Ankit Arya, Leiter der KI bei Inscope – Interviewreihe

Ankit Arya, Leiter der KI bei Inscope, bringt umfassende Erfahrung in der KI-Produktführung, dem maschinellen Lernen, der Unternehmensautomatisierung und der angewandten Forschung mit. Als Teil des Gründungsteams von Inscope hilft er dabei, Software zu entwickeln, die es Unternehmen ermöglicht, genaue und konforme Finanzdaten mit Stakeholdern zu teilen. Sein Hintergrund umfasst die Tätigkeit als Mitgründer und CTO von Mariana, wo er an AI-gesteuerter Marktanalyse und Wettbewerbsforschung arbeitete, sowie die Leitung der maschinellen Lern- und KI-Produktstrategie bei HackerRank. Zu Beginn seiner Karriere arbeitete Arya bei Meta an AI-gesteuerter Rekrutierungsautomatisierung und VR-Produktivität, half bei der Entwicklung von chatbot-basierten Unternehmensdienstautomatisierungen als Gründungsingenieur bei Astound und baute produktionsskalierbare maschinelle Lernsysteme bei Collective[i]. Seine Karriere umfasst die praktische KI-Einsetzung, Produktstrategie, Automatisierung und datengetriebene Systeme in beiden Startup- und großen Unternehmensumgebungen.

Inscope ist eine AI-natürliche Finanzberichtsplattform, die für Wirtschaftsprüfungskanzleien, Finanzteams und Unternehmen entwickelt wurde, die finanzielle Aussagen effizienter vorbereiten, überprüfen und liefern müssen. Die Plattform konzentriert sich auf die Automatisierung der manuellen Arbeit hinter der Finanzberichterstattung, einschließlich Rollen, Formatierungen, Offenlegungen, Fußnoten, Abstimmungen und Konsistenzprüfungen. Inscope positioniert seine Technologie als Mittel, um Berichtsfehler zu reduzieren, Vorbereitungszyklen zu verkürzen und prüffähige Finanzberichte einfacher zu erstellen. Das Unternehmen kündigte im Februar 2026 eine Serie-A-Finanzierung in Höhe von 14,5 Millionen US-Dollar an, um seine AI-gesteuerte Finanzberichtsplattform zu erweitern, wobei das Produkt darauf abzielt, fragmentierte, spreadsheet-basierte Workflows durch einen systematischeren, konformen und skalierbaren Berichtsprozess zu ersetzen.

Sie haben in verschiedenen Bereichen wie Unternehmensautomatisierung, maschinellem Lernen, Rekrutierungs-KI, VR-Produktivität und KI-Produktführung gearbeitet, bevor Sie die Position des Leiters der KI bei Inscope übernommen haben. Wie hat diese Entwicklung Sie darauf vorbereitet, eine der manuellsten und sensibelsten Finanzworkflows anzugehen?

Über die Unternehmensautomatisierung, das maschinelle Lernen, die Rekrutierungs-KI, die VR-Produktivität und die KI-Produktführung hinweg habe ich immer wieder dasselbe schwierige Unterfangen unternommen: menschliche Arbeit in ein zuverlässiges AI-System zu überführen, auf das echte Teams angewiesen sind. Jeder Bereich hat mir etwas anderes beigebracht. Die Einsetzung von ML-Produkten im großen Maßstab hat mich gelehrt, was unter realen Volumina hält. Die Arbeit mit LLMs als Gründer hat mich gelehrt, wie diese Modelle tatsächlich funktionieren, wo sie versagen und wie man sie auf echte Präzision und nicht nur auf Demo-Output ausrichtet. Und überall, wo ich gearbeitet habe, haben die Produkte, die Vertrauen erlangt haben, einen Menschen in der Kontrolle belassen und die Art und Weise, wie der Experte bereits arbeitet, widerspiegelt, anstatt Menschen in die Logik der Maschine zu zwingen.

Was mich zur Finanzbranche gezogen hat, war die Erkenntnis, die ich durch die Arbeit mit LLMs gewonnen habe: zum ersten Mal konnte man tatsächlich unstrukturierte Daten nehmen und zuverlässige Automatisierung darauf aufbauen, was vorher nicht möglich war. Von all den manuellen, menschlich geführten Prozessen, die von der KI umgestaltet werden sollen, ist die Finanzberichterstattung einer der reinsten. Die These, mit der ich begonnen habe und die alles, was wir bauen, bestätigt, ist einfach: die Aufgabe des Vorbereiters sollte sich zu der eines Prüfers wandeln. Das ist die Veränderung, an der es sich lohnt zu arbeiten.

Die Finanzberichterstattung und -prüfung sind seit Jahren ein manueller Prozess geblieben. Was hat Sie dazu gebracht, zu glauben, dass dies endlich ein Bereich ist, in dem die KI einen bedeutenden Wandel herbeiführen kann?

Wenn man sich genau ansieht, was ein Finanzvorbereiter tut, ist es im Grunde ein Daten-Transformationsprozess. Man zieht Daten aus einer Reihe von Systemen, die nicht miteinander sprechen, wie ERP, Equity-Systeme und PDFs voller Verträge und Zeitpläne. Man verwandelt all dies in verdauliche Ausgaben wie Bilanzen, Gewinn- und Verlustrechnungen und Fußnotentabellen. Dann fügt man eine Schicht von Urteilsvermögen hinzu: die Kommentare, die erklären, was die Zahlen bedeuten. Es blieb manuell, weil diese Systeme nie miteinander verbunden waren und ältere Automatisierungen wie Regeln-Engines und RPA, die skriptbasierten Bots, die Klicks nachahmen, zu brüchig waren, um die Vielfalt und die Randfälle zu überleben.

Zwei Dinge haben sich geändert. Erstens können Modelle jetzt wild variierende Eingaben strukturieren und, ebenso wichtig, die Randfälle für einen Menschen sichtbar machen, anstatt stillschweigend zu brechen, solange man den Überprüfungsschritt dahinter baut. Zweitens können sie begründete Kommentare entwerfen, da Finanzen nicht rein subjektiv sind. Es gibt ein echtes Regelbuch, auf das man sich stützen kann, von FASB über die Anerkennung und Messung bis hin zur SEC über die Offenlegung, mit Tausenden von vorherigen Einreichungen, von denen man lernen kann. Was mich überzeugt hat, dass dies real ist, war das Beobachten einer Prüfung, die ein einzelnes Modell nie richtig bekommen konnte, die Art von Prüfung, die viele abhängige Schritte erfordert, und die erst zuverlässig funktioniert, wenn man sie über eine Reihe von koordinierten Agenten läuft. Mit der richtigen Architektur werden Probleme, die für ein Modell unmöglich erscheinen, handhabbar.

Warum ist es so schwer, die Finanzwelt mit KI zu transformieren, wie viele Menschen erwartet haben?

Die direkte Version ist, dass dies Arbeit ist, für die man ins Gefängnis kommen kann. Die Einsätze sind außerordentlich hoch, so dass die Latte, um irgendetwas davon zu automatisieren, entsprechend hoch ist. Das ist eine andere Welt als ein Konsumprodukt, bei dem ein Fehler nur eine Unannehmlichkeit ist. Hier kann eine falsche Zahl rechtliche und regulatorische Konsequenzen haben, und die Person, die die Verantwortung übernimmt, trägt sie persönlich.

Dazu kommt, dass jedes Unternehmen dies ein wenig anders macht, und die Arbeit ist voller Ausnahmen. Regeln und Vorlagen decken den gemeinsamen Pfad ab und brechen genau da zusammen, wo die echte Arbeit stattfindet. Was frühere Software besiegt hat, war nie eine einzelne Zahl, sondern die Notwendigkeit, ein ganzes End-to-End-Workflows mit all seinen Wenns und Abers zu verstehen. Hohe Einsätze, tiefe Anpassung und tatsächlich verwickelte Workflows sind der Grund, warum diese Kategorie unberührt blieb, während die KI andere Bereiche transformierte.

Was ist der Unterschied zwischen generischen KI-Tools und der Art von speziell entwickelter KI, die für die Finanzberichterstattung und -compliance erforderlich ist?

Das ist der Punkt, an dem ich mich gegen die Idee wehren würde, dass es nur um das Modell geht. Jeder hat die gleichen Modelle. Der Unterschied liegt in allem, was um sie herum ist: in welchem Kontext man das Modell einsetzt, zu welchem Zeitpunkt, mit welchen Prüfungen. Ein speziell entwickeltes System kompensiert auch. Je mehr es innerhalb einer Organisation funktioniert, desto mehr lernt es die spezifischen Muster und Konventionen dieses Unternehmens, was ein generisches Tool jedes Mal von vorne beginnt.

Für die Finanzen gibt es einige Dinge, die man nicht überspringen kann. Die Ausgabe muss in den Quelldaten verwurzelt sein, und jede Zahl muss zurückverfolgbar sein zu ihrer Herkunft, wer oder was sie produziert hat und warum. Und das System muss die Grenzen seines eigenen Vertrauens kennen, indem es das, was es nicht sicher ist, für einen Menschen flaggt, anstatt zu raten. Die wahre Kunst liegt in der Erfahrung um all das herum. Man kann nicht einfach eine Antwort auf die Wand werfen und den Benutzer sie verteidigen lassen. Das Designen für Verankerung, Rückverfolgbarkeit und eine elegante Übergabe an einen Menschen ist, was ein generisches Tool von etwas unterscheidet, das ein Controller tatsächlich seinem Namen geben wird.

Was sind die größten maschinellen Lernherausforderungen beim Aufbau von Systemen, die die Struktur, Beziehungen und Logik hinter Finanzberichten zuverlässig verstehen können?

Beginnen wir mit einem konkreten Beispiel. Eine Abstimmung ist, wenn man sicherstellt, dass eine Zahl überall, wo sie erscheint, übereinstimmt: eine Tabelle gegen andere Tabellen, eine Tabelle gegen den umgebenden Text, der Text gegen sich selbst, über eine gesamte Einreichung hinweg. Vorbereiter tun dies jeden Tag. Es klingt trivial, aber man kann nicht einfach das gesamte Dokument in ein Modell mit einem cleveren Prompt legen und dem Ergebnis vertrauen, nicht bei der Präzision, die diese Arbeit erfordert. Um es zuverlässig zu machen, mussten wir es in ein koordiniertes System aus kleineren, überprüfbaren Schritten aufteilen. Selbst die alltäglichste Prüfung in der Finanzwelt kann nicht einfach durch einen einzelnen Modellaufruf ersetzt werden.

Das ist die Kernmaschinenlernherausforderung, und sie hat drei Ebenen. Das System muss verstehen, wie ein bestimmter Kunde arbeitet und von seinem Feedback lernen. Es muss wirklich die Beziehungen innerhalb eines Finanzberichts erfassen, da Zahlen über Berichte, Fußnoten und Perioden hinweg abgestimmt werden, anstatt nur den Text zu lesen. Und sobald viele Agenten zusammenarbeiten, hat man stillschweigend ein verteiltes Systemproblem übernommen: dem richtigen Schritt den richtigen Kontext zu geben, Prüfungen und Wächter einzubauen, automatisierte Überprüfung mit menschlicher Überprüfung zu mischen und die internen Datensätze aufzubauen, die es ermöglichen, zu messen, ob irgendetwas davon tatsächlich korrekt ist. Der harte Teil war nie, ein Modell zu bauen, das einen Finanzbericht liest. Es ist das System um es herum zu bauen, das vernünftig sein, sich selbst überprüfen und erklären kann, wo jede Zahl herkommt.

Wie denken Sie über Modellgenauigkeit, Erklärbarkeit und Fehlertoleranz nach, wenn KI auf Finanzworkflows angewendet wird, bei denen kleine Fehler große Konsequenzen haben können?

Es gibt keine einzige Genauigkeitslatte, und es ist falsch, so zu tun, als gäbe es sie. Diese Systeme sind nicht 100% genau, und was erreichbar ist, variiert stark je nach Aufgabe. Die wahre Arbeit besteht darin, ehrlich über das zu kommunizieren, was das System getan hat und wo das Risiko liegt. Anstatt eine allgemeine Erfolgsrate zu winken, zeigt man dem Prüfer die Elemente, die das größte Risiko tragen, die wesentlichen, und man ist explizit darüber, was das System nicht berührt hat. So schließt man die Lücke, anstatt so zu tun, als gäbe es sie nicht.

Erklärbarkeit muss konkret sein, kein Prinzip auf einer Folie. Wenn wir Fußprüfungen auf einer Tabelle durchführen, zeigen wir einen Mini-Rechner: die genauen Zellen, die kombiniert wurden, und die Arithmetik, die das System verwendet. Wenn es einen Fehler gemacht hat, kann man es in einer Sekunde sehen. Auf der Modellseite ist das wichtigste Werkzeug ein starker Bewertungs-Satz, der die Genauigkeit bei realen Aufgaben misst. Darüber hinaus kommt es darauf an, zu lernen, mit den Augen des Modells zu sehen. Es ist erstaunlich leicht, zu vergessen, was das Modell tatsächlich sehen kann. Man studiert also, was vor ihm liegt, man studiert, wie ein Experte durch das gleiche Problem denkt, und man schließt die Distanz, indem man dem Modell den Kontext gibt, den der Experte haben würde.

Was braucht es, um das Vertrauen von CFOs, Controllern und Prüfern zu gewinnen, wenn KI in compliance-schwergewichtigen Umgebungen eingesetzt wird?

Vertrauen beginnt damit, es mühelos zu machen, zu sehen, was das System getan hat. Ein Benutzer sieht nie die Bewertungssuite und interessiert sich nicht dafür, dass man im Durchschnitt 95% erreicht. Er sieht seine Einreichung an und auf seiner Einreichung kann das System schlechter als im Durchschnitt abschneiden, vielleicht sein schlechtestes Ergebnis des Tages. Keine aggregierte Zahl kann jemanden in diesem Moment trösten.

Alles hängt also von der Erfahrung um die KI ab. Man zeigt klar, was getan wurde, macht es trivial, zu überprüfen und zu korrigieren, und stellt sicher, dass die Korrektur das System tatsächlich lehrt. Diese sind Menschen, die persönlich für die Zahlen verantwortlich sind, also wollen sie keine Blackbox. Sie wollen die Kontrolle behalten und die Arbeit sehen.

Ein Fall hat es verdeutlicht. Ein Benutzer hat einen Berechnungsfehler in einer Tabelle markiert und gefragt, warum die KI ihn nicht erwischt hat. Weil jede Aktion aufgezeichnet war, konnten wir genau zurückverfolgen, was passiert war: das System hatte tatsächlich diese Zahl als fragwürdig markiert, und sie war abgelehnt worden. Der Punkt ist nicht, wer recht hatte. Es ist, dass eine vollständige, geteilte Aufzeichnung, was hätte zu einem Fingerzeig werden können, in eine fünfminütige Rekonstruktion umgewandelt wurde. Eine solche dokumentierte Spur ist es, die es einer Finanzmannschaft ermöglicht, das System als echten Partner zu behandeln.

Wo gehen viele Unternehmen falsch, wenn sie versuchen, KI in kritische Finanzworkflows einzuführen?

Der häufigste Fehler ist, auf vollständige Automatisierung am ersten Tag abzzielen. Der Instinkt ist, den Experten zu entfernen; der bessere Schritt ist, den Experten viel produktiver zu machen und sein Urteilsvermögen dort einzusetzen, wo es wirklich zählt. Wenn man versucht, den Menschen vollständig zu entfernen, erhält man etwas, das niemand vertraut und niemand verwendet.

Der zweite Fehler ist, es als reinen Modellierungsproblem zu behandeln und den Teil, den der Benutzer tatsächlich berührt, zu vernachlässigen. Wie die Arbeit präsentiert wird, wie leicht es ist, zu überprüfen und zu korrigieren, entscheidet oft, ob ein Tool angenommen oder stillschweigend aufgegeben wird. Viele Teams entdecken zu spät, dass das Modell der einfache Teil war.

Wenn ich einem CFO, der heute anfängt, raten würde: Wählen Sie eine enge, schmerzhafte, gut verstandene Aufgabe anstatt den Ozean zu kochen, halten Sie Ihre Experten fest im Fahrersitz und investieren Sie so viel in die Erfahrung und die Rückkopplungsschleife wie in das Modell selbst. Das ist der Unterschied zwischen einem Piloten, der stillschweigend stirbt, und einem, der die Art und Weise ändert, wie das Team arbeitet.

Wie sehen Sie die Rolle der Finanzfachleute in den nächsten Jahren, wenn KI in der Berichterstattung und Überprüfung immer mehr eingebettet wird?

Das ist der Punkt, an dem die These, mit der ich begonnen habe, sich auszahlt. Der Wechsel ist von der Vorbereitung zur Überprüfung. Heute geht der größte Teil der Zeit eines Vorbereiters auf die Mechanik: Daten aus verstreuten Systemen ziehen, Tabellen bauen, die gleichen Prüfungen wieder und wieder durchführen. Wenn die KI diese absorbiert, verlagert sich die Arbeit auf die Überprüfung der Ausgabe, das Urteilsvermögen dort anwenden, wo es wirklich einen Menschen erfordert, und die Ausnahmen behandeln.

Ich sehe dies als eine Möglichkeit, Finanzfachleute wertvoller zu machen, nicht weniger. Ihr Urteilsvermögen, ihre institutionelle Erinnerung und die Verantwortung, die sie tragen, werden auf die Entscheidungen konzentriert, die zählen, anstatt auf die Montagearbeit, die eine Maschine erledigen kann. Die Besten von ihnen werden hervorragend darin sein, KI-Ausgaben zu leiten und zu überprüfen, das zu erkennen, was subtil falsch aussieht, und fließend mit diesen Systemen zusammenzuarbeiten.

Ich würde präzise über die Beschleunigung sein. KI komprimiert die Vorbereitung, die von Wochen auf einen Bruchteil davon sinken kann. Sie komprimiert jedoch nicht die Teile, die von externen Prüfern und Einreichungsfristen gesteuert werden, die eine Untergrenze darstellen, die sie nicht verschieben kann. Aber die Verkürzung der Vorbereitung allein ändert den Rhythmus der Funktion: ein schnellerer Abschluss, Berichterstattung, die sich der Kontinuität nähert, und mehr Zeit, die auf die Bedeutung der Zahlen für das Unternehmen und nicht auf ihre Erstellung verwendet wird. Das ist eine strategischere Zukunft für den Beruf, nicht eine kleinere.

Wenn Sie auf die Unternehmens-KI-Landschaft blicken, was unterscheidet Unternehmen, die tiefe operationale Probleme lösen, von denen, die einfach auf der KI-Welle reiten?

Ich beurteile es mit einem Test, und der hat nichts mit KI zu tun: Wie sehr würde ein Kunde leiden, wenn das Produkt morgen verschwinden würde? Wenn die Antwort “viel” ist, ist es ein echtes Unternehmen. Wenn die ehrliche Antwort “kaum” ist, ist es ein Unternehmen, das auf der Hype-Welle reitet. KI ändert nichts an diesem Test. Sie macht es nur billiger, ein glänzendes Demo zu bauen, das den Test nicht besteht.

Geht man eine Ebene tiefer, kommt der dauerhafte Vorteil davon, wie tief man in die Arbeit eindringen ist. Die letzte Generation von Software baute den Ort, an dem die Arbeit stattfindet, die Oberfläche, auf der Menschen arbeiten. Diese Generation kann Systeme bauen, die die Arbeit selbst tun, einschließlich der komplexen, mehrschrittigen Unternehmensfälle, die die meisten Tools stillschweigend umgehen. Sobald man so tief eingedrungen ist, mit dem aufgebauten Kontext und dem Vertrauen, das Jahre dauert, um es zu verdienen, kann ein großer Laborbereich nicht einfach hereinkommen und das Geschäft mit einem besseren Basismodell übernehmen. Diese Tiefe ist das ganze Spiel, und darauf haben wir bei Inscope unsere Wette gesetzt.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Inscope besuchen.