Ankit Arya, Head of AI at Inscope – Intervista

Ankit Arya, Head of AI at Inscope, porta una profonda esperienza in tutto ciò che riguarda la leadership dei prodotti AI, l’apprendimento automatico, l’automazione aziendale e la ricerca applicata. Come parte del team fondatore di Inscope, sta aiutando a costruire software che consente alle aziende di condividere dati finanziari precisi e conformi con gli stakeholder. Il suo background include il ruolo di co-fondatore e CTO di Mariana, dove ha lavorato sull’analisi del mercato e sulla ricerca competitiva guidata dall’AI, nonché la guida della strategia dei prodotti di apprendimento automatico e AI in HackerRank. All’inizio della sua carriera, Arya ha lavorato a Meta sull’automazione del recruiting guidata dall’AI e sulla produttività VR, ha aiutato a sviluppare l’automazione del servizio aziendale basata su chatbot come ingegnere fondatore di Astound e ha costruito sistemi di apprendimento automatico su larga scala in Collective[i]. La sua carriera abbraccia il dispiegamento pratico dell’AI, la strategia dei prodotti, l’automazione e i sistemi basati sui dati in ambienti sia di startup che di grandi imprese.

Inscope è una piattaforma di reporting finanziario nativa AI costruita per studi di contabilità, team finanziari e imprese che devono preparare, revisionare e consegnare dichiarazioni finanziarie accurate in modo più efficiente. La piattaforma si concentra sull’automatizzazione del lavoro manuale dietro il reporting finanziario, compresi roll-forward, formattazione, divulgazioni, calcoli e verifiche di coerenza. Inscope posiziona la sua tecnologia come un modo per ridurre gli errori di reporting, accorciare i cicli di preparazione e rendere più facile la produzione di dichiarazioni finanziarie pronte per l’audit. La società ha annunciato un finanziamento di 14,5 milioni di dollari nella serie A a febbraio 2026 per espandere la sua piattaforma di reporting finanziario guidata dall’AI, con il prodotto mirato a sostituire i flussi di lavoro frammentati basati su fogli di calcolo con un processo di reporting più sistematico, conforme e scalabile.

Hai lavorato in vari settori, dall’automazione aziendale all’apprendimento automatico, dal recruiting guidato dall’AI alla produttività VR, e alla leadership dei prodotti AI, prima di assumere il ruolo di Head of AI in Inscope. Come ti ha preparato questo percorso per affrontare uno dei flussi di lavoro più manuali e sensibili della finanza?

Ho sempre fatto variazioni della stessa cosa difficile: prendere il lavoro umano disordinato e far sì che un sistema AI lo esegua in modo affidabile abbastanza da far sì che team reali si affidino ad esso. Ogni dominio ha insegnato qualcosa di diverso. Il dispiegamento di prodotti di apprendimento automatico su larga scala mi ha insegnato cosa regge sotto un volume reale. Costruire con LLM come fondatore mi ha insegnato come questi modelli si comportano effettivamente, dove si rompono e come si possono plasmare verso una precisione reale piuttosto che verso un output che sembra solo buono in una demo. E in tutti i posti in cui ho lavorato, i prodotti che hanno guadagnato la fiducia hanno mantenuto una persona in controllo e hanno riflesso il modo in cui l’esperto lavorava già, invece di forzare le persone nella logica della macchina.

Ciò che mi ha attirato verso la finanza è stata una realizzazione derivante dalla costruzione con LLM: per la prima volta, si poteva prendere dati genuinamente non strutturati e costruire un’automazione affidabile su di essi, cosa che semplicemente non era possibile prima. Tra tutti i processi manuali e guidati dagli esseri umani che stanno per essere ridisegnati dall’AI, la preparazione delle dichiarazioni finanziarie è uno dei più puri. La tesi con cui sono entrato e a cui tutto ciò che costruiamo ritorna è semplice: il lavoro del preparatore dovrebbe spostarsi verso quello del revisore. Questo è il cambiamento per cui vale la pena lavorare.

La preparazione e la revisione delle dichiarazioni finanziarie sono rimaste ostinatamente manuali per anni. Cosa ti ha fatto credere che questo fosse finalmente un settore in cui l’AI poteva apportare un cambiamento significativo?

Se si guarda da vicino a cosa fa un preparatore finanziario, è essenzialmente una pipeline di trasformazione dei dati. Si prendono dati da una dozzina di sistemi che non parlano tra loro, come il sistema ERP, il sistema di equity e PDF pieni di contratti e calendari. Si trasformano tutti questi dati in output digeribili come bilanci, dichiarazioni sui redditi e tabelle di note. Poi si aggiunge uno strato di giudizio: il commento che spiega cosa significano i numeri. È rimasto manuale per così tanto tempo perché quei sistemi non si connettevano e l’automazione più vecchia, come i motori di regole e l’RPA, i bot scriptati che mimano i clic, era troppo fragile per sopravvivere alla varietà e ai casi limite.

Due cose sono cambiate. In primo luogo, i modelli possono ora prendere input estremamente vari e strutturarli, e allo stesso tempo, evidenziare i casi limite per un controllo umano invece di rompersi silenziosamente, a condizione che si costruisca il passaggio di verifica dietro di essi. In secondo luogo, possono stendere un commento fondato, perché la finanza non è puramente soggettiva. Ci sono regole reali a cui appoggiarsi, dalle norme FASB su come le cose sono riconosciute e misurate alle norme SEC su come vengono divulgate, con migliaia di precedenti da cui imparare. Ciò che mi ha convinto che questo fosse reale è stato vedere un controllo che un singolo modello non avrebbe mai potuto eseguire correttamente, il tipo di controllo che richiede molti passaggi dipendenti, iniziare a funzionare in modo affidabile una volta che lo abbiamo eseguito su un insieme di agenti coordinati. Con l’architettura giusta, problemi che sembrano impossibili per un modello diventano gestibili.

Perché l’AI è stata più difficile da introdurre nei flussi di lavoro finanziari aziendali di quanto molti abbiano previsto?

La versione diretta è che questo è un lavoro per cui le persone possono andare in prigione. Le poste in gioco sono straordinariamente elevate, quindi la barriera per automatizzare qualsiasi parte di esso è altrettanto elevata. Questo è un universo diverso da un prodotto per il consumatore in cui un errore è un fastidio. Qui, un solo numero sbagliato può portare a conseguenze legali e regolamentari, e la persona che firma se ne assume la responsabilità personale.

Inoltre, ogni azienda fa questo in modo leggermente diverso, e il lavoro è pieno di eccezioni. Le regole e i modelli gestiscono il percorso comune e poi si rompono esattamente dove si trova il lavoro reale. Ciò che ha sconfitto il software precedente non è stato un singolo numero, ma la necessità di comprendere un intero flusso di lavoro end-to-end con tutte le sue sfumature. Le poste in gioco elevate, la personalizzazione profonda e i flussi di lavoro veramente ingarbugliati sono il motivo per cui questa categoria è rimasta intatta mentre l’AI trasformava settori più appariscenti.

Qual è il divario tra gli strumenti AI generici e l’AI su misura richiesta per la conformità e il reporting finanziario?

Questo è il punto in cui mi oppongo all’idea che si tratti solo del modello. Tutti hanno gli stessi modelli. La differenza sta in tutto ciò che li circonda: il contesto che si mette davanti al modello, nel momento giusto, con i controlli giusti. Un sistema su misura si accumula. Più funziona all’interno di un’organizzazione, più apprende i modelli e le convenzioni specifiche dell’azienda, cosa che uno strumento generico inizia a fare da zero ogni volta.

Per la finanza ci sono alcune cose che non puoi saltare. L’output deve essere fondato sui dati di origine e ogni numero deve essere tracciabile fino a dove è stato originato, da chi o cosa è stato prodotto e perché. E il sistema deve conoscere i limiti della propria fiducia, segnalando ciò di cui non è sicuro per una persona invece di indovinare. La vera arte sta nell’esperienza intorno a tutto ciò. Non puoi semplicemente lanciare una risposta sul muro e lasciare all’utente il compito di difenderla. Progettare per la fondazione, la tracciabilità e una consegna elegante a un essere umano è ciò che separa uno strumento generico da qualcosa che un controller sarà disposto a sostenere.

Quali sono le più grandi sfide di apprendimento automatico nella costruzione di sistemi che possano comprendere in modo affidabile la struttura, le relazioni e la logica dietro le dichiarazioni finanziarie?

Inizia con un esempio concreto. Un tie-out è quando si assicura che un numero concordi ovunque appaia: una tabella contro altre tabelle, una tabella contro il testo circostante, il testo contro se stesso, in tutta la dichiarazione. I preparatori lo fanno ogni giorno. Sembra banale, ma non puoi semplicemente inserire l’intero documento in un modello con un prompt astuto e fidarti del risultato, non alla precisione che questo lavoro richiede. Per renderlo affidabile, abbiamo dovuto dividerlo in un sistema coordinato di passaggi più piccoli e controllabili. Anche il controllo più di routine nella finanza non può semplicemente essere sostituito da una singola chiamata al modello.

Questa è la sfida fondamentale dell’apprendimento automatico, e ha tre strati. Il sistema deve comprendere come funziona un cliente specifico e continuare a imparare dai suoi feedback. Deve comprendere realmente le relazioni all’interno di una dichiarazione finanziaria, poiché i numeri si riconciliano tra le dichiarazioni, le note si riconciliano e i periodi si rollano in avanti, piuttosto che semplicemente leggere il testo. E una volta che molti agenti cooperano, hai silenziosamente assunto un problema di sistemi distribuiti: portare il contesto giusto al passaggio giusto, mettere in place controlli e guardie, mescolare la revisione automatizzata con la revisione umana e costruire i set di dati interni che ti permettono di misurare se qualcosa di tutto ciò è effettivamente corretto. La parte difficile non è stata ottenere che un modello leggesse una dichiarazione finanziaria. È costruire il sistema intorno ad esso che possa ragionare, controllarsi e spiegare da dove provenga ogni cifra.

Come pensi all’accuratezza del modello, alla spiegabilità e alla tolleranza degli errori quando l’AI viene applicata ai flussi di lavoro finanziari in cui piccoli errori possono avere conseguenze significative?

Non c’è una sola barra di accuratezza, e fingere il contrario è dove la gente sbaglia. Questi sistemi non sono del 100% accurati, e ciò che è raggiungibile varia molto a seconda del compito. Quindi il vero lavoro è comunicare onestamente ciò che il sistema ha fatto e dove si trova il rischio. Piuttosto che sventolare una percentuale di successo globale, si punta il revisore agli elementi che portano il maggior rischio, quelli materiali, e si è espliciti su ciò che il sistema non ha toccato. È così che si chiude il divario, invece di fingere che non ci sia.

La spiegabilità deve essere concreta, non un principio su una diapositiva. Quando eseguiamo controlli di footing su una tabella, mostriamo un mini-calcolatore: le celle esatte che sono state combinate e l’aritmetica che il sistema ha utilizzato. Se ha fatto un errore, puoi vederlo in un secondo. Sul lato del modello, lo strumento più importante è una suite di valutazione solida che misura l’accuratezza su compiti reali. Oltre a questo, si tratta di imparare a vedere con gli occhi del modello. È sorprendentemente facile dimenticare cosa il modello possa effettivamente vedere. Quindi studi cosa gli si presenta, studi come un esperto ragiona attraverso lo stesso problema e chiudi la distanza fornendo al modello il contesto che l’esperto avrebbe avuto.

Cosa ci vuole per guadagnare la fiducia dei CFO, dei controller e degli auditor quando si dispiega l’AI in ambienti di conformità pesante?

La fiducia inizia con il rendere facile vedere cosa ha fatto il sistema. Un utente non vede la tua suite di valutazione e non si cura che tu abbia una media del 95%. Sta guardando la sua dichiarazione, e su quella dichiarazione il sistema potrebbe fare peggio della media, forse la sua peggiore esecuzione della giornata. Nessun numero aggregato può confortare qualcuno in quel momento.

Quindi tutto dipende dall’esperienza intorno all’AI. Mostrare chiaramente cosa è stato fatto, rendere banale verificare e correggere e assicurarsi che quella correzione insegni effettivamente al sistema. Queste sono persone che sono personalmente responsabili dei numeri, quindi non vogliono una scatola nera. Vogliono rimanere in controllo e vedere il lavoro.

Un caso ha catturato l’essenza. Un utente ha segnalato un errore di calcolo in una tabella e ha chiesto perché l’AI non lo aveva catturato. Perché ogni azione era registrata, abbiamo potuto ripercorrere esattamente cosa era successo: il sistema aveva effettivamente segnalato quella cifra come discutibile e l’aveva ignorata. Il punto non è chi aveva ragione. È che un registro condiviso ha trasformato ciò che poteva essere un esercizio di accusa in una ricostruzione di cinque minuti. Questo tipo di percorso documentato è ciò che permette a un team finanziario di trattare il sistema come un vero partner.

Dove pensi che molte imprese vadano storte quando cercano di introdurre l’AI nei flussi di lavoro finanziari critici?

L’errore più comune è mirare all’automazione completa fin dal primo giorno. L’istinto è quello di rimuovere l’esperto; la mossa migliore è rendere l’esperto molto più produttivo e dirigere il suo giudizio laddove conta veramente. Quando si tenta di rimuovere completamente l’essere umano, si ottiene qualcosa che nessuno si fida e che nessuno usa.

Il secondo errore è trattare questo come un problema di modellazione pura e privare la parte che l’utente tocca effettivamente. Come il lavoro viene presentato, come è facile controllare e correggere, decide spesso se uno strumento viene adottato o abbandonato silenziosamente. Molti team scoprono troppo tardi che il modello era la parte facile.

Se stessi consigliando un CFO che inizia oggi: scegliere un compito stretto, doloroso e ben compreso invece di bollire l’oceano, mantenere gli esperti saldamente al timone e investire tanto nell’esperienza e nel ciclo di feedback quanto nel modello stesso. Questa è la differenza tra un progetto pilota che muore silenziosamente e uno che cambia il modo in cui il team lavora.

Come pensi che il ruolo dei professionisti finanziari cambi nei prossimi anni man mano che l’AI si integra maggiormente nel reporting e nella revisione?

Questo è dove la tesi che ho aperto si paga. Il passaggio è da preparatore a revisore. Oggi la maggior parte del tempo di un preparatore va alla meccanica: estrarre dati da sistemi sparsi, costruire tabelle, eseguire gli stessi controlli più e più volte. Man mano che l’AI assorbe questo, il lavoro si sposta verso la revisione dell’output, applicando il giudizio dove veramente serve un essere umano e gestendo le eccezioni.

Lo vedo come un modo per rendere i professionisti finanziari più preziosi, non meno. Il loro giudizio, la loro memoria istituzionale e la responsabilità che portano vengono spesi sulle decisioni che contano invece che sul lavoro di assemblaggio che una macchina può fare. I migliori di loro saranno eccellenti nel dirigere e controllare l’output dell’AI, catturare la cosa che sembra sottilmente sbagliata e lavorare fluentemente accanto a questi sistemi.

Se guardo attraverso il paesaggio dell’AI aziendale, cosa separa le aziende che risolvono problemi operativi profondi da quelle che semplicemente cavalcano l’onda dell’AI?

Lo giudico con un test, e non ha nulla a che fare con l’AI: quanto soffrirebbe un cliente se il prodotto scomparisse domani? Se la risposta è “molto”, è un’azienda vera. Se la risposta onesta è “a malapena si accorgerebbero”, è un’azienda che cavalca l’ipocrisia. L’AI non cambia questo test. Rende solo più economico costruire una demo elegante che fallisce il test.

Andando più a fondo, il vantaggio duraturo deriva da quanto si è disposti ad andare nel lavoro. L’ultima generazione di software ha costruito il luogo in cui il lavoro avviene, la superficie su cui le persone lavorano. Questa generazione può costruire sistemi che fanno il lavoro stesso, compresi i casi aziendali complessi e a più passaggi che la maggior parte degli strumenti evita silenziosamente. Una volta che si è andati così a fondo, con il contesto accumulato e la fiducia che richiede anni per guadagnare, un grande laboratorio non può semplicemente entrare e prendere l’attività con un modello di base migliore. Quella profondità è l’intero gioco, ed è dove abbiamo puntato la nostra scommessa in Inscope.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Inscope.