John Glasgow, CEO, director financiero y fundador de Campfire – Serie de entrevistas

John Glasgow es CEO, director financiero y fundador de Campfire. Cuenta con experiencia en finanzas, fusiones y adquisiciones en el sector tecnológico y estrategia corporativa. Antes de fundar la empresa, trabajó en Adobe, Invoice2go y Bill.com, donde, entre otras cosas, ayudó a guiar a Invoice2go durante su adquisición por 625 millones de dólares. Su trabajo en departamentos financieros definió su interés por reemplazar los procesos que dependen de hojas de cálculo por sistemas contables que conservan el detalle de cada transacción y permiten automatizar tareas.

Campfire desarrolla una plataforma de planificación de recursos empresariales nativa de IA para equipos de finanzas y contabilidad que integra el libro mayor, la automatización de ingresos, la elaboración de informes y la gestión del cierre contable. Sus agentes Ember trabajan con los datos contables subyacentes para realizar tareas como conciliaciones y categorización de transacciones, mientras que Forecast separa los importes contabilizados, los comprometidos y las estimaciones generadas por IA. En esta entrevista, Glasgow habla sobre la arquitectura de la contabilidad nativa de IA, los límites entre la autonomía de los agentes y la aprobación humana, y cómo los equipos financieros pueden mantener la trazabilidad a medida que se amplía la automatización.

Tu carrera ha abarcado las finanzas, las fusiones y adquisiciones en el sector tecnológico y la estrategia en Adobe, Invoice2go y Bill.com, antes de que fundaras Campfire. ¿Qué observaste una y otra vez en los departamentos financieros que te convenció de que era necesario reconstruir el ERP subyacente, en lugar de limitarse a mejorarlo con otra capa de software?

La venta de Invoice2go a Bill.com por 625 millones de dólares me permitió ver el problema de cerca. Durante la diligencia debida, atendí más de 500 solicitudes recurriendo a hojas de cálculo, porque nuestra contabilidad de ingresos, nuestros informes de SaaS y nuestras consolidaciones estaban allí, en vez de en un sistema. Una empresa de ese tamaño seguía gestionando tareas financieras fundamentales con hojas de cálculo.

En Bill, donde dirigí las alianzas estratégicas y trabajé estrechamente con el director financiero, vi el mismo problema en distintos clientes. La gestión de nóminas, gastos y cuentas por pagar y por cobrar se había modernizado, pero los equipos financieros aún tenían que volver a un ERP diseñado para otra época.

El problema está en el propio libro mayor. Los ERP heredados reciben asientos resumidos de los sistemas de facturación, pagos, nóminas y otros, por lo que, cuando la información llega al libro mayor, ya se han perdido los detalles de las transacciones. Añadir otra capa de software no puede recuperar los datos que faltan. Quería un libro mayor que conservara los detalles y pudiera realizar el trabajo; para ello, había que reconstruir el ERP desde cero.

«Nativo de IA» se está convirtiendo en una descripción habitual en el software empresarial. Desde el punto de vista de la arquitectura, ¿qué diferencia fundamental hay entre un ERP nativo de IA y uno tradicional al que se le añade un modelo de lenguaje grande o un asistente de IA?

La diferencia fundamental es que un ERP nativo de IA se diseña en torno a los datos que necesitan los flujos de trabajo de IA para poder actuar.

Un asistente solo puede leer lo que almacena un ERP heredado. Si el ERP contiene resúmenes mensuales en lugar de detalles de cada transacción, la IA puede encontrar una cifra o redactar una explicación, pero no puede vincular transacciones de forma fiable, conciliar cuentas ni explicar cómo se creó un asiento. Campfire conserva todos los detalles de las transacciones y gestiona tanto el libro mayor como los libros auxiliares, lo que proporciona a sus agentes Ember los datos que necesitan para realizar el trabajo.

Otra diferencia es la trazabilidad. Cada acción de un agente está vinculada a los datos subyacentes del libro mayor y puede revisarse antes de contabilizarse.

La tercera diferencia es el propio modelo: Accounting Intelligence de Campfire se entrena con datos contables y escribe código para realizar tareas financieras, lo que permite reproducir los resultados. Eso es lo que permite a los agentes actuar, en lugar de limitarse a hacer sugerencias.

Campfire lanzó recientemente Forecast, que divide el mes en curso en cifras reales, comprometidas y estimadas por IA, en lugar de pedirle a la IA que pronostique todo el período. ¿Por qué lo diseñaste así y en qué aspectos crees que la IA es realmente útil para las previsiones financieras, frente a aquellos en los que deberían seguir prevaleciendo los datos contables deterministas?

Como director financiero, me pregunto cómo cerrará el mes cinco días o más antes de que termine, y para entonces ya se conoce buena parte de los resultados. Pedirle a la IA que pronostique todo el período supondría sustituir cifras conocidas por conjeturas. Por eso Forecast divide el mes en tres categorías:

Real: lo que ya se ha contabilizado en el libro mayor.

Comprometido: importes futuros conocidos de contratos, facturas, activos y arrendamientos que aún no se han contabilizado.

Estimado: la proyección de Ember para la parte realmente desconocida, basada en el historial y la estacionalidad de la empresa.

Creo que ahí es donde la IA resulta útil para las previsiones: en la parte que todavía nadie puede conocer. Los datos contables deterministas deberían regir todo lo que ya se sabe. Mezclarlos dificulta distinguir los hechos de las estimaciones. Si se mezclan, no se puede saber qué cifras se pueden respaldar al presentar la previsión al consejo de administración.

Si alguien me pregunta cómo obtuve una cifra, puedo abrirla y mostrar sus componentes reales, comprometidos y estimados, junto con las hipótesis de Ember. Forecast es una herramienta orientativa: nada de lo que genera se contabiliza automáticamente en el libro mayor, pero permite al equipo financiero anticipar cómo cerrará el mes y tomar decisiones empresariales antes de que termine.

Forecast permite a Ember estimar la parte desconocida del mes a partir de tendencias históricas y patrones estacionales, y también explica los supuestos en los que se basan esas estimaciones. ¿Cómo abordan las situaciones en las que los patrones históricos dejan de ser útiles de repente, por ejemplo, ante un crecimiento rápido, la pérdida de un cliente importante, una adquisición u otro acontecimiento inusual?

Esos son los meses en los que un director financiero más necesita una previsión, y por eso se divide en capas. Solo la parte estimada de Forecast depende de las tendencias históricas y los patrones estacionales. La capa de compromisos se basa en los contratos, las facturas, los activos y los arrendamientos que ya figuran en el libro mayor de Campfire, así que una adquisición, la pérdida de un cliente o un crecimiento rápido no cambia lo que ya se sabe.

Cuando el patrón cambia, por lo general el equipo de finanzas sabe por qué antes de que los datos lo reflejen, así que puede aportar contexto. Puede añadir una nota sobre lo que cambió, adjuntar algo como un plan de personal o conectar una fuente, como un CRM o un HRIS, mediante nuestra integración MCP. Ember utiliza ese contexto para volver a estimar la parte desconocida.

Cada estimación incluye también una explicación de una frase sobre los supuestos en los que se basa, así que, cuando presento la previsión, puedo mostrar qué es un hecho, qué está comprometido y qué se está proyectando.

Campfire ha desarrollado su propio modelo contable de gran escala, o LAM, en lugar de depender por completo de modelos de propósito general. ¿Qué han aprendido sobre las limitaciones de la IA de propósito general en contabilidad y qué debe comprender un modelo especializado que normalmente no comprenden los modelos de lenguaje de gran tamaño convencionales?

La contabilidad requiere respuestas reproducibles, no respuestas que solo parezcan verosímiles. Los modelos de propósito general son buenos para generar lenguaje, pero pueden tener dificultades con el razonamiento numérico y las clasificaciones contables, ámbitos en los que las mismas entradas deben producir siempre la misma respuesta.

En vez de pedirle a un modelo que razone directamente sobre datos financieros, hacemos que escriba SQL o Python para realizar el trabajo. El código es reproducible, algo importante para las auditorías, y permite a las empresas automatizar acciones sin que una persona tenga que aprobar cada resultado idéntico.

Nuestra Inteligencia Contable se entrena con datos contables y comprende aspectos como la estructura del plan de cuentas, los patrones de los proveedores y cómo debe ser una contabilidad bien llevada. También aprende del historial de transacciones de cada cliente. La precisión depende tanto del sistema que rodea al modelo como del propio modelo.

Los equipos de finanzas tienen una tolerancia inusualmente baja a los errores de la IA. A medida que los agentes empiezan a realizar conciliaciones, clasificar transacciones, preparar asientos e interactuar con el libro mayor, ¿dónde debería trazarse el límite entre la ejecución autónoma y la aprobación humana?

El límite debería depender de si se puede verificar una acción. Si un asiento es reproducible y se puede rastrear hasta los datos subyacentes del libro mayor, no debería ser necesario que una persona aprobara cada caso. Si no se puede explicar ni reproducir, una persona debería revisarlo antes de que se contabilice.

Así es como construimos Ember. Se registra cada acción de los agentes, se vincula con los datos subyacentes del libro mayor general (GL) y se puede revisar. Los equipos establecen umbrales de confianza que determinan qué gestiona Ember de forma autónoma y qué se deriva a una persona, y pueden ampliar esa autonomía a medida que los resultados se ganan su confianza.

Las personas siguen siendo responsables del criterio. Los contables deciden cuánto trabajo debería asumir Ember, revisan las excepciones y explican por qué cambiaron las cifras. Los agentes se encargan del trabajo repetitivo de cotejo, etiquetado y conciliación. TwelveLabs es un buen ejemplo: con tres contables a cargo de Estados Unidos y Corea, redujo a la mitad el tiempo de cierre y ahorró más de 300.000 dólares.

Campfire también ha presentado una tienda MCP que permite a Ember interactuar con sistemas externos, como plataformas de pago, CRM, compras y recursos humanos. ¿Creen que, a largo plazo, los ERP dejarán de ser sistemas de registro pasivos para convertirse en capas de orquestación donde los agentes de IA puedan operar en toda la infraestructura financiera?

Sí, siempre que el libro mayor siga siendo el sistema de registro. Históricamente, el ERP registraba el trabajo realizado en otros sistemas, por lo que la mayoría de las respuestas están fuera del libro mayor: una renovación en el CRM, una nueva contratación en el HRIS o una orden de compra en el sistema de compras. Si los agentes van a realizar el trabajo, también necesitan ese contexto, así que el ERP debe conectarse directamente con esos sistemas.

Los equipos de finanzas llevan años haciendo previsiones de esta manera: obtienen la cartera de oportunidades del CRM y los datos de plantilla del HRIS. Con Forecast, Ember lo hace en cuanto un equipo conecta esos sistemas, mientras que el libro mayor sigue siendo la fuente de verdad para todo lo que ya se conoce. El libro mayor sigue siendo la fuente de verdad, y los agentes pueden operar en los sistemas que lo rodean.

Tienen una perspectiva particularmente interesante sobre la economía de la IA porque son tanto CEO como CFO de una empresa de IA que presta servicios a otros equipos de finanzas. ¿Qué observan sobre cómo presupuestan hoy las empresas para la IA y creen que los precios de la IA empresarial dejarán de basarse en suscripciones por usuario para pasar a depender del uso, de los resultados o de algún otro modelo?

Estamos viendo cómo los presupuestos pasan de un gasto fijo basado en licencias por usuario a un consumo variable de IA, y muchos equipos de finanzas aún no están preparados para ello. A medida que los agentes asumen tareas que antes realizaban las personas, las empresas podrían necesitar menos licencias para usuarios humanos, aunque aumente su uso de la IA. Además, los proveedores están añadiendo créditos y cargos por exceso de uso a las tarifas por usuario, por lo que los equipos de finanzas deben calcular el posible costo del uso antes de firmar.

Espero que los modelos híbridos se vuelvan más comunes que los precios basados exclusivamente en resultados. Mi lado de director financiero quiere una base predecible, y mi lado de director ejecutivo necesita precios que reflejen el uso real.

Campfire recaudó 35 millones de dólares en una ronda Serie A y, apenas unas semanas después, otros 65 millones en una ronda Serie B. ¿Qué cambió en el mercado o en la demanda de los clientes durante ese período para que decidieran financiar la empresa de forma tan agresiva? ¿Y dónde ve la mayor oportunidad para que ese capital acelere el desarrollo del producto?

Ya teníamos una fuerte demanda antes de la ronda Serie A, pero la respuesta se aceleró de inmediato tras su cierre. Las empresas se pusieron en contacto con nosotros para solicitar demostraciones; muchas de ellas aún no conocían Campfire, y quedó claro que la demanda superaba nuestras previsiones.

Eso nos dio la oportunidad de invertir más agresivamente para satisfacer esa demanda, sobre todo cuando las empresas empezaron a estar dispuestas a dejar plataformas heredadas como NetSuite y Sage Intacct. Clientes como Replit muestran por qué: sus ingresos recurrentes anuales crecieron de 10 millones de dólares a más de 200 millones sin ampliar su equipo de contabilidad, compuesto por cuatro personas, y el cierre de sus ingresos pasó de ocho horas a 30 minutos.

Recaudamos 35 millones de dólares en nuestra ronda Serie A, liderada por Accel, y luego otros 65 millones en una ronda Serie B codirigida por Accel y Ribbit, con lo que alcanzamos un total de 100 millones de dólares en 12 semanas. Hemos utilizado ese capital para responder a la demanda y hemos pasado de 10 personas a más de 150, repartidas entre San Francisco, Nueva York y Londres.

La contabilidad nativa de IA se ha convertido rápidamente en una categoría competitiva, en la que empresas como Campfire y Rillet desafían a plataformas consolidadas como QuickBooks, NetSuite y Sage Intacct. Si miramos cinco años hacia el futuro, ¿qué partes de la contabilidad y la planificación de recursos empresariales (ERP) cree que los agentes de IA podrán gestionar casi por completo, y qué responsabilidades seguirán estando firmemente en manos de los profesionales financieros?

Espero que los agentes se encarguen de la mayor parte del trabajo rutinario: conciliar transacciones con pagos, etiquetar transacciones, realizar conciliaciones y ajustes por devengo, y gestionar los aspectos mecánicos del cierre y la elaboración de informes. Es un trabajo repetitivo, basado en reglas, que el software puede aprender a hacer.

El criterio y la responsabilidad seguirán correspondiendo a las personas. Los contables decidirán cuánto pueden gestionar los agentes de forma autónoma, revisarán las excepciones, explicarán por qué cambiaron las cifras y asesorarán a la empresa sobre los pasos siguientes. Alguien todavía tiene que responder por los libros contables.

Con el tiempo, la «nativa de IA» se convertirá en una expectativa básica para el software financiero. Lo que marcará la diferencia será que los equipos financieros confíen en el sistema para gestionar su libro mayor y puedan ver exactamente cómo llegó a sus conclusiones. Ese es el estándar que nos propusimos alcanzar con Campfire, y más de 400 empresas, entre ellas Cursor, Clay, Polymarket y PostHog, ya llevan su contabilidad con nuestra plataforma.

Gracias por esta excelente entrevista. Los lectores que quieran saber más sobre la contabilidad nativa de IA y la planificación de recursos empresariales pueden visitar Campfire.