John Glasgow, prezes, dyrektor finansowy i założyciel Campfire – cykl wywiadów

John Glasgow jest prezesem, dyrektorem finansowym i założycielem Campfire. Ma doświadczenie w finansach, fuzjach i przejęciach w branży technologicznej oraz strategii korporacyjnej. Zanim założył firmę, pracował w Adobe, Invoice2go i Bill.com; pomagał między innymi przeprowadzić Invoice2go przez proces przejęcia za 625 mln dolarów. Praca w działach finansowych ukształtowała jego podejście: chce zastępować procesy zależne od arkuszy kalkulacyjnych systemami księgowymi, które zachowują szczegółowe dane o poszczególnych transakcjach i umożliwiają automatyzację.

Campfire tworzy platformę ERP zaprojektowaną od podstaw z myślą o AI, przeznaczoną dla zespołów finansowych i księgowych. Łączy ona księgę główną, automatyzację procesów związanych z przychodami, raportowanie i zarządzanie zamknięciem ksiąg. Agenci Ember pracują na podstawowych danych księgowych, wspierając takie zadania jak uzgadnianie i kategoryzowanie transakcji, natomiast Forecast rozdziela zaksięgowane wartości rzeczywiste, kwoty wynikające z zobowiązań i szacunki generowane przez AI. W tym wywiadzie Glasgow opowiada o architekturze księgowości zaprojektowanej z myślą o AI, granicach autonomii agentów i konieczności uzyskania akceptacji człowieka, a także o tym, jak zespoły finansowe mogą zachować możliwość śledzenia operacji w miarę rozszerzania automatyzacji.

Pańska kariera obejmuje finanse, fuzje i przejęcia w branży technologicznej oraz strategię w Adobe, Invoice2go i Bill.com, zanim założył Pan Campfire. Co wielokrotnie dostrzegał Pan w działach finansowych, co przekonało Pana, że podstawowy system ERP trzeba przebudować, zamiast jedynie ulepszać go za pomocą kolejnej warstwy oprogramowania?

Sprzedaż Invoice2go na rzecz Bill.com za 625 mln dolarów pozwoliła mi z bliska zobaczyć ten problem. Podczas badania due diligence obsłużyłem ponad 500 zapytań, korzystając z arkuszy kalkulacyjnych, ponieważ właśnie w nich, a nie w systemie, znajdowały się nasze dane dotyczące księgowania przychodów, raportowania SaaS i konsolidacji. Firma tej wielkości nadal prowadziła w arkuszach kalkulacyjnych kluczowe prace finansowe.

W Bill, gdzie kierowałem strategicznymi partnerstwami i ściśle współpracowałem z dyrektorem finansowym, dostrzegłem ten sam problem u klientów. Procesy płacowe, zarządzanie wydatkami oraz zobowiązaniami i należnościami zostały zmodernizowane, ale zespoły finansowe wciąż musiały wracać do systemu ERP zaprojektowanego w poprzedniej epoce.

Problem tkwi w samej księdze. Starsze systemy ERP otrzymują zbiorcze zapisy z systemów rozliczeniowych, płatniczych, kadrowo-płacowych i innych, więc zanim dane trafią do księgi, szczegóły transakcji są już utracone. Dodanie kolejnej warstwy oprogramowania nie rozwiąże problemu brakujących danych. Chciałem stworzyć księgę, która zachowuje szczegółowe dane i potrafi wykonywać pracę, co oznaczało konieczność przebudowania systemu ERP od podstaw.

„Zaprojektowany od podstaw z myślą o AI” to określenie coraz częściej stosowane w odniesieniu do oprogramowania dla przedsiębiorstw. Z perspektywy architektury czym system ERP zaprojektowany z myślą o AI różni się zasadniczo od tradycyjnego ERP, do którego dodano duży model językowy lub asystenta AI?

Zasadnicza różnica polega na tym, że system ERP zaprojektowany z myślą o AI jest oparty na danych, na których AI musi pracować.

Asystent może odczytać tylko to, co przechowuje starszy system ERP. Jeśli system zawiera miesięczne zestawienia zamiast szczegółowych danych o poszczególnych transakcjach, AI może znaleźć określoną wartość lub przygotować wyjaśnienie, ale nie potrafi niezawodnie dopasowywać transakcji, uzgadniać kont ani wyjaśniać, w jaki sposób utworzono zapis. Campfire zachowuje pełne szczegóły transakcji i zarządza zarówno księgą główną, jak i księgami pomocniczymi, dostarczając agentom Ember danych potrzebnych do faktycznego wykonywania pracy.

Kolejna różnica dotyczy możliwości śledzenia operacji. Każde działanie agenta jest powiązane z odpowiadającymi mu danymi w księdze i można je sprawdzić przed zaksięgowaniem.

Trzecia różnica to sam model: Accounting Intelligence firmy Campfire jest trenowany na danych księgowych i generuje kod do wykonywania zadań finansowych, dzięki czemu uzyskane wyniki można odtworzyć. To właśnie pozwala agentom działać, zamiast jedynie podpowiadać.

Campfire niedawno uruchomiło Forecast, które dzieli dane za bieżący miesiąc na wartości rzeczywiste, kwoty wynikające ze zobowiązań i szacunki AI, zamiast polegać na AI w prognozowaniu całego okresu. Dlaczego zaprojektowaliście je w ten sposób i w jakich obszarach AI naprawdę przydaje się w prognozowaniu finansowym, a w jakich kontrolę powinny zachować deterministyczne dane księgowe?

Jako dyrektor finansowy pytam, jaki będzie wynik miesiąca na pięć lub więcej dni przed jego końcem, a wtedy znaczna jego część jest już znana. Proszenie AI o prognozowanie całego okresu oznaczałoby zastępowanie znanych wartości przypuszczeniami. Dlatego Forecast dzieli miesiąc na trzy warstwy:

Rzeczywiste: wartości, które zostały już zaksięgowane w księdze głównej.

Wynikające ze zobowiązań: znane przyszłe kwoty z umów, faktur, aktywów i umów leasingowych, które nie zostały jeszcze zaksięgowane.

Szacowane: prognoza Ember dotycząca tej części, której rzeczywiście nie da się jeszcze przewidzieć, oparta na historii firmy i sezonowości.

Moim zdaniem właśnie w tym obszarze AI przydaje się w prognozowaniu: tam, gdzie nic nie jest jeszcze znane. Deterministyczne dane księgowe powinny kontrolować wszystko, co już wiadomo. Połączenie tych dwóch elementów utrudnia odróżnienie faktów od szacunków. Jeśli zostaną połączone, nie będzie wiadomo, za które wartości można ręczyć, przedstawiając prognozę zarządowi.

Gdy ktoś pyta, skąd wzięła się dana wartość, mogę otworzyć dowolną liczbę i pokazać jej składowe: wartości rzeczywiste, kwoty wynikające ze zobowiązań i szacunki, a także założenia Ember. Forecast ma charakter doradczy; żadne generowane przez niego dane nie są automatycznie księgowane, ale odpowiednio wcześnie informuje zespół finansowy o przewidywanym przebiegu miesiąca, aby można było podejmować decyzje biznesowe przed jego zamknięciem.

Forecast pozwala Ember szacować nieznaną część miesiąca na podstawie historycznych trendów i sezonowości, a jednocześnie wyjaśnia założenia, na których opierają się te szacunki. Jak radzicie sobie z sytuacjami, w których historyczne wzorce nagle przestają być przydatne, na przykład w okresie szybkiego wzrostu, po utracie ważnego klienta, przejęciu innej firmy lub innym nietypowym zdarzeniu?

To właśnie w takich miesiącach dyrektor finansowy najbardziej potrzebuje prognozy, dlatego podzielono ją na warstwy. Tylko szacowana część Forecast zależy od historycznych trendów i sezonowości. Warstwa zakontraktowana opiera się na umowach, rachunkach, aktywach i umowach leasingowych, które już znajdują się w księdze Campfire, więc przejęcie innej firmy, utrata klienta czy szybki wzrost nie zmieniają tego, co już wiadomo.

Kiedy wzorzec się zmienia, zespół finansowy zwykle wie, dlaczego, jeszcze zanim pokażą to dane, i może dostarczyć odpowiedni kontekst. Może dodać notatkę o tym, co się zmieniło, załączyć na przykład plan zatrudnienia albo połączyć źródło danych, takie jak CRM czy HRIS, za pośrednictwem naszej integracji MCP. Ember wykorzystuje ten kontekst, by ponownie oszacować nieznaną część.

Każdy szacunek zawiera też jednozdaniowe wyjaśnienie przyjętych założeń, dzięki czemu, przedstawiając prognozę, mogę wskazać, co jest faktem, co zostało zakontraktowane, a co jest prognozowane.

Campfire opracowało własny model Large Accounting Model, czyli LAM, zamiast w pełni polegać na modelach ogólnego przeznaczenia. Czego dowiedzieliście się o ograniczeniach ogólnej sztucznej inteligencji w księgowości i co musi rozumieć model specjalistyczny, czego zazwyczaj nie rozumie konwencjonalny LLM?

Księgowość wymaga odtwarzalnych odpowiedzi, a nie odpowiedzi, które tylko brzmią wiarygodnie. Modele ogólnego przeznaczenia dobrze radzą sobie z generowaniem tekstu, ale mogą mieć trudności z rozumowaniem liczbowym i klasyfikacją księgową, w przypadku których te same dane wejściowe za każdym razem powinny prowadzić do tej samej odpowiedzi.

Zamiast prosić model o bezpośrednie analizowanie danych finansowych, każemy mu pisać kod SQL lub Python, który wykonuje tę pracę. Kod zapewnia odtwarzalność, co ma znaczenie podczas audytu, a także pozwala firmom automatyzować działania bez konieczności uzyskiwania zgody człowieka na każdy identyczny wynik.

Nasza Accounting Intelligence jest szkolona na danych księgowych i rozumie między innymi strukturę planu kont, typowe wzorce dotyczące dostawców oraz to, jak powinny wyglądać prawidłowo prowadzone księgi. Uczy się również na podstawie historii transakcji każdego klienta. O dokładności decyduje zarówno otoczenie modelu, jak i sam model.

Zespoły finansowe wyjątkowo słabo tolerują błędy sztucznej inteligencji. Gdy agenci zaczynają uzgadniać konta, kategoryzować transakcje, przygotowywać zapisy i wchodzić w interakcję z księgą, gdzie powinna przebiegać granica między autonomicznym działaniem a zatwierdzaniem przez człowieka?

Granica powinna zależeć od tego, czy działanie można zweryfikować. Jeśli zapis jest odtwarzalny i można prześledzić jego powiązanie z danymi źródłowymi w księdze, człowiek nie powinien zatwierdzać każdego takiego przypadku. Jeśli nie da się go wyjaśnić ani odtworzyć, człowiek powinien go sprawdzić, zanim zostanie zaksięgowany.

Właśnie tak zbudowaliśmy Ember. Każde działanie agenta jest rejestrowane, powiązane z danymi źródłowymi z księgi głównej i możliwe do skontrolowania. Zespoły ustalają progi pewności, które określają, czym Ember zajmuje się autonomicznie, a co trafia do człowieka. Mogą też stopniowo zwiększać zakres autonomii, gdy wyniki zyskają ich zaufanie.

Ludzie nadal odpowiadają za ocenę sytuacji. Księgowi decydują, jak wiele zadań powierzyć Ember, sprawdzają wyjątki i wyjaśniają, dlaczego zmieniły się wartości. Agenci przejmują powtarzalne prace związane z dopasowywaniem, oznaczaniem i uzgadnianiem. Dobrym przykładem jest TwelveLabs: dzięki temu, że trzech księgowych obsługuje USA i Koreę, firma skróciła czas zamknięcia ksiąg o połowę i zaoszczędziła ponad 300 000 USD.

Campfire wprowadziło również sklep MCP, który umożliwia Ember współpracę z zewnętrznymi systemami, takimi jak platformy płatnicze, CRM, systemy zaopatrzenia i kadrowe. Czy ostatecznie ERP stanie się, waszym zdaniem, czymś więcej niż biernym systemem ewidencji i przekształci się w warstwę koordynującą, która pozwoli agentom AI działać w całym środowisku finansowym?

Tak, o ile księga pozostanie systemem ewidencji. Historycznie ERP rejestrował pracę wykonaną gdzie indziej, dlatego większość informacji znajduje się poza księgą: odnowienie umowy w CRM, nowy pracownik w HRIS czy zamówienie zakupu w systemie zaopatrzenia. Jeśli agenci mają wykonywać te zadania, potrzebują również tego kontekstu, więc ERP musi łączyć się bezpośrednio z tymi systemami.

Zespoły finansowe od lat przygotowują prognozy w ten sposób, pobierając dane o potencjalnych transakcjach z CRM, a informacje o zatrudnieniu z HRIS. Dzięki Forecast Ember robi to po jednorazowym połączeniu tych systemów przez zespół, a księga pozostaje źródłem prawdy o wszystkim, co już wiadomo. Księga nadal jest źródłem prawdy, a agenci mogą działać w połączonych z nią systemach.

Masz szczególnie interesującą perspektywę na ekonomikę AI, ponieważ jesteś jednocześnie dyrektorem generalnym i finansowym firmy AI, która obsługuje inne zespoły finansowe. Jak obecnie firmy planują budżety na AI i czy spodziewasz się, że ceny rozwiązań AI dla przedsiębiorstw odejdą od subskrypcji rozliczanych za użytkownika na rzecz rozliczeń za wykorzystanie, za osiągnięte wyniki czy według innego modelu?

Obserwujemy odchodzenie od stałych wydatków na stanowiska użytkowników na rzecz zmiennych kosztów korzystania z AI, a wiele zespołów finansowych nie jest jeszcze na to przygotowanych. Gdy agenci przejmują zadania wykonywane wcześniej przez ludzi, firmy mogą potrzebować mniej stanowisk dla pracowników, a jednocześnie zwiększać wykorzystanie AI. Dostawcy doliczają też pakiety kredytów i opłaty za przekroczenie limitów do opłat za stanowiska, dlatego przed podpisaniem umowy zespoły finansowe muszą oszacować potencjalne koszty korzystania z tych usług.

Spodziewam się, że modele hybrydowe staną się powszechniejsze niż modele oparte wyłącznie na osiąganych wynikach. Jako dyrektor finansowy chcę mieć przewidywalną opłatę podstawową, a jako dyrektor generalny potrzebuję cen, które odzwierciedlają rzeczywiste wykorzystanie.

Campfire pozyskało 35 mln dolarów w ramach rundy A, a zaledwie kilka tygodni później kolejne 65 mln dolarów w rundzie B. Co zmieniło się w tym czasie na rynku lub w zapotrzebowaniu klientów, że zdecydowaliście się tak agresywnie dokapitalizować firmę, i gdzie widzisz największą szansę na wykorzystanie tych środków do przyspieszenia rozwoju produktu?

Już przed rundą A cieszyliśmy się dużym zainteresowaniem, ale po jej zamknięciu reakcja rynku natychmiast się nasiliła. Firmy zgłaszały się do nas z prośbą o prezentacje, wiele z nich wcześniej nie znało Campfire, i stało się jasne, że popyt przewyższa nasze oczekiwania.

Dzięki temu mogliśmy zainwestować więcej w zaspokojenie tego popytu, zwłaszcza że firmy coraz chętniej rezygnowały ze starszych platform, takich jak NetSuite i Sage Intacct. Przykład Replit pokazuje, dlaczego ma to znaczenie: firma zwiększyła roczne przychody powtarzalne z 10 mln do ponad 200 mln dolarów, nie powiększając czteroosobowego zespołu księgowego, a zamknięcie rozliczeń przychodów skróciło się z ośmiu godzin do 30 minut.

W rundzie A pozyskaliśmy 35 mln dolarów, której przewodził Accel, a następnie 65 mln dolarów w rundzie B współprowadzonej przez Accel i Ribbit. W ciągu 12 tygodni zebraliśmy łącznie 100 mln dolarów. Wykorzystaliśmy te środki, by sprostać popytowi, zwiększając zespół z 10 do ponad 150 osób w San Francisco, Nowym Jorku i Londynie.

Księgowość oparta na AI szybko stała się konkurencyjną kategorią, a firmy takie jak Campfire i Rillet rzucają wyzwanie uznanym platformom, takim jak QuickBooks, NetSuite i Sage Intacct. Jeśli spojrzymy pięć lat w przyszłość, które obszary księgowości i ERP, twoim zdaniem, agenci AI będą obsługiwać niemal całkowicie, a za które obowiązki nadal będą zdecydowanie odpowiadać specjaliści ds. finansów?

Spodziewam się, że agenci przejmą większość rutynowych zadań: dopasowywanie transakcji do płatności, oznaczanie transakcji, uzgadnianie sald, rozliczanie biernych rozliczeń międzyokresowych oraz mechaniczne czynności związane z zamknięciem okresu i raportowaniem. To powtarzalna praca oparta na regułach, której oprogramowanie może się nauczyć.

Ludziom pozostaną ocena sytuacji i odpowiedzialność. Księgowi będą decydować, ile zadań mogą powierzyć agentom działającym autonomicznie, weryfikować wyjątki, wyjaśniać przyczyny zmian wartości liczbowych oraz doradzać firmie, jakie powinna podjąć dalsze działania. Ktoś nadal musi odpowiadać za księgi.

Z czasem oprogramowanie finansowe oparte na AI stanie się standardem. O przewadze będzie decydować to, czy zespoły finansowe zaufają systemowi na tyle, by powierzyć mu swoje księgi, i czy będą mogły dokładnie sprawdzić, jak doszedł do swoich wniosków. Takiemu standardowi miało sprostać Campfire i już ponad 400 firm, w tym Cursor, Clay, Polymarket i PostHog, prowadzi w nim swoje księgi.

Dziękujemy za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o księgowości opartej na AI i planowaniu zasobów przedsiębiorstwa, powinni odwiedzić Campfire.