande es de aproximadamente $0,001 y toma alrededor de 1 segundo. Hacer una tarea similar con un diseñador o un fotógrafo costaría cientos de dólares (mínimo) y muchas horas o días (contabilizando el tiempo de trabajo, así como los horarios). Incluso si, en aras de la simplicidad, subestimamos el coste en 100 dólares y el tiempo en 1 hora, la IA generativa es 100.000 veces más barata y 3.600 veces más rápida que la alternativa humana.

Un análisis similar puede aplicarse a muchas otras tareas. Por ejemplo, los costos de un LLM para resumir y responder preguntas sobre un informe legal complejo son fracciones de un centavo, mientras que un abogado normalmente cobraría cientos (y hasta miles) de dólares por hora y tomaría horas o días. El costo de un terapeuta LLM también sería de unos centavos por sesión. Etcétera.

Las ocupaciones e industrias impactadas por la economía de la IA se expanden mucho más allá de los pocos ejemplos enumerados anteriormente. Anticipamos que el valor económico de la IA generativa tendrá un impacto transformador y abrumador en áreas que van desde la educación de idiomas hasta las operaciones comerciales, y que la magnitud de este impacto estará correlacionada positivamente con el salario medio de esa industria. Esto generará un mayor delta de costos entre el status quo y la alternativa de IA.

Por supuesto, los LLM tendrían que ser buenos en estas funciones para lograr ese valor económico. Las pruebas de ello son cada vez mayores: cada día reunimos más ejemplos de IA generativa utilizada eficazmente en la práctica para tareas reales. Continúan mejorando a un nivel sorprendente y hasta ahora lo están haciendo sin aumentos insostenibles en los costos de capacitación o en el precio de los productos. No estamos sugiriendo que los modelos grandes puedan o vayan a reemplazar todo el trabajo de este tipo (hay pocos indicios de eso en este momento), solo que la economía es asombrosa por cada hora de trabajo que ahorran.

Nada de esto es científico, claro está, pero si esbozamos un caso idealizado en el que se utiliza un modelo para realizar un servicio existente, las cifras tienden a ser de 3 a 4 órdenes de magnitud más baratas que el status quo actual, y comúnmente de 2 a 4 órdenes de magnitud más baratas que el status quo actual. 3 órdenes de magnitud más rápido.

Un ejemplo extremo sería la creación de un videojuego completo a partir de un único mensaje. Hoy en día, las empresas crean modelos para todos los aspectos de un videojuego complejo (modelos 3D, voz, texturas, música, imágenes, personajes, historias, etc.) y crear un videojuego AAA hoy en día puede costar cientos de millones de dólares. El costo de inferencia para que un modelo de IA genere todos los activos necesarios en un juego es de unos pocos centavos o decenas de centavos. Se trata de economía a nivel de microchip o de Internet.

Entonces, ¿estamos simplemente alimentando otra burbuja publicitaria que no funciona? No lo creemos. Así como el microchip redujo a cero el costo marginal de la computación e Internet redujo a cero el costo marginal de distribución, la IA generativa promete reducir a cero el costo marginal de creación.

Curiosamente, las ganancias ofrecidas por el microchip e Internet también fueron de 3 a 4 órdenes de magnitud. (Todos estos son números aproximados principalmente para ilustrar un punto. Es un tema muy complejo, pero queremos brindar una idea aproximada de cuán disruptivos fueron Internet y el microchip en el momento actual y el costo de hacer las cosas). Por ejemplo, ENIAC , la primera computadora programable de propósito general, era 5.000 veces más rápida que cualquier otra máquina de cálculo en ese momento y supuestamente podía calcular la trayectoria de un misil en 30 segundos, en comparación con al menos 30 horas a mano.

De manera similar, Internet cambió drásticamente los cálculos para mover bits a través de grandes distancias. Una vez que tuviera un ancho de banda de Internet de tamaño adecuado, podría descargar el software en minutos en lugar de recibirlo por correo en días o semanas, o conducir hasta el Fry's local para comprarlo en persona. O considere las enormes eficiencias que supone enviar correos electrónicos, transmitir vídeos o utilizar básicamente cualquier servicio en la nube. El costo por bit hace décadas era de alrededor de 2*10^-10, por lo que si enviaba, digamos, 1 kilobyte, era mucho más barato que el precio de un sello.

Por nuestro dinero, la IA generativa tiene una promesa similar en lo que respecta al costo y el tiempo de generar contenido: desde escribir un correo electrónico hasta producir una película completa. Por supuesto, todo esto supone que el escalamiento de la IA continúa y que seguimos viendo ganancias masivas en economía y capacidades. Al momento de escribir este artículo, muchos de los expertos con los que hablamos creen que estamos en las primeras etapas de la tecnología y que es muy probable que veamos un tremendo progreso continuo en los próximos años.

Hay mucho que hacer sobre la defensa o la falta de defensa de las empresas de IA. Es una conversación importante y, de hecho, hemos escrito sobre ella. Pero cuando los beneficios económicos son tan convincentes como lo son con la IA generativa, hay suficiente velocidad para construir una empresa alrededor de fosos defensivos más tradicionales como la escala, la red, la larga cola de distribución empresarial, la marca, etc. Ya estamos viendo cómo surgen modelos de negocio aparentemente defendibles en el espacio de la IA generativa en torno a mercados bilaterales entre creadores y usuarios de modelos, y comunidades en torno al contenido creativo.

Entonces, aunque no parece haber una defensa endémica obvia para la pila tecnológica (en todo caso, parece que sigue habiendo economías de escala perversas), no creemos que esto obstaculice el inminente cambio del mercado.

En términos generales, creemos que una caída en el valor marginal de la creación impulsará enormemente la demanda. Históricamente, de hecho, la paradoja de Jevons resulta consistentemente cierta: cuando el costo marginal de un bien con demanda elástica (por ejemplo, computación o distribución) disminuye, la demanda aumenta con creces para compensar. El resultado es más empleos, más expansión económica y mejores bienes para los consumidores. Este fue el caso del microchip e Internet, y también sucederá con la IA generativa.

Si alguna vez has querido iniciar una empresa, ahora es el momento de hacerlo. Y manténgase en contacto durante el camino 🙂

***

Las opiniones expresadas aquí son las del personal individual de AH Capital Management, LLC (“a16z”) citado y no son las opiniones de a16z o sus afiliados. Cierta información contenida aquí se ha obtenido de fuentes de terceros, incluidas empresas de cartera de fondos administrados por a16z. Si bien se tomó de fuentes que se consideran confiables, a16z no ha verificado dicha información de forma independiente y no hace ninguna declaración sobre la precisión duradera de la información o su idoneidad para una situación determinada. Además, este contenido puede incluir anuncios de terceros; a16z no ha revisado dichos anuncios y no respalda ningún contenido publicitario contenido en ellos.

Este contenido se proporciona únicamente con fines informativos y no debe considerarse como asesoramiento legal, comercial, de inversión o fiscal. Debe consultar a sus propios asesores sobre esos asuntos. Las referencias a cualquier valor o activo digital tienen solo fines ilustrativos y no constituyen una recomendación de inversión ni una oferta para brindar servicios de asesoría de inversión. Además, este contenido no está dirigido ni destinado a ser utilizado por ningún inversor o posible inversor, y bajo ninguna circunstancia se puede confiar en él al tomar la decisión de invertir en cualquier fondo administrado por a16z. (Una oferta para invertir en un fondo a16z se realizará únicamente mediante el memorando de colocación privada, el acuerdo de suscripción y otra documentación relevante de dicho fondo y debe leerse en su totalidad). Cualquier inversión o compañía de cartera mencionada, mencionada o descritos no son representativos de todas las inversiones en vehículos gestionados por a16z, y no se puede garantizar que las inversiones serán rentables o que otras inversiones realizadas en el futuro tendrán características o resultados similares. Una lista de inversiones realizadas por fondos administrados por Andreessen Horowitz (excluidas las inversiones para las cuales el emisor no ha otorgado permiso para que a16z las divulgue públicamente, así como las inversiones no anunciadas en activos digitales que cotizan en bolsa) está disponible en https://a16z.com/investments /.

Los cuadros y gráficos que se proporcionan aquí tienen únicamente fines informativos y no se deben utilizar como base para tomar ninguna decisión de inversión. El rendimiento pasado no es indicativo de resultados futuros. El contenido habla únicamente a partir de la fecha indicada. Cualquier proyección, estimación, pronóstico, objetivo, perspectiva y/u opinión expresada en estos materiales está sujeta a cambios sin previo aviso y puede diferir o ser contraria a las opiniones expresadas por otros. Consulte https://a16z.com/disclosures para obtener información adicional importante.