John Glasgow, administrerende direktør, økonomidirektør og grundlægger af Campfire – interviewserie

John Glasgow er administrerende direktør, økonomidirektør og grundlægger af Campfire. Han har erfaring med finans, fusioner og opkøb inden for teknologi samt virksomhedsstrategi. Før han grundlagde virksomheden, arbejdede han hos Adobe, Invoice2go og Bill.com, hvor han blandt andet var med til at lede Invoice2go gennem virksomhedens opkøb for 625 millioner dollars. Hans arbejde i finansafdelinger har formet hans fokus på at erstatte regnearksafhængige processer med regnskabssystemer, der bevarer detaljer på transaktionsniveau og understøtter automatisering.

Campfire udvikler en AI-platform til ERP, der er bygget til finans- og regnskabsteams, og som samler hovedbogen, automatisering af omsætning, rapportering og styring af regnskabsafslutningen. Dens Ember-agenter arbejder med de underliggende regnskabsdata for at understøtte opgaver som afstemning og kategorisering af transaktioner, mens Forecast adskiller bogførte faktiske tal, forpligtede beløb og AI-genererede estimater. I dette interview taler Glasgow om arkitekturen bag AI-baseret regnskab, grænserne mellem agenters selvstændighed og menneskelig godkendelse samt om, hvordan finansafdelinger kan bevare sporbarheden, efterhånden som automatiseringen udvides.

Din karriere har omfattet finans, fusioner og opkøb inden for teknologi samt strategi hos Adobe, Invoice2go og Bill.com, før du grundlagde Campfire. Hvad så du gentagne gange i finansafdelinger, som overbeviste dig om, at det underliggende ERP-system skulle bygges om frem for blot at blive forbedret med endnu et lag software?

Salget af Invoice2go til Bill.com for 625 millioner dollars gjorde problemet tydeligt for mig. Under due diligence håndterede jeg over 500 forespørgsler ved hjælp af regneark, fordi vores omsætningsregnskab, SaaS-rapportering og konsolideringer lå dér i stedet for i et system. En virksomhed af den størrelse håndterede stadig kritiske finansopgaver i regneark.

Hos Bill, hvor jeg stod i spidsen for strategiske partnerskaber og arbejdede tæt sammen med økonomidirektøren, så jeg det samme problem hos kunderne. Løn, udgiftsstyring samt kreditor- og debitorstyring var blevet moderniseret, men finansafdelingerne var stadig nødt til at gå tilbage til et ERP-system, der var bygget til en tidligere tid.

Problemet ligger i selve hovedbogen. Ældre ERP-systemer modtager opsummerede posteringer fra fakturering, betalinger, løn og andre systemer, så transaktionsdetaljerne er væk, når oplysningerne når frem til hovedbogen. Et ekstra lag software kan ikke rette op på manglende data. Jeg ønskede en hovedbog, der bevarede detaljerne og kunne udføre arbejdet, hvilket krævede, at ERP-systemet blev bygget op fra bunden.

»AI-baseret« er ved at blive en almindelig beskrivelse af virksomhedssoftware. Hvad er det arkitektonisk set, der grundlæggende adskiller et AI-baseret ERP-system fra et traditionelt ERP-system, hvor man lægger en stor sprogmodel eller en AI-assistent oven på et eksisterende system?

Den grundlæggende forskel er, at et AI-baseret ERP-system er bygget op omkring de data, som AI-arbejdsgange skal bruge for at kunne handle.

En AI-assistent kan kun læse de data, et ældre ERP-system gemmer. Hvis ERP-systemet indeholder månedlige opsummeringer i stedet for detaljer på transaktionsniveau, kan AI finde et tal eller udarbejde en forklaring, men den kan ikke pålideligt matche transaktioner, afstemme konti eller forklare, hvordan en postering blev oprettet. Campfire bevarer alle transaktionsdetaljer og har både hovedbogen og underbøgerne, så virksomhedens Ember-agenter har de data, de skal bruge for rent faktisk at udføre arbejdet.

En anden forskel er sporbarheden. Hver handling, en agent udfører, er knyttet til de underliggende hovedbogsdata og kan gennemgås, før den bogføres.

Den tredje forskel er selve modellen: Campfires Accounting Intelligence er trænet på regnskabsdata og skriver kode til at udføre finansopgaver, så resultaterne kan genskabes. Det gør det muligt for agenterne at handle i stedet for blot at komme med forslag.

Campfire lancerede for nylig Forecast, som opdeler den aktuelle måned i faktiske, forpligtede og AI-estimerede tal i stedet for at bede AI forudsige hele perioden. Hvorfor har I designet løsningen sådan, og hvor mener du, at AI reelt er nyttig i finansiel prognosticering, og hvor bør deterministiske regnskabsdata fortsat være styrende?

Som økonomidirektør spørger jeg, hvor måneden ender, fem eller flere dage før den slutter, og på det tidspunkt er meget allerede kendt. Hvis man bad AI forudsige hele perioden, ville kendte tal blive erstattet af gæt. Derfor opdeler Forecast måneden i tre lag:

Faktiske tal: Det, der allerede er bogført i hovedbogen.

Forpligtede beløb: Kendte fremtidige beløb fra kontrakter, regninger, aktiver og leasingaftaler, som endnu ikke er bogført.

Estimerede tal: Embers fremskrivning af den del, der reelt er ukendt, baseret på virksomhedens historik og sæsonudsving.

Det er dér, jeg mener, AI hører hjemme i prognosticeringen: i den del, ingen endnu kan kende. Deterministiske regnskabsdata bør styre alt, der allerede er kendt. Hvis man blander de to, bliver det sværere at skelne fakta fra estimater. Når de blandes, kan man ikke se, hvilke tal man kan stå inde for, når prognosen fremlægges for bestyrelsen.

Når nogen spørger, hvordan jeg nåede frem til tallet, kan jeg åbne et hvilket som helst tal og vise de faktiske, forpligtede og estimerede bestanddele sammen med Embers antagelser. Forecast er vejledende; intet af det, løsningen producerer, bogføres automatisk i hovedbogen, men den giver finansafdelingen et forvarsel om, hvor måneden er på vej hen, så der er tid til at træffe forretningsmæssige beslutninger, inden måneden slutter.

Forecast gør det muligt for Ember at estimere den ukendte del af måneden ud fra historiske tendenser og sæsonudsving og samtidig forklare antagelserne bag estimaterne. Hvordan håndterer I situationer, hvor historiske mønstre pludselig ikke længere er brugbare, for eksempel ved hurtig vækst, tab af en stor kunde, et opkøb eller en anden usædvanlig hændelse?

Det er i de måneder, en CFO har mest brug for en prognose, og derfor er den opdelt i lag. Kun den estimerede del af Forecast afhænger af historiske tendenser og sæsonudsving. Det forpligtende lag bygger på kontrakter, regninger, aktiver og leasingaftaler, der allerede findes i Campfires hovedbog. Derfor ændrer et opkøb, tabet af en kunde eller hurtig vækst ikke på det, man allerede ved.

Når mønsteret ændrer sig, ved økonomiteamet som regel hvorfor, før det kan ses i dataene, og kan derfor bidrage med den nødvendige kontekst. De kan tilføje en note om, hvad der har ændret sig, vedhæfte noget som en bemandingsplan eller tilknytte en datakilde, for eksempel et CRM- eller HRIS-system, via vores MCP-integration. Ember bruger den kontekst til at estimere den ukendte del på ny.

Hvert estimat indeholder også en forklaring på én sætning om de antagelser, det bygger på. Når jeg fremlægger prognosen, kan jeg derfor vise, hvad der er fakta, hvad der er forpligtet, og hvad der er en fremskrivning.

Campfire har udviklet sin egen store regnskabsmodel, Large Accounting Model (LAM), i stedet for udelukkende at basere sig på generelle modeller. Hvad har I lært om begrænsningerne ved generel AI inden for regnskab, og hvad skal en specialiseret model forstå, som en traditionel LLM typisk ikke gør?

Regnskab kræver svar, der kan genskabes, ikke blot svar, der virker plausible. Generelle modeller er gode til at generere sprog, men kan have svært ved numerisk ræsonnement og regnskabsmæssig klassifikation, hvor de samme input skal give det samme svar hver gang.

I stedet for at bede en model om at ræsonnere direkte ud fra økonomiske data får vi den til at skrive SQL eller Python, der udfører arbejdet. Kode giver reproducerbare resultater, hvilket er vigtigt ved revision og gør det muligt for virksomheder at automatisere handlinger uden at kræve, at en person godkender hvert identisk resultat.

Vores Accounting Intelligence er trænet på regnskabsdata og forstår blandt andet kontoplanens struktur, leverandørmønstre og kendetegnene ved et korrekt ført regnskab. Den lærer også af hver enkelt kundes transaktionshistorik. Nøjagtigheden afhænger lige så meget af systemet omkring modellen som af selve modellen.

Økonomiteams har usædvanligt lav tolerance over for AI-fejl. Når agenter begynder at udføre afstemninger, kategorisere transaktioner, klargøre posteringer og arbejde med hovedbogen, hvor bør grænsen så gå mellem selvstændig udførelse og menneskelig godkendelse?

Grænsen bør afhænge af, om en handling kan kontrolleres. Hvis en postering kan genskabes og spores tilbage til de underliggende data i hovedbogen, bør en person ikke skulle godkende hver enkelt forekomst. Hvis den ikke kan forklares eller genskabes, bør en person gennemgå den, før den bogføres.

Sådan har vi bygget Ember. Alle handlinger udført af en agent logges, henføres til de underliggende data i hovedbogen (GL) og kan gennemgås. Teams fastsætter sikkerhedstærskler, der afgør, hvad Ember håndterer selvstændigt, og hvad der sendes videre til en person. De kan udvide graden af selvstændighed, efterhånden som resultaterne vinder deres tillid.

Det er stadig mennesker, der træffer de skønsmæssige beslutninger. Revisorer afgør, hvor meget Ember skal håndtere, gennemgår undtagelser og forklarer, hvorfor tallene har ændret sig. Agenterne tager sig af det gentagne arbejde med matchning, mærkning og afstemning. TwelveLabs er et godt eksempel: Med tre revisorer, der dækker USA og Korea, halverede virksomheden sin afslutningstid og sparede mere end 300.000 dollars.

Campfire har også introduceret en MCP-butik, hvor Ember kan arbejde med eksterne systemer såsom betalings-, CRM-, indkøbs- og HR-platforme. Ser du på sigt ERP-systemet udvikle sig fra et passivt registreringssystem til et orkestreringslag, hvor AI-agenter kan arbejde på tværs af hele den finansielle teknologistak?

Ja, så længe hovedbogen fortsat er det autoritative registreringssystem. Historisk set har ERP-systemet registreret arbejde, der blev udført andre steder, så de fleste svar findes uden for hovedbogen: en fornyelse i CRM-systemet, en nyansættelse i HRIS-systemet eller en indkøbsordre i indkøbssystemet. Hvis agenterne skal udføre arbejdet, har de også brug for den kontekst, så ERP-systemet skal have direkte forbindelse til de systemer.

Økonomiteams har udarbejdet prognoser på den måde i årevis ved at hente salgspipelinen fra CRM-systemet og bemandingen fra HRIS-systemet. Med Forecast gør Ember det samme, når et team har forbundet de systemer, mens hovedbogen fortsat er sandhedskilden for alt, man allerede ved. Hovedbogen forbliver sandhedskilden, mens agenter kan arbejde på tværs af de tilknyttede systemer.

Du har et særligt interessant perspektiv på AI-økonomi, fordi du både er CEO og CFO for en AI-virksomhed, der betjener andre økonomiteams. Hvad ser du i forhold til, hvordan virksomheder budgetterer til AI i dag, og forventer du, at prissætning af AI til virksomheder bevæger sig væk fra brugerbaserede abonnementer og over mod forbrug, resultater eller en anden model?

Vi ser budgetterne bevæge sig fra faste udgifter baseret på antal brugere til variabelt AI-forbrug, og mange økonomiteams er endnu ikke indrettet til det. Efterhånden som agenter overtager arbejde, som mennesker tidligere udførte, kan virksomheder få brug for færre menneskelige brugerkonti, samtidig med at deres AI-forbrug stiger. Leverandørerne lægger også forbrugskreditter og gebyrer for overforbrug oven i brugerafgifterne, så økonomiteams bør beregne de potentielle forbrugsomkostninger, før de skriver under.

Jeg forventer, at hybridmodeller bliver mere almindelige end ren resultatbaseret prissætning. Som CFO ønsker jeg en forudsigelig grundpris, og som CEO har jeg brug for en prissætning, der afspejler det faktiske forbrug.

Campfire rejste 35 millioner dollars i en serie A-runde og blot få uger senere 65 millioner dollars i en serie B-runde. Hvad ændrede sig på markedet eller i kundernes efterspørgsel i den periode, så I besluttede at investere så offensivt i virksomheden, og hvor ser du den største mulighed for at bruge kapitalen til at sætte fart på produktudviklingen?

Vi oplevede stor efterspørgsel allerede inden serie A-runden, men responsen tog straks fart, da den var afsluttet. Virksomheder kontaktede os for at få en demo, og mange af dem kendte ikke Campfire i forvejen. Det stod klart, at efterspørgslen oversteg vores forventninger.

Det gav os mulighed for at investere mere offensivt i at imødekomme efterspørgslen, især efterhånden som virksomheder blev villige til at forlade ældre platforme som NetSuite og Sage Intacct. Kunder som Replit viser hvorfor: Virksomheden voksede fra 10 millioner dollars til over 200 millioner dollars i årlig tilbagevendende omsætning uden at udvide sit regnskabsteam på fire personer, og månedsafslutningen for omsætningen blev reduceret fra otte timer til 30 minutter.

Vi rejste 35 millioner dollars i vores serie A-runde, ledet af Accel, efterfulgt af en serie B-runde på 65 millioner dollars, som Accel og Ribbit var fælles hovedinvestorer i. Dermed nåede vi op på i alt 100 millioner dollars på 12 uger. Vi har brugt kapitalen til at følge med efterspørgslen og er vokset fra 10 til over 150 medarbejdere fordelt på San Francisco, New York og London.

AI-native regnskabsføring er hurtigt blevet en konkurrencepræget kategori, hvor virksomheder som Campfire og Rillet udfordrer etablerede platforme som QuickBooks, NetSuite og Sage Intacct. Hvis vi ser fem år frem, hvilke dele af regnskabsføring og ERP forventer du, at AI-agenter næsten helt vil kunne håndtere, og hvilke ansvarsområder vil fortsat ligge helt fast hos menneskelige økonomimedarbejdere?

Jeg forventer, at agenter vil kunne håndtere det meste af rutinearbejdet: at matche transaktioner med betalinger, kategorisere transaktioner, afstemme regnskaber, periodisere og udføre de mekaniske dele af månedsafslutning og rapportering. Det er gentaget, regelbaseret arbejde, som software kan lære.

Det, der fortsat vil være menneskers ansvar, er dømmekraft og ansvarlighed. Revisorer vil beslutte, hvor meget agenter må håndtere selvstændigt, gennemgå undtagelser, forklare, hvorfor tallene har ændret sig, og rådgive virksomheden om, hvad den bør gøre som det næste. Nogen skal stadig stå til ansvar for regnskabet.

Med tiden bliver det en grundlæggende forventning, at økonomisoftware er AI-native. Det afgørende bliver, om økonomiteamene har tillid til systemet med deres hovedbog og kan se præcis, hvordan det er nået frem til sine konklusioner. Det er den standard, vi har bygget Campfire til at leve op til, og allerede nu fører over 400 virksomheder, herunder Cursor, Clay, Polymarket og PostHog, deres regnskaber i systemet.

Tak for et godt interview. Læsere, der gerne vil vide mere om AI-native regnskabsføring og ERP, kan besøge Campfire.