Julio Martínez, Współzałożyciel i Dyrektor Generalny Abacum – Wywiad

Julio Martínez, Współzałożyciel i Dyrektor Generalny Abacum, jest przedsiębiorcą z dziedziny fintech z prawie dwudziestoletnim doświadczeniem, obejmującym bankowość inwestycyjną, rozwój korporacyjny, budowę venture oraz przywództwo technologiczne w głównych globalnych centrach finansowych. Rozpoczął swoją karierę w rolach finansowych, obejmujących rynki kapitałowe, fuzje i przejęcia oraz private equity, zanim przeszedł do fintech, gdzie pomógł w uruchomieniu i skalowaniu wielu cyfrowych produktów i platform finansowych. Przed Abacum współzałożył i skalował korporacyjne przedsięwzięcie Banco Sabadell, prowadząc uruchomienia produktów, inwestycje strategiczne i przejęcia w Europie, Amerykach i Azji. Dziś, jako Dyrektor Generalny Abacum, stosuje głęboką wiedzę operacyjną w finansach, budując narzędzia, które modernizują sposób, w jaki zespoły finansowe planują, prognozują i napędzają wyniki biznesowe.

Abacum to platforma planowania i analizy finansowej (FP&A) rodzimej AI, zaprojektowana, aby pomóc zespołom finansowym w firmach o średniej wielkości w uproszczeniu i zmodernizowaniu planowania, prognozowania, raportowania i budżetowania, łącząc dane operacyjne i finansowe z współpracą i zautomatyzowanymi wglądami. Zbudowana, aby zastąpić manualne procesy oparte na arkuszach kalkulacyjnych, platforma centralizuje dane w czasie rzeczywistym, wspiera zaawansowane modelowanie scenariuszy i wielowymiarowe modelowanie finansowe, automatyzuje powtarzalne zadania, takie jak raportowanie i aktualizacje prognoz, oraz integruje się z setkami systemów, aby dać zespołom jedną prawdę. Funkcje Abacum napędzają dokładność, wydajność i strategiczne podejmowanie decyzji, umożliwiając organizacjom finansowym redukowanie pracy ręcznej, przyspieszanie cykli planistycznych i skupienie się na wglądach zorientowanych na wzrost

Spędziłeś prawie dwie dekady pracując w finansach i fintech przed założeniem Abacum. Jakie konkretnie frustracje związane z planowaniem, prognozowaniem i raportowaniem wyników przez zespoły finansowe sprawiły, że ty i Jorge zrealizowaliście, iż narzędzia, których używaliście, nie były odpowiednie i że musicie zbudować produkt, który sami chcielibyście mieć?

Zrozumiałem, że finanse tracą wpływ nie dlatego, że analiza jest błędna, ale dlatego, że przychodzi za późno. W bankowości, fintech i startupach o wysokim wzroście zawsze natrafiałem na ten sam moment. Na spotkaniu ktoś pytałby o coś rozsądnego, np. “Ile miesięcy runwayu mamy, jeśli zwolnimy tempo rekrutacji?” lub “Co się stanie, jeśli przychody spadną w następnym kwartale?” I nie mogłem odpowiedzieć w czasie rzeczywistym.

Nie było to dlatego, że nie rozumiałem biznesu ani dlatego, że matematyka była trudna. Problem był strukturalny. Gotówka żyła w jednym systemie, headcount w innym, przychody gdzie indziej, a wydatki w arkuszach kalkulacyjnych. Aby odpowiedzieć z pewnością, trzeba było połączyć wszystko, odbudować model, uzgodnić rozbieżności i mieć nadzieję, że nic nie pęknie.

Do czasu, gdy mógłbym wrócić z odpowiedzią, okno decyzyjne zostało zamknięte. To był prawdziwy problem. Finanse zdobywają swoje miejsce przy stole dzięki rygorowi, ale utrzymują je dzięki czasowi. Jeśli nie możesz się pojawić z pewnym wsparciem decyzyjnym w ciągu kilku minut lub godzin, tracisz wpływ, nawet jeśli twoja analiza jest idealna tydzień później.

Co więcej, fałszywy wybór, przed którym stawiano zespoły finansowe, polegał na tym, że albo używały arkuszy kalkulacyjnych, które były elastyczne i szybkie, ale kruche i niezarządzane, albo platform legacy, które były potężne, ale zakładały statyczny biznes i wymagały ciężkiej administracji, aby w ogóle funkcjonować.

Tymczasem nowoczesne firmy działają w sprintach, nawet na poziomie kierownictwa. Plany się zmieniają ciągle. Decyzje się nakładają. Finanse nie mogą pozwolić sobie na to, aby być zespołem, który zawsze “wraca z odpowiedzią”.

Dlatego założyliśmy Abacum. Chcieliśmy system planistyczny zbudowany dla szybkości i zaufania jednocześnie, aby finanse mogły zastosować rygor na tyle wcześnie, aby kształtować kierunek, zanim wybory będą jeszcze negocjowalne.

Gdy zaczynaliście budować Abacum w 2020 roku, jak walidowaliście, że ten problem wykracza poza wasze własne doświadczenie i jest współdzielony przez szybko rozwijające się firmy o średniej wielkości?

Pierwsza weryfikacja przyszła w rozmowie, której oczekiwałem, że obali moją tezę. Zadzwoniłem do mojego współzałożyciela Jorge, ponieważ był najmądrzejszym finansistą, jakiego znałem, i założyłem, że powie mi, że istnieje lepszy sposób, którego jakoś przegapiłem.

Zamiast tego porównaliśmy notatki przez godziny i zrealizowaliśmy, że żyliśmy tym samym wzorcem w różnych środowiskach. Zespoły finansowe toną w rekonsolidacji, ciągle odbudowując modele, i zawsze są o krok za biznesem. To był moment, w którym to się dla nas kliknęło. To nie był osobisty błąd ani problem procesowy. To był strukturalny problem współdzielony przez firmy.

Następnie rozmawialiśmy z CFO i liderami finansowymi z różnych branż, geografii i etapów wzrostu. Język się zmieniał, ale historia nie. “Zawsze odbudowujemy zamiast doradzać”.

Głębsza intuicja dla nas była taka, że ten błąd powtarza się w cyklach. Co kilka lat nowa platforma twierdzi, że rozwiązała FP&A. Potem tempo biznesu przyspiesza ponownie. Nowe narzędzia, nowe metryki, nowi stakeholderzy, nowe cykle planistyczne. System puchnie i łamie się pod wpływem zmian.

To zrozumienie ukształtowało nasz kierunek. Nie chcieliśmy budować statycznego rozwiązania dla jednego modelu operacyjnego. Chcieliśmy platformę, która pozostanie istotna, gdy biznes ewoluuje, co staje się jeszcze bardziej krytyczne w erze AI. Przyjęcie do YC później potwierdziło, że to jest globalny problem, a nie niszowy.

Abacum obsługuje obecnie prognozowanie w czasie rzeczywistym, modelowanie scenariuszy i planowanie headcount. W którym momencie sztuczna inteligencja przeszła od koncepcji przyszłości do podstawowej części architektury platformy?

AI nigdy nie była dla nas czymś pobocznym, ale byliśmy bardzo świadomi, kiedy i jak ją zastosować. Finanse to biznes zaufania. Nie możesz położyć inteligencji na chaosie i oczekiwać wiarygodności. Jeśli dane są nieporządane, definicje są niespójne, a model jest kruchy, AI nie poprawi tego. Po prostu przyspieszy zamieszanie.

Zaczęliśmy więc od podstaw: silnej warstwy danych, niezawodnych integracji i prymitywów modelowania, które odzwierciedlają, jak firmy naprawdę działają. Od dnia pierwszego strategia AI była taka, aby osadzić inteligencję tam, gdzie tworzy prawdziwą przewagę.

To oznaczało zastosowanie AI do prac o wysokiej objętości i niskim sądzie, które historycznie pochłaniają czas i tworzą błędy. Oczyszczanie i normalizowanie danych przychodzących. Uzgodnienie niezgodności między systemami. Klasyfikacja i tagowanie na dużą skalę. Wczesne ujawnianie anomalii, a nie na koniec miesiąca.

Gdy ta baza jest na miejscu, AI zmienia ekonomię planowania. Eksploracja scenariuszy staje się opłacalna. Kompromisy mogą być testowane w tym momencie, a nie zaplanowane na spotkanie kilka dni później.

To jest moment, gdy AI staje się podstawowe. Nie gdy może wygenerować ładny wykres lub podsumowanie, ale gdy pozwala finansom zastosować rygor na tyle wcześnie, aby ukształtować kierunek, zanim wybory będą jeszcze negocjowalne.

W szybko rozwijających się firmach dane finansowe często żyją w wielu systemach i aktualizują się ciągle. Jakie były najtrudniejsze wyzwania techniczne lub organizacyjne w przekształceniu tych rozproszonych danych w niezawodny system planistyczny w czasie rzeczywistym?

Przenoszenie danych nie jest najtrudniejszym problemem. Większość nowoczesnych systemów jest napędzana przez API, a narzędzia integracyjne istnieją. Prawdziwe wyzwanie zaczyna się po przybyciu danych. Surowe dane są niekonsekwentne. Przychody w CRM nie zgadzają się z przychodami w ERP. Headcount w systemach HR nie zgadza się z payroll. Nawet podstawowe metryki, takie jak ARR lub runway, oznaczają różne rzeczy dla różnych zespołów.

Jeśli definicje nie są jawne i uzgodnione, każda prognoza zamienia się w debatę. Wyzywanie jest trójstopniowe. Po pierwsze, baza danych, która aktualizuje się ciągle, gdy systemy źródłowe się zmieniają. Po drugie, zarządzany model biznesowy, w którym obliczenia są jawne i spójne. Po trzecie, wyrównanie organizacyjne, ponieważ planowanie w czasie rzeczywistym wymaga wspólnych definicji i współdzielonego rytmu operacyjnego.

Zarządzanie jest tym, co sprawia, że szybkość jest bezpieczna. Planowanie w czasie rzeczywistym działa tylko wtedy, gdy zaufanie jest wbudowane w przepływ pracy, a nie jest nakładane jako dokument polityki lub lista kontrolna arkusza kalkulacyjnego.

Patrząc na setki klientów, jak ciągłe, rzeczywiste planowanie zmienia sposób, w jaki dyrektorzy finansowi podejmują decyzje tydzień po tygodniu, a nie tylko na spotkaniach zarządu lub budżetowych?

Rola finansów przesunęła się z okresowych przeglądów do ciągłego wsparcia decyzyjnego.

Po pierwsze, objętość decyzji wybuchła. Finanse są teraz zaangażowane w rekrutację, inwestycje GTM, odnowienia, zakłady produktowe i operacyjne kompromisy na bieżąco.

Po drugie, dane nigdy nie są “gotowe”. Nowe narzędzia, nowe metryki i nowi stakeholderzy oznaczają, że zestaw danych jest zawsze w ruchu. Biznes nie może czekać na idealne zamknięcie, aby ruszyć naprzód.

W tym kontekście planowanie w czasie rzeczywistym zmienia finanse z raportowania i wyjaśniania na aktywne kształtowanie kierunku. Runway staje się żywą ograniczeniem, a nie kwartalną metryką. Planowanie scenariuszy staje się częstą rozmową o kompromisach, a nie corocznym ćwiczeniem.

Najlepsze zespoły finansowe nie stają się mniej rygorystyczne. Stają się bardziej rygorystyczne wcześniej. To jest przesunięcie.

Jak Abacum stosuje AI inaczej niż tradycyjna automatyka oparta na regułach, a które decyzje finansowe wciąż wymagają silnego osądu ludzkiego?

Większość AI w finansach dzisiaj zaczyna się od końca przepływu pracy. Zakłada, że twoje dane są już czyste i zarządzane, a następnie dodaje chatbota do zapytania go lub podsumowania wglądów. To może być pomocne, ale pomija najtrudniejszą część FP&A.

My zaczynamy od samego początku. Stosujemy AI tam, gdzie ludzie dodają najmniej wartości i popełniają najwięcej błędów, takich jak czyszczenie, uzgodnienie, klasyfikacja, wykrywanie anomalii i pomoc w logice modelu. Inteligencja żyje wewnątrz przepływu pracy, a nie w oddzielnym interfejsie czatu.

AI również redukuje podatek złożoności, który hamuje zespoły. Wiele platform wymaga specjalistycznych konsultantów lub ekspertów, tworząc zależność od “właścicieli systemu”. AI powinno obniżyć tę barierę. Zespoły finansowe powinny być w stanie wyrazić swoje intencje i mieć system, który pomoże im zbudować logikę poprawnie.

To jest również miejsce, w którym nasza postawa “środkowa” ma znaczenie. Historycznie zespoły finansowe musiały wybierać między narzędziami, które były elastyczne, ale kruche, a platformami, które były potężne, ale ciężkie do zarządzania. AI zmusza do tego samego fałszywego kompromisu: pilotów, którzy są łatwi, ale płytki, lub systemów orchestracji, które są potężne, ale wymagają nauki nowego sposobu pracy. Podczas gdy my uważamy, że odpowiedź jest taka, że AI powinno zniknąć w przepływie pracy, poprawiając planowanie bez zmiany, w jaki sposób zespoły operują.

Jeśli chodzi o osąd, granica jest wyraźna. AI może przyspieszyć analizę i eksplorację, ale decyzje dotyczące alokacji kapitału, kompromisów związanych z zatrudnieniem, cen, i strategicznych priorytetów wciąż wymagają ludzkiego kontekstu i odpowiedzialności. Dyrektor finansowy jest odpowiedzialny za decyzję.

Jak myślisz o zaufaniu i wyjaśnialności dla liderów finansowych, którzy muszą stać za liczbami?

W finansach “ogólnie poprawne” nie jest wystarczająco dobre. Liderzy finansowi są odpowiedzialni za liczby, które prezentują. Jeśli nie możesz wyjaśnić prognozy, nie możesz jej użyć w rozmowie decyzyjnej.

Zaufanie zaczyna się od deterministycznej bazy. Spójne definicje. Uzgodnione dane. Przejrzysta logika. Inteligencja predykcyjna działa tylko wtedy, gdy jest zbudowana na czymś solidnym.

Wyjaśnialność jest tym, co zamienia wgląd w działanie. Dyrektorzy finansowi muszą odpowiedzieć szybko, co się zmieniło, dlaczego się zmieniło, które sterowniki się poruszyły, i jakie założenia są odpowiedzialne za różne wyniki.

Zarządzanie nie może już żyć w statycznych kontrolach. Musi być osadzone w przepływie pracy, aby założenia były widoczne, logika była śledzalna, a każdy scenariusz pozostawiał wyraźny zapis. Celem nie jest usunięcie ludzi z pętli, ale pomoc im w wykonywaniu osądu wcześniej, z większą pewnością.

Przeszliście przez wczesne przyspieszenie i późniejsze finansowanie wzrostu. Jak te fazy wpłynęły na to, jak agresywnie inwestowaliście w AI w porównaniu z podstawowymi fundamentami produktu?

Wczesne finansowanie wymusiło dyscyplinę. Nie mogliśmy gonić za błyszczącymi obiektami. Musieliśmy zdobyć zaufanie, budując fundamenty: niezawodne integracje, silne modele danych i silnik planistyczny, który nie łamie się, gdy biznes się zmienia.

AI była zawsze częścią strategii, ale odmówiliśmy traktowania jej jak warstwy marketingowej. Jeśli AI nie tworzyło realnej przewagi wewnątrz przepływu pracy, nie wysyłaliśmy go.

Gdy rosliśmy, rynek się zmienił. AI stało się standardem. Każdy dostawca mógł wyświetlić chatbota i być “napędzanym przez AI”. Tak więc poprzeczka przesunęła się z optyki do wyników. Czy AI pomaga finansom podejmować lepsze decyzje szybciej, z śledzeniem, czy tylko produkuje imponujące wyjścia?

Późniejsze finansowanie wzrostu podniosło standard wydajności. Zespoły oczekiwano, że zrobią więcej z mniej. To wzmocniło nasz focus na AI, które dostarcza wymierne korzyści, a nie narracyjne.

Podwajaliście stawkę na ekspansję w Stanach Zjednoczonych. Jak rynek amerykański różni się pod względem gotowości do przyjęcia platform finansowych rodzimych AI w porównaniu z innymi regionami?

Amerykańskie firmy poruszają się szybko, a oczekiwania inwestorów są wysokie. Dyrektorzy finansowi są oczekiwani, aby być głęboko operacyjnymi, a nie tylko dokładnymi. Są ciągle prowadzeni planami zatrudnienia, inwestycjami GTM, decyzjami o wydatkach i priorytetami.

To sprawia, że ból powolnego planowania jest bardziej ostry. Gdy decyzje są podejmowane tygodniowo lub codziennie, finanse nie mogą pozwolić sobie na operowanie w rytmie miesięcznym. Inteligencja wbudowana staje się nie tylko pożądana, ale wymagana.

Rynek amerykański jest również bardziej otwarty na ideę, że systemy finansowe powinny być dynamiczne, a nie statyczne. Oczekiwaniem nie jest tylko dokładność raportowania, ale wsparcie decyzyjne w tempie, w jakim biznes musi się poruszać.

Spójrzając w przyszłość do 2026 roku, które części planowania finansowego uważasz, że staną się w dużej mierze zautomatyzowane przez AI, a gdzie osąd ludzki pozostanie niezastąpiony?

Warstwy, które staną się w dużej mierze zautomatyzowane, to powtarzalne, niskie zadania sądu, które pochłaniają nieproporcjonalnie dużo czasu dzisiaj. Konsolidacja danych, czyszczenie, normalizacja, uzgodnienie, wykrywanie anomalii i raportowanie podstawowe powinny działać ciągle.

Prognozowanie i generowanie scenariuszy będzie przyspieszone dramatycznie, ale nie będą w pełni delegowane. AI uczyni to tanim i pozwoli na eksplorację opcji i testowanie założeń, ale kontekst ryzyka i odpowiedzialność nadal mają znaczenie.

Osąd ludzki pozostanie niezastąpiony wszędzie, gdzie stawki są wysokie. Alokacja kapitału. Strategia zatrudnienia. Decyzje o cenach. Narracje zarządu. AI zmienia, czy finanse mogą nadążyć za tempem decyzji. Nie zmienia jednak, kto jest odpowiedzialny za wynik.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Abacum.