John Glasgow ประธานเจ้าหน้าที่บริหาร ประธานเจ้าหน้าที่การเงิน และผู้ก่อตั้ง Campfire – ซีรีส์สัมภาษณ์

John Glasgow เป็นประธานเจ้าหน้าที่บริหาร ประธานเจ้าหน้าที่การเงิน และผู้ก่อตั้ง Campfire โดยมีประสบการณ์ด้านการเงิน การควบรวมและซื้อกิจการในแวดวงเทคโนโลยี และกลยุทธ์องค์กร ก่อนก่อตั้งบริษัท เขาเคยทำงานที่ Adobe, Invoice2go และ Bill.com รวมถึงมีส่วนช่วยนำ Invoice2go ผ่านการเข้าซื้อกิจการมูลค่า 625 ล้านดอลลาร์ ประสบการณ์ทำงานในฝ่ายการเงินทำให้เขามุ่งเน้นการปรับกระบวนการที่ต้องพึ่งพาสเปรดชีต ให้หันมาใช้ระบบบัญชีที่เก็บรายละเอียดธุรกรรมระดับรายการและรองรับระบบอัตโนมัติ

Campfire พัฒนาแพลตฟอร์มวางแผนทรัพยากรองค์กรที่ออกแบบมาเพื่อ AI โดยเฉพาะ สำหรับทีมการเงินและบัญชี ซึ่งรวบรวมบัญชีแยกประเภททั่วไป ระบบอัตโนมัติด้านรายได้ การจัดทำรายงาน และการจัดการปิดบัญชีไว้ด้วยกัน เอเจนต์ Ember ทำงานกับข้อมูลบัญชีเบื้องหลังเพื่อช่วยงานต่าง ๆ เช่น การกระทบยอดและการจัดหมวดหมู่ธุรกรรม ขณะที่ Forecast แยกยอดจริงที่บันทึกบัญชีแล้ว จำนวนเงินที่มีภาระผูกพัน และประมาณการที่สร้างโดย AI ออกจากกัน ในบทสัมภาษณ์นี้ Glasgow พูดถึงสถาปัตยกรรมเบื้องหลังระบบบัญชีที่ออกแบบมาเพื่อ AI โดยเฉพาะ ขอบเขตระหว่างการทำงานอย่างอิสระของเอเจนต์กับการอนุมัติจากมนุษย์ และวิธีที่ทีมการเงินจะรักษาความสามารถในการตรวจสอบย้อนกลับได้เมื่อขยายการใช้ระบบอัตโนมัติ

เส้นทางอาชีพของคุณครอบคลุมทั้งงานด้านการเงิน การควบรวมและซื้อกิจการในแวดวงเทคโนโลยี และงานด้านกลยุทธ์ที่ Adobe, Invoice2go และ Bill.com ก่อนที่คุณจะก่อตั้ง Campfire คุณพบปัญหาอะไรซ้ำ ๆ ในองค์กรฝ่ายการเงิน จนทำให้เชื่อว่าควรสร้างระบบ ERP พื้นฐานขึ้นใหม่ แทนที่จะเพียงปรับปรุงด้วยซอฟต์แวร์อีกชั้นหนึ่ง?

การขาย Invoice2go ให้ Bill.com ในราคา 625 ล้านดอลลาร์ทำให้ผมเห็นปัญหานี้อย่างใกล้ชิด ระหว่างการตรวจสอบสถานะกิจการ ผมจัดการคำขอมากกว่า 500 รายการผ่านสเปรดชีต เพราะข้อมูลบัญชีรายได้ การรายงาน SaaS และการรวมงบการเงินของเราอยู่ในนั้น แทนที่จะอยู่ในระบบ บริษัทที่มีขนาดใหญ่ขนาดนั้นยังคงใช้สเปรดชีตทำงานด้านการเงินที่สำคัญ

ที่ Bill ซึ่งผมเป็นผู้นำด้านพันธมิตรเชิงกลยุทธ์และทำงานใกล้ชิดกับ CFO ผมพบปัญหาเดียวกันในกลุ่มลูกค้า ระบบเงินเดือน การจัดการค่าใช้จ่าย และเจ้าหนี้/ลูกหนี้ได้รับการปรับปรุงให้ทันสมัยแล้ว แต่ทีมการเงินยังต้องกลับไปทำงานในระบบ ERP ที่สร้างขึ้นสำหรับยุคก่อน

ปัญหาอยู่ที่ตัวบัญชีแยกประเภทเอง ระบบ ERP รุ่นเก่ารับรายการสรุปจากระบบเรียกเก็บเงิน การชำระเงิน เงินเดือน และระบบอื่น ๆ ทำให้เมื่อข้อมูลไปถึงบัญชีแยกประเภท รายละเอียดธุรกรรมก็หายไปแล้ว การเพิ่มซอฟต์แวร์อีกชั้นไม่สามารถแก้ปัญหาข้อมูลที่ขาดหายได้ ผมต้องการบัญชีแยกประเภทที่เก็บรายละเอียดไว้และทำงานได้ด้วย ซึ่งหมายถึงการสร้างระบบ ERP ขึ้นใหม่ตั้งแต่ต้น

คำว่า “ออกแบบมาเพื่อ AI โดยเฉพาะ” เริ่มกลายเป็นคำอธิบายที่พบได้ทั่วไปในซอฟต์แวร์องค์กร หากพิจารณาด้านสถาปัตยกรรม ระบบ ERP ที่ออกแบบมาเพื่อ AI โดยเฉพาะแตกต่างจากระบบ ERP แบบดั้งเดิมที่เพิ่มโมเดลภาษาขนาดใหญ่หรือผู้ช่วย AI เข้าไปในระบบเดิมอย่างไรในระดับพื้นฐาน?

ความแตกต่างพื้นฐานคือ ระบบ ERP ที่ออกแบบมาเพื่อ AI โดยเฉพาะสร้างขึ้นโดยยึดข้อมูลที่เวิร์กโฟลว์ AI ต้องใช้ในการทำงานเป็นศูนย์กลาง

ผู้ช่วย AI อ่านได้เพียงข้อมูลที่ระบบ ERP รุ่นเก็บไว้ หากระบบ ERP มีเพียงยอดสรุปรายเดือนแทนรายละเอียดธุรกรรมระดับรายการ AI ก็อาจค้นหาตัวเลขหรือร่างคำอธิบายได้ แต่จะจับคู่ธุรกรรม กระทบยอดบัญชี หรืออธิบายที่มาของรายการบัญชีได้อย่างน่าเชื่อถือไม่ได้ Campfire เก็บรายละเอียดธุรกรรมไว้อย่างครบถ้วน และดูแลทั้งบัญชีแยกประเภททั่วไปและบัญชีแยกประเภทย่อย ทำให้เอเจนต์ Ember มีข้อมูลที่จำเป็นต่อการลงมือทำงานจริง

อีกความแตกต่างคือความสามารถในการตรวจสอบย้อนกลับได้ ทุกการทำงานของเอเจนต์เชื่อมโยงกลับไปยังข้อมูลบัญชีแยกประเภทต้นทาง และสามารถตรวจสอบได้ก่อนบันทึกรายการ

ประการที่สามคือตัวโมเดลเอง Accounting Intelligence ของ Campfire ฝึกด้วยข้อมูลบัญชีและเขียนโค้ดเพื่อดำเนินงานทางการเงิน ทำให้สามารถทำซ้ำผลลัพธ์ได้ นี่คือสิ่งที่ทำให้เอเจนต์ลงมือทำงานได้ แทนที่จะแค่เสนอแนะ

เมื่อไม่นานมานี้ Campfire เปิดตัว Forecast ซึ่งแยกตัวเลขของเดือนปัจจุบันเป็นยอดจริง ยอดที่มีภาระผูกพัน และยอดประมาณการจาก AI แทนการให้ AI คาดการณ์ทั้งงวด เหตุใดคุณจึงออกแบบระบบเช่นนี้ และคุณคิดว่า AI มีประโยชน์จริงในการพยากรณ์ทางการเงินด้านใดบ้าง เมื่อเทียบกับด้านที่ควรให้ข้อมูลบัญชีแบบกำหนดแน่นอนเป็นหลัก?

ในฐานะ CFO ผมต้องถามว่าเมื่อสิ้นเดือนแล้วตัวเลขจะอยู่ที่เท่าไร โดยถามล่วงหน้าอย่างน้อย 5 วัน และเมื่อถึงตอนนั้น เราก็ทราบข้อมูลของเดือนนั้นไปมากแล้ว การให้ AI คาดการณ์ทั้งงวดจึงเท่ากับแทนที่ตัวเลขที่ทราบอยู่แล้วด้วยการคาดเดา ดังนั้น Forecast จึงแบ่งตัวเลขของเดือนออกเป็นสามส่วน:

ยอดจริง: รายการที่บันทึกลงบัญชีแยกประเภททั่วไปแล้ว

ยอดที่มีภาระผูกพัน: จำนวนเงินในอนาคตที่ทราบแล้วจากสัญญา ใบเรียกเก็บเงิน สินทรัพย์ และสัญญาเช่า ซึ่งยังไม่ได้บันทึกบัญชี

ยอดประมาณการ: การคาดการณ์ของ Ember สำหรับส่วนที่ยังไม่ทราบจริง ๆ โดยอิงจากประวัติและฤดูกาลของบริษัท

ผมคิดว่านี่คือจุดที่ AI ควรมีบทบาทในการพยากรณ์ นั่นคือส่วนที่ยังไม่มีใครรู้ได้ ข้อมูลบัญชีแบบกำหนดแน่นอนควรเป็นตัวกำหนดทุกอย่างที่ทราบอยู่แล้ว การนำข้อมูลทั้งสองประเภทมารวมกันทำให้แยกข้อเท็จจริงออกจากประมาณการได้ยากขึ้น หากนำมารวมกัน คุณจะบอกไม่ได้ว่าตัวเลขใดที่คุณยืนยันได้เมื่อนำประมาณการไปเสนอต่อคณะกรรมการ

เมื่อมีคนถามว่าผมได้ตัวเลขนั้นมาอย่างไร ผมสามารถเปิดดูตัวเลขใดก็ได้ แล้วแสดงให้เห็นว่ายอดจริง ยอดที่มีภาระผูกพัน และยอดประมาณการประกอบกันเป็นตัวเลขนั้นอย่างไร พร้อมทั้งแสดงสมมติฐานของ Ember ด้วย Forecast เป็นเครื่องมือให้ข้อมูลประกอบการตัดสินใจ โดยไม่มีข้อมูลใดที่ระบบสร้างขึ้นถูกบันทึกลงบัญชีแยกประเภทโดยอัตโนมัติ แต่ช่วยให้ฝ่ายการเงินทราบล่วงหน้าว่าแนวโน้มของเดือนจะเป็นอย่างไร เพื่อให้ตัดสินใจทางธุรกิจได้ก่อนสิ้นเดือน

Forecast ช่วยให้ Ember ประมาณการส่วนที่ยังไม่ทราบของเดือนโดยอิงจากแนวโน้มในอดีตและฤดูกาล พร้อมอธิบายสมมติฐานเบื้องหลังการประมาณการเหล่านั้น คุณรับมืออย่างไรเมื่อรูปแบบในอดีตใช้ประโยชน์ไม่ได้อีกต่อไปอย่างกะทันหัน เช่น เมื่อธุรกิจเติบโตอย่างรวดเร็ว สูญเสียลูกค้ารายใหญ่ มีการเข้าซื้อกิจการ หรือเกิดเหตุการณ์ผิดปกติอื่น ๆ

เดือนที่เกิดสถานการณ์เช่นนั้นคือช่วงที่ซีเอฟโอต้องการการคาดการณ์มากที่สุด และนั่นคือเหตุผลที่แบ่งการคาดการณ์ออกเป็นหลายชั้น มีเพียงส่วนที่เป็นการประมาณการของ Forecast เท่านั้นที่อิงกับแนวโน้มในอดีตและฤดูกาล ส่วนที่ยืนยันแล้วมาจากสัญญา ใบแจ้งหนี้ สินทรัพย์ และสัญญาเช่าที่บันทึกอยู่ในบัญชีแยกประเภทของ Campfire แล้ว ดังนั้น การเข้าซื้อกิจการ การสูญเสียลูกค้า หรือการเติบโตอย่างรวดเร็ว จึงไม่เปลี่ยนแปลงสิ่งที่ทราบอยู่แล้ว

เมื่อรูปแบบเปลี่ยนไป ทีมการเงินมักทราบสาเหตุก่อนที่ข้อมูลจะแสดงให้เห็น จึงสามารถให้บริบทเพิ่มเติมได้ พวกเขาอาจเพิ่มบันทึกเกี่ยวกับสิ่งที่เปลี่ยนแปลง แนบเอกสารอย่างแผนจำนวนพนักงาน หรือเชื่อมต่อแหล่งข้อมูล เช่น CRM หรือ HRIS ผ่านการผสานการทำงาน MCP ของเรา Ember ใช้บริบทดังกล่าวเพื่อประมาณการส่วนที่ยังไม่ทราบใหม่

การประมาณการแต่ละรายการยังมีคำอธิบายสมมติฐานประกอบหนึ่งประโยคด้วย ดังนั้นเมื่อผมนำเสนอการคาดการณ์ ผมจึงแสดงให้เห็นได้ว่าส่วนใดเป็นข้อเท็จจริง ส่วนใดได้รับการยืนยันแล้ว และส่วนใดเป็นการคาดการณ์

Campfire พัฒนา Large Accounting Model หรือ LAM ของตนเอง แทนที่จะพึ่งพาโมเดลอเนกประสงค์ทั้งหมด คุณได้เรียนรู้อะไรบ้างเกี่ยวกับข้อจำกัดของ AI อเนกประสงค์ในงานบัญชี และโมเดลเฉพาะทางจำเป็นต้องเข้าใจอะไรที่ LLM ทั่วไปมักไม่เข้าใจ

งานบัญชีต้องการคำตอบที่ทำซ้ำได้ ไม่ใช่คำตอบที่ฟังดูน่าเชื่อถือ โมเดลอเนกประสงค์สร้างภาษาได้ดี แต่ก็อาจมีปัญหาในการให้เหตุผลเชิงตัวเลขและการจัดประเภททางบัญชี ซึ่งข้อมูลนำเข้าชุดเดียวกันต้องให้คำตอบเดิมทุกครั้ง

แทนที่จะให้โมเดลใช้เหตุผลกับข้อมูลทางการเงินโดยตรง เราให้โมเดลเขียน SQL หรือ Python เพื่อดำเนินงานนั้น โค้ดให้ผลลัพธ์ที่ทำซ้ำได้ ซึ่งสำคัญต่อการตรวจสอบบัญชี และช่วยให้บริษัททำงานอัตโนมัติได้โดยไม่ต้องให้คนอนุมัติผลลัพธ์ที่เหมือนกันทุกรายการ

ระบบ Accounting Intelligence ของเราได้รับการฝึกด้วยข้อมูลทางบัญชี และเข้าใจสิ่งต่าง ๆ เช่น โครงสร้างผังบัญชี รูปแบบของผู้ขาย และลักษณะของบัญชีที่จัดทำไว้อย่างถูกต้องครบถ้วน นอกจากนี้ยังเรียนรู้จากประวัติธุรกรรมของลูกค้าแต่ละรายด้วย ความแม่นยำเกิดจากระบบที่รายล้อมโมเดลพอ ๆ กับตัวโมเดลเอง

ทีมการเงินมีความอดทนต่อข้อผิดพลาดของ AI ต่ำเป็นพิเศษ เมื่อเอเจนต์เริ่มทำการกระทบยอด จัดหมวดหมู่ธุรกรรม จัดเตรียมรายการบัญชี และโต้ตอบกับบัญชีแยกประเภท ควรกำหนดขอบเขตระหว่างการดำเนินงานอัตโนมัติกับการอนุมัติโดยมนุษย์อย่างไร

ขอบเขตควรขึ้นอยู่กับว่าสามารถตรวจสอบการดำเนินการนั้นได้หรือไม่ หากรายการบัญชีให้ผลลัพธ์ซ้ำได้และตรวจสอบย้อนกลับไปยังข้อมูลต้นทางในบัญชีแยกประเภทได้ ก็ไม่ควรต้องให้คนอนุมัติทุกรายการ แต่หากอธิบายหรือทำซ้ำไม่ได้ ควรให้คนตรวจสอบก่อนบันทึกรายการ

เราสร้าง Ember ด้วยแนวทางนี้ การดำเนินการทุกอย่างของเอเจนต์จะได้รับการบันทึก มีแหล่งที่มาจากข้อมูลบัญชีแยกประเภททั่วไป (GL) และตรวจสอบย้อนหลังได้ ทีมต่าง ๆ กำหนดระดับความเชื่อมั่นเพื่อระบุว่า Ember จะจัดการเรื่องใดได้โดยอัตโนมัติ และเรื่องใดต้องส่งให้คนดำเนินการ อีกทั้งยังขยายขอบเขตการทำงานอัตโนมัติได้เมื่อผลลัพธ์สร้างความไว้วางใจมากขึ้น

มนุษย์ยังคงเป็นผู้ใช้วิจารณญาณ นักบัญชีเป็นผู้ตัดสินใจว่าจะให้ Ember จัดการงานมากน้อยเพียงใด ตรวจสอบกรณียกเว้น และอธิบายว่าเหตุใดตัวเลขจึงเปลี่ยนแปลง ส่วนเอเจนต์รับหน้าที่จับคู่ ติดป้ายกำกับ และกระทบยอดซึ่งเป็นงานซ้ำ ๆ TwelveLabs เป็นตัวอย่างที่ดี โดยมีนักบัญชีสามคนดูแลงานในสหรัฐฯ และเกาหลี บริษัทลดเวลาปิดบัญชีลงได้ครึ่งหนึ่งและประหยัดเงินได้มากกว่า 300,000 ดอลลาร์

Campfire ยังเปิดตัว MCP store ซึ่งช่วยให้ Ember โต้ตอบกับระบบภายนอก เช่น แพลตฟอร์มชำระเงิน CRM จัดซื้อ และทรัพยากรบุคคลได้ ในที่สุดแล้ว คุณมองว่า ERP จะเปลี่ยนจากการเป็นเพียงระบบบันทึกข้อมูลแบบรับคำสั่ง ไปเป็นชั้นประสานงานที่เอเจนต์ AI ทำงานข้ามระบบการเงินทั้งหมดได้หรือไม่

ได้ ตราบใดที่บัญชีแยกประเภทยังคงเป็นระบบบันทึกข้อมูลหลัก ในอดีต ERP ทำหน้าที่บันทึกงานที่ดำเนินการในระบบอื่น ดังนั้นข้อมูลคำตอบส่วนใหญ่จึงอยู่นอกบัญชีแยกประเภท ไม่ว่าจะเป็นการต่ออายุสัญญาใน CRM พนักงานใหม่ใน HRIS หรือใบสั่งซื้อในระบบจัดซื้อ หากเอเจนต์จะเป็นผู้ทำงาน ก็จำเป็นต้องมีบริบทเหล่านั้นด้วย ERP จึงต้องเชื่อมต่อกับระบบดังกล่าวโดยตรง

ทีมการเงินคาดการณ์ด้วยวิธีนี้มาหลายปีแล้ว โดยดึงข้อมูลโอกาสการขายจาก CRM และจำนวนพนักงานจาก HRIS เมื่อทีมเชื่อมต่อระบบเหล่านั้นแล้ว Ember จะทำสิ่งนี้ให้ผ่าน Forecast โดยบัญชีแยกประเภทยังคงเป็นแหล่งข้อมูลที่เชื่อถือได้สำหรับทุกสิ่งที่ทราบอยู่แล้ว บัญชีแยกประเภทยังคงเป็นแหล่งข้อมูลที่เชื่อถือได้ ขณะที่เอเจนต์สามารถทำงานข้ามระบบต่าง ๆ ที่เชื่อมโยงกับบัญชีแยกประเภทได้

คุณมีมุมมองเรื่องเศรษฐศาสตร์ของ AI ที่น่าสนใจเป็นพิเศษ เพราะคุณเป็นทั้งซีอีโอและซีเอฟโอของบริษัท AI ที่ให้บริการทีมการเงินอื่น ๆ ปัจจุบันคุณเห็นแนวโน้มการจัดสรรงบประมาณด้าน AI ของบริษัทต่าง ๆ อย่างไร และคาดว่าราคาบริการ AI สำหรับองค์กรจะเปลี่ยนจากการสมัครสมาชิกแบบคิดค่าบริการต่อผู้ใช้ ไปเป็นการคิดตามการใช้งาน ผลลัพธ์ หรือรูปแบบอื่นหรือไม่

เราเห็นงบประมาณเปลี่ยนจากค่าใช้จ่ายคงที่ตามจำนวนผู้ใช้ ไปเป็นค่าใช้จ่าย AI ที่แปรผันตามการใช้งาน และทีมการเงินจำนวนมากยังไม่พร้อมรับมือกับเรื่องนี้ เมื่อเอเจนต์เข้ามาทำงานที่แต่เดิมคนเป็นผู้ทำ บริษัทอาจต้องการบัญชีผู้ใช้สำหรับพนักงานน้อยลง ขณะที่การใช้งาน AI เพิ่มขึ้น นอกจากนี้ ผู้ให้บริการยังคิดค่าเครดิตและค่าบริการส่วนเกินเพิ่มจากค่าบริการต่อผู้ใช้ด้วย ดังนั้นทีมการเงินจึงต้องประเมินค่าใช้จ่ายจากการใช้งานที่อาจเกิดขึ้นก่อนลงนามในสัญญา

ผมคาดว่าการกำหนดราคาแบบผสมจะพบได้บ่อยกว่าการคิดราคาตามผลลัพธ์เพียงอย่างเดียว ในมุมของ CFO ผมต้องการต้นทุนพื้นฐานที่คาดการณ์ได้ ส่วนในมุมของ CEO ผมต้องการให้ราคาสะท้อนการใช้งานจริง

Campfire ระดมทุนรอบ Series A ได้ 35 ล้านดอลลาร์ และเพียงไม่กี่สัปดาห์ต่อมาก็ระดมทุนรอบ Series B ได้อีก 65 ล้านดอลลาร์ ในช่วงเวลานั้น ตลาดหรือความต้องการของลูกค้าเปลี่ยนแปลงไปอย่างไร จึงทำให้คุณตัดสินใจเร่งลงทุนในบริษัทอย่างมาก และคุณมองเห็นโอกาสที่ยิ่งใหญ่ที่สุดในการนำเงินทุนดังกล่าวมาเร่งพัฒนาผลิตภัณฑ์ไว้ตรงไหน

ก่อนการระดมทุนรอบ Series A เรามีความต้องการจากลูกค้าอย่างมากอยู่แล้ว แต่หลังจากปิดรอบได้ไม่นาน กระแสตอบรับก็เพิ่มขึ้นอย่างรวดเร็ว บริษัทต่าง ๆ ติดต่อเข้ามาขอชมการสาธิตผลิตภัณฑ์ หลายแห่งยังไม่เคยใช้ Campfire มาก่อน และเห็นได้ชัดว่าความต้องการมีมากกว่าที่เราคาดการณ์ไว้

สถานการณ์นี้เปิดโอกาสให้เราลงทุนมากขึ้นเพื่อรองรับความต้องการดังกล่าว โดยเฉพาะเมื่อบริษัทต่าง ๆ เริ่มพร้อมย้ายออกจากแพลตฟอร์มเดิมอย่าง NetSuite และ Sage Intacct ลูกค้าอย่าง Replit แสดงให้เห็นถึงเหตุผลที่เรื่องนี้สำคัญ โดยบริษัทเติบโตจากรายได้ประจำต่อปี 10 ล้านดอลลาร์เป็นมากกว่า 200 ล้านดอลลาร์ โดยไม่ต้องเพิ่มพนักงานให้ทีมบัญชีที่มี 4 คน และลดเวลาปิดบัญชีรายได้จาก 8 ชั่วโมงเหลือ 30 นาที

เราระดมทุนรอบ Series A ได้ 35 ล้านดอลลาร์ นำโดย Accel จากนั้นระดมทุนรอบ Series B ได้อีก 65 ล้านดอลลาร์ โดยมี Accel และ Ribbit เป็นผู้ร่วมลงทุนหลัก ทำให้ระดมทุนได้รวม 100 ล้านดอลลาร์ภายใน 12 สัปดาห์ เราใช้เงินทุนนี้เพื่อรองรับความต้องการดังกล่าว และขยายทีมจาก 10 คนเป็นมากกว่า 150 คน ในซานฟรานซิสโก นิวยอร์ก และลอนดอน

การบัญชีที่ออกแบบโดยมี AI เป็นแกนหลักกลายเป็นตลาดที่มีการแข่งขันสูงอย่างรวดเร็ว โดยมีบริษัทอย่าง Campfire และ Rillet เข้ามาท้าทายแพลตฟอร์มที่ครองตลาดมานานอย่าง QuickBooks, NetSuite และ Sage Intacct หากมองไปข้างหน้าอีก 5 ปี คุณคิดว่า AI agent จะทำงานด้านใดในบัญชีและ ERP ได้เกือบทั้งหมด และงานด้านใดจะยังคงเป็นความรับผิดชอบของผู้เชี่ยวชาญด้านการเงินที่เป็นมนุษย์อย่างชัดเจน

ผมคาดว่า AI agent จะจัดการงานประจำส่วนใหญ่ได้ ไม่ว่าจะเป็นการจับคู่รายการธุรกรรมกับการชำระเงิน การติดป้ายกำกับรายการธุรกรรม การกระทบยอด การตั้งค้างรับค้างจ่าย รวมถึงงานส่วนที่เป็นขั้นตอนซ้ำ ๆ ในการปิดบัญชีและจัดทำรายงาน งานเหล่านี้ทำซ้ำตามกฎเกณฑ์ และเป็นสิ่งที่ซอฟต์แวร์เรียนรู้ได้

สิ่งที่ยังต้องอาศัยคนคือการใช้วิจารณญาณและการรับผิดชอบ นักบัญชีจะเป็นผู้ตัดสินใจว่าจะให้ AI agent ทำงานได้เองมากน้อยเพียงใด ตรวจสอบกรณียกเว้น อธิบายว่าทำไมตัวเลขจึงเปลี่ยนแปลง และให้คำแนะนำแก่ธุรกิจว่าควรทำอะไรต่อไป ยังต้องมีคนรับผิดชอบต่อบัญชีอยู่ดี

เมื่อเวลาผ่านไป ซอฟต์แวร์การเงินที่ออกแบบโดยมี AI เป็นแกนหลักจะกลายเป็นสิ่งที่ผู้คนคาดหวังกันโดยทั่วไป จุดที่ทำให้แตกต่างคือทีมการเงินไว้วางใจให้ระบบจัดการบัญชีแยกประเภทของตนได้หรือไม่ และสามารถตรวจสอบได้อย่างชัดเจนว่าระบบได้ข้อสรุปมาอย่างไร เราพัฒนา Campfire ขึ้นมาเพื่อให้ผ่านเกณฑ์นี้ และปัจจุบันมีบริษัทมากกว่า 400 แห่ง ซึ่งรวมถึง Cursor, Clay, Polymarket และ PostHog ใช้ระบบนี้ทำบัญชีของตนแล้ว

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการบัญชีและการวางแผนทรัพยากรองค์กรที่ออกแบบโดยมี AI เป็นแกนหลัก สามารถเข้าไปที่ Campfire