Ankit Arya, sjef for AI i Inscope – Intervju-serie

Ankit Arya, sjef for AI i Inscope, bringer dypt erfaring fra AI-produktledelse, maskinlæring, bedriftsautomatisering og anvendt forskning. Som en del av Inscopes grunnleggerlag hjelper han med å bygge programvare som gjør det mulig for selskaper å dele nøyaktig og samsvarig finansiell data med interessenter. Hans bakgrunn inkluderer å ha vært medgrunnlegger og CTO i Mariana, der han arbeidet med AI-drevet markedsanalyse og konkurranseforskning, samt å ha ledet maskinlæring og AI-produktstrategi i HackerRank. Tidligere i sin karriere arbeidet Arya i Meta med AI-drevet rekrutteringsautomatisering og VR-produktivitet, hjalp med å utvikle chattebasert bedriftsservice-automatisering som grunnleggende ingeniør i Astound, og bygde produksjonsskala maskinlæringsystemer i Collective[i]. Hans karriere spenner over praktisk AI-utplassering, produktstrategi, automatisering og data-drevne systemer over både startup- og storbedriftsmiljøer.

Inscope er en AI-nativ finansiell rapporteringsplattform bygget for regnskapsfirmaer, finanstimer og bedrifter som må forberede, gjennomgå og levere nøyaktige finansielle uttalelser mer effektivt. Plattformen fokuserer på å automatisere det manuelle arbeidet bak finansiell rapportering, inkludert rullinger, formatering, åpenbaringer, fotnoter, sammenstilling og konsistenskontroller. Inscope stiller sin teknologi som en måte å redusere rapporteringsfeil, forkorte forberedelsesperioder og gjøre revisjonsklare finansielle uttalelser lettere å produsere. Selskapet annonserte en 14,5 millioner dollar serie A i februar 2026 for å utvide sin AI-drevne finansielle rapporteringsplattform, med produkter rettet mot å erstatte fragmenterte, regnearksbaserte arbeidsflyter med en mer systematisk, samsvarig og skalerbar rapporteringsprosess.

Du har arbeidet over hele bedriftsautomatisering, maskinlæring, rekrutterings-AI, VR-produktivitet og AI-produktledelse før du tok på deg rollen som sjef for AI i Inscope. Hvordan har denne utviklingen forberedt deg til å takle en av finansens mest manuelle og sensitive arbeidsflyter?

Over bedriftsautomatisering, rekrutterings-AI, VR-produktivitet og maskinlæring har jeg gjort variasjoner av det samme vanskelige: å ta besværlig menneskelig arbeid og få et AI-system til å gjøre det pålitelig nok til at virkelige team kan stole på det. Hver domene lærte en annen del. Utrolping av ML-produkter i stor skala lærte meg hva som holder under virkelig volum. Bygging med LLM-er som grunnlegger lærte meg hvordan disse modellene faktisk oppfører seg, hvor de bryter sammen og hvordan du former dem mot virkelig presisjon i stedet for utgang som bare ser bra ut i en demo. Og overalt jeg arbeidet, var produktene som tjente tillit de som holdt en person i kontroll og speilet hvordan eksperten allerede arbeidet, i stedet for å tvinge mennesker inn i maskinens logikk.

Hva trakk meg mot finans var en realisering fra bygging med LLM-er: for første gang kunne du ta virkelig ustrukturert data og bygge pålitelig automatisering på toppen av det, noe som simpelthen ikke var mulig før. Av alle de manuelle, menneskeledede prosessene som skal omformes av AI, er finansiell uttalelsesforberedelse en av de reneste. Tesen jeg kom inn med, og den alt vi bygger returnerer til, er enkel: forberederens jobb bør skifte til en revisors. Det er endringen verdt å jobbe med.

Finansiell uttalelsesforberedelse og gjennomgang har forblitt påvirket av manuelle prosesser i årevis. Hva gjorde deg til å tro at dette endelig var en kategori hvor AI kunne levere meningsfull forandring?

Hvis du ser nært på hva en finansiell forbereder gjør, er det virkelig en data-omformingspipeline. Du trekker data fra et dusin systemer som ikke snakker sammen, som ditt ERP, ditt eiersystem og PDF-er fulle av kontrakter og skjemaer. Du omformer all denne data til fordøyelige utganger som balansebok, inntektsuttalelser og fotnotetabeller. Deretter legger du til et lag av dømmekraft på toppen: kommentaren som forklarer hva tallene betyr. Det har forblitt manuelt i så lenge fordi disse systemene aldri koblet sammen, og eldre automatisering som regelmotorer og RPA, de skriptede botene som imiterer klikk, var altfor skjøre til å overleve variasjonen og kanttilfeller.

To ting har endret seg. Først kan modeller nå ta veldig varierte inndata og strukturere dem, og like viktig, fremheve kanttilfeller for en menneskelig å sjekke i stedet for å bryte stille, så lenge du bygger verifikasjonssteget bak dem. For det andre kan de utkaste grunnede kommentarer, fordi finans ikke er rent subjektivt. Det finnes en virkelig regelbok å hvile på, fra FASB om hvordan ting blir gjenkjent og målt til SEC om hvordan de blir offentliggjort, med tusenvis av tidligere innmeldinger å lære fra. Hva som overbeviste meg om at dette var virkelig var å se på en sjekk som en enkelt modell aldri kunne få rett, den typen som tar mange avhengige steg, begynne å fungere pålitelig en gang vi kjørte den over en sett av koordinerte agenter. Med riktig arkitektur blir problemer som ser umulige ut for en modell håndterbare.

Hvorfor har bedriftsfinans vært hardest å omforme med AI enn mange mennesker forventet?

Den blanke versjonen er at dette er arbeid folk kan havne i fengsel for. Kravene er usedvanlig høye, så terskelen for å automatisere noe av det er tilsvarende høy. Det er en annen univers enn et forbrukerprodukt hvor en feil er en irritasjon. Her kan en enkelt feil tall føre til juridiske og regulatore konsekvenser, og personen som signerer bærer dem personlig.

I tillegg til det gjør hver bedrift dette litt annerledes, og arbeidet er fullt av unntak. Regler og maler håndterer den vanlige veien og så bryter sammen nettopp der det virkelige arbeidet bor. Hva som beseiret tidligere programvare var aldri ett enkelt tall, det var behovet for å forstå en hel sluttføringsarbeidsflyt med alle dens hvis og men. Høye krav, dyp tilpasning og virkelig sammenfiltrede arbeidsflyter er grunnene til at denne kategorien forble uberørt mens AI omformet flashere kategorier.

Hva er gapet mellom generiske AI-verktøy og den type formål-bygde AI som kreves for finansiell rapportering og samsvar?

Dette er der jeg ville gå imot ideen om at det handler om modellen. Alle har de samme modellene. Forskjellen ligger i alt rundt dem: hva kontekst du setter foran modellen, på hvilket øyeblikk, med hvilke kontroller. Et formål-bygget system kompenserer også. Jo mer det fungerer innen én organisasjon, jo mer lærer det organisasjonens spesifikke mønster og konvensjoner, noe et generisk verktøy starter fra scratch hver enkelt gang.

For finans er det noen ting du ikke kan hoppe over. Utgangen må være grunnlagt i kilde-data, og hvert tall må være sporbar tilbake til hvor det kom fra, hvem eller hva produserte det, og hvorfor. Og systemet må vite grensene for sin egen tillit, flagge hva det ikke er sikker på for en person i stedet for å gjette. Den virkelige fagligheten ligger i opplevelsen rundt alt dette. Du kan ikke bare kaste et svar på veggen og la brukeren forsvare det. Design for grunnlag, sporbarhet og en behagelig overlevering til en menneske er hva skiller en generisk verktøy fra noe en controller faktisk vil sette sitt navn bak.

Hva er de største maskinlæringsutfordringene i bygging av systemer som kan pålitelig forstå strukturen, relasjonene og logikken bak finansielle uttalelser?

Start med et konkrekt eksempel. En sammenstilling er når du sikrer at et tall stemmer overalt det dukker opp: en tabell mot andre tabeller, en tabell mot den omgivende teksten, teksten mot seg selv, over en hel innmelding. Forberedere gjør dette hver dag. Det høres trivialt ut, men du kan ikke bare slippe hele dokumentet inn i en modell med en smart prompt og stole på resultatet, ikke på den presisjonen dette arbeidet krever. For å gjøre det pålitelig måtte vi bryte det ned i et koordinert system av mindre, kontrollerbare steg. Selv den mest rutinemessige kontrollen i finans kan ikke enkelt byttes ut med en enkelt modellkall.

Dette er den sentrale maskinlæringsutfordringen, og den har tre lag. Systemet må forstå hvordan en bestemt kunde fungerer og fortsette å lære fra deres tilbakemeldinger. Det må virkelig gripe relasjonene innen en finansiell uttalelse, ettersom tall kobles sammen over uttalelser, fotnoter og perioder ruller fremover, i stedet for bare å lese teksten. Og en gang mange agenter samarbeider, har du stille tatt på deg et distribuert-system-problem: å få riktig kontekst til riktig steg, å sette kontroller og vakter på plass, å blande automatisk gjennomgang med menneskelig gjennomgang, og å bygge de interne datasettene som lar deg måle om noe av det faktisk er korrekt. Det harde var aldri å få en modell til å lese en finansiell uttalelse. Det er å bygge systemet rundt det som kan resonnere, sjekke seg selv og forklare hvor hver figur kom fra.

Hvordan tenker du om modellnøyaktighet, forklarbarhet og feiltoleranse når AI blir brukt i finansielle arbeidsflyter hvor små feil kan ha store konsekvenser?

Det finnes ingen enkelt nøyaktighetsbar, og å påstå noe annet er der folk går galt. Disse systemene er ikke 100% nøyaktige, og hva som er oppnåelig varierer mye etter oppgave. Så det virkelige arbeidet er å kommunisere ærlig om hva systemet gjorde og hvor risikoen ligger. I stedet for å vifte med en blankettsuksessrate, peker du revisoren mot elementene som bærer den største risikoen, de materielle, og du er eksplisitt om hva systemet ikke berørte. Det er hvordan du lukker gapet, i stedet for å påstå at det ikke er der.

Forklarbarhet må være konkret, ikke en prinsipp på en skrive. Når vi kjører fotnotekontroller på en tabell, viser vi en mini-kalkulator: de eksakte cellene som ble kombinert og aritmetikken systemet brukte. Hvis det gjorde en feil, kan du se det på et sekund. På modell-siden er det viktigste verktøyet sterke evalueringssuiter som måler nøyaktighet på virkelige oppgaver. Ut over det handler det om å lære å se med modellens øyne. Det er overraskende lett å glemme hva modellen faktisk kan se. Så du studerer hva som er foran det, du studerer hvordan en ekspert resonnere gjennom det samme problemet, og du lukker avstanden ved å gi modellen konteksten som eksperten ville ha.

Hva kreves det for å tjene tillit hos CFO-er, kontrollører og revisorer når du deployer AI i samsvar-tyngede miljøer?

Tillit starter med å gjøre det lett å se hva systemet gjorde. En bruker ser aldri din evalueringssuite og bryr seg ikke om at du gjennomsnittlig er 95%. De ser på sin egen innmelding, og på den innmeldingen kan systemet gjøre dårligere enn gjennomsnitt, kanskje sin dårligste kjøring på dagen. Ingen samlet tall kan trøste noen i det øyeblikket.

Så alt handler om opplevelsen rundt AI-en. Du viser tydelig hva som ble gjort, gjør det enkelt å verifisere og korrigere, og sikrer at korreksjonen faktisk lærer systemet. Disse er mennesker som er personlig ansvarlige for tallene, så de vil ikke ha en svart boks. De vil holde kontrollen og se arbeidet.

En sak fanget det. En bruker merket en beregningsfeil i en tabell og spurte hvorfor AI-en ikke fanget det. Fordi hver handling var på rekord, kunne vi gå tilbake gjennom eksakt hva som skjedde: systemet hadde faktisk merket dette tallet som tvilsomt, og det hadde blitt avvist. Poenget er ikke hvem som hadde rett. Det er at en fullstendig, delt rekord forvandlet hva som kunne ha blitt en pekefinger-øvelse til en fem-minutters rekonstruksjon. Den type dokumentert spor er hva lar en finansteam behandle systemet som en ekte partner.

Hvor tror du mange bedrifter går galt når de prøver å innføre AI i kritiske finansielle arbeidsflyter?

Den vanligste feilen er å sikte mot full automatisering på dag én. Instinktet er å fjerne eksperten; det bedre trekket er å gjøre eksperten langt mer produktiv og rette deres dømmekraft der det faktisk teller. Når du prøver å fjerne mennesket helt, får du noe ingen stoler på og ingen bruker.

Den andre feilen er å behandle dette som et rent modell-problem og sulte den delen brukeren faktisk berører. Hvordan arbeidet presenteres, hvor enkelt det er å sjekke og korrigere, bestemmer ofte om et verktøy blir adoptert eller stille og rolig forkastet. Mange team oppdager for sent at modellen var den enkle delen.

Hvis jeg skulle rådgive en CFO som starter i dag: velg en smal, smertefull, godt forstått oppgave i stedet for å koke havet, hold dine eksperter fast i førersetet, og invester like mye i opplevelsen og tilbakemeldingsloopet som i modellen selv. Det er forskjellen mellom en pilot som dør stille og en som endrer hvordan teamet arbeider.

Hvordan ser du på rollen til finanseprofesjonelle når AI blir mer integrert i rapportering og gjennomgang over de neste årene?

Dette er der tesen jeg åpnet med betaler av. Skiftet er fra forberedelse til gjennomgang. I dag går det meste av en forbereders tid til mekanikken: å trekke data fra spredte systemer, bygge tabeller, kjøre de samme kontrollene igjen og igjen. Mens AI absorberer det, flytter jobben mot å gjennomgå utgangen, å bruke dømmekraft der det virkelig krever et menneske, og å håndtere unntakene.

Jeg ser på dette som å gjøre finanseprofesjonelle mer verdifulle, ikke mindre. Deres dømmekraft, deres institusjonelle minne og ansvarligheten de bærer, brukes på beslutningene som teller, i stedet for på monteringsarbeid en maskin kan gjøre. De beste blant dem vil være eksellente til å dirigere og sjekke AI-utgang, å fange det som ser subtilt galt ut, og å arbeide flytende sammen med disse systemene.

Jeg ville være presis om hastigheten, though. AI komprimerer forberedelse, som kan gå fra uker til en brøkdel av det. Det komprimerer ikke delene som er avgrenset av eksterne revisorer og innmeldingsfrister, som er en gulv det ikke kan flytte. Men å forkorte forberedelse alene endrer rytmen til funksjonen: en raskere lukking, rapportering som nærmer seg kontinuerlig, og mer tid brukt på hva tallene betyr for bedriften, i stedet for på å produsere dem. Det er en mer strategisk fremtid for profesjonen, ikke en mindre.

Når du ser over hele bedrifts-AI-landskapet, hva skiller selskaper som løser dypt operative problemer fra de som bare surfer på AI-bølgen?

Jeg dømmer det med en test, og den har ingenting å gjøre med AI: hvor mye ville en kunde lide hvis produktet forsvant i morgen? Hvis svaret er “mye”, er det et virkelig selskap. Hvis det ærlige svaret er “de ville knapt merke det”, er det et selskap som surfer på hype. AI endrer ikke den testen. Det gjør det bare billigere å bygge en slick demo som feiler den.

Gå et nivå dyptere og den varige fordelen kommer fra hvor langt inn i arbeidet du er villig til å gå. Den siste generasjonen av programvare bygde stedet hvor arbeid skjer, overflaten mennesker arbeider på. Denne generasjonen kan bygge systemer som gjør arbeidet selv, inkludert de komplekse, fler-stegs bedriftssaker som de fleste verktøy stille og rolig router rundt. En gang du har gått så dypt, med den akkumulerte konteksten og tilliten som tar år å tjene, kan en stor laboratorie ikke bare gå inn og ta forretningen med en bedre basis-modell. Den dybden er hele spillet, og det er der vi har plassert vårt veddemål i Inscope.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Inscope.