인스코프의 AI 책임자 안킷 아리아 – 인터뷰 시리즈

안킷 아리아(Ankit Arya), 인스코프(Inscope)의 AI 책임자는 AI 제품 리더십, 기계 학습, 엔터프라이즈 자동화, 적용 연구 분야에서 깊은 경험을 가지고 있습니다. 인스코프의 공동 창립자로서 그는 기업이 정확하고 규정 준수된 재무 데이터를 이해관계자와 공유할 수 있는 소프트웨어를 구축하는 것을 도와왔습니다. 그의 배경에는 마리아나(Mariana)의 공동 창립자이자 기술 책임자로서 AI 기반 시장 분석과 경쟁 연구를 수행한 경험이 있으며, 해커랭크(HackerRank)에서 기계 학습 및 AI 제품 전략을 이끌었던 경험이 있습니다. 그의 경력 초기에는 메타에서 AI 기반 채용 자동화와 VR 생산성에 기여했으며, 아스타운드(Astound)의 공동 창립자로서 엔터프라이즈 서비스 자동화를 위한 챗봇 기반 솔루션을 개발했습니다. 또한, 콜렉티브아이(Collective[i])에서 대규모 기계 학습 시스템을 구축했습니다. 그의 경력은 실질적인 AI 배포, 제품 전략, 자동화, 데이터 기반 시스템을 포함하여 스타트업과 대규모 기업 환경 모두에서 수행되었습니다.

인스코프는 회계事務소, 재무 팀, 그리고 효율적으로 정확한 재무 상태를 준비, 검토, 제공해야 하는 기업을 위해 구축된 AI 기반 재무 보고 플랫폼입니다. 이 플랫폼은 재무 보고를 위한 수동 작업을 자동화하는 데 중점을 두고 있으며, 이는 롤포워드, 서식, 공개, 풋노트, 타이아웃, 일관성 검사 등을 포함합니다. 인스코프는 기술을 통해 보고 오류를 줄이고 준비 주기를 단축하며 감사 준비 재무 상태를 더 쉽게 생성할 수 있는 방법으로 пози션을 잡고 있습니다. 이 회사는 2026년 2월에 AI 기반 재무 보고 플랫폼을 확장하기 위해 1,450만 달러의 시리즈 A 자금을 유치했다고 발표했습니다. 이 제품은 단편적인 스프레드시트 기반 워크플로우를 더 체계적이고 규정 준수된 보고 프로세스로 대체하는 것을 목표로 합니다.

엔터프라이즈 자동화, 기계 학습, 채용 AI, VR 생산성, AI 제품 리더십을 거치며 인스코프의 AI 책임자로 이동하기까지의 경험이 어떻게 재무의 가장 수동적이고 민감한 워크플로우를 해결하는 데 도움이 되었나요?

엔터프라이즈 자동화, 기계 학습, 채용 AI, VR 생산성 등 다양한 분야에서 일하며 항상 같은 어려운 일을 반복했습니다. 즉, 인간의 작업을 수동으로 처리하는 것을 AI 시스템이 신뢰할 수 있을 만큼 안정적으로 처리하도록 하는 것이었습니다. 각 도메인은 다른 부분을 가르쳤습니다. 대규모 기계 학습 제품을 배포하는 것은 실제 볼륨에서 무엇이 유지되는지 가르쳤습니다. LLM을 사용하여 구축하는 것은 이러한 모델이 실제로 어떻게 작동하는지, 어디서 부서지는지, 그리고 실제 정밀도보다는 데모에서 잘 보이는 출력을 어떻게 형성하는지 가르쳤습니다. 그리고 제가 일한 모든 곳에서 신뢰를 얻은 제품은 사람을 제어하고 이미 전문가가 작업하는 방식을 반영하는 것이었습니다.

재무 분야로 끌린 것은 LLM을 구축하면서 얻은 깨달음에서 비롯되었습니다. 즉,真正로 비구조화된 데이터를 취하고 그 위에 신뢰할 수 있는 자동화를 구축할 수 있게 된 것입니다. 이는 이전에는 불가능했습니다. 수동적이고 인간이 주도하는 프로세스 중에서 AI에 의해 재구성될 수 있는 가장 순수한 형태가 재무 상태 준비입니다. 제가 시작한 가설과 우리가 구축하는 모든 것이 돌아가는 단순한 가설입니다. 즉, 준비자의 작업은 검토자의 작업으로 전환되어야 한다는 것입니다. 그것이 작업할 가치가 있는 변화입니다.

재무 상태 준비와 검토가 수년 동안 수동적으로 유지된 이유는 무엇이며, AI가 의미 있는 변화를 가져올 수 있는 범주로 믿게 된 이유는 무엇인가요?

재무 준비자가 하는 일을 자세히 살펴보면, 이는 실제로 데이터 변환 파이프라인입니다. 여러 시스템에서 데이터를 가져와서 이해할 수 있는 출력으로 변환합니다. 그런 다음 판단의 계층을 추가합니다. 즉, 숫자가 무엇을 의미하는지 설명하는 주석입니다. 오랫동안 수동적으로 유지된 이유는 이러한 시스템이 연결되지 않았고, 이전의 자동화 도구는 너무 취약해서 변이와 예외 경우를 견딜 수 없었기 때문입니다.

두 가지가 변경되었습니다. 첫째, 모델은 이제 광범위하게 다양한 입력을 구조화할 수 있고, 중요하지 않은 경우를 사람에게 확인하도록 표면화할 수 있습니다. 둘째, 모델은 재무에 관한 주석을 작성할 수 있습니다. 재무는 순전히 주관적이지 않습니다. 실제 규칙 책이 있으며, FASB의 인식 및 측정 방법에서부터 SEC의 공개 방법에 이르기까지, 수천 개의 이전 제출물을 학습할 수 있습니다. 제가 이것이 실제인지 확信한 것은 단일 모델이 절대적으로 올바르게 얻을 수 없는 확인을 수행하는 것을 보았을 때였습니다. 즉, 여러 의존적인 단계를 포함하는 확인을 수행하는 것이었습니다. 올바른 아키텍처를 구축하면, 하나의 모델로 해결할 수 없는 문제가 협력하는 에이전트 세트에서 해결할 수 있게 됩니다.

엔터프라이즈 재무가 기대만큼 AI로 변革하기 어렵게 된 이유는 무엇인가요?

솔직하게 말하면, 이것은 사람들이 감옥에 갈 수 있는 작업입니다. 결과가 매우 높기 때문에 자동화의 기준도 그만큼 높습니다. 이는 소비자 제품과는 다르며, 오류는 단순한 불편이 아닌 법적 및 규제적 결과를 초래할 수 있습니다. 그리고 이를 승인하는 사람은 개인적으로 책임을 지게 됩니다.

또한, 모든 회사가 조금씩 다르게 작업을 수행하며, 작업은 예외가 많습니다. 규칙과 템플릿은 일반적인 경로를 다루지만 실제 작업이 있는 곳에서 실패합니다. 이전 소프트웨어를 패배하게 한 것은 단일 숫자가 아니라, 전체 엔드투엔드 워크플로우와 모든 조건을 이해하는 필요성입니다. 높은 결과, 깊은 사용자 지정, 그리고真正로 얽힌 워크플로우는이 범주가 다른 범주보다 더 오래 남아있는 이유입니다.

재무 보고와 규정 준수에 필요한 목적 지향적 AI와 일반적인 AI 도구 사이의 차이는 무엇인가요?

이것은 모두 모델에 관한 것이 아닙니다. 모두가 같은 모델을 가지고 있습니다. 차이는 모델 주변의 모든 것에 있습니다. 즉, 모델에 어떤 컨텍스트를 제공하는지, 언제 제공하는지, 어떤 확인을 하는지입니다. 목적 지향적 시스템은 또한 복합됩니다. 시스템이 한 조직에서 더 잘 작동할수록, 더 많은 회사의 특정 패턴과 규칙을 학습합니다. 이는 일반적인 도구가 매번 처음부터 시작하는 것과는 다릅니다.

재무를 위한 몇 가지 사항은 생략할 수 없습니다. 출력은 원본 데이터에 기반해야 하며, 모든 숫자는 어디서 왔는지, 누가 또는 무엇이 생성했는지, 왜 그런지에 대한 추적이 가능해야 합니다. 또한, 시스템은 자신의 확신의 한계를 알아야 하며, 사람에게 확인을 요청해야 합니다. 실제 기술은 모든 것 주변의 경험에 있습니다. 사용자에게 답변을 던져놓고 방치할 수 없습니다. 사용자가 그것을 방어할 수 있도록 설계해야 합니다. 접지, 추적 가능성, 그리고 사람에게 우아한 전환을 설계하는 것이 일반적인 도구와 차별화되는 것입니다.

재무 상태를 이해하고, 관계와 논리를 신뢰할 수 있는 시스템을 구축하는 데 필요한 기계 학습의 가장 큰 도전은 무엇인가요?

구체적인 예를 들어 보겠습니다. 타이아웃은 숫자가 모든 곳에서 일치하는지 확인하는 것입니다. 표와 다른 표, 표와 주변 텍스트, 텍스트와 자체 텍스트를 비교합니다. 준비자는 매일 이러한 작업을 수행합니다. 이는 사소해 보이지만, 모델에 문서 전체를 넣고 결과를 신뢰할 수 없습니다. 우리는 이를 신뢰할 수 있게 하기 위해, 협력하는 체크 가능한 단계로 나누어야 했습니다. 재무에서 حتى 가장 루틴적인 확인도 단일 모델 호출로 대체할 수 없습니다.

이것이 핵심적인 기계 학습 도전이며, 이는 세 가지 계층으로 구성됩니다. 시스템은 특정 고객이 어떻게 작동하는지 이해하고, 고객의 피드백에서 학습해야 합니다. 또한, 재무 상태 내부의 관계를真正로 이해해야 합니다. 이는 숫자가 상태와 풋노트, 기간 롤포워드와 일관성을 유지하는 방식입니다. 마지막으로, 여러 에이전트가 협력할 때, 분산 시스템 문제를 해결해야 합니다. 즉, 올바른 컨텍스트를 올바른 단계에 제공하고, 확인과 가드를 설정하며, 자동화된 검토와 인간의 검토를 혼합하며, 내부 데이터셋을 구축하여 모든 것이 실제로 올바른지 측정하는 것입니다. 어려운 부분은 모델이 재무 상태를 읽는 것이 아니었습니다. 모델 주변의 시스템을 구축하는 것이었습니다.

재무 워크플로우에서 작은 오류가 큰 결과를 초래할 수 있는 상황에서 모델의 정확성, 설명 가능성, 오류 허용성을 어떻게 생각하시나요?

단일의 정확성 기준은 없습니다. 그렇지 않으면 사람들은 잘못된 방향으로 갈 수 있습니다. 이러한 시스템은 100% 정확하지 않으며, 달성할 수 있는 정확도는 작업에 따라 크게 다를 수 있습니다. 실제 작업은 시스템이 무엇을 했는지, 어디에 위험이 있는지에 대해誠實하게 커뮤니케이션하는 것입니다. 블랭킷 성공률을 흔들지 말고, 리뷰어가 가장 위험한 항목을 확인하도록 지시하고, 시스템이 건드리지 않은 항목에 대해 명확하게 설명합니다. 그렇게 하면 갭을 메울 수 있습니다.

설명 가능성은 구체적이어야 합니다. 슬라이드에 풋잉 체크를 실행할 때, 우리는 작은 계산기를 보여줍니다. 즉, 시스템이 어떤 셀을 결합하고, 어떤 산수를 사용했는지 정확하게 보여줍니다. 만약 시스템이 실수를 했다면, 1초 만에 확인할 수 있습니다. 모델 측면에서는 가장 중요한 도구는 실제 작업에서 정확도를 측정하는 강력한 평가 스위트입니다. 그 이상으로, 모델의 눈으로 보는 방법을 배우는 것입니다. 모델이 실제로 무엇을 볼 수 있는지 쉽게忘れる 것입니다. 그래서 전문가가 같은 문제를 어떻게 해결하는지 연구하고, 모델 앞에 있는 컨텍스트를 연구하며, 전문가가 가지고 있는 컨텍스트를 모델에 제공하여 거리를 좁혀갑니다.

CFO, 컨트롤러, 감사관의 신뢰를 얻기 위해 규제가 많은 환경에서 AI를 배포할 때 무엇이 필요합니까?

신뢰는 시스템이 무엇을 했는지 쉽게 볼 수 있도록 하는 것에서 시작합니다. 사용자는 평균 95%의 평가를 보지 않고, 자신의 제출서를 보고 있습니다. 시스템이 평균보다 더 나쁘게 작동할 수도 있습니다. 아무도 그런 평균 숫자에 위안을 받지 않습니다.

따라서 모든 것은 AI 주변의 경험에 달려 있습니다. 사용자에게 무엇을 했는지 명확하게 보여주고, 검증과 수정을 쉽게 하며, 수정이 실제로 시스템을 가르치는지 확인합니다. 이러한 사람들은 숫자에 대해 개인적으로 책임을 지므로, 블랙박스를 원하지 않습니다. 그들은 제어를 유지하고 작업을 보려 합니다.

한 가지 사례가 이를 포착했습니다. 사용자가 표의 계산 오류를 표시하고, AI가 왜 그것을 잡지 못했는지 물었습니다. 모든 동작이 기록되어 있기 때문에, 우리는 정확히 무엇이 발생했는지 되돌아갈 수 있었습니다. 즉, 시스템이 실제로 그 숫자를 의심스러운 것으로 표시했으며, 사용자가 그것을 무시했습니다. 중요한 점은 누가 옳았는지가 아니라, 완전한 공유 기록이 지적을 가리키는 연습을 5분 만에 재구성할 수 있게 했다는 것입니다. 이러한 종류의 문서화된 기록이 재무 팀이 시스템을真正한 파트너로 대우하도록 만듭니다.

기업이 임계적인 재무 워크플로우에 AI를 도입하려고 할 때 가장 흔히 하는 실수는 무엇인가요?

가장 일반적인 실수는 첫날부터 완전한 자동화를 목표하는 것입니다. 본능은 전문가를 제거하는 것입니다. 더好的 움직임은 전문가를 훨씬 더 생산적으로 만들고, 그들의 판단을 실제로 중요한 곳에 집중시키는 것입니다. 사람이 완전히 제거되려고 하면, 아무도 신뢰하지도 않고 사용하지도 않는 것을 얻게 됩니다.

두 번째는 이것을 순수한 모델링 문제로 취급하고, 사용자가 실제로 터치하는 부분을 기아하게 하는 것입니다. 작업을 어떻게 제시하고, 어떻게 확인하고, 수정하는지 쉽게 하는지가 도구가 채택되거나 조용히 버려지는지 결정하는 경우가 많습니다. 많은 팀은 모델이 쉽다는 것을 너무 늦게 발견합니다.

만약 CFO가 오늘 시작한다면, 나는 좁고, 고통스럽고, 잘 이해된 작업을 선택하라고 조언할 것입니다. 전문가를 단단히 운전석에 두고, 모델 자체에만큼 경험과 피드백 루프에 투자하십시오. 그것이 파일럿이 조용히 죽지 않고 팀이 작동하는 방식을 변경하는 차이입니다.

보고와 검토에 AI가 더 깊이 침투함에 따라, 재무 전문가의 역할은 향후 몇 년 동안 어떻게 변할 것으로 보나요?

이것은 제가 처음에 언급한 가설이 지불되는 곳입니다. 즉, 준비에서 검토로의 전환입니다. 오늘날 대부분의 준비자의 시간은 메커니즘에 할애됩니다. 즉, 데이터를 산산이 흩어진 시스템에서 가져와서 표를 구축하고, 같은 확인을 반복적으로 수행합니다. AI가 이것을 흡수함에 따라, 작업은 출력을 검토하고,真正로 인간이 필요할 때 판단을 적용하며, 예외를 다루는 쪽으로 이동합니다.

재무 전문가의 가치가 더 높아질 것으로 보며, 더 낮아질 것으로 보지 않습니다. 그들의 판단, 기관의 기억, 그리고 그들이 지닌 책임이 더 중요한 결정에 집중되며, 기계가 할 수 있는 조립 작업에 집중하지 않습니다. 최고의 전문가는 AI 출력을 지시하고 확인하는 데훌륭할 것입니다. 그리고 시스템과 유연하게 협력하여 작동할 것입니다.

그러나 속도에 관해서는 정교하게 말하겠습니다. 준비는 몇 주에서 그 일부로 압축될 수 있습니다. 그러나 외부 감사관과 제출 마감일을 결정하는 부분은 AI가 움직일 수 없는 바닥입니다. 그러나 준비를 단축하면 함수의 리듬이 변경됩니다. 즉, 더 빠른 마감, 지속적인 보고, 그리고 숫자가 의미하는 것에 더 많은 시간을 보내는 것입니다. 이것은 더 전략적인 미래입니다. 더 작은 것이 아닙니다.

엔터프라이즈 AI 풍경을 살펴볼 때, 깊은 운영 문제를 해결하는 회사와 단순히 AI 물결을 타는 회사 사이에 무엇이 다르나요?

나는 그것을 하나의 테스트로 판단하며, 이는 AI와 관련이 없습니다. 즉, 고객이 제품이 사라진 다음날 얼마나 아파할지입니다. 만약很多이라면, 이는真正한 회사입니다. 만약 거의 느끼지 못한다면, 이는 물결을 타는 회사입니다. AI는 이 테스트를 변경하지 않습니다. 단지 데모를 구축하는 것이 더 저렴해졌을 뿐입니다.

더 깊이 들어가면, 지속 가능한 이점은 얼마나 깊이 작업에 참여하느냐에 따라 다릅니다. 이전의 소프트웨어 세대는 작업이 발생하는 장소를 구축했습니다. 즉, 사람們이 작업하는 표면입니다. 이 세대는 실제로 작업을 수행하는 시스템을 구축할 수 있습니다. 이는 복잡하고, 다단계의 엔터프라이즈 사례를 포함하여, 대부분의 도구가 조용히 우회하는 경우입니다. 한번 깊이 들어가면, 누적된 컨텍스트와, 그것을 얻기 위해 몇 년이 걸리는 신뢰로, 큰 연구소가 더好的 기본 모델로 사업을 가져올 수 없습니다. 그것이 게임의 모든 것입니다. 그리고 그것이 인스코프에서 우리가 내기를 건 곳입니다.

감사합니다. 더 많은 정보를 원하는 독자는 인스코프를 방문하십시오.