Ankit Arya, Diretor de Inteligência Artificial na Inscope – Série de Entrevistas

Ankit Arya, Diretor de Inteligência Artificial na Inscope, traz uma ampla experiência em liderança de produtos de inteligência artificial, aprendizado de máquina, automação empresarial e pesquisa aplicada. Como parte da equipe fundadora da Inscope, ele está ajudando a construir software que permite que as empresas compartilhem dados financeiros precisos e conformes com os stakeholders. Seu histórico inclui servir como co-fundador e CTO da Mariana, onde ele trabalhou em análise de mercado e pesquisa competitiva impulsionadas por inteligência artificial, bem como liderar a estratégia de produtos de aprendizado de máquina e inteligência artificial na HackerRank. No início de sua carreira, Arya trabalhou na Meta em automação de recrutamento impulsionada por inteligência artificial e produtividade de realidade virtual, ajudou a desenvolver automação de serviços empresariais baseada em chatbot como engenheiro fundador da Astound e construiu sistemas de aprendizado de máquina em escala de produção na Collective[i]. Sua carreira abrange a implantação prática de inteligência artificial, estratégia de produtos, automação e sistemas baseados em dados em ambientes de startup e grande empresa.

Inscope é uma plataforma de relatórios financeiros nativa em inteligência artificial, construída para escritórios de contabilidade, equipes de finanças e empresas que precisam preparar, revisar e entregar declarações financeiras precisas de forma mais eficiente. A plataforma se concentra em automatizar o trabalho manual por trás dos relatórios financeiros, incluindo rolagem, formatação, divulgações, pé de página, conciliações e verificações de consistência. A Inscope posiciona sua tecnologia como uma maneira de reduzir erros de relatórios, encurtar ciclos de preparação e tornar as declarações financeiras prontas para auditoria mais fáceis de produzir. A empresa anunciou um investimento de US$ 14,5 milhões em sua rodada de financiamento Série A em fevereiro de 2026 para expandir sua plataforma de relatórios financeiros impulsionada por inteligência artificial, com seu produto visando substituir fluxos de trabalho fragmentados e baseados em planilhas por um processo de relatórios mais sistemático, conforme e escalável.

Você trabalhou em automação empresarial, aprendizado de máquina, recrutamento de inteligência artificial, produtividade de realidade virtual e liderança de produtos de inteligência artificial antes de assumir o cargo de Diretor de Inteligência Artificial na Inscope. Como essa progressão o preparou para lidar com um dos fluxos de trabalho mais manuais e sensíveis da área financeira?

Em automação empresarial, aprendizado de máquina, recrutamento de inteligência artificial, produtividade de realidade virtual e aprendizado de máquina, eu continuei fazendo variações da mesma coisa difícil: pegar o trabalho humano desorganizado e fazer com que um sistema de inteligência artificial o faça de forma confiável o suficiente para que equipes reais dependam dele. Cada domínio ensinou um pedaço diferente. Implantar produtos de aprendizado de máquina em escala me ensinou o que se sustenta sob volume real. Construir com LLMs como fundador me ensinou como esses modelos realmente se comportam, onde eles quebram e como você os molda em direção à precisão real em vez de saída que apenas parece boa em uma demonstração. E em todos os lugares onde trabalhei, os produtos que conquistaram a confiança mantiveram uma pessoa no controle e refletiram como o especialista já trabalhava, em vez de forçar as pessoas a entrar na lógica da máquina.

O que me atraiu para a área financeira foi uma realização ao construir com LLMs: pela primeira vez, você podia pegar dados genuinamente não estruturados e construir automação confiável em cima deles, o que simplesmente não era possível antes. De todos os processos manuais e liderados por humanos que estão prestes a ser reorganizados pela inteligência artificial, a preparação de declarações financeiras é um dos mais puros. A tese com a qual eu entrei e com a qual tudo o que construímos retorna é simples: o trabalho do preparador deve mudar para o de revisor. Essa é a mudança pela qual vale a pena trabalhar.

A preparação e revisão de declarações financeiras permaneceram surpreendentemente manuais por anos. O que fez você acreditar que essa era finalmente uma categoria onde a inteligência artificial poderia entregar mudanças significativas?

Se você olhar de perto para o que um preparador de declarações financeiras faz, é basicamente um pipeline de transformação de dados. Você puxa dados de uma dúzia de sistemas que não se comunicam entre si, como seu ERP, seu sistema de equity, e PDFs cheios de contratos e cronogramas. Você transforma tudo isso em saídas digeríveis, como balanços, demonstrativos de lucros e perdas e tabelas de notas de rodapé. Em seguida, você adiciona uma camada de julgamento: o comentário que explica o que os números significam. Ele permaneceu manual por tanto tempo porque esses sistemas nunca se conectaram, e a automação mais antiga, como motores de regras e RPA, os robôs scriptados que imitam cliques, era muito frágil para sobreviver à variedade e aos casos de bordo.

Dois fatores mudaram. Primeiro, os modelos agora podem pegar entradas extremamente variadas e estruturá-las, e, igualmente importante, superfície os casos de bordo para que um humano os verifique, em vez de quebrar silenciosamente, desde que você construa a etapa de verificação atrás deles. Em segundo lugar, eles podem redigir comentários fundamentados, porque a área financeira não é puramente subjetiva. Há um livro de regras real para se apoiar, desde a FASB sobre como as coisas são reconhecidas e medidas até a SEC sobre como elas são divulgadas, com milhares de depósitos anteriores para aprender. O que me convenceu de que isso era real foi assistir a uma verificação que um único modelo nunca poderia acertar, o tipo que leva muitas etapas dependentes, começar a funcionar de forma confiável assim que o executamos em um conjunto de agentes coordenados. Com a arquitetura certa, problemas que parecem impossíveis para um modelo se tornam factíveis.

Por que a área financeira empresarial foi mais difícil de transformar com inteligência artificial do que muitas pessoas esperavam?

A versão direta é que esse é um trabalho pelo qual as pessoas podem ir para a cadeia. As apostas são extraordinariamente altas, então a barreira para automatizar qualquer parte disso é correspondentemente alta. Isso é um universo diferente de um produto de consumo, onde um erro é apenas uma irritação. Aqui, um único número errado pode ter consequências legais e regulamentares, e a pessoa que assina assume essas consequências pessoalmente.

Além disso, cada empresa faz isso de forma ligeiramente diferente, e o trabalho está cheio de exceções. Regras e modelos lidam com o caminho comum e, em seguida, se desintegram exatamente onde o trabalho real vive. O que derrotou o software anterior nunca foi um único número, foi a necessidade de entender um fluxo de trabalho de ponta a ponta com todos os seus “e” e “mas”. Apostas altas, personalização profunda e fluxos de trabalho genuinamente emaranhados são por que essa categoria permaneceu intocada, enquanto a inteligência artificial transformou categorias mais atraentes.

Qual é a lacuna entre as ferramentas de inteligência artificial genéricas e as ferramentas de inteligência artificial construídas com propósito para relatórios financeiros e conformidade?

É aqui que eu discordaria da ideia de que tudo gira em torno do modelo. Todo mundo tem os mesmos modelos. A diferença está em tudo ao redor deles: qual contexto você coloca na frente do modelo, em que momento, com quais verificações. Um sistema construído com propósito também se compõe. Quanto mais ele funciona dentro de uma organização, mais ele aprende os padrões e convenções específicos daquela empresa, o que uma ferramenta genérica começa do zero a cada vez.

Para a área financeira, há algumas coisas que você não pode pular. A saída deve ser fundamentada nos dados de origem, e cada número deve ser rastreável até sua origem, quem ou o que o produziu e por quê. E o sistema deve saber os limites de sua própria confiança, sinalizando o que ele não tem certeza para uma pessoa, em vez de adivinhar. O verdadeiro ofício está na experiência ao redor de tudo isso. Você não pode simplesmente jogar uma resposta na parede e deixar o usuário defendê-la. Projetar para fundamentação, rastreabilidade e uma transferência elegante para um humano é o que separa uma ferramenta genérica de algo que um controlador realmente colocará seu nome.

Quais são os maiores desafios de aprendizado de máquina na construção de sistemas que possam entender de forma confiável a estrutura, as relações e a lógica por trás das declarações financeiras?

Vamos começar com um exemplo concreto. Uma conciliação é quando você garante que um número concorda em todos os lugares onde ele aparece: uma tabela contra outras tabelas, uma tabela contra o texto circundante, o texto contra si mesmo, em toda a declaração. Preparadores fazem isso todos os dias. Isso soa trivial, mas você não pode simplesmente colocar o documento inteiro em um modelo com um prompt inteligente e confiar no resultado, não na precisão que esse trabalho exige. Para torná-lo confiável, tivemos que quebrá-lo em um sistema coordenado de etapas menores e verificáveis. Mesmo a verificação mais rotineira na área financeira não pode simplesmente ser trocada por uma única chamada de modelo.

Esse é o desafio central de aprendizado de máquina, e ele tem três camadas. O sistema deve entender como um cliente específico trabalha e continuar aprendendo com o feedback dele. Ele deve realmente compreender as relações dentro de uma declaração financeira, já que os números se conciliam entre declarações, notas de rodapé se reconciliam e períodos se movem para a frente, em vez de apenas ler o texto. E, uma vez que muitos agentes estão cooperando, você assume silenciosamente um problema de sistemas distribuídos: obter o contexto certo para a etapa certa, colocar verificações e guardas no lugar, misturando revisão automatizada com revisão humana e construindo os conjuntos de dados internos que permitem medir se alguma parte disso é realmente correta. A parte difícil nunca foi fazer com que um modelo lesse uma declaração financeira. É construir o sistema ao redor que pode raciocinar, verificar a si mesmo e explicar de onde cada figura veio.

Como você pensa sobre a precisão do modelo, explicabilidade e tolerância a erros quando a inteligência artificial é aplicada a fluxos de trabalho financeiros, onde pequenos erros podem ter consequências significativas?

Não há uma única barra de precisão, e fingir o contrário é onde as pessoas erram. Esses sistemas não são 100% precisos, e o que é alcançável varia muito por tarefa. Então, o trabalho real é comunicar honestamente sobre o que o sistema fez e onde o risco reside. Em vez de acenar com uma taxa de sucesso geral, você aponta o revisor para os itens que carregam o maior risco, os itens materiais, e você é explícito sobre o que o sistema não tocou. É assim que você fecha a lacuna, em vez de fingir que ela não existe.

A explicabilidade deve ser concreta, não um princípio em uma slide. Quando executamos verificações de pé de página em uma tabela, mostramos um mini-calculadora: as células exatas que foram combinadas e a aritmética que o sistema usou. Se ele cometeu um erro, você pode vê-lo em um segundo. No lado do modelo, a ferramenta mais importante é um conjunto forte de avaliações que mede a precisão em tarefas reais. Além disso, é aprender a ver com os olhos do modelo. É surpreendentemente fácil esquecer o que o modelo pode realmente ver. Então, você estuda o que está na frente dele, você estuda como um especialista raciocina sobre o mesmo problema e você fecha a distância, dando ao modelo o contexto que o especialista teria.

O que é necessário para conquistar a confiança de CFOs, controladores e auditores ao implantar inteligência artificial em ambientes de conformidade pesada?

A confiança começa com tornar fácil ver o que o sistema fez. Um usuário nunca vê sua suíte de avaliação e não se importa que você tenha uma média de 95%. Eles estão olhando para sua declaração, e nessa declaração, o sistema pode fazer pior do que a média, talvez sua pior execução do dia. Nenhum número agregado conforta alguém nesse momento.

Então, tudo depende da experiência ao redor da inteligência artificial. Você mostra claramente o que foi feito, torna trivial verificar e corrigir e garante que essa correção realmente ensine o sistema. Essas são pessoas que são pessoalmente responsáveis pelos números, então elas não querem uma caixa preta. Elas querem permanecer no controle e ver o trabalho.

Um caso capturou isso. Um usuário sinalizou um erro de cálculo em uma tabela e perguntou por que a inteligência artificial não o capturou. Porque todas as ações estavam registradas, pudemos voltar e reconstruir exatamente o que aconteceu: o sistema de fato sinalizou essa figura como questionável e foi descartado. O ponto não é quem estava certo. É que um registro completo e compartilhado transformou o que poderia ter sido um exercício de apontar dedos em um reconstrução de cinco minutos. Esse tipo de trilha documentada é o que permite que uma equipe de finanças trate o sistema como um parceiro genuíno.

Onde você acha que muitas empresas erram quando tentam introduzir inteligência artificial em fluxos de trabalho financeiros críticos?

O erro mais comum é mirar na automação completa no dia um. O instinto é remover o especialista; a melhor jogada é tornar o especialista muito mais produtivo e direcionar seu julgamento para onde ele realmente importa. Quando você tenta tirar o humano completamente, você obtém algo que ninguém confia e ninguém usa.

O segundo é tratar isso como um problema de modelagem puro e esfomear a parte que o usuário realmente toca. Como o trabalho é apresentado, como é fácil verificar e corrigir, muitas vezes decide se uma ferramenta é adotada ou abandonada silenciosamente. Muitas equipes descobrem tarde demais que o modelo foi a parte fácil.

Se eu estivesse aconselhando um CFO que começa hoje: escolha uma tarefa estreita, dolorosa e bem compreendida, em vez de ferver o oceano, mantenha seus especialistas firmemente no assento do motorista e invista tanto na experiência e no loop de feedback quanto no modelo em si. Essa é a diferença entre um piloto que morre silenciosamente e um que muda como a equipe trabalha.

À medida que a inteligência artificial se torna mais incorporada em relatórios e revisões, como você vê o papel dos profissionais de finanças mudando nos próximos anos?

É aqui que a tese com a qual eu comecei paga. A mudança é de preparação para revisão. Hoje, a maior parte do tempo de um preparador vai para a mecânica: puxar dados de sistemas espalhados, construir tabelas, executar as mesmas verificações novamente e novamente. À medida que a inteligência artificial absorve isso, o trabalho muda para revisar a saída, aplicar julgamento onde ele realmente importa e lidar com as exceções.

Eu vejo isso como tornando os profissionais de finanças mais valiosos, não menos. Seu julgamento, sua memória institucional e a responsabilidade que eles carregam são gastos nas decisões que importam, em vez de no trabalho de montagem que uma máquina pode fazer. Os melhores deles serão excelentes em direcionar e verificar a saída da inteligência artificial, capturando a coisa que parece sutilmente errada e trabalhando fluentemente ao lado desses sistemas.

Eu seria preciso sobre a aceleração, no entanto. A inteligência artificial comprime a preparação, que pode ir de semanas para uma fração disso. Ela não comprime as partes controladas por auditores externos e prazos de entrega, que são um piso que ela não pode mover. Mas encolher a preparação sozinha muda o ritmo da função: um fechamento mais rápido, relatórios que se aproximam de contínuos e mais tempo gasto no que os números significam para os negócios, em vez de produzi-los. Esse é um futuro mais estratégico para a profissão, não um menor.

Quando você olha para o cenário de inteligência artificial empresarial, o que separa as empresas que resolvem problemas operacionais profundos daquelas que simplesmente surfam a onda de inteligência artificial?

Eu julgo com um teste, e ele não tem nada a ver com inteligência artificial: quanto um cliente se machucaria se o produto sumisse amanhã? Se a resposta for “muito”, é uma empresa real. Se a resposta honesta for “eles mal notariam”, é uma empresa surfando no hype. A inteligência artificial não muda esse teste. Ela apenas torna mais barato construir uma demonstração elegante que falha nesse teste.

Vá um nível mais fundo e a vantagem durável vem de até onde você está disposto a ir no trabalho. A última geração de software construiu o local onde o trabalho acontece, a superfície em que as pessoas trabalham. Essa geração pode construir sistemas que fazem o trabalho em si, incluindo os casos complexos e de múltiplos passos de empresa que a maioria das ferramentas silenciosamente contorna. Uma vez que você tenha ido tão fundo, com o contexto acumulado e a confiança que leva anos para conquistar, um grande laboratório não pode simplesmente entrar e levar o negócio com um modelo base melhor. Essa profundidade é o jogo todo, e é onde colocamos nossa aposta na Inscope.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Inscope.