John Glasgow, CEO, CFO en oprichter van Campfire – interviewreeks

John Glasgow is CEO, CFO en oprichter van Campfire. Hij brengt ervaring mee op het gebied van financiën, fusies en overnames in de technologiesector en bedrijfsstrategie. Voordat hij het bedrijf oprichtte, werkte hij bij Adobe, Invoice2go en Bill.com. Zo hielp hij Invoice2go door de overname ter waarde van $625 miljoen te loodsen. Zijn werk binnen financiële organisaties bracht hem ertoe zich te richten op het vervangen van processen die afhankelijk zijn van spreadsheets door boekhoudsystemen die transacties tot in detail vastleggen en automatisering ondersteunen.

Campfire ontwikkelt een ERP-platform dat vanaf de basis rond AI is ontworpen voor financiële en boekhoudteams. Het brengt het grootboek, omzetautomatisering, rapportage en afsluitbeheer samen. De Ember-agenten werken met de onderliggende boekhoudgegevens en ondersteunen taken zoals reconciliatie en de categorisering van transacties. Forecast houdt geboekte werkelijke cijfers, vastgelegde bedragen en door AI gegenereerde schattingen van elkaar gescheiden. In dit interview bespreekt Glasgow de architectuur achter boekhouding die vanaf de basis rond AI is ontworpen, de grenzen tussen de autonomie van agenten en menselijke goedkeuring, en hoe financiële teams de traceerbaarheid kunnen behouden terwijl de automatisering toeneemt.

Je carrière omvatte functies in de financiële sector en in fusies en overnames in de technologiesector, en strategie bij Adobe, Invoice2go en Bill.com, voordat je Campfire oprichtte. Wat zag je steeds terug binnen financiële organisaties waardoor je ervan overtuigd raakte dat het onderliggende ERP opnieuw moest worden opgebouwd, in plaats van simpelweg te worden verbeterd met een extra softwarelaag?

De verkoop van Invoice2go aan Bill.com voor $625 miljoen liet me het probleem van dichtbij zien. Tijdens het due diligence-onderzoek behandelde ik meer dan 500 verzoeken met behulp van spreadsheets, omdat onze omzetboekhouding, SaaS-rapportage en consolidaties daarin waren ondergebracht in plaats van in een systeem. Een bedrijf van die omvang voerde nog altijd cruciale financiële werkzaamheden uit in spreadsheets.

Bij Bill, waar ik leiding gaf aan strategische partnerschappen en nauw samenwerkte met de CFO, zag ik hetzelfde probleem bij klanten. De salarisadministratie, het uitgavenbeheer en de crediteuren- en debiteurenadministratie waren gemoderniseerd, maar financiële teams moesten nog steeds teruggrijpen op een ERP dat voor een ander tijdperk was gebouwd.

Het probleem zit in het grootboek zelf. Verouderde ERP-systemen ontvangen samengevatte boekingen uit facturatie-, betalings-, salarisadministratie- en andere systemen. Daardoor zijn de transactiedetails verdwenen zodra de gegevens het grootboek bereiken. Een extra softwarelaag kan ontbrekende gegevens niet aanvullen. Ik wilde een grootboek dat de details bewaarde en het werk kon uitvoeren. Daarvoor moest het ERP vanaf de basis opnieuw worden opgebouwd.

‘Vanaf de basis rond AI ontworpen’ is een omschrijving die steeds vaker wordt gebruikt voor bedrijfssoftware. Wat maakt een ERP dat vanaf de basis rond AI is ontworpen, architectonisch gezien fundamenteel anders dan een traditioneel ERP waaraan een groot taalmodel of AI-copiloot wordt toegevoegd?

Het fundamentele verschil is dat een ERP dat vanaf de basis rond AI is ontworpen, is opgebouwd rond de gegevens die AI-workflows nodig hebben om taken uit te voeren.

Een copiloot kan alleen lezen wat een verouderd ERP opslaat. Als het ERP maandelijkse samenvattingen bevat in plaats van gegevens over afzonderlijke transacties, kan AI een getal vinden of een uitleg opstellen, maar niet betrouwbaar transacties koppelen, rekeningen reconciliëren of uitleggen hoe een boeking tot stand is gekomen. Campfire bewaart alle transactiedetails en beheert zowel het grootboek als de subadministraties. Daardoor beschikken de Ember-agenten over de gegevens die ze nodig hebben om het werk daadwerkelijk uit te voeren.

Een ander verschil is de traceerbaarheid. Elke handeling van een agent is gekoppeld aan de onderliggende grootboekgegevens en kan worden gecontroleerd voordat de boeking wordt verwerkt.

Het derde verschil zit in het model zelf: Campfires Accounting Intelligence is getraind op boekhoudgegevens en schrijft code om financiële taken uit te voeren, waardoor de resultaten reproduceerbaar zijn. Daardoor kunnen agenten handelen in plaats van alleen suggesties te doen.

Campfire heeft onlangs Forecast gelanceerd, dat de lopende maand opsplitst in werkelijke, vastgelegde en door AI geschatte cijfers, in plaats van AI te vragen de hele periode te voorspellen. Waarom hebben jullie voor deze aanpak gekozen, en waar is AI volgens jou echt nuttig bij financiële prognoses, en waar moeten deterministische boekhoudgegevens de leidende rol behouden?

Als CFO wil ik vijf of meer dagen voor het einde van de maand weten waar we die maand op uitkomen. Op dat moment is al veel bekend. Als je AI vraagt de hele periode te voorspellen, vervang je bekende cijfers door gissingen. Daarom splitst Forecast de maand op in drie lagen:

Werkelijk: wat al in het grootboek is geboekt.

Vastgelegd: bekende toekomstige bedragen uit contracten, facturen, activa en leases die nog niet zijn geboekt.

Geschat: Embers prognose voor het deel dat echt nog onbekend is, gebaseerd op de bedrijfshistorie en seizoenspatronen.

Daar hoort AI volgens mij thuis bij prognoses: bij het deel dat nog niemand kan weten. Deterministische boekhoudgegevens moeten leidend zijn voor alles wat al bekend is. Als je die twee met elkaar vermengt, wordt het moeilijker om feiten van schattingen te onderscheiden. Wanneer ze worden vermengd, kun je niet zien voor welke cijfers je kunt instaan als je de prognose aan de raad van bestuur presenteert.

Als iemand vraagt hoe ik aan een cijfer kom, kan ik dat cijfer openen en de werkelijke, vastgelegde en geschatte onderdelen laten zien, samen met de aannames van Ember. Forecast geeft advies; niets wat het oplevert, wordt automatisch in het grootboek geboekt. Het geeft de financiële afdeling wel tijdig inzicht in de verwachte ontwikkeling van de maand, zodat er zakelijke beslissingen kunnen worden genomen voordat de maand wordt afgesloten.

Met Forecast kan Ember het onbekende deel van de maand ramen op basis van historische trends en seizoenspatronen, en tegelijk de aannames achter die ramingen toelichten. Hoe gaan jullie om met situaties waarin historische patronen plotseling niet meer bruikbaar zijn, bijvoorbeeld bij snelle groei, het verlies van een grote klant, een overname of een andere uitzonderlijke gebeurtenis?

In zulke maanden heeft een CFO een prognose het hardst nodig. Daarom is die in lagen opgebouwd. Alleen het geraamde deel van Forecast is afhankelijk van historische trends en seizoenspatronen. De vastgelegde laag is gebaseerd op contracten, facturen, activa en leaseovereenkomsten die al in het grootboek van Campfire staan. Een overname, het verlies van een klant of snelle groei verandert dus niets aan wat al bekend is.

Als het patroon wel verandert, weet het financiële team meestal al waarom voordat dat uit de gegevens blijkt, en kan het die context dus aanleveren. Het team kan een notitie toevoegen over wat er is veranderd, bijvoorbeeld een personeelsplan bijvoegen of via onze MCP-integratie een bron zoals een CRM- of HRIS-systeem koppelen. Ember gebruikt die context om het onbekende deel opnieuw te ramen.

Bij elke raming staat ook een toelichting van één zin op de aannames. Zo kan ik bij het presenteren van de prognose laten zien wat een feit is, wat al vastligt en wat wordt geraamd.

Campfire heeft een eigen Large Accounting Model, oftewel LAM, ontwikkeld in plaats van volledig te vertrouwen op modellen voor algemeen gebruik. Wat hebben jullie geleerd over de beperkingen van algemene AI voor de boekhouding, en wat moet een gespecialiseerd model begrijpen dat een conventioneel LLM doorgaans niet begrijpt?

De boekhouding vereist reproduceerbare antwoorden, geen antwoorden die alleen aannemelijk klinken. Modellen voor algemeen gebruik zijn goed in het genereren van taal, maar kunnen moeite hebben met numeriek redeneren en boekhoudkundige classificaties, waarbij dezelfde invoer telkens hetzelfde antwoord moet opleveren.

In plaats van een model rechtstreeks te laten redeneren over financiële gegevens, laten we het SQL of Python schrijven om het werk uit te voeren. Code levert reproduceerbare resultaten op, wat belangrijk is voor audits en bedrijven in staat stelt handelingen te automatiseren zonder dat iemand elk identiek resultaat hoeft goed te keuren.

Onze Accounting Intelligence is getraind met boekhoudkundige gegevens en begrijpt zaken als de structuur van een rekeningschema, patronen bij leveranciers en hoe een goed bijgehouden boekhouding eruitziet. Het leert ook van de transactiegeschiedenis van elke klant. De nauwkeurigheid komt zowel voort uit het systeem rondom het model als uit het model zelf.

Financiële teams tolereren uitzonderlijk weinig fouten van AI. Nu AI-agenten reconciliaties uitvoeren, transacties categoriseren, boekingen voorbereiden en met het grootboek werken, waar moet de grens liggen tussen autonome uitvoering en menselijke goedkeuring?

De grens moet afhangen van de vraag of een handeling kan worden gecontroleerd. Als een boeking reproduceerbaar is en terug te voeren is op de onderliggende gegevens in het grootboek, hoeft iemand niet elke afzonderlijke boeking goed te keuren. Als de boeking niet kan worden toegelicht of gereproduceerd, moet iemand die controleren voordat ze wordt verwerkt.

Zo hebben we Ember gebouwd. Elke handeling van een agent wordt vastgelegd, is te herleiden tot de onderliggende gegevens in het grootboek (GL) en kan worden gecontroleerd. Teams stellen betrouwbaarheidsdrempels in die bepalen welke taken Ember zelfstandig uitvoert en welke aan een medewerker worden voorgelegd. Naarmate de resultaten vertrouwen wekken, kunnen teams de autonomie uitbreiden.

De uiteindelijke beoordeling blijft mensenwerk. Accountants bepalen hoeveel Ember voor zijn rekening neemt, controleren uitzonderingen en leggen uit waarom de cijfers zijn veranderd. De agenten nemen het repetitieve werk op zich, zoals het matchen, labelen en reconciliëren. TwelveLabs is een goed voorbeeld: met drie accountants voor de VS en Korea halveerde het bedrijf de duur van de afsluiting en bespaarde het meer dan $300,000.

Campfire heeft ook een MCP-winkel geïntroduceerd waarmee Ember kan communiceren met externe systemen, zoals betaal-, CRM-, inkoop- en HR-platforms. Denkt u dat ERP-systemen uiteindelijk minder een passief registratiesysteem worden en meer een orkestratielaag waarin AI-agenten in de hele financiële infrastructuur kunnen werken?

Ja, zolang het grootboek het registratiesysteem blijft. Historisch gezien legde het ERP-systeem werk vast dat elders was uitgevoerd. Daardoor staan de meeste antwoorden buiten het grootboek: een verlenging in het CRM, een nieuwe medewerker in het HRIS of een inkooporder in het inkoopsysteem. Als agenten het werk gaan doen, hebben ze die context ook nodig. Het ERP-systeem moet daarom rechtstreeks verbinding maken met die systemen.

Financiële teams maken al jaren op deze manier prognoses: ze halen de verkoopkansen uit het CRM en de personeelsaantallen uit het HRIS. Met Forecast doet Ember dat zodra een team die systemen koppelt, terwijl het grootboek de bron van waarheid blijft voor alles wat al bekend is. Het grootboek blijft de bron van waarheid, terwijl agenten in de omliggende systemen kunnen werken.

U hebt een bijzonder interessant perspectief op de economie van AI, omdat u zowel CEO als CFO bent van een AI-bedrijf dat andere financiële teams bedient. Hoe ziet u bedrijven tegenwoordig hun AI-budgetten bepalen, en verwacht u dat de prijsmodellen voor enterprise-AI afstappen van abonnementen per gebruiker en overgaan op gebruik, resultaten of een ander model?

We zien dat budgetten verschuiven van vaste uitgaven per gebruiker naar variabele AI-consumptie, en veel financiële teams zijn daar nog niet op ingericht. Als agenten werk overnemen dat mensen voorheen deden, hebben bedrijven mogelijk minder gebruikerslicenties nodig, terwijl hun AI-gebruik toeneemt. Leveranciers voegen ook tegoeden en kosten voor overschrijdingen toe aan licentiekosten, dus financiële teams moeten de mogelijke gebruikskosten modelleren voordat ze een overeenkomst tekenen.

Ik verwacht dat hybride modellen gangbaarder worden dan pure resultaatgebaseerde prijsmodellen. Als CFO wil ik een voorspelbare basis, en als CEO heb ik prijsstelling nodig die aansluit op het daadwerkelijke gebruik.

Campfire haalde 35 miljoen dollar op in een Series A, gevolgd door slechts enkele weken later een Series B van 65 miljoen dollar. Wat veranderde er in die periode in de markt of in de vraag van klanten waardoor jullie besloten het bedrijf zo agressief te financieren, en waar zie je de grootste kans om met dat kapitaal het product sneller te ontwikkelen?

Al vóór de Series A was er veel vraag, maar na de afronding ervan nam die meteen sterk toe. Bedrijven namen contact met ons op voor demo’s, en veel daarvan kenden Campfire nog niet. Het werd duidelijk dat de vraag groter was dan waarop we hadden gerekend.

Daardoor kregen we de kans om meer te investeren in het voldoen aan die vraag, vooral toen bedrijven bereid werden om verouderde platforms als NetSuite en Sage Intacct achter zich te laten. Klanten als Replit laten zien waarom: het bedrijf groeide van 10 miljoen naar meer dan 200 miljoen dollar aan jaarlijkse terugkerende omzet zonder het vierkoppige boekhoudteam uit te breiden, en de omzetafsluiting duurde nog maar 30 minuten in plaats van acht uur.

We haalden 35 miljoen dollar op in onze Series A, geleid door Accel, gevolgd door een Series B van 65 miljoen dollar, mede geleid door Accel en Ribbit. Daarmee kwam het totaal in 12 weken op 100 miljoen dollar. We hebben dat geld gebruikt om aan de vraag te blijven voldoen en zijn gegroeid van 10 naar meer dan 150 medewerkers, verspreid over San Francisco, New York en Londen.

AI-gedreven boekhouden is in korte tijd een concurrerende markt geworden, waarin bedrijven als Campfire en Rillet gevestigde platforms als QuickBooks, NetSuite en Sage Intacct uitdagen. Als we vijf jaar vooruitkijken, welke onderdelen van boekhouding en ERP verwacht je dan dat AI-agenten vrijwel volledig voor hun rekening nemen, en welke verantwoordelijkheden blijven nadrukkelijk bij financiële professionals?

Ik verwacht dat agenten het meeste routinematige werk gaan doen: transacties aan betalingen koppelen, transacties labelen, aansluitingen uitvoeren, overlopende posten verwerken en de mechanische onderdelen van de afsluiting en rapportage. Het gaat om repetitief, regelgebonden werk dat software kan leren uitvoeren.

Oordeelsvermogen en verantwoordelijkheid blijven bij mensen. Accountants bepalen hoeveel agenten zelfstandig mogen doen, beoordelen uitzonderingen, leggen uit waarom de cijfers zijn veranderd en adviseren het bedrijf over de volgende stappen. Iemand moet nog altijd verantwoording afleggen voor de boekhouding.

Op termijn wordt ‘AI-native’ een basisverwachting voor financiële software. Het verschil zal zitten in de vraag of financiële teams het systeem hun grootboek toevertrouwen en precies kunnen zien hoe het tot zijn conclusies is gekomen. Dat is de lat die we Campfire hebben laten halen, en meer dan 400 bedrijven, waaronder Cursor, Clay, Polymarket en PostHog, voeren hun boekhouding er al mee.

Bedankt voor het geweldige interview. Lezers die meer willen weten over boekhouding en ERP die vanaf de basis op AI zijn gebouwd, kunnen terecht bij Campfire.