سابقاً شغل آريا منصب المؤسس المشارك والرئيس التقني لشركة ماريانا، حيث عمل على تحليل السوق المدعوم بالذكاء الاصطناعي والبحث التنافسي، كما قاد استراتيجية التعلم الآلي ومنتجات الذكاء الاصطناعي في HackerRank. في مسيرته المهنية السابقة عمل في Meta على أتمتة التوظيف المدعومة بالذكاء الاصطناعي وإنتاجية الواقع الافتراضي، وساهم في تطوير أتمتة خدمات المؤسسات عبر روبوتات الدردشة كمهندس مؤسس في Astound، وبنى أنظمة تعلم آلي على نطاق الإنتاج في Collective[i].
إنسكوپ هي منصة تقارير مالية ذات طابع ذكاء اصطناعي، موجهة لشركات المحاسبة، فرق المالية، والمؤسسات التي تحتاج إلى إعداد، مراجعة، وتقديم بيانات مالية دقيقة بكفاءة أكبر. تركز المنصة على أتمتة الأعمال اليدوية وراء إعداد التقارير المالية، بما في ذلك الترقيات، التنسيق، الإفصاحات، التجميعات، التحقق من التوافق، وفحوصات الاتساق.
تسعى إنسكوپ لتقليل أخطاء التقارير، تقصير دورات الإعداد، وتسهيل إنتاج بيانات مالية جاهزة للتدقيق. أعلنت الشركة عن جولة تمويل من الفئة A بقيمة 14.5 مليون دولار في فبراير 2026 لتوسيع منصتها المدعومة بالذكاء الاصطناعي، مستهدفة استبدال سير العمل المتشتت القائم على الجداول الإلكترونية بعملية أكثر منهجية، متوافقة، وقابلة للتوسع.
كيف أعدتك مسيرتك المهنية لتحدي أحد أكثر عمليات المالية يدوياً وحساسية؟
عبر أتمتة المؤسسات، الذكاء الاصطناعي للتوظيف، إنتاجية الواقع الافتراضي، والتعلم الآلي، كنت أعمل على نفس الفكرة الصعبة: تحويل العمل البشري الفوضوي إلى نظام ذكاء اصطناعي يمكن الاعتماد عليه من قبل الفرق الفعلية. كل مجال علمني جزءاً مختلفاً. نشر منتجات التعلم الآلي على نطاق واسع علمني ما يتحمل الأحجام الكبيرة. بناء نماذج اللغة الكبيرة كمؤسس علمني سلوك هذه النماذج، نقاط الانهيار، وكيفية توجيهها نحو دقة فعلية بدلاً من مخرجات تبدو جيدة فقط في العروض. وفي كل مكان عملت فيه، كانت المنتجات التي تكسب الثقة تحافظ على وجود شخص يتحكم وتُحاكي طريقة عمل الخبراء بدلاً من إجبارهم على منطق الآلة.
ما جذبني إلى المالية هو إدراكي من بناء نماذج اللغة الكبيرة أن البيانات غير المهيكلة يمكن الآن تحويلها إلى أتمتة موثوقة، وهو ما لم يكن ممكنًا من قبل. من بين جميع العمليات اليدوية التي ستُعيد تشكيلها الذكاء الاصطناعي، يُعد إعداد القوائم المالية أحد الأنقى. الفكرة التي جئت بها، والتي تُعيد كل ما نبنيه، بسيطة: يجب أن يتحول دور المُعد إلى دور المُراجِع. هذا هو التغيير الذي يستحق العمل.
ما الذي جعلك تعتقد أن الذكاء الاصطناعي يمكنه إحداث تغيير ملموس في هذا المجال؟
إذا نظرت عن قرب إلى ما يفعله المُعد المالي، فستجد أنه خط أنابيب تحويل بيانات. يجمع البيانات من عشرات الأنظمة التي لا تتواصل مع بعضها، مثل ERP، نظام الأسهم، وملفات PDF التي تحتوي على عقود وجداول. يحول كل ذلك إلى مخرجات قابلة للقراءة مثل الميزانية العمومية، بيان الدخل، وجداول الحواشي. ثم يضيف طبقة من الحكم: التعليق الذي يفسّر ما تعنيه الأرقام.
ظل ذلك يدوياً لفترة طويلة لأن الأنظمة لم تتصل، وكانت الأتمتة القديمة مثل محركات القواعد وRPA (الروبوتات التي تحاكي النقرات) هشة جداً لتتحمل تنوع الحالات والاستثناءات. تغير شيئان. أولاً، يمكن للنماذج الآن معالجة مدخلات متباينة بشكل كبير وتنظيمها، وكذلك إظهار الحالات الاستثنائية للإنسان للتحقق بدلاً من الانهيار الصامت، بشرط بناء خطوة التحقق خلفها. ثانياً، يمكنها صياغة تعليقات مستندة إلى قواعد، لأن المالية ليست ذاتية بالكامل. هناك دليل واضح من FASB حول كيفية الاعتراف والقياس، ومن SEC حول الإفصاحات، مع آلاف الملفات السابقة لتعلمها.
ما أقنعني فعلياً كان مشاهدة فحص لا يمكن لنموذج واحد إتمامه بدقة، وهو فحص يتطلب خطوات متعددة مترابطة، يبدأ بالعمل بثبات عندما نُشغله عبر مجموعة من الوكلاء المتناسقين. مع الهندسة الصحيحة، تصبح المشكلات التي تبدو مستحيلة لنموذج واحد قابلة للمعالجة.
لماذا كان تحويل المالية المؤسسية أصعب مما توقع الكثيرون؟
الإصدار الصريح هو أن هذا عمل يمكن أن يُسجن الناس من أجله. المخاطر عالية جداً، لذا فإن العتبة لأتمتة أي جزء منها مرتفعة بالمثل. هذا يختلف عن منتجات المستهلك حيث الخطأ مجرد إزعاج. هنا، رقم واحد خاطئ قد يحمل تبعات قانونية وتنظيمية، والشخص الموقع يتحمل المسؤولية شخصياً. بالإضافة إلى ذلك، كل شركة تنفذ العملية بشكل مختلف، والعمل مليء بالاستثناءات. القواعد والقوالب تغطي المسار الشائع ثم تنهار تماماً حيث يكمن العمل الحقيقي.
ما أفسد البرمجيات السابقة لم يكن رقمًا واحدًا، بل الحاجة إلى فهم سير عمل كامل من البداية إلى النهاية بكل ما فيه من “إذاً” و“إلا”. المخاطر العالية، التخصيص العميق، وسلاسل العمل المتشابكة هي السبب في بقاء هذه الفئة غير متأثرة بينما غيّر الذكاء الاصطناعي المجالات الأكثر بريقًا.
ما الفجوة بين أدوات الذكاء الاصطناعي العامة وتلك المصممة خصيصًا للتقارير المالية والامتثال؟
هنا أُعيد التفكير في فكرة أن الأمر كله يتعلق بالنموذج. الجميع يستخدم نفس النماذج. الاختلاف يكمن في كل ما يحيط بها: السياق الذي تُقدم أمام النموذج، اللحظة التي يُستدعى فيها، والضوابط المرفقة. النظام المصمم خصيصًا يتعزز بمرور الوقت. كلما عمل داخل مؤسسة واحدة، كلما تعلم أنماطها ومُعَايِيرها الخاصة، بينما الأداة العامة تبدأ من الصفر في كل مرة.
في المالية هناك أمور لا يمكن تجاهلها. يجب أن يكون الناتج مستندًا إلى البيانات المصدر، ويجب أن يكون كل رقم قابلًا للتتبع إلى مصدره، ومن أنتجَه، ولماذا. ويجب أن يعرف النظام حدود ثقته، مُعلِمًا ما هو غير مؤكد للإنسان بدلاً من التخمين. الحرفة الحقيقية تكمن في التجربة المحيطة بكل ذلك. لا يمكنك مجرد إلقاء إجابة على الجدار وترك المستخدم يدافع عنها. التصميم لتوفير الأساس، القابلية للتتبع، وتسليم سلس للإنسان هو ما يميز أداة عامة عن نظام يضعه المراقبون تحت توقيعهم.
ما هي أكبر تحديات التعلم الآلي في بناء أنظمة تفهم بنية وعلاقات ومنطق القوائم المالية؟
ابدأ بمثال ملموس. “Tie‑out” هو التأكد من توافق رقم في كل موضع يظهر فيه: جدول مقابل جداول أخرى، جدول مقابل النص المحيط، النص مقابل نفسه، عبر ملف كامل. يقوم المُعدون بذلك يوميًا. يبدو بسيطًا، لكن لا يمكنك إلقاء المستند بالكامل على نموذج مع توجيه ذكي والاعتماد على النتيجة، خاصةً للدرجة المطلوبة من الدقة.
لجعل العملية موثوقة، اضطررنا إلى تقسيمها إلى نظام من خطوات أصغر قابلة للتحقق. حتى أبسط فحص في المالية لا يمكن استبداله بنداء نموذج واحد. هذا هو التحدي الأساسي في التعلم الآلي، ويتألف من ثلاث طبقات: يجب أن يفهم النظام كيف يعمل عميل معين ويستمر في التعلم من ملاحظاته؛ يجب أن يدرك العلاقات داخل القوائم المالية، حيث تتطابق الأرقام عبر القوائم، وتُصالح الحواشي، وتنتقل الفترات إلى الأمام؛ وأخيرًا، عندما يتعاون العديد من الوكلاء، نواجه مشكلة أنظمة موزعة: إيصال السياق الصحيح للخطوة الصحيحة، وضع الضوابط والاختبارات، دمج المراجعة الآلية مع المراجعة البشرية، وبناء مجموعات بيانات داخلية لقياس صحة النتائج.
الجزء الصعب لم يكن جعل النموذج يقرأ القوائم المالية، بل بناء النظام حوله يستطيع التفكير، التحقق من نفسه، وتوضيح مصدر كل رقم.
كيف تتعامل مع دقة النموذج، الشرحية، وتحمل الأخطاء في تطبيقات الذكاء الاصطناعي للمالية؟
لا يوجد معيار دقة موحد، والادعاء بوجوده هو ما يخطئ الناس. هذه الأنظمة ليست دقيقة 100%، وما يمكن تحقيقه يختلف كثيرًا حسب المهمة. لذلك، العمل الحقيقي هو التواصل الصادق حول ما فعل النظام وأين تكمن المخاطر. بدلاً من الإشارة إلى نسبة نجاح عامة، نُظهر للمُراجع العناصر ذات المخاطر العالية، ونوضح صراحة ما لم يتعامل معه النظام.
الشرحية يجب أن تكون ملموسة، ليست مجرد مبدأ على شريحة. عندما نجري فحص تجميع على جدول، نُظهر “آلة حاسبة صغيرة”: الخلايا التي تم جمعها والعملية الحسابية التي استخدمها النظام. إذا حدث خطأ، يمكنك رؤيته فورًا. على جانب النموذج، أهم أداة هي مجموعات تقييم قوية تقيس الدقة على مهام واقعية. بعد ذلك، يتطلب الأمر أن نتعلم كيف نرى بعيون النموذج. من السهل نسيان ما يستطيع النموذج رؤيته فعليًا. لذا ندرس ما أمامه، ونقارن مع طريقة تفكير الخبير، ونقرب الفجوة بتزويد النموذج بالسياق الذي يستخدمه الخبير.
ما الذي يلزم لكسب ثقة المديرين الماليين، المراقبين، والمدققين عند نشر الذكاء الاصطناعي في بيئات ذات امتثال عالي؟
الثقة تبدأ بجعل رؤية ما فعل النظام أمرًا سهلًا. المستخدم لا يرى مجموعة التقييم ولا يهتم بأن متوسط الدقة 95٪. هو ينظر إلى ملفه، وفي ذلك الملف قد يكون النظام أسوأ من المتوسط، ربما في أسوأ يوم له. لا رقم إجمالي يطمئن أحدًا في تلك اللحظة. لذا كل شيء يعتمد على التجربة المحيطة بالذكاء الاصطناعي. نُظهر بوضوح ما تم إنجازه، نجعل التحقق والتصحيح سهلًا، ونتأكد من أن التصحيح يُعلم النظام.
هؤلاء الأشخاص مسؤولون شخصيًا عن الأرقام، لذا لا يرغبون في صندوق أسود. يريدون البقاء مسيطرين ورؤية العمل. مثال واقعي: أحد المستخدمين أشار إلى خطأ حسابي في جدول وسأل لماذا لم يكتشفه الذكاء الاصطناعي. لأن كل إجراء سُجل، استطعنا تتبع ما حدث بالضبط: النظام كان قد علّق على هذا الرقم كقابل للشك، وتم رفضه. النقطة ليست من كان على صواب، بل أن السجل المشترك حول ما حدث حول ما كان يمكن أن يتحول إلى جدال إلى إعادة بناء خلال خمس دقائق. هذا النوع من السجل الموثق يسمح لفريق المالية بمعاملة النظام كشريك حقيقي.
أين يخطئ العديد من المؤسسات عند إدخال الذكاء الاصطناعي إلى عمليات مالية حاسمة؟
الخطأ الأكثر شيوعًا هو السعي إلى أتمتة كاملة من اليوم الأول. الفطرة تدفع إلى إقصاء الخبير؛ الخيار الأفضل هو تمكين الخبير وجعل حكمه يركز على ما يهم فعلاً. عندما تحاول إبعاد الإنسان تمامًا، تحصل على شيء لا يثق به أحد ولا يُستخدم.
الخطأ الثاني هو اعتبار الأمر مسألة نمذجة فقط وإهمال الجزء الذي يتعامل معه المستخدم. طريقة عرض العمل، سهولة التحقق والتصحيح، غالبًا ما تحدد ما إذا كان الأداة تُعتمد أو تُهمل. كثير من الفرق تكتشف متأخرًا أن النموذج كان الجزء السهل.
نصيحة للمدير المالي: ابدأ بمهمة ضيقة، مؤلمة، ومفهومة جيدًا بدلاً من محاولة حل كل شيء مرة واحدة؛ حافظ على خبرائك في مقعد القيادة؛ واستثمر بقدر ما تستثمر في تجربة المستخدم وحلقة التغذية الراجعة بقدر ما تستثمر في النموذج. هذا هو الفارق بين تجربة تجريبية تموت بهدوء وتجربة تُغيّر طريقة عمل الفريق.
كيف تتوقع أن يتغير دور المتخصصين الماليين مع تزايد دمج الذكاء الاصطناعي في إعداد ومراجعة التقارير؟
التحول هو من الإعداد إلى المراجعة. اليوم يقضي معظم وقت المُعد على الأعمال الميكانيكية: جمع البيانات من أنظمة متفرقة، بناء الجداول، وتكرار الفحوصات. عندما يتولى الذكاء الاصطناعي هذه المهام، ينتقل الدور إلى مراجعة المخرجات، تطبيق الحكم حيث يتطلب الأمر إنسانًا، ومعالجة الاستثناءات.
أرى ذلك يزيد من قيمة المتخصصين الماليين، لا يقللها. حكمهم، الذاكرة المؤسسية، والمسؤولية التي يحملونها ستُستثمر في اتخاذ قرارات ذات معنى بدلاً من تجميع البيانات. الأفضل منهم سيصبحون بارعين في توجيه ومراجعة مخرجات الذكاء الاصطناعي، اكتشاف الأخطاء الدقيقة، والعمل بانسجام مع هذه الأنظمة.
من الناحية العملية، يسرّع الذكاء الاصطناعي عملية الإعداد من أسابيع إلى جزء منها، لكنه لا يسرّع الأجزاء التي تخضع لتدقيق المدققين الخارجيين ومواعيد الإغلاق القانونية، وهي حدود لا يمكن تجاوزه. ومع ذلك، تقصير زمن الإعداد يغيّر إيقاع الوظيفة: إغلاق أسرع، تقارير تميل إلى الاستمرار، ومزيد من الوقت للتركيز على ما تعنيه الأرقام للأعمال بدلاً من إنتاجها.
ما الذي يميز الشركات التي تحل مشاكل تشغيلية عميقة عن تلك التي تواكب موجة الذكاء الاصطناعي فقط؟
أقيس ذلك بسؤال واحد لا علاقة له بالذكاء الاصطناعي: ما مدى ضرر العميل إذا اختفت المنتج غدًا؟ إذا كان الجواب “كثيرًا”، فالشركة حقيقية. إذا كان الجواب “قليلًا”، فهي مجرد شركة تركب الموجة. الذكاء الاصطناعي لا يغيّر هذا الاختبار؛ بل يجعل من السهل بناء عرض تجريبي أنيق قد يفشل فيه.
الميزة المستدامة تأتي من مدى غوصك في العمل. الجيل السابق من البرمجيات بنى السطح الذي يعمل عليه الناس. الجيل الحالي يبني أنظمة تقوم بالعمل نفسه، بما في ذلك الحالات المؤسسية المتعددة الخطوات التي تتجنبها الأدوات الأخرى. عندما تصل إلى هذا العمق، وتجمع السياق والثقة التي تستغرق سنوات لتُكتسب، لا يمكن لمختبر كبير أن يأتي ويستبدل المنتج بنموذج أساسي أفضل. هذا العمق هو اللعبة بأكملها، وهو ما وضعنا رهاننا عليه في إنسكوپ.
