Julio Martínez, Co-Founder og CEO af Abacum – Interview Serie

Julio Martínez, Co-founder og CEO i Abacum, er en fintech-entrepreneur med næsten to årtiers erfaring inden for investeringsbank, corporate development, venture-bygning og teknologiledelse på tværs af større globale finansielle centre. Han startede sin karriere i finansielle roller, der dækkede kapitalmarkeder, M&A og private equity, før han skiftede til fintech, hvor han hjalp med at lancere og skala multiple digitale finansielle produkter og platforme. Før Abacum var han med til at co-founde og skala Banco Sabadells corporate venturing-arm, hvor han ledede produktlanceringer, strategiske investeringer og opkøb på tværs af Europa, Amerika og Asien. I dag, som CEO af Abacum, anvender han dyb operationel finansielle ekspertise til at bygge værktøjer, der moderniserer, hvordan finansteam planlægger, forudser og driver forretningspræstation.

Abacum er en AI-naturlig finansielle planlægnings- og analyseplatform (FP&A) designet til at hjælpe mid-markeds finansteam med at simplificere og modernisere planlægning, forudsigelse, rapportering og budgettering ved at tilknytte operationelle og finansielle data med samarbejdende arbejdsgange og automatiserede indsigt. Bygget til at erstatte manuelle regnearksdrevne processer, centraliserer platformen realtidsdata, understøtter avanceret scenarie-modellering og multi-dimensionel finansielle modellering, automatiserer repetitive opgaver som rapportering og forudsigelsesopdateringer og integrerer med hundredvis af systemer for at give teamene en enkelt sandhedskilde. Abacums funktioner driver præcision, effektivitet og strategisk beslutningstagning, hvilket ermöglicer finansielle organisationer at reducere manuelt arbejde, accelerere planlægningscykler og fokusere på vækst-orienterede indsigt

I næsten to årtier har du arbejdet i finans og fintech, før du co-fundede Abacum. Hvad var de specifikke frustrationer med, hvordan finansteam planlagde, forudsagde og rapporterede præstation, der gjorde, at du og Jorge indså, at værktøjerne, I brugte, ikke var egnede til formålet, og at I havde brug for at bygge det produkt, I ønskede selv?

Jeg indså, at finans tabte indflydelse, ikke fordi analysen var forkert, men fordi den ankom for sent. På tværs af banking, fintech og high-growth startups mødte jeg konstant det samme øjeblik. I en direktørmøde ville nogen spørge en rimelig spørgsmål som: “Hvor mange måneders løbebane har vi virkelig, hvis vi sænker rekruttering?” eller “Hvad sker der, hvis omsætningen falder næste kvartal?” Og kunne ikke svare rummet i realtid.

Det var ikke, fordi jeg ikke forstod forretningen eller fordi matematikken var svær. Problemet var strukturelt. Kontanter levede i ét system, headcount i et andet, omsætning et andet sted, og udgifter i regneark. For at svare med sikkerhed måtte man trække alt sammen, genopbygge modellen, afklare uoverensstemmelser og håbe, at intet gik galt.

Inden jeg kunne vende tilbage med et svar, var beslutningsvinduet lukket. Det var det virkelige problem. Finans tjener sin plads ved bordet gennem rigor, men holder sin plads gennem timing. Hvis man ikke kan møde op med beslutningsstøtte i minutter eller timer, mister man indflydelse, selvom analysen er perfekt en uge senere.

Det, der gjorde det værre, var den falske valg, finansteamene fik. De var enten ved at bruge regneark, der var fleksible og hurtige, men ødelæggelige og uregerlige. Eller legacy-platforme, der var kraftfulde, men antog en statisk forretning og krævede tung administration bare for at fungere.

Imens opererer moderne virksomheder i sprint, selv på direktørniveau. Planer skifter konstant. Beslutninger stablet op. Finans kan ikke være det team, der altid “vender tilbage med svaret”.

Det er derfor, vi co-fundede Abacum. Vi ønskede en planlægnings-system bygget til hastighed og tillid på samme tid, så finans kan anvende rigor tidligt nok til at forme retning, mens valgmulighederne stadig er forhandlbare.

Når du startede med at bygge Abacum i 2020, hvordan validerede du, at dette problem udstrakte sig langt ud over din egen erfaring og var delt af hurtigt voksende mid-markeds virksomheder?

Den første validering kom i en samtale, jeg forventede ville modbevise min tese. Jeg ringede til min co-founder Jorge, fordi han var den klogeste finansperson, jeg kendte, og jeg antog, han ville fortælle mig, der var en bedre måde, jeg havde overset.

I stedet sammenlignede vi noter i timevis og indså, at vi havde levet det samme mønster i forskellige miljøer. Finansteam er druknende i afklaring, konstant genopbyggende modeller og altid ét skridt bagud for forretningen. Det var det øjeblik, det klikkede for os. Dette var ikke en personlig fejl eller en proces-problem. Det var et strukturelt problem delt på tværs af virksomheder.

Vi talte derefter med CFO’er og finansielle ledere på tværs af brancher, geografier og vækstfaser. Sprogændringen ændrede sig, men historien ændrede sig ikke. “Vi er altid ved at genopbygge i stedet for at rådgive”.

Den dybere indsigt for os var, at dette fiasko gentager sig i cyklusser. Hver få år kommer en ny platform, der påstår at have løst FP&A. Så accelererer forretnings-tempoet igen. Nye værktøjer, nye metrikker, nye interessenter, nye planlægnings-rytmer. Systemet svulmer og brister under ændring.

Denne indsigt formede vores retning. Vi ønskede ikke at bygge en statisk løsning for en enkelt operativ model. Vi ønskede en platform, der ville forblive relevant, mens forretningen udvikler sig, hvilket bliver endnu mere kritisk i AI-æraen. At blive optaget i YC senere bekræftede, at dette var et globalt problem, ikke et niche-problem.

Abacum understøtter nu realtids-forudsigelse, scenarie-modellering og headcount-planlægning. På hvilket tidspunkt bevægede kunstig intelligens sig fra en fremtidig koncept til en grundlæggende del af platformens arkitektur?

AI var aldrig en eftertanke for os, men vi var meget bevidste om, hvornår og hvordan vi skulle anvende det. Finans er en tillids-forretning. Du kan ikke lægge intelligens oven på kaos og forvente troværdighed. Hvis data er rodet, definitioner er inkonsistente og modellen er skrøbelig, vil AI ikke løse det. Det vil blot skale forvirringen hurtigere.

Så vi startede med grundlæggende principper: en stærk data-lag, pålidelige integrationer og modellering-primitiver, der afspejler, hvordan forretninger faktisk fungerer. Fra dag én var AI-strategien at indbygge intelligens, hvor det skaber reel gevinst.

Det betød at anvende AI til høj-volumen, lav-dømmekraft-arbejde, der historisk forbruger tid og skaber fejl. Rensning og normalisering af indkommende data. Afklaring af uoverensstemmelser på tværs af systemer. Klassificering og tagging i skala. Overvågning af afvigelser tidligt, ikke ved månedsslut.

Når denne grundlæggelse er på plads, ændrer AI økonomien i planlægning. Scenarie-udforskning bliver økonomisk. Kompromiser kan testes i øjeblikket i stedet for at blive planlagt til en følgende møde dage senere.

Det er, når AI bliver grundlæggende. Ikke, når det kan generere en pæn graf eller en sammenfatning, men når det tillader finans at anvende rigor hurtigt nok til at påvirke en beslutning, mens den stadig er åben.

I hurtigt voksende virksomheder bor finansielle data ofte på tværs af mange systemer og opdateres konstant. Hvad var de største tekniske eller organisatoriske udfordringer i at omdanne denne fragmenterede data til et pålideligt, realtids-planlægnings-system?

At flytte data er ikke det største problem. De fleste moderne systemer er API-drevne, og integration-værktøjer findes. Den virkelige udfordring begynder efter, at data ankommer. Rå data er inkonsistente. Omsætning i CRM matcher ikke omsætning i ERP. Headcount i HR-systemer matcher ikke payroll. Selv grundlæggende metrikker som ARR eller løbebane betyder forskellige ting for forskellige team.

Hvis definitioner ikke er eksplisitte og enige, bliver hver forudsigelse til en debat. Udfordringen er tre-delt. Først en data-grundlæggelse, der opdateres kontinuerligt, mens kilde-systemer ændrer sig. Anden, en styret forretningsmodel, hvor beregninger er eksplisitte og konsekvente. Tredje, organisatorisk tilpasning, fordi realtids-planlægning kræver fælles definitioner og en fælles operativ rytme.

Styring er, hvad gør hastighed sikker. Realtids-planlægning fungerer kun, når tillid er bygget ind i arbejdsgangen, ikke boltet på som en politik-dokument eller en regneark-checkliste.

Set fra, hvad du ser på tværs af hundredvis af kunder, hvordan ændrer kontinuerlig, realtids-planlægning, hvordan CFO’er træffer beslutninger uge for uge, ikke kun ved bestyrelse eller budget-tid?

Finansens rol er skiftet fra periodisk gennemgang til kontinuerlig beslutningsstøtte.

Først er beslutnings-volumenet eksploderet. Finans er nu involveret i rekruttering, prissætning, GTM-investeringer, forlængelser, produkt-bets og operationelle kompromiser på en løbende basis.

Anden, data er aldrig “færdig”. Nye værktøjer, nye metrikker og nye interessenter betyder, at datasettet altid er i bevægelse. Forretningen kan ikke vente på en perfekt lukning for at gå videre.

I denne kontekst ændrer realtids-planlægning finans fra rapportering og forklaring til aktivt at forme retning. Løbebane bliver en levende begrænsning, ikke en kvartals-metrik. Scenarie-planlægning bliver en hyppig kompromis-samtale i stedet for en årlig øvelse.

De bedste finansteam er ikke blevet mindre rigorøse. De er blevet mere rigorøse tidligere. Det er skiftet.

Hvordan anvender Abacum AI anderledes end traditionel regel-baseret automatisering, og hvilke finansielle beslutninger kræver stadig stærk menneskelig dømmekraft?

De fleste AI i finans i dag starter ved slutningen af arbejdsgangen. Det antager, at din data allerede er ren og styret, og så tilføjer en chatbot til at spørgge eller sammenfatte indsigt. Det kan være nyttigt, men det springer det sværeste del af FP&A over.

Vi starter ved begyndelsen. Vi anvender AI, hvor mennesker tilføjer mindst værdi og laver de fleste fejl, såsom rensning, afklaring, klassificering, afvigelse-afklaring og hjælp til model-logik. Intelligens bor inden for arbejdsgangen, ikke i en separat chat-grænseflade.

AI reducerer også kompleksitets-afgiften, der holder team back. Mange platforme kræver specialiserede konsulenter eller eksperter, og skaber en afhængighed af “system-ejere”. AI skal sænke denne barriere. Finansteam skal kunne udtrykke intention og have systemet hjælpe med at konstruere logikken korrekt.

Dette er også, hvor vores midter-standpunkt har betydning. Historisk set havde finansteamene valget mellem værktøjer, der var fleksible, men skrøbelige, eller platforme, der var kraftfulde, men tunge at administrere. AI tvinger den samme falske valg: co-piloter, der er lette, men overfladiske, eller orkestrerings-systemer, der er kraftfulde, men også kræver, at man lærer en ny måde at arbejde på. Vi mener, at det rigtige svar er AI, der forsvinder ind i arbejdsgangen, og forbedrer planlægning uden at ændre, hvordan team arbejder.

Vedrørende dømmekraft er grænsen klar. AI kan accelerere analyse og udforskning, men beslutninger, der involverer kapital-allokering, rekrutterings-kompromiser, prissætning og strategisk prioritering, kræver stadig menneskelig kontekst og ansvar. CFO’en ejer opkaldet.

Når modeller bliver mere prædictive, hvordan tænker du over tillid og forklarbarhed for finansielle ledere, der skal stå bag tallene?

I finans er “retningen korrekt” ikke nok. Finansielle ledere er ansvarlige for de tal, de præsenterer. Hvis du ikke kan forklare en forudsigelse, kan du ikke bruge den i en beslutningssamtale.

Tillid starter med en deterministisk grundlæggelse. Konsekvente definitioner. Afklarede data. Gennemsigtig logik. Prædictiv intelligens fungerer kun, når det er bygget på noget solidt.

Forklarbarhed er, hvad omdanner indsigt til handling. CFO’er skal kunne svare hurtigt, hvad der ændrede sig, hvorfor det ændrede sig, hvilke drivere ændrede sig, og hvilke antagelser er ansvarlige for forskellige udfald.

Styring kan ikke leve i statiske kontroller længere. Det må være indbygget i arbejdsgangen, så antagelser er synlige, logik er sporbare, og hver scenarie efterlader en klar optegnelse. Målet er ikke at fjerne mennesker fra løkken, men at hjælpe dem med at udøve dømmekraft tidligere, med mere tillid.

Du har gennemgået både tidlig acceleration og senere vækstfinansiering. Hvordan påvirkede disse faser, hvor aggressivt du investerede i AI versus kerne-produktets grundlæggelse?

Tidlig finansiering tvang disciplin. Vi kunne ikke jagte skinnende objekter. Vi måtte tjene tillid ved at bygge grundlæggelserne: pålidelige integrationer, stærke data-modeller og en planlægnings-motor, der ikke brød, når forretningen ændrede sig.

AI var altid en del af strategien, men vi nægtede at behandle det som en markedsførings-lag. Hvis AI ikke skabte reel gevinst inden for arbejdsgangen, skibede vi det ikke.

Da vi voksede, skiftede markedet. AI blev bord-stol. Hver enkelt leverandør kunne demonstrere en chatbot og være “AI-drevet”. Så var standarden flyttet fra optik til resultater. Gør AI hjælper finans med at træffe bedre beslutninger hurtigere, med sporbarehed, eller gør det kun producere imponerende udseende outputs?

Senere vækstfinansiering hævede også effektivitets-standardet. Teamene skulle gøre mere med mindre. Det forstærkede vores fokus på AI, der leverer målbart gevinst, ikke narrativ appel.

Du har satset på udvidelse i USA. Hvordan adskiller sig det amerikanske marked sig i sin parathed til at antage AI-naturlige finansielle platforme sammenlignet med andre regioner?

Amerikanske virksomheder bevæger sig hurtigt, og investor-forventninger er høje. CFO’er forventes at være dybt operationelle, ikke kun nøjagtige. De er kontinuerligt vejledende rekrutteringsplaner, GTM-investeringer, udgiftsbeslutninger og prioriteringer.

Det gør smerten af langsom planlægning mere akut. Når beslutninger sker ugentligt eller dagligt, kan finans ikke tillade sig at operere på en månedlig rytme. Indbygget intelligens bliver mindre et ønske og mere et krav.

Det amerikanske marked er også mere modtageligt for ideen om, at finansielle systemer skal være dynamiske, ikke statiske. Forventningen er ikke kun rapporterings-nøjagtighed, men beslutnings-støtte i den rytme, forretningen har brug for at bevæge sig.

Set frem til 2026, hvilke dele af finansielle planlægninger tror du vil blive primært automatiseret af AI, og hvor vil menneskelig dømmekraft forblive afgørende?

Lagene, der vil blive primært automatiseret, er de repetitive, lav-dømmekraft-opgaver, der forbruger disproportions-mæssigt tid i dag. Data-konsolidering, rensning, normalisering, afklaring, afvigelse-afklaring og baseline-rapportering skal køre kontinuerligt.

Forudsigelse og scenarie-generering vil blive accelereret dramatisk, men de vil ikke blive fuldstændigt deputeret. AI vil gøre det billigt at udforske muligheder og stress-teste antagelser, men kontekst-risiko og ansvar har stadig betydning.

Menneskelig dømmekraft vil forblive afgørende, hvoraf stakes er høje. Kapital-allokering. Rekrutterings-strategi. Prissætnings-beslutninger. Bestyrelses-narrativer. AI ændrer, om finans kan følge med beslutningens tempo. Det ændrer ikke, hvem der er ansvarlig for udfaldet.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Abacum.