Ankit Arya, Head of AI ve firmě Inscope – Interview Series

Ankit Arya, Head of AI ve firmě Inscope, má hluboké zkušenosti v oblasti AI produktového vedení, strojového učení, podnikové automatizace a aplikovaného výzkumu. Jako člen zakládajícího týmu Inscope pomáhá budovat software, který umožňuje společnostem sdílet přesná a souladná finanční data se stakeholders. Jeho pozadí zahrnuje funkce jako spoluzakladatel a CTO ve firmě Mariana, kde pracoval na AI poháněné tržní analýze a konkurenčním výzkumu, a také vedení strojového učení a AI produktové strategie ve firmě HackerRank. Na začátku své kariéry pracoval Arya ve firmě Meta na AI poháněné automatizaci náboru a produktivitě VR, pomáhal vyvíjet chatboty založené na podnikové službě automatizaci jako zakládající inženýr ve firmě Astound a budovat systémy strojového učení ve firmě Collective[i]. Jeho kariéra zahrnuje praktické nasazení AI, produktovou strategii, automatizaci a datové systémy v obou startupových a velkých podnikových prostředích.

Inscope je AI-rodná finanční reportovací platforma postavená pro účetní firmy, finanční týmy a podniky, které potřebují připravovat, přezkoumávat a dodávat přesné finanční výkazy efektivněji. Platforma se zaměřuje na automatizaci manuální práce za finanční reportování, včetně rollování, formátování, odhalení, záhlaví, propojení a kontrolní testy. Inscope позициuje svou technologii jako způsob, jak snížit chyby reportingu, zkrátit přípravné cykly a usnadnit výrobu auditovaných finančních výkazů. Společnost ohlásila 14,5 milionu dolarů série A v únoru 2026, aby rozšířila svou AI poháněnou finanční reportovací platformu, se zaměřením na nahrazení fragmentovaných workflow založených na tabulkách systematickým, souladným a škálovatelným reportovacím procesem.

Pracoval jste napříč podnikovou automatizací, strojovým učením, AI náboru, VR produktivitou a AI produktovým vedením předtím, než jste se stal Head of AI ve firmě Inscope. Jak vám tato progrese připravila na řešení jedné z nejručnějším a nejcitlivějším workflow financí?

Příčinou je, že jsem dělal variace stejné těžké věci: bral jsem lidskou práci a dostal AI systém, aby ji dělal spolehlivě, aby se na něj mohli spoléhat skutečné týmy. Každá doména naučila jinou část. Nasazení ML produktů v měřítku mi naučilo, co vydrží skutečný objem. Budování s LLM jako zakladatel mi naučil, jak tyto modely skutečně fungují, kde se láme a jak je tvarovat směrem k skutečné přesnosti spíše než k výstupu, který vypadá dobře v demo. A všude, kde jsem pracoval, produkty, které získaly důvěru, držely člověka pod kontrolou a zrcadlily, jak již odborník pracoval, místo aby donutil lidi logiku stroje.

Co mě táhlo do financí, byla skutečnost z budování s LLM: poprvé jste mohli vzít skutečně neuspořádaná data a postavit spolehlivou automatizaci na vrcholu, což prostě nebylo možné dříve. Z všech manuálních, lidsky vedených procesů, které mají být přetvořeny AI, je finanční výkaz příprava jednou z nejčistějších. Teze, se kterou jsem přišel, a na kterou se vše, co budujeme, vrací, je jednoduchá: práce preparátorů by se měla posunout k recenzentovi. To je změna, na které stojí za to pracovat.

Finanční výkaz příprava a přezkum zůstala překvapivě ruční po mnoho let. Co vás přesvědčilo, že tato kategorie je konečně místem, kde AI může přinést významnou změnu?

Pokud se podíváte blíže na to, co dělá finanční preparátor, je to vlastně pipeline datové transformace. Získáváte data z desítek systémů, které spolu nemluví, jako je váš ERP, váš systém rovnice a PDF plné smluv a harmonogramů. Přeměníte je na stravitelné výstupy, jako jsou bilanční listy, výkazy zisku a ztráty a tabulky poznámek. Pak přidáte vrstvu úsudku: komentář, který vysvětluje, co čísla znamenají. Zůstalo ruční tak dlouho, protože tyto systémy nebyly nikdy propojeny a starší automatizace, jako jsou pravidlové motory a RPA, skriptované boty, které napodobují kliknutí, byly příliš křehké, aby přežily variabilitu a edge případy.

Dvě věci se změnily. První, modely mohou nyní vzít divoce se lišící vstup a strukturovat je a stejně důležité, povrch edge případů pro lidskou kontrolu místo tichého rozbití, pokud postavíte ověřovací krok za nimi. Druhý, mohou vypracovat založené komentáře, protože finance nejsou čistě subjektivní. Existuje skutečná pravidla, na které se můžete spolehnout, od FASB, jak věci jsou uznány a měřeny, až po SEC, jak jsou zveřejňovány, s tisíci předchozích podání, z nichž se můžete učit. Co mě přesvědčilo, že to je skutečné, bylo sledování kontroly, kterou žádný model nemůže nikdy získat správně, druhu, který vyžaduje mnoho závislých kroků, začalo fungovat spolehlivě, jakmile jsme jej spustili napříč sadou koordinovaných agentů. S správnou architekturou se problémy, které vypadají nemožné pro jeden model, stávají řešitelnými.

Proč byla podniková finance těžší transformovat s AI, než mnoho lidí očekávalo?

Čistá verze je, že tato práce je něco, za co můžete jít do vězení. Sázky jsou mimořádně vysoké, takže laťka pro automatizaci čehokoli z toho je odpovídajícím způsobem vysoká. To je jiný vesmír než spotřebitelský produkt, kde chyba je otravnost. Zde jedna špatná čísla může nést právní a regulační důsledky a osoba, která to schválí, nese je osobně.

Kromě toho každá společnost dělá toto trochu jinak a práce je plná výjimek. Pravidla a šablony zvládnou běžnou cestu a pak se rozpadnou přesně tam, kde skutečná práce žije. Co porazilo dřívější software, nebyla žádná jediná čísla, ale potřeba pochopit celý koncový workflow se všemi jeho jestli a ale. Vysoké sázky, hluboká přizpůsobení a skutečně spleťované workflow jsou důvodem, proč tato kategorie zůstala nedotčena, zatímco AI transformovala blyštivější kategorie.

Co je mezera mezi obecnými AI nástroji a druhem účelově postaveného AI, který je vyžadován pro finanční reportování a soulad?

Toto je místo, kde bych zpochybnil myšlenku, že jde pouze o model. Každý má stejné modely. Rozdíl je ve všem kolem nich: jaký kontext jste předložili modelu, v jakém okamžiku, s jakými kontrolami. Účelově postavený systém také sčítá. Čím více funguje uvnitř jedné organizace, tím více se učí specifické vzorce a konvence této společnosti, které obecný nástroj začíná od nuly pokaždé.

Pro finance existují beberapa věcí, které nelze vynechat. Výstup musí být založen na zdrojových datech a každé číslo musí být stopovatelné zpět k tomu, odkud pochází, kdo nebo co jej vyrobil a proč. A systém musí znát limity své vlastní jistoty, označit, co není jisté pro člověka, místo aby hádal. Skutečné řemeslo je v zážitku kolem všeho. Nemůžete jen hodit odpověď na zeď a nechat uživatele, aby ji obhájil. Navrhnout pro zakotvení, stopovatelnost a elegantní předání člověku je to, co odděluje obecný nástroj od něčeho, co controller skutečně podepíše.

Co jsou největší výzvy strojového učení při budování systémů, které mohou spolehlivě pochopit strukturu, vztahy a logiku za finančními výkazy?

Začněte s konkrétním příkladem. Tie-out je, když se ujistíte, že číslo souhlasí všude, kde se objeví: tabulka proti ostatním tabulkám, tabulka proti okolnímu textu, text proti sobě, napříč celým podáním. Preparátoři to dělají každý den. Zněží to triviálně, ale nemůžete prostě hodit celý dokument do modelu s chytrou výzvou a důvěřovat výsledku, ne na přesnosti, kterou tato práce vyžaduje. Abychom to učinili spolehlivým, museli jsme to rozdělit do koordinovaného systému menších, ověřitelných kroků. I nejrutinnější kontrola ve financích nemůže být jednoduše vyměněna za jeden modelový hovor.

To je jádrový strojový-učební problém a má tři vrstvy. Systém musí pochopit, jak konkrétní zákazník pracuje a musí se učit z jeho zpětné vazby. Musí skutečně chápat vztahy uvnitř finančního výkazu, protože čísla se váží napříč výkazy, poznámky se vyrovnávají a období se posunují dopředu, spíše než jen číst text. A jednou, když mnoho agentů spolupracuje, jste potichu převzali problém distribuovaných systémů: dostat správný kontext na správný krok, umístit kontroly a stráže, míchat automatizovanou kontrolu s lidskou kontrolou a budovat interní datové sady, které vám umožňují měřit, zda z toho něco je skutečně správné. Těžká část nebyla nikdy získat model, který čte finanční výkaz. Je to budování systému kolem něj, který může uvažovat, kontrolovat sám sebe a vysvětlit, odkud pochází každé číslo.

Jak přemýšlíte o modelové přesnosti, vysvětlitelnosti a toleranci chyb, když se AI aplikuje na finanční workflow, kde malé chyby mohou mít velké důsledky?

Neexistuje žádná jediná přesnostní laťka a předstírat jinak je místo, kde lidé dělají chyby. Tyto systémy nejsou 100% přesné a co je dosažitelné se liší hodně podle úkolu. Skutečná práce spočívá v komunikaci o tom, co systém udělal a kde leží riziko. Místo vlnění celkovou úspěšnostní rychlostí ukazujete recenzentovi položky, které nesou největší riziko, materiálové položky a jste explicitní o tom, co systém nedotkl. To je způsob, jakým uzavřete mezeru, místo aby předstíral, že tam není.

Vysvětlitelnost musí být konkrétní, ne princip na skluzu. Když spustíme nožní kontroly na tabulce, ukazujeme mini kalkulačku: přesně buňky, které byly kombinovány a aritmetika, kterou systém použil. Pokud udělal chybu, můžete ji vidět za sekundu. Na straně modelu je nejvýznamnějším nástrojem silné hodnocení, které měří přesnost na skutečných úkolech. Za tím vším spočívá učení vidět očima modelu. Je překvapivě snadné zapomenout, co model skutečně vidí. Takže studujete, co je před ním, studujete, jak odborník řeší stejný problém a uzavíráte vzdálenost, poskytujete modelu kontext, který by měl odborník.

Co je potřeba, aby se AI získala důvěru CFO, kontrolorů a auditorů, když se nasazuje v souladu-naplněných prostředích?

Důvěra začíná s tím, že je snadné vidět, co systém udělal. Uživatel nikdy nevidí vaši hodnocení sadu a nezajímá se o to, že jste v průměru 95%. Dívají se na své podání a na svém podání může systém udělat horší než průměr, možná jeho nejhorší běh dne. Žádné agregované číslo nemůže nikoho utěšit v tu chvíli.

Takže všechno závisí na zážitku kolem AI. Ukazujete jasně, co bylo uděláno, děláte to triviálně ověřitelné a opravovatelné a zajistíte, aby ta oprava skutečně naučila systém. Tyto jsou lidé, kteří jsou osobně odpovědní za čísla, takže nechtějí černou skříňku. Chtějí zůstat pod kontrolou a vidět práci.

Jeden případ to zachytil. Uživatel označil chybu výpočtu v tabulce a zeptal se, proč AI nezachytila. Protože každá akce byla na záznamu, mohli jsme projít přesně, co se stalo: systém skutečně označil toto číslo jako pochybné a bylo zamítnuto. Bod není v tom, kdo měl pravdu. Je to, že kompletní, sdílený záznam proměnil to, co by mohlo být cvičením s ukazováním prstu, v pětiminutovou rekonstrukci. Takový druh zdokumentovaného stopy je to, co umožňuje finančním týmům považovat systém za skutečného partnera.

Kde mnoho podniků selhává, když se snaží zavést AI do kritických finančních workflow?

Nejběžnější chyba je snažit se o plnou automatizaci od prvního dne. Instinkt je odstranit odborníka; lepší pohyb je učinit odborníka mnohem produktivnějším a zaměřit jeho úsudky tam, kde skutečně záleží. Když se snažíte odstranit člověka úplně, získáte něco, co nikdo nedůvěřuje a nikdo nepoužívá.

Druhá je zacházet s tím jako s čistě modelovým problémem a hladovět část, kterou uživatel skutečně dotýká. Jak je práce prezentována, jak snadno je to ověřitelné a opravovatelné, často rozhoduje, zda je nástroj přijat nebo tiše opuštěn. Mnoho týmů objeví příliš pozdě, že model byl snadná část.

Pokud bych radil CFO, který začíná dnes: zvolte úzkou, bolestivou, dobře pochopitelnou úlohu spíše než vaření oceánu, držte své odborníky pevně ve řidiči a investujte tolik do zážitku a zpětné vazby jako do modelu samotného. To je rozdíl mezi pilotem, který tiše umírá, a tím, který mění, jak tým pracuje.

Jak vidíte roli finančních profesionálů se změnou v průběhu příštích několika let, když se AI stává více zakotvenou v reportingu a přezkumu?

Toto je místo, kde se teze, se kterou jsem začal, vyplácí. Posun je z přípravy na přezkum. Dnes většina času preparátorů jde na mechaniku: získávání dat ze rozptýlených systémů, budování tabulek, spouštění stejných kontrol znovu a znovu. Jakmile AI absorbuje to, práce se posune k přezkumu výstupu, aplikování úsudku tam, kde skutečně potřebujete člověka, a zvládání výjimek.

Vidím to jako činění finančních profesionálů více cennými, ne méně. Jejich úsudek, institucionální paměť a odpovědnost, kterou nesou, se budou využívat pro rozhodnutí, která skutečně záleží, místo aby se trávily na montážní práci, kterou může stroj udělat. Nejlepší z nich budou vynikající v řízení a kontrole AI výstupu, chytání věcí, které vypadají jemně špatně, a pracují plynule vedle těchto systémů.

Byl bych přesný o rychlosti, ale. AI komprimuje přípravu, která může jít z týdnů na zlomek toho. Nemůže komprimovat části, které jsou brány externími auditory a termíny podání, které jsou podlahou, kterou nelze přesunout. Ale zkrácení přípravy samo o sobě mění rytmus funkce: rychlejší uzavírání, reportování, které se blíží k nepřetržitému, a více času stráveného tím, co čísla znamenají pro podnik, místo aby se produkovaly. To je strategičtější budoucnost pro profesi, ne menší.

Když se podíváte na podnikový AI krajinný pohled, co odděluje společnosti, které řeší hluboké provozní problémy, od těch, které prostě jezdí na AI vlně?

Posuzuji to jedním testem a nemá to nic společného s AI: kolik by zákazník trpěl, kdyby produkt zmizel zítra? Pokud je odpověď “hodně”, je to skutečná společnost. Pokud je upřímná odpověď “téměř by si toho nevšimli”, je to společnost, která jezdí na hype. AI to nemění. Jen to dělá levnější postavit hezkou demo, která to selže.

Jděte o úroveň hlouběji a udržitelná výhoda pochází z toho, jak hluboko do práce jste ochotni jít. Předchozí generace softwaru postavila místo, kde se práce děje, povrch, na kterém lidé pracují. Tato generace může postavit systémy, které dělají práci sama, včetně komplexních, vícekrokových podnikových případů, které většina nástrojů tiše obchází. Jakmile jste šli tak hluboko, s nahromaděným kontextem a důvěrou, kterou trvá roky získat, nemůže velká laboratoř prostě vejít a vzít podnik s lepším základním modelem. Ta hloubka je celá hra a je tam, kde jsme umístili naší sázku ve firmě Inscope.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Inscope.