Julio Martínez, medgrunnlegger og CEO av Abacum – Intervju-serie

Julio Martínez, medgrunnlegger og CEO i Abacum, er en fintech-entrepreneur med nesten to tiårs erfaring fra investeringsbank, corporate development, venture-bygging og teknologiledelse i store globale finansielle sentre. Han startet sin karriere i finansielle roller som dekket kapitalmarkeder, fusjoner og oppkjøp og private equity før han gikk over til fintech, der han hjalp til å lansere og skale opp flere digitale finansielle produkter og plattformer. Før Abacum var han medgrunnlegger og skalert opp Banco Sabadells corporate venturing-avdeling, ledet produktlanseringer, strategiske investeringer og oppkjøp i Europa, Amerika og Asia. I dag, som CEO i Abacum, anvender han dypt operasjonelt finansielt ekspertise til å bygge verktøy som moderniserer hvordan finanstimer planlegger, prognostiserer og driver forretningsresultat.

Abacum er en AI-nativ finansiell planleggings- og analyseplattform (FP&A) designet for å hjelpe mid-markeds finanstimer å forenkle og modernisere planlegging, prognostisering, rapportering og budsjettering ved å koble operasjonell og finansiell data med samarbeidsfløter og automatiserte innsikter. Bygget for å erstatte manuelle regnearksbaserte prosesser, sentraliserer plattformen sanntidsdata, støtter avansert scenariomodellering og flerdimensjonal finansiell modellering, automatiserer repetitive oppgaver som rapportering og prognoseoppdateringer, og integrerer med hundrevis av systemer for å gi timene en enkelt kilde til sannhet. Abacums funksjoner driver nøyaktighet, effisiens og strategisk beslutning, og muliggjør at finansielle organisasjoner kan redusere manuell arbeid, akselerere planleggingscykluser og fokusere på vekstorienterte innsikter

Du tilbrakte nesten to tiår med å arbeide i finansielle og fintech-bransjen før du grunnla Abacum. Hva var de spesifikke frustrasjonene med hvordan finanstimer planla, prognostiserte og rapporterte resultater som gjorde at du og Jorge innsett at verktøyene dere brukte ikke var tilstrekkelige og at dere måtte bygge produktet dere ønsket å ha selv?

Jeg innsett at finans var i ferd med å tape innflytelse ikke fordi analysen var feil, men fordi den kom for sent. Over bank, fintech og høyvoksende startups møtte jeg stadig på samme øyeblikk. I en ledelsesmøte spurte noen en rimelig spørsmål som: «Hvor mange måneder med runway har vi egentlig hvis vi sakter ned rekruttering?» eller «Hva skjer hvis omsetningen synker neste kvartal?» Og kunne ikke svare rommet i sanntid.

Det var ikke fordi jeg ikke forstod bedriften eller fordi matematikken var vanskelig. Problemet var strukturelt. Kontantbeholdning lå i ett system, headcount i et annet, omsetning et annet sted, og utgifter i regneark. For å svare med sikkerhet måtte du trekke alt sammen, bygge modellen på nytt, avklare uoverensstemmelser og håpe at ingenting gikk galt.

Til tiden jeg kunne returnere med et svar, var beslutningsvinduet stengt. Det var det virkelige problemet. Finans tjener sin plass ved bordet gjennom rigor, men beholder den gjennom tid. Hvis du ikke kan møte opp med selvstendig beslutningsstøtte i minutter eller timer, mister du innflytelse, selv om analysen er perfekt en uke senere.

Hva gjorde det verre var det feilvalget finanstimer ble gitt. De hadde enten regneark som var fleksible og raskt, men skjøre og ustyrt, eller legacy-plattformer som var kraftfulle, men antok en statisk bedrift og krevde tung administrasjon bare for å fungere.

Mens moderne bedrifter opererer i sprinter, selv på ledelsesnivå. Planer skifter konstant. Beslutninger står i kø. Finans kan ikke være laget som alltid «kommer tilbake med svaret».

Det er derfor vi grunnla Abacum. Vi ønsket et planleggingssystem bygget for hastighet og tillit samtidig, så finans kan anvende rigor tidlig nok til å forme retning mens valgmulighetene fortsatt er forhandlingsbare.

Når du startet å bygge Abacum i 2020, hvordan validerte du at dette problemet strakk seg langt utover din egen erfaring og var delt av raskt voksende mid-markedsbedrifter?

Den første valideringen kom i en samtale jeg forventet å motbevise min tese. Jeg ringte min medgrunnlegger Jorge fordi han var den smarteste finansepersonen jeg kjente, og jeg antok han ville fortelle meg at det var en bedre måte jeg hadde noenlunde oversett.

I stedet sammenlignet vi notater i timer og innsett at vi hadde levd samme mønster i forskjellige miljøer. Finanstimer drukner i avklaring, bygger stadig på nye modeller og er alltid ett skritt bak bedriften. Det var øyeblikket det klikket for oss. Dette var ikke en personlig feil eller en prosessproblematikk. Det var et strukturelt problem delt over bedrifter.

Deretter snakket vi med CFO-er og finanseledere over industrier, geografier og vekstfaser. Språket endret seg, men historien ikke. «Vi er alltid i ferd med å bygge på nytt i stedet for å rådgive».

Den dypere innsikten for oss var at denne feilene gjentas i sykluser. Hvert par år kommer en ny plattform som hevder å ha løst FP&A. Så akselererer bedriftens tempo igjen. Nye verktøy, nye målinger, nye interessenter, nye planleggingsrytmer. Systemet svulmer og bryter sammen under endring.

Denne erkjennelsen formet vår retning. Vi ønsket ikke å bygge en statisk løsning for en enkelt driftsmodell. Vi ønsket en plattform som ville forbli relevant når bedriften utviklet seg, noe som blir enda viktigere i AI-æraen. Å bli tatt opp i YC senere bekreftet at dette var et globalt problem, ikke et nisjeproblem.

Abacum støtter nå sanntidsprognoser, scenariomodellering og headcount-planlegging. På hvilket tidspunkt gikk kunstig intelligens fra å være et fremtidig konsept til å bli en grunnleggende del av plattformens arkitektur?

Kunstig intelligens var aldri en ettertanke for oss, men vi var svært bevisste på når og hvordan vi skulle anvende den. Finans er et tillitsbasert virke. Du kan ikke plassere intelligens på toppen av kaos og forvente troverdighet. Hvis dataene er uordentlige, definisjoner er inkonsistente og modellen er skjør, vil kunstig intelligens ikke fikse det. Den vil bare skalle forvirringen raskere.

Så, vi startet med grunnleggende prinsipper: en sterk data-lag, pålitelige integrasjoner og modellprimitiver som reflekterer hvordan bedrifter faktisk opererer. Fra dag én var AI-strategien å innbygge intelligens der den skaper virkelig gevinst.

Det betød å anvende kunstig intelligens på høyt volum, lav dømmekraft-arbeid som historisk forbruker tid og skaper feil. Rensking og normalisering av innkommende data. Avklaring av uoverensstemmelser over systemer. Klassifisering og tagging i skala. Fremheving av anomalier tidlig, ikke ved månedsslutt.

Når denne grunnlaget er på plass, endrer kunstig intelligens økonomien i planlegging. Scenarioutvikling blir økonomisk. Kompromisser kan testes i øyeblikket i stedet for å bli planlagt for en oppfølgingsmøte dager senere.

Det er da kunstig intelligens blir grunnleggende. Ikke når den kan generere en fin graf eller en sammenfatting, men når den lar finans anvende rigor raskt nok til å påvirke en beslutning mens den fortsatt er åpen.

I raskt voksende bedrifter bor finansielle data ofte over mange systemer og oppdateres konstant. Hva var de hardeste tekniske eller organisatoriske utfordringene i å omdanne denne fragmenterte data til et pålitelig, sanntids planleggingssystem?

Å flytte data er ikke det hardeste problemet. De fleste moderne systemer er API-drevne, og integrasjonsteknologi eksisterer. Den virkelige utfordringen begynner etter at dataene ankommer. Rådata er inkonsistente. Omsetning i CRM matcher ikke omsetning i ERP. Headcount i HR-systemer matcher ikke lønn. Selv grunnleggende målinger som ARR eller runway betyr forskjellige ting for forskjellige lag.

Hvis definisjoner ikke er eksplisitte og enige, blir hver prognose en debatt. Utfordringen er tredelt. Først, et data-grunnlag som oppdateres kontinuerlig når kilde-systemer endrer seg. Andre, en styrt forretningsmodell hvor beregninger er eksplisitte og konsistente. Tredje, organisatorisk justering, fordi sanntids planlegging krever delt definisjoner og en delt driftsrytme.

Styring er hva gjør hastighet trygg. Sanntids planlegging fungerer bare når tillit er bygget inn i arbeidsflyten, ikke boltet på som en politidokument eller en regnearksliste.

Basert på hva du ser over hundrevis av kunder, hvordan endrer kontinuerlig, sanntids planlegging måten CFO-er tar beslutninger uke for uke, ikke bare ved styre- eller budsjetttid?

Rollen til finans har skiftet fra periodisk gjennomgang til kontinuerlig beslutningsstøtte.

Først, volumet av beslutninger har eksplodert. Finans er nå involvert i rekruttering, prissetting, GTM-investeringer, fornyelser, produktvalg og operasjonelle kompromisser på en kontinuerlig basis.

Andre, data er aldri «ferdig». Nye verktøy, nye målinger og nye interessenter betyr at datasettet alltid er i bevegelse. Bedriften kan ikke vente på en perfekt lukking for å gå videre.

I denne konteksten endrer sanntids planlegging finans fra rapportering og forklaring til å aktivt forme retning. Runway blir en levende begrensning, ikke en kvartalsmåling. Scenarioplanlegging blir en hyppig kompromiss-samtale i stedet for en årlig øvelse.

De beste finanstimmene blir ikke mindre rigorøse. De blir mer rigorøse tidligere. Det er skiftet.

Hvordan anvender Abacum kunstig intelligens forskjellig fra tradisjonell regelbasert automatisering, og hvilke finansielle beslutninger krever fortsatt sterk menneskelig dømmekraft?

De fleste kunstig intelligens i finans i dag starter ved slutten av arbeidsflyten. Den antar at dine data allerede er rene og styrte, så legger til en chatbot for å spørre eller sammenfatte innsikter. Det kan være nyttig, men det hopper over det hardeste delen av FP&A.

Vi starter ved begynnelsen. Vi anvender kunstig intelligens der mennesker tilfører minst verdi og gjør flest feil, som rensking, avklaring, klassifisering, anomali-oppsporing og hjelp til modell-logikk. Intelligensen bor inne i arbeidsflyten, ikke i en separat chat-grensesnitt.

Kunstig intelligens reduserer også kompleksitetsavgiften som holder lagene tilbake. Mange plattformer krever spesialiserte konsulenter eller eksperter, og skaper en avhengighet av «system-eiere». Kunstig intelligens bør senke denne barrieren. Finanstimer bør kunne uttrykke intensjon og la systemet hjelpe med å konstruere logikken riktig.

Dette er også hvor vår midtpunkt-standpunkt betyr noe. Historisk sett har finanstimer måttet velge mellom verktøy som var fleksible men skjøre eller plattformer som var kraftfulle men tungt å håndtere. Kunstig intelligens tvinger nå den samme feilvalget: copiloter som er lette men overflatiske, eller orkestrerings-systemer som er kraftfulle men også krever at du lærer en ny måte å jobbe på. Vi mener at riktig svar er kunstig intelligens som forsvinner inn i arbeidsflyten, forbedrer planlegging uten å endre hvordan lagene opererer.

Vedrørende dømmekraft er grensen klar. Kunstig intelligens kan akselerere analyse og utforsking, men beslutninger som involverer kapitalallokering, rekrutteringskompromisser, prissetting og strategisk prioritering krever fortsatt menneskelig kontekst og ansvar. CFO-eieren eier oppkallet.

Hvordan tenker du om tillit og forklarbarhet for finanseledere som må stå bak tallene?

I finans er «retningssiktig» ikke nok. Finanseledere er ansvarlige for tallene de presenterer. Hvis du ikke kan forklare en prognose, kan du ikke bruke den i en beslutningssamtale.

Tillit starter med en deterministisk grunnlag. Konsistente definisjoner. Avklarte data. Gjennomsiktige logikk. Prediktiv intelligens fungerer bare når den er bygget på noe solide.

Forklarbarhet er hva gjør innsikt til handling. CFO-er må kunne svare raskt hva som endret seg, hvorfor det endret seg, hvilke drivere beveget seg og hvilke antagelser er ansvarlige for forskjellige resultater.

Styring kan ikke lenger bo i statiske kontroller. Den må være innbygget i arbeidsflyten, så antagelser er synlige, logikk er sporbar og hver scenario etterlater en klar rekord. Målet er ikke å fjerne mennesker fra løkken, men å hjelpe dem å anvende dømmekraft tidligere, med mer tillit.

Du har gått gjennom både tidlig akselerasjon og senere vekstfinansiering. Hvordan påvirkte disse fasene hvordan du investerte i kunstig intelligens versus kjerneproduktets grunnleggende prinsipper?

Tidlig finansiering tvang disiplin. Vi kunne ikke jage skinnobjekter. Vi måtte tjene tillit ved å bygge grunnleggende prinsipper: pålitelige integrasjoner, sterke datamodeller og en planleggingsmotor som ikke brøt når bedriften endret seg.

Kunstig intelligens var alltid en del av strategien, men vi nektet å behandle den som et markedsføringslag. Hvis kunstig intelligens ikke skapte virkelig gevinst inne i arbeidsflyten, skippet vi den.

Etter hvert som vi vokste, skiftet markedet. Kunstig intelligens ble en standard. Hver leverandør kunne demonstrere en chatbot og være «kunstig intelligens-drevet». Så hadde standarden flyttet seg fra optikk til resultater. Hjelper kunstig intelligens finans til å ta bedre beslutninger raskere, med sporbarhet, eller produserer den bare imponerende utdata?

Senere vekstfinansiering økte også effisiensstandardet. Lag måtte gjøre mer med mindre. Det forsterket fokus på kunstig intelligens som leverer målbart gevinst, ikke narrativ appel.

Du har doblet ned på amerikansk utvidelse. Hvordan skiller det amerikanske markedet seg i sin beredskap til å adoptere AI-naturlige finansielle plattformer sammenlignet med andre regioner?

Amerikanske bedrifter beveger seg raskt, og investorforventninger er høye. CFO-er forventes å være dypt operasjonelle, ikke bare nøyaktige. De er kontinuerlig guidende rekrutteringsplaner, GTM-investeringer, utgiftsbeslutninger og prioriteringer.

Det gjør smerten av langsom planlegging mer akutt. Når beslutninger skjer ukentlig eller daglig, kan finans ikke engasjere seg i en månedlig rytme. Innbygget intelligens blir mindre et «nice-to-have» og mer et krav.

Det amerikanske markedet er også mer mottakelig for tanken om at finansielle systemer bør være dynamiske, ikke statiske. Forventningen er ikke bare rapporteringsnøyaktighet, men beslutningsstøtte i den rytmen bedriften trenger å bevege seg.

Ser frem til 2026, hvilke deler av finansiell planlegging tror du vil bli i stor grad automatisert av kunstig intelligens, og hvor vil menneskelig dømmekraft forbli essensiell?

Lagene som vil bli i stor grad automatisert er de repetitive, lav dømmekraft-oppdragene som forbruker ubehøvlig tid i dag. Datakonsolidering, rensking, normalisering, avklaring, anomali-oppdaging og basis-rapportering bør kjøre kontinuerlig.

Prognostisering og scenariogenerering vil bli akselerert dramatisk, men de vil ikke bli fullstendig delegert. Kunstig intelligens vil gjøre det billig og utforske alternativer og stresstest antagelser, men kontekstrisiko og ansvar fortsatt betyr noe.

Menneskelig dømmekraft vil forbli essensiell hvor stakes er høye. Kapitalallokering. Rekrutteringsstrategi. Prissettingsbeslutninger. Styrenarrativer. Kunstig intelligens endrer om finans kan holde pace med beslutningens tempo. Den endrer ikke hvem som er ansvarlig for resultatet.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Abacum.