Campfire의 CEO 겸 CFO이자 창업자 John Glasgow – 인터뷰 시리즈

John Glasgow는 Campfire의 CEO 겸 CFO이자 창업자로, 금융, 기술 기업 인수·합병, 기업 전략 분야에서 경험을 쌓았습니다. 회사를 창업하기 전에는 Adobe, Invoice2go, Bill.com에서 근무했으며, Invoice2go가 6억 2,500만 달러에 인수되는 과정도 지원했습니다. 금융 조직에서 일한 경험은 거래 단위의 세부 정보를 보존하고 자동화를 지원하는 회계 시스템으로 스프레드시트 의존적인 업무 방식을 대체하는 데 초점을 맞추게 했습니다.

Campfire는 재무 및 회계팀을 위한 AI 네이티브 전사적 자원 관리 플랫폼을 개발합니다. 이 플랫폼은 총계정원장, 매출 자동화, 보고, 결산 관리를 한데 통합합니다. Ember 에이전트는 기반 회계 데이터를 활용해 계정 조정과 거래 분류 같은 업무를 지원하며, Forecast는 기장된 실제 실적, 확정 금액, AI 생성 추정치를 구분합니다. 이번 인터뷰에서 Glasgow는 AI 네이티브 회계의 아키텍처, 에이전트의 자율성과 사람의 승인 사이의 경계, 자동화가 확대되는 가운데 재무팀이 추적 가능성을 유지하는 방법에 관해 이야기합니다.

금융, 기술 기업 인수·합병, Adobe와 Invoice2go, Bill.com에서의 전략 업무를 거쳐 Campfire를 창업하셨습니다. 재무 조직에서 반복적으로 목격한 어떤 문제 때문에 기존 ERP를 다른 소프트웨어 계층으로 보완하는 데 그치지 않고 근본적으로 다시 구축해야 한다고 판단하셨나요?

Invoice2go를 6억 2,500만 달러에 Bill.com에 매각하면서 문제를 가까이에서 확인했습니다. 실사 과정에서 매출 회계, SaaS 보고, 연결 결산이 시스템이 아니라 스프레드시트에 들어 있었기 때문에 스프레드시트로 500건이 넘는 요청을 처리했습니다. 그 정도 규모의 회사도 여전히 핵심 재무 업무를 스프레드시트로 처리하고 있었습니다.

Bill에서 전략적 파트너십을 이끌고 CFO와 긴밀히 협력하면서 고객사 전반에서도 같은 문제를 확인했습니다. 급여, 지출 관리, 매입채무·매출채권 업무는 현대화됐지만, 재무팀은 여전히 이전 시대를 위해 만들어진 ERP로 돌아가야 했습니다.

문제는 원장 자체에 있습니다. 기존 ERP는 청구, 결제, 급여 및 기타 시스템에서 요약된 항목을 받아들이기 때문에, 거래 세부 정보는 원장에 도달할 때 이미 사라져 있습니다. 소프트웨어 계층을 하나 더 추가해도 누락된 데이터를 복구할 수는 없습니다. 저는 세부 정보를 보존하면서 실제 업무도 수행할 수 있는 원장을 원했고, 그러려면 ERP를 처음부터 다시 만들어야 했습니다.

“AI 네이티브”는 엔터프라이즈 소프트웨어 전반에서 흔히 쓰이는 표현이 되고 있습니다. 아키텍처 측면에서 AI 네이티브 ERP는 기존 시스템 위에 대규모 언어 모델이나 AI 코파일럿을 추가한 기존 ERP와 근본적으로 어떻게 다른가요?

근본적인 차이는 AI 네이티브 ERP가 AI 워크플로가 작업을 수행하는 데 필요한 데이터를 중심으로 구축된다는 점입니다.

코파일럿은 기존 ERP에 저장된 데이터만 읽을 수 있습니다. ERP에 거래 단위의 세부 정보가 아니라 월별 요약만 있다면, AI는 숫자를 찾거나 설명 초안을 작성할 수는 있어도 거래를 안정적으로 대조하거나 계정을 조정하거나 항목이 어떻게 생성됐는지 설명할 수는 없습니다. Campfire는 전체 거래 세부 정보를 보존하고 총계정원장과 보조원장을 모두 관리하므로, Ember 에이전트가 실제 업무를 수행하는 데 필요한 데이터를 제공합니다.

또 다른 차이는 추적 가능성입니다. 모든 에이전트의 작업은 기반 원장 데이터로 연결되며, 기장되기 전에 검토할 수 있습니다.

세 번째 차이는 모델 자체입니다. Campfire의 Accounting Intelligence는 회계 데이터로 학습하고 금융 업무를 수행하기 위한 코드를 작성해 결과를 재현할 수 있게 합니다. 덕분에 에이전트는 단순히 제안하는 데 그치지 않고 실제로 작업을 수행할 수 있습니다.

Campfire는 최근 현재 월의 수치를 실제 실적, 확정 금액, AI 추정치로 구분하는 Forecast를 출시했습니다. AI에 전체 기간을 예측하게 하는 방식과는 다릅니다. 왜 이런 방식으로 설계하셨으며, 재무 예측에서 AI가 실질적으로 유용한 영역과 결정론적 회계 데이터가 계속 주도해야 하는 영역은 어디라고 보시나요?

CFO로서 저는 월말을 5일 이상 앞둔 시점에 그달 실적이 어떻게 마무리될지 묻습니다. 그때면 이미 상당 부분을 알고 있습니다. AI에 전체 기간을 예측하게 하면 이미 알고 있는 숫자를 추측으로 대체하게 됩니다. 그래서 Forecast는 한 달을 다음 세 가지 층위로 나눕니다.

실제 실적: 이미 총계정원장에 기장된 금액.

확정 금액: 계약, 청구서, 자산, 리스에서 발생하는, 아직 기장되지 않았지만 앞으로 발생할 것이 확실한 금액.

추정치: 회사의 과거 실적과 계절성을 바탕으로 Ember가 예측한, 실제로 아직 알 수 없는 부분.

저는 예측에서 AI가 맡아야 할 역할이 바로 아직 누구도 알 수 없는 부분이라고 생각합니다. 이미 알려진 모든 내용은 결정론적 회계 데이터가 기준이 되어야 합니다. 두 가지를 섞으면 사실과 추정치를 구분하기 어려워집니다. 둘을 섞으면 예측치를 이사회에 제시할 때 어떤 숫자를 확신할 수 있는지 알 수 없습니다.

누군가 숫자를 어떻게 산출했는지 물으면, 수치를 하나씩 열어 실제 실적, 확정 금액, 추정치의 구성과 Ember가 적용한 가정을 보여줄 수 있습니다. Forecast는 의사결정을 돕는 참고 자료입니다. Forecast가 산출한 내용은 어떤 것도 자동으로 원장에 기장되지 않지만, 월말 전에 사업상 결정을 내릴 수 있도록 해당 월의 실적이 어느 방향으로 향하는지 재무팀에 미리 알려줍니다.

Forecast를 이용하면 Ember는 과거 추세와 계절성을 바탕으로 해당 월의 미확정 부분을 추정하고, 그 추정에 적용된 가정도 설명할 수 있습니다. 급격한 성장이나 주요 고객의 이탈, 인수 또는 그 밖의 이례적인 사건처럼 과거의 패턴이 갑자기 더는 유효하지 않게 되는 상황은 어떻게 처리하시나요?

CFO에게 예측이 가장 필요한 달이 바로 그런 달이며, 그래서 예측을 여러 층으로 나눕니다. Forecast에서 과거 추세와 계절성에 의존하는 것은 추정치 부분뿐입니다. 확정된 층은 이미 Campfire 원장에 기록된 계약, 청구서, 자산, 리스에서 나오므로 인수나 고객 이탈, 급격한 성장이 이미 알고 있는 내용을 바꾸지는 않습니다.

패턴이 바뀌더라도 재무팀은 대개 데이터에 변화가 드러나기 전에 그 이유를 알고 있으므로, 관련 맥락을 제공할 수 있습니다. 무엇이 바뀌었는지 메모를 추가하거나 인력 계획 같은 자료를 첨부할 수도 있고, MCP 통합을 통해 CRM이나 HRIS 같은 데이터 출처를 연결할 수도 있습니다. Ember는 그 맥락을 바탕으로 미확정 부분을 다시 추정합니다.

각 추정치에는 그에 적용된 가정을 한 문장으로 설명하는 내용도 포함됩니다. 따라서 예측을 발표할 때 무엇이 사실이고, 무엇이 확정되었으며, 무엇이 전망치인지 보여 줄 수 있습니다.

Campfire는 범용 모델에 전적으로 의존하는 대신 자체 대규모 회계 모델(Large Accounting Model, LAM)을 개발했습니다. 회계 분야에서 범용 AI가 가진 한계에 대해 무엇을 알게 되셨으며, 특화 모델은 일반적인 LLM이 보통 이해하지 못하는 어떤 점을 이해해야 하나요?

회계에는 그럴듯한 답이 아니라 재현 가능한 답이 필요합니다. 범용 모델은 문장을 생성하는 데 능숙하지만, 같은 입력에 매번 같은 답을 내야 하는 수리적 추론이나 회계 분류에는 어려움을 겪을 수 있습니다.

모델에 금융 데이터를 직접 추론하게 하는 대신, 작업을 수행하는 SQL이나 Python 코드를 작성하게 합니다. 코드는 결과를 재현할 수 있어 감사에 중요하며, 동일한 결과가 나올 때마다 사람이 승인하지 않아도 기업이 작업을 자동화할 수 있게 해 줍니다.

Accounting Intelligence는 회계 데이터를 바탕으로 학습하며, 계정과목표 구조, 공급업체 패턴, 회계장부가 제대로 정리된 상태가 어떤 것인지 등을 이해합니다. 또한 각 고객의 거래 내역을 통해서도 학습합니다. 정확도는 모델 자체뿐 아니라 모델을 둘러싼 시스템에서도 나옵니다.

재무팀은 AI 오류를 좀처럼 용인하지 않습니다. 에이전트가 계정 대사, 거래 분류, 분개 준비, 원장 연동 작업을 수행하기 시작하면서 자율 실행과 사람의 승인 사이에 어떤 경계를 두어야 할까요?

어떤 조치를 확인할 수 있는지에 따라 경계를 정해야 합니다. 분개를 재현할 수 있고 기초 원장 데이터까지 추적할 수 있다면, 사람이 매번 이를 승인할 필요는 없습니다. 설명하거나 재현할 수 없는 경우에는 전기하기 전에 사람이 검토해야 합니다.

이런 원칙에 따라 Ember를 만들었습니다. 모든 에이전트의 작업은 기록되고, 기초 총계정원장(GL) 데이터에 출처가 연결되며, 검토할 수 있습니다. 각 팀은 신뢰도 기준을 설정해 Ember가 자율적으로 처리할 작업과 사람에게 넘길 작업을 정할 수 있으며, 결과에 대한 신뢰가 쌓이면 자율 처리 범위를 넓힐 수 있습니다.

판단에 대한 책임은 여전히 사람에게 있습니다. 회계 담당자는 Ember가 처리할 업무의 범위를 정하고, 예외를 검토하며, 수치가 변한 이유를 설명합니다. 에이전트는 반복적인 대조, 라벨링, 계정 대사 업무를 맡습니다. TwelveLabs가 좋은 사례입니다. 미국과 한국을 세 명의 회계 담당자가 맡고 있는 이 회사는 결산 기간을 절반으로 단축하고 30만 달러 이상을 절감했습니다.

Campfire는 결제, CRM, 조달, HR 플랫폼 같은 외부 시스템과 Ember를 연동할 수 있는 MCP 스토어도 선보였습니다. 장기적으로 ERP가 수동적인 기록 시스템에서 벗어나 AI 에이전트가 재무 기술 스택 전반에서 작업할 수 있는 오케스트레이션 계층으로 바뀔 것으로 보시나요?

원장이 기록 시스템으로 남는다면 그렇습니다. 과거 ERP는 다른 곳에서 이뤄진 작업을 기록했기 때문에 필요한 정보의 대부분은 원장 밖에 있습니다. 예를 들면 CRM의 계약 갱신, HRIS의 신규 채용, 조달 시스템의 구매 주문서가 있습니다. 에이전트가 업무를 수행하려면 이러한 맥락도 알아야 하므로 ERP는 해당 시스템에 직접 연결되어야 합니다.

재무팀은 수년간 이런 방식으로 예측해 왔으며, CRM에서 영업 파이프라인을 가져오고 HRIS에서 인원 현황을 가져왔습니다. Forecast를 사용하면 팀이 해당 시스템을 연결한 뒤 Ember가 이 작업을 한 번에 처리하며, 이미 알고 있는 모든 정보의 기준은 원장으로 유지됩니다. 원장은 계속 기준 정보의 출처 역할을 하고, 에이전트는 원장을 둘러싼 여러 시스템에서 작업할 수 있습니다.

다른 재무팀을 지원하는 AI 기업의 CEO이자 CFO이시기 때문에 AI 경제성에 대해 특히 흥미로운 관점을 갖고 계십니다. 오늘날 기업들이 AI 예산을 어떻게 책정하고 있는지, 또 기업용 AI 가격 책정이 사용자별 구독에서 사용량 기반이나 성과 기반 또는 다른 모델로 옮겨갈 것으로 보시는지 궁금합니다.

기업들이 고정된 사용자별 지출에서 변동형 AI 사용량 지출로 예산을 옮기는 추세지만, 많은 재무팀은 아직 이에 대비되어 있지 않습니다. 에이전트가 사람이 하던 업무를 맡으면 기업은 필요한 직원 계정 수를 줄이는 한편 AI 사용량은 늘릴 수 있습니다. 공급업체들은 사용자 요금에 크레딧과 초과 사용료도 더하고 있어, 재무팀은 계약을 체결하기 전에 예상 사용 비용을 모델링해야 합니다.

순수 성과 기반 과금 모델보다 혼합형 모델이 더 보편화될 것으로 봅니다. CFO로서는 예측 가능한 기본 요금이 필요하고, CEO로서는 실제 사용량을 반영하는 가격 책정이 필요합니다.

Campfire는 3,500만 달러 규모의 시리즈 A 투자를 유치한 뒤 불과 몇 주 만에 6,500만 달러 규모의 시리즈 B 투자도 유치했습니다. 그 기간에 시장이나 고객 수요에 어떤 변화가 있었기에 회사를 이처럼 공격적으로 키우기로 결정했나요? 그리고 제품을 더 빠르게 발전시키기 위해 투자 자금으로 가장 큰 기회를 어디에서 찾고 있나요?

시리즈 A 투자 유치 전부터 수요가 강했지만, 투자가 마무리된 직후 문의가 급격히 늘었습니다. Campfire를 처음 접하는 기업을 비롯해 많은 회사가 제품 시연을 요청했고, 수요가 저희가 예상했던 수준을 앞서고 있다는 사실이 분명해졌습니다.

이런 수요에 대응하기 위해 투자를 더 적극적으로 확대할 기회가 생겼습니다. 특히 기업들이 NetSuite나 Sage Intacct 같은 기존 플랫폼에서 벗어나려는 움직임을 보이기 시작했습니다. Replit 같은 고객사가 그 이유를 잘 보여줍니다. Replit은 회계팀 인원을 4명으로 유지하면서 연간 반복 매출을 1,000만 달러에서 2억 달러 이상으로 늘렸고, 매출 마감에 걸리는 시간도 8시간에서 30분으로 단축했습니다.

Accel이 주도한 시리즈 A에서 3,500만 달러를 유치했고, 이어 Accel과 Ribbit이 공동 주도한 시리즈 B에서 6,500만 달러를 유치해 12주 만에 총 1억 달러를 조달했습니다. 이 자금으로 늘어나는 수요에 대응해 왔으며, 샌프란시스코, 뉴욕, 런던에서 직원 수를 10명에서 150명 이상으로 늘렸습니다.

AI 네이티브 회계는 빠르게 경쟁이 치열한 분야로 자리 잡고 있으며, Campfire와 Rillet 같은 기업들이 QuickBooks, NetSuite, Sage Intacct 같은 기존 플랫폼에 도전하고 있습니다. 5년 후를 내다봤을 때, 회계와 ERP의 어떤 업무를 AI 에이전트가 거의 전적으로 처리하게 될 것으로 보시나요? 반대로 어떤 책임은 재무 전문가가 계속 맡게 될까요?

에이전트가 반복적인 업무 대부분을 처리하게 될 것으로 봅니다. 거래 내역과 결제 내역의 대조, 거래 내역 분류, 계정 조정, 발생액 인식, 결산과 보고의 기계적인 업무가 여기에 포함됩니다. 이런 업무는 반복적이고 규칙에 기반하므로 소프트웨어가 학습할 수 있습니다.

사람에게 남는 역할은 판단과 책임입니다. 회계 담당자는 에이전트가 자율적으로 처리할 수 있는 업무의 범위를 정하고, 예외 사항을 검토하며, 수치가 변한 이유를 설명하고, 다음에 무엇을 해야 할지 기업에 조언할 것입니다. 장부에 대해 책임을 지는 사람은 여전히 필요합니다.

시간이 지나면 ‘AI 네이티브’는 금융 소프트웨어의 기본 요건이 될 것입니다. 차별화 요소는 재무팀이 시스템에 장부를 맡길 만큼 신뢰하는지, 그리고 시스템이 어떤 결론에 도달했는지 정확히 확인할 수 있는지가 될 것입니다. 저희는 Campfire가 그 기준을 충족하도록 만들었으며, Cursor, Clay, Polymarket, PostHog를 비롯한 400개가 넘는 기업이 이미 Campfire에서 회계 장부를 관리하고 있습니다.

훌륭한 인터뷰 감사합니다. AI 네이티브 회계와 전사적 자원 관리에 대해 더 알고 싶은 독자라면 Campfire를 방문해 보세요.