Ankit Arya, Trưởng bộ phận Trí tuệ Nhân tạo tại Inscope – Loạt phỏng vấn

Ankit Arya, Trưởng bộ phận Trí tuệ Nhân tạo tại Inscope, mang đến kinh nghiệm sâu rộng trong lĩnh vực lãnh đạo sản phẩm trí tuệ nhân tạo, học máy, tự động hóa doanh nghiệp và nghiên cứu ứng dụng. Với vai trò là thành viên sáng lập của Inscope, ông đang giúp xây dựng phần mềm cho phép các công ty chia sẻ dữ liệu tài chính chính xác và tuân thủ với các bên liên quan. Kinh nghiệm của ông bao gồm việc đồng sáng lập và Giám đốc công nghệ của Mariana, nơi ông đã làm việc về phân tích thị trường và nghiên cứu cạnh tranh dựa trên trí tuệ nhân tạo, cũng như lãnh đạo chiến lược sản phẩm học máy và trí tuệ nhân tạo tại HackerRank. Trước đó trong sự nghiệp, Arya đã làm việc tại Meta về tự động hóa tuyển dụng dựa trên trí tuệ nhân tạo và năng suất thực tế ảo, giúp phát triển tự động hóa dịch vụ doanh nghiệp dựa trên rô-bốt trò chuyện khi là kỹ sư sáng lập tại Astound, và xây dựng hệ thống học máy quy mô sản xuất tại Collective[i]. Sự nghiệp của ông bao gồm việc triển khai trí tuệ nhân tạo thực tế, chiến lược sản phẩm, tự động hóa và hệ thống dựa trên dữ liệu trên cả môi trường khởi nghiệp và doanh nghiệp lớn.

Inscope là một nền tảng báo cáo tài chính bản địa trí tuệ nhân tạo được xây dựng cho các công ty kế toán, đội tài chính và doanh nghiệp cần chuẩn bị, xem xét và trình bày báo cáo tài chính một cách hiệu quả hơn. Nền tảng này tập trung vào việc tự động hóa công việc thủ công đằng sau báo cáo tài chính, bao gồm cả việc lăn tròn, định dạng, tiết lộ, chân trang, kiểm tra và kiểm tra tính nhất quán. Inscope định vị công nghệ của mình như một cách để giảm thiểu lỗi báo cáo, rút ngắn chu kỳ chuẩn bị và làm cho việc tạo báo cáo tài chính sẵn sàng cho kiểm toán trở nên dễ dàng hơn. Công ty đã công bố một vòng tài trợ Series A trị giá 14,5 triệu đô la vào tháng 2 năm 2026 để mở rộng nền tảng báo cáo tài chính dựa trên trí tuệ nhân tạo của mình, với sản phẩm nhằm thay thế các quy trình làm việc dựa trên bảng tính phân mảnh bằng một quy trình báo cáo hệ thống, tuân thủ và có thể mở rộng hơn.

Bạn đã làm việc trên nhiều lĩnh vực, từ tự động hóa doanh nghiệp, học máy, trí tuệ nhân tạo trong tuyển dụng, thực tế ảo và lãnh đạo sản phẩm trí tuệ nhân tạo trước khi đảm nhận vai trò Trưởng bộ phận Trí tuệ Nhân tạo tại Inscope. Làm thế nào mà quá trình tiến bộ đó đã chuẩn bị cho bạn để giải quyết một trong những quy trình thủ công và nhạy cảm nhất trong tài chính?

Trên nhiều lĩnh vực, từ tự động hóa doanh nghiệp, học máy, trí tuệ nhân tạo trong tuyển dụng, thực tế ảo và lãnh đạo sản phẩm trí tuệ nhân tạo, tôi đã làm việc trên các vấn đề khó khăn: đưa công việc của con người vào hệ thống trí tuệ nhân tạo một cách đáng tin cậy đến mức các đội thực sự phụ thuộc vào nó. Mỗi lĩnh vực đã dạy tôi một bài học khác nhau. Triển khai sản phẩm học máy trên quy mô lớn đã dạy tôi những gì có thể hoạt động dưới áp lực thực sự. Xây dựng với mô hình ngôn ngữ lớn như một người sáng lập đã dạy tôi cách chúng thực sự hoạt động, nơi chúng bị phá vỡ và làm thế nào bạn có thể định hình chúng để đạt được độ chính xác thực sự chứ không chỉ là đầu ra trông đẹp trong một bản demo. Và ở mọi nơi tôi làm việc, các sản phẩm đã giành được sự tin tưởng đều giữ cho con người kiểm soát và phản ánh cách chuyên gia đã làm việc, thay vì buộc người vào logic của máy.

Điều gì đã thu hút bạn đến với lĩnh vực tài chính là sự nhận ra từ việc xây dựng với mô hình ngôn ngữ lớn: lần đầu tiên, bạn có thể lấy dữ liệu không có cấu trúc thực sự và xây dựng tự động hóa đáng tin cậy trên đó, điều này trước đây không thể thực hiện được. Trong số tất cả các quy trình thủ công do con người dẫn dắt sắp được thay đổi bởi trí tuệ nhân tạo, việc chuẩn bị báo cáo tài chính là một trong những quy trình thuần túy nhất. Luận điểm mà tôi đã đề ra, và luận điểm mà mọi thứ chúng tôi xây dựng đều quay trở lại, là đơn giản: công việc của người chuẩn bị nên chuyển sang vai trò của người xem xét. Đó là sự thay đổi đáng để làm việc.

Chuẩn bị và xem xét báo cáo tài chính đã vẫn còn thủ công trong nhiều năm. Điều gì đã khiến bạn tin rằng cuối cùng trí tuệ nhân tạo có thể mang lại sự thay đổi có ý nghĩa trong lĩnh vực này?

Nếu bạn xem xét kỹ lưỡng những gì một người chuẩn bị báo cáo tài chính làm, nó thực sự là một đường ống dẫn dữ liệu. Bạn kéo dữ liệu từ một tá hệ thống không nói chuyện với nhau, như hệ thống ERP, hệ thống vốn và PDF đầy hợp đồng và lịch. Bạn biến tất cả những thứ đó thành đầu ra có thể tiêu hóa được như bảng cân đối, báo cáo thu nhập và bảng chân trang. Sau đó, bạn thêm một lớp phán quyết trên cùng: bình luận giải thích những con số có nghĩa là gì. Nó vẫn còn thủ công trong nhiều năm vì những hệ thống đó không bao giờ kết nối, và tự động hóa cũ hơn như bộ máy quy tắc và RPA, những rô-bốt được lập trình mô phỏng nhấp chuột, quá giòn để sống sót với sự đa dạng và các trường hợp ngoại lệ.

Hai điều đã thay đổi. Đầu tiên, mô hình có thể lấy đầu vào đa dạng và cấu trúc chúng, và cũng quan trọng không kém, đưa ra các trường hợp ngoại lệ cho con người kiểm tra thay vì im lặng phá vỡ, miễn là bạn xây dựng bước xác minh sau chúng. Thứ hai, chúng có thể soạn thảo bình luận có căn cứ, vì tài chính không hoàn toàn chủ quan. Có một cuốn sách quy tắc thực sự để dựa vào, từ FASB về cách các thứ được công nhận và đo lường đến SEC về cách chúng được tiết lộ, với hàng nghìn bản nộp trước để học hỏi. Điều đã thuyết phục tôi rằng điều này là thực sự là khi tôi chứng kiến một kiểm tra mà một mô hình đơn独 không bao giờ có thể đúng, loại kiểm tra đòi hỏi nhiều bước phụ thuộc, bắt đầu hoạt động đáng tin cậy một khi chúng tôi chạy nó trên một tập hợp các tác nhân phối hợp. Với kiến trúc phù hợp, các vấn đề看似 không thể đối với một mô hình trở nên có thể giải quyết được.

Tại sao tài chính doanh nghiệp lại khó chuyển đổi với trí tuệ nhân tạo hơn nhiều người dự đoán?

Phiên bản thẳng thắn là công việc này có thể khiến người ta bị bỏ tù. Cái giá phải trả là cực kỳ cao, vì vậy tiêu chuẩn để tự động hóa bất kỳ phần nào của nó cũng rất cao. Đó là một vũ trụ khác so với sản phẩm tiêu dùng, nơi một sai lầm chỉ là một sự khó chịu. Ở đây, một con số sai có thể mang lại hậu quả pháp lý và quy định, và người ký tên mang theo chúng cá nhân.

Đồng thời, mỗi công ty đều làm điều này một chút khác nhau, và công việc đầy rẫy các trường hợp ngoại lệ. Quy tắc và mẫu chỉ xử lý con đường chung và sau đó bị phá vỡ chính xác nơi công việc thực sự tồn tại. Điều đã đánh bại phần mềm trước đó không bao giờ là một con số duy nhất, mà là cần hiểu một quy trình công việc từ đầu đến cuối với tất cả các “nếu” và “và”. Cái giá cao, tùy chỉnh sâu và quy trình công việc thực sự rối rắm là lý do tại sao danh mục này vẫn chưa được chạm vào trong khi trí tuệ nhân tạo đã chuyển đổi các danh mục khác.

Điều gì là khoảng cách giữa các công cụ trí tuệ nhân tạo chung chung và loại công cụ trí tuệ nhân tạo được xây dựng đặc biệt cho báo cáo tài chính và tuân thủ?

Đây là nơi tôi sẽ phản đối ý tưởng rằng mọi thứ đều xoay quanh mô hình. Mọi người đều có cùng mô hình. Sự khác biệt nằm ở mọi thứ xung quanh chúng: ngữ cảnh bạn đặt trước mô hình, vào lúc nào, với những kiểm tra nào. Một hệ thống được xây dựng đặc biệt cũng được nhân lên. Khi nó hoạt động trong một tổ chức, nó học được các mẫu và quy ước cụ thể của công ty đó, điều mà một công cụ chung chung bắt đầu từ con số không mỗi lần.

Đối với tài chính, có một số điều bạn không thể bỏ qua. Đầu ra phải được dựa trên dữ liệu nguồn, và mỗi số phải có thể truy ngược lại nơi nó đến, ai hoặc cái gì sản xuất ra nó và tại sao. Và hệ thống phải biết giới hạn của sự tự tin của chính nó, đánh dấu những gì nó không chắc chắn về cho con người thay vì đoán. Thủ công thực sự nằm ở kinh nghiệm xung quanh tất cả những điều đó. Bạn không thể chỉ ném một câu trả lời lên tường và để người dùng bảo vệ nó. Thiết kế cho việc dựa trên, khả năng truy vết và bàn giao sang người một cách thuận tiện là những gì tách biệt một công cụ chung chung với thứ mà một bộ điều khiển sẽ thực sự đặt tên của họ vào.

Điều gì là những thách thức lớn nhất về học máy khi xây dựng hệ thống có thể hiểu một cách đáng tin cậy cấu trúc, mối quan hệ và logic đằng sau báo cáo tài chính?

Bắt đầu với một ví dụ cụ thể. Một kiểm tra chốt là khi bạn đảm bảo một số đồng ý mọi nơi nó xuất hiện: một bảng với các bảng khác, một bảng với văn bản xung quanh, văn bản với chính nó, trên toàn bộ một bản nộp. Người chuẩn bị làm điều này mỗi ngày. Nó có vẻ tầm thường, nhưng bạn không thể chỉ thả toàn bộ tài liệu vào một mô hình với một lời nhắc khôn ngoan và tin vào kết quả, không ở mức độ chính xác mà công việc này đòi hỏi. Để làm cho nó đáng tin cậy, chúng tôi phải phá vỡ nó thành một hệ thống phối hợp các bước nhỏ hơn, có thể kiểm tra. Ngay cả kiểm tra thường xuyên nhất trong tài chính cũng không thể đơn giản được thay thế bằng một cuộc gọi mô hình.

Đó là thách thức học máy cốt lõi, và nó có ba lớp. Hệ thống phải hiểu cách một khách hàng cụ thể hoạt động và tiếp tục học hỏi từ phản hồi của họ. Nó phải thực sự nắm bắt được mối quan hệ bên trong một báo cáo tài chính, vì số liệu chốt qua các báo cáo, chân trang hòa giải, và kỳ trước lăn về, chứ không chỉ đọc văn bản. Và một khi nhiều tác nhân đang hợp tác, bạn đã âm thầm tiếp nhận một vấn đề về hệ thống phân tán: đưa ngữ cảnh phù hợp đến bước phù hợp, đặt kiểm tra và bảo vệ, trộn xem xét tự động với xem xét của con người, và xây dựng các tập dữ liệu nội bộ cho phép bạn đo lường xem bất kỳ điều gì trong số đó có thực sự chính xác hay không. Phần khó không bao giờ là việc đưa mô hình đọc một báo cáo tài chính. Đó là xây dựng hệ thống xung quanh nó có thể lý luận, tự kiểm tra và giải thích nơi mỗi con số đến từ đâu.

Bạn nghĩ gì về độ chính xác của mô hình, khả năng giải thích và khả năng chịu lỗi khi trí tuệ nhân tạo được áp dụng cho các quy trình tài chính, nơi những sai lầm nhỏ có thể có hậu quả lớn?

Không có một tiêu chuẩn độ chính xác duy nhất, và việc giả vờ ngược lại là nơi mọi người đi sai. Những hệ thống này không chính xác 100%, và những gì có thể đạt được thay đổi rất nhiều tùy theo nhiệm vụ. Vì vậy, công việc thực sự là truyền đạt một cách trung thực về những gì hệ thống đã làm và nơi rủi ro nằm. Thay vì vẫy một tỷ lệ thành công chung chung, bạn chỉ ra cho người xem xét những mục mang lại rủi ro nhất, những mục quan trọng, và bạn rõ ràng về những gì hệ thống không chạm vào. Đó là cách bạn lấp đầy khoảng trống, thay vì giả vờ nó không tồn tại.

Khả năng giải thích phải là cụ thể, không phải là một nguyên tắc trên một slide. Khi chúng tôi chạy kiểm tra chân trang trên một bảng, chúng tôi hiển thị một máy tính mini: chính xác các ô được kết hợp và phép toán hệ thống đã sử dụng. Nếu nó làm sai, bạn có thể thấy nó trong một giây. Về phía mô hình, công cụ quan trọng nhất là các bộ đánh giá mạnh mẽ đo lường độ chính xác trên các nhiệm vụ thực. Ngoài ra, nó phụ thuộc vào việc học cách nhìn bằng mắt của mô hình. Thật ngạc nhiên khi dễ dàng quên những gì mô hình thực sự có thể nhìn thấy. Vì vậy, bạn nghiên cứu những gì trước mặt nó, bạn nghiên cứu cách một chuyên gia lý luận qua cùng một vấn đề, và bạn thu hẹp khoảng cách bằng cách đưa mô hình vào ngữ cảnh mà chuyên gia sẽ có.

Cần gì để giành được sự tin tưởng của các Giám đốc tài chính, kiểm soát viên và kiểm toán viên khi triển khai trí tuệ nhân tạo trong môi trường tuân thủ nặng?

Sự tin tưởng bắt đầu từ việc làm cho nó trở nên dễ dàng để nhìn thấy những gì hệ thống đã làm. Người dùng không bao giờ nhìn thấy bộ đánh giá của bạn và không quan tâm rằng bạn trung bình 95%. Họ đang nhìn vào bản nộp của mình, và trên bản nộp của mình, hệ thống có thể làm kém hơn trung bình, có thể là lần chạy tệ nhất trong ngày. Không có số trung bình nào an ủi ai trong khoảnh khắc đó.

Vì vậy, mọi thứ phụ thuộc vào kinh nghiệm xung quanh trí tuệ nhân tạo. Bạn hiển thị rõ ràng những gì đã được thực hiện, làm cho nó trở nên tầm thường để xác minh và sửa chữa, và đảm bảo rằng sự sửa chữa đó thực sự dạy cho hệ thống. Đây là những người chịu trách nhiệm cá nhân về những con số, vì vậy họ không muốn một hộp đen. Họ muốn ở trong tầm kiểm soát và nhìn thấy công việc.

Một trường hợp đã nắm bắt được điều đó. Một người dùng đã đánh dấu một lỗi tính toán trong một bảng và hỏi tại sao trí tuệ nhân tạo không bắt được nó. Vì mọi hành động đều được ghi lại, chúng tôi có thể đi ngược lại chính xác những gì đã xảy ra: hệ thống thực sự đã đánh dấu con số đó là có vấn đề, và nó đã bị từ chối. Điểm không phải là ai đúng. Đó là một bản ghi hoàn chỉnh, được chia sẻ cho phép một cuộc tập hợp năm phút trở thành một cuộc tập hợp có thể giải quyết được. Loại bản ghi đó là những gì cho phép một đội tài chính đối xử với hệ thống như một đối tác thực sự.

Nơi nhiều doanh nghiệp đi sai khi họ cố gắng giới thiệu trí tuệ nhân tạo vào các quy trình tài chính quan trọng là gì?

Lỗi phổ biến nhất là nhắm đến tự động hóa hoàn toàn vào ngày đầu tiên. Sự trực giác là loại bỏ chuyên gia; động thái tốt hơn là làm cho chuyên gia trở nên sản xuất hơn và nhằm phán quyết của họ vào nơi nó thực sự quan trọng. Khi bạn cố gắng loại bỏ con người hoàn toàn, bạn sẽ có được thứ mà không ai tin tưởng và không ai sử dụng.

Thứ hai là đối xử với nó như một vấn đề mô hình hóa thuần túy và làm cho phần mà người dùng thực sự chạm vào bị đói. Cách công việc được trình bày, cách dễ dàng để kiểm tra và sửa chữa, thường quyết định liệu một công cụ có được áp dụng hay bị bỏ rơi im lặng. Nhiều đội phát hiện quá muộn rằng mô hình là phần dễ dàng.

Nếu tôi đang tư vấn cho một Giám đốc tài chính bắt đầu từ hôm nay: chọn một nhiệm vụ đau đớn, hẹp và được hiểu rõ thay vì đun sôi đại dương, giữ chuyên gia của bạn chắc chắn trong ghế lái và đầu tư nhiều vào kinh nghiệm và vòng phản hồi như mô hình chính nó. Đó là sự khác biệt giữa một cuộc thử nghiệm im lặng chết và một cuộc thử nghiệm thay đổi cách đội làm việc.

Khi trí tuệ nhân tạo trở nên nhúng sâu vào báo cáo và xem xét, bạn nhìn thấy vai trò của chuyên gia tài chính thay đổi như thế nào trong vài năm tới?

Đây là nơi luận điểm tôi đã đề ra từ đầu phát huy tác dụng. Sự thay đổi là từ chuẩn bị sang xem xét. Hôm nay, hầu hết thời gian của người chuẩn bị đều dành cho các công việc cơ học: kéo dữ liệu từ các hệ thống phân tán, xây dựng bảng, chạy các kiểm tra giống nhau lại và lại. Khi trí tuệ nhân tạo hấp thụ điều đó, công việc chuyển sang việc xem xét đầu ra, áp dụng phán quyết nơi nó thực sự đòi hỏi con người, và xử lý các trường hợp ngoại lệ.

Tôi nhìn thấy điều này làm cho chuyên gia tài chính trở nên có giá trị hơn, không ít hơn. Phán quyết của họ, ký ức tổ chức và trách nhiệm họ mang đều được chi tiêu vào các quyết định thực sự quan trọng thay vì vào công việc lắp ráp mà máy có thể làm. Những người giỏi nhất sẽ xuất sắc trong việc chỉ đạo và kiểm tra đầu ra trí tuệ nhân tạo, bắt được điều gì đó trông có vẻ hơi sai, và làm việc trơn tru bên cạnh những hệ thống này.

Tôi sẽ chính xác về tốc độ tăng trưởng, tuy nhiên. Trí tuệ nhân tạo nén chuẩn bị, điều này có thể đi từ vài tuần xuống một phần nhỏ của thời gian đó. Nó không nén các phần bị kiểm toán viên bên ngoài và thời hạn nộp đơn, những thứ là sàn mà nó không thể di chuyển. Nhưng việc thu hẹp chuẩn bị một mình thay đổi nhịp điệu của chức năng: một kỳ kết thúc nhanh hơn, báo cáo gần như liên tục, và nhiều thời gian hơn được dành cho việc những con số có nghĩa là gì cho doanh nghiệp thay vì việc tạo ra chúng. Đó là một tương lai chiến lược hơn cho nghề nghiệp, không phải nhỏ hơn.

Khi bạn nhìn qua toàn cảnh trí tuệ nhân tạo doanh nghiệp, điều gì tách biệt các công ty giải quyết các vấn đề hoạt động sâu sắc với những công ty chỉ cưỡi sóng trí tuệ nhân tạo?

Tôi đánh giá nó bằng một bài kiểm tra, và nó không liên quan gì đến trí tuệ nhân tạo: khách hàng sẽ bị tổn thương bao nhiêu nếu sản phẩm biến mất vào ngày mai? Nếu câu trả lời là “nhiều”, thì đó là một công ty thực sự. Nếu câu trả lời trung thực là “họ sẽ hầu như không nhận thấy”, thì đó là một công ty đang cưỡi sóng hype. Trí tuệ nhân tạo không thay đổi bài kiểm tra đó. Nó chỉ làm cho việc xây dựng một bản demo bóng bẩy mà thất bại trong bài kiểm tra đó trở nên rẻ hơn.

Đi sâu hơn và lợi thế bền vững đến từ việc bạn có thể đi sâu vào công việc đến mức nào. Thế hệ phần mềm trước đã xây dựng nơi công việc xảy ra, bề mặt mà mọi người làm việc trên. Thế hệ này có thể xây dựng hệ thống thực sự làm công việc, bao gồm cả các trường hợp doanh nghiệp phức tạp, đa bước mà hầu hết các công cụ im lặng tránh đi. Một khi bạn đã đi sâu đến mức đó, với ngữ cảnh tích lũy và sự tin tưởng cần nhiều năm để kiếm được, một phòng thí nghiệm lớn không thể chỉ bước vào và lấy doanh nghiệp với một mô hình cơ bản tốt hơn. Đó là toàn bộ trò chơi, và đó là nơi chúng tôi đã đặt cược của mình tại Inscope.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập Inscope.