Julio Martínez, Co-Founder dan CEO Abacum – Seri Wawancara

Julio Martínez, Co-founder dan CEO di Abacum, adalah seorang wirausaha fintech dengan hampir dua dekade pengalaman yang meliputi perbankan investasi, pengembangan perusahaan, pembangunan ventura, dan kepemimpinan teknologi di seluruh pusat keuangan global. Ia memulai karirnya di peran keuangan yang mencakup pasar modal, M&A, dan ekuitas swasta sebelum beralih ke fintech, di mana ia membantu meluncurkan dan menskala beberapa produk dan platform keuangan digital. Sebelum Abacum, ia co-founder dan menskala lengan ventura perusahaan Banco Sabadell, memimpin peluncuran produk, investasi strategis, dan akuisisi di seluruh Eropa, Amerika, dan Asia. Saat ini, sebagai CEO Abacum, ia menerapkan keahlian operasional keuangan yang mendalam untuk membangun alat yang memodernisasi cara tim keuangan merencanakan, memprediksi, dan mengarahkan kinerja bisnis.

Abacum adalah platform perencanaan dan analisis keuangan (FP&A) asli AI yang dirancang untuk membantu tim keuangan mid-market menyederhanakan dan memodernisasi perencanaan, peramalan, pelaporan, dan anggaran dengan menghubungkan data operasional dan keuangan dengan alur kerja kolaboratif dan wawasan otomatis. Dibangun untuk menggantikan proses spreadsheet manual, platform ini memusatkan data waktu nyata, mendukung pemodelan skenario lanjutan dan pemodelan keuangan multi-dimensi, mengotomatisasi tugas berulang seperti pelaporan dan pemutakhiran peramalan, dan terintegrasi dengan ratusan sistem untuk memberikan tim satu sumber kebenaran. Fitur Abacum mengarahkan akurasi, efisiensi, dan pengambilan keputusan strategis, memungkinkan organisasi keuangan untuk mengurangi pekerjaan manual, mempercepat siklus perencanaan, dan fokus pada wawasan yang berorientasi pertumbuhan

Anda menghabiskan hampir dua dekade bekerja di keuangan dan fintech sebelum mendirikan Abacum. Apa frustrasi spesifik dengan cara tim keuangan merencanakan, memprediksi, dan melaporkan kinerja yang membuat Anda dan Jorge menyadari bahwa alat yang Anda gunakan tidak sesuai dengan tujuan dan bahwa Anda perlu membangun produk yang Anda inginkan sendiri?

Saya menyadari bahwa keuangan kehilangan pengaruh tidak karena analisisnya salah, tetapi karena itu tiba terlambat. Di seluruh perbankan, fintech, dan startup dengan pertumbuhan tinggi, saya terus menghadapi momen yang sama. Dalam pertemuan eksekutif, seseorang akan bertanya pertanyaan yang masuk akal seperti: “Berapa bulan runway yang sebenarnya kita miliki jika kita memperlambat perekrutan?” atau “Apa yang terjadi jika pendapatan meluncur di kuartal berikutnya?” Dan tidak bisa menjawab ruangan secara waktu nyata.

Bukan karena saya tidak memahami bisnis atau karena matematika itu sulit. Masalahnya adalah struktural. Kas hidup di satu sistem, headcount di sistem lain, pendapatan di tempat lain, dan biaya di spreadsheet. Untuk menjawab dengan percaya diri, Anda harus mengumpulkan semuanya, membangun kembali model, menyelaraskan ketidaksesuaian, dan berharap tidak ada yang rusak.

Saat saya bisa kembali dengan jawaban, jendela keputusan sudah tertutup. Itulah masalah sebenarnya. Keuangan mendapatkan tempatnya di meja melalui ketatnya, tetapi mempertahankan tempatnya melalui waktu. Jika Anda tidak bisa menunjukkan dukungan keputusan yang percaya diri dalam hitungan menit atau jam, Anda kehilangan pengaruh, bahkan jika analisis Anda sempurna seminggu kemudian.

Apa yang membuatnya lebih buruk adalah pilihan palsu yang diberikan kepada tim keuangan. Mereka menggunakan spreadsheet yang fleksibel dan cepat, tetapi rapuh dan tidak tergovernani. Atau platform warisan yang kuat tetapi menganggap bisnis statis dan memerlukan administrasi berat hanya untuk berfungsi.

Sementara itu, perusahaan modern beroperasi dalam sprint, bahkan di tingkat eksekutif. Rencana berubah terus. Keputusan menumpuk. Keuangan tidak bisa menjadi tim yang selalu “kembali dengan jawaban.”

Itulah mengapa kami mendirikan Abacum. Kami ingin memiliki sistem perencanaan yang dibangun untuk kecepatan dan kepercayaan pada saat yang sama, sehingga keuangan dapat menerapkan ketatnya lebih awal untuk membentuk arah sementara pilihan masih dapat dinegosiasikan.

Ketika Anda mulai membangun Abacum pada 2020, bagaimana Anda memvalidasi bahwa masalah ini meluas jauh melampaui pengalaman Anda sendiri dan dibagikan oleh perusahaan mid-market dengan pertumbuhan cepat?

Validasi pertama datang dalam percakapan yang saya harapkan untuk membantah tesis saya. Saya menelepon co-founder saya Jorge karena dia adalah orang keuangan terpintar yang saya kenal, dan saya menganggap dia akan mengatakan kepada saya bahwa ada cara yang lebih baik yang saya lewatkan.

Sebaliknya, kami membandingkan catatan selama berjam-jam dan menyadari bahwa kami telah hidup dengan pola yang sama di lingkungan yang berbeda. Tim keuangan tenggelam dalam rekonsiliasi, terus-menerus membangun kembali model, dan selalu satu langkah di belakang bisnis. Itulah saat itu mengklik untuk kami. Ini bukanlah kegagalan pribadi atau masalah proses. Ini adalah masalah struktural yang dibagikan di seluruh perusahaan.

Kami kemudian berbicara dengan CFO dan pemimpin keuangan di seluruh industri, geografi, dan tahap pertumbuhan. Bahasa berubah, tetapi cerita tidak. “Kami selalu membangun kembali bukan memberi saran.”

Wawasan yang lebih dalam bagi kami adalah bahwa kegagalan ini berulang dalam siklus. Setiap beberapa tahun, platform baru mengklaim telah menyelesaikan FP&A. Lalu kecepatan bisnis dipercepat lagi. Alat baru, metrik baru, pemangku kepentingan baru, irama perencanaan baru. Sistem membengkak dan rusak di bawah perubahan.

Pemahaman itu membentuk arah kami. Kami tidak ingin membangun solusi statis untuk satu model operasional. Kami ingin platform yang akan tetap relevan saat bisnis berkembang, yang menjadi lebih kritis di era AI. Diterima di YC kemudian memperkuat bahwa ini adalah masalah global, bukan masalah khusus.

Abacum sekarang mendukung peramalan waktu nyata, pemodelan skenario, dan perencanaan headcount. Pada titik mana kecerdasan buatan berubah dari konsep masa depan menjadi bagian fondasi arsitektur platform?

AI tidak pernah menjadi pemikiran kedua bagi kami, tetapi kami sangat sengaja tentang kapan dan bagaimana menerapkan AI. Keuangan adalah bisnis kepercayaan. Anda tidak bisa meletakkan kecerdasan di atas kekacauan dan mengharapkan kredibilitas. Jika data kacau, definisi tidak konsisten, dan model rapuh, AI tidak akan memperbaikinya. Ini hanya akan mempercepat kekacauan lebih cepat.

Jadi, kami memulai dengan dasar-dasar: lapisan data yang kuat, integrasi yang dapat diandalkan, dan primitif pemodelan yang mencerminkan bagaimana bisnis sebenarnya bekerja. Dari hari pertama, strategi AI adalah untuk menyematkan kecerdasan di mana itu menciptakan leverage nyata.

Itu berarti menerapkan AI pada pekerjaan volume tinggi, penghakiman rendah yang secara historis menghabiskan waktu dan menciptakan kesalahan. Membersihkan dan menormalkan data masuk. Menyelaraskan ketidaksesuaian di seluruh sistem. Mengklasifikasikan dan menandai skala. Mengungkapkan anomali lebih awal, bukan pada akhir bulan.

Saat fondasi itu ada, AI mengubah ekonomi perencanaan. Eksplorasi skenario menjadi ekonomis. Pertukaran dapat diuji pada saat itu, bukan dijadwalkan untuk pertemuan lanjutan hari-hari kemudian.

Itulah saat AI menjadi fondasi. Bukan ketika itu dapat menghasilkan bagan yang bagus atau ringkasan, tetapi ketika itu memungkinkan keuangan untuk menerapkan ketatnya cukup awal untuk mempengaruhi keputusan sementara itu masih terbuka.

Dalam perusahaan dengan pertumbuhan cepat, data keuangan sering hidup di banyak sistem dan diperbarui terus-menerus. Apa tantangan teknis atau organisasional yang paling sulit dalam mengubah data yang terfragmentasi menjadi sistem perencanaan waktu nyata yang dapat diandalkan?

Memindahkan data bukanlah masalah yang paling sulit. Sebagian besar sistem modern didorong oleh API, dan tooling integrasi ada. Tantangan sebenarnya dimulai setelah data tiba. Data mentah tidak konsisten. Pendapatan di CRM tidak cocok dengan pendapatan di ERP. Headcount di sistem HR tidak cocok dengan payroll. Bahkan metrik dasar seperti ARR atau runway berarti hal yang berbeda bagi tim yang berbeda.

Jika definisi tidak eksplisit dan disepakati, setiap peramalan berubah menjadi debat. Tantangan itu tiga lipat. Pertama, fondasi data yang diperbarui terus-menerus saat sistem sumber berubah. Kedua, model bisnis yang dikelola di mana perhitungan eksplisit dan konsisten. Ketiga, keselarasan organisasional, karena perencanaan waktu nyata memerlukan definisi yang dibagikan dan irama operasional yang dibagikan.

Pengelolaan adalah apa yang membuat kecepatan aman. Perencanaan waktu nyata hanya bekerja ketika kepercayaan dibangun ke dalam alur kerja, bukan dipasang sebagai dokumen kebijakan atau daftar periksa spreadsheet.

Dari apa yang Anda lihat di seluruh ratusan pelanggan, bagaimana perencanaan terus-menerus dan waktu nyata mengubah cara CFO membuat keputusan minggu ke minggu, bukan hanya pada saat dewan atau anggaran?

Peran keuangan telah bergeser dari tinjauan berkala ke dukungan keputusan terus-menerus.

Pertama, volume keputusan telah meledak. Keuangan sekarang terlibat dalam perekrutan, keputusan harga, investasi GTM, perpanjangan, taruhan produk, dan pertukaran operasional secara terus-menerus.

Kedua, data tidak pernah “selesai”. Alat baru, metrik baru, dan pemangku kepentingan baru berarti dataset selalu bergerak. Bisnis tidak bisa menunggu tutup yang sempurna untuk maju.

Dalam konteks ini, perencanaan waktu nyata mengubah keuangan dari pelaporan dan menjelaskan menjadi membentuk arah secara aktif. Runway menjadi kendala hidup, bukan metrik kuartalan. Perencanaan skenario menjadi percakapan pertukaran yang sering, bukan latihan tahunan.

Tim keuangan terbaik tidak menjadi kurang ketat. Mereka menjadi lebih ketat lebih awal. Itulah pergeseran.

Bagaimana Abacum menerapkan AI secara berbeda dari otomatisasi berbasis aturan tradisional, dan keputusan keuangan mana yang masih memerlukan penilaian manusia yang kuat?

Sebagian besar AI di keuangan saat ini dimulai di akhir alur kerja. Ini menganggap data Anda sudah bersih dan dikelola, lalu menambahkan chatbot untuk menanyai atau merangkum wawasan. Itu bisa berguna, tetapi itu melewati bagian tersulit dari FP&A.

Kami memulai dari awal. Kami menerapkan AI di mana manusia menambahkan nilai terendah dan membuat kesalahan terbanyak, seperti pembersihan, rekonsiliasi, klasifikasi, deteksi anomali, dan membantu dengan logika model. Kecerdasan hidup di dalam alur kerja, bukan di antarmuka chat terpisah.

AI juga mengurangi pajak kompleksitas yang memegang tim kembali. Banyak platform memerlukan konsultan khusus atau ahli, menciptakan ketergantungan pada “pemilik sistem” AI harus menurunkan hambatan itu. Tim keuangan harus dapat mengekspresikan niat dan memiliki sistem membantu membangun logika dengan benar.

Ini juga di mana posisi kami yang berada di tengah-tengah antara penting. Secara historis, tim keuangan harus memilih antara alat yang fleksibel tetapi rapuh atau platform yang kuat tetapi berat untuk dikelola. AI sekarang memaksa perdagangan yang sama: copilot yang mudah tetapi dangkal, atau sistem orkestrasi yang kuat tetapi juga memerlukan Anda untuk belajar cara kerja baru. Di mana kami percaya jawaban yang benar adalah AI yang menghilang ke dalam alur kerja, memperbaiki perencanaan tanpa mengubah cara tim bekerja.

Mengenai penilaian, batasannya jelas. AI dapat mempercepat analisis dan eksplorasi, tetapi keputusan yang melibatkan alokasi modal, pertukaran perekrutan, keputusan harga, dan prioritas strategis masih memerlukan konteks manusia dan akuntabilitas. CFO memiliki panggilan.

Bagaimana Anda memikirkan kepercayaan dan keterjelasan untuk pemimpin keuangan yang perlu berdiri di belakang angka-angka?

Dalam keuangan, “arah yang benar” tidak cukup baik. Pemimpin keuangan bertanggung jawab atas angka-angka yang mereka sajikan. Jika Anda tidak bisa menjelaskan peramalan, Anda tidak bisa menggunakannya dalam percakapan keputusan.

Kepercayaan dimulai dengan fondasi deterministik. Definisi konsisten. Data yang direkonsiliasi. Logika transparan. Kecerdasan prediktif hanya bekerja ketika itu dibangun di atas sesuatu yang solid.

Keterjelasan adalah apa yang mengubah wawasan menjadi tindakan. CFO perlu menjawab dengan cepat apa yang berubah, mengapa itu berubah, driver mana yang bergerak, dan asumsi apa yang bertanggung jawab atas hasil yang berbeda.

Pengelolaan tidak bisa hidup dalam kontrol statis lagi. Ini harus disematkan ke dalam alur kerja, sehingga asumsi terlihat, logika dapat dilacak, dan setiap skenario meninggalkan catatan yang jelas. Tujuannya bukan untuk menghapus manusia dari loop, tetapi untuk membantu mereka menggunakan penilaian lebih awal, dengan lebih percaya diri.

Anda telah melewati fase percepatan awal dan pendanaan tahap lanjut. Bagaimana fase-fase itu mempengaruhi seberapa agresif Anda berinvestasi dalam AI versus fondasi produk inti?

Pendanaan awal memaksa disiplin. Kami tidak bisa mengejar objek yang mengkilap. Kami harus mendapatkan kepercayaan dengan membangun fondasi: integrasi yang dapat diandalkan, model data yang kuat, dan mesin perencanaan yang tidak rusak ketika bisnis berubah.

AI selalu menjadi bagian dari strategi, tetapi kami menolak untuk mengobati itu seperti lapisan pemasaran. Jika AI tidak menciptakan leverage nyata di dalam alur kerja, kami tidak mengirimkannya.

Ketika kami tumbuh, pasar bergeser. AI menjadi syarat wajib. Setiap vendor bisa mendemo chatbot dan menjadi “ditenagai AI”. Jadi, batang telah bergeser dari optik ke hasil. Apakah AI membantu keuangan membuat keputusan yang lebih baik lebih cepat, dengan jejak, atau apakah itu hanya menghasilkan output yang terlihat mengesankan?

Pendanaan tahap lanjut meningkatkan standar efisiensi juga. Tim diharapkan melakukan lebih dengan kurang. Itu memperkuat fokus kami pada AI yang memberikan leverage yang dapat diukur, bukan daya tarik naratif.

Anda telah menggandakan pendanaan untuk ekspansi AS. Bagaimana pasar AS berbeda dalam kesiapannya untuk mengadopsi platform keuangan asli AI dibandingkan dengan wilayah lain?

Perusahaan AS bergerak cepat, dan harapan investor sangat tinggi. CFO diharapkan untuk sangat operasional, bukan hanya akurat. Mereka terus-menerus memandu rencana perekrutan, investasi GTM, keputusan pengeluaran, dan prioritas.

Itu membuat rasa sakit perencanaan yang lambat lebih akut. Ketika keputusan terjadi mingguan atau harian, keuangan tidak bisa beroperasi pada irama bulanan. Kecerdasan yang tertanam menjadi kurang dari yang diinginkan dan lebih dari yang diperlukan.

Pasar AS juga lebih terbuka untuk gagasan bahwa sistem keuangan harus dinamis, bukan statis. Harapan bukan hanya akurasi pelaporan, tetapi dukungan keputusan pada kecepatan yang dibutuhkan bisnis untuk bergerak.

Menghadap ke 2026, bagian mana dari perencanaan keuangan yang Anda percaya akan menjadi sebagian besar otomatis oleh AI, dan di mana penilaian manusia akan tetap penting?

Lapisan yang akan menjadi sebagian besar otomatis adalah tugas berulang, rendah penghakiman yang menghabiskan waktu yang tidak proporsional hari ini. Konsolidasi data, pembersihan, normalisasi, rekonsiliasi, deteksi anomali, dan pelaporan baseline harus berjalan terus-menerus.

Peramalan dan generasi skenario akan dipercepat secara dramatis, tetapi mereka tidak akan sepenuhnya didelegasikan. AI akan membuatnya murah dan mengeksplorasi opsi dan menguji asumsi, tetapi risiko konteks dan akuntabilitas masih penting.

Penilaian manusia akan tetap penting di mana taruhan tinggi. Alokasi modal. Strategi perekrutan. Keputusan harga. Narasi dewan. AI mengubah apakah keuangan dapat mengikuti kecepatan keputusan. Ini tidak mengubah siapa yang bertanggung jawab atas hasil.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Abacum.