John Glasgow, vd, finanschef och grundare av Campfire – intervjuserien

John Glasgow är vd, finanschef och grundare av Campfire och har erfarenhet av finans, fusioner och förvärv inom teknikbranschen samt företagsstrategi. Innan han grundade företaget arbetade han på Adobe, Invoice2go och Bill.com, där han bland annat hjälpte till att leda Invoice2go genom förvärvet för 625 miljoner dollar. Hans arbete på ekonomiavdelningar formade hans fokus på att ersätta kalkylbladsberoende processer med redovisningssystem som bevarar detaljer på transaktionsnivå och stöder automatisering.

Campfire utvecklar en AI-inbyggd plattform för affärsresursplanering för ekonomi- och redovisningsteam, som samlar huvudboken, automatisering av intäkter, rapportering och bokslutshantering. Plattformens Ember-agenter arbetar med underliggande redovisningsdata för att stödja uppgifter som avstämning och kategorisering av transaktioner, medan Forecast skiljer mellan bokförda utfall, bindande belopp och AI-genererade uppskattningar. I den här intervjun diskuterar Glasgow arkitekturen bakom AI-inbyggd redovisning, gränserna mellan agenternas självständighet och mänskligt godkännande samt hur ekonomiteam kan upprätthålla spårbarhet i takt med att automatiseringen ökar.

Din karriär har omfattat finans, fusioner och förvärv inom teknikbranschen samt strategiarbete på Adobe, Invoice2go och Bill.com innan du grundade Campfire. Vad såg du gång på gång på ekonomiavdelningar som övertygade dig om att det underliggande affärssystemet behövde byggas om, i stället för att bara förbättras med ytterligare ett programvarulager?

När jag sålde Invoice2go till Bill.com för 625 miljoner dollar fick jag se problemet på nära håll. Under due diligence hanterade jag mer än 500 förfrågningar i kalkylblad, eftersom vår intäktsredovisning, SaaS-rapportering och konsolidering fanns där i stället för i ett system. Ett företag av den storleken skötte fortfarande kritiskt ekonomiarbete i kalkylblad.

På Bill, där jag ledde de strategiska partnerskapen och arbetade nära finanschefen, såg jag samma problem hos kunderna. Lönehantering, utgiftshantering och leverantörs- och kundreskontra hade moderniserats, men ekonomiteamen var fortfarande tvungna att återvända till ett affärssystem som hade byggts för en tidigare era.

Problemet ligger i själva huvudboken. Äldre affärssystem tar emot sammanfattade poster från fakturering, betalningar, lönehantering och andra system, så transaktionsdetaljerna har gått förlorade när uppgifterna når huvudboken. Ytterligare ett programvarulager kan inte åtgärda saknade data. Jag ville ha en huvudbok som bevarade detaljerna och kunde utföra arbetet, vilket innebar att affärssystemet behövde byggas om från grunden.

”AI-inbyggd” har blivit en vanlig beskrivning inom företagsprogramvara. Vad är det rent arkitektoniskt som gör ett AI-inbyggt affärssystem fundamentalt annorlunda än ett traditionellt affärssystem där man lägger till en stor språkmodell eller AI-assistent ovanpå ett befintligt system?

Den grundläggande skillnaden är att ett AI-inbyggt affärssystem byggs kring de data som AI-arbetsflöden behöver för att kunna agera.

En AI-assistent kan bara läsa det som ett äldre affärssystem lagrar. Om affärssystemet innehåller månadssammanställningar i stället för detaljer på transaktionsnivå kan AI hitta ett belopp eller skriva ett utkast till en förklaring, men den kan inte på ett tillförlitligt sätt matcha transaktioner, stämma av konton eller förklara hur en post skapades. Campfire bevarar alla transaktionsdetaljer och hanterar både huvudboken och sidoreskontrorna, vilket ger Ember-agenterna de data de behöver för att faktiskt utföra arbetet.

En annan skillnad är spårbarheten. Varje åtgärd som en agent utför länkas till underliggande huvudboksdata och kan granskas innan den bokförs.

Den tredje skillnaden är själva modellen: Campfires Accounting Intelligence tränas på redovisningsdata och skriver kod för att utföra ekonomiska uppgifter, vilket gör resultaten reproducerbara. Det är detta som gör att agenterna kan agera i stället för att bara komma med förslag.

Campfire lanserade nyligen Forecast, som delar upp den innevarande månaden i faktiska, bindande och AI-uppskattade belopp i stället för att be AI förutsäga hela perioden. Varför utformade ni det på det här sättet, och var tycker du att AI verkligen är användbart i ekonomiska prognoser jämfört med områden där deterministiska redovisningsdata bör fortsätta styra?

Som finanschef vill jag veta var månaden kommer att landa fem eller fler dagar innan den tar slut, och då är mycket av utfallet redan känt. Att be AI förutsäga hela perioden skulle innebära att kända belopp ersattes med gissningar. Därför delar Forecast upp månaden i tre lager:

Faktiskt: det som redan har bokförts i huvudboken.

Bindande: kända framtida belopp från avtal, fakturor, tillgångar och leasingavtal som ännu inte har bokförts.

Uppskattat: Embers prognos för den del som verkligen är okänd, baserad på företagets historik och säsongsvariationer.

Det är där jag tycker att AI hör hemma i prognosarbetet: i den del som ingen ännu kan känna till. Deterministiska redovisningsdata bör styra allt som redan är känt. Om de två blandas blir det svårare att skilja fakta från uppskattningar. Om de blandas går det inte att veta vilka belopp man kan stå bakom när man presenterar prognosen för styrelsen.

När någon frågar hur jag kom fram till beloppet kan jag öppna vilken siffra som helst och visa de faktiska, bindande och uppskattade delarna tillsammans med Embers antaganden. Forecast är rådgivande; inget av det som verktyget genererar bokförs automatiskt i huvudboken, men det ger ekonomiteamet en förvarning om vart månaden är på väg, så att affärsbeslut kan fattas innan månaden är slut.

Forecast gör det möjligt för Ember att uppskatta den okända delen av månaden utifrån historiska trender och säsongsvariationer, samtidigt som antagandena bakom uppskattningarna förklaras. Hur hanterar ni situationer där historiska mönster plötsligt slutar vara användbara, till exempel vid snabb tillväxt, när en stor kund försvinner, vid ett förvärv eller vid någon annan ovanlig händelse?

Det är under sådana månader som en CFO behöver en prognos som mest, och därför är den uppdelad i olika lager. Det är bara den uppskattade delen av Forecast som bygger på historiska trender och säsongsvariationer. Det redan åtagna lagret hämtas från avtal, fakturor, tillgångar och leasingavtal som redan finns i Campfires huvudbok. Därför förändrar inte ett förvärv, en kundförlust eller snabb tillväxt det som redan är känt.

När mönstret faktiskt förändras vet ekonomiteamet oftast varför innan det syns i data, så att de kan bidra med sammanhanget. De kan lägga till en anteckning om vad som har förändrats, bifoga något i stil med en personalplan eller ansluta en datakälla, till exempel ett CRM- eller HRIS-system, via vår MCP-integration. Ember använder den informationen för att göra en ny uppskattning av den okända delen.

Varje uppskattning innehåller också en förklaring i en mening av vilka antaganden den bygger på. När jag presenterar prognosen kan jag därför visa vad som är fakta, vad som redan är åtagit och vad som är en prognos.

Campfire har utvecklat en egen storskalig redovisningsmodell, Large Accounting Model, eller LAM, i stället för att helt förlita sig på generella modeller. Vad har ni lärt er om begränsningarna hos generella AI-modeller inom redovisning, och vad behöver en specialiserad modell förstå som en konventionell LLM vanligtvis inte gör?

Redovisning kräver reproducerbara svar, inte bara svar som verkar rimliga. Generella modeller är bra på att skapa språk, men kan ha svårt med numeriska resonemang och redovisningsklassificeringar, där samma indata måste ge samma svar varje gång.

I stället för att be en modell resonera direkt utifrån finansiella data låter vi den skriva SQL eller Python-kod som utför arbetet. Kod ger reproducerbara resultat, vilket är viktigt vid revision och gör att företag kan automatisera åtgärder utan att någon behöver godkänna varje identiskt resultat.

Vår Accounting Intelligence tränas på redovisningsdata och förstår sådant som kontoplanens struktur, leverantörsmönster och hur en välskött bokföring ser ut. Den lär sig också av varje kunds transaktionshistorik. Träffsäkerheten beror lika mycket på systemet runt modellen som på själva modellen.

Ekonomiteam har ovanligt låg tolerans för AI-fel. När AI-agenter börjar utföra avstämningar, kategorisera transaktioner, förbereda verifikationer och interagera med huvudboken, var bör gränsen gå mellan autonomt utförande och mänskligt godkännande?

Gränsen bör bero på om en åtgärd går att kontrollera. Om en verifikation ger reproducerbara resultat och kan härledas till underliggande data i huvudboken ska ingen behöva godkänna varje enskilt fall. Om den inte går att förklara eller återskapa bör någon granska den innan den bokförs.

Så byggde vi Ember. Varje åtgärd som en agent utför loggas, kopplas till underliggande huvudboksdata och kan granskas. Teamen ställer in konfidensgränser som avgör vad Ember hanterar autonomt och vad som skickas vidare till en person. De kan sedan utöka agenternas handlingsfrihet i takt med att resultaten inger förtroende.

Människor ansvarar fortfarande för bedömningarna. Redovisningsekonomerna avgör hur mycket Ember ska hantera, granskar avvikelser och förklarar varför siffrorna har förändrats. Agenterna tar hand om det repetitiva arbetet med matchning, märkning och avstämning. TwelveLabs är ett bra exempel: med tre redovisningsekonomer som ansvarade för USA och Korea halverade företaget tiden för bokslutet och sparade över $300,000.

Campfire har också lanserat en MCP-butik som gör det möjligt för Ember att interagera med externa system, till exempel plattformar för betalningar, CRM, inköp och HR. Tror du att ERP-system i framtiden kommer att bli mindre av passiva registersystem och mer av ett orkestreringslager där AI-agenter kan arbeta genom hela den finansiella systemmiljön?

Ja, så länge huvudboken förblir det auktoritativa systemet. Historiskt sett har ERP-systemet registrerat arbete som utförts någon annanstans, så de flesta svaren finns utanför huvudboken: en förnyelse i CRM-systemet, en nyanställd i HRIS-systemet eller en inköpsorder i inköpssystemet. Om agenter ska utföra arbetet behöver de också tillgång till det sammanhanget, så ERP-systemet måste ansluta direkt till de systemen.

Ekonomiteam har gjort prognoser på det här sättet i många år och hämtat försäljningsmöjligheter från CRM-systemet och personalstyrkan från HRIS-systemet. Med Forecast gör Ember det så snart ett team har anslutit systemen, medan huvudboken förblir den tillförlitliga källan för allt som redan är känt. Huvudboken fortsätter att vara den tillförlitliga källan, samtidigt som agenter kan arbeta i systemen runt omkring den.

Du har ett särskilt intressant perspektiv på AI-ekonomin eftersom du både är vd och CFO för ett AI-företag som arbetar med andra ekonomiteam. Hur ser företagens budgetering för AI ut i dag, och tror du att prissättningen för företags-AI kommer att gå från abonnemang per användare till användningsbaserad prissättning, resultatbaserad prissättning eller någon annan modell?

Vi ser att budgetarna går från fasta kostnader för licenser per användare till rörlig AI-användning, och många ekonomiteam är ännu inte rustade för det. När agenter tar över arbete som tidigare utfördes av människor kan företagen behöva färre mänskliga användarlicenser samtidigt som AI-användningen ökar. Leverantörer lägger också till krediter och avgifter för överförbrukning ovanpå licensavgifterna, så ekonomiteamen behöver beräkna den möjliga användningskostnaden innan de skriver under.

Jag tror att hybridmodeller kommer att bli vanligare än renodlad resultatbaserad prissättning. Som CFO vill jag ha en förutsägbar grundkostnad, och som vd behöver jag en prissättning som speglar den faktiska användningen.

Campfire tog in 35 miljoner dollar i en A-runda och följde upp med en B-runda på 65 miljoner dollar bara några veckor senare. Vad förändrades på marknaden eller i kundernas efterfrågan under den perioden som fick er att besluta er för att investera så offensivt i bolaget, och var ser du de största möjligheterna att använda kapitalet för att påskynda produktutvecklingen?

Vi hade en stark efterfrågan redan före A-rundan, men responsen ökade omedelbart efter att den avslutats. Företag hörde av sig för att få en demonstration, många av dem hade inte hört talas om Campfire tidigare, och det blev tydligt att efterfrågan översteg våra planer.

Det gav oss möjlighet att investera mer offensivt för att möta efterfrågan, särskilt när företag blev villiga att lämna äldre plattformar som NetSuite och Sage Intacct. Kunder som Replit visar varför: företaget växte från 10 miljoner till över 200 miljoner dollar i årliga återkommande intäkter utan att utöka sitt redovisningsteam på fyra personer, och månadsbokslutet gick från åtta timmar till 30 minuter.

Vi tog in 35 miljoner dollar i vår A-runda, ledd av Accel, följt av en B-runda på 65 miljoner dollar, som leddes gemensamt av Accel och Ribbit. Sammanlagt tog vi in 100 miljoner dollar på 12 veckor. Vi har använt kapitalet för att möta efterfrågan och vuxit från 10 personer till över 150, med medarbetare i San Francisco, New York och London.

AI-redovisning har snabbt blivit ett konkurrensutsatt område, där företag som Campfire och Rillet utmanar etablerade plattformar som QuickBooks, NetSuite och Sage Intacct. Om vi blickar fem år framåt, vilka delar av redovisning och affärssystem tror du att AI-agenter kommer att hantera nästan helt, och vilka ansvarsområden kommer fortsatt att ligga helt i händerna på människor som arbetar med ekonomi?

Jag tror att agenter kommer att hantera det mesta av det rutinmässiga arbetet: att matcha transaktioner mot betalningar, märka upp transaktioner, göra avstämningar och periodiseringar samt sköta de mekaniska delarna av bokslut och rapportering. Det är repetitivt, regelstyrt arbete som programvara kan lära sig.

Det som kommer att ligga kvar hos människor är omdöme och ansvar. Redovisningsekonomer avgör hur mycket agenter får hantera självständigt, granskar avvikelser, förklarar varför siffrorna har förändrats och ger verksamheten råd om nästa steg. Någon måste fortfarande stå till svars för bokföringen.

Med tiden kommer det att bli en grundförväntan att finansiell programvara är byggd med AI från grunden. Det som kommer att skilja systemen åt är om ekonomiteamen litar på att systemet hanterar huvudboken och kan se exakt hur det har kommit fram till sina slutsatser. Det är den ribban vi byggde Campfire för att nå, och redan nu sköter över 400 företag, däribland Cursor, Clay, Polymarket och PostHog, sin bokföring i systemet.

Tack för en riktigt bra intervju! Läsare som vill veta mer om redovisning byggd med AI från grunden och affärssystem bör besöka Campfire.