John Glasgow, Campfiren toimitusjohtaja, talousjohtaja ja perustaja – haastattelusarja

John Glasgow on Campfiren toimitusjohtaja, talousjohtaja ja perustaja. Hänellä on kokemusta rahoitusalalta, teknologia-alan yrityskaupoista ja -fuusioista sekä yritysstrategiasta. Ennen yrityksen perustamista hän työskenteli Adobella, Invoice2golla ja Bill.comilla ja oli muun muassa mukana viemässä Invoice2goa sen 625 miljoonan dollarin yritysostoon. Rahoitusorganisaatioissa työskentely sai hänet keskittymään taulukkolaskentaan nojaavien prosessien korvaamiseen kirjanpitojärjestelmillä, jotka säilyttävät tapahtumakohtaiset tiedot ja tukevat automaatiota.

Campfire kehittää rahoitus- ja kirjanpitotiimeille toiminnanohjausalustaa, joka on rakennettu tekoälyn ehdoilla ja yhdistää pääkirjan, liikevaihdon automaation, raportoinnin ja tilikauden päätöksen hallinnan. Sen Ember-agentit hyödyntävät taustalla olevia kirjanpitotietoja esimerkiksi täsmäytyksessä ja tapahtumien luokittelussa, kun taas Forecast erottaa kirjatut toteutuneet luvut, sitoutuneet summat ja tekoälyn tuottamat arviot toisistaan. Tässä haastattelussa Glasgow kertoo tekoälyn ehdoilla rakennetun kirjanpidon arkkitehtuurista, agenttien itsenäisen toiminnan ja ihmisen hyväksynnän rajoista sekä siitä, miten rahoitustiimit voivat varmistaa jäljitettävyyden automaation lisääntyessä.

Urasi on kattanut rahoitusalan, teknologia-alan yrityskaupat ja -fuusiot sekä strategiatyön Adobella, Invoice2golla ja Bill.comilla ennen kuin perustit Campfiren. Mitä näit toistuvasti rahoitusorganisaatioissa, mikä sai sinut vakuuttumaan siitä, että taustalla oleva toiminnanohjausjärjestelmä piti rakentaa uudelleen sen sijaan, että sitä olisi vain parannettu lisäämällä ohjelmistokerros?

Invoice2gon myynti Bill.comille 625 miljoonalla dollarilla sai minut näkemään ongelman läheltä. Due diligence -tarkastuksen aikana käsittelin yli 500 pyyntöä taulukkolaskentatiedostojen avulla, koska liikevaihdon kirjanpito, SaaS-raportointi ja konsernilaskenta hoidettiin niissä järjestelmän sijaan. Sen kokoinen yritys hoiti yhä kriittisiä taloushallinnon tehtäviä taulukkolaskentatiedostoissa.

Billillä johdin strategisia kumppanuuksia ja työskentelin tiiviisti talousjohtajan kanssa. Näin saman ongelman asiakkaiden keskuudessa: palkanlaskenta, menojen hallinta sekä ostovelat ja myyntisaamiset oli uudistettu, mutta rahoitustiimien oli yhä palattava käyttämään toiminnanohjausjärjestelmää, joka oli rakennettu aiempaa aikakautta varten.

Ongelma on itse pääkirjassa. Vanhoihin toiminnanohjausjärjestelmiin saapuu laskutuksen, maksujen, palkanlaskennan ja muiden järjestelmien yhteenvetokirjauksia, joten tapahtumakohtaiset tiedot ovat kadonneet siinä vaiheessa, kun tiedot päätyvät pääkirjaan. Puuttuvia tietoja ei voi korjata lisäämällä uuden ohjelmistokerroksen. Halusin pääkirjan, joka säilyttää yksityiskohtaiset tiedot ja pystyy tekemään työn, mikä tarkoitti toiminnanohjausjärjestelmän rakentamista uudelleen alusta alkaen.

”Tekoälyn ehdoilla rakennettu” on yleistymässä kuvauksena yritysohjelmistoista. Miten tekoälyn ehdoilla rakennettu toiminnanohjausjärjestelmä eroaa arkkitehtuuriltaan perustavanlaatuisesti perinteisestä toiminnanohjausjärjestelmästä, jonka päälle lisätään suuri kielimalli tai tekoälyavustaja?

Perustavanlaatuinen ero on siinä, että tekoälyn ehdoilla rakennettu toiminnanohjausjärjestelmä rakentuu niiden tietojen ympärille, joita tekoälytyönkulut tarvitsevat voidakseen suorittaa tehtäviä.

Tekoälyavustaja voi lukea vain sen, mitä vanha toiminnanohjausjärjestelmä tallentaa. Jos järjestelmässä on kuukausittaisia yhteenvetoja tapahtumakohtaisten tietojen sijaan, tekoäly voi löytää luvun tai laatia selityksen, mutta se ei pysty luotettavasti kohdistamaan tapahtumia, täsmäyttämään tilejä tai selittämään, miten kirjaus on muodostettu. Campfire säilyttää kaikki tapahtumakohtaiset tiedot ja hallinnoi sekä pääkirjaa että apukirjanpitoja, joten sen Ember-agentit saavat käyttöönsä tiedot, joita ne tarvitsevat työn suorittamiseen.

Toinen ero on jäljitettävyys. Jokainen agentin tekemä toimenpide linkittyy taustalla oleviin pääkirjan tietoihin, ja sen voi tarkistaa ennen kirjaamista.

Kolmas ero liittyy itse malliin: Campfiren Accounting Intelligence on koulutettu kirjanpitotiedoilla, ja se kirjoittaa koodia taloustehtävien suorittamista varten, mikä tekee tuloksista toistettavia. Tämän ansiosta agentit voivat toimia pelkän ehdottamisen sijaan.

Campfire julkaisi hiljattain Forecastin, joka jakaa kuluvan kuukauden luvut toteutuneisiin, sitoutuneisiin ja tekoälyn arvioimiin lukuihin sen sijaan, että tekoälyä pyydettäisiin ennustamaan koko kuukautta. Miksi suunnittelitte sen tällä tavalla, ja missä tekoälystä on mielestäsi aidosti hyötyä talousennusteissa ja missä determinististen kirjanpitotietojen pitäisi säilyä määräävinä?

Talousjohtajana kysyn, mihin kuukauden luvut päätyvät, kun kuun loppuun on vielä vähintään viisi päivää, ja siinä vaiheessa kuukaudesta tiedetään jo paljon. Jos tekoälyä pyydettäisiin ennustamaan koko kuukausi, tiedossa olevat luvut korvattaisiin arvauksilla. Siksi Forecast jakaa kuukauden kolmeen osaan:

Toteutunut: jo pääkirjaan kirjatut luvut.

Sitoutunut: sopimuksiin, laskuihin, omaisuuseriin ja vuokrasopimuksiin perustuvat tiedossa olevat tulevat rahamäärät, joita ei ole vielä kirjattu.

Arvioitu: Emberin ennuste aidosti tuntemattomasta osuudesta yrityksen historian ja kausivaihtelun perusteella.

Tällaisessa ennustamisessa tekoäly on mielestäni hyödyllinen: siinä osuudessa, jota ei vielä voida tietää. Kaikkien jo tiedossa olevien lukujen pitää perustua deterministisiin kirjanpitotietoihin. Jos nämä kaksi yhdistetään, tosiasioita on vaikeampi erottaa arvioista. Yhdistelmästä on vaikea nähdä, minkä lukujen takana voi seistä, kun ennuste esitellään hallitukselle.

Kun joku kysyy, miten luku on saatu, voin avata minkä tahansa luvun ja näyttää sen toteutuneet, sitoutuneet ja arvioidut osat sekä Emberin oletukset. Forecast on päätöksenteon tukena: mitään sen tuottamaa ei kirjata automaattisesti pääkirjaan, mutta se antaa taloustiimille ajoissa ennakkotietoa kuukauden kehityssuunnasta, jotta liiketoimintapäätöksiä voidaan tehdä ennen kuun päättymistä.

Forecastin avulla Ember voi arvioida kuukauden tuntemattoman osuuden aiempien suuntausten ja kausivaihtelun perusteella sekä selittää samalla arvioiden taustalla olevat oletukset. Miten toimitte tilanteissa, joissa aiemmat mallit lakkaavat yhtäkkiä pätemästä esimerkiksi nopean kasvun, merkittävän asiakasmenetyksen, yritysoston tai muun poikkeuksellisen tapahtuman vuoksi?

Nämä ovat niitä kuukausia, jolloin talousjohtaja tarvitsee ennustetta eniten. Siksi ennuste on jaettu eri osiin. Vain Forecastin arvioitu osuus perustuu aiempiin suuntauksiin ja kausivaihteluun. Vahvistettu osuus perustuu Campfiren pääkirjassa jo oleviin sopimuksiin, laskuihin, omaisuuseriin ja vuokrasopimuksiin, joten yritysosto, asiakasmenetys tai nopea kasvu ei muuta jo tiedossa olevia asioita.

Kun suuntaus muuttuu, taloustiimi tietää yleensä syyn ennen kuin se näkyy datassa, joten tiimi voi antaa tilanteeseen liittyvää taustatietoa. Se voi lisätä huomautuksen muutoksesta, liittää esimerkiksi henkilöstösuunnitelman tai yhdistää tietolähteen, kuten CRM- tai HRIS-järjestelmän, MCP-integraatiomme kautta. Ember käyttää näitä taustatietoja arvioidakseen tuntemattoman osuuden uudelleen.

Jokaiseen arvioon sisältyy myös yhden virkkeen selitys sen taustalla olevista oletuksista, joten ennustetta esitellessäni voin näyttää, mikä on tosiasia, mikä on vahvistettu ja mitä ennustetaan.

Campfire on kehittänyt oman suuren kirjanpidon mallinsa eli LAM-mallin sen sijaan, että se luottaisi täysin yleiskäyttöisiin malleihin. Mitä olette oppineet yleiskäyttöisen tekoälyn rajoituksista kirjanpidossa, ja mitä erikoistuneen mallin on ymmärrettävä sellaista, mitä tavanomainen LLM ei yleensä ymmärrä?

Kirjanpidossa tarvitaan toistettavia vastauksia, ei vain uskottavilta kuulostavia. Yleiskäyttöiset mallit osaavat tuottaa kieltä, mutta niillä voi olla vaikeuksia numeerisessa päättelyssä ja kirjanpidon luokittelussa, joissa samojen syötteiden on aina tuotettava sama vastaus.

Sen sijaan, että pyytäisimme mallia päättelemään suoraan talousdatan pohjalta, annamme sen kirjoittaa työn suorittavaa SQL- tai Python-koodia. Koodi tuottaa toistettavia tuloksia, mikä on tärkeää auditoinnin kannalta ja antaa yrityksille mahdollisuuden automatisoida toimia ilman, että ihmisen tarvitsee hyväksyä jokaista samanlaista tulosta.

Accounting Intelligence -ratkaisumme on koulutettu kirjanpitodatan avulla, ja se ymmärtää muun muassa tilikartan rakenteen, toimittajien käyttäytymismallit ja sen, miltä hyvin hoidettu kirjanpito näyttää. Se oppii myös kunkin asiakkaan tapahtumahistoriasta. Tarkkuus riippuu yhtä paljon mallia ympäröivästä järjestelmästä kuin itse mallista.

Taloushallinnon tiimit sietävät tekoälyn virheitä poikkeuksellisen huonosti. Kun tekoälyagentit alkavat tehdä täsmäytyksiä, luokitella tapahtumia, valmistella kirjauksia ja käyttää pääkirjaa, missä kulkee raja itsenäisen suorittamisen ja ihmisen hyväksynnän välillä?

Rajan pitäisi riippua siitä, voidaanko toiminto tarkistaa. Jos kirjaus on toistettavissa ja jäljitettävissä taustalla olevaan pääkirjan dataan, ihmisen ei pitäisi joutua hyväksymään jokaista tapausta erikseen. Jos toimintoa ei voida selittää tai toistaa, ihmisen pitäisi tarkistaa se ennen kirjaamista.

Näin rakensimme Emberin. Jokainen agentin toiminto kirjataan lokiin, jäljitetään taustalla olevaan GL-dataan ja voidaan tarkistaa. Tiimit asettavat luottamusrajat, jotka määrittävät, mitä Ember hoitaa itsenäisesti ja mikä ohjataan ihmiselle. Ne voivat myös laajentaa itsenäistä toimintaa sitä mukaa, kun tulokset ansaitsevat luottamuksen.

Ihmiset vastaavat silti harkinnasta. Kirjanpitäjät päättävät, kuinka paljon Emberin pitäisi hoitaa, tarkistavat poikkeustapaukset ja selvittävät, miksi luvut muuttuivat. Agentit ottavat vastuulleen toistuvat kohdistus-, luokittelu- ja täsmäytystyöt. TwelveLabs on hyvä esimerkki: kun kolme kirjanpitäjää hoiti Yhdysvaltojen ja Korean toimintoja, yhtiö puolitti tilinpäätösprosessiin kuluvan ajan ja säästi yli 300 000 dollaria.

Campfire on tuonut markkinoille myös MCP-kaupan, jonka avulla Ember voi käyttää ulkoisia järjestelmiä, kuten maksu-, CRM-, hankinta- ja HR-alustoja. Näetkö, että ERP-järjestelmästä tulee lopulta aiempaa vähemmän passiivinen tietojen tallennusjärjestelmä ja enemmän orkestrointikerros, jossa tekoälyagentit voivat toimia koko taloushallinnon järjestelmäkokonaisuudessa?

Kyllä, kunhan pääkirja säilyy tietojen ensisijaisena tallennuspaikkana. Perinteisesti ERP-järjestelmään on kirjattu muualla tehty työ, joten suurin osa vastauksista löytyy pääkirjan ulkopuolelta: CRM-järjestelmässä olevasta sopimuksen uusimisesta, HRIS-järjestelmän uudesta työntekijästä tai hankintajärjestelmän ostotilauksesta. Jos agenttien on tarkoitus tehdä työ, ne tarvitsevat myös nämä taustatiedot, joten ERP-järjestelmän on yhdistyttävä suoraan näihin järjestelmiin.

Taloushallinnon tiimit ovat ennustaneet tällä tavoin jo vuosia hakemalla myyntimahdollisuuksien tietoja CRM-järjestelmästä ja henkilöstömäärätietoja HRIS-järjestelmästä. Forecast hoitaa tämän Emberin avulla, kun tiimi on yhdistänyt järjestelmät, ja pääkirja säilyy kaiken jo tiedossa olevan tiedon luotettavana lähteenä. Pääkirja pysyy luotettavana lähteenä, ja agentit voivat toimia sen ympärillä olevissa järjestelmissä.

Sinulla on erityisen kiinnostava näkemys tekoälyn taloudesta, sillä toimit sekä tekoälyyrityksen toimitusjohtajana että talousjohtajana ja yrityksenne palvelee muita taloustiimejä. Miten yritykset budjetoivat tekoälyn käyttöä tällä hetkellä, ja uskotko yrityksille suunnattujen tekoälypalvelujen hinnoittelun siirtyvän käyttäjäkohtaisista tilauksista käyttöön tai tuloksiin perustuvaan hinnoitteluun tai johonkin muuhun malliin?

Budjetointi siirtyy meillä kiinteistä käyttäjäkohtaisista kuluista tekoälyn käytön mukaan vaihteleviin kustannuksiin, eivätkä monet taloustiimit ole vielä varautuneet siihen. Kun agentit hoitavat aiemmin ihmisten tekemää työtä, yritykset saattavat tarvita vähemmän käyttäjätunnuksia samalla, kun tekoälyn käyttö lisääntyy. Palveluntarjoajat lisäävät käyttäjämaksujen päälle myös krediittejä ja ylitysmaksuja, joten taloustiimien on arvioitava mahdolliset käyttökustannukset ennen sopimuksen allekirjoittamista.

Uskon, että hybridimallit yleistyvät puhtaasti tulospohjaista hinnoittelua enemmän. Talousjohtajana haluan ennakoitavan perushinnan, kun taas toimitusjohtajana tarvitsen hinnoittelun, joka vastaa todellista käyttöä.

Campfire keräsi 35 miljoonaa dollaria A-rahoituskierroksellaan, ja vain muutamaa viikkoa myöhemmin seurasi 65 miljoonan dollarin B-kierros. Mikä markkinoilla tai asiakkaiden kysynnässä muuttui tuona aikana niin, että päätitte hankkia yhtiölle näin paljon pääomaa näin nopeasti, ja missä näette suurimman mahdollisuuden käyttää tätä pääomaa tuotteen kehittämisen vauhdittamiseen?

Kysyntä oli vahvaa jo ennen A-kierrosta, mutta sen päätyttyä kiinnostus kasvoi välittömästi. Yritykset ottivat meihin yhteyttä ja pyysivät esittelyjä, ja monet niistä eivät olleet aiemmin kuulleet Campfiresta. Kävi selväksi, että kysyntä ylitti suunnittelemamme.

Tämä antoi meille mahdollisuuden panostaa voimakkaammin kysyntään vastaamiseen, etenkin kun yritykset alkoivat olla valmiita siirtymään pois vanhoilta alustoilta, kuten NetSuitelta ja Sage Intacctilta. Replitin kaltaiset asiakkaat havainnollistavat syyn: sen vuotuinen toistuva liikevaihto kasvoi 10 miljoonasta dollarista yli 200 miljoonaan dollariin ilman, että sen nelihenkinen kirjanpitotiimi kasvoi, ja liikevaihdon kuukausisulkuun kulunut aika lyheni kahdeksasta tunnista 30 minuuttiin.

Keräsimme A-rahoituskierroksellamme 35 miljoonaa dollaria Accelin johdolla, minkä jälkeen toteutimme 65 miljoonan dollarin B-kierroksen Accelin ja Ribbitin yhteisjohdolla. Yhteensä keräsimme 100 miljoonaa dollaria 12 viikossa. Olemme käyttäneet rahoituksen kysyntään vastaamiseen ja kasvaneet 10 työntekijästä yli 150:een San Franciscossa, New Yorkissa ja Lontoossa.

Tekoälynatiivista kirjanpidosta on nopeasti tullut kilpailtu alue, jolla Campfiren ja Rilletin kaltaiset yritykset haastavat vakiintuneita alustoja, kuten QuickBooksia, NetSuitea ja Sage Intacttia. Kun katsomme viiden vuoden päähän, mitkä kirjanpidon ja toiminnanohjauksen osa-alueet tekoälyagentit pystyvät mielestäsi hoitamaan lähes kokonaan, ja mitkä vastuut säilyvät selvästi talousalan ammattilaisilla?

Uskon agenttien hoitavan suurimman osan rutiinityöstä: tapahtumien kohdistamisen maksuihin, tapahtumien luokittelun, täsmäytykset, jaksotukset sekä tilinpäätös- ja raportointiprosessien mekaaniset työvaiheet. Kyse on toistuvasta, sääntöihin perustuvasta työstä, jonka ohjelmistot voivat oppia.

Ihmisille jäävät harkinta ja vastuu. Kirjanpitäjät päättävät, kuinka paljon agentit voivat hoitaa itsenäisesti, tarkastelevat poikkeuksia, selittävät lukujen muutoksia ja neuvovat yritystä seuraavista toimista. Jonkun on edelleen vastattava kirjanpidosta.

Ajan myötä tekoälynatiivisuudesta tulee taloushallinnon ohjelmistojen perusvaatimus. Erottavaksi tekijäksi muodostuu se, luottavatko taloustiimit järjestelmän käsiteltäväksi pääkirjansa ja näkevätkö ne tarkalleen, miten järjestelmä päätyi johtopäätöksiinsä. Tämän vaatimustason Campfire on suunniteltu täyttämään, ja yli 400 yritystä, kuten Cursor, Clay, Polymarket ja PostHog, hoitaa jo kirjanpitonsa sen avulla.

Kiitos hienosta haastattelusta. Lukijoiden, jotka haluavat oppia lisää tekoälynatiivista kirjanpidosta ja toiminnanohjauksesta, kannattaa tutustua palveluun Campfire.