Ankit Arya, Responsable de l’IA chez Inscope – Série d’entretiens

Ankit Arya, Responsable de l’IA chez Inscope, apporte une expérience approfondie dans le leadership de produits d’IA, l’apprentissage automatique, l’automatisation d’entreprise et la recherche appliquée. En tant que membre de l’équipe fondatrice d’Inscope, il aide à développer des logiciels qui permettent aux entreprises de partager des données financières précises et conformes avec les parties prenantes. Son parcours comprend notamment son rôle de co-fondateur et de CTO de Mariana, où il a travaillé sur l’analyse de marché et la recherche concurrentielle basées sur l’IA, ainsi que la direction de la stratégie de produits d’IA et d’apprentissage automatique chez HackerRank. Plus tôt dans sa carrière, Arya a travaillé chez Meta sur l’automatisation du recrutement basée sur l’IA et la productivité en réalité virtuelle, a aidé à développer l’automatisation des services d’entreprise basée sur les chatbots en tant que fondateur d’Astound, et a construit des systèmes d’apprentissage automatique à grande échelle chez Collective[i]. Sa carrière s’étend sur le déploiement pratique de l’IA, la stratégie de produits, l’automatisation et les systèmes basés sur les données dans les environnements de startup et de grandes entreprises.

Inscope est une plateforme de reporting financier native IA conçue pour les cabinets de comptabilité, les équipes financières et les entreprises qui doivent préparer, examiner et présenter des états financiers avec plus d’efficacité. La plateforme se concentre sur l’automatisation du travail manuel derrière le reporting financier, y compris les reports de roulement, la mise en forme, les divulgations, les pieds de page, les vérifications de cohérence et les contrôles de cohérence. Inscope positionne sa technologie comme un moyen de réduire les erreurs de reporting, de raccourcir les cycles de préparation et de faciliter la production d’états financiers prêts à l’audit. La société a annoncé un financement de série A de 14,5 millions de dollars en février 2026 pour développer sa plateforme de reporting financier basée sur l’IA, avec son produit visant à remplacer les flux de travail fragmentés basés sur les tableurs par un processus de reporting plus systématique, conforme et évolutif.

Vous avez travaillé dans l’automatisation d’entreprise, l’apprentissage automatique, le recrutement basé sur l’IA, la productivité en réalité virtuelle et le leadership de produits d’IA avant de prendre le rôle de Responsable de l’IA chez Inscope. Comment cette progression vous a-t-elle préparé à relever l’un des flux de travail les plus manuels et les plus sensibles de la finance ?

À travers l’automatisation d’entreprise, l’apprentissage automatique, le recrutement basé sur l’IA, la productivité en réalité virtuelle et le leadership de produits d’IA, j’ai continué à faire des variations de la même chose difficile : prendre un travail humain désorganisé et obtenir qu’un système d’IA le fasse de manière fiable pour que des équipes réelles puissent s’appuyer dessus. Chaque domaine m’a enseigné quelque chose de différent. Le déploiement de produits d’apprentissage automatique à grande échelle m’a appris ce qui tient sous un volume réel. Construire avec des modèles de langage m’a enseigné comment ces modèles se comportent réellement, où ils se cassent et comment les façonner pour obtenir une précision réelle plutôt que des sorties qui ne semblent bonnes que dans une démo. Et partout où j’ai travaillé, les produits qui ont gagné la confiance ont gardé une personne en contrôle et ont reflété la façon dont l’expert travaillait déjà, au lieu de forcer les gens à se conformer à la logique de la machine.

Ce qui m’a attiré vers la finance était une prise de conscience issue de la construction avec des modèles de langage : pour la première fois, vous pouviez prendre des données réellement non structurées et construire une automatisation fiable dessus, ce qui n’était simplement pas possible auparavant. De tous les processus manuels et dirigés par les humains sur le point d’être réorganisés par l’IA, la préparation des états financiers est l’un des plus purs. La thèse avec laquelle je suis arrivé, et à laquelle tout ce que nous construisons revient, est simple : le travail du préparateur devrait passer de la préparation à la vérification. C’est le changement qui vaut la peine de travailler.

La préparation et l’examen des états financiers sont restés obstinément manuels pendant des années. Qu’est-ce qui vous a fait croire que c’était enfin un domaine où l’IA pouvait apporter un changement significatif ?

Si vous regardez de près ce qu’un préparateur financier fait, c’est vraiment un pipeline de transformation de données. Vous tirez des données de dizaines de systèmes qui ne communiquent pas entre eux, comme votre ERP, votre système d’équité, et des PDF remplis de contrats et de calendriers. Vous transformez tout cela en sorties digestibles comme des bilans, des états de revenus, et des tableaux de notes de bas de page. Ensuite, vous ajoutez une couche de jugement : les commentaires qui expliquent ce que les chiffres signifient. Cela est resté manuel pendant si longtemps parce que ces systèmes n’étaient jamais connectés, et les anciennes automatisations comme les moteurs de règles et les robots RPA, les bots scriptés qui imitent les clics, étaient beaucoup trop fragiles pour survivre à la variété et aux cas de bordure.

Deux choses ont changé. Premièrement, les modèles peuvent maintenant prendre des entrées très variées et les structurer, et tout aussi important, faire surface les cas de bordure pour qu’un humain les vérifie au lieu de se casser silencieusement, tant que vous construisez l’étape de vérification derrière eux. Deuxièmement, ils peuvent rédiger des commentaires fondés, car la finance n’est pas purement subjective. Il y a un véritable livre de règles sur lequel s’appuyer, des FASB sur la façon dont les choses sont reconnues et mesurées au SEC sur la façon dont elles sont divulguées, avec des milliers de dépôts antérieurs à apprendre. Ce qui m’a convaincu que c’était réel, c’était de voir une vérification qu’un seul modèle ne pouvait jamais obtenir correctement, le type qui nécessite de nombreuses étapes dépendantes, commencer à fonctionner de manière fiable une fois que nous l’avons exécuté sur un ensemble d’agents coordonnés. Avec l’architecture appropriée, les problèmes qui semblent impossibles pour un modèle deviennent tractables.

Pourquoi l’IA a-t-elle été plus difficile à intégrer dans la finance d’entreprise que beaucoup de gens ne l’avaient prévu ?

La version brute est que c’est un travail pour lequel les gens peuvent aller en prison. Les enjeux sont extrêmement élevés, donc la barre pour automatiser n’importe lequel d’entre eux est correspondamment élevée. C’est un univers différent d’un produit de consommation où une erreur est une nuisance. Ici, un seul chiffre incorrect peut avoir des conséquences juridiques et réglementaires, et la personne qui signe les assume personnellement.

En plus de cela, chaque entreprise le fait légèrement différemment, et le travail est rempli d’exceptions. Les règles et les modèles gèrent le chemin commun, puis se cassent exactement là où le véritable travail se situe. Ce qui a vaincu les logiciels précédents n’était jamais un seul chiffre, c’était le besoin de comprendre un flux de travail de bout en bout avec tous ses si et ses mais. Des enjeux élevés, une personnalisation profonde et des flux de travail réellement emmêlés sont pourquoi ce domaine est resté intact tandis que l’IA transformait des domaines plus spectaculaires.

Quel est l’écart entre les outils d’IA génériques et l’IA spécifiquement conçue pour le reporting financier et la conformité ?

C’est là que je remettrais en question l’idée que tout est dans le modèle. Tout le monde a les mêmes modèles. La différence, c’est tout ce qui se trouve autour d’eux : quel contexte vous mettez devant le modèle, à quel moment, avec quels contrôles. Un système spécifiquement conçu se cumule également. Plus il fonctionne à l’intérieur d’une organisation, plus il apprend les modèles et les conventions spécifiques de l’entreprise, ce que n’accomplit pas un outil générique à chaque fois.

Pour la finance, il y a quelques choses que vous ne pouvez pas sauter. La sortie doit être ancrée dans les données sources, et chaque chiffre doit être traçable jusqu’à son origine, qui ou quoi l’a produit, et pourquoi. Et le système doit connaître les limites de sa propre confiance, en signalant ce dont il n’est pas sûr pour une personne plutôt que de deviner. Le véritable artisanat est dans l’expérience qui entoure tout cela. Vous ne pouvez pas simplement jeter une réponse sur le mur et laisser l’utilisateur la défendre. Concevoir pour l’ancrage, la traçabilité et une mainmise en douceur sur un humain est ce qui sépare un outil générique de quelque chose que le contrôleur sera réellement prêt à mettre son nom derrière.

Quels sont les plus grands défis d’apprentissage automatique dans la construction de systèmes qui peuvent comprendre de manière fiable la structure, les relations et la logique derrière les états financiers ?

Commençons par un exemple concret. Un rapprochement est lorsque vous vous assurez qu’un chiffre est d’accord partout où il apparaît : un tableau contre d’autres tableaux, un tableau contre le texte environnant, le texte contre lui-même, dans tout un dépôt. Les préparateurs le font tous les jours. Cela semble trivial, mais vous ne pouvez pas simplement mettre tout le document dans un modèle avec une invite astucieuse et faire confiance au résultat, pas à la précision que ce travail exige. Pour le rendre fiable, nous avons dû le décomposer en un système coordonné d’étapes plus petites et vérifiables. Même la vérification la plus routine en finance ne peut pas simplement être échangée contre un seul appel de modèle.

C’est le défi fondamental d’apprentissage automatique, et il comporte trois couches. Le système doit comprendre comment un client spécifique fonctionne et continuer à apprendre de ses commentaires. Il doit réellement saisir les relations à l’intérieur d’un état financier, puisque les chiffres se rapprochent à travers les états, les notes de bas de page se réconcilient, et les périodes se roulent en avant, plutôt que de simplement lire le texte. Et une fois que de nombreux agents coopèrent, vous avez pris en charge un problème de systèmes distribués : obtenir le bon contexte à l’étape appropriée, mettre en place des contrôles et des gardes, mélanger la vérification automatisée avec la vérification humaine, et construire les ensembles de données internes qui vous permettent de mesurer si tout cela est réellement correct. La partie difficile n’était jamais d’obtenir qu’un modèle lise un état financier. C’est de construire le système qui entoure qui peut raisonner, se contrôler et expliquer d’où vient chaque chiffre.

Comment réfléchissez-vous à la précision du modèle, à l’explicabilité et à la tolérance aux erreurs lorsque l’IA est appliquée aux flux de travail financiers où de petites erreurs peuvent avoir des conséquences majeures ?

Il n’y a pas de barre d’exactitude unique, et prétendre le contraire est où les gens se trompent. Ces systèmes ne sont pas 100 % précis, et ce qui est réalisable varie beaucoup d’une tâche à l’autre. Le véritable travail est de communiquer honnêtement sur ce que le système a fait et où se situe le risque. Plutôt que de brandir un taux de réussite global, vous pointez le vérificateur vers les éléments qui présentent le plus de risques, les éléments importants, et vous êtes explicite sur ce que le système n’a pas touché. C’est ainsi que vous comblez l’écart, au lieu de prétendre qu’il n’existe pas.

L’explicabilité doit être concrète, et non un principe sur une diapositive. Lorsque nous exécutons des vérifications de pied de page sur un tableau, nous affichons un mini calculateur : les cellules exactes qui ont été combinées et l’arithmétique que le système a utilisée. Si cela a fait une erreur, vous pouvez la voir en une seconde. Du côté du modèle, l’outil le plus important est une solide suite d’évaluation qui mesure la précision sur des tâches réelles. Au-delà de cela, cela revient à apprendre à voir avec les yeux du modèle. Il est étonnamment facile d’oublier ce que le modèle peut réellement voir. Vous étudiez donc ce qui se trouve devant lui, vous étudiez la façon dont un expert raisonne à travers le même problème, et vous réduisez la distance en donnant au modèle le contexte que l’expert aurait.

Qu’est-ce qu’il faut pour gagner la confiance des DAF, des contrôleurs et des auditeurs lors du déploiement de l’IA dans des environnements lourds en matière de conformité ?

La confiance commence par rendre cela sans effort de voir ce que le système a fait. Un utilisateur ne voit pas votre suite d’évaluation et ne se soucie pas que vous moyenniez 95 %. Il regarde son dépôt, et sur son dépôt, le système peut faire moins bien que la moyenne, peut-être sa pire course de la journée. Aucun nombre agrégé ne rassure personne à ce moment-là.

Donc, tout repose sur l’expérience autour de l’IA. Vous montrez clairement ce qui a été fait, vous rendez cela trivial de vérifier et de corriger, et vous vous assurez que cette correction enseigne réellement au système. Ce sont des personnes qui sont personnellement responsables des chiffres, donc elles ne veulent pas d’une boîte noire. Elles veulent rester en contrôle et voir le travail.

Un cas a capturé cela. Un utilisateur a signalé une erreur de calcul dans un tableau et a demandé pourquoi l’IA ne l’avait pas détectée. Parce que chaque action était enregistrée, nous pouvions remonter exactement ce qui s’était passé : le système avait en fait signalé ce chiffre comme discutable, et il avait été rejeté. Le point n’est pas de savoir qui avait raison. C’est qu’un enregistrement complet et partagé a transformé ce qui aurait pu être un exercice de pointage du doigt en une reconstruction de cinq minutes. Ce type de trace documentée est ce qui permet à une équipe financière de traiter le système comme un véritable partenaire.

Où pensez-vous que de nombreuses entreprises vont-elles mal lorsqu’elles tentent d’introduire l’IA dans les flux de travail financiers critiques ?

L’erreur la plus courante est de viser une automatisation complète dès le premier jour. L’instinct est de supprimer l’expert ; la meilleure démarche est de rendre l’expert beaucoup plus productif et de diriger son jugement là où il compte réellement. Lorsque vous essayez de supprimer complètement l’humain, vous obtenez quelque chose que personne ne fait confiance et que personne n’utilise.

La deuxième erreur est de traiter cela comme un problème de modélisation pur et de priver la partie que l’utilisateur touche réellement. La façon dont le travail est présenté, à quel point il est facile de vérifier et de corriger, décide souvent si un outil est adopté ou abandonné discrètement. De nombreuses équipes découvrent trop tard que le modèle était la partie facile.

Si je conseillais un DAF qui commence aujourd’hui : choisissez une tâche étroite, douloureuse et bien comprise plutôt que de faire bouillir l’océan, gardez vos experts fermement aux commandes et investissez autant dans l’expérience et la boucle de rétroaction que dans le modèle lui-même. C’est la différence entre un pilote qui meurt discrètement et un qui change la façon dont l’équipe travaille.

Comment pensez-vous que le rôle des professionnels de la finance va changer au cours des prochaines années à mesure que l’IA devient plus intégrée dans le reporting et l’examen ?

C’est là que la thèse avec laquelle j’ai commencé porte ses fruits. Le changement est de la préparation à la vérification. Aujourd’hui, la plupart du temps d’un préparateur est consacré à la mécanique : tirer des données de systèmes dispersés, construire des tableaux, exécuter les mêmes vérifications encore et encore. À mesure que l’IA absorbe cela, le travail passe de la préparation à la vérification de la sortie, en appliquant le jugement là où il prend réellement un humain, et en gérant les exceptions.

Je vois cela comme rendant les professionnels de la finance plus précieux, et non moins. Leur jugement, leur mémoire institutionnelle et la responsabilité qu’ils portent sont dépensés dans les décisions qui comptent, et non dans le travail d’assemblage que une machine peut faire. Les meilleurs d’entre eux seront excellents pour diriger et vérifier la sortie de l’IA, pour détecter la chose qui semble subtilement fausse, et pour travailler en harmonie avec ces systèmes.

Je serais précis sur l’accélération, cependant. L’IA comprime la préparation, qui peut passer de semaines à une fraction de cela. Elle ne comprime pas les parties verrouillées par les auditeurs externes et les délais de dépôt, qui constituent un plancher qu’elle ne peut pas déplacer. Mais la réduction de la préparation seule change le rythme de la fonction : une clôture plus rapide, un reporting qui s’approche de la continuité, et plus de temps passé sur ce que les chiffres signifient pour l’entreprise plutôt que sur leur production. C’est un avenir plus stratégique pour la profession, et non un avenir plus petit.

Lorsque vous regardez l’ensemble du paysage de l’IA d’entreprise, qu’est-ce qui distingue les entreprises qui résolvent des problèmes opérationnels profonds de celles qui ne font que chevaucher la vague de l’IA ?

Je le juge avec un test, et il n’a rien à voir avec l’IA : à quel point un client serait blessé si le produit disparaissait demain ? Si la réponse est « beaucoup », c’est une entreprise réelle. Si la réponse honnête est « ils ne s’en apercevraient même pas », c’est une entreprise qui surfe sur l’hype. L’IA ne change pas ce test. Elle rend simplement moins cher de construire une démo astucieuse qui échoue à ce test.

Allez plus loin et l’avantage durable vient de jusqu’où vous êtes prêt à aller dans le travail. La dernière génération de logiciels a construit l’endroit où le travail se fait, la surface sur laquelle les gens travaillent. Cette génération peut construire des systèmes qui font réellement le travail, y compris les cas d’entreprise complexes et en plusieurs étapes que la plupart des outils contournent discrètement. Une fois que vous êtes allé aussi loin, avec le contexte accumulé et la confiance qui prend des années à gagner, un grand laboratoire ne peut pas simplement entrer et prendre l’entreprise avec un meilleur modèle de base. Cette profondeur est le jeu entier, et c’est là que nous avons placé notre pari chez Inscope.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter Inscope.