Julio Martínez, medgrundare och VD för Abacum – Intervju-serie

Julio Martínez, medgrundare och VD för Abacum, är en fintech-entreprenör med nästan två decenniers erfarenhet inom investmentbanking, företagsutveckling, venture-byggnad och teknisk ledning i stora globala finansiella centra. Han började sin karriär inom finansområden som täckte kapitalmarknader, M&A och private equity innan han gick över till fintech, där han hjälpte till att lansera och skala upp flera digitala finansiella produkter och plattformar. Före Abacum var han medgrundare och skalade upp Banco Sabadells corporate venturing-enhet, som ledde produktlanseringar, strategiska investeringar och förvärv i Europa, Amerika och Asien. Idag, som VD för Abacum, tillämpar han djup operativ finansiell expertis för att bygga verktyg som moderniserar hur finansteam planerar, prognostiserar och driver affärsprestation.

Abacum är en AI-nativ finansiell planerings- och analysplattform (FP&A) som är utformad för att hjälpa medelstora finansteam att förenkla och modernisera planering, prognostisering, rapportering och budgetering genom att ansluta operativa och finansiella data med samarbetsflöden och automatiserade insikter. Byggd för att ersätta manuella processer driven av kalkylblad, centraliserar plattformen realtidsdata, stöder avancerad scenariomodellering och flerdimensionell finansiell modellering, automatiserar repetitiva uppgifter som rapportering och prognosuppdateringar och integrerar med hundratals system för att ge teamen en enda källa till sanning. Abacums funktioner driver noggrannhet, effektivitet och strategiskt beslutsfattande, vilket möjliggör för finansiella organisationer att minska manuellt arbete, accelerera planeringscykler och fokusera på tillväxtinriktade insikter

Du har tillbringat nästan två decennier med att arbeta inom finans och fintech innan du grundade Abacum. Vilka specifika frustrationer med hur finansteam planerade, prognostiserade och rapporterade prestationer gjorde att du och Jorge insåg att verktygen ni använde inte var lämpliga och att ni behövde bygga den produkt ni önskade ha själva?

Jag insåg att finans förlorade inflytande inte för att analysen var fel, utan för att den kom för sent. Inom banking, fintech och snabbt växande startups stötte jag hela tiden på samma ögonblick. I ett möte med chefer frågade någon en rimlig fråga som: “Hur många månaders löptid har vi egentligen om vi saktar ner rekryteringen?” eller “Vad händer om intäkterna sjunker nästa kvartal?” Och kunde inte svara rummet i realtid.

Det var inte för att jag inte förstod affären eller för att matematiken var svår. Problemet var strukturellt. Kontanter fanns i ett system, personalstyrka i ett annat, intäkter någonstans och utgifter i kalkylblad. För att svara med tillförsikt måste man dra allt samman, bygga om modellen, harmonisera skillnader och hoppas att ingenting gick sönder.

När jag kunde återvända med ett svar hade beslutsfönstret stängts. Det var det verkliga problemet. Finans tjänar sin plats vid bordet genom rigor, men behåller den genom timing. Om man inte kan visa upp beslutsstöd i minuter eller timmar förlorar man inflytande, även om analysen är perfekt en vecka senare.

Vad som gjorde det värre var det falska valet finansteam fick. De använde antingen kalkylblad som var flexibla och snabba, men ömtåliga och ostyrda. Eller legacy-plattformar som var kraftfulla men antog en statisk affär och krävde tung administration bara för att fungera.

Medan moderna företag opererar i sprinter, även på chefsnivå. Planer skiftar konstant. Beslut hopar sig. Finans kan inte vara det team som alltid “kommer tillbaka med svaret”.

Därför grundade vi Abacum. Vi ville ha ett planeringssystem byggt för hastighet och tillförlitlighet samtidigt, så att finans kan tillämpa rigor tidigt nog för att forma riktning medan val är fortfarande förhandlingsbara.

När du började bygga Abacum 2020, hur validerade du att problemet sträckte sig långt utöver din egen erfarenhet och delades av snabbt växande medelstora företag?

Den första valideringen kom i ett samtal som jag förväntade mig skulle motbevisa min tes. Jag ringde min medgrundare Jorge eftersom han var den smartaste finansområdespersonen jag kände, och jag antog att han skulle säga att det fanns ett bättre sätt som jag på något sätt hade missat.

Istället jämförde vi anteckningar i timmar och insåg att vi hade levt samma mönster i olika miljöer. Finansteam drunknar i harmonisering, bygger om modeller hela tiden och är alltid ett steg efter affären. Det var ögonblicket då det klickade för oss. Detta var inte en personlig misslyckande eller en processfråga. Det var ett strukturellt problem som delades över företag.

Sedan talade vi med CFO:er och finansområdesledare över branscher, geografier och tillväxtstadier. Språket ändrades, men historien inte. “Vi bygger om hela tiden istället för att ge råd”.

Den djupare insikten för oss var att denna misslyckande upprepar sig i cykler. Varje få år hävdar en ny plattform att ha löst FP&A. Sedan accelererar affärstakten igen. Nya verktyg, nya mått, nya intressenter, nya planeringsrytmer. Systemet sväller och går sönder under förändring.

Den insikten formade vår riktning. Vi ville inte bygga en statisk lösning för en enda driftmodell. Vi ville en plattform som skulle förbli relevant när affären utvecklas, vilket blir ännu viktigare i AI-eran. Att bli antagen till YC senare förstärkte att detta var ett globalt problem, inte en nisch.

Abacum stöder nu realtidsprognoser, scenariomodellering och personalplanering. Vid vilken tidpunkt gick artificiell intelligens från en framtida koncept till en grundläggande del av plattformens arkitektur?

AI var aldrig en eftertanke för oss, men vi var mycket medvetna om när och hur vi skulle tillämpa den. Finans är ett förtroendeföretag. Du kan inte lägga intelligens ovanpå kaos och förvänta dig trovärdighet. Om data är rörig, definitioner är inkonsekventa och modellen är ömtålig, kommer AI inte att lösa det. Det kommer bara att skala förvirringen snabbare.

Så vi började med grunderna: en stark datalager, tillförlitliga integrationer och modellprimitiver som reflekterar hur företag faktiskt fungerar. Från dag ett var AI-strategin att infoga intelligens där den skapar verklig hävstång.

Det betydde att tillämpa AI på högvolym, låg bedömningsarbete som historiskt konsumerar tid och skapar fel. Rengöring och normalisering av inkommande data. Harmonisering av skillnader över system. Klassificering och taggning i skala. Ytliggörande av avvikelser tidigt, inte vid månads slut.

När den grunden är på plats, ändrar AI ekonomin i planeringen. Scenariouppspelning blir ekonomiskt. Avvägningar kan testas i ögonblicket istället för att schemaläggas för ett uppföljande möte dagar senare.

Det är då AI blir grundläggande. Inte när det kan generera en snygg graf eller en sammanfattning, utan när det tillåter finans att tillämpa rigor tillräckligt snabbt för att påverka ett beslut medan det fortfarande är öppet.

I snabbt växande företag bor finansiell data ofta över många system och uppdateras konstant. Vilka var de svåraste tekniska eller organisatoriska utmaningarna i att omvandla den fragmenterade datan till ett tillförlitligt, realtidsplaneringssystem?

Att flytta data är inte det svåraste problemet. De flesta moderna system är API-drivna, och integreringsverktyg finns. Den verkliga utmaningen börjar efter att data anländer. Rådata är inkonsekventa. Intäkter i CRM matchar inte intäkter i ERP. Personalstyrka i HR-system matchar inte lönelistor. Även grundläggande mått som ARR eller löptid betyder olika saker för olika team.

Om definitioner inte är explicita och överenskomna, förvandlas varje prognos till en debatt. Utmaningen är tresidig. Först, en datagrund som uppdateras kontinuerligt när källsystemen ändras. Andra, en styrd affärsmodell där beräkningar är explicita och konsekventa. Tredje, organisatorisk samstämmighet, eftersom realtidsplanering kräver delade definitioner och en delad operativ rytm.

Styrning är vad som gör hastighet säker. Realtidsplanering fungerar bara när förtroende byggs in i arbetsflödet, inte skruvas fast som en policydokument eller en kalkylbladschecklista.

Från det du ser över hundratals kunder, hur förändrar kontinuerlig, realtidsplanering hur CFO:er fattar beslut vecka för vecka, inte bara vid styrelse- eller budgettid?

Finansens roll har skiftat från periodisk granskning till kontinuerligt beslutsstöd.

Först, beslutsvolymen har exploderat. Finans är nu involverad i rekrytering, prissättning, GTM-investeringar, förnyelser, produktinsatser och operativa avvägningar på en löpande basis.

Andra, data är aldrig “klar”. Nya verktyg, nya mått och nya intressenter betyder att datamängden alltid är i rörelse. Affären kan inte vänta på en perfekt stängning för att gå vidare.

I detta sammanhang förändrar realtidsplanering finans från rapportering och förklaring till aktivt formande av riktning. Löptid blir en levande begränsning, inte en kvartalsmått. Scenarioplanering blir en frekvent avvägningskonversation snarare än en årlig övning.

De bästa finanstalen blir inte mindre rigorösa. De blir mer rigorösa tidigare. Det är skiftet.

Hur tillämpar Abacum AI annorlunda än traditionell regelbaserad automatisering, och vilka finansiella beslut kräver fortfarande stark mänsklig bedömning?

De flesta AI i finans idag börjar i slutet av arbetsflödet. Det antar att din data redan är ren och styrd, sedan lägger till en chattbot för att fråga den eller sammanfatta insikter. Det kan vara hjälpsamt, men det hoppar över det svåraste delen av FP&A.

Vi börjar i början. Vi tillämpar AI där människor lägger till minst värde och gör de flesta felen, såsom rensning, harmonisering, klassificering, avvikelseupptäckt och modelllogik. Intelligens bor i arbetsflödet, inte i en separat chattgränssnitt.

AI minskar också komplexitetsskatten som håller team tillbaka. Många plattformar kräver specialiserade konsulter eller experter, vilket skapar en beroende av “systemägare”. AI bör sänka den ribban. Finansteam bör kunna uttrycka avsikt och ha systemet hjälpa till att konstruera logiken korrekt.

Detta är också där vår mittpunktståndpunkt är viktig. Historiskt sett har finansteam fått välja mellan verktyg som var flexibla men ömtåliga eller plattformar som var kraftfulla men tunga att hantera. AI tvingar samma falska avvägning: copiloter som är lätta men grunt, eller orkestreringsystem som är kraftfulla men också kräver att man lär sig ett nytt sätt att arbeta. Medan vi tror att rätt svaret är AI som försvinner i arbetsflödet, förbättrar planering utan att ändra hur team opererar.

När det gäller bedömning är gränsen tydlig. AI kan accelerera analys och utforskning, men beslut som involverar kapitalallokering, rekryteringsavvägningar, prissättning och strategisk prioritering kräver fortfarande mänsklig kontext och ansvar. CFO äger samtalet.

När modeller blir mer prediktiva, hur tänker du på förtroende och förklarbarhet för finansområdesledare som behöver stå bakom siffrorna?

Inom finans är “riktigt i riktning” inte tillräckligt. Finansområdesledare är ansvariga för de siffror de presenterar. Om man inte kan förklara en prognos, kan man inte använda den i ett beslutsamtal.

Förtroende börjar med en deterministisk grund. Konsekventa definitioner. Harmoniserad data. Transparent logik. Prediktiv intelligens fungerar bara när den byggs på något solitt.

Förklarbarhet är vad som omvandlar insikt till handling. CFO:er behöver svara snabbt vad som ändrades, varför det ändrades, vilka drivare flyttade och vilka antaganden är ansvariga för olika resultat.

Styrning kan inte bo i statiska kontroller längre. Det måste vara inbäddat i arbetsflödet, så att antaganden är synliga, logik är spårbar och varje scenario lämnar en tydlig post. Målet är inte att ta bort människor från loopen, utan att hjälpa dem utöva bedömning tidigare, med mer tillförsikt.

Du har gått igenom både tidig acceleration och senare tillväxtfinansiering. Hur påverkade dessa faser hur aggressivt du investerade i AI jämfört med kärnproduktens grundläggande aspekter?

Tidig finansiering tvingade disciplin. Vi kunde inte jaga blanka föremål. Vi måste tjäna förtroende genom att bygga grunderna: tillförlitliga integrationer, starka datamodeller och en planeringsmotor som inte bröt när affären ändrades.

AI var alltid en del av strategin, men vi vägrade att behandla den som en marknadsföringslager. Om AI inte skapade verklig hävstång inom arbetsflödet, skickade vi det inte.

När vi växte, skiftade marknaden. AI blev en standard. Varje leverantör kunde demonstrera en chattbot och vara “AI-driven”. Så, ribban hade flyttats från optik till resultat. Hjälper AI finans att fatta bättre beslut snabbare, med spårbarhet, eller producerar det bara imponerande utdata?

Senare tillväxt höjde effektivitetsstandarden också. Team förväntades göra mer med mindre. Det förstärkte vår fokus på AI som levererar mätbar hävstång, inte narrativ appel.

Du har dubblat ner på den amerikanska expansionen. Hur skiljer sig den amerikanska marknaden i sin beredskap att anta AI-nativa finansiella plattformar jämfört med andra regioner?

Amerikanska företag flyttar snabbt, och investerar förväntningar är höga. CFO:er förväntas vara djupt operativa, inte bara exakta. De guidar kontinuerligt rekryteringsplaner, GTM-investeringar, utgiftsbeslut och prioriteringar.

Det gör smärtan av långsam planering mer akut. När beslut sker veckovis eller dagligen, kan finans inte ha råd att operera på en månatlig rytm. Inbyggd intelligens blir mindre av en trevnad och mer av ett krav.

Den amerikanska marknaden är också mer mottaglig för idén att finansiella system bör vara dynamiska, inte statiska. Förväntningen är inte bara rapporteringsnoggrannhet, utan beslutsstöd i den takt affären behöver flytta.

Om vi ser framåt mot 2026, vilka delar av finansiell planering tror du kommer att bli i stor utsträckning automatiserade av AI, och var kommer mänsklig bedömning att förbli avgörande?

De lager som kommer att bli i stor utsträckning automatiserade är de repetitiva, lågbedömningsuppgifter som konsumerar oproportionerligt mycket tid idag. Datakonsolidering, rensning, normalisering, harmonisering, avvikelseupptäckt och basrapportering bör köra kontinuerligt.

Prognostisering och scenariogenerering kommer att accelereras dramatiskt, men de kommer inte att delegeras fullt ut. AI kommer att göra det billigt att utforska alternativ och stressa antaganden, men kontext, risk och ansvar kommer fortfarande att spela roll.

Mänsklig bedömning kommer att förbli avgörande där insatserna är höga. Kapitalallokering. Rekryteringsstrategi. Prissättningsbeslut. Styrelseberättelser. AI ändrar om finans kan hålla jämna steg med beslutsfarten. Det ändrar inte vem som är ansvarig för resultatet.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Abacum.