InscopeのAI責任者アニット・アリヤー – インタビュー・シリーズ

アニット・アリヤー、InscopeのAI責任者は、AI製品リーダーシップ、機械学習、企業の自動化、応用研究の分野で深い経験を持っています。Inscopeの創設メンバーとして、彼は企業が利害関係者と正確でコンプライアンスのある財務データを共有できるようにするソフトウェアを構築するのに役立ちました。彼の背景には、Marianaの共同創設者兼CTOとしてAI駆動の市場分析と競合研究に取り組んだ経験や、HackerRankで機械学習とAI製品戦略を牽引した経験があります。彼のキャリアの初期には、MetaでAI駆動の採用自動化とVRの生産性に取り組み、Astoundの創設エンジニアとしてエンタープライズ・サービス・オートメーションのチャットボットを開発しました。また、Collective[i]では大規模な機械学習システムを構築しました。彼のキャリアは、スタートアップと大企業の環境を問わず、実践的なAIの展開、製品戦略、自動化、データ駆動型システムにわたっています。

Inscopeは、会計事務所、財務チーム、財務諸表を効率的に準備、確認、提出する必要がある企業向けに構築されたAIネイティブの財務報告プラットフォームです。プラットフォームは、財務報告の背後にある手作業の自動化、ロールフォワード、フォーマット、開示、フッティング、タイアウト、整合性チェックなどに焦点を当てています。Inscopeは、報告エラーを減らし、準備サイクルを短縮し、監査対応の財務諸表を作成しやすくするために技術を位置付けます。同社は、2026年2月に1,450万ドルのシリーズAを発表し、AI駆動の財務報告プラットフォームを拡大し、断片化されたスプレッドシート重視のワークフローをより体系的、コンプライアンス、スケーラブルな報告プロセスに置き換えることを目指しています。

企業の自動化、機械学習、採用AI、VRの生産性、AI製品リーダーシップの分野で幅広い経験を持った後、InscopeのAI責任者として財務の最も手作業的で繊細なワークフローに取り組むことになったのはどうなりましたか?

企業の自動化、採用AI、VRの生産性、機械学習の分野で、私は同じ難しいことを繰り返し行ってきました。人間の仕事をAIシステムに頼らせるようにすることです。各ドメインは異なる部分を教えてくれました。大規模なML製品の展開は、実際のボリュームで何が機能するかを教えてくれました。LLMを使用した構築は、これらのモデルが実際にどのように動作するか、どこで壊れるか、どのように精度を高めるかを教えてくれました。また、どこにでも、信頼を得た製品は人間がコントロールし、専門家がすでに働いている方法を反映していたことがわかりました。

私を財務の分野に引き付けたのは、LLMを使用した構築から得た認識でした。初めて、真正に構造化されていないデータを取り込み、信頼性の高い自動化を構築することが可能になりました。これは以前は不可能でした。AIによって変化される手作業で人間が主導するプロセスの中で、財務諸表の準備は最も純粋なものです。私が最初に提示したテーゼは、そして私たちが構築するすべてのものに返されるテーゼは、単純です。準備者の仕事は、レビューアーの仕事にシフトするべきです。那は、私たちが取り組んでいる変化です。

財務諸表の準備と確認は、数年間、手作業的でした。AIが有意義な変化をもたらすことができる分野であると信じるようになったのはどうなりましたか?

財務諸表の準備者が実際に何をしているかを見てみると、それはデータ変換パイプラインです。システムが話し合えない12のシステムからデータを取得し、それらを消化しやすい出力、たとえばバランスシート、損益計算書、フッティングテーブルに変換します。次に、数字が何を意味するかを説明するための判断を追加します。長い間手作業的だったのは、これらのシステムが接続されていなかったからです。ルールエンジンやRPAなどの古い自動化は、バリエーションやエッジケースに耐えるのにあまりにも脆弱でした。

2つのことが変わりました。モデルは、非常に異なる入力を取り込み、構造化し、また、人間が確認できるエッジケースを表面化できるようになりました。さらに、財務は純粋に主観的なものではなく、FASBやSECなどのルールブックがあり、数千の事前提出を学ぶことができます。私が信じたのは、単一のモデルでは決して正しくできないチェックが、複数のエージェントを走らせたときに信頼性を持って機能し始めたことです。適切なアーキテクチャがあれば、1つのモデルでは不可能なように見える問題が解決可能になるのです。

企業の財務は、多くの人々が予想していたよりも、AIによって変革されることが難しいのはどうしてですか?

率直な説明は、ここでは間違いが起こると、人々が刑務所に行くことになるということです。賭けは非常に高く、自動化するための障壁も高くなります。これは、消費者向け製品とは異なり、間違いがただの厄介事ではなく、法的および規制上の結果をもたらす可能性があることを意味します。

さらに、各企業はこれを行う方法が少し異なり、作業は例外で満たされています。ルールとテンプレートは一般的なパスを処理しますが、実際の作業が行われる場所では壊れます。以前のソフトウェアを破壊したのは、単に数字ではなかったのです。それは、エンドツーエンドのワークフローとすべてのifとbutを理解する必要性でした。高賭け、深いカスタマイズ、真正に複雑なワークフローが、このカテゴリが他のカテゴリよりも長く無視された理由です。

一般的なAIツールと財務報告およびコンプライアンスに必要な特化されたAIの間にはどのようなギャップがありますか?

ここで私は、すべてがモデルについてであるという考えに異議を唱えます。誰でも同じモデルを持っています。違いはモデル周辺のすべてのことです。どのコンテキストをモデルに提示するか、どの瞬間に、どのチェックを行うかです。特化されたシステムは複合します。システムが1つの組織内で機能するにつれて、会社固有のパターンと規則をより多く学習し、汎用ツールは毎回最初から始めます。

財務の場合、スキップできないいくつかの点があります。出力はソースデータに基づいており、各数字はどこから来て、誰または何によって生成され、そしてなぜ生成されたかを追跡できる必要があります。また、システムは自身の信頼性の限界を知っており、人間ではなく、不確実なものをフラグとしています。実際の工芸はその周囲の経験にあることです。答えを壁に投げてユーザーがそれを擁護するのを待つのではなく、コンテキストを提供し、ユーザーがそれを確認および修正できるようにし、修正がシステムを教えるようにする必要があります。汎用ツールと何かを区別するのは、設計におけるグラウンド化、追跡可能性、人間への優雅なハンドオフです。

財務諸表の背後にある構造、関係、論理を信頼性を持って理解することができるシステムを構築する上での最大の機械学習の課題は何ですか?

具体的な例から始めましょう。タイアウトは、数字がどこに現れるかを確認することです。表と表、表と周囲のテキスト、テキストとそれ自身、全体の提出に対してです。準備者は毎日これを行います。ただし、ドキュメント全体をモデルに投げて結果を信頼することはできません。信頼性を持って機能するように、チェック可能な小さなステップに分割する必要があります。財務では、最もルーチン的なチェックでも、単一のモデル呼び出しに置き換えることはできません。

これが中心となる機械学習の課題であり、3つの層があります。システムは特定の顧客の仕事を理解し、継続的に学習する必要があります。また、財務諸表内の関係を真正に理解し、テキストを読むだけでなく、数字がテーブル、フッティング、期間のロールフォワードにタイアウトする方法を理解する必要があります。最後に、複数のエージェントが協力している場合、分散システムの問題に取り組む必要があります。適切なコンテキストを適切なステップに提供し、チェックとガードを配置し、自動化されたレビューと人間のレビューを組み合わせ、内部データセットを構築して、すべてが実際に正しいかどうかを測定します。難しい部分は、モデルが財務諸表を読むことではありませんでした。システムを構築することでした。

財務ワークフローで小さなミスの大きな結果をもたらす可能性がある場合、モデル精度、説明可能性、エラートレランスについてどう考えていますか?

単一の精度のバーはありません。そうであると主張することは、どこかで間違っていることを意味します。これらのシステムは100%正確ではありません。達成可能なものはタスクによって大きく異なります。したがって、実際の作業は、システムが何を行ったか、リスクがどこにあるかを正直に伝えることです。全体的な成功率を振る舞うのではなく、リスクの高い項目、重要な項目をレビューアーに指し示し、システムが触れなかった項目について明示的に説明します。那がギャップを埋める方法であり、ギャップがないと主張するのではなく、そこにギャップがあることを認める方法です。

説明可能性は、スライド上の原則ではなく、具体的でなければなりません。テーブルのフッティングチェックを実行する場合、ミニカクルケーターを表示します。組み合わせたセルとシステムが使用した算術を表示します。ミスを犯した場合、1秒で確認できます。モデル側では、最も重要なツールは、実際のタスクで精度を測定する強力な評価スイートです。その他は、モデルの目で見ることを学ぶことです。モデルの目で何が見えるかを忘れるのは、驚くほど簡単です。そこで、モデルの前に何があるかを研究し、専門家が同じ問題を推論する方法を研究し、モデルのコンテキストを専門家が持っているコンテキストに近づけることで、距離を縮めます。

CFO、コントローラー、監査員の信頼を得るために、コンプライアンス重視の環境でAIを展開するには何が必要ですか?

信頼は、システムが何を行ったかを簡単に見えるようにすることから始まります。ユーザーは評価スイートを見ないし、95%の平均精度に興味がありません。彼らは自分の提出書を見て、システムはその提出書で平均以下のパフォーマンスを示したかもしれません。集団的な数字は誰にも慰められません。

すべてがAIの周囲の経験に依存しています。何が行われたかを明確に表示し、検証および修正を容易に行い、修正がシステムを教えるようにします。これらの人は、数字に個人責任を負っている人々です。ブラックボックスは望んでいません。コントロールを維持し、作業を見たいのです。

1つのケースがそれを捉えました。ユーザーはテーブルの計算エラーをフラグし、AIがそれを捕まえなかった理由を尋ねました。すべてのアクションが記録されていたので、起こったことを正確に遡ることができました。システムは実際にその数字を疑問としてフラグしていたのですが、それは却下されました。誰が正しかったかは重要ではありません。重要なのは、完全な共有レコードが、指を指すことを五分間の再構築に変えたことです。そうした記録が、財務チームがシステムを真正のパートナーとして扱うことを可能にします。

企業が重要な財務ワークフローにAIを導入しようとするときに、どこで間違いを犯していますか?

最も一般的な間違いは、最初の日に完全な自動化を目指すことです。直感は、専門家を除去することです。より良いアプローチは、専門家をはるかに生産的で、判断を重要なところに集中させることです。人間を完全に除去しようとすると、誰も信頼せず、誰も使用しないものができます。

2番目の間違いは、純粋にモデル化の問題として扱い、ユーザーが実際に触れる部分を無視することです。作業が提示される方法、チェックおよび修正が容易であるかどうかは、ツールが採用されるか、静かに放棄されるかを決定することが多いです。多くのチームは、モデルが簡単な部分だったことを、遅すぎて気づきます。

もしCFOとして今日から始めるなら、海を煮るのではなく、痛みを伴う狭い、よく理解されたタスクを選択し、専門家をしっかりと運転席に置き、モデル自体と同じだけの投資を経験とフィードバック・ループに注ぎ込むことです。那が、静かに死ぬパイロットと、チームの働き方を変えるパイロットの違いです。

AIが報告とレビューにさらに組み込まれるにつれて、財務専門家の役割は次の数年でどのように変化すると思いますか?

これは、私が最初に提示したテーゼが実現するところです。シフトは、準備からレビューへのものです。今日、準備者の大部分の時間は、メカニズムに費やされます。データを散在するシステムから取得し、テーブルを構築し、同じチェックを繰り返し実行します。AIがそれを吸収するにつれて、仕事は、出力をレビューし、真正に人間が必要な判断を適用し、例外を処理することにシフトします。

私は、これが財務専門家の価値を低下させるのではなく、高めるものであると考えています。彼らの判断、機関の記憶、そして彼らが負う責任は、機械が行えるアセンブリ作業ではなく、重要な決定に費やされるようになります。最高の専門家は、AIの出力を指示し、チェックし、流暢にシステムと協力することに関して優れています。

ただし、スピードアップについては、正確である必要があります。AIは準備を圧縮します。これは、週からその一部に縮小します。ただし、外部監査員と提出期限によってゲートされる部分は、AIが移動できないフロアです。ただし、準備だけを縮小することで、機能のリズムが変わります。クロージングが速くなり、報告が連続的に近づき、数値の意味についてより多くの時間を費やし、生成についてではなく、ビジネスについてより多くの時間を費やすことになります。那が、より戦略的な将来です。より小さなものではありません。

企業AIのランドスケープを見渡すと、深い運用上の問題を解決している会社と、単にAIの波に乗っている会社を区別するものは何ですか?

私は、1つのテストで判断します。それはAIとは関係ありません。顧客が製品が消えた場合にどれだけ損害を受けるかです。如果答えは「多く」であれば、それは真正の会社です。如果答えは「ほとんど気づかない」であれば、それは波に乗っている会社です。AIはそのテストを変えません。ただし、スリックなデモを構築することがより安くなり、テストに失敗することになります。

1段階深く行くと、持続可能なアドバンテージは、仕事の中央にどれだけ進むかによって来ます。前の世代のソフトウェアは、作業が行われる場所を構築しました。表面は、人々が作業を行う場所です。この世代は、作業自体を実行するシステムを構築できます。多くのツールが静かに回避する複雑で多段階の企業ケースを含みます。そこまで深く入ると、信頼と年数を積むことで、巨大な研究所がベースモデルを改善してビジネスを奪うことはできません。那が全てのゲームであり、Inscopeではそこに賭けをしています。

素晴らしいインタビュー、詳しく知りたい読者は、Inscopeを訪問してください。