Julio Martínez, Abacumin perustaja ja toimitusjohtaja – Haastattelusarja

Julio Martínez, Abacumin perustaja ja toimitusjohtaja, on fintech-yrittäjä, jolla on lähes kaksi vuosikymmentä kokemusta sijoituspankin, yrityskehityksen, venture-yritysten rakentamisen ja teknologian johtamisen parissa suurissa kansainvälisissä rahoituskeskuksissa. Hän aloitti uransa rahoituksessa, jossa hän kattoi pääomamarkkinat, yritysostot ja pääomasijoitukset, ennen kuin siirtyi fintechiin, jossa hän auttoi käynnistämään ja skaalaamaan useita digitaalisia rahoitustuotteita ja -alustoja. Ennen Abacumia hän perusti ja laajensi Banco Sabadellin yritysventuuriyksikön, jossa hän johti tuotejulkaisuja, strategisia sijoituksia ja yritysostojen tekemistä Euroopassa, Amerikassa ja Aasiassa. Nykyään Abacumin toimitusjohtajana hän soveltaa syvää operatiivisen rahoituksen asiantuntemusta rakentamaan työkaluja, jotka modernisoivat rahoitusjoukkueiden suunnittelun, ennustamisen ja liiketoiminnan suorituskyvyn ohjauksen.

Abacum on AI-käyttöön perustuva rahoitusennusteen ja -analytiikan (FP&A) alusta, joka on suunniteltu auttamaan keskisuurella markkinalla olevia rahoitusjoukkueita yksinkertaistamaan ja modernisoimaan suunnittelun, ennustamisen, raportoinnin ja budjetoinnin yhdistämällä toiminnalliset ja rahoitusdata yhteistyöllisten työnkulkujen ja automaattisten oivallusten kanssa. Rakennettu korvaamaan manuaaliset taulukkolaskentaan perustuvat prosessit, alusta keskittää reaaliaikaisen datan, tukee edistyneitä skenaariomalleja ja moniulotteista rahoitusmallinnusta, automatisoi toistuvat tehtävät, kuten raportoinnin ja ennusteen päivitykset, ja integroi satoihin järjestelmiin antaen joukkueille yhden totuuden lähteen. Abacumin ominaisuudet ajavat tarkkuutta, tehokkuutta ja strategista päätöksentekoa, mahdollistaen rahoitusorganisaatioiden vähentää manuaalista työtä, kiihdyttää suunnittelujaksoja ja keskittyä kasvua ohjaaviin oivalluksiin.

Käytit lähes kaksi vuosikymmentä rahoituksessa ja fintechissa ennen kuin perustit Abacumin. Mitkä tarkat pettymykset siinä, miten rahoitusjoukkueet suunnittelivat, ennustivat ja raportoivat suorituskyvyn, tekivät sinun ja Jorgen tajuta, että työkalut, joita käytitte, eivät olleet tarkoituksenmukaisia, ja että tarvitsitte rakentaa tuotteen, jota itse toivoitte?

Tajusin, että rahoitus menetti vaikutusvaltansa ei siksi, että analyysi oli väärä, vaan siksi, että se saapui liian myöhään. Pankkialalla, fintechissa ja nopeasti kasvavissa startupissa törmäsin jatkuvasti samaan ongelmaan. Johtoryhmän kokouksessa joku kysyi järkevän kysymyksen, kuten: “Kuinka monta kuukautta meillä on todella varaa, jos hidastamme palkkaamista?” tai “Mitä tapahtuu, jos liikevaihto laskee seuraavalla neljänneksellä?” Eikä voinut vastata huoneessa reaaliajassa.

Se ei johtunut siitä, että en ymmärtänyt liiketoimintaa tai että matematiikka oli vaikeaa. Ongelma oli rakenteellinen. Kassa oli yhdessä järjestelmässä, henkilöstö toisessa, liikevaihto jossakin muualla ja kulut taulukkolaskentaohjelmassa. Vastatakseni luotettavasti minun piti koota kaikki yhteen, rakentaa malli uudelleen, sovittaa eroavaisuudet ja toivoa, ettei mitään menisi rikki.

Kun pystyin palata vastaukseen, päätöksien aikakatkaisu oli jo ummessa. Se oli todellinen ongelma. Rahoitus ansaitsee paikkansa pöydässä tarkkuuden kautta, mutta se pitää paikkansa aikataulun kautta. Jos et voi esittää luotettavaa päätöksentukea minuuteissa tai tunteissa, menetät vaikutusvaltasi, vaikka analyysi on täydellinen viikkojen päästä.

Se, mikä pahensi tilannetta, oli väärä valinta, joka rahoitusjoukkueille annettiin. Heidän oli joko käytettävä taulukkolaskentaohjelmia, jotka olivat joustavia ja nopeita, mutta hauraita ja hallitsemattomia. Tai perinteisiä alustoja, jotka olivat voimakkaita, mutta oletti staattisen liiketoiminnan ja vaativat raskasta hallintaa toimiakseen.

Sillä aikaa modernit yritykset toimivat sprinteissä, jopa johtoryhmän tasolla. Suunnitelmat muuttuvat jatkuvasti. Päätökset kasautuvat. Rahoitus ei voi olla joukkue, joka on aina “tulevaisuudessa vastaamaan”.

Siksi perustimme Abacumin. Halusimme suunnittelujärjestelmän, joka on rakennettu nopeudelle ja luottamukselle samanaikaisesti, jotta rahoitus voi soveltaa tarkkuutta riittävän aikaisin vaikuttaakseen suuntaan, kun valinnat ovat vielä neuvotteluissa.

Kun aloititte Abacumin rakentamisen vuonna 2020, miten validoitte, että tämä ongelma ulottui paljon laajemmin kuin oma kokemus ja jaettiin nopeasti kasvavien keskisuurella markkinalla olevien yritysten kanssa?

Ensimmäinen validointi tuli keskustelusta, joka odotin osoittavan vääräksi väitteeni. Soitin yhteisperustajani Jorgen, koska hän oli älykkäin rahoitusihminen, jonka tunsin, ja oletin, että hän kertoisi minulle, että oli parempi tapa, jonka olin jotenkin väärässä.

Sen sijaan vertasimme muistiinpanoja useita tunteja ja tajusimme, että olimme eläneet saman kaavan eri ympäristöissä. Rahoitusjoukkueet hukkuivat sovittamisessa, jatkuvasti rakentamassa malleja ja aina yhden askeleen jäljessä liiketoimintaa. Se oli hetki, jolloin se klikkausi meillä. Tämä ei ollut henkilökohtainen epäonnistuminen tai prosessiongelma. Se oli rakenteellinen ongelma, jota jaettiin yritysten kesken.

Puhuimme sitten talousjohtajille ja rahoitusjohtajille eri aloilla, maantieteellisillä alueilla ja kasvuvaiheissa. Kieli muuttui, mutta tarina ei. “Olemme aina rakentamassa uudelleen sijaan neuvontaa.”

Syvempi oivallus meille oli, että tämä epäonnistuminen toistuu sykleissä. Joka muutama vuosi uusi alusta väittää ratkaisevan FP&A:n. Sitten liiketoiminnan vauhti kiihtyy jälleen. Uudet työkalut, uudet mittarit, uudet sidosryhmät, uudet suunnittelurytmit. Järjestelmä turpoaa ja menee rikki muutoksen alla.

Tämä oivallus muovasi suuntaamme. Emme halunneet rakentaa staattista ratkaisua yhdelle liiketoimintamallille. Halusimme alustan, joka säilyttäisi merkityksensä liiketoiminnan kehittyessä, mikä tulee entistä tärkeämmäksi tekoälyaikakaudella. Pääsy YC:hen myöhemmin vahvisti, että tämä on globaali ongelma, ei niukka.

Abacum tukee nyt reaaliaikaisia ennusteita, skenaariomallinnusta ja henkilöstösuunnittelua. Milloin tekoäly siirtyi tulevasta konseptista perustavanlaatuiseksi osaksi alustan arkkitehtuuria?

Tekoäly ei ollut meille koskaan jälkijunassa, mutta olimme hyvin tarkkoja siitä, milloin ja miten soveltaa sitä. Rahoitus on luottamuksen liiketoimintaa. Et voi laittaa älykkyyttä kaaoksen päälle ja odota uskottavuutta. Jos data on sotkuista, määritelmät ovat epäjohdonmukaisia ja malli on hauras, tekoäly ei korjaa sitä. Se ainoastaan skaalaa sekaannuksen nopeammin.

Joten aloitimme perusteista: vahvasta datakerroksesta, luotettavista integraatioista ja mallinnusprimitiiveistä, jotka heijastavat sitä, miten liiketoiminta tosiasiassa toimii. Tekoälystrategia oli upottaa älykkyyttä sinne, missä se luo todellista hyötyä.

Se tarkoitti tekoälyn soveltamista tilanteissa, joissa ihmiset lisäävät vähiten arvoa ja tekevät eniten virheitä, kuten puhdistamisessa, sovittamisessa, luokittelussa, poikkeamien havaitsemisessa ja mallilogiikan avustamisessa. Älykkyys elää työnkulun sisällä, ei erillisessä chat-liittymässä.

Kun perusta on paikallaan, tekoäly muuttaa suunnittelun taloutta. Skenaarioiden tutkiminen tulee taloudelliseksi. Vaihtoehtoja voidaan testata silloin, kun ne ovat vielä neuvotteluissa, ei aikataulutettuina seuraavaksi kokoukseksi päivien kuluttua.

Silloin tekoäly tulee perustavanlaatuiseksi. Ei silloin, kun se voi tuottaa kauniin kaavion tai yhteenvedon, vaan kun se mahdollistaa rahoituksen soveltamaan tarkkuutta riittävän nopeasti vaikuttaakseen päätökseen, kun se on vielä avoin.

Nopeasti kasvavissa yrityksissä rahoitusdata usein elää monissa järjestelmissä ja päivittyy jatkuvasti. Mitkä olivat haastavimmat tekniset tai organisaatiotason haasteet muuttaa tämä hajanainen data luotettavaksi, reaaliaikaiseksi suunnittelujärjestelmäksi?

Datansiirto ei ole haastavin ongelma. Useimmat modernit järjestelmät ovat API-pohjaisia, ja integraatiotyökalut ovat olemassa. Todellinen haaste alkaa, kun data saapuu. Raakadata on epäjohdonmukainen. Liikevaihto CRM:ssä ei vastaa liikevaihtoa ERP:ssä. Henkilöstö HR-järjestelmissä ei vastaa palkanmaksua. Jopa perusmittarit, kuten ARR tai runway, tarkoittavat eri asioita eri joukkueille.

Jos määritelmät eivät ole eksplisiittisiä ja yhdenmukaisia, jokainen ennuste muuttuu debatiksi. Haaste on kolmiportainen. Ensinnäkin dataperusta, joka päivittyy jatkuvasti, kun lähdejärjestelmät muuttuvat. Toiseksi hallittu liiketoimintamalli, jossa laskelmat ovat eksplisiittisiä ja johdonmukaisia. Kolmanneksi organisaatiotason sopimus, koska reaaliaikainen suunnittelu vaatii jaettuja määritelmiä ja jaettua toimintarytmiä.

Hallinta on se, mikä tekee nopeuden turvalliseksi. Reaaliaikainen suunnittelu toimii vain, kun luottamus on rakennettu työnkulkuun, ei kiinnitetty siihen käyttämällä poliisidokumenttia tai taulukkolaskentaohjelman tarkistuslistaa.

Miten jatkuva, reaaliaikainen suunnittelu muuttaa talousjohtajien päätöksentekoa viikosta toiseen, ei ainoastaan hallituksen tai budjettiajan?

Rahoituksen rooli on muuttunut jaksollisesta tarkastelusta jatkuvaan päätöksenteon tueen.

Ensinnäkin päätösten määrä on räjähtänyt. Rahoitus on nyt mukana palkkaamisessa, hinnoittelussa, GTM-sijoituksissa, uudistuksissa, tuotepanostuksissa ja operatiivisissa vaihtoehdoissa jatkuvasti.

Toiseksi data ei koskaan ole “valmis”. Uudet työkalut, uudet mittarit ja uudet sidosryhmät tarkoittavat, että tietojoukko on aina liikkeessä. Liiketoiminta ei voi odottaa täydellistä sulkemista eteneväksi.

Tässä kontekstissa reaaliaikainen suunnittelu muuttaa rahoitusta raportoinnista ja selittämisestä aktiiviseksi suunnan muotoiluksi. Runway muuttuu eläväksi rajoitteeksi, ei pelkästään neljännesvuosittaiseksi mittariksi. Skenaariosuunnittelu muuttuu usein vaihtoehtojen keskusteluksi, ei ainoastaan vuotuiseksi harjoitukseksi.

Parhaat rahoitusjoukkueet eivät ole muuttuneet vähemmän tarkoiksi. Ne ovat muuttuneet tarkoiksi aikaisemmin. Se on muutos.

Miten Abacum soveltaa tekoälyä perinteisen, sääntöpohjaisen automaation sijaan, ja mitkä rahoituspäätökset edellyttävät edelleen vahvaa inhimillistä harkintaa?

Useimmat tekoälysovellukset rahoituksessa tänään alkavat työnkulun lopusta. Ne olettavat, että datanne on jo puhdas ja hallittu, ja sitten lisäävät chatbottin kysymään sitä tai tiivistämään oivalluksia. Se voi olla hyödyllistä, mutta se ohittaa työnkulun haastavimman osan.

Me aloitamme alusta. Sovellemme tekoälyä, missä ihmiset lisäävät vähiten arvoa ja tekevät eniten virheitä, kuten puhdistamisessa, sovittamisessa, luokittelussa, poikkeamien havaitsemisessa ja mallilogiikan avustamisessa. Älykkyys elää työnkulun sisällä, ei erillisessä chat-liittymässä.

Tekoäly myös vähentää monimutkaisuuden verotusta, joka pitää joukkueita takana. Monet alustat vaativat erityisiä konsultteja tai asiantuntijoita, luoden riippuvuuden “järjestelmän omistajista”. Tekoäly pitäisi alentaa tämän esteen.

Tämä on myös siellä, missä meidän keskitie-asenteemme on tärkeää. Historiallisesti rahoitusjoukkueiden on pitänyt valita työkalujen välillä, jotka olivat joustavia mutta hauraita, tai alustoja, jotka olivat voimakkaita mutta raskaita hallita. Tekoäly pakottaa samaa väärää valintaa: apurit, jotka ovat helppoja mutta pinnallisia, tai orkesterointijärjestelmät, jotka ovat voimakkaita mutta vaativat oppimista uudesta työskentelytavasta. Sen sijaan uskomme, että oikea vastaus on tekoäly, joka häviää työnkulkuun, parantaen suunnittelua ilman joukkueiden toimintatapojen muuttamista.

Rahoitusjoukkueiden on edelleen tehtävä päätöksiä pääomien aloittamisesta, palkkaamisen vaihtoehdoista, hinnoittelusta ja strategisista prioriteeteista. Nämä edellyttävät inhimillistä kontekstia ja vastuuta. Talousjohtaja omistaa puhelun.

Kun mallit muuttuvat enemmän ennustaviksi, miten ajattelet luottamusta ja selitettävyyttä rahoitusjohtajille, jotka tarvitsevat seistä numeroiden takana?

Rahoituksessa “suunnilleen oikein” ei riitä. Rahoitusjohtajat ovat vastuussa esittämistään numeroista. Jos et voi selittää ennustetta, et voi käyttää sitä päätöksentekokokouksessa.

Luottamus alkaa deterministisestä perustasta. Johdonmukaiset määritelmät. Sovitettu data. Selkeä logiikka. Ennustava älykkyys toimii vain, kun se on rakennettu jollekin vankalle.

Selitettävyys on se, mikä muuttaa oivallukset toiminnaksi. Talousjohtajat tarvitsevat vastata nopeasti, mitä muutosta, miksi se muuttui, mitkä ajurit liikkuivat ja mitkä oletukset ovat vastuussa eri tuloksista.

Hallinta ei voi elää enää staattisissa kontroleissa. Se on upotettava työnkulkuun, jotta oletukset ovat näkyvissä, logiikka on jäljitettävissä ja jokainen skenaario jättää selkeän kirjan. Tavoitteena ei ole poistaa ihmiset silmukasta, vaan auttaa heitä harjoittamaan harkintaa aikaisemmin, enemmän luottamuksella.

Olet käynyt sekä varhaisen kiihdytyksen että myöhemmän kasvurahoituksen läpi. Miten nämä vaiheet vaikuttivat siihen, miten aggressiivisesti investoit tekoälyyn verrattuna perusominaisuuksiin?

Varhaisrahoitus pakotti kurin. Emme voineet ajaa shiniä. Meidän piti ansaita luottamus rakentamalla perusominaisuudet: luotettavat integraatiot, vahvat datamallit ja suunnittelumoottori, joka ei mene rikki, kun liiketoiminta muuttuu.

Tekoäly oli aina osa strategiaa, mutta olimme hyvin tarkkoja siitä, milloin ja miten soveltaa sitä. Rahoitus on luottamuksen liiketoimintaa. Et voi laittaa älykkyyttä kaaoksen päälle ja odotta uskottavuutta. Jos data on sotkuista, määritelmät ovat epäjohdonmukaisia ja malli on hauras, tekoäly ei korjaa sitä.

Kun kasvimme, markkina muuttui. Tekoäly tuli pöytään. Jokainen myyjä pystyi demoamaan chatbottia ja olla “tekoälyvoittoinen”. Se siis muutti baarin optiikasta tuloksiin. Onko tekoäly auttanut rahoitusta tekemään parempia päätöksiä nopeammin, jäljittämällä, vai onko se ainoastaan tuottanut vaikuttavia ulostuloja?

Myöhempi kasvurahoitus korotti myös tehokkuusstandardin. Joukkueiden odotettiin tekemään enemmän vähemmällä. Se vahvisti fokuksen tekoälyyn, joka tarjoaa mitattavissa olevaa hyötyä, ei pelkästään kertomuksen vetovoimaa.

Olet panostanut voimakkaasti Yhdysvaltojen laajentamiseen. Miten Yhdysvaltojen markkina eroaa muista alueista sen valmiuden suhteen omaksua tekoälyyn perustuvia rahoitusalustoja?

Yhdysvaltalaiset yritykset liikkuvat nopeasti, ja sijoittajien odotukset ovat korkeat. Talousjohtajat odotetaan olevan syvällisesti operatiivisia, ei ainoastaan tarkkoja. He ohjaavat jatkuvasti palkkaamissuunnitelmia, GTM-sijoituksia, kulumenetyksiä, priorisointeja.

Se tekee hitaan suunnittelun tuskaksi. Kun päätökset tehdään viikoittain tai päivittäin, rahoitus ei voi toimia kuukauden rytmillä. Upotettu älykkyys tulee välttämättömäksi, ei vain mukavuudeksi.

Yhdysvaltain markkina on myös altis ajatukselle, että rahoitusjärjestelmien on oltava dynaamisia, ei staattisia. Odotus ei ole ainoastaan tarkkuus, vaan päätöksentuki liiketoiminnan tarpeiden mukaan.

Katsoen eteenpäin vuoteen 2026, mitkä osat rahoitusennustetta tulevat olemaan suurelta osin automatisoituja tekoälyllä, ja missä inhimillinen harkinta säilyy olennaisena?

Kerrokset, jotka tulevat olemaan suurelta osin automatisoituja, ovat toistuvat, vähäisen harkinnan tehtävät, jotka kuluttavat epäsuhteellisen paljon aikaa tänään. Datayhdistäminen, puhdistus, normalisointi, sovittaminen, poikkeamien havaitseminen ja perusraportointi tulisi toimia jatkuvasti.

Ennustaminen ja skenaarioiden generointi kiihtyvät dramaattisesti, mutta ne eivät ole täysin valmistettuja. Tekoäly tekee niistä halpoja ja tutkii vaihtoehtoja ja testaa oletuksia, mutta kontekstiriski ja vastuu säilyvät.

Inhimillinen harkinta säilyy olennaisena, missä panokset ovat korkeat. Pääoman aloittaminen. Palkkaamisen strategia. Hinnoittelupäätökset. Hallitusratkaisut. Tekoäly muuttaa, pystyykö rahoitus seuraamaan päätösten vauhtia. Se ei muuta, kuka on vastuussa lopputuloksesta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Abacumissa.