Ankit Arya, Head of AI hos Inscope – Interviewserie

Ankit Arya, Head of AI hos Inscope, har dyb erfaring inden for AI-produktledelse, maskinlæring, virksomhedsautomatisering og anvendt forskning. Som del af Inscopes grundhold bringer han sin erfaring til at bygge software, der giver virksomheder mulighed for at dele nøjagtige og kompatible finansielle data med interessenter. Hans baggrund omfatter at have været medstifter og CTO af Mariana, hvor han arbejdede med AI-dreven markedsanalyse og konkurrenceresearch, samt at have ledet maskinlæring og AI-produktstrategi hos HackerRank. Tidligere i sin karriere arbejdede Arya hos Meta med AI-dreven rekrutteringsautomatisering og VR-produktivitet, hjalp med at udvikle chatbot-baseret virksomhedsautomatisering som grundlæggende ingeniør hos Astound og byggede produktionsklare maskinlæringsystemer hos Collective[i]. Hans karriere spænder over praktisk AI-udvikling, produktstrategi, automatisering og data-drevne systemer på både startup- og stor virksomheds-miljøer.

Inscope er en AI-nativ finansielle rapporteringsplatform bygget til regnskabsfirmaer, finanshold og virksomheder, der skal forberede, gennemgå og levere nøjagtige finansielle rapporter mere effektivt. Platformen fokuserer på at automatisere det manuelle arbejde bag finansielle rapporter, herunder rul-forwards, formatering, afsløringer, fodnoter, sammenligninger og konsistenskontroller. Inscope positionerer sin teknologi som en måde at reducere rapportfejl, forkorte forberedelsesperioder og gøre revisionsklare finansielle rapporter lettere at producere. Virksomheden meddelte en $14,5 millioner serie A-runde i februar 2026 for at udvide sin AI-drevne finansielle rapporteringsplatform, med produkter rettet mod at erstatte fragmenterede regnearks-heavy arbejdsprocesser med en mere systematisk, kompatibel og skalerbar rapporteringsproces.

Du har arbejdet inden for virksomhedsautomatisering, maskinlæring, rekrutterings-AI, VR-produktivitet og AI-produktledelse, før du overtog rollen som Head of AI hos Inscope. Hvordan har den progression forberedt dig til at tackle en af finansens mest manuelle og følsomme arbejdsprocesser?

Over virksomhedsautomatisering, rekrutterings-AI, VR-produktivitet og maskinlæring har jeg konstant gjort variationer af det samme svære arbejde: at tage beskidt menneskearbejde og få et AI-system til at gøre det pålideligt nok, så virkelige hold kan stole på det. Hver domæne har lært mig noget nyt. At udvikle ML-produkter i stor målestok har lært mig, hvad der holder i realt volumen. At bygge med LLM’er som grundlægger har lært mig, hvordan disse modeller faktisk opfører sig, hvor de fejler og hvordan man former dem mod virkelig præcision i stedet for output, der kun ser godt ud i en demo. Og overalt, hvor jeg har arbejdet, har produkterne, der har vundet tillid, holdt en person i kontrol og spejlet, hvordan eksperten allerede arbejdede, i stedet for at tvinge mennesker ind i maskinens logik.

Hvad trak mig mod finans var en erkendelse fra at bygge med LLM’er: for første gang kunne man tage virkelig ustruktureret data og bygge pålidelig automatisering oven på det, hvilket simpelthen ikke var muligt før. Af alle de manuelle, menneskeledede processer, der er på vej til at blive omformet af AI, er finansielle rapporteringsforberedelse en af de reneste. Tesen, jeg kom med, og den, alt, vi bygger, returnerer til, er enkel: forberedernes job skal skiftes til en gennemgangsrolle. Det er den ændring, der er værd at arbejde på.

Finansielle rapporteringsforberedelse og gennemgang har forblevet påvirket af manuelt arbejde i årevis. Hvad gjorde dig til at tro, at dette endelig var en kategori, hvor AI kunne levere meningsfuld ændring?

Hvis du kigger nøje på, hvad en finansielle forbereder gør, er det virkelig en data-transformation-pipeline. Du trækker data fra en snes systemer, der ikke taler sammen, som din ERP, din equity-system og PDF’er fulde af kontrakter og skemaer. Du omdanner alt det til fordøjelige output som balanceblade, indtægtsstater og fodnotetabeller. Så tilføjer du et lag af dømmekraft oven på: den kommentar, der forklarer, hvad tallene betyder. Det er blevet manuelt i så lang tid, fordi disse systemer aldrig har været forbundet, og ældre automatisering som regel-motorer og RPA, de skriptede robotter, der efterligner klik, var alt for skrøbelig til at overleve variationen og edge-cases.

To ting ændrede sig. Først kan modeller nu tage vildt varierende input og strukturere dem, og lige så vigtigt, overflade edge-cases for en menneske at kontrollere i stedet for at bryde stille, så længe du bygger verifikations-trinnet bag dem. Anden, de kan udarbejde grundede kommentarer, fordi finans ikke er ren subjektiv. Der er en reel regelbog at læne sig op ad, fra FASB om, hvordan tingene genkendes og måles, til SEC om, hvordan de offentliggøres, med tusinder af tidligere indleveringer at lære fra. Hvad overbeviste mig om, at dette var rigtigt, var at se en kontrollere, som en enkelt model aldrig kunne få rigtigt, den type, der tager mange afhængige trin, begynde at fungere pålideligt, når vi løb det over en række koordinerede agenter. Med den rette arkitektur bliver problemer, der ser umulige ud for en model, tilgængelige.

Hvorfor har enterprise-finans været sværere at omforme med AI end mange mennesker havde forventet?

Den blotte version er, at dette er arbejde, folk kan gå i fængsel for. Spillet er ekstraordinært højt, så grænsen for at automatisere noget af det er tilsvarende høj. Det er en anden univers end et forbrugerprodukt, hvor en fejl er en irritation. Her kan en enkelt forkert nummer have juridiske og regulatoriske konsekvenser, og personen, der godkender, bærer dem personligt.

Oven på det gør hver virksomhed dette lidt anderledes, og arbejdet er fuldt af undtagelser. Regler og skabeloner håndterer den almindelige vej og falder så sammen lige, hvor det rigtige arbejde lever. Hvad besejrede tidligere software var aldrig et enkelt nummer, det var behovet for at forstå en hel slut-til-slut-arbejdsproces med alle dets hvis og men. Høje spil, dyb tilpasning og virkelig sammenflettede arbejdsprocesser er årsagen til, at denne kategori forblev urørt, mens AI omformede mere flashy kategorier.

Hvad er forskellen mellem generiske AI-værktøjer og den type formål-byggede AI, der kræves til finansielle rapporter og overholdelse?

Dette er, hvor jeg ville modsætte mig idéen om, at det handler om modellen. Alle har de samme modeller. Forskellen ligger i alt, der omgiver dem: hvilken kontekst du placerer foran modellen, på hvilket tidspunkt, med hvilke kontroller. Et formål-bygget system kompenserer også. Jo mere det fungerer inden for en organisation, jo mere lærer det organisationens specifikke mønstre og konventioner, hvilket en generisk værktøj starter fra scratch hver enkelt gang.

Til finans er der nogle ting, du ikke kan springe over. Outputtet skal være grundlagt i kilde-data, og hvert nummer skal være sporbar tilbage til, hvor det kom fra, hvem eller hvad producerede det, og hvorfor. Og systemet skal vide sine egne begrænsninger i tillid, flagge, hvad det ikke er sikker på, for en person i stedet for at gætte. Den virkelige håndværk ligger i oplevelsen omkring alt det. Du kan ikke bare smide et svar på væggen og lade brugeren forsvare det. Design til grundlæggelse, sporbarhed og en smuk overdragelse til et menneske er, hvad adskiller en generisk værktøj fra noget, en controller vil stille sit navn bag.

Hvad er de største maskinlærings-udfordringer i opbygning af systemer, der kan pålideligt forstå strukturen, relationerne og logikken bag finansielle rapporter?

Start med et konkrekt eksempel. En sammenligning er, når du sikrer, at et nummer er enigt overalt, hvor det optræder: en tabel mod andre tabeller, en tabel mod den omgivende tekst, teksten mod sig selv, på hele indleveringen. Forberedere gør det hver dag. Det lyder trivialt, men du kan ikke bare slippe hele dokumentet ind i en model med en clever prompt og stole på resultatet, ikke på den præcision, dette arbejde kræver. For at gøre det pålideligt måtte vi bryde det ned i et koordineret system af mindre, kontrollerbare trin. Selv den mest rutinemæssige kontrol i finans kan ikke blot erstattes af en enkelt model-kald.

Dette er den centrale maskinlærings-udfordring, og den har tre lag. Systemet skal forstå, hvordan en bestemt kunde fungerer, og fortsætte med at lære fra deres feedback. Det skal virkelig fatte relationerne inden i en finansielle rapport, da tal sammenlignes på tværs af rapporter, fodnoter forsones, og perioder ruller fremad, i stedet for blot at læse teksten. Og når mange agenter samarbejder, har du stille og roligt påtaget dig et distributed-system-problem: at få den rette kontekst til det rette trin, at placere kontroller og vagter, at blande automatiseret gennemgang med menneskelig gennemgang og at bygge de interne datasæt, der lader dig måle, om noget af det overhovedet er korrekt. Det svære var aldrig at få en model til at læse en finansielle rapport. Det er at bygge systemet omkring det, der kan resonere, kontrollere sig selv og forklare, hvor hver cifre kom fra.

Hvordan tænker du over model-nøjagtighed, forklarbarhed og fejl-tolerans, når AI anvendes til finansielle arbejdsprocesser, hvor små fejl kan have store konsekvenser?

Der er ingen enkelt nøjagtighedsbar, og at forestille sig andet er, hvor folk tager fejl. Disse systemer er ikke 100% nøjagtige, og hvad der kan opnås, varierer meget afhængigt af opgaven. Så det virkelige arbejde er at kommunikere ærligt om, hvad systemet gjorde, og hvor risikoen ligger. I stedet for at bølge en blanket-success-rate peger du gennemgangeren på de punkter, der bærer den største risiko, de væsentlige, og du er eksplicit om, hvad systemet ikke rørte. Det er, hvordan du lukker gapet, i stedet for at forestille sig, det ikke er der.

Forklarbarhed skal være konkrete, ikke en princip på en skive. Når vi kører fod-kontroller på en tabel, viser vi en mini-regnemaskine: de præcise celler, der blev kombineret, og den aritmetik, systemet brugte. Hvis det gjorde en fejl, kan du se det i et sekund. På modellens side er det eneste, der virkelig betyder noget, stærke evalueringssuiter, der måler nøjagtighed på virkelige opgaver. Ud over det handler det om at lære at se med modellens øjne. Det er overraskende let at glemme, hvad modellen faktisk kan se. Så du studerer, hvad der er foran det, du studerer, hvordan en ekspert resonrerer gennem det samme problem, og du lukker afstanden ved at give modellen den kontekst, eksperten ville have.

Hvad kræver det for at vinde tilliden hos CFO’er, kontrollører og revisorer, når AI anvendes i overholdelses-krævende miljøer?

Tillid begynder med at gøre det let at se, hvad systemet gjorde. En bruger ser aldrig din evalueringssuite og bekymrer sig ikke om, at du gennemsnitligt er 95%. De kigger på deres indlevering, og på deres indlevering kan systemet gøre værre end gennemsnittet, måske dens dårligste løb i dag. Ingen samlet nummer kan berolige nogen i det øjeblik.

Så alt rider på oplevelsen omkring AI’et. Du viser tydeligt, hvad der blev gjort, gør det let at verificere og korrigere, og sikrer, at korrektionen faktisk lærer systemet. Disse er mennesker, der er personligt ansvarlige for tallene, så de vil ikke have en sort boks. De vil blive i kontrol og se arbejdet.

Et tilfælde fanget det. En bruger pegede på en beregningsfejl i en tabel og spurgte, hvorfor AI’et ikke havde fanget det. Fordi hver handling var på optagelse, kunne vi gå tilbage gennem præcis, hvad der skete: systemet havde faktisk pegede på den cifre som spørgsmål og var blevet afvist. Pointen er ikke, hvem der havde ret. Det er, at en fuldstændig, fælles optagelse forvandlede, hvad der kunne have været en finger-pegnings-øvelse, til en fem-minutters rekonstruktion. Den type dokumenteret spor er, hvad lader en finanshold behandle systemet som en ægte partner.

Hvor mange virksomheder går galt, når de prøver at introducere AI i kritiske finansielle arbejdsprocesser?

Den mest almindelige fejl er at sigte mod fuld automatisering på dagen én. Instinktet er at fjerne eksperten; det bedre træk er at gøre eksperten langt mere produktiv og rette deres dømmekraft, hvor det virkelig betyder noget. Når du prøver at fjerne mennesket helt, får du noget, ingen stoler på, og ingen bruger.

Den anden er at behandle dette som et rent model-problem og at sulte den del, brugeren faktisk rører. Hvordan arbejdet præsenteres, hvor let det er at kontrollere og korrigere, afgør ofte, om et værktøj bliver antaget eller stille og roligt forladt. Mange hold opdager for sent, at modellen var den lette del.

Hvis jeg skulle rådgive en CFO, der starter i dag: Vælg en smal, smertefuld, velforstået opgave i stedet for at koge havet, hold dine eksperter fast i førersædet og invester lige så meget i oplevelsen og feedback-løkken som i modellen selv. Det er forskellen mellem en pilot, der dør stille, og en, der ændrer, hvordan holdet arbejder.

Hvordan ser du rollen som finansielle professionelle udvikle sig over de næste par år, når AI bliver mere integreret i rapportering og gennemgang?

Dette er, hvor tesen jeg åbnede med, betaler af. Skiftet er fra forberedelse til gennemgang. I dag går det meste af en forbereders tid til mekanik: at trække data fra spredte systemer, bygge tabeller, køre de samme kontroller igen og igen. Da AI absorberer det, skifter jobbet mod at gennemgå outputtet, anvende dømmekraft, hvor det virkelig kræver et menneske, og håndtere undtagelserne.

Jeg ser dette som at gøre finansielle professionelle mere værdifulde, ikke mindre. Deres dømmekraft, deres institutionelle hukommelse og den ansvarlighed, de bærer, bliver brugt på de beslutninger, der virkelig betyder noget, i stedet for på samle-arbejde, en maskine kan gøre. De bedste af dem vil være eksperter i at dirigere og kontrollere AI-output, fange det, der ser subtilt forkert ud, og arbejde flydende sammen med disse systemer.

Jeg ville være præcis om hastigheds-gevinsten, dog. AI komprimerer forberedelse, der kan gå fra uger til en brøkdel af det. Det komprimerer ikke de dele, der er gated af eksterne revisorer og indleverings-frister, som er en bund, det ikke kan flytte. Men at mindske forberedelse alene ændrer rytmen af funktionen: en hurtigere lukning, rapportering, der nærmer sig kontinuerlig, og mere tid brugt på, hvad tallene betyder for virksomheden, i stedet for på at producere dem. Det er en mere strategisk fremtid for professionen, ikke en mindre.

Når du ser på tværs af enterprise AI-landskabet, hvad adskiller virksomheder, der løser dybe operationelle problemer, fra dem, der bare rider AI-bølgen?

Jeg dømmer det med en test, og det har intet at gøre med AI: Hvor meget ville en kunde lide, hvis produktet forsvandt i morgen? Hvis svaret er “meget”, er det en rigtig virksomhed. Hvis det ærlige svar er “de ville knap nok bemærke det”, er det en virksomhed, der surfer på hypen. AI ændrer ikke den test. Det gør det bare billigere at bygge en slick demo, der fejler den.

Gå et niveau dybere, og den varige fordel kommer fra, hvor langt ind i arbejdet du er villig til at gå. Den sidste generation af software byggede stedet, hvor arbejdet sker, overfladen, folk arbejder på. Denne generation kan bygge systemer, der gør arbejdet selv, herunder de komplekse, multi-trins enterprise-tilfælde, som de fleste værktøjer stille og roligt routerer omkring. Når du er gået så dybt, med den akkumulerede kontekst og den tillid, der tager år at tjene, kan en stor laboratorie ikke bare gå ind og tage forretningsområdet med en bedre grund-model. Den dybde er hele spillet, og det er, hvor vi har sat vores indsats hos Inscope.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Inscope.