John Glasgow, generální ředitel, finanční ředitel a zakladatel Campfire – série rozhovorů

John Glasgow je generálním ředitelem, finančním ředitelem a zakladatelem společnosti Campfire. Přináší zkušenosti z oblasti financí, fúzí a akvizic v technologickém odvětví a podnikové strategie. Před založením společnosti pracoval ve firmách Adobe, Invoice2go a Bill.com; mimo jiné pomáhal provést Invoice2go akvizicí za 625 milionů dolarů. Jeho působení ve finančních odděleních ovlivnilo jeho zaměření na nahrazování procesů závislých na tabulkách účetními systémy, které uchovávají podrobnosti o jednotlivých transakcích a podporují automatizaci.

Campfire vyvíjí platformu pro plánování podnikových zdrojů (ERP), která je od základu navržená pro AI a určená finančním a účetním týmům. Spojuje hlavní knihu, automatizaci výnosů, výkaznictví a správu účetní uzávěrky. Její agenti Ember pracují s podkladovými účetními daty a pomáhají například s párováním a kategorizací transakcí, zatímco Forecast odděluje zaúčtované skutečné hodnoty, závazné částky a odhady vytvořené AI. V tomto rozhovoru Glasgow hovoří o architektuře účetnictví navrženého od základu pro AI, o hranicích mezi autonomií agentů a schvalováním člověkem i o tom, jak mohou finanční týmy při rozšiřování automatizace zachovat dohledatelnost.

Vaše kariéra zahrnovala finance, technologické fúze a akvizice i strategii ve společnostech Adobe, Invoice2go a Bill.com, než jste založil Campfire. S čím jste se ve finančních odděleních opakovaně setkával, že vás to přesvědčilo, že je třeba přebudovat samotný ERP systém, a ne ho pouze vylepšit další vrstvou softwaru?

Prodej Invoice2go společnosti Bill.com za 625 milionů dolarů mi problém ukázal zblízka. Během prověrky před akvizicí jsem vyřizoval více než 500 požadavků v tabulkách, protože jsme v nich místo v systému vedli účetnictví výnosů, výkaznictví SaaS i konsolidaci. I tak velká společnost stále zajišťovala zásadní finanční agendu prostřednictvím tabulek.

Ve společnosti Bill, kde jsem vedl strategická partnerství a úzce spolupracoval s finančním ředitelem, jsem stejný problém pozoroval u zákazníků. Mzdy, správa výdajů i závazky a pohledávky (AP/AR) prošly modernizací, finanční týmy se však stále musely vracet k ERP systému vytvořenému pro dřívější dobu.

Problém je v samotné hlavní knize. Starší ERP systémy přebírají souhrnné záznamy z fakturace, plateb, mezd a dalších systémů, takže v okamžiku, kdy se data dostanou do hlavní knihy, už podrobnosti o jednotlivých transakcích chybějí. Další vrstva softwaru chybějící data nenahradí. Chtěl jsem hlavní knihu, která by podrobnosti uchovávala a dokázala sama vykonávat potřebné úkoly, což znamenalo přebudovat ERP od základů.

Označení „navržený od základu pro AI“ se v podnikovém softwaru používá stále častěji. V čem se z architektonického hlediska ERP navržený od základu pro AI zásadně liší od tradičního ERP, ke kterému se pouze přidá velký jazykový model nebo asistent AI?

Zásadní rozdíl spočívá v tom, že ERP navržený od základu pro AI je postaven na datech, s nimiž musí pracovní postupy využívající AI pracovat.

Kopilot může číst pouze to, co ukládá starší ERP systém. Pokud ERP obsahuje měsíční souhrny namísto podrobností o jednotlivých transakcích, umělá inteligence může najít určitou částku nebo připravit návrh vysvětlení, nedokáže však spolehlivě párovat transakce, odsouhlasovat účty ani vysvětlit, jak byl záznam vytvořen. Campfire uchovává úplné podrobnosti o transakcích a spravuje hlavní knihu i pomocné knihy, takže jeho agenti Ember mají k dispozici data potřebná k tomu, aby práci skutečně odvedli.

Dalším rozdílem je dohledatelnost. Každá činnost agenta odkazuje na podkladová data v hlavní knize a lze ji zkontrolovat ještě před zaúčtováním.

Třetím rozdílem je samotný model: Accounting Intelligence od Campfire je natrénován na účetních datech a píše kód, který provádí finanční úkoly, takže výsledky lze reprodukovat. Právě díky tomu mohou agenti jednat, místo aby pouze navrhovali řešení.

Campfire nedávno uvedl Forecast, který rozděluje aktuální měsíc na skutečné, závazné a AI odhadované hodnoty, místo aby žádal AI o předpověď celého období. Proč jste ho navrhli právě takto a v čem podle vás AI při finančním prognózování skutečně pomáhá, zatímco kontrolu by měla ponechat deterministickým účetním datům?

Jako finanční ředitel se pět nebo více dní před koncem měsíce ptám, jaký bude jeho výsledek, a v tu chvíli už je o něm z velké části rozhodnuto. Kdybychom po AI chtěli předpovídat celé období, nahradili bychom známá čísla odhady. Forecast proto rozděluje měsíc do tří částí:

Skutečné hodnoty: částky, které už byly zaúčtovány do hlavní knihy.

Závazné částky: známé budoucí částky vyplývající ze smluv, faktur, majetku a leasingových smluv, které ještě nebyly zaúčtovány.

Odhadované hodnoty: projekce Emberu pro skutečně neznámou část, založená na historii společnosti a sezónnosti.

Právě v této oblasti by podle mě měla AI při prognózování pomáhat: tam, kde zatím nikdo nemůže znát skutečné hodnoty. Deterministická účetní data by měla určovat vše, co už je známo. Jejich smícháním se hůře rozlišují fakta od odhadů. Pokud se obojí smíchá, nelze poznat, za kterými čísly si můžete stát, když prognózu předkládáte představenstvu.

Když se mě někdo zeptá, jak jsem k danému číslu dospěl, mohu otevřít kteroukoli hodnotu a ukázat její skutečnou, závaznou a odhadovanou složku spolu s předpoklady Emberu. Forecast slouží pouze jako podklad pro rozhodování; nic z toho, co vytvoří, se automaticky nezaúčtuje do hlavní knihy. Finančnímu týmu však včas napoví, kam se měsíc ubírá, aby mohl přijmout obchodní rozhodnutí ještě před jeho koncem.

Forecast umožňuje Emberu odhadovat neznámou část měsíce na základě historických trendů a sezónnosti a zároveň vysvětlovat předpoklady, z nichž tyto odhady vycházejí. Jak postupujete v situacích, kdy historické vzorce najednou přestanou být užitečné, například při rychlém růstu, ztrátě významného zákazníka, akvizici nebo jiné mimořádné události?

Právě v takových měsících potřebuje finanční ředitel prognózu nejvíc, a proto se dělí do vrstev. Na historických trendech a sezónnosti závisí pouze odhadovaná část Forecastu. Vrstva potvrzených položek vychází ze smluv, faktur, majetku a nájemních smluv, které už jsou v účetní knize Campfire, takže akvizice, ztráta zákazníka ani rychlý růst nemění to, co už je známo.

Když se vzorce změní, finanční tým obvykle ví proč ještě dřív, než se to projeví v datech, a může tedy dodat potřebný kontext. Může přidat poznámku o tom, co se změnilo, přiložit například plán počtu zaměstnanců nebo prostřednictvím naší integrace MCP propojit zdroj, jako je CRM nebo HRIS. Ember tento kontext využije k novému odhadu neznámé části.

Každý odhad obsahuje také jednověté vysvětlení použitých předpokladů, takže při prezentaci prognózy můžu ukázat, co je skutečnost, co je potvrzené a co je pouze projekce.

Campfire vyvinul vlastní velký účetní model neboli LAM, místo aby se spoléhal výhradně na univerzální modely. Co jste zjistili o omezeních univerzální AI v účetnictví a čemu musí specializovaný model rozumět, zatímco běžný velký jazykový model (LLM) tomu obvykle nerozumí?

Účetnictví potřebuje reprodukovatelné odpovědi, ne jen věrohodné. Univerzální modely dobře generují jazyk, ale mohou mít potíže s numerickým uvažováním a účetní klasifikací, kde stejné vstupy musí pokaždé vést ke stejné odpovědi.

Místo toho, abychom model žádali o přímé uvažování nad finančními daty, necháváme ho vytvářet SQL nebo Python kód, který práci provede. Kód je reprodukovatelný, což je důležité pro audit a umožňuje firmám automatizovat úkony, aniž by někdo musel schvalovat každý totožný výsledek.

Naše Accounting Intelligence je trénována na účetních datech a rozumí například struktuře účtového rozvrhu, vzorcům v datech o dodavatelích i tomu, jak vypadá řádně vedené účetnictví. Učí se také z historie transakcí každého zákazníka. Přesnost závisí stejně tak na systému, který model obklopuje, jako na modelu samotném.

Finanční týmy mají mimořádně nízkou toleranci k chybám AI. Když agenti začínají provádět odsouhlasování, kategorizovat transakce, připravovat účetní zápisy a pracovat s účetní knihou, kde by měla být hranice mezi autonomním prováděním úkonů a schvalováním člověkem?

Hranice by měla záviset na tom, zda lze daný úkon ověřit. Pokud je účetní zápis reprodukovatelný a lze ho dohledat až k podkladovým datům účetní knihy, neměl by ho člověk muset schvalovat pokaždé. Pokud ho nelze vysvětlit ani reprodukovat, měl by ho člověk zkontrolovat ještě před zaúčtováním.

Tak jsme Ember vybudovali. Každý úkon agenta se zaznamenává, lze ho dohledat k podkladovým datům hlavní knihy a následně zkontrolovat. Týmy nastavují prahové hodnoty jistoty, které určují, co Ember zpracuje autonomně a co předá člověku, a míru autonomie mohou zvyšovat, jakmile si výsledky získají jejich důvěru.

Za úsudek nadále odpovídají lidé. Účetní rozhodují, kolik práce má Ember převzít, kontrolují výjimky a vysvětlují, proč se čísla změnila. Agenti přebírají opakující se práci spojenou s párováním, označováním a odsouhlasováním. Dobrým příkladem je TwelveLabs: tři účetní zajišťují pokrytí USA a Koreje, přesto společnost zkrátila dobu uzávěrky na polovinu a ušetřila přes 300 000 dolarů.

Campfire také představil obchod MCP, který Emberu umožňuje pracovat s externími systémy, například s platformami pro platby, CRM, nákup a HR. Myslíte si, že se ERP nakonec promění z pasivního systému evidence spíše v orchestrizační vrstvu, v níž mohou agenti AI pracovat napříč celým finančním ekosystémem?

Ano, pokud účetní kniha zůstane hlavním evidenčním systémem. ERP historicky zaznamenávalo práci provedenou jinde, takže většina odpovědí se nachází mimo účetní knihu: prodloužení smlouvy v CRM, nový zaměstnanec v HRIS nebo objednávka v systému nákupu. Pokud mají práci vykonávat agenti, potřebují i tento kontext, takže ERP se musí s těmito systémy přímo propojit.

Finanční týmy takto sestavují prognózy už léta: z CRM přebírají informace o obchodních příležitostech a z HRIS údaje o počtu zaměstnanců. Jakmile tým tyto systémy propojí, Forecast to za něj udělá v Emberu a účetní kniha zůstává zdrojem pravdivých údajů o všem, co už je známo. Účetní kniha zůstává zdrojem pravdivých údajů a agenti mohou pracovat napříč systémy, které ji obklopují.

Na ekonomiku AI máte obzvlášť zajímavý pohled, protože jste zároveň generálním i finančním ředitelem AI společnosti, která poskytuje služby dalším finančním týmům. Jak dnes firmy plánují rozpočty na AI a očekáváte, že se ceny podnikových řešení AI odkloní od předplatného podle počtu uživatelů směrem k cenám podle využití, výsledků nebo jinému modelu?

Vidíme, že se rozpočty přesouvají od fixních výdajů podle počtu uživatelů k proměnlivým nákladům na využívání AI, na což mnoho finančních týmů zatím není připraveno. Jak agenti přebírají práci, kterou dříve vykonávali lidé, mohou firmy potřebovat méně uživatelských licencí, i když jejich využívání AI poroste. Dodavatelé navíc k poplatkům za licence přidávají kredity a příplatky za překročení limitů, takže finanční týmy musí před podpisem smlouvy modelovat možné náklady na využívání.

Očekávám, že hybridní modely budou běžnější než čistě odměňování podle výsledků. Jako finanční ředitel chci předvídatelný základ, jako generální ředitel potřebuji, aby ceny odrážely skutečné využití.

Campfire získal 35 milionů dolarů v investičním kole Series A a o pouhých několik týdnů později následovalo 65 milionů dolarů v kole Series B. Co se během této doby změnilo na trhu nebo v poptávce zákazníků, že jste se rozhodli společnost tak agresivně kapitalizovat, a kde vidíte největší příležitost využít tento kapitál k urychlení vývoje produktu?

Silnou poptávku jsme zaznamenali už před kolem Series A, ale po jeho uzavření se zájem okamžitě ještě výrazně zvýšil. Firmy se nám ozývaly se žádostí o ukázky, mnohé z nich Campfire dosud neznaly, a bylo jasné, že poptávka předčila naše očekávání.

Díky tomu jsme mohli investovat ještě agresivněji do uspokojení této poptávky, zvláště když firmy začaly být ochotné opouštět starší platformy, jako jsou NetSuite a Sage Intacct. Zákazníci jako Replit ukazují proč: jejich roční opakující se výnosy vzrostly z 10 milionů dolarů na více než 200 milionů dolarů, aniž by rozšířili svůj čtyřčlenný účetní tým, a uzávěrka výnosů se zkrátila z osmi hodin na 30 minut.

V kole Series A jsme získali 35 milionů dolarů, které vedla společnost Accel, a následovalo kolo Series B v hodnotě 65 milionů dolarů, jehož vedení se ujaly společně Accel a Ribbit. Za 12 týdnů jsme tak získali celkem 100 milionů dolarů. Tyto prostředky jsme využili k tomu, abychom dokázali držet krok s poptávkou, a rozrostli jsme se z 10 lidí na více než 150 v San Franciscu, New Yorku a Londýně.

Účetnictví nativně založené na AI se rychle stalo konkurenčním segmentem, v němž společnosti jako Campfire a Rillet vyzývají zavedené platformy, například QuickBooks, NetSuite a Sage Intacct. Když se podíváme o pět let dopředu, které části účetnictví a ERP budou podle vás agenti AI zvládat téměř úplně a které odpovědnosti zůstanou pevně v rukou lidských odborníků na finance?

Očekávám, že agenti převezmou většinu rutinní práce: párování transakcí s platbami, označování transakcí, odsouhlasování účtů, časové rozlišení nákladů a mechanické části uzávěrky a výkaznictví. Jde o opakující se práci založenou na pravidlech, kterou se software může naučit.

Lidem zůstane rozhodování a odpovědnost. Účetní určí, kolik práce mohou agenti vykonávat samostatně, prověří výjimky, vysvětlí, proč se čísla změnila, a poradí firmě, jak dál postupovat. Za účetní knihy musí stále někdo nést odpovědnost.

Postupem času se účetnictví „nativně založené na AI“ stane základním očekáváním od finančního softwaru. Rozhodující bude, zda finanční týmy systému svěří svou hlavní účetní knihu a zda dokážou přesně zjistit, jak dospěl ke svým závěrům. Právě tuto laťku jsme si v Campfire stanovili a více než 400 společností, včetně Cursor, Clay, Polymarket a PostHog, už v něm vede své účetnictví.

Děkujeme za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více o účetnictví a plánování podnikových zdrojů nativně založených na AI, by měli navštívit Campfire.