Ankit Arya, chef för AI på Inscope – Intervjuserie

Ankit Arya, chef för AI på Inscope, har djup erfarenhet inom AI-produktledning, maskinlärning, företagsautomatisering och tillämpad forskning. Som en del av Insopes grundarteam hjälper han till att bygga programvara som möjliggör för företag att dela korrekt och förenlig finansiell data med intressenter. Hans bakgrund inkluderar att ha varit medgrundare och CTO på Mariana, där han arbetade med AI-driven marknadsanalys och konkurrenskraftig forskning, samt att ha lett maskinlärning och AI-produktstrategi på HackerRank. Tidigare i sin karriär arbetade Arya på Meta med AI-driven rekryteringsautomatisering och VR-produktivitet, hjälpte till att utveckla chatbot-baserad företagserviceautomatisering som grundande ingenjör på Astound och byggde produktionsskaliga maskinlärningssystem på Collective[i]. Hans karriär omfattar praktisk AI-distribution, produktstrategi, automatisering och datastyrd system över både startup- och stora företagsmiljöer.

Inscope är en AI-nativ finansiell rapporteringsplattform byggd för redovisningsbyråer, finansteam och företag som behöver förbereda, granska och leverera korrekta finansiella rapporter mer effektivt. Plattformen fokuserar på att automatisera det manuella arbetet bakom finansiell rapportering, inklusive rullföring, formatering, avslöjanden, fotnoter, kontroll och konsekvenskontroller. Inscope positionerar sin teknik som ett sätt att minska rapporteringsfel, förkorta förberedelsetider och göra revisionsklara finansiella rapporter lättare att producera. Företaget meddelade en serie A-finansiering på 14,5 miljoner dollar i februari 2026 för att expandera sin AI-drivna finansiella rapporteringsplattform, med produkten riktad mot att ersätta fragmenterade kalkylbladsbaserade arbetsflöden med en mer systematisk, förenlig och skalbar rapporteringsprocess.

Du har arbetat inom företagsautomatisering, maskinlärning, rekryterings-AI, VR-produktivitet och AI-produktledning innan du tog på dig rollen som chef för AI på Inscope. Hur förberedde den progressionen dig för att tackla en av finansens mest manuella och känsliga arbetsflöden?

Över företagsautomatisering, rekryterings-AI, VR-produktivitet och maskinlärning gjorde jag variationer av samma svåra sak: att ta mänskligt arbete och få ett AI-system att göra det tillräckligt tillförlitligt så att riktiga team kunde förlita sig på det. Varje domän lärde mig en annan bit. Distribution av ML-produkter i stor skala lärde mig vad som håller i real volym. Att bygga med LLM som grundare lärde mig hur dessa modeller faktiskt beter sig, var de bryter och hur du formar dem mot verklig precision snarare än utdata som bara ser bra ut i en demo. Och överallt jag arbetade var produkterna som tjänade förtroende behöll en person i kontroll och speglade hur experten redan arbetade, snarare än att tvinga människor in i maskinens logik.

Vad drog mig till finans var en insikt från att bygga med LLM: för första gången kunde du ta genuint ostrukturerad data och bygga tillförlitlig automatisering ovanpå den, vilket enkelt inte var möjligt tidigare. Av alla manuella, mänskligt ledda processer som är på väg att omformas av AI, är finansiell rapporteringsförberedelse en av de renaste. Tesen jag kom in med, och den allt vi bygger återvänder till, är enkel: förberedarens jobb bör förskjutas till en granskare. Det är den förändringen som är värd att arbeta med.

Finansiell rapporteringsförberedelse och granskning har förblivit ihållande manuell i år. Vad gjorde dig övertygad om att detta var en kategori där AI kunde leverera meningsfull förändring?

Om du tittar nära på vad en finansiell förberedare gör, är det faktiskt en dataomvandlingspipeline. Du drar data från ett dussin system som inte pratar med varandra, som ditt ERP, ditt equitysystem och PDF:er fulla av kontrakt och scheman. Du omvandlar allt detta till lättillgängliga utdata som balansräkningar, resultaträkningar och fotnotstabeller. Sedan lägger du till ett lager av bedömning ovanpå: den kommentar som förklarar vad siffrorna betyder. Det har förblivit manuellt under så lång tid eftersom dessa system aldrig anslöt, och äldre automatisering som regelmotorer och RPA, de skriptade botarna som imiterar klick, var alltför sköra för att överleva variationen och kanterna.

Två saker förändrades. Först kan modeller nu ta väldigt varierande indata och strukturera dem, och lika viktigt, yta kanterna för en mänsklig granskare att kontrollera istället för att tyst bryta, så länge du bygger in verifieringssteget bakom dem. För det andra kan de utkasta grundad kommentar, eftersom finans inte är rent subjektivt. Det finns en riktig regelbok att luta sig mot, från FASB om hur saker är erkända och mätta till SEC om hur de avslöjas, med tusentals tidigare inlämningar att lära av. Vad som övertygade mig om att detta var verkligt var att se en kontroll som en enda modell aldrig kunde få rätt, den typ som tar många beroende steg, börja fungera tillförlitligt när vi körde den över en uppsättning samordnade agenter. Med rätt arkitektur blir problem som ser omöjliga ut för en modell hanterbara.

Varför har företagsfinans varit svårare att omvandla med AI än många människor förväntade sig?

Den brutala versionen är att detta är arbete som människor kan hamna i fängelse för. Insatserna är ovanligt höga, så ribban för att automatisera något av det är korresponderande hög. Det är en annan värld jämfört med en konsumentprodukt där ett misstag är ett besvär. Här kan ett enda felaktigt nummer ha rättsliga och regulatoriska konsekvenser, och den person som undertecknar bär dem personligen.

På toppen av detta gör varje företag detta något annorlunda, och arbetet är fullt av undantag. Regler och mallar hanterar den vanliga vägen och sedan faller de samman exakt där det riktiga arbetet bor. Vad som besegrade tidigare programvara var aldrig något enskilt nummer, det var behovet av att förstå en hel slut-till-slut-arbetsflöde med alla dess om och men. Hög insats, djup anpassning och genuint invecklat arbetsflöde är varför denna kategori förblev orörd medan AI omvandlade mer iögonfallande områden.

Vad är gapet mellan generiska AI-verktyg och den typ av specialbyggd AI som krävs för finansiell rapportering och efterlevnad?

Detta är där jag skulle trycka tillbaka på idén att det handlar om modellen. Alla har samma modeller. Skillnaden är allt runt omkring dem: vilken kontext du sätter framför modellen, vid vilken tidpunkt, med vilka kontroller. Ett specialbyggt system förstärker också. Ju mer det fungerar inom en organisation, desto mer lär det sig företagets specifika mönster och konventioner, vilket en generisk verktyg startar från scratch varje gång.

För finans finns det några saker du inte kan hoppa över. Utdata måste vara grundad i källdata, och varje siffra måste kunna spåras tillbaka till var den kom ifrån, vem eller vad producerade den och varför. Och systemet måste veta gränserna för sin egen tillförlitlighet, flaggande vad det inte är säker på för en person snarare än att gissa. Den riktiga hantverket är i upplevelsen runt allt detta. Du kan inte bara kasta en svar på väggen och lämna användaren att försvara det. Design för grund, spårbarhet och en smidig överlämning till en mänsklig är vad skiljer en generisk verktyg från något en kontroller faktiskt kommer att ställa sitt namn bakom.

Vad är de största maskinlärningsutmaningarna i att bygga system som kan tillförlitligt förstå strukturen, relationerna och logiken bakom finansiella rapporter?

Börja med ett konkret exempel. En sammanlänkning är när du ser till att en siffra överensstämmer överallt den visas: en tabell mot andra tabeller, en tabell mot den omgivande texten, texten mot sig själv, över en hel inlämning. Förberedare gör det varje dag. Det låter trivialt, men du kan inte bara släppa hela dokumentet i en modell med en smart prompt och lita på resultatet, inte på den precision detta arbete kräver. För att göra det tillförlitligt var vi tvungna att bryta det ner i ett samordnat system av mindre, kontrollerbara steg. Även den mest rutinmässiga kontrollen i finans kan inte enkelt bytas ut mot ett enda modellanrop.

Det är den centrala maskinlärningsutmaningen, och den har tre lager. Systemet måste förstå hur en specifik kund fungerar och fortsätta lära av deras feedback. Det måste genuint förstå relationerna inom en finansiell rapport, eftersom siffror sammanlänkar över rapporter, fotnoter försonas och perioder rullar framåt, snarare än att bara läsa texten. Och när många agenter samarbetar har du tyst tagit på dig ett distribuerat-systemproblem: att få rätt kontext till rätt steg, sätta kontroller och vakter på plats, blanda automatiserad granskning med mänsklig granskning och bygga de interna datamängderna som låter dig mäta om något av det faktiskt är korrekt. Den hårda delen var aldrig att få en modell att läsa en finansiell rapport. Det är att bygga systemet runt den som kan resonera, kontrollera sig själv och förklara var varje siffra kom ifrån.

Hur tänker du på modellprecision, förklarbarhet och fel tolerans när AI tillämpas på finansiella arbetsflöden där små misstag kan ha stora konsekvenser?

Det finns ingen enskild precision ribba, och att påstå annat är där människor går fel. Dessa system är inte 100% precisa, och vad som är uppnåeligt varierar mycket beroende på uppgift. Så det riktiga arbetet är att kommunicera ärligt om vad systemet gjorde och var risken sitter. Snarare än att vifta med en generell framgångsgrad pekar du granskaren på de punkter som bär den största risken, de materiella punkterna, och du är explicit om vad systemet inte rörde. Det är så du stänger gapet, snarare än att påstå att det inte finns.

Förklarbarhet måste vara konkret, inte en princip på en skiva. När vi kör fotnotskontroller på en tabell visar vi en mini-kalkylator: de exakta celler som kombinerades och den aritmetik systemet använde. Om det gjorde ett misstag kan du se det på en sekund. På modellsidan är det viktigaste verktyget starka utvärderingssviter som mäter precision på riktiga uppgifter. Utanför det handlar det om att lära sig se med modellens ögon. Det är förvånansvärt lätt att glömma vad modellen faktiskt kan se. Så du studerar vad som är framför den, du studerar hur en expert resonerar genom samma problem, och du stänger avståndet genom att ge modellen den kontext som experten skulle ha.

Vad krävs för att vinna förtroendet hos CFO:er, kontrollanter och revisorer när du distribuerar AI i efterlevnadstunga miljöer?

Förtroende börjar med att göra det möjligt att se vad systemet gjorde. En användare ser aldrig din utvärderingssvit och bryr sig inte om att du genomsnittligt är 95%. De tittar på sin inlämning, och på sin inlämning kan systemet göra sämre än genomsnittet, kanske dess sämsta körning för dagen. Inga sammanfattningsnummer tröstar någon i den stunden.

Så allt handlar om upplevelsen runt AI. Du visar tydligt vad som gjordes, gör det enkelt att verifiera och korrigera, och ser till att den korrigeringen faktiskt lär systemet. Dessa är människor som är personligen ansvariga för siffrorna, så de vill inte ha en svart låda. De vill stanna i kontroll och se arbetet.

En fallstudie fångade det. En användare flaggade ett beräkningsfel i en tabell och frågade varför AI inte fångat det. Eftersom varje åtgärd var på posten kunde vi gå tillbaka genom exakt vad som hände: systemet hade faktiskt flaggat den siffran som tvivelaktig, och den hade avvisats. Poängen är inte vem som hade rätt. Det är att en komplett, delad post gjorde vad som kunde ha varit en pekfingertövning till en femminuters rekonstruktion. Den typen av dokumenterad spår är vad låter en finansteam behandla systemet som en riktig partner.

Var tror du att många företag går fel när de försöker införa AI i kritiska finansiella arbetsflöden?

Det vanligaste misstaget är att sikta på full automatisering på dag ett. Instinkten är att ta bort experten; det bättre draget är att göra experten mycket mer produktiv och rikta deras bedömning där det faktiskt betyder något. När du försöker ta bort mänskan helt får du något som ingen litar på och ingen använder.

Det andra är att behandla detta som enbart ett modellproblem och svälta den delen användaren faktiskt rör vid. Hur arbetet presenteras, hur enkelt det är att kontrollera och korrigera, bestämmer ofta om ett verktyg antas eller tyst avskeds.

Om jag skulle ge råd till en CFO som börjar idag: Välj en smal, smärtsam, väl förstådd uppgift snarare än att koka havet, håll dina experter fast i förarsätet och investera lika mycket i upplevelsen och återkopplingsloopen som i modellen själv. Det är skillnaden mellan en pilot som tyst dör och en som förändrar hur teamet arbetar.

Hur ser du på rollen för finansiella proffs förändras under de kommande åren när AI blir mer inbäddad i rapportering och granskning?

Detta är där tesen jag öppnade med betalar av. Skiftet är från förberedelse till granskning. Idag går mest av en förberedares tid till mekanik: att dra data från spridda system, bygga tabeller, köra samma kontroller om och om igen. När AI absorberar det flyttar jobbet mot att granska utdata, applicera bedömning där det faktiskt kräver en mänsklig, och hantera undantagen.

Jag ser detta som att göra finansiella proffs mer värdefulla, inte mindre. Deras bedömning, deras institutionella minne och det ansvar de bär spenderas på de beslut som betyder något snarare än på monteringsarbete som en maskin kan göra. De bästa av dem kommer att vara excellenta på att dirigera och kontrollera AI-utdata, fånga det som ser subtilt fel och arbeta flytande bredvid dessa system.

Jag skulle vara exakt om hastigheten. AI komprimerar förberedelse, som kan gå från veckor till en bråkdel av det. Det komprimerar inte delarna som är grindade av externa revisorer och inlämningsfrister, som är en golv som det inte kan flytta. Men att förkorta förberedelse förändrar funktionens rytm: en snabbare stängning, rapportering som närmar sig kontinuerlig och mer tid spenderad på vad siffrorna betyder för företaget snarare än på att producera dem. Det är en mer strategisk framtid för yrket, inte en mindre.

När du tittar över företags-AI-landskapet, vad skiljer företag som löser djupa operativa problem från de som bara rider AI-vågen?

Jag bedömer det med ett test, och det har ingenting att göra med AI: hur mycket skulle en kund skada om produkten försvann imorgon? Om svaret är “mycket” är det ett riktigt företag. Om det ärliga svaret är “de skulle knappt märka” är det ett företag som surfar på hype. AI förändrar inte det testet. Det gör det bara billigare att bygga en snygg demo som misslyckas med det.

Gå ett steg djupare och den bestående fördelen kommer från hur långt in i arbetet du är villig att gå. Den senaste generationens programvara byggde platsen där arbetet sker, ytan människor arbetar på. Denna generation kan bygga system som gör arbetet självt, inklusive de komplexa, flerstegs företagsfall som de flesta verktyg tyst rutterar runt. När du har gått så djupt, med den ackumulerade kontexten och det förtroende som tar år att tjäna, kan en stor labb inte bara gå in och ta affären med en bättre basmodell. Den djupet är hela spelet, och det är där vi har placerat vår insats på Inscope. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Inscope.