Джон Глазго, генеральный директор, финансовый директор и основатель Campfire — серия интервью

Джон Глазго — генеральный директор, финансовый директор и основатель Campfire. Он обладает опытом в сфере финансов, слияний и поглощений в технологической отрасли, а также корпоративной стратегии. До основания компании он работал в Adobe, Invoice2go и Bill.com и, в частности, помог провести Invoice2go через сделку по приобретению за 625 миллионов долларов. Работа в финансовых подразделениях компаний определила его стремление заменить процессы, зависящие от электронных таблиц, бухгалтерскими системами, которые сохраняют детализацию на уровне отдельных операций и поддерживают автоматизацию.

Campfire разрабатывает ERP-платформу, изначально созданную для работы с ИИ, для финансовых и бухгалтерских команд. Она объединяет главную книгу, автоматизацию учета выручки, отчетность и управление закрытием отчетного периода. Агенты Ember работают с исходными бухгалтерскими данными и помогают выполнять такие задачи, как сверка и категоризация операций, а Forecast разделяет проведенные фактические данные, подтвержденные суммы и оценки, сформированные ИИ. В этом интервью Глазго рассказывает об архитектуре бухгалтерских систем, изначально созданных для работы с ИИ, о границах между автономностью агентов и одобрением со стороны человека, а также о том, как финансовым командам сохранять прослеживаемость по мере расширения автоматизации.

Ваша карьера охватывает финансы, слияния и поглощения в технологической отрасли и стратегическую работу в Adobe, Invoice2go и Bill.com, после чего вы основали Campfire. С чем вы снова и снова сталкивались в финансовых подразделениях компаний, что убедило вас: базовую ERP-систему нужно перестроить, а не просто усовершенствовать, добавив еще один программный слой?

Продажа Invoice2go компании Bill.com за 625 миллионов долларов позволила мне вплотную столкнуться с этой проблемой. В ходе комплексной проверки я обработал более 500 запросов с помощью электронных таблиц, потому что учет выручки, отчетность по SaaS и консолидация данных велись в них, а не в системе. Даже компания такого масштаба выполняла важные финансовые задачи с помощью электронных таблиц.

В Bill, где я руководил стратегическими партнерствами и тесно работал с финансовым директором, я видел ту же проблему у разных клиентов. Расчет заработной платы, управление расходами, кредиторской и дебиторской задолженностью уже были модернизированы, но финансовым командам по-прежнему приходилось возвращаться к ERP-системе, созданной для другой эпохи.

Проблема заключается в самой главной книге. Устаревшие ERP-системы получают сводные записи из систем выставления счетов, обработки платежей, расчета заработной платы и других систем, поэтому к моменту попадания данных в главную книгу детализация операций уже теряется. Еще один программный слой не восстановит отсутствующие данные. Я хотел создать главную книгу, которая сохраняла бы детализацию и могла бы выполнять работу, а для этого требовалось полностью перестроить ERP-систему.

«Изначально созданный для работы с ИИ» — все более распространенное описание корпоративного программного обеспечения. Чем с архитектурной точки зрения ERP-система, изначально созданная для работы с ИИ, принципиально отличается от традиционной ERP-системы, к которой просто добавили большую языковую модель или ИИ-помощника?

Принципиальное отличие в том, что ERP-система, изначально созданная для работы с ИИ, строится вокруг данных, с которыми должны работать ИИ-процессы.

ИИ-помощник может читать только то, что хранится в устаревшей ERP-системе. Если в ней вместо детализации на уровне отдельных операций содержатся месячные сводки, ИИ может найти нужную цифру или составить пояснение, но не сможет надежно сопоставлять операции, сверять счета или объяснять, как была сформирована запись. Campfire сохраняет полную детализацию операций и отвечает как за главную книгу, так и за субрегистры, предоставляя агентам Ember необходимые для работы данные.

Еще одно отличие — прослеживаемость. Каждое действие агента связано с исходными данными главной книги, и его можно проверить до того, как оно будет отражено в учете.

Третье отличие — сама модель: Accounting Intelligence от Campfire обучена на бухгалтерских данных и пишет код для выполнения финансовых задач, благодаря чему результаты можно воспроизвести. Это позволяет агентам действовать, а не просто давать рекомендации.

Недавно Campfire запустила Forecast: сервис разделяет показатели текущего месяца на фактические, подтвержденные и рассчитанные ИИ, а не просит ИИ прогнозировать весь период целиком. Почему вы выбрали такой подход и в каких случаях ИИ действительно полезен при финансовом прогнозировании, а в каких контроль должен оставаться за детерминированными бухгалтерскими данными?

Как финансовый директор, я за пять или более дней до конца месяца спрашиваю, каким будет итог, хотя к этому времени многое уже известно. Если попросить ИИ спрогнозировать весь период целиком, он заменит известные цифры предположениями. Поэтому Forecast разделяет месяц на три составляющие:

Фактические данные: то, что уже отражено в главной книге.

Подтвержденные суммы: известные будущие поступления и расходы по договорам, счетам, активам и аренде, которые еще не отражены в учете.

Оценка: прогноз Ember для действительно неизвестной части месяца, основанный на истории компании и сезонных тенденциях.

Именно в этой части, на мой взгляд, ИИ и должен применяться при прогнозировании: там, где пока ничего нельзя знать наверняка. За уже известные данные должен отвечать детерминированный бухгалтерский учет. Если объединить эти две составляющие, будет сложнее отличить факты от оценок. В таком случае, представляя прогноз совету директоров, нельзя понять, за какие цифры можно поручиться.

Когда меня спрашивают, откуда взялась цифра, я могу открыть любой показатель и показать его фактическую и подтвержденную составляющие, а также оценку и предположения Ember. Forecast дает рекомендации: его расчеты не отражаются в главной книге автоматически. При этом сервис заранее показывает финансовой команде, к чему идет месяц, чтобы она успела принять бизнес-решения до его закрытия.

Forecast позволяет Ember оценивать неизвестную часть месяца на основе исторических тенденций и сезонности, а также объяснять допущения, лежащие в основе этих оценок. Как вы действуете в ситуациях, когда исторические закономерности внезапно перестают быть полезными — например, при быстром росте, потере крупного клиента, приобретении компании или другом необычном событии?

Именно в такие месяцы финансовому директору прогноз нужен больше всего, поэтому он разделён на несколько слоёв. Только оценочная часть Forecast зависит от исторических тенденций и сезонности. Зафиксированный слой формируется на основе договоров, счетов, активов и договоров аренды, уже учтённых в бухгалтерской книге Campfire, поэтому приобретение компании, потеря клиента или быстрый рост не меняют того, что уже известно.

Когда закономерность меняется, финансовая команда обычно понимает причину раньше, чем это становится видно по данным, и может предоставить соответствующий контекст. Она может добавить примечание об изменениях, прикрепить, например, план по численности персонала или подключить источник данных — такой как CRM или HRIS — через нашу интеграцию MCP. Ember использует этот контекст, чтобы заново оценить неизвестную часть.

К каждой оценке также прилагается объяснение допущений одним предложением, поэтому, представляя прогноз, я могу показать, что является фактом, что уже подтверждено, а что пока лишь прогнозируется.

Вместо того чтобы полностью полагаться на универсальные модели, Campfire разработала собственную большую модель для бухгалтерского учёта — Large Accounting Model, или LAM. Что вы узнали об ограничениях универсального ИИ в сфере бухгалтерского учёта и что должна понимать специализированная модель, чего обычно не понимает стандартная большая языковая модель (LLM)?

В бухгалтерском учёте нужны воспроизводимые, а не просто правдоподобные ответы. Универсальные модели хорошо справляются с генерацией текста, но могут испытывать трудности с числовыми расчётами и классификацией в бухгалтерском учёте, где одинаковые исходные данные должны каждый раз давать один и тот же результат.

Вместо того чтобы просить модель напрямую анализировать финансовые данные, мы поручаем ей писать SQL- или Python-код для выполнения этой работы. Результат работы кода воспроизводим, что важно для аудита и позволяет компаниям автоматизировать действия, не требуя от человека подтверждать каждый идентичный результат.

Наша система Accounting Intelligence обучена на бухгалтерских данных и понимает такие вещи, как структура плана счетов, закономерности в данных поставщиков и то, как должна выглядеть правильно оформленная бухгалтерская отчётность. Кроме того, она учится на истории операций каждого клиента. Точность зависит не только от самой модели, но и от системы, в которую она встроена.

Финансовые команды отличаются крайне низкой терпимостью к ошибкам ИИ. По мере того как агенты начинают выполнять сверки, классифицировать операции, готовить проводки и взаимодействовать с бухгалтерской книгой, где должна проходить граница между автономным выполнением и одобрением человеком?

Граница должна зависеть от того, можно ли проверить действие. Если проводка воспроизводима и её можно проследить до исходных данных бухгалтерской книги, человеку не нужно подтверждать каждый такой случай. Если действие нельзя объяснить или воспроизвести, человек должен проверить его до внесения проводки.

Именно так мы создали Ember. Каждое действие агента регистрируется, связывается с исходными данными главной книги (GL) и может быть проверено. Команды задают пороговые значения уверенности, определяющие, что Ember выполняет самостоятельно, а что передаёт человеку. По мере того как результаты оправдывают доверие, команды могут расширять автономность системы.

Окончательное решение по-прежнему остаётся за людьми. Бухгалтеры определяют, какой объём работы поручить Ember, проверяют исключения и объясняют, почему изменились показатели. Агенты берут на себя рутинную работу по сопоставлению, маркировке и сверке. Хороший пример — TwelveLabs: благодаря этому компания, где за учёт в США и Корее отвечают три бухгалтера, вдвое сократила время закрытия периода и сэкономила более 300 000 долларов.

Campfire также запустила магазин MCP, который позволяет Ember взаимодействовать с внешними системами, например платёжными, CRM, закупочными и кадровыми платформами. Считаете ли вы, что в конечном счёте ERP перестанет быть пассивной системой учёта и превратится в оркестрационный слой, где ИИ-агенты смогут работать со всем финансовым технологическим стеком?

Да, при условии, что бухгалтерская книга останется системой учёта. Исторически ERP фиксировала работу, выполненную в других системах, поэтому большая часть ответов находится за пределами бухгалтерской книги: продление договора — в CRM, новый сотрудник — в HRIS, заказ на закупку — в системе закупок. Если работу будут выполнять агенты, им тоже понадобится этот контекст, поэтому ERP должна напрямую подключаться к этим системам.

Финансовые команды уже много лет составляют прогнозы таким способом, загружая данные о воронке продаж из CRM и сведения о численности персонала из HRIS. Forecast позволяет Ember делать это автоматически после подключения командой этих систем, а бухгалтерская книга остаётся источником достоверных данных обо всём, что уже известно. Она сохраняет роль такого источника, а агенты могут работать с окружающими её системами.

У вас особенно интересный взгляд на экономику ИИ, поскольку вы одновременно занимаете должности генерального и финансового директора компании, работающей в сфере ИИ и обслуживающей другие финансовые команды. Как, по вашим наблюдениям, компании сегодня планируют бюджеты на ИИ? Как вы считаете, перейдёт ли ценообразование на корпоративные решения в области ИИ от подписки с оплатой за пользователя к оплате за использование, результат или какой-либо другой модели?

Мы видим, что компании переходят от фиксированных расходов на оплату каждого рабочего места к переменным затратам на использование ИИ, и многие финансовые команды пока не готовы к этому. По мере того как агенты берут на себя работу, которую раньше выполняли люди, компаниям может требоваться меньше пользовательских лицензий, даже несмотря на рост использования ИИ. Поставщики также добавляют к плате за рабочие места кредиты и надбавки за превышение лимитов, поэтому финансовым командам нужно оценить возможные расходы на использование до подписания договора.

Думаю, гибридные модели ценообразования станут распространённее, чем модели, основанные исключительно на результатах. Как финансовый директор, я хочу иметь предсказуемую базовую ставку, а как генеральный директор — чтобы цена отражала фактическое использование.

Campfire привлекла 35 млн долларов в раунде Series A, а всего несколько недель спустя — ещё 65 млн долларов в раунде Series B. Что изменилось за это время на рынке или в спросе со стороны клиентов, что побудило вас так активно привлекать капитал для компании? И где вы видите самую перспективную возможность ускорить развитие продукта за счёт этих средств?

Ещё до раунда Series A спрос был высоким, но сразу после его закрытия интерес резко вырос. Компании стали обращаться к нам с запросами на демонстрацию продукта; многие из них раньше не знали о Campfire. Стало ясно, что спрос превысил наши ожидания.

Это позволило нам активнее вкладываться в удовлетворение спроса, особенно по мере того, как компании стали готовы отказываться от устаревших платформ, таких как NetSuite и Sage Intacct. Пример Replit показывает, почему это важно: её регулярная годовая выручка выросла с 10 млн до более чем 200 млн долларов, при этом команда бухгалтеров из четырёх человек не увеличилась, а закрытие выручки сократилось с восьми часов до 30 минут.

В раунде Series A мы привлекли 35 млн долларов под руководством Accel, а затем — 65 млн долларов в раунде Series B, который совместно возглавили Accel и Ribbit. За 12 недель общий объём привлечённых средств достиг 100 млн долларов. Мы направили их на то, чтобы справиться с растущим спросом, и увеличили команду с 10 до более чем 150 человек в Сан-Франциско, Нью-Йорке и Лондоне.

Бухгалтерский учёт на базе ИИ быстро стал конкурентной категорией: такие компании, как Campfire и Rillet, бросают вызов устоявшимся платформам, включая QuickBooks, NetSuite и Sage Intacct. Если заглянуть на пять лет вперёд, какие задачи в бухгалтерском учёте и ERP, по вашему мнению, ИИ-агенты будут выполнять практически полностью, а какие обязанности останутся исключительно за финансовыми специалистами?

Думаю, агенты возьмут на себя большую часть рутинной работы: сопоставление транзакций с платежами, маркировку транзакций, сверки, начисления, а также механические этапы закрытия периода и подготовки отчётности. Это повторяющиеся задачи, основанные на правилах, которым может обучиться программное обеспечение.

Людям останутся суждения и ответственность. Бухгалтеры будут определять, какие задачи можно поручить агентам без контроля, проверять исключения, объяснять, почему изменились показатели, и советовать компании, что делать дальше. Кто-то всё равно должен отвечать за бухгалтерские книги.

Со временем наличие ИИ станет базовым ожиданием от финансового программного обеспечения. Отличительной чертой будет то, доверят ли финансовые команды системе свою главную книгу и смогут ли точно понять, как она пришла к своим выводам. Именно такой уровень мы стремились обеспечить в Campfire, и уже более 400 компаний, включая Cursor, Clay, Polymarket и PostHog, ведут в ней свою бухгалтерию.

Спасибо за интересное интервью! Читатели, желающие узнать больше о бухгалтерском учёте и планировании ресурсов предприятия на базе ИИ, могут посетить сайт Campfire.