Julio Martínez, Mitgründer und CEO von Abacum – Interview-Serie

Julio Martínez, Mitgründer und CEO von Abacum, ist ein Fintech-Unternehmer mit fast zwei Jahrzehnten Erfahrung in den Bereichen Investmentbanking, Corporate Development, Venture Building und Technologieführung in großen globalen Finanzzentren. Er begann seine Karriere in Finanzrollen, die Kapitalmärkte, M&A und Private Equity abdeckten, bevor er in den Fintech-Bereich wechselte, wo er half, mehrere digitale Finanzprodukte und -plattformen zu starten und zu skalieren. Vor Abacum gründete und skalierte er den Corporate-Venturing-Arm von Banco Sabadell, der Produktstarts, strategische Investitionen und Akquisitionen in Europa, den Amerikas und Asien leitete. Heute, als CEO von Abacum, wendet er tiefgreifendes operatives Finanzwissen an, um Tools zu entwickeln, die die Art und Weise modernisieren, wie Finanzteams planen, prognostizieren und Geschäftsergebnisse steuern.

Abacum ist eine AI-natives Finanzplanungs- und Analyseplattform (FP&A), die entwickelt wurde, um Finanzteams im Mittelstand bei der Vereinfachung und Modernisierung von Planung, Prognose, Berichterstattung und Budgetierung zu helfen, indem sie operative und finanzielle Daten mit kollaborativen Workflows und automatisierten Erkenntnissen verbindet. Die Plattform wurde entwickelt, um manuelle, spreadsheet-basierte Prozesse zu ersetzen, und centralisiert Echtzeit-Daten, unterstützt erweiterte Szenario-Modellierung und mehrdimensionale Finanzmodellierung, automatisiert repetitive Aufgaben wie Berichterstattung und Prognose-Updates und integriert sich mit Hunderten von Systemen, um Teams eine einzige Wahrheitsquelle zu bieten. Die Funktionen von Abacum fördern Genauigkeit, Effizienz und strategische Entscheidungsfindung, sodass Finanzorganisationen manuelle Arbeit reduzieren, Planungszyklen beschleunigen und sich auf wachstumsorientierte Erkenntnisse konzentrieren können.

Sie haben fast zwei Jahrzehnte in der Finanz- und Fintech-Branche gearbeitet, bevor Sie Abacum gegründet haben. Welche spezifischen Frustrationen mit der Art und Weise, wie Finanzteams Leistung planten, prognostizierten und berichteten, machten Ihnen und Jorge klar, dass die Tools, die Sie verwendeten, nicht zweckmäßig waren und dass Sie das Produkt bauen mussten, das Sie sich selbst gewünscht hätten?

Ich erkannte, dass die Finanzbranche nicht deshalb an Einfluss verlor, weil die Analyse falsch war, sondern weil sie zu spät kam. In Banken, Fintech-Unternehmen und Start-ups mit hohem Wachstum stieß ich immer wieder auf das gleiche Problem. In einem Vorstandsmeeting fragte jemand etwas Vernünftiges wie: “Wie viele Monate haben wir wirklich noch, wenn wir die Einstellungen verlangsamen?” oder “Was passiert, wenn der Umsatz im nächsten Quartal zurückgeht?” Und konnte nicht sofort antworten.

Es lag nicht daran, dass ich das Geschäft nicht verstand oder dass die Mathematik schwierig war. Das Problem war strukturell. Bargeld lebte in einem System, die Kopfzahl in einem anderen, der Umsatz irgendwo anders und die Ausgaben in Tabellen. Um mit Sicherheit zu antworten, musste man alles zusammenziehen, das Modell neu aufbauen, Ungereimtheiten ausgleichen und hoffen, dass nichts kaputtging.

Bis ich mit einer Antwort zurückkehren konnte, war das Entscheidungsfenster geschlossen. Das war das eigentliche Problem. Die Finanzbranche verdient ihren Sitz am Tisch durch Strenge, aber behält ihn durch Timing. Wenn man nicht in der Lage ist, innerhalb von Minuten oder Stunden mit zuverlässiger Entscheidungsunterstützung aufzutauchen, verliert man Einfluss, auch wenn die Analyse eine Woche später perfekt ist.

Was es schlimmer machte, war die falsche Wahl, die Finanzteams hatten. Sie konnten entweder Tabellen verwenden, die flexibel und schnell waren, aber zerbrechlich und ungeregelt, oder Legacy-Plattformen, die leistungsstark, aber statisch und schwer zu verwalten waren.

Währenddessen operieren moderne Unternehmen in Sprints, sogar auf Vorstandsebene. Pläne ändern sich ständig. Entscheidungen stapeln sich. Die Finanzbranche kann es sich nicht leisten, das Team zu sein, das immer “mit der Antwort kommt”.

Deswegen gründeten wir Abacum. Wir wollten ein Planungssystem, das für Geschwindigkeit und Vertrauen gleichzeitig ausgelegt war, damit die Finanzbranche Strenge anwenden kann, bevor die Richtung noch verhandelbar ist.

Als Sie 2020 mit dem Aufbau von Abacum begannen, wie validierten Sie, dass dieses Problem über Ihre eigene Erfahrung hinausging und von schnell wachsenden mittelständischen Unternehmen geteilt wurde?

Die erste Validierung kam in einem Gespräch, das ich erwartete, meine These zu widerlegen. Ich rief meinen Mitgründer Jorge an, weil er der intelligenteste Finanzmann war, den ich kannte, und ich annahm, er würde mir sagen, dass es eine bessere Möglichkeit gab, die ich irgendwie verpasst hatte.

Stattdessen verglichen wir Notizen für Stunden und erkannten, dass wir das gleiche Muster in verschiedenen Umgebungen erlebt hatten. Finanzteams ertrinken in Abstimmungen, bauen ständig Modelle neu auf und sind immer einen Schritt hinter dem Unternehmen. Das war der Moment, in dem es für uns klickte. Dies war kein persönliches Versagen oder ein Prozessproblem. Es war ein strukturelles Problem, das in Unternehmen weit verbreitet war.

Wir sprachen dann mit CFOs und Finanzführern aus verschiedenen Branchen, geografischen Regionen und Wachstumsstadien. Die Sprache änderte sich, aber die Geschichte nicht. “Wir bauen ständig um, anstatt zu beraten.”

Der tiefere Einblick für uns war, dass dieses Versagen in Zyklen wiederholt wird. Jedes paar Jahre behauptet eine neue Plattform, FP&A gelöst zu haben. Dann beschleunigt sich das Tempo des Geschäfts wieder. Neue Tools, neue Kennzahlen, neue Stakeholder, neue Planungsrhythmen. Das System schwabbelt und bricht unter Veränderungen.

Diese Erkenntnis prägte unsere Richtung. Wir wollten keine statische Lösung für ein einzelnes Betriebsmodell bauen. Wir wollten eine Plattform, die auch dann noch relevant bleibt, wenn das Geschäft sich weiterentwickelt, was in der Ära von künstlicher Intelligenz noch kritischer wird. Die Zulassung zu YC später bestätigte, dass dies ein globales Problem und kein Nischenproblem war.

Abacum unterstützt jetzt Echtzeit-Prognosen, Szenario-Modellierung und Personalplanung. Zu welchem Zeitpunkt wurde künstliche Intelligenz von einem zukünftigen Konzept zu einem grundlegenden Bestandteil der Plattform-Architektur?

Künstliche Intelligenz war für uns nie ein Nachgedanke, aber wir waren sehr bewusst, wann und wie wir sie anwenden sollten. Die Finanzbranche ist ein Vertrauensgeschäft. Man kann nicht Intelligenz auf Chaos legen und erwarten, dass sie glaubwürdig ist. Wenn die Daten chaotisch sind, die Definitionen inkonsistent und das Modell zerbrechlich ist, wird künstliche Intelligenz es nicht beheben. Sie wird nur die Verwirrung schneller skalieren.

Also begannen wir mit den Grundlagen: einer starken Datenbasis, zuverlässigen Integrationen und Modellierungsprimitiven, die widerspiegeln, wie Unternehmen tatsächlich arbeiten. Von Tag eins an war die KI-Strategie, Intelligenz dort einzubetten, wo sie echte Hebelwirkung schafft.

Das bedeutete, KI auf hohe Volumina, niedrige Urteilsarbeiten anzuwenden, die historisch Zeit und Fehler verursachen. Daten reinigen und normalisieren. Ungereimtheiten über Systeme hinweg ausgleichen. Klassifizieren und markieren im großen Maßstab. Anomalien frühzeitig aufdecken, nicht erst am Monatsende.

Sobald diese Grundlage gelegt ist, ändert KI die Ökonomie der Planung. Szenario-Exploration wird wirtschaftlich. Kompromisse können im Moment getestet werden, anstatt für ein Follow-up-Meeting Tage später geplant zu werden.

Das ist der Zeitpunkt, an dem KI grundlegend wird. Nicht, wenn sie eine schöne Grafik oder eine Zusammenfassung erzeugen kann, sondern wenn sie es der Finanzbranche ermöglicht, Strenge schnell genug anzuwenden, um die Richtung zu beeinflussen, während die Entscheidung noch verhandelbar ist.

In schnell wachsenden Unternehmen lebt Finanzdaten oft in vielen Systemen und aktualisiert sich ständig. Welche waren die härtesten technischen oder organisatorischen Herausforderungen, um diese fragmentierten Daten in ein zuverlässiges Echtzeit-Planungssystem umzuwandeln?

Daten zu bewegen, ist nicht das härteste Problem. Die meisten modernen Systeme sind API-getrieben, und Integrations-Tooling existiert. Die echte Herausforderung beginnt, nachdem die Daten angekommen sind. Rohdaten sind inkonsistent. Umsatz in CRM stimmt nicht mit Umsatz in ERP überein. Kopfzahl in HR-Systemen stimmt nicht mit der in der Gehaltsabrechnung überein. Sogar grundlegende Kennzahlen wie ARR oder Laufzeit bedeuten unterschiedliche Dinge für verschiedene Teams.

Wenn Definitionen nicht explizit und vereinbart sind, wird jede Prognose zu einer Debatte. Die Herausforderung ist dreifach. Erstens eine Datenbasis, die kontinuierlich aktualisiert wird, wenn Quellsysteme ändern. Zweitens ein reglementiertes Geschäftsmodell, in dem Berechnungen explizit und konsistent sind. Drittens organisatorische Ausrichtung, da Echtzeit-Planung eine gemeinsame Definition und einen gemeinsamen Betriebsrhythmus erfordert.

Reglementierung ist, was Geschwindigkeit sicher macht. Echtzeit-Planung funktioniert nur, wenn Vertrauen in den Arbeitsablauf integriert ist, nicht als Richtlinien-Dokument oder Tabellen-Checkliste angehängt.

Aus dem, was Sie bei Hunderten von Kunden sehen, wie ändert sich die kontinuierliche Echtzeit-Planung, wie CFOs Woche für Woche Entscheidungen treffen, nicht nur bei Vorstands- oder Budget-Zeit?

Die Rolle der Finanzbranche hat sich von periodischer Überprüfung zu kontinuierlicher Entscheidungsunterstützung verschoben.

Erstens hat sich das Entscheidungsvolumen explosionsartig erhöht. Die Finanzbranche ist jetzt in Einstellungen, Preissetzungen, GTM-Investitionen, Verlängerungen, Produktwetten und operativen Kompromissen auf laufender Basis involviert.

Zweitens ist Daten nie “fertig”. Neue Tools, neue Kennzahlen und neue Stakeholder bedeuten, dass die Datensatz immer in Bewegung ist. Das Unternehmen kann nicht auf einen perfekten Abschluss warten, um voranzukommen.

In diesem Kontext ändert Echtzeit-Planung die Finanzbranche von Berichterstattung und Erklärung zu aktiver Richtungsbestimmung. Laufzeit wird zu einer lebendigen Einschränkung, nicht zu einer quartalsweisen Kennzahl. Szenario-Planung wird zu einem häufigen Kompromiss-Gespräch, nicht zu einem jährlichen Übung.

Die besten Finanzteams werden nicht weniger streng. Sie werden strenger früher. Das ist der Wandel.

Wie wendet Abacum KI anders an als traditionelle regelbasierte Automatisierung, und welche finanziellen Entscheidungen erfordern immer noch starke menschliche Urteilsfähigkeit?

Die meisten KI-Anwendungen in der Finanzbranche heute beginnen am Ende des Arbeitsablaufs. Sie nehmen an, dass Ihre Daten bereits sauber und reglementiert sind, und fügen dann einen Chatbot hinzu, um sie zu abfragen oder Erkenntnisse zusammenzufassen. Das kann hilfreich sein, aber es überspringt den härtesten Teil von FP&A.

Wir beginnen am Anfang. Wir wenden KI an, wo Menschen am wenigsten Wert hinzufügen und die meisten Fehler machen, wie z.B. Reinigung, Abstimmung, Klassifizierung, Anomalie-Erkennung und Unterstützung bei der Modelllogik. Intelligenz lebt im Arbeitsablauf, nicht in einer separaten Chat-Schnittstelle.

KI reduziert auch die Komplexitätssteuer, die Teams behindert. Viele Plattformen erfordern spezialisierte Berater oder Experten, was eine Abhängigkeit von “System-Eignern” schafft. KI sollte diese Barriere senken. Finanzteams sollten in der Lage sein, ihre Absicht auszudrücken und das System sollte ihnen helfen, die Logik richtig zu konstruieren.

Dies ist auch der Punkt, an dem unsere mittlere Haltung wichtig ist. Historisch mussten Finanzteams zwischen Tools wählen, die flexibel, aber zerbrechlich oder leistungsstark, aber schwer zu verwalten waren. KI zwingt jetzt zu dem gleichen falschen Kompromiss: Co-Piloten, die einfach, aber oberflächlich sind, oder Orchestrierungssysteme, die leistungsstark, aber auch eine neue Arbeitsweise erfordern. Während wir glauben, dass die richtige Antwort KI ist, die im Arbeitsablauf verschwindet und die Planung verbessert, ohne die Art und Weise zu ändern, wie Teams operieren.

Was Urteilsfähigkeit angeht, ist die Grenze klar. KI kann Analyse und Exploration beschleunigen, aber Entscheidungen, die Kapitalzuweisung, Einstellungs-Kompromisse, Preissetzungen und strategische Priorisierung betreffen, erfordern immer noch menschliche Kontext und Verantwortung. Der CFO besitzt den Anruf.

Wie denken Sie über Vertrauen und Erklärbarkeit für Finanzführer nach, die hinter den Zahlen stehen müssen, wenn Modelle prädiktiver werden?

In der Finanzbranche reicht “richtig” nicht aus. Finanzführer sind für die Zahlen verantwortlich, die sie präsentieren. Wenn Sie eine Prognose nicht erklären können, können Sie sie nicht in einer Entscheidungskonversation verwenden.

Vertrauen beginnt mit einer deterministischen Grundlage. Konsistente Definitionen. Abgestimmte Daten. Transparente Logik. Prädiktive Intelligenz funktioniert nur, wenn sie auf etwas Festem aufbaut.

Erklärbarkeit ist, was Erkenntnisse in Aktion umwandelt. CFOs müssen schnell beantworten können, was sich geändert hat, warum es sich geändert hat, welche Treiber sich bewegt haben und welche Annahmen für unterschiedliche Ergebnisse verantwortlich sind.

Reglementierung kann nicht mehr in statischen Kontrollen leben. Sie muss im Arbeitsablauf eingebettet sein, damit Annahmen sichtbar, Logik nachvollziehbar und jede Szenario eine klare Aufzeichnung hinterlässt. Das Ziel ist nicht, Menschen aus der Schleife zu entfernen, sondern ihnen zu helfen, Urteilsfähigkeit früher mit mehr Vertrauen auszuüben.

Sie haben sowohl Early-Acceleration als auch Later-Stage-Growth-Finanzierung durchlaufen. Wie haben diese Phasen Ihre Investitionen in KI im Vergleich zu den Kernprodukt-Grundlagen beeinflusst?

Frühe Finanzierung zwang uns zur Disziplin. Wir konnten nicht hinter glänzenden Objekten herlaufen. Wir mussten Vertrauen aufbauen, indem wir die Grundlagen schufen: zuverlässige Integrationen, starke Datenmodelle und eine Planungsmaschine, die nicht brach, wenn das Geschäft sich änderte.

KI war immer Teil der Strategie, aber wir weigerten uns, sie wie eine Marketing-Schicht zu behandeln. Wenn KI nicht echte Hebelwirkung innerhalb des Arbeitsablaufs schuf, haben wir sie nicht ausgeliefert.

Als wir wuchsen, änderte sich der Markt. KI wurde zum Standard. Jeder Anbieter konnte einen Chatbot demonstrieren und “KI-getrieben” sein. Also hatte sich die Latte von Optik zu Ergebnissen verschoben. Hilft KI der Finanzbranche, bessere Entscheidungen schneller zu treffen, mit Nachvollziehbarkeit, oder produziert sie nur beeindruckende Ausgaben?

Spätere Wachstumsfinanzierung erhöhte auch den Effizienzstandard. Teams wurden erwartet, mehr mit weniger zu tun. Das verstärkte unsere Konzentration auf KI, die messbare Hebelwirkung liefert, nicht narrative Attraktivität.

Sie haben sich auf die US-Expansion konzentriert. Wie unterscheidet sich der US-Markt in seiner Bereitschaft, AI-nativen Finanzplattformen zu adoptieren, im Vergleich zu anderen Regionen?

US-Unternehmen bewegen sich schnell, und Investoren-Erwartungen sind hoch. CFOs werden tief operativ erwartet, nicht nur genau. Sie leiten ständig Einstellungspläne, GTM-Investitionen, Ausgabenentscheidungen und Priorisierungen.

Das macht den Schmerz der langsamen Planung akuter. Wenn Entscheidungen wöchentlich oder täglich getroffen werden, kann die Finanzbranche nicht auf einem monatlichen Rhythmus operieren. Eingebettete Intelligenz wird zu einer Notwendigkeit, nicht nur zu einem Nice-to-Have.

Der US-Markt ist auch offener für die Idee, dass Finanzsysteme dynamisch und nicht statisch sein sollten. Die Erwartung ist nicht nur Berichts-Genauigkeit, sondern Entscheidungsunterstützung im Tempo, das das Geschäft benötigt, um zu bewegen.

Blickt man auf 2026, welche Teile der Finanzplanung werden voraussichtlich weitgehend durch KI automatisiert, und wo wird menschliche Urteilsfähigkeit immer noch unerlässlich sein?

Die Schichten, die weitgehend automatisiert werden, sind die repetitiven, niedrigen Urteilsarbeiten, die heute unverhältnismäßig viel Zeit verbrauchen. Datenkonsolidierung, Reinigung, Normalisierung, Abstimmung, Anomalie-Erkennung und Basis-Berichterstattung sollten kontinuierlich laufen.

Prognostizierung und Szenario-Generierung werden dramatisch beschleunigt, aber sie werden nicht vollständig delegiert. KI wird es billig machen, Optionen zu erkunden und Annahmen zu testen, aber Kontext-Risiko und Verantwortung bleiben wichtig.

Menschliche Urteilsfähigkeit wird immer noch unerlässlich sein, wo die Einsätze hoch sind. Kapitalzuweisung. Einstellungsstrategie. Preissetzungen. Vorstands-Narrative. KI ändert, ob die Finanzbranche mit dem Tempo der Entscheidungen Schritt halten kann. Sie ändert nicht, wer für das Ergebnis verantwortlich ist.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Abacum besuchen: Abacum.