Ankit Arya, Szef AI w Inscope – Seria wywiadów

Ankit Arya, Szef AI w Inscope, posiada głębokie doświadczenie w zakresie przywództwa w produktach AI, uczenia maszynowego, automatyzacji przedsiębiorstw i badań stosowanych. Jako część założycielskiego zespołu Inscope, pomaga budować oprogramowanie, które umożliwia firmom udostępnianie dokładnych i zgodnych z przepisami danych finansowych ich interesariuszom. Jego tło obejmuje pełnienie funkcji współzałożyciela i CTO w Mariana, gdzie pracował nad analizą rynku i badaniami konkurencyjnymi napędzanymi przez AI, a także kierowanie strategią produktu AI i uczenia maszynowego w HackerRank. Wcześniej w swojej karierze Arya pracował w Meta nad rekrutacją napędzaną przez AI i produktywnością VR, pomagał rozwijać automatyzację usług przedsiębiorstwa opartą na czatach jako inżynier założyciel w Astound, a także budował systemy uczenia maszynowego w skali produkcyjnej w Collective[i]. Jego kariera obejmuje praktyczne wdrożenie AI, strategię produktu, automatyzację i systemy oparte na danych w środowiskach przedsiębiorstw i startupów.

Inscope to platforma raportowania finansowego rodzimej AI, zbudowana dla biur rachunkowych, zespołów finansowych i przedsiębiorstw, które muszą przygotowywać, przeglądać i dostarczać dokładne sprawozdania finansowe w sposób bardziej wydajny. Platforma koncentruje się na automatyzowaniu ręcznej pracy związanej z raportowaniem finansowym, w tym rolloverów, formatowania, ujawnień, obliczeń i kontroli spójności. Inscope prezentuje swoją technologię jako sposób na zmniejszenie błędów w raportowaniu, skrócenie cykli przygotowawczych i ułatwienie tworzenia sprawozdań finansowych gotowych do audytu. Firma ogłosiła 14,5 miliona dolarów serii A w lutym 2026 roku, aby rozszerzyć swoją platformę raportowania finansowego opartą na AI, z produktem skierowanym na zastąpienie fragmentarycznych, obszernych workflow z bardziej systematycznym, zgodnym i skalowalnym procesem raportowania.

Pracowałeś w różnych obszarach, takich jak automatyzacja przedsiębiorstw, uczenie maszynowe, rekrutacja AI, produktywność VR i przywództwo w produktach AI, zanim objąłeś stanowisko Szefa AI w Inscope. Jak ten postęp przygotował Cię do rozwiązania jednego z najbardziej ręcznych i wrażliwych workflow w finansach?

Przez automatyzację przedsiębiorstw, rekrutację AI, produktywność VR i uczenie maszynowe, nieustannie wykonywałem warianty tego samego trudnego zadania: branie pracy ludzkiej i robienie jej w sposób niezawodny za pomocą systemu AI, tak aby rzeczywiste zespoły mogły na nim polegać. Każdy obszar nauczył mnie czegoś innego. Wdrożenie produktów ML w skali nauczyło mnie, co wytrzymuje pod prawdziwym obciążeniem. Budowanie z LLM jako założyciel nauczyło mnie, jak te modele naprawdę się zachowują, gdzie się łamią i jak je kształtować w kierunku prawdziwej precyzji, a nie tylko wyjścia, które wygląda dobrze w demo. A wszędzie, gdzie pracowałem, produkty, które zdobyły zaufanie, utrzymywały osobę w kontroli i odbijały, jak już wcześniej pracował ekspert, zamiast zmuszać ludzi do logiki maszyny.

Co Cię pociągnęło w stronę finansów, było to, że zbudowanie z LLM po raz pierwszy umożliwiło wzięcie prawdziwie nieustrukturyzowanych danych i stworzenie na ich podstawie niezawodnej automatyzacji, co wcześniej nie było możliwe. Spośród wszystkich ręcznych, ludzkich procesów, które mają zostać przekształcone przez AI, przygotowanie sprawozdań finansowych jest jednym z najczystszych. Teza, z którą przyszedłem, a która powtarza się we wszystkim, co budujemy, jest prosta: praca przygotowującego powinna przerodzić się w pracę recenzenta. To jest zmiana, nad którą warto pracować.

Przygotowanie i przegląd sprawozdań finansowych pozostawały uporczywie ręczne przez lata. Co sprawiło, że uwierzyłeś, iż to wreszcie kategoria, w której AI może dostarczyć znaczącą zmianę?

Jeśli przyjrzysz się bliżej, co robi przygotowujący sprawozdanie finansowe, to jest to tak naprawdę potok transformacji danych. Wyciągasz dane z tuzina systemów, które nie mówią do siebie, takich jak ERP, system równościowy, PDF-y pełne umów i harmonogramów. Zamieniasz to wszystko w przyswajalne dane wyjściowe, takie jak bilanse, sprawozdania z zysków i strat, a także tabele przypisów. Następnie dodajesz warstwę osądu: komentarz, który wyjaśnia, co oznaczają liczby. Pozostało to ręczne przez tak długo, ponieważ te systemy nigdy nie były połączone, a starsza automatyzacja, taka jak silniki reguł i RPA, była zbyt krucha, by przetrwać różnorodność i przypadki graniczne.

Dwa rzeczy się zmieniły. Po pierwsze, modele mogą teraz przyjmować dzikie dane wejściowe i strukturyzować je, a co równie ważne, ujawniać przypadki graniczne dla ludzkiej weryfikacji, zamiast cicho się łamać, o ile zbudujesz krok weryfikacji za nimi. Po drugie, mogą one tworzyć uzasadniony komentarz, ponieważ finanse nie są czysto subiektywne. Istnieje prawdziwa książka reguł, na którą można się oprzeć, od FASB, jak rzeczy są rozpoznawane i mierzone, do SEC, jak są ujawniane, z tysiącami poprzednich składanych dokumentów do nauki. To, co mnie przekonało, że to jest realne, to obserwowanie sprawdzania, które pojedynczy model nigdy nie mógłby uzyskać, rodzaj, który wymaga wielu zależnych kroków, zaczął działać niezawodnie, gdy uruchomiliśmy go przez zestaw współpracujących agentów. Z odpowiednią architekturą problemy, które wyglądają na niemożliwe dla jednego modelu, stają się rozwiązywalne.

Dlaczego finanse przedsiębiorstw były trudniejsze do transformacji za pomocą AI niż wiele ludzi oczekiwało?

Ostra wersja brzmi: to praca, za którą można iść do więzienia. Stawka jest nadzwyczaj wysoka, więc poprzeczka do zautomatyzowania jakiejkolwiek części jest odpowiednio wysoka. To inny wszechświat niż produkt konsumencki, w którym błąd jest tylko niedogodnością. Tutaj jeden błędny numer może mieć prawne i regulacyjne konsekwencje, a osoba, która go podpisała, ponosi je osobiście.

Ponadto każda firma robi to nieco inaczej, a praca jest pełna wyjątków. Reguły i szablony obsługują typową ścieżkę, a potem rozpadają się dokładnie tam, gdzie rzeczywista praca żyje. To, co pokonało wcześniejsze oprogramowanie, nigdy nie było jedną liczbą, ale potrzebą zrozumienia całego workflow końca z końcem ze wszystkimi jego zastrzeżeniami. Wysokie stawki, głęboka personalizacja i prawdziwie splątane workflow to powody, dla których ta kategoria pozostała niezmieniona, podczas gdy AI transformowała bardziej efektowne.

Jaka jest różnica między ogólnymi narzędziami AI a rodzimymi narzędziami AI wymaganymi do raportowania finansowego i zgodności?

To jest miejsce, w którym bym oponował przeciwko idei, że wszystko dotyczy modelu. Każdy ma te same modele. Różnica polega na wszystkim, co jest wokół nich: jaki kontekst umieścić przed modelem, w którym momencie, z jakimi kontrolami. System opracowany specjalnie również kumuluje się. Im więcej działa wewnątrz jednej organizacji, tym więcej uczy się specyficznych wzorców i konwencji tej firmy, czego generyczne narzędzie zaczyna od zera za każdym razem.

Dla finansów są rzeczy, których nie można pominąć. Wyjście musi być ugruntowane w danych źródłowych, a każda liczba musi być śladowalna do miejsca, z którego pochodzi, kto lub co ją wyprodukowało, i dlaczego. I system musi znać granice własnej pewności, flagując to, co nie jest pewne dla osoby, zamiast zgadywać. Prawdziwe rzemiosło tkwi w doświadczeniu wokół wszystkiego. Nie możesz po prostu rzucić odpowiedzią na ścianie i pozostawić użytkownika do jej obrony. Projektowanie z myślą o ugruntowaniu, śladowalności i eleganckim przekazie do człowieka to to, co oddziela generyczne narzędzie od czegoś, co kontroler naprawdę podpisze.

Jakie są największe wyzwania związane z uczeniem maszynowym przy budowaniu systemów, które mogą niezawodnie zrozumieć strukturę, relacje i logikę za sprawozdaniami finansowymi?

Zacznijmy od konkretnego przykładu. Wyrównanie to, kiedy upewniasz się, że liczba zgadza się wszędzie, gdzie się pojawia: tabela przeciwko innym tabelom, tabela przeciwko otaczającemu tekstu, tekst przeciwko sobie, w całym dokumencie. Przygotowujący robią to każdego dnia. Brzmi to trywialnie, ale nie możesz po prostu włożyć całego dokumentu do modelu z inteligentnym promtem i zaufać wynikowi, nie na tej precyzji, jakiej wymaga ta praca. Aby to uczynić niezawodnym, musieliśmy to rozbić na skoordynowany system mniejszych, sprawdzalnych kroków. Nawet najbardziej rutynowa kontrola w finansach nie może być po prostu zamieniona na jeden wywołanie modelu.

To jest podstawowe wyzwanie związane z uczeniem maszynowym i ma trzy warstwy. System musi zrozumieć, jak konkretny klient działa i uczyć się z jego opinii. Musi prawdziwie zrozumieć relacje wewnątrz sprawozdania finansowego, ponieważ liczby wyrównują się w sprawozdaniach, przypisy są uzgadniane, a okresy są przewijane, a nie tylko czyta tekst. I kiedy wiele agentów współpracuje, cichaczem przyjmujesz problem rozproszonego systemu: dostarczanie odpowiedniego kontekstu do odpowiedniego kroku, umieszczanie kontroli i strażników, mieszanie automatycznej kontroli z ludzką kontrolą i budowanie wewnętrznych zbiorów danych, które pozwalają mierzyć, czy cokolwiek z tego jest naprawdę poprawne. Trudna część nie polegała na tym, aby model mógł przeczytać sprawozdanie finansowe. To budowanie systemu wokół niego, który może rozumować, sprawdzać się i wyjaśniać, skąd pochodzi każda liczba.

Jak myślisz o dokładności modelu, wyjaśnialności i tolerancji błędów, gdy AI jest stosowana w finansowych workflow, gdzie małe błędy mogą mieć poważne konsekwencje?

Nie ma jednej poprzeczki dokładności, a udawanie, że tak jest, to miejsce, w którym ludzie się mylą. Te systemy nie są 100% dokładne, a to, co jest osiągalne, znacznie się różni w zależności od zadania. Tak więc prawdziwa praca polega na komunikowaniu się szczerze na temat tego, co system zrobił i gdzie leży ryzyko. Zamiast machania ogólną stopą sukcesu, wskazujesz recenzentowi na elementy, które niosą największe ryzyko, istotne, i jesteś wyraźny na temat tego, czego system nie dotknął. To jest sposób, w jaki zamykasz lukę, zamiast udawać, że jej nie ma.

Wyjaśnialność musi być konkretna, a nie zasadą na slajdzie. Gdy uruchamiamy kontrole obliczeń w tabeli, pokazujemy mini-kalkulator: dokładne komórki, które zostały połączone i arytmetykę, którą system użył. Jeśli popełnił błąd, możesz to zobaczyć w sekundę. Po stronie modelu najważniejszym narzędziem są silne pakiety oceny, które mierzą dokładność w zadaniach rzeczywistych. Poza tym sprowadza się to do nauki, aby zobaczyć oczami modelu. Jest niesamowicie łatwo zapomnieć, co model może naprawdę zobaczyć. Tak więc studiujesz to, co jest przed nim, studiujesz, jak ekspert rozwiązuje ten sam problem, i zamykasz dystans, dając modelowi kontekst, jaki miałby ekspert.

Co jest potrzebne, aby zdobyć zaufanie CFO, kontrolerów i audytorów przy wdrażaniu AI w środowiskach obciążonych zgodnością?

Zaufanie zaczyna się od tego, że jest łatwo zobaczyć, co zrobił system. Użytkownik nie widzi twojego pakietu oceny i nie dba o to, że średnio 95%. Patrzy na swoje składanie, a na tym składaniu system może działać gorzej niż średnio, może to być jego najgorszy bieg dnia. Żadna średnia liczba nie pociesza nikogo w tym momencie.

Wszystko zależy od doświadczenia wokół AI. Pokazujesz wyraźnie, co zostało zrobione, robisz to trywialne do weryfikacji i poprawy, i upewniasz się, że ta poprawka naprawdę uczy system. Są to ludzie, którzy są osobiście odpowiedzialni za liczby, więc nie chcą czarnej skrzynki. Chcą pozostać w kontroli i zobaczyć pracę.

Jeden przypadek to uchwycił. Użytkownik oznaczył błąd obliczeniowy w tabeli i zapytał, dlaczego AI nie złapał tej liczby. Ponieważ każda akcja była na rekordzie, mogliśmy cofnąć się przez to, co się wydarzyło: system w rzeczywistości oznaczył tę liczbę jako wątpliwą i została odrzucona. Punktem nie jest, kto miał rację. To fakt, że kompletny, współdzielony zapis zamienił to, co mogłoby być ćwiczeniem z wskazywaniem palców, w pięciominutową rekonstrukcję. Tego rodzaju udokumentowany ślad pozwala zespołowi finansowemu traktować system jako prawdziwego partnera.

Gdzie wiele przedsiębiorstw idzie nie tak, gdy próbują wprowadzić AI do krytycznych workflow finansowych?

Najczęstszy błąd polega na dążeniu do pełnej automatyzacji w dniu jeden. Instynkt nakazuje usunąć eksperta; lepszym posunięciem jest uczynienie eksperta znacznie bardziej produktywnym i skierowanie jego osądu tam, gdzie naprawdę ma to znaczenie. Gdy próbujesz usunąć człowieka całkowicie, otrzymujesz coś, czego nikt nie ufa i nikt nie używa.

Druga to traktowanie tego jako czysto problemu modelowania i pozbawianie części, z którą użytkownik naprawdę współpracuje. Jak praca jest prezentowana, jak łatwo ją sprawdzić i poprawić, często decyduje o tym, czy narzędzie zostanie przyjęte, czy cichaczem porzucone. Wiele zespołów odkrywa za późno, że model był łatwą częścią.

Gdyby doradzałem CFO, który zaczyna dzisiaj: wybierz wąski, bolesny, dobrze zrozumiały zadanie, zamiast gotować ocean, trzymaj swoich ekspertów solidnie w fotelu kierowcy i zainwestuj tyle samo w doświadczenie i pętlę opinii, co w sam model. To jest różnica między pilotem, który cichaczem umiera, a tym, który zmienia, jak działa zespół.

Jak myślisz, że rola profesjonalistów finansowych zmieni się w ciągu najbliższych kilku lat, gdy AI staje się bardziej wbudowane w raportowanie i przegląd?

To jest miejsce, w którym teza, z którą zacząłem, się opłaca. Zmiana polega na tym, że praca przygotowującego przechodzi w pracę recenzenta. Dziś większość czasu przygotowującego idzie na mechanikę: ściąganie danych z rozproszonych systemów, budowanie tabel, uruchamianie tych samych kontroli raz za razem. Gdy AI pochłania to, praca przechodzi w stronę przeglądu wyników, stosowania osądu tam, gdzie to naprawdę wymaga człowieka, i obsługi wyjątków.

Widzę to jako coś, co czyni profesjonalistów finansowych bardziej wartościowymi, a nie mniej. Ich osąd, pamięć instytucjonalna i odpowiedzialność, którą ponoszą, są wydatkowane na decyzje, które naprawdę mają znaczenie, zamiast na pracę złożoną, którą maszyna może wykonać. Najlepsi z nich będą doskonałymi w kierowaniu i sprawdzaniu wyników AI, łapaniu rzeczy, które wyglądają subtelnie nie tak, i płynnym współpracowaniu z tymi systemami.

Gdy spoglądasz na pejzaż AI przedsiębiorstw, co oddziela firmy, które rozwiązują głębokie problemy operacyjne, od tych, które po prostu surfują na fali AI?

Oceniam to według jednego testu, który nie ma nic wspólnego z AI: jak bardzo klient ucierpi, gdyby produkt zniknął jutro? Jeśli odpowiedź brzmi “bardzo”, to jest to prawdziwa firma. Jeśli szczerze odpowiedź brzmi “ledwo by zauważyli”, to jest to firma surfująca na hiperze. AI nie zmienia tego testu. Po prostu czyni to tanim budowaniem eleganckiego demo, które go nie przechodzi.

Idź głębiej i trwała przewaga pochodzi z tego, jak daleko w głąb pracy jesteś gotów się posunąć. Ostatnie pokolenie oprogramowania budowało miejsce, w którym praca się odbywa, powierzchnię, na której ludzie pracują. To pokolenie może budować systemy, które wykonują samą pracę, w tym złożone, wieloetapowe przypadki przedsiębiorstw, których większość narzędzi cichaczem omija. Gdy już posunąłeś się tak daleko, z nagromadzonym kontekstem i zaufaniem, które zajmuje lata, duże laboratorium nie może po prostu wejść i zabrać firmę lepszym modelem podstawowym. Ta głębokość to cała gra, i to tam postawiliśmy naszą stawkę w Inscope.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Inscope.