Ankit Arya, Kepala AI di Inscope – Seri Wawancara

Ankit Arya, Kepala AI di Inscope, membawa pengalaman mendalam di bidang kepemimpinan produk AI, pembelajaran mesin, otomatisasi perusahaan, dan penelitian terapan. Sebagai bagian dari tim pendiri Inscope, ia membantu membangun perangkat lunak yang memungkinkan perusahaan untuk berbagi data keuangan yang akurat dan patuh dengan pemangku kepentingan. Latar belakangnya termasuk menjabat sebagai Co-Founder dan CTO di Mariana, di mana ia bekerja pada analisis pasar dan penelitian kompetitif yang didorong oleh AI, serta memimpin strategi produk mesin pembelajaran dan AI di HackerRank. Pada awal karirnya, Arya bekerja di Meta pada otomatisasi perekrutan yang didorong oleh AI dan produktivitas VR, membantu mengembangkan otomatisasi layanan perusahaan berbasis chatbot sebagai insinyur pendiri di Astound, dan membangun sistem pembelajaran mesin skala produksi di Collective[i]. Karirnya meliputi penerapan AI yang praktis, strategi produk, otomatisasi, dan sistem berbasis data di seluruh lingkungan startup dan perusahaan besar.

Inscope adalah platform pelaporan keuangan AI-asli yang dibangun untuk firma akuntansi, tim keuangan, dan perusahaan yang perlu mempersiapkan, meninjau, dan menyajikan laporan keuangan yang akurat dengan lebih efisien. Platform ini berfokus pada mengotomatisasi pekerjaan manual di balik pelaporan keuangan, termasuk roll-forwards, formatting, pengungkapan, footings, tie-outs, dan pemeriksaan konsistensi. Inscope memposisikan teknologinya sebagai cara untuk mengurangi kesalahan pelaporan, mempersingkat siklus persiapan, dan membuat laporan keuangan yang siap audit lebih mudah diproduksi. Perusahaan mengumumkan $14,5 juta Seri A pada Februari 2026 untuk memperluas platform pelaporan keuangan yang didorong oleh AI, dengan produk yang ditujukan untuk menggantikan alur kerja berbasis spreadsheet yang terfragmentasi dengan proses pelaporan yang lebih sistematis, patuh, dan scalable.

Anda telah bekerja di bidang otomatisasi perusahaan, pembelajaran mesin, perekrutan AI, produktivitas VR, dan kepemimpinan produk AI sebelum mengambil peran Kepala AI di Inscope. Bagaimana progresi itu mempersiapkan Anda untuk menangani salah satu alur kerja manual dan sensitif di keuangan?

Di seluruh otomatisasi perusahaan, perekrutan AI, produktivitas VR, dan pembelajaran mesin, saya terus melakukan variasi dari hal yang sama yang sulit: mengambil pekerjaan manusia yang berantakan dan membuat sistem AI untuk melakukannya dengan andal sehingga tim nyata dapat mengandalkannya. Setiap domain mengajarkan bagian yang berbeda. Mengirimkan produk ML pada skala besar mengajarkan saya apa yang bertahan di bawah volume nyata. Membangun dengan LLM sebagai pendiri mengajarkan saya bagaimana model-model ini sebenarnya berperilaku, di mana mereka rusak, dan bagaimana Anda membentuknya menuju presisi nyata daripada output yang hanya terlihat baik dalam demo. Dan di mana pun saya bekerja, produk yang mendapatkan kepercayaan selalu menjaga orang dalam kontrol dan memantulkan bagaimana ahli sudah bekerja, bukan memaksa orang ke dalam logika mesin.

Apa yang menarik Anda ke keuangan adalah realisasi dari membangun dengan LLM: untuk pertama kalinya Anda bisa mengambil data yang tidak terstruktur dan membangun otomatisasi yang andal di atasnya, yang sebelumnya tidak mungkin. Dari semua proses manual, dipimpin manusia yang akan dibentuk kembali oleh AI, persiapan pernyataan keuangan adalah salah satu yang paling murni. Tesis yang saya datangi, dan yang semua yang kita bangun kembali, adalah sederhana: pekerjaan preparer harus bergeser ke reviewer. Itulah perubahan yang layak bekerja.

Persiapan dan tinjauan pernyataan keuangan telah tetap manual selama bertahun-tahun. Apa yang membuat Anda percaya bahwa ini akhirnya merupakan kategori di mana AI dapat memberikan perubahan yang berarti?

Jika Anda melihat lebih dekat apa yang dilakukan oleh preparer keuangan, itu sebenarnya adalah pipa transformasi data. Anda menarik data dari sistem yang tidak berbicara satu sama lain, seperti ERP, sistem ekuitas, dan PDF penuh kontrak dan jadwal. Anda mengubah semua itu menjadi output yang dapat dicerna seperti laporan neraca, laporan laba rugi, dan tabel catatan kaki. Kemudian Anda menambahkan lapisan penilaian di atasnya: komentar yang menjelaskan apa yang dimaksud dengan angka-angka. Ini tetap manual selama bertahun-tahun karena sistem-sistem itu tidak pernah terhubung, dan otomatisasi yang lebih tua seperti mesin aturan dan RPA, bot yang ditulis yang meniru klik, terlalu rapuh untuk bertahan dari variasi dan kasus tepi.

Dua hal berubah. Pertama, model sekarang dapat mengambil input yang sangat bervariasi dan mengstrukturkannya, dan sama pentingnya, menampilkan kasus tepi untuk diperiksa oleh manusia daripada diam-diam rusak, selama Anda membangun langkah verifikasi di belakangnya. Kedua, mereka dapat menghasilkan komentar yang berdasar, karena keuangan tidak sepenuhnya subjektif. Ada buku aturan nyata untuk bersandar, dari FASB tentang bagaimana hal-hal diakui dan diukur hingga SEC tentang bagaimana mereka diungkapkan, dengan ribuan pengajuan sebelumnya untuk dipelajari. Apa yang membuat saya yakin bahwa ini nyata adalah melihat pemeriksaan yang tidak dapat dilakukan oleh model tunggal, jenis yang membutuhkan banyak langkah yang bergantung, mulai bekerja secara andal sekali kami menjalankannya di seluruh agen yang terkoordinasi. Dengan arsitektur yang tepat, masalah yang tampak mustahil bagi satu model menjadi dapat diatasi.

Mengapa keuangan perusahaan telah lebih sulit untuk diubah dengan AI daripada yang banyak orang harapkan?

Versi tumpul adalah bahwa ini adalah pekerjaan yang orang dapat pergi ke penjara. Taruhan sangat tinggi, sehingga batang untuk mengotomatisasi apa pun dari itu sangat tinggi. Itu adalah universe yang berbeda dari produk konsumen di mana kesalahan adalah gangguan. Di sini, satu angka yang salah dapat membawa konsekuensi hukum dan regulasi, dan orang yang menandatangani membawa mereka secara pribadi.

Di atas itu, setiap perusahaan melakukan ini sedikit berbeda, dan pekerjaan penuh dengan pengecualian. Aturan dan template menangani jalur umum dan kemudian hancur tepat di mana pekerjaan nyata hidup. Apa yang mengalahkan perangkat lunak sebelumnya tidak pernah satu angka, itu adalah kebutuhan untuk memahami alur kerja akhir-ke-akhir dengan semua jika dan kecuali. Taruhan tinggi, kustomisasi yang dalam, dan alur kerja yang benar-benar terjalin adalah mengapa kategori ini tetap tidak disentuh sementara AI mengubah kategori yang lebih mencolok.

Apa yang memisahkan alat AI generik dan alat AI yang dibangun khusus untuk pelaporan keuangan dan kepatuhan?

Ini adalah tempat saya akan menolak gagasan bahwa ini semua tentang model. Setiap orang memiliki model yang sama. Perbedaan ada di sekitar mereka: konteks apa yang Anda letakkan di depan model, pada saat apa, dengan pemeriksaan apa. Sistem yang dibangun khusus juga berkompilasi. Semakin banyak itu bekerja di dalam satu organisasi, semakin banyak itu belajar pola dan konvensi khusus perusahaan, yang alat generik mulai dari awal setiap kali.

Untuk keuangan, ada beberapa hal yang tidak bisa dilewati. Output harus berdasar pada data sumber, dan setiap angka harus dapat dilacak kembali ke mana asalnya, siapa atau apa yang menghasilkannya, dan mengapa. Dan sistem harus tahu batas kepercayaan dirinya, menandai apa yang tidak yakin tentang untuk orang daripada menebak. Kerajinan yang sebenarnya ada di sekitar semua itu. Anda tidak bisa hanya melemparkan jawaban ke dinding dan meninggalkan pengguna untuk membela itu. Merancang untuk dasar, keterlacakan, dan pengalihan yang anggun ke manusia adalah apa yang memisahkan alat generik dari sesuatu yang controller akan benar-benar menandatangani.

Apa yang merupakan tantangan pembelajaran mesin terbesar dalam membangun sistem yang dapat memahami struktur, hubungan, dan logika di balik laporan keuangan?

Mulai dengan contoh konkret. Tie-out adalah ketika Anda memastikan angka setuju di mana pun itu muncul: tabel melawan tabel lain, tabel melawan teks sekitar, teks melawan dirinya sendiri, di seluruh pengajuan. Preparers melakukannya setiap hari. Ini terdengar sepele, tetapi Anda tidak bisa hanya melemparkan dokumen seluruhnya ke dalam model dengan prompt yang cerdas dan percaya hasilnya, tidak pada presisi yang pekerjaan ini tuntut. Untuk membuatnya dapat diandalkan, kami harus memecahnya menjadi sistem yang terkoordinasi dari langkah-langkah yang lebih kecil dan dapat diperiksa. Bahkan pemeriksaan rutin di keuangan tidak bisa hanya digantikan dengan satu panggilan model.

Itulah tantangan pembelajaran mesin inti, dan itu memiliki tiga lapisan. Sistem harus memahami bagaimana pelanggan tertentu bekerja dan terus belajar dari umpan balik mereka. Ini harus benar-benar memahami hubungan di dalam laporan keuangan, karena angka-angka mengikat di seluruh pernyataan, catatan kaki direkonsiliasi, dan periode bergulir ke depan, bukan hanya membaca teks. Dan sekali banyak agen bekerja sama, Anda telah diam-diam mengambil masalah sistem terdistribusi: mendapatkan konteks yang tepat ke langkah yang tepat, meletakkan pemeriksaan dan penjaga, mencampur tinjauan otomatis dengan tinjauan manusia, dan membangun dataset internal yang memungkinkan Anda untuk mengukur apakah apa pun dari itu benar-benar benar. Bagian yang sulit tidak pernah mendapatkan model untuk membaca laporan keuangan. Ini adalah membangun sistem di sekitar itu yang dapat bernalar, memeriksa dirinya sendiri, dan menjelaskan dari mana setiap angka berasal.

Bagaimana Anda memikirkan tentang akurasi model, keterjelasan, dan toleransi kesalahan ketika AI diterapkan pada alur kerja keuangan di mana kesalahan kecil dapat memiliki konsekuensi besar?

Tidak ada batang akurasi tunggal, dan berpura-pura sebaliknya adalah di mana orang salah. Sistem ini tidak 100% akurat, dan apa yang dapat dicapai bervariasi banyak tergantung pada tugas. Jadi pekerjaan yang sebenarnya adalah berkomunikasi dengan jujur tentang apa yang dilakukan sistem dan di mana risiko berada. Daripada mengibarkan sukses rate blank, Anda menunjukkan reviewer pada item yang membawa risiko terbesar, item material, dan Anda eksplisit tentang apa yang sistem tidak sentuh. Itulah cara Anda menutup celah, bukan berpura-pura itu tidak ada.

Keterjelasan haruslah konkret, bukan prinsip di slide. Ketika kami menjalankan pemeriksaan footing pada tabel, kami menunjukkan mini kalkulator: sel yang tepat yang digabungkan dan aritmatika yang sistem gunakan. Jika itu membuat kesalahan, Anda dapat melihatnya dalam satu detik. Di sisi model, alat yang paling penting adalah suite evaluasi yang kuat yang mengukur akurasi pada tugas nyata. Di luar itu, ini turun ke mempelajari untuk melihat dengan mata model. Ini sangat mudah untuk lupa apa yang sebenarnya dapat dilihat oleh model. Jadi Anda mempelajari apa yang ada di depannya, Anda mempelajari bagaimana ahli bernalar melalui masalah yang sama, dan Anda menutup jarak dengan memberikan model konteks yang ahli akan miliki.

Apa yang diperlukan untuk mendapatkan kepercayaan dari CFO, controller, dan auditor ketika menggelar AI di lingkungan yang sarat dengan kepatuhan?

Kepercayaan dimulai dengan membuatnya mudah untuk melihat apa yang dilakukan sistem. Pengguna tidak pernah melihat suite evaluasi Anda dan tidak peduli bahwa Anda rata-rata 95%. Mereka melihat laporan mereka, dan pada laporan itu sistem mungkin melakukan lebih buruk dari rata-rata, mungkin yang terburuk dalam satu hari. Tidak ada angka agregat yang menghibur siapa pun dalam saat itu.

Jadi semuanya bergantung pada pengalaman di sekitar AI. Anda menunjukkan dengan jelas apa yang dilakukan, membuatnya sepele untuk memverifikasi dan memperbaiki, dan memastikan bahwa koreksi itu benar-benar mengajar sistem. Ini adalah orang-orang yang secara pribadi bertanggung jawab atas angka-angka, sehingga mereka tidak ingin kotak hitam. Mereka ingin tetap mengontrol dan melihat pekerjaan.

Satu kasus menangkapnya. Pengguna menandai kesalahan perhitungan dalam tabel dan bertanya mengapa AI tidak menangkapnya. Karena setiap tindakan ada di catatan, kami bisa berjalan kembali melalui apa yang terjadi: sistem sebenarnya menandai angka itu sebagai pertanyaan, dan itu telah ditolak. Poinnya bukan siapa yang benar. Ini adalah bahwa catatan yang lengkap dan bersama membuat apa yang bisa menjadi latihan menunjuk jari menjadi rekonstruksi lima menit. Jenis jejak yang didokumentasikan itu adalah apa yang memungkinkan tim keuangan untuk memperlakukan sistem sebagai mitra yang sebenarnya.

Di mana banyak perusahaan salah ketika mereka mencoba memperkenalkan AI ke alur kerja keuangan yang kritis?

Kesalahan paling umum adalah bertujuan untuk otomatisasi penuh pada hari pertama. Instingnya adalah menghilangkan ahli; langkah yang lebih baik adalah membuat ahli jauh lebih produktif dan mengarahkan penilaian mereka ke mana itu benar-benar penting. Ketika Anda mencoba menghilangkan manusia sepenuhnya, Anda mendapatkan sesuatu yang tidak dipercaya dan tidak digunakan.

Yang kedua adalah memperlakukan ini sebagai masalah pemodelan murni dan menghabiskan bagian yang pengguna sebenarnya sentuh. Bagaimana pekerjaan disajikan, bagaimana mudahnya untuk memeriksa dan memperbaiki, sering menentukan apakah alat diadopsi atau diam-diam ditinggalkan. Banyak tim menemukan terlambat bahwa model itu adalah bagian yang mudah.

Jika saya memberi saran kepada CFO yang memulai hari ini: pilih tugas yang sempit, menyakitkan, dan dipahami dengan baik, jaga ahli Anda tetap di kursi pengemudi, dan investasikan sebanyak dalam pengalaman dan loop umpan balik seperti dalam model itu sendiri. Itulah perbedaan antara pilot yang diam-diam mati dan yang mengubah cara tim bekerja.

Bagaimana Anda melihat peran profesional keuangan berubah dalam beberapa tahun ke depan ketika AI menjadi lebih tertanam dalam pelaporan dan tinjauan?

Ini adalah tempat tesis yang saya buka membayar. Perubahan itu dari mempersiapkan ke meninjau. Hari ini sebagian besar waktu preparer pergi ke mekanika: menarik data dari sistem yang tercerai, membangun tabel, menjalankan pemeriksaan yang sama lagi dan lagi. Ketika AI menyerap itu, pekerjaan bergeser ke meninjau output, menerapkan penilaian di mana itu benar-benar membutuhkan manusia, dan menangani pengecualian.

Saya melihat ini sebagai membuat profesional keuangan lebih berharga, bukan kurang. Penilaian mereka, memori institusional, dan akuntabilitas yang mereka bawa dibelanjakan pada keputusan yang benar-benar penting bukan pada pekerjaan perakitan yang dapat dilakukan mesin. Yang terbaik dari mereka akan sangat baik dalam mengarahkan dan memeriksa output AI, menangkap hal yang terlihat salah, dan bekerja dengan fasih di samping sistem ini.

Saya akan tepat tentang percepatan, bagaimanapun. AI mengompresi persiapan, yang dapat berubah dari minggu ke fraksi dari itu. Ini tidak mengompresi bagian yang digerbang oleh auditor eksternal dan tenggat waktu pengajuan, yang merupakan lantai yang tidak dapat dipindahkan. Tapi mengompresi persiapan saja mengubah irama fungsi: penutupan yang lebih cepat, pelaporan yang mendekati terus-menerus, dan lebih banyak waktu dihabiskan pada apa yang dimaksud dengan angka-angka untuk bisnis daripada pada menghasilkannya. Itu adalah masa depan yang lebih strategis untuk profesi, bukan yang lebih kecil.

Ketika Anda melihat di seluruh lanskap AI perusahaan, apa yang memisahkan perusahaan yang memecahkan masalah operasional yang dalam dari mereka yang hanya menunggangi gelombang AI?

Saya menilainya dengan satu tes, dan itu tidak ada hubungannya dengan AI: seberapa banyak pelanggan akan terluka jika produk menghilang besok? Jika jawabannya adalah “banyak”, itu adalah perusahaan yang nyata. Jika jawaban yang jujur adalah “mereka hampir tidak akan memperhatikan”, itu adalah perusahaan yang menunggangi hipe. AI tidak mengubah tes itu. Ini hanya membuatnya lebih murah untuk membangun demo yang canggih yang gagal dalam tes itu.

Pergi ke tingkat yang lebih dalam dan keuntungan yang tahan lama datang dari seberapa jauh Anda mau pergi ke dalam pekerjaan. Generasi perangkat lunak sebelumnya membangun tempat di mana pekerjaan dilakukan, permukaan yang orang kerja. Generasi ini dapat membangun sistem yang melakukan pekerjaan itu sendiri, termasuk kasus perusahaan yang kompleks dan multi-langkah yang sebagian besar alat diam-diam menghindari. Sekali Anda telah pergi sejauh itu, dengan konteks yang terkumpul dan kepercayaan yang dibutuhkan bertahun-tahun untuk mendapatkan, laboratorium besar tidak bisa hanya berjalan dan mengambil bisnis dengan model dasar yang lebih baik. Itulah permainan yang sebenarnya, dan itulah di mana kami meletakkan taruhan kami di Inscope. Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Inscope.