安克·阿亚，Inscope 的 AI 负责人 – 采访系列

安克·阿亚，Inscope 的 AI 负责人，拥有丰富的 AI 产品领导、机器学习、企业自动化和应用研究经验。作为 Inscope 创始团队的一员，他正在帮助构建能够让公司与利益相关者共享准确和合规的财务数据的软件。他的背景包括担任 Mariana 的联合创始人和 CTO，在那里他从事 AI 驱动的市场分析和竞争研究，以及在 HackerRank 领导机器学习和 AI 产品战略。早期在他的职业生涯中，阿亚在 Meta 工作，负责 AI 驱动的招聘自动化和 VR 生产力，帮助开发基于聊天机器人的企业服务自动化，并在 Astound 建立了生产级别的机器学习系统。他的职业生涯跨越了实际的 AI 部署、产品战略、自动化和数据驱动的系统，涵盖了初创企业和大型企业环境。

Inscope 是一个为会计师事务所、财务团队和需要更高效地准备、审查和交付准确财务报表的企业而构建的 AI 原生财务报告平台。该平台专注于自动化财务报告背后的手动工作，包括滚动、格式化、披露、脚注、对齐和一致性检查。Inscope 将其技术定位为一种减少报告错误、缩短准备周期和使审计准备好的财务报表更容易产生的方式。该公司 宣布了 1.45 亿美元的 A 轮融资，以扩大其 AI 驱动的财务报告平台，产品旨在用更系统化、合规和可扩展的报告流程取代碎片化的电子表格密集型工作流程。

您曾在企业自动化、机器学习、招聘 AI、VR 生产力和 AI 产品领导等领域工作，之后您担任了 Inscope 的 AI 负责人。这种职业发展路径如何让您为解决金融领域最手动和敏感的工作流程做好准备？

在企业自动化、招聘 AI、VR 生产力和机器学习领域，我一直在做同一件困难的事情：让 AI 系统可靠地执行人类的工作，以至于真正的团队会依赖它。每个领域都教会了我不同的东西。部署大规模的机器学习产品教会了我什么在真正的体积下起作用。作为创始人使用大型语言模型构建产品教会了我这些模型实际上如何表现，它们在哪里会出现问题，以及如何塑造它们以实现真正的精度，而不是仅仅在演示中看起来好。无论我在哪里工作，赢得信任的产品都保持了人类的控制，并反映了专家的工作方式，而不是强迫人们遵循机器的逻辑。

是什么让我被金融领域吸引？这是一个认识：使用大型语言模型构建产品后，我意识到可以首次对真正的非结构化数据进行可靠的自动化，这在以前是不可能的。金融报表准备是即将被 AI 重塑的最纯粹的手动、人工主导的流程之一。我最初的论文和我们构建的所有内容的基础是简单的：准备者的工作应该转变为审查者的工作。这是值得努力的改变。

金融报表准备和审查多年来一直保持手动。是什么让您相信 AI 现在可以在这个领域带来有意义的变化？

如果您仔细观察财务准备人员的工作，您会发现这实际上是一个数据转换管道。您从不相互通信的十二个系统中提取数据，例如您的 ERP、股权系统和合同和时间表的 PDF。您将所有这些转化为可消化的输出，例如资产负债表、损益表和脚注表。然后您在上面添加一层判断：解释数字的评论。它之所以能保持手动状态这么久，是因为这些系统从未相互连接，而像规则引擎和 RPA 这样的旧自动化技术太脆弱，无法承受多样性和边缘情况。

发生了两件事情。首先，模型现在可以对输入进行结构化，并且同样重要的是，表面化边缘情况供人类检查，而不是默默地中断，只要您在后面构建验证步骤。其次，它们可以草拟有根据的评论，因为金融并不纯粹是主观的。有真正的规则可以依靠，从 FASB 关于如何识别和衡量事项到 SEC 关于如何披露事项的规定，数千份以前的申报表可供参考。让我相信这是真实的，是看到一个单个模型无法正确完成的检查开始可靠地工作，一旦我们在一组协调的代理人中运行它。有了正确的架构，看似不可能解决的问题变得可行。

为什么企业金融比许多人预期的更难被 AI 转型？

坦率地说，这是因为这项工作可能会让人们入狱。风险极高，因此自动化任何部分的门槛也相应地很高。这是一个与消费品不同的领域，错误只会带来烦恼。在这里，一个错误的数字可能带来法律和监管后果，而签署的人会对此承担个人责任。

此外，每家公司都以略微不同的方式执行此操作，工作中充满了例外。规则和模板可以处理常见路径，但会在真正的工作开始的地方崩溃。早期软件的失败并不是因为某个数字，而是因为需要理解整个端到端工作流程，包括所有的如果和但是。高风险、深度定制和真正复杂的工作流程是为什么这个类别在 AI 转型其他领域的同时仍然保持手动状态的原因。

通用 AI 工具和专门为财务报告和合规性而设计的 AI 之间有什么差距？

这是我会反驳“一切都与模型有关”的想法的地方。每个人都有相同的模型。区别在于模型周围的一切：您在什么时候将什么上下文放到模型面前，什么检查。一个专门设计的系统也会复合。它在一个组织内工作得越好，就会越多地学习该公司的特定模式和惯例，而通用工具每次都会从头开始。

对于金融领域，有几件事是无法跳过的。输出必须以源数据为基础，每个数字都必须可以追溯到其来源、谁或什么产生了它以及为什么。系统必须知道其自身信心的局限性，标记它不确定的内容以供人类处理，而不是猜测。真正的技巧在于周围的体验。您不能只是把答案扔到墙上，让用户去为其辩护。设计以实现基础、可追溯性和优雅的人机交互是将通用工具与真正的工具区分开来的关键因素。

在构建能够可靠理解财务报表背后的结构、关系和逻辑的系统时，机器学习面临的最大挑战是什么？

从一个具体的例子开始。对齐是确保数字在所有出现的地方都一致：表格与其他表格、表格与周围文本、文本与其自身、整个申报表中。准备人员每天都在做这件事。听起来很简单，但您不能只是将整个文档放入模型中并相信结果，至少在这种工作所需的精度下不能这样做。为了使其可靠，我们不得不将其分解为一个由较小、可检查的步骤组成的协调系统。即使是最常规的检查，也不能简单地用单个模型调用来替换。

这是核心的机器学习挑战，它有三个层次。系统必须了解特定客户的工作方式并从他们的反馈中学习。它必须真正理解财务报表内部的关系，因为数字在报表、脚注、期间滚动中对齐，而不是仅仅阅读文本。一旦多个代理开始合作，您就已经悄悄地承担了一个分布式系统问题：将正确的上下文传递到正确的步骤中，放置检查和防护，混合自动审查和人工审查，并构建内部数据集以衡量任何内容是否实际正确。难点从来不是让模型读取财务报表。它是围绕模型构建一个可以推理、检查自己并解释每个数字来源的系统。

当将 AI 应用于财务工作流程时，您如何看待模型准确性、可解释性和容错性的问题，尤其是小错误可能带来重大后果的情况下？

没有单一的准确性标准，假装有这样的标准是人们出错的地方。这些系统并不100%准确，什么是可实现的会因任务而异。因此，真正的工作是对系统的工作进行诚实的沟通，包括风险所在的位置。与其挥舞一个总体成功率，不如将审查者引导到最具风险的项目、最重要的项目，并明确说明系统没有触及的内容。这就是填补差距的方法，而不是假装它不存在。

可解释性必须是具体的，而不是幻灯片上的原则。当我们在表格上运行脚注检查时，我们显示一个小型计算器：系统组合的确切单元格和使用的算术。 如果它犯了一个错误，您可以在一秒钟内看到它。在模型方面，最重要的工具是强大的评估套件，用于衡量实际任务的准确性。除此之外，它归结为学习用模型的眼睛看世界。令人惊讶的是，人们很容易忘记模型实际上可以看到什么。因此，您研究模型面前的内容，研究专家如何推理相同的问题，并通过为模型提供专家将拥有的上下文来缩小差距。

在部署 AI 时，如何赢得 CFO、控制器和审计员的信任，特别是在合规性要求严格的环境中？

信任始于让用户轻松地看到系统做了什么。用户永远不会看到您的评估套件，也不关心平均95%的准确率。他们正在查看自己的申报表，在那里，系统可能会表现出最差的水平。没有任何汇总数字可以在那一刻安慰任何人。

所以一切都取决于 AI 周围的体验。您清晰地显示了所做的工作，使其变得微不足道，并确保更正实际上会教导系统。这些人对数字承担个人责任，因此他们不希望看到黑盒子。他们希望保持控制并看到工作过程。

一个案例很好地说明了这一点。一个用户标记了表格中的一个计算错误，并询问为什么 AI 没有捕获到它。由于每个操作都有记录，我们可以回溯发生了什么：系统实际上已经标记了该数字为可疑，并且它被驳回了。重点不是谁是对的。重点是完整的共享记录将可能变成指责的练习转变为五分钟的重现。这种记录就是让财务团队将系统视为真正的合作伙伴的原因。

当企业尝试将 AI 引入关键的财务工作流程时，您认为他们经常犯的错误是什么？

最常见的错误是第一天就瞄准完全自动化。直觉是去除专家；更好的方法是让专家变得更加高效，并将他们的判断力集中在真正重要的地方。当您尝试完全去除人类因素时，您会得到没有人信任和没有人使用的东西。

第二个错误是将其视为纯粹的建模问题，并在用户实际接触的部分挨饿。工作的呈现方式、检查和修复的便捷性往往决定了工具是否会被采用或被安静地放弃。许多团队过晚才发现模型是容易的部分。

如果我要为今天开始的 CFO 提供建议：选择一个狭窄、痛苦、众所周知的任务，而不是试图同时处理所有事情。让您的专家牢固地坐在驾驶座上，并在体验和反馈循环上投入与模型本身一样多的精力。这就是区分一个安静死亡的试点和一个改变团队工作方式的试点的区别。

随着 AI 在报告和审查中变得更加普遍，您如何看待未来几年中财务专业人员的角色变化？

这是我一开始提到的论文的回报。转变是从准备到审查。今天，准备人员的大部分时间都花在机械工作上：从分散的系统中提取数据，构建表格，运行相同的检查。随着 AI 吸收这一点，工作转变为审查输出，应用真正需要人类的判断，并处理例外情况。

我认为这会使财务专业人员变得更加有价值，而不是减少价值。他们的判断力、机构记忆和他们承担的责任将被花在真正重要的决策上，而不是花在机器可以做的装配工作上。最好的专业人员将擅长于指导和检查 AI 输出，捕捉看似微妙的错误，并与这些系统流畅地合作。

我会对加速的速度很具体。AI 压缩准备时间，可以从几周缩短到几天。但是，它不会压缩外部审计员和申报截止日期所设定的底线，AI 无法移动这些底线。然而，准备时间的缩短改变了功能的节奏：更快的结账、报告接近连续性，并且更多时间花在数字对业务的意义上，而不是生产数字上。这是对该职业的更具战略性的未来，而不是更小的未来。

当您查看企业 AI 景观时，什么因素将解决深层次运营问题的公司与仅仅乘着 AI 浪潮的公司区分开来？

我用一个测试来判断，这与 AI 无关：如果产品消失了，客户会受到多大的影响？如果答案是“很多”，那么它是一个真正的公司。如果答案是“几乎没有注意到”，那么它是一个乘着炒作的公司。AI 并没有改变这一点。它只是使得构建一个失败的测试的花哨演示变得更便宜。

更深入地看，持久的优势来自于您愿意走多远。上一代软件构建了工作发生的地方，人们工作的表面。这一代可以构建执行工作本身的系统，包括大多数工具都绕过的复杂、多步骤的企业案例。一旦您走了这么远，拥有积累的背景和多年赢得的信任，大型实验室就不能仅凭更好的基础模型就进入并抢占业务。那就是游戏的全部内容，也是我们在 Inscope 投注的方向。

感谢您接受这次精彩的采访，希望您能通过访问 Inscope 了解更多信息。