Ankit Arya, Jefe de Inteligencia Artificial en Inscope – Serie de Entrevistas

Ankit Arya, Jefe de Inteligencia Artificial en Inscope, aporta una profunda experiencia en liderazgo de productos de inteligencia artificial, aprendizaje automático, automatización empresarial y investigación aplicada. Como parte del equipo fundador de Inscope, está ayudando a construir software que permite a las empresas compartir datos financieros precisos y cumplidores con los partes interesados. Su experiencia incluye ser cofundador y director técnico de Mariana, donde trabajó en análisis de mercado y investigación competitiva impulsados por inteligencia artificial, así como en la estrategia de productos de aprendizaje automático y inteligencia artificial en HackerRank. Al comienzo de su carrera, Arya trabajó en Meta en automatización de contratación impulsada por inteligencia artificial y productividad de realidad virtual, ayudó a desarrollar automatización de servicios empresariales basada en chatbots como ingeniero fundador en Astound, y construyó sistemas de aprendizaje automático a escala de producción en Collective[i]. Su carrera abarca la implementación práctica de inteligencia artificial, estrategia de productos, automatización y sistemas basados en datos en entornos de startup y grandes empresas.

Inscope es una plataforma de informes financieros nativa de inteligencia artificial diseñada para firmas de contabilidad, equipos de finanzas y empresas que necesitan preparar, revisar y entregar estados financieros precisos de manera más eficiente. La plataforma se centra en automatizar el trabajo manual detrás de la presentación de informes financieros, incluyendo rollos hacia adelante, formato, divulgaciones, pies, conciliaciones y controles de coherencia. Inscope posiciona su tecnología como una forma de reducir los errores de informes, acortar los ciclos de preparación y hacer que los estados financieros listos para auditoría sean más fáciles de producir. La empresa anunció una ronda de financiación Serie A de $14,5 millones en febrero de 2026 para expandir su plataforma de informes financieros impulsada por inteligencia artificial, con su producto dirigido a reemplazar flujos de trabajo fragmentados y basados en hojas de cálculo con un proceso de informes más sistemático, cumplidor y escalable.

Ha trabajado en automatización empresarial, aprendizaje automático, inteligencia artificial de contratación, productividad de realidad virtual y liderazgo de productos de inteligencia artificial antes de asumir el cargo de Jefe de Inteligencia Artificial en Inscope. ¿Cómo preparó esa progresión para abordar uno de los flujos de trabajo más manuales y sensibles de las finanzas?

A lo largo de la automatización empresarial, la inteligencia artificial de contratación, la productividad de realidad virtual y el aprendizaje automático, seguí haciendo variaciones de lo mismo: tomar el trabajo humano desordenado y lograr que un sistema de inteligencia artificial lo realice de manera fiable para que los equipos reales dependan de él. Cada dominio enseñó una pieza diferente. Implementar productos de aprendizaje automático a escala me enseñó qué se mantiene bajo un volumen real. Construir con LLM como fundador me enseñó cómo se comportan estos modelos en realidad, dónde se rompen y cómo se les da forma hacia una precisión real en lugar de una salida que solo se ve bien en una demostración. Y en todos los lugares donde trabajé, los productos que ganaron la confianza mantuvieron a una persona en control y reflejaron cómo el experto ya trabajaba, en lugar de forzar a las personas a entrar en la lógica de la máquina.

Lo que me atrajo hacia las finanzas fue una comprensión al construir con LLM: por primera vez, podías tomar datos genuinamente no estructurados y construir una automatización confiable sobre ellos, lo cual simplemente no era posible antes. De todos los procesos manuales y liderados por humanos que están a punto de ser rehechos por la inteligencia artificial, la preparación de estados financieros es uno de los más puros. La tesis con la que comencé, y la que todo lo que construimos regresa, es simple: el trabajo del preparador debe cambiar al de un revisor. Ese es el cambio por el que vale la pena trabajar.

La preparación y revisión de estados financieros ha permanecido obstinadamente manual durante años. ¿Qué lo hizo creer que esta era finalmente una categoría donde la inteligencia artificial podría ofrecer un cambio significativo?

Si se mira de cerca lo que hace un preparador financiero, es realmente una tubería de transformación de datos. Se extraen datos de una docena de sistemas que no se comunican entre sí, como su ERP, su sistema de equity, y PDF llenos de contratos y horarios. Se convierte todo eso en salidas digeribles como balances, estados de ingresos y tablas de notas. Luego se agrega una capa de juicio: el comentario que explica qué significan los números. Permaneció manual durante tanto tiempo porque esos sistemas nunca se conectaron, y la automatización anterior como motores de reglas y RPA, los bots scripteados que imitan clics, era demasiado frágil para sobrevivir a la variedad y los casos de borde.

Dos cosas cambiaron. Primero, los modelos ahora pueden tomar entradas muy variadas y estructurarlas, y también, igual de importante, presentar los casos de borde para que un humano los verifique en lugar de romperse silenciosamente, siempre y cuando se construya el paso de verificación detrás de ellos. Segundo, pueden redactar comentarios fundamentados, porque las finanzas no son puramente subjetivas. Hay un libro de reglas real al que recurrir, desde FASB sobre cómo se reconocen y miden las cosas hasta la SEC sobre cómo se divulgan, con miles de presentaciones anteriores para aprender. Lo que me convenció de que esto era real fue ver una comprobación que un solo modelo nunca podría hacer correctamente, el tipo de comprobación que requiere muchos pasos dependientes, comenzar a funcionar de manera confiable una vez que la ejecutamos a través de un conjunto de agentes coordinados. Con la arquitectura correcta, los problemas que parecen imposibles para un modelo se vuelven tratables.

¿Por qué ha sido más difícil transformar las finanzas empresariales con inteligencia artificial de lo que mucha gente esperaba?

La versión directa es que este es un trabajo por el que la gente puede ir a la cárcel. Las apuestas son extraordinariamente altas, por lo que la barra para automatizar cualquier parte de esto es correspondientemente alta. Ese es un universo diferente al de un producto de consumo donde un error es una molestia. Aquí, un solo número incorrecto puede tener consecuencias legales y regulatorias, y la persona que firma se las lleva personalmente.

Además, cada empresa hace esto ligeramente de manera diferente, y el trabajo está lleno de excepciones. Las reglas y las plantillas manejan el camino común y luego se desmoronan exactamente donde vive el trabajo real. Lo que derrotó a los software anteriores nunca fue un solo número, fue la necesidad de entender un flujo de trabajo de extremo a extremo completo con todos sus si y sus pero. Las apuestas altas, la personalización profunda y los flujos de trabajo genuinamente enredados son por qué esta categoría permaneció intacta mientras la inteligencia artificial transformaba categorías más llamativas.

¿Cuál es la brecha entre las herramientas de inteligencia artificial genéricas y el tipo de inteligencia artificial construida con fines específicos requerida para la presentación de informes financieros y la cumplimiento?

Esto es donde me gustaría hacer una corrección a la idea de que todo se trata del modelo. Todos tienen los mismos modelos. La diferencia está en todo lo que los rodea: qué contexto se pone frente al modelo, en qué momento, con qué comprobaciones. Un sistema construido con fines específicos también se compone. Cuanto más funciona dentro de una organización, más aprende los patrones y convenciones específicos de esa empresa, lo que una herramienta genérica comienza desde cero cada vez.

Para las finanzas, hay algunas cosas que no se pueden saltar. La salida tiene que estar basada en los datos de origen, y cada número tiene que ser trazable hasta su origen, quién o qué lo produjo, y por qué. Y el sistema tiene que conocer los límites de su propia confianza, señalizando lo que no está seguro en lugar de adivinar. El verdadero oficio está en la experiencia alrededor de todo eso. No se puede simplemente tirar una respuesta en la pared y dejar que el usuario la defienda. Diseñar para la base, la trazabilidad y una entrega elegante a un humano es lo que separa una herramienta genérica de algo que un controlador realmente pondrá su nombre detrás.

¿Cuáles son los mayores desafíos de aprendizaje automático al construir sistemas que puedan entender de manera confiable la estructura, las relaciones y la lógica detrás de los estados financieros?

Comencemos con un ejemplo concreto. Un ajuste es cuando se asegura de que un número esté de acuerdo en todas partes donde aparezca: una tabla contra otras tablas, una tabla contra el texto que la rodea, el texto contra sí mismo, en toda una presentación. Los preparadores lo hacen todos los días. Suena trivial, pero no se puede simplemente dejar caer el documento completo en un modelo con una llamada astuta y confiar en el resultado, no a la precisión que este trabajo exige. Para hacerlo confiable, tuvimos que descomponerlo en un sistema coordinado de pasos más pequeños y verificables. Incluso la comprobación más rutinaria en finanzas no puede simplemente ser reemplazada por una sola llamada al modelo.

Ese es el desafío central de aprendizaje automático, y tiene tres capas. El sistema tiene que entender cómo trabaja un cliente en particular y seguir aprendiendo de su retroalimentación. Tiene que comprender genuinamente las relaciones dentro de un estado financiero, ya que los números se ajustan a través de estados, notas al pie se concilian, y los períodos se llevan hacia adelante, en lugar de simplemente leer el texto. Y una vez que muchos agentes cooperan, se ha tomado silenciosamente un problema de sistemas distribuidos: obtener el contexto correcto en el paso correcto, poner controles y guardianes en su lugar, mezclar la revisión automatizada con la revisión humana, y construir los conjuntos de datos internos que permitan medir si algo de esto es realmente correcto. La parte difícil nunca fue hacer que un modelo leyera un estado financiero. Es construir el sistema alrededor de él que pueda razonar, verificarse a sí mismo y explicar de dónde vino cada figura.

¿Cómo piensa sobre la precisión del modelo, la explicabilidad y la tolerancia a errores cuando se aplica inteligencia artificial a flujos de trabajo financieros donde pequeños errores pueden tener consecuencias importantes?

No hay una sola barra de precisión, y pretender lo contrario es donde la gente se equivoca. Estos sistemas no son 100% precisos, y lo que se puede lograr varía mucho según la tarea. Así que el trabajo real es comunicar honestamente sobre lo que el sistema hizo y dónde se encuentra el riesgo. En lugar de agitar una tasa de éxito general, se señala al revisor los artículos que llevan el mayor riesgo, los materiales, y se es explícito sobre lo que el sistema no tocó. Esa es la forma en que se cierra la brecha, en lugar de pretender que no está allí.

La explicabilidad tiene que ser concreta, no un principio en una diapositiva. Cuando ejecutamos comprobaciones de pie en una tabla, mostramos una mini calculadora: las celdas exactas que se combinaron y la aritmética que el sistema utilizó. Si cometió un error, se puede ver en un segundo. En el lado del modelo, la herramienta más importante es un conjunto de evaluación sólido que mida la precisión en tareas reales. Más allá de eso, se trata de aprender a ver con los ojos del modelo. Es sorprendentemente fácil olvidar qué es lo que el modelo puede ver realmente. Así que se estudia qué está frente a él, se estudia cómo un experto razona a través del mismo problema, y se cierra la distancia dándole al modelo el contexto que el experto tendría.

¿Qué se necesita para ganar la confianza de los directores financieros, controladores y auditores al implementar inteligencia artificial en entornos con cumplimiento estricto?

La confianza comienza con hacer que sea esfuerzo cero ver qué hizo el sistema. Un usuario nunca ve su conjunto de evaluación y no le importa que promedie un 95%. Están mirando su presentación, y en su presentación, el sistema podría hacer peor que el promedio, tal vez su peor ejecución del día. Ningún número agregado consuela a nadie en ese momento.

Así que todo depende de la experiencia alrededor de la inteligencia artificial. Se muestra claramente qué se hizo, se hace trivial verificar y corregir, y se asegura de que esa corrección en realidad enseñe al sistema. Estas son personas que son personalmente responsables de los números, así que no quieren una caja negra. Quieren mantener el control y ver el trabajo.

Un caso lo capturó. Un usuario señaló un error de cálculo en una tabla y preguntó por qué la inteligencia artificial no lo había detectado. Debido a que cada acción estaba en el registro, pudimos retroceder a través de exactamente lo que sucedió: el sistema en realidad había señalado ese número como cuestionable, y había sido descartado. El punto no es quién tenía razón. Es que un registro completo y compartido convirtió lo que podría haber sido un ejercicio de señalamiento de dedos en una reconstrucción de cinco minutos. Ese tipo de rastro documentado es lo que permite a un equipo de finanzas tratar al sistema como un verdadero socio.

¿Dónde cree que muchas empresas van mal cuando intentan introducir inteligencia artificial en flujos de trabajo financieros críticos?

El error más común es apuntar a la automatización completa desde el día uno. El instinto es eliminar al experto; el mejor movimiento es hacer que el experto sea mucho más productivo y dirigir su juicio donde realmente importa. Cuando se intenta quitar completamente al ser humano, se obtiene algo que nadie confía y nadie usa.

El segundo es tratar esto como un problema puramente de modelado y privar a la parte que el usuario realmente toca. Cómo se presenta el trabajo, cómo es fácil verificar y corregir, a menudo decide si una herramienta se adopta o se abandona silenciosamente. Muchos equipos descubren demasiado tarde que el modelo fue la parte fácil.

Si estuviera asesorando a un director financiero que comienza hoy: elija una tarea dolorosa y bien entendida en lugar de hervir el océano, mantenga a sus expertos firmemente en el asiento del conductor, e invierta tanto en la experiencia y el bucle de retroalimentación como en el modelo en sí. Esa es la diferencia entre un piloto que muere silenciosamente y uno que cambia cómo trabaja el equipo.

¿Cómo ve el papel de los profesionales de las finanzas cambiando en los próximos años a medida que la inteligencia artificial se vuelve más integrada en la presentación de informes y la revisión?

Esto es donde la tesis con la que comencé se paga. El cambio es de la preparación a la revisión. Hoy, la mayoría del tiempo de un preparador se dedica a la mecánica: extraer datos de sistemas dispersos, construir tablas, ejecutar las mismas comprobaciones una y otra vez. A medida que la inteligencia artificial absorbe eso, el trabajo se mueve hacia la revisión de la salida, aplicar el juicio donde realmente se necesita un ser humano, y manejar las excepciones.

Lo veo como hacer que los profesionales de las finanzas sean más valiosos, no menos. Su juicio, su memoria institucional y la responsabilidad que llevan se gastan en las decisiones que importan en lugar de en el trabajo de ensamblaje que una máquina puede hacer. Los mejores de ellos serán excelentes en dirigir y verificar la salida de la inteligencia artificial, capturando la cosa que se ve sutilmente mal, y trabajando fluidamente junto a estos sistemas.

Me gustaría ser preciso sobre la aceleración, sin embargo. La inteligencia artificial comprime la preparación, que puede pasar de semanas a una fracción de eso. No comprime las partes controladas por auditores externos y plazos de presentación, que son un piso que no se puede mover. Pero acortar la preparación solo cambia el ritmo de la función: un cierre más rápido, la presentación de informes que se acerca a la continuidad, y más tiempo dedicado a lo que los números significan para el negocio en lugar de producirlos. Ese es un futuro más estratégico para la profesión, no uno más pequeño.

¿Qué separa a las empresas que resuelven problemas operativos profundos de aquellas que simplemente cabalgan la ola de la inteligencia artificial?

Lo juzgo con una prueba, y no tiene nada que ver con la inteligencia artificial: ¿cuánto lastimaría a un cliente si el producto desapareciera mañana? Si la respuesta es “mucho”, es una empresa real. Si la respuesta honesta es “casi no notarían”, es una empresa que surfea el hype. La inteligencia artificial no cambia esa prueba. Simplemente hace que sea más barato construir una demostración elegante que falla en esa prueba.

Ir un nivel más profundo y la ventaja duradera proviene de cuán lejos dentro del trabajo estás dispuesto a ir. La última generación de software construyó el lugar donde el trabajo sucede, la superficie en la que la gente trabaja. Esta generación puede construir sistemas que hacen el trabajo en sí, incluyendo los casos empresariales complejos y en múltiples pasos que la mayoría de las herramientas rodean silenciosamente. Una vez que has ido tan lejos, con el contexto acumulado y la confianza que toma años ganar, un gran laboratorio no puede simplemente entrar y tomar el negocio con un modelo base mejor. Esa profundidad es el juego completo, y es donde hemos colocado nuestra apuesta en Inscope.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Inscope.