John Glasgow, CEO, CFO, dan Pendiri Campfire – Seri Wawancara

John Glasgow adalah CEO, CFO, sekaligus pendiri Campfire. Ia memiliki pengalaman di bidang keuangan, merger dan akuisisi di sektor teknologi, serta strategi perusahaan. Sebelum mendirikan perusahaan tersebut, ia bekerja di Adobe, Invoice2go, dan Bill.com, termasuk membantu mengarahkan Invoice2go hingga diakuisisi dengan nilai $625 juta. Pengalamannya di berbagai organisasi keuangan mendorongnya berfokus pada penggantian proses yang bergantung pada spreadsheet dengan sistem akuntansi yang mempertahankan detail hingga tingkat transaksi dan mendukung otomatisasi.

Campfire mengembangkan platform perencanaan sumber daya perusahaan berbasis AI sejak awal untuk tim keuangan dan akuntansi. Platform ini menyatukan buku besar, otomatisasi pendapatan, pelaporan, dan pengelolaan proses tutup buku. Agen Ember bekerja dengan data akuntansi yang mendasarinya untuk mendukung tugas seperti rekonsiliasi dan pengategorian transaksi, sementara Forecast memisahkan angka aktual yang sudah dibukukan, jumlah yang telah menjadi komitmen, dan estimasi yang dihasilkan AI. Dalam wawancara ini, Glasgow membahas arsitektur di balik akuntansi berbasis AI sejak awal, batas antara otonomi agen dan persetujuan manusia, serta cara tim keuangan menjaga keterlacakan seiring meluasnya otomatisasi.

Karier Anda mencakup bidang keuangan, merger dan akuisisi teknologi, serta strategi di Adobe, Invoice2go, dan Bill.com sebelum Anda mendirikan Campfire. Apa yang berulang kali Anda lihat di organisasi keuangan hingga yakin bahwa sistem ERP yang mendasarinya perlu dibangun ulang, bukan sekadar ditingkatkan dengan lapisan perangkat lunak tambahan?

Menjual Invoice2go kepada Bill.com dengan nilai $625 juta membuat saya melihat masalahnya secara langsung. Selama proses uji tuntas, saya menangani lebih dari 500 permintaan melalui spreadsheet karena akuntansi pendapatan, pelaporan SaaS, dan konsolidasi kami tersimpan di sana, bukan di dalam sebuah sistem. Perusahaan sebesar itu masih mengandalkan spreadsheet untuk menjalankan pekerjaan keuangan yang penting.

Di Bill, tempat saya memimpin kemitraan strategis dan bekerja erat dengan CFO, saya melihat masalah yang sama di berbagai pelanggan. Penggajian, manajemen pengeluaran, serta utang usaha dan piutang usaha telah dimodernisasi, tetapi tim keuangan masih harus kembali menggunakan ERP yang dirancang untuk era sebelumnya.

Masalahnya ada pada buku besar itu sendiri. ERP lama menerima entri ringkasan dari sistem penagihan, pembayaran, penggajian, dan sistem lainnya, sehingga detail transaksi sudah hilang saat data tersebut sampai ke buku besar. Menambahkan lapisan perangkat lunak lain tidak dapat mengatasi data yang hilang. Saya ingin membangun buku besar yang menyimpan detail dan dapat menyelesaikan pekerjaan, sehingga ERP perlu dibangun ulang dari dasar.

“Berbasis AI sejak awal” semakin sering digunakan untuk menggambarkan perangkat lunak perusahaan. Dari sisi arsitektur, apa yang secara mendasar membedakan ERP berbasis AI sejak awal dari ERP tradisional yang menambahkan model bahasa besar atau kopilot AI di atas sistem yang sudah ada?

Perbedaan mendasarnya adalah ERP berbasis AI sejak awal dirancang berdasarkan data yang dibutuhkan alur kerja AI untuk menjalankan tugas.

Kopilot hanya dapat membaca data yang disimpan oleh ERP lama. Jika ERP hanya menyimpan ringkasan bulanan, bukan detail transaksi, AI dapat menemukan angka atau menyusun penjelasan, tetapi tidak dapat mencocokkan transaksi, merekonsiliasi akun, atau menjelaskan bagaimana suatu entri dibuat secara andal. Campfire menyimpan detail transaksi secara lengkap dan mengelola buku besar serta subbuku besar, sehingga agen Ember memiliki data yang diperlukan untuk benar-benar menyelesaikan pekerjaan.

Perbedaan lainnya adalah keterlacakan. Setiap tindakan agen tertaut ke data buku besar yang mendasarinya dan dapat ditinjau sebelum dibukukan.

Perbedaan ketiga terletak pada modelnya: Accounting Intelligence dari Campfire dilatih menggunakan data akuntansi dan menulis kode untuk menjalankan tugas keuangan, sehingga hasilnya dapat direproduksi. Hal itulah yang memungkinkan agen bertindak, bukan sekadar memberi saran.

Campfire baru-baru ini meluncurkan Forecast, yang memisahkan angka bulan berjalan menjadi angka aktual, angka yang telah menjadi komitmen, dan estimasi AI, alih-alih meminta AI memprediksi seluruh periode. Mengapa Anda merancangnya seperti ini, dan menurut Anda, dalam hal apa AI benar-benar bermanfaat untuk peramalan keuangan, sementara data akuntansi deterministik sebaiknya tetap menjadi acuan?

Sebagai CFO, saya ingin tahu ke mana arah angka akhir bulan ketika masih lima hari atau lebih sebelum bulan itu berakhir, padahal saat itu sebagian besar angkanya sudah diketahui. Meminta AI memprediksi seluruh periode berarti mengganti angka yang sudah diketahui dengan tebakan. Karena itu, Forecast membagi bulan menjadi tiga lapisan:

Aktual: angka yang sudah dibukukan ke buku besar.

Komitmen: jumlah uang yang akan diterima atau dibayarkan di masa mendatang dan sudah diketahui dari kontrak, tagihan, aset, serta sewa, tetapi belum dibukukan.

Estimasi: proyeksi Ember untuk bagian yang benar-benar belum diketahui, berdasarkan riwayat dan pola musiman perusahaan.

Menurut saya, di situlah AI berperan dalam peramalan: pada bagian yang belum dapat diketahui. Data akuntansi deterministik seharusnya menjadi acuan untuk segala hal yang sudah diketahui. Mencampur keduanya membuat fakta lebih sulit dibedakan dari estimasi. Jika keduanya dicampur, Anda tidak dapat mengetahui angka mana yang bisa dipertanggungjawabkan saat memaparkan prakiraan kepada dewan direksi.

Saat seseorang bertanya bagaimana saya memperoleh angka tersebut, saya dapat membuka setiap angka dan menunjukkan komponen aktual, komitmen, dan estimasinya, beserta asumsi Ember. Forecast hanya berfungsi sebagai bahan pertimbangan; tidak ada hasilnya yang otomatis dibukukan ke buku besar. Namun, Forecast memberi tim keuangan gambaran awal tentang arah pergerakan angka bulan itu, sehingga mereka sempat mengambil keputusan bisnis sebelum bulan berakhir.

Forecast memungkinkan Ember memperkirakan bagian bulan yang belum diketahui berdasarkan tren historis dan pola musiman, sekaligus menjelaskan asumsi di balik perkiraan tersebut. Bagaimana Anda menangani situasi ketika pola historis tiba-tiba tidak lagi berguna, seperti saat terjadi pertumbuhan pesat, kehilangan pelanggan besar, akuisisi, atau peristiwa tidak biasa lainnya?

Bulan-bulan seperti itulah saat CFO paling membutuhkan prakiraan, dan itulah sebabnya prakiraan dibagi menjadi beberapa lapisan. Hanya bagian prakiraan Forecast yang masih berupa estimasi yang bergantung pada tren historis dan pola musiman. Lapisan yang sudah pasti berasal dari kontrak, tagihan, aset, dan sewa yang sudah tercatat dalam buku besar Campfire. Karena itu, akuisisi, kehilangan pelanggan, atau pertumbuhan pesat tidak mengubah hal-hal yang sudah diketahui.

Ketika pola berubah, biasanya tim keuangan sudah mengetahui alasannya sebelum perubahan itu terlihat dalam data, sehingga mereka dapat memberikan konteks. Mereka dapat menambahkan catatan tentang perubahan yang terjadi, melampirkan dokumen seperti rencana jumlah karyawan, atau menghubungkan sumber data seperti CRM atau HRIS melalui integrasi MCP kami. Ember menggunakan konteks tersebut untuk memperkirakan kembali bagian yang belum diketahui.

Setiap estimasi juga disertai penjelasan satu kalimat tentang asumsi yang digunakan. Jadi, saat menyajikan prakiraan, saya dapat menunjukkan mana yang merupakan fakta, mana yang sudah pasti, dan mana yang masih berupa proyeksi.

Campfire mengembangkan Large Accounting Model sendiri, atau LAM, alih-alih sepenuhnya mengandalkan model serbaguna. Apa yang Anda pelajari tentang keterbatasan AI serbaguna untuk akuntansi, dan apa yang perlu dipahami model khusus yang biasanya tidak dipahami LLM konvensional?

Akuntansi membutuhkan jawaban yang dapat direproduksi, bukan sekadar jawaban yang terdengar masuk akal. Model serbaguna mahir menghasilkan bahasa, tetapi bisa kesulitan dalam penalaran numerik dan klasifikasi akuntansi, yang menuntut masukan yang sama selalu menghasilkan jawaban yang sama.

Alih-alih meminta model bernalar langsung menggunakan data keuangan, kami memintanya menulis SQL atau Python untuk melakukan pekerjaan tersebut. Kode menghasilkan keluaran yang dapat direproduksi, hal yang penting untuk audit dan memungkinkan perusahaan mengotomatiskan tindakan tanpa harus meminta seseorang menyetujui setiap hasil yang sama.

Accounting Intelligence kami dilatih menggunakan data akuntansi dan memahami hal-hal seperti struktur bagan akun, pola vendor, serta seperti apa pembukuan yang rapi. Sistem ini juga belajar dari riwayat transaksi setiap pelanggan. Akurasi tidak hanya bergantung pada model itu sendiri, tetapi juga pada sistem yang menopangnya.

Tim keuangan memiliki toleransi yang sangat rendah terhadap kesalahan AI. Ketika agen mulai melakukan rekonsiliasi, mengategorikan transaksi, menyiapkan entri, dan berinteraksi dengan buku besar, di mana batas antara eksekusi mandiri dan persetujuan manusia sebaiknya ditetapkan?

Batasnya sebaiknya ditentukan berdasarkan apakah suatu tindakan dapat diperiksa. Jika suatu entri dapat direproduksi dan ditelusuri ke data buku besar yang mendasarinya, seseorang tidak perlu menyetujui setiap entri. Jika entri itu tidak dapat dijelaskan atau direproduksi, seseorang harus meninjaunya sebelum dibukukan.

Begitulah cara kami membangun Ember. Setiap tindakan agen dicatat, disertai sumber dari data buku besar umum (GL) yang mendasarinya, dan dapat ditinjau. Tim menetapkan ambang keyakinan untuk menentukan pekerjaan yang ditangani Ember secara mandiri dan pekerjaan yang perlu ditangani seseorang. Mereka juga dapat memperluas wewenang mandiri Ember seiring meningkatnya kepercayaan terhadap hasilnya.

Manusialah yang tetap memegang kendali atas pertimbangan. Akuntan menentukan seberapa banyak pekerjaan yang sebaiknya ditangani Ember, meninjau pengecualian, dan menjelaskan penyebab perubahan angka. Para agen menangani pekerjaan berulang seperti pencocokan, pelabelan, dan rekonsiliasi. TwelveLabs adalah contoh yang baik: dengan tiga akuntan yang menangani wilayah AS dan Korea, perusahaan itu memangkas waktu penutupan pembukuan menjadi setengahnya dan menghemat lebih dari $300,000.

Campfire juga telah memperkenalkan MCP store yang memungkinkan Ember berinteraksi dengan sistem eksternal seperti platform pembayaran, CRM, pengadaan, dan SDM. Apakah Anda pada akhirnya melihat ERP berubah dari sistem pencatatan yang pasif menjadi lapisan orkestrasi tempat agen AI dapat bekerja di seluruh ekosistem keuangan?

Ya, selama buku besar tetap menjadi sistem pencatatan utama. Secara historis, ERP mencatat pekerjaan yang dilakukan di tempat lain. Karena itu, sebagian besar informasi berada di luar buku besar: perpanjangan kontrak di CRM, karyawan baru di HRIS, dan pesanan pembelian di sistem pengadaan. Jika agen akan melakukan pekerjaan tersebut, mereka juga memerlukan konteks itu. Jadi, ERP harus terhubung langsung ke sistem-sistem tersebut.

Selama bertahun-tahun, tim keuangan telah membuat prakiraan dengan cara ini, mengambil data pipeline dari CRM dan jumlah karyawan dari HRIS. Dengan Forecast, Ember melakukan hal tersebut setelah tim menghubungkan sistem-sistem itu, sementara buku besar tetap menjadi sumber acuan untuk semua hal yang sudah diketahui. Buku besar tetap menjadi sumber acuan, sedangkan agen dapat bekerja di berbagai sistem yang terhubung dengannya.

Anda memiliki sudut pandang yang sangat menarik tentang ekonomi AI karena Anda menjabat sebagai CEO sekaligus CFO perusahaan AI yang melayani tim keuangan lain. Apa yang Anda lihat dalam hal penganggaran AI oleh perusahaan saat ini, dan apakah Anda memperkirakan harga AI perusahaan akan beralih dari langganan per kursi ke model berbasis penggunaan, hasil, atau model lainnya?

Kami melihat anggaran bergeser dari pengeluaran tetap berbasis kursi ke konsumsi AI yang bervariasi, dan banyak tim keuangan belum siap menghadapi perubahan itu. Ketika agen mengambil alih pekerjaan yang sebelumnya dilakukan manusia, perusahaan mungkin membutuhkan lebih sedikit kursi pengguna, sementara penggunaan AI mereka meningkat. Vendor juga menambahkan kredit dan biaya pemakaian berlebih di atas biaya kursi, sehingga tim keuangan perlu memperkirakan potensi biaya penggunaan sebelum menandatangani kontrak.

Saya memperkirakan model hibrida akan lebih umum daripada penetapan harga yang murni berbasis hasil. Sebagai CFO, saya menginginkan biaya dasar yang dapat diprediksi, sementara sebagai CEO, saya membutuhkan penetapan harga yang mencerminkan penggunaan aktual.

Campfire menggalang dana Seri A sebesar $35 juta, disusul Seri B sebesar $65 juta hanya beberapa minggu kemudian. Apa yang berubah di pasar atau dalam permintaan pelanggan selama periode itu sehingga Anda memutuskan untuk mengembangkan perusahaan dengan begitu agresif, dan menurut Anda, di mana peluang terbesar untuk menggunakan dana tersebut guna mempercepat pengembangan produk?

Kami menghadapi permintaan yang kuat sebelum Seri A, tetapi tanggapan pasar langsung meningkat setelah putaran pendanaan itu ditutup. Berbagai perusahaan menghubungi kami untuk meminta demo, banyak di antaranya baru mengenal Campfire, dan jelas bahwa permintaan melampaui perkiraan kami.

Hal itu memberi kami kesempatan untuk berinvestasi lebih agresif dalam memenuhi permintaan tersebut, terutama karena berbagai perusahaan mulai bersedia beralih dari platform lama seperti NetSuite dan Sage Intacct. Pelanggan seperti Replit menunjukkan alasannya: pendapatan berulang tahunannya tumbuh dari $10 juta menjadi lebih dari $200 juta tanpa menambah anggota tim akuntansinya yang berjumlah empat orang, sementara proses penutupan pembukuan pendapatannya berkurang dari delapan jam menjadi 30 menit.

Kami menggalang dana Seri A sebesar $35 juta yang dipimpin Accel, disusul Seri B sebesar $65 juta yang dipimpin bersama oleh Accel dan Ribbit, sehingga totalnya mencapai $100 juta dalam 12 minggu. Dana itu kami gunakan untuk memenuhi permintaan tersebut, sembari mengembangkan tim dari 10 menjadi lebih dari 150 orang di San Francisco, New York, dan London.

Akuntansi berbasis AI sejak awal dengan cepat menjadi kategori yang kompetitif, dengan perusahaan seperti Campfire dan Rillet menantang platform mapan seperti QuickBooks, NetSuite, dan Sage Intacct. Jika kita melihat lima tahun ke depan, bagian mana dari akuntansi dan ERP yang menurut Anda hampir sepenuhnya akan ditangani agen AI, dan tanggung jawab apa yang akan tetap dipegang teguh oleh para profesional keuangan?

Saya memperkirakan agen akan menangani sebagian besar pekerjaan rutin: mencocokkan transaksi dengan pembayaran, memberi label pada transaksi, melakukan rekonsiliasi dan akrual, serta menangani bagian mekanis dari penutupan buku dan pelaporan. Ini pekerjaan berulang yang berbasis aturan dan dapat dipelajari perangkat lunak.

Penilaian dan akuntabilitas tetap menjadi tanggung jawab manusia. Akuntan akan menentukan sejauh mana agen dapat bekerja secara mandiri, meninjau pengecualian, menjelaskan alasan perubahan angka, dan memberikan saran kepada perusahaan tentang langkah selanjutnya. Tetap harus ada seseorang yang bertanggung jawab atas pembukuan.

Seiring waktu, perangkat lunak keuangan berbasis AI sejak awal akan menjadi standar yang diharapkan. Pembeda utamanya adalah apakah tim keuangan memercayai sistem tersebut untuk menangani buku besar mereka dan dapat melihat dengan tepat bagaimana sistem itu mencapai kesimpulannya. Itulah standar yang kami rancang agar dapat dipenuhi Campfire, dan lebih dari 400 perusahaan, termasuk Cursor, Clay, Polymarket, dan PostHog, sudah mengelola pembukuan mereka dengannya.

Terima kasih atas wawancara yang menarik ini. Pembaca yang ingin mengetahui lebih lanjut tentang akuntansi berbasis AI sejak awal dan perencanaan sumber daya perusahaan dapat mengunjungi Campfire.