Ankit Arya, Inscopen AI-johtaja – Haastattelusarja

Ankit Arya, Inscopen AI-johtaja, tuo laaja-alaisen kokemuksen AI-tuotejohtamisesta, koneoppimisesta, yritysautomaatiosta ja soveltavasta tutkimuksesta. Inscopen perustajajoukkoon kuuluvana hän auttaa kehittämään ohjelmistoa, joka mahdollistaa yritysten jakaa tarkkaa ja vaatimustenmukaista rahoitustietoa sidosryhmilleen. Hänen taustansa kattaa toimimisen Mariana-yhtiön perustajana ja CTO:na, jossa hän työskenteli AI-vetoinen markkinatutkimuksen ja kilpailijoiden tutkimuksen parissa, sekä johtamisen koneoppimisen ja AI-tuotestrategian johtamisen HackerRankissa. Uransa alussa Arya työskenteli Metassa AI-vetoisessa rekrytointiautomaatiossa ja VR-tuottavuudessa, auttoi kehittämään chatbot-pohjaista yrityspalvelujen automaatiota Astoundin perustajainsinöörinä ja rakensi tuotantokäyttöön tarkoitetut koneoppimisjärjestelmät Collective[i]:ssä. Hänen uransa kattaa käytännön AI-käytön, tuotestrategian, automaation ja dataohjattujen järjestelmien kehittämisen sekä startup- että suurten yritysten ympäristöissä.

Inscope on AI-pohjainen rahoitustilinpäätösratkaisu, joka on suunniteltu tilintarkastusyhtiöille, rahoitusjoukoille ja yrityksille, jotka tarvitsevat tehokkaampaa tapaa valmistella, tarkastella ja toimittaa tarkat rahoitustilinpäätökset. Alusta keskittyy automaatioon rahoitustilinpäätösten taustalla tehtävään manuaaliseen työhön, kuten rullausten, muotoilun, ilmoitusten, jalkatietojen ja yhdenmukaisuustarkastusten osalta. Inscope esittää teknologiansa keinona vähentää raportointivirheitä, lyhentää valmisteluaikaa ja tehdä auditikuntoisia rahoitustilinpäätöksiä helpommin tuotettaviksi. Yritys ilmoitti 14,5 miljoonan dollarin Series A -rahoituksesta helmikuussa 2026 laajentaakseen AI-pohjaista rahoitustilinpäätösalustaa, jonka tuote on tarkoitettu korvaamaan hajanaiset taulukkopohjaiset työvirrat järjestelmällisemmällä, vaatimustenmukaisemmalla ja skaalautuvammalla raportointiprosessilla.

Olet työskennellyt yritysautomaation, koneoppimisen, rekrytointi-AI:n, VR-tuottavuuden ja AI-tuotejohtamisen parissa ennen kuin otit vastaan Inscopessa AI-johtajan roolin. Miten tämä kehitys valmisteli sinut ottamaan yhden rahoituksen manuaalisimmista ja herkin osa-alueista?

Yritysautomaation, koneoppimisen, rekrytointi-AI:n, VR-tuottavuuden ja koneoppimisen parissa työskennellessäni tein jatkuvasti vaihtelevia versioita samasta haasteellisesta asiasta: ottamalla epäjärjestyksessä olevan ihmistyön ja saamalla AI-järjestelmän tekemään sen luotettavasti, jotta oikeat tiimit voivat riippua siitä. Jokainen ala opetti minulle eri palan. Koneoppimisjärjestelmien käyttöönotto suurissa mittakaavoissa opetti minulle, mitä kestää todellisessa tilanteessa. Rakentaminen LLM:ien kanssa perustajana opetti minulle, miten nämä mallit todella käyttäytyvät, missä ne menevät rikki ja miten muotoilla niitä todelliseen tarkkuuteen eikä vain demotilanteissa hyvännäköiseen tulokseen. Ja jokaisessa paikassa, jossa työskentelin, tuotteet, jotka ansaitsivat luottamuksen, pitivät ihmisen hallinnassa ja heijastivat, miten asiantuntija jo valmiiksi työskenteli, sen sijaan, että pakottivat ihmisiä koneen logiikkaan.

Mikä veti minut rahoituksen puoleen, oli ymmärrys LLM:ien rakentamisesta: ensimmäisen kerran voitiin ottaa aitoa rakenteetonta dataa ja rakentaa sen päälle luotettavaa automaatiota, mitä ei ollut aiemmin mahdollista. Kaikista manuaalisista, ihmisten johdossa olevista prosesseista, jotka ovat muuttumassa AI:n myötä, rahoitustilinpäätösten valmistelu on yksi puhtaimmista. Alkuperäinen väittämäni, johon kaikki mitä rakennamme perustuu, on yksinkertainen: valmistelijan työn tulisi siirtyä tarkastelijan rooliin. Se on se muutos, jolla on arvoa työskennellä.

Rahoitustilinpäätösten valmistelu ja tarkastelu on pysynyt pitkään manuaalisena. Mikä sai sinut uskomaan, että tämä oli lopulta kategoria, jossa AI voisi tuoda merkittävää muutosta?

Jos tarkastelet tarkasti, mitä rahoitustilinpäätösten valmistelija tekee, se on itse asiassa data-muunnosputki. Haet dataa kymmenistä järjestelmistä, jotka eivät puhu toistensa kanssa, kuten ERP-järjestelmästä, osakejärjestelmästä ja PDF-tiedostoista, jotka sisältävät sopimuksia ja aikatauluja. Muutat kaiken tämän syötettävissä olevaksi tulokseksi, kuten taseista, tuloslaskelmista ja jalkatietotauluista. Sitten lisäät siitä päälle tuomion: selityksen, joka kertoo, mitä numerot tarkoittavat. Se on pysynyt manuaalisena niin kauan, koska nämä järjestelmät eivät ole koskaan olleet yhteydessä toisiinsa, ja vanhempi automaatio, kuten sääntömoottorit ja RPA, ohjelmoidut botit, jotka jäljittelevät klikkauksia, oli liian haurasta selviytyäkseen vaihtelevuudesta ja poikkeustapauksista.

Kaksi asiaa muuttui. Ensinnäkin mallit voivat nyt ottaa hyvin vaihtelevia syötteitä ja antaa niille rakenteen, ja yhtä tärkeää, nostaa esiin poikkeustapaukset ihmisen tarkastettaviksi sen sijaan, että se menee rikki hiljaisesti, kunhan sinä rakennat vahvistusvaiheen niiden taakse. Toiseksi ne voivat luonnostella perusteltua kommentointia, koska rahoitus ei ole pelkästään subjektiivista. On olemassa oikea sääntökirja, johon nojata, kuten FASB:n määrittely siitä, miten asiat tunnustetaan ja mitataan, ja SEC:n määrittely siitä, miten ne ilmoitetaan, ja tuhannet aiemmat ilmoitukset, joista voidaan oppia. Se, mikä vakuutti minut siitä, että tämä on todellista, oli se, että yksittäinen malli ei voinut koskaan saada oikein, sellainen tarkastus, joka vaatii useita riippuvia askelia, alkoi toimia luotettavasti, kun ajettiin joukko koordinoituja agenteja. Oikean arkkitehtuurin kanssa ongelmat, jotka näyttävät mahdottomilta yhdelle mallille, muuttuvat ratkaistaviksi.

Miksi yritysrahoitus on ollut vaikeampi muuttaa AI:lla kuin monet odottivat?

Yksinkertainen versio on, että tämä on työtä, josta ihmiset voivat joutua vankilaan. Panokset ovat erittäin korkeat, joten este automaation tiellä on vastaavasti korkea. Se on eri maailma kuin kuluttajatuotteissa, joissa virhe on vain häiriö. Tässä yksittäinen väärä numero voi kantaa laillisia ja sääntelyvaikutuksia, ja henkilö, joka allekirjoittaa, kantaa ne henkilökohtaisesti.

Lisäksi jokainen yritys tekee tämän hieman eri tavalla, ja työ on täynnä poikkeuksia. Säännöt ja mallit käsittelevät yleisen polun ja sitten menevät rikki juuri siinä, missä todellinen työ elää. Se, mikä kukisti aiemman ohjelmisto, ei ollut yksittäinen numero, vaan tarve ymmärtää koko loppupään työnkulku kaikkine ehdoin ja poikkeuksineen. Korkeat panokset, syvä mukautuminen ja todella sekoitetut työnkulut ovat syitä, miksi tämä kategoria on pysynyt koskemattomana, kun taas AI on muuttanut loistavampia kategorioita.

Mikä on ero geneeristen AI-työkalujen ja rahoitustilinpäätöksen ja vaatimustenmukaisuuden vaatimien tarkoitukseen tehtyjen AI-työkalujen välillä?

Tässä minä kiistäisin ajatuksen, että kaikki on mallin varassa. Jokaisella on samat mallit. Ero on kaikessa siinä, mitä on ympärillä: minkälaista kontekstia asetetaan mallin eteen, milloin, minkälaisten tarkastusten kanssa. Tarkoitukseen tehty järjestelmä myös kertautuu. Mitä enemmän se toimii yhden organisaation sisällä, sitä enemmän se oppii kyseisen yrityksen omia malleja ja konventioita, joita geneerinen työkalu aloittaa aina alusta lähtien.

Rahoituksen osalta on joitakin asioita, joita et voi ohittaa. Tulosteiden on oltava perustuvia alkuperäisdataan, ja jokaisen numeron on oltava johdettavissa siitä, mistä se tuli, kuka tai mikä sen tuotti, ja miksi. Ja järjestelmän on oltava tietoinen omasta varmuudestaan, merkintä siitä, mitä se ei ole varma, ihmisen sijaan arvaamalla. Oikea taito on kokemuksessa kaiken tämän ympärillä. Et voi vain heittää vastausta seinään ja jättää käyttäjän puolustamaan sitä. Suunnittelussa on otettava huomioon perusta, johdettavuus ja viimeinen siirto ihmisen haltuun on se, mikä erottaa geneerisen työkalun jostakin, mitä kontrolli todella allekirjoittaa.

Mitkä ovat suurimmat koneoppimisen haasteet rakennettaessa järjestelmiä, jotka voivat luotettavasti ymmärtää rahoitustilinpäätösten rakenteen, suhteiden ja logiikan?

Aloita konkreettisella esimerkillä. Tasaussääntö on, kun varmistat, että numero sopii joka paikassa, jossa se ilmenee: taulukkoa vastaan muiden taulukoiden, taulukkoa vastaan ympäröivää tekstiä, tekstiä itsessään, koko ilmoituksen osalta. Valmistelijat tekevät sitä joka päivä. Se kuulostaa triviaalilta, mutta et voi vain pudottaa koko asiakirjaa malliin ja luottaa tulokseen, ei tämän työn vaatimalla tarkkuudella. Jotta se olisi luotettavaa, joudumme jakamaan sen koordinoituun järjestelmään pienemmistä, tarkastettavista askelista. Jopa rahoituksen yksinkertaisin tarkastus ei voi yksinkertaisesti korvata yksittäisellä mallikutsulla.

Se on koneoppimisen keskeinen haaste, ja siinä on kolme kerrosta. Järjestelmän on ymmärrettävä, miten tietty asiakas toimii, ja se on oppiva asiakkaan palautteesta. Se on aidosti ymmärrettävä rahoitustilinpäätöksen sisäisiä suhteita, koska numerot ovat sidoksissa tilinpäätösten, jalkatietojen ja aikakausien välillä, eikä vain lue tekstiä. Ja kun useat agentit ovat yhteistyössä, olet hiljalleen ottanut distributed-systems -ongelman: saada oikea konteksti oikeaan askeluun, asettaa tarkastukset ja vartijat paikoilleen, sekoittaen automaattisen tarkastuksen ihmisen tarkastuksen kanssa ja rakentaa sisäisiä tietokantoja, jotka antavat mitattavissa olevan tuloksen. Vaikea osa ei ollut saada malli lukemaan rahoitustilinpäätöstä. Se on rakentaa järjestelmä sen ympärille, joka voi syyttää, tarkastaa itsensä ja selittää, mistä jokainen luku tulee.

Miten ajattelet mallin tarkkuudesta, selitettävyydestä ja virhetoleranssista, kun AI:ta sovelletaan rahoitustyönkulkuun, jossa pienet virheet voivat aiheuttaa suuria seurauksia?

Ei ole yhtä tarkkuusmittaria, ja väittää muuta on virhe. Nämä järjestelmät eivät ole 100 % tarkkoja, ja saavutettavissa oleva tarkkuus vaihtelee paljon tehtävittäin. Todellinen työ on viestintä siitä, mitä järjestelmä teki ja missä riski on. Sen sijaan, että heilutat yleistä onnistumisprosenttia, osoitat tarkastelijalle kohteet, jotka kantavat eniten riskiä, olennaiset kohteet, ja olet eksplisiittinen siitä, mitä järjestelmä ei koskenut. Se on tapa, jolla suljet aukon, sen sijaan, että väität, ettei sitä ole.

Selitettävyys on oltava konkreettista, ei periaatetta diassa. Kun suoritamme taulukon tarkastuksia, näytämme mini-laskimen: tarkat solut, jotka yhdistettiin, ja laskenta, jonka järjestelmä käytti. Jos se teki virheen, voit nähdä sen toisen sekunnin kuluessa. Mallin puolella tärkein työkalu on vahva arviointisarja, joka mittaa tarkkuutta todellisissa tehtävissä. Sen lisäksi se tulee ymmärtämään, mitä malli todella näkee. On yllättävän helppo unohtaa, mitä malli todella näkee. Joten opit näkemään mallin silmin. Se on yllättävän helppo unohtaa, mitä malli todella näkee. Opit näkemään mallin silmin ja tutkit, miten asiantuntija ratkaisee saman ongelman, ja suljet etäisyyden antamalla mallille kontekstin, jonka asiantuntija olisi omalla alueellaan.

Mikä vaaditaan saadakseen rahoitusammattilaisten, tilintarkastajien ja auditoijien luottamuksen AI:n käytölle vaatimustenmukaisissa ympäristöissä?

Luottamus alkaa siitä, että teet näkyväksi, mitä järjestelmä teki. Käyttäjä ei näe arviointisarjaa eikä piittaa siitä, että keskimääräinen tarkkuus on 95 %. He tarkastelevat omia ilmoituksiaan, ja ilmoituksissa järjestelmä saattaa tehdä huonommin kuin keskimäärin, ehkä sen huonoin suoritus kyseisenä päivänä. Mikään keskimääräinen luku ei lohduta ketään tuossa hetkessä.

Siispä kaikki riippuu AI:n ympärillä olevasta kokemuksesta. Näytät selvästi, mitä on tehty, teet siitä helppoa tarkastaa ja korjata, ja varmistat, että korjaus opettaa järjestelmälle. Nämä ovat ihmisiä, jotka ovat henkilökohtaisesti vastuussa numeroista, joten he eivät halua mustaa laatikkoa. He haluavat pysyä hallinnassa ja nähdä työn.

Mistä yritykset usein menevät pieleen, kun he yrittävät ottaa AI:n mukaan kriittisiin rahoitustyönkulkuun?

Yleisin virhe on tähtäys täydelliseen automaatioon päivänä yksi. Vaistonvarainen reaktio on poistaa asiantuntija; parempi liike on tehdä asiantuntijasta paljon tuottavampi ja kohdistaa heidän tuomionsa sinne, missä se todella on merkitystä. Kun yrität poistaa ihmisen kokonaan, saat jotain, mitä kukaan ei luota ja kukaan ei käytä.

Toinen virhe on kohdella tätä pelkästään malliongelmana ja nälkiintyä osaa, jota käyttäjä todella koskettaa. Miten työ esitetään, kuinka helppoa on tarkastaa ja korjata, usein päättää, otetaanko työkalua käyttöön vai jätetäänkö se hiljaisesti. Monet tiimit löytävät liian myöhään, että malli oli helppo osa.

Jos minä neuvon tilintarkastajaa, joka aloittaa tänään: valitse kapea, vaikea, hyvin ymmärretty tehtävä eikä yritä keittää merta. Pitäkää asiantuntijanne vahvasti ohjaamossa ja panostakaa yhtä paljon kokemukseen ja palautusilmaisuun kuin itse malliin. Se on ero pilottien välillä, jotka kuolevat hiljalleen ja sellaisen, joka muuttaa tiimisi työskentelytapaa.

Miten rahoitusammattilaisten rooli muuttuu seuraavien vuosien aikana, kun AI:ta otetaan mukaan raportointiin ja tarkasteluun?

Tässä on, missä alkuperäinen väittämäni toteutuu. Muutos on valmistelijasta tarkastelijaksi. Tänään suurin osa valmistelijan aikaa menee mekaaniseen työhön: datan hakemiseen hajautetuista järjestelmistä, taulukoiden rakentamiseen, samojen tarkastusten toistamiseen. Kun AI omaksuu sen, työ siirtyy tarkastamaan tulosta, soveltamaan tuomioita, joissa todella tarvitaan ihmistä, ja käsittelemään poikkeuksia.

Näen tämän tekevän rahoitusammattilaisista arvokkaampia, ei vähemmän arvokkaita. Heidän tuomionsa, heidän instituutiorajansa ja heidän kantamansa vastuu käytetään päätöksiin, jotka ovat merkittäviä, eikä assembly-työhön, jonka kone voi tehdä. Parhaat heistä ovat erinomaisia ohjaamaan ja tarkastamaan AI-tuloksia, havaitsemaan asian, joka näyttää hämärältä, ja työskentelemään sulavasti näiden järjestelmien rinnalla.

Kun tarkastelet yritysten AI-maastoa, mitä erottaa yritykset, jotka ratkaisevat syviä operatiivisia ongelmia, niistä, jotka ainoastaan ratsastavat AI-aallolla?

Arvostelen sitä yhdellä kokeella, joka ei liity AI:hen: kuinka paljon asiakas kärsisi, jos tuote katoaisi huomenna? Jos vastaus on “paljon”, se on oikea yritys. Jos rehellinen vastaus on “he eivät huomaisi”, se on yritys, joka ajelee hype-aallolla. AI ei muuta tätä kokeetta. Se tekee vain helpommaksi rakentaa hienon demon, joka epäonnistuu.

Mene yhden tason syvemmälle, ja kestävä etu tulee siitä, kuinka syvälle olet valmis mennä. Edellinen sukupolvi ohjelmistoja rakensi paikan, jossa työ tapahtuu, pinnan, jolla ihmiset työskentelevät. Tämä sukupolvi voi rakentaa järjestelmiä, jotka tekevät itse työn, myös monimutkaiset, useasta vaiheesta koostuvat yritysten tapaukset, joita useimmat työkalut hiljaisesti ohittavat. Kun olet mennyt niin syvälle, ja kerryttänyt kontekstin ja luottamuksen, joka vaatii vuosia ansaittavaksi, suuri laboratorio ei voi vain tulla ja viedä liiketoimintaa paremmalla perusmallilla. Se syvyys on koko peli, ja se on, minne olemme panneet panoksemme Inscopessa.

Kiitos hienosta haastattelusta. Lukijat, jotka haluavat oppia lisää, voivat vierailla Inscopessa.