Ankit Arya, Hoofd AI bij Inscope – Interviewreeks

Ankit Arya, Hoofd AI bij Inscope, heeft diepgaande ervaring in AI-productleiderschap, machine learning, enterprise-automatisering en toegepast onderzoek. Als onderdeel van het founding team van Inscope helpt hij bij het ontwikkelen van software die bedrijven in staat stelt om nauwkeurige en compliant financiële gegevens met stakeholders te delen. Zijn achtergrond omvat het dienen als mede-oprichter en CTO van Mariana, waar hij werkte aan AI-gedreven marktanalyse en concurrentieonderzoek, evenals het leiden van machine learning en AI-productstrategie bij HackerRank. Eerder in zijn carrière werkte Arya bij Meta aan AI-gedreven wervingsautomatisering en VR-productiviteit, hielp hij bij het ontwikkelen van chatbot-gebaseerde enterprise-serviceautomatisering als founding engineer bij Astound en bouwde hij productieschaal machine learning-systemen bij Collective[i]. Zijn carrière omvat praktische AI-implementatie, productstrategie, automatisering en datagedreven systemen in zowel startup- als grote ondernemingsomgevingen.

Inscope is een AI-natief financieel rapportageplatform gebouwd voor accountantskantoren, financiële teams en ondernemingen die financiële statements moeten voorbereiden, controleren en afleveren op een efficiëntere manier. Het platform richt zich op het automatiseren van het handmatige werk achter financiële rapportage, waaronder roll-forwards, formatting, disclosures, footings, tie-outs en consistentiecontroles. Inscope positioneert zijn technologie als een manier om rapportagefouten te verminderen, voorbereidingscycli te verkorten en audit-ready financiële statements gemakkelijker te produceren. Het bedrijf kondigde een serie A van $14,5 miljoen aan in februari 2026 om zijn AI-gebaseerde financiële rapportageplatform uit te breiden, met zijn product gericht op het vervangen van gefragmenteerde spreadsheet-gebaseerde workflows met een meer systematische, compliant en schaalbare rapportageproces.

U hebt gewerkt aan enterprise-automatisering, machine learning, wervings-AI, VR-productiviteit en AI-productleiderschap voordat u de rol van Hoofd AI bij Inscope op zich nam. Hoe heeft die progressie u voorbereid om een van de meest handmatige en gevoelige workflows in de financiën aan te pakken?

Ik heb overal hetzelfde harde ding gedaan: het nemen van rommelig menselijk werk en het krijgen van een AI-systeem om het betrouwbaar genoeg te doen zodat echte teams erop kunnen vertrouwen. Elk domein heeft me een ander stukje geleerd. Het implementeren van ML-producten op grote schaal heeft me geleerd wat standhoudt onder echte volumes. Het bouwen met LLM’s als oprichter heeft me geleerd hoe deze modellen werkelijk gedragen, waar ze breken en hoe je ze vormt naar echte precisie in plaats van output die er alleen goed uitziet in een demo. En overal waar ik werkte, waren de producten die vertrouwen verdienden, degene die een persoon in controle hielden en weerspiegelden hoe de expert al werkte, in plaats van mensen te dwingen in de logica van de machine.

Wat me naar de financiën trok, was een realisatie van het bouwen met LLM’s: voor het eerst kon je echt ongestructureerde gegevens nemen en betrouwbare automatisering erop bouwen, wat eenvoudigweg niet mogelijk was voordat. Van alle handmatige, door mensen geleide processen die op het punt staan te worden herschapen door AI, is financiële statementvoorbereiding een van de zuiverste. De stelling die ik binnenkwam en waar alles wat we bouwen naar terugkeert, is eenvoudig: de taak van de voorbereider moet verschuiven naar die van een reviewer. Dat is de verandering die het waard is om aan te werken.

Financiële statementvoorbereiding en -controle is al jarenlang hardnekkig handmatig gebleven. Wat maakte u ervan overtuigd dat dit eindelijk een categorie was waarin AI een significante verandering kon brengen?

Als u goed kijkt naar wat een financiële voorbereider doet, is het eigenlijk een datapipeline. U haalt gegevens op uit een dozijn systemen die niet met elkaar praten, zoals uw ERP, uw equitysysteem en PDF’s vol met contracten en schema’s. U zet al die gegevens om in begrijpelijke outputs zoals balans, resultatenrekening en voetnotentabellen. Vervolgens voegt u een laag van oordeel toe: de commentaar die uitlegt wat de cijfers betekenen. Het is zo lang handmatig gebleven omdat die systemen nooit verbonden waren en oude automatisering zoals regelengines en RPA, de geschreven bots die klikken nabootsen, te broos waren om de variatie en de randgevallen te overleven.

Twee dingen zijn veranderd. Ten eerste kunnen modellen nu wild variërende inputs nemen en structureren, en net zo belangrijk, de randgevallen naar boven brengen voor een mens om te controleren in plaats van stilzwijgend te breken, zolang u de verificatiestap erachter bouwt. Ten tweede kunnen ze gegronde commentaar opstellen, omdat financiën niet puur subjectief zijn. Er is een echt regelboek om op te steunen, van FASB over hoe dingen worden erkend en gemeten tot de SEC over hoe ze worden geopenbaard, met duizenden eerdere indieningen om van te leren. Wat me ervan overtuigde dat dit echt was, was het zien van een controle die een enkel model nooit goed kon krijgen, het soort dat veel afhankelijke stappen nodig heeft, eenmaal werkte toen we het uitvoerden over een set van gecoördineerde agenten. Met de juiste architectuur worden problemen die onmogelijk lijken voor één model, haalbaar.

Waarom is het moeilijker gebleken om enterprise-financiën te transformeren met AI dan veel mensen hadden verwacht?

De botte versie is dat dit werk is waarvoor mensen naar de gevangenis kunnen gaan. De inzet is buitengewoon hoog, dus de lat om iets te automatiseren is eveneens hoog. Dat is een andere wereld dan een consumentenproduct waarbij een fout een ergernis is. Hier kan één verkeerd cijfer juridische en regelgevende gevolgen hebben, en de persoon die het ondertekent, draagt ze persoonlijk.

Daarbovenop doet elk bedrijf dit een beetje anders, en het werk zit vol uitzonderingen. Regels en sjablonen behandelen het gebruikelijke pad en vallen dan uit elkaar, precies waar het echte werk leeft. Wat eerder software versloeg, was nooit één enkel cijfer, maar de behoefte om een hele eind-tot-eind workflow met al zijn ifs en buts te begrijpen. Hoge inzet, diepe aanpassing en echt verwarde workflows zijn de reden waarom deze categorie onaangetast bleef, terwijl AI flashier categorieën transformeerde.

Wat is het verschil tussen generieke AI-hulpmiddelen en de soort speciaal gebouwde AI die nodig is voor financiële rapportage en compliance?

Dit is waar ik zou terugduwen tegen het idee dat het allemaal over het model gaat. Iedereen heeft dezelfde modellen. Het verschil zit in alles eromheen: de context die u voor het model plaatst, op welk moment, met welke controles. Een speciaal gebouwd systeem vermeerdert ook. Hoe meer het werkt binnen één organisatie, hoe meer het leert over de specifieke patronen en conventies van dat bedrijf, wat een generiek hulpmiddel elke keer opnieuw van scratch moet doen.

Voor financiën zijn er een paar dingen die u niet kunt overslaan. De output moet gebaseerd zijn op de brondata, en elk cijfer moet traceerbaar zijn naar waar het vandaan kwam, wie of wat het produceerde en waarom. En het systeem moet de grenzen van zijn eigen vertrouwen kennen, waarschuwingen voor een persoon in plaats van te gissen. Het echte ambacht zit in de ervaring rond al dat. U kunt niet zomaar een antwoord op de muur gooien en de gebruiker laten verdedigen. Ontwerpen voor gronding, traceerbaarheid en een gracieuze overdracht aan een mens is wat een generiek hulpmiddel scheidt van iets waar een controller zijn naam achter zal zetten.

Wat zijn de grootste machine learning-uitdagingen bij het bouwen van systemen die de structuur, relaties en logica achter financiële statements betrouwbaar kunnen begrijpen?

Begin met een concreet voorbeeld. Een tie-out is wanneer u ervoor zorgt dat een cijfer overal waar het verschijnt overeenkomt: een tabel tegenover andere tabellen, een tabel tegenover de omringende tekst, de tekst tegenover zichzelf, over een hele indiening. Voorbereiders doen dit elke dag. Het klinkt triviaal, maar u kunt niet zomaar het hele document in een model met een slimme prompt stoppen en het resultaat vertrouwen, niet op de precisie die dit werk vereist. Om het betrouwbaar te maken, moesten we het breken in een gecoördineerd systeem van kleinere, controleerbare stappen. Zelfs de meest routineuze controle in de financiën kan niet eenvoudig worden ingewisseld voor één modelaanroep.

Dat is de kern van de machine learning-uitdaging, en die heeft drie lagen. Het systeem moet begrijpen hoe een bepaalde klant werkt en blijven leren van hun feedback. Het moet de relaties binnen een financiële statement echt begrijpen, omdat cijfers overeenkomen over statements, voetnoten, reconciliëren en perioden rollen, in plaats van alleen de tekst te lezen. En eenmaal veel agenten samenwerken, hebt u stilzwijgend een gedistribueerd systeemprobleem aangenomen: het krijgen van de juiste context naar de juiste stap, het plaatsen van controles en bewakers, het mengen van geautomatiseerde controle met menselijke controle en het bouwen van de interne datasets die u laten meten of een van dit alles werkelijk correct is. Het harde deel was nooit om een model te krijgen dat een financiële statement kon lezen. Het is het systeem eromheen bouwen dat kan redeneren, zichzelf controleren en uitleggen waar elk cijfer vandaan kwam.

Hoe denkt u over modelnauwkeurigheid, uitlegbaarheid en fouttolerantie wanneer AI wordt toegepast op financiële workflows waar kleine fouten grote gevolgen kunnen hebben?

Er is geen enkele nauwkeurigheidslat, en doen alsof dat wel zo is, is waar mensen fout gaan. Deze systemen zijn niet 100% nauwkeurig, en wat haalbaar is, varieert veel per taak. Dus het echte werk is eerlijk communiceren over wat het systeem deed en waar het risico zit. In plaats van een algemene succesrate te zwaaien, wijst u de reviewer naar de items die het meeste risico dragen, de materiële items, en u bent expliciet over wat het systeem niet heeft aangeraakt. Dat is hoe u de kloof dicht, in plaats van te doen alsof het er niet is.

Uitlegbaarheid moet concreet zijn, niet een principe op een dia. Wanneer we footingcontroles op een tabel uitvoeren, laten we een mini-rekenmachine zien: de exacte cellen die zijn gecombineerd en de rekenkunde die het systeem heeft gebruikt. Als het een fout maakte, kunt u het in een seconde zien. Aan de modelzijde is het belangrijkste instrument een sterke evaluatiesuite die nauwkeurigheid meet op echte taken. Daarbovenop komt het neer op leren zien met de ogen van het model. Het is verrassend gemakkelijk om te vergeten wat het model werkelijk kan zien. Dus u bestudeert wat er voor het model ligt, u bestudeert hoe een expert door hetzelfde probleem heen redeneert, en u sluit de afstand door het model de context te geven die de expert zou hebben.

Wat is er nodig om het vertrouwen van CFO’s, controllers en auditors te verdienen wanneer u AI in compliance-zware omgevingen implementeert?

Vertrouwen begint met het maken van het moeiteloos zichtbaar maken van wat het systeem deed. Een gebruiker ziet uw evaluatiesuite nooit en maalt niet om uw gemiddelde van 95%. Ze kijken naar hun indiening, en op hun indiening kan het systeem slechter presteren dan gemiddeld, misschien is het zijn slechtste run van de dag. Geen enkel gemiddeld cijfer kan iemand in dat moment troosten.

Dus alles draait om de ervaring rond de AI. U toont duidelijk wat er is gedaan, maakt het triviaal om te verifiëren en corrigeren, en zorgt ervoor dat die correctie het systeem werkelijk leert. Dit zijn mensen die persoonlijk verantwoordelijk zijn voor de cijfers, dus ze willen geen black box. Ze willen in controle blijven en het werk zien.

Een zaak ving het. Een gebruiker markeerde een berekeningsfout in een tabel en vroeg waarom de AI het niet had opgevangen. Omdat elke actie op record stond, konden we precies teruglopen wat er was gebeurd: het systeem had in feite dat cijfer als twijfelachtig gemarkeerd en het was genegeerd. Het punt is niet wie gelijk had. Het is dat een complete, gedeelde record wat had kunnen zijn een vingerwijzende oefening, in een vijfminutenreconstructie veranderde. Dat soort gedocumenteerde spoor is wat een financieel team in staat stelt om het systeem als een echte partner te behandelen.

Waar gaan veel ondernemingen fout wanneer ze proberen AI in kritieke financiële workflows in te voeren?

De meest voorkomende fout is het streven naar volledige automatisering op dag één. De instinct is om de expert te verwijderen; de betere zet is om de expert veel productiever te maken en hun oordeel te richten waar het werkelijk toe doet. Wanneer u probeert de mens helemaal te verwijderen, krijgt u iets waar niemand vertrouwen in heeft en niemand gebruikt.

De tweede is het behandelen als een puur modelprobleem en het verhongeren van het deel dat de gebruiker daadwerkelijk aanraakt. Hoe het werk wordt gepresenteerd, hoe gemakkelijk het is om te controleren en te corrigeren, beslist vaak of een hulpmiddel wordt geadopteerd of stilzwijgend wordt verlaten. Veel teams ontdekken te laat dat het model het gemakkelijke deel was.

Als ik een CFO die vandaag begint zou adviseren: kies een smalle, pijnlijke, goed begrepen taak in plaats van de oceaan te koken, houd uw experts stevig in de bestuurdersstoel en investeer evenveel in de ervaring en de feedbacklus als in het model zelf. Dat is het verschil tussen een proef die stilzwijgend sterft en een die de manier waarop het team werkt verandert.

Hoe ziet u de rol van financiële professionals veranderen in de komende jaren, nu AI meer wordt geïntegreerd in rapportage en controle?

Dit is waar de stelling die ik eerder noemde, oplevert. De verschuiving is van voorbereiden naar controleren. Vandaag gaat de meeste tijd van een voorbereider naar mechanica: gegevens ophalen uit verspreide systemen, tabellen bouwen, dezelfde controles opnieuw uitvoeren. Aangezien AI dat absorbeert, verschuift de taak naar het controleren van de output, het toepassen van oordeel waar het werkelijk een mens nodig heeft en het afhandelen van de uitzonderingen.

Ik zie dit als het maken van financiële professionals waardevoller, niet minder. Hun oordeel, hun institutionele geheugen en de verantwoordelijkheid die ze dragen, worden besteed aan de beslissingen die ertoe doen, in plaats van aan assemblagewerk dat een machine kan doen. De besten onder hen zullen uitstekend zijn in het dirigeren en controleren van AI-output, het vangen van het ding dat er subtiel verkeerd uitziet en soepel samenwerken met deze systemen.

Wanneer u naar de enterprise AI-landschap kijkt, wat onderscheidt bedrijven die diepe operationele problemen oplossen van diegenen die alleen de AI-golf berijden?

Ik beoordeel het met één test, en die heeft niets te maken met AI: hoeveel zou een klant lijden als het product morgen zou verdwijnen? Als het antwoord “veel” is, is het een echt bedrijf. Als het eerlijke antwoord “ze zouden het nauwelijks merken” is, is het een bedrijf dat de hype berijdt. AI verandert die test niet. Het maakt het alleen goedkoper om een slick demo te bouwen die die test faalt.

Ga een niveau dieper en het duurzame voordeel komt van hoe ver u in het werk wilt gaan. De laatste generatie software bouwde de plek waar het werk gebeurt, het oppervlak waar mensen op werken. Deze generatie kan systemen bouwen die het werk zelf doen, inclusief de complexe, multi-stap enterprise-gevallen die de meeste tools stilzwijgend omzeilen. Zodra u zo diep bent gegaan, met de geaccumuleerde context en het vertrouwen dat jaren kost om te verdienen, kan een grote lab niet zomaar binnenkomen en de onderneming overnemen met een beter basismodel. Die diepte is het hele spel, en dat is waar we onze inzet hebben geplaatst bij Inscope.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Inscope bezoeken.