Campfire 首席执行官、首席财务官兼创始人 John Glasgow——专访

John Glasgow是 Campfire 的首席执行官、首席财务官兼创始人，在财务、科技行业并购和企业战略方面拥有丰富经验。创立公司之前，他曾在 Adobe、Invoice2go 和 Bill.com 任职，并参与推动 Invoice2go 完成价值 6.25 亿美元的收购。他在财务部门的工作经历，让他致力于用能够保留交易级明细并支持自动化的会计系统，取代依赖电子表格的流程。

Campfire开发了一款原生 AI 企业资源规划平台，面向财务和会计团队，整合总账、收入自动化、报告和结账管理。其 Ember 智能代理直接处理底层会计数据，支持对账和交易分类等任务；Forecast 则将已过账的实际数据、已承诺金额和 AI 生成的估算值分别呈现。在本次专访中，Glasgow 谈到了原生 AI 会计背后的架构、智能代理自主操作与人工审批之间的界限，以及随着自动化不断扩展，财务团队如何保持可追溯性。

在创立 Campfire 之前，您的职业经历涵盖财务、科技行业并购，以及在 Adobe、Invoice2go 和 Bill.com 负责战略。您在财务部门反复看到哪些问题，以至于认定必须重建底层 ERP，而不是简单地再加一层软件来改进它？

以 6.25 亿美元的价格将 Invoice2go 出售给 Bill.com，让我近距离看到了这个问题。在尽职调查期间，我通过电子表格处理了 500 多项请求，因为我们的收入会计、SaaS 报告和合并工作都依赖电子表格，而不是系统。这样规模的公司，关键财务工作竟然仍靠电子表格处理。

在 Bill 任职期间，我负责战略合作，并与首席财务官密切合作，也在客户中看到了同样的问题。薪资、支出管理以及应付账款和应收账款管理都已实现现代化，但财务团队仍不得不回到为早期时代打造的 ERP 中工作。

问题出在总账本身。传统 ERP 接收来自计费、支付、薪资及其他系统的汇总分录，因此交易明细到达总账时已经丢失。再加一层软件无法弥补缺失的数据。我希望打造一套既能保留明细、又能实际完成工作的总账系统，这意味着要从头重建 ERP。

“原生 AI”正成为企业软件领域越来越常见的说法。从架构上看，原生 AI ERP 与在现有系统上叠加大型语言模型或 AI 助手的传统 ERP，有哪些根本区别？

根本区别在于，原生 AI ERP 围绕 AI 工作流赖以执行任务的数据构建。

AI 助手只能读取传统 ERP 中存储的内容。如果 ERP 只有月度汇总数据，而没有交易级明细，AI 或许能找到某个数字或起草一段说明，却无法可靠地匹配交易、核对账户，或解释某笔分录是如何生成的。Campfire 保留完整的交易明细，并同时管理总账和各类子账，使其 Ember 智能代理能够获取实际执行工作所需的数据。

另一个区别在于可追溯性。每项智能代理操作都关联到底层总账数据，并且可以在过账前进行审核。

第三个区别是模型本身：Campfire 的 Accounting Intelligence 基于会计数据训练，并通过编写代码来执行财务任务，因此结果可以复现。正因如此，智能代理能够实际执行任务，而不只是提出建议。

Campfire 最近推出了 Forecast，它将当月数据分为实际值、已承诺金额和 AI 估算值，而不是让 AI 预测整个期间。您为何采用这种设计？您认为 AI 在财务预测中真正适用的领域有哪些，又有哪些部分应继续由确定性的会计数据主导？

作为首席财务官，我会在本月结束前五天或更早时询问本月最终结果会是多少，而那时其中很大一部分其实已经确定。如果让 AI 预测整个期间，就等于用猜测取代已知数字。因此，Forecast 将当月数据分为三个部分：

实际值：已过账到总账中的数据。

已承诺金额：来自合同、账单、资产和租赁、已知将在未来发生但尚未过账的金额。

估算值：Ember 根据公司的历史数据和季节性规律，对真正未知的部分所作的预测。

我认为，AI 在预测中的适用范围就在于那些尚无人能够确定的部分。对于已经明确的事项，应由确定性的会计数据全权主导。将两者混在一起，会让人更难区分事实与估算。如果两者混为一谈，当你向董事会提交预测时，就无法判断哪些数字是你能够确信并据以负责的。

当有人问我这个数字是怎么得出的，我可以打开任意一项数据，展示其中的实际值、已承诺金额和估算值，以及 Ember 所依据的假设。Forecast 仅供参考；它生成的内容不会自动过账到总账，但能及时提醒财务团队本月的走向，让他们在月末之前作出业务决策。

Forecast 能根据历史趋势和季节性估算当月尚未确定的部分，同时说明这些估算所依据的假设。遇到历史规律突然失去参考价值的情况时，例如快速增长、失去重要客户、收购或其他特殊事件，你们会如何处理？

这些正是财务总监最需要预测的月份，因此预测被拆分为几个层次。只有 Forecast 中的估算部分依赖历史趋势和季节性。已承诺部分则依据 Campfire 总账中已有的合同、账单、资产和租约，因此，收购、失去客户或快速增长都不会改变已经掌握的信息。

规律发生变化时，财务团队通常会在数据反映出来之前就知道原因，因此能够补充相关背景。他们可以添加说明，记录发生了哪些变化；附上人员编制计划之类的材料；或者通过我们的 MCP 集成连接 CRM 或 HRIS 等数据源。Ember 会利用这些背景信息，重新估算尚未确定的部分。

每项估算还会附上一句关于其假设的说明，因此我在展示预测时，可以说明哪些是事实、哪些是已承诺事项，哪些是预测结果。

Campfire 开发了自己的大型会计模型（Large Accounting Model，LAM），而不是完全依赖通用模型。关于通用人工智能在会计领域的局限性，你们有哪些认识？与传统大型语言模型（LLM）相比，专业模型还需要理解哪些内容？

会计需要的是可复现的答案，而不是看似合理的答案。通用模型擅长生成语言，但在数值推理和会计分类方面可能表现不佳；在这些任务中，相同的输入每次都必须得出相同的答案。

我们不会让模型直接对财务数据进行推理，而是让它编写 SQL 或 Python 代码来完成工作。代码具有可复现性，这对审计很重要，也让企业能够自动执行操作，而不必要求人员批准每一个完全相同的结果。

我们的 Accounting Intelligence 使用会计数据进行训练，能够理解会计科目表结构、供应商模式，以及账目规范的账簿应当是什么样子。它还会从每位客户的交易历史中学习。准确性既取决于模型本身，也取决于围绕模型构建的整个系统。

财务团队对人工智能错误的容忍度格外低。随着智能体开始执行对账、交易分类、编制分录并与总账交互，自主执行与人工审批之间的界限应当如何划定？

界限应取决于操作能否得到核查。如果一笔分录可以复现，并且能够追溯到基础总账数据，就不应要求人员逐笔审批。如果一项操作无法解释或复现，则应由人员在其入账前进行审核。

Ember 就是按照这一原则构建的。每项智能体操作都会记录日志、注明其依据的底层总账数据，并且可以接受审核。团队可以设置置信度阈值，以决定哪些工作由 Ember 自主处理，哪些交由人员处理；随着结果逐渐赢得信任，他们还可以扩大 Ember 的自主权限。

判断仍由人来做。会计人员决定 Ember 应处理多少工作、审核例外情况，并解释数字为何发生变化。智能体则负责重复性的匹配、标记和对账工作。TwelveLabs 就是一个很好的例子：该公司由三名会计人员负责美国和韩国的业务，将结账时间缩短了一半，并节省了超过 300,000 美元。

Campfire 还推出了 MCP 商店，让 Ember 能够与支付、客户关系管理、采购和人力资源等外部系统交互。你最终是否认为，ERP 会从被动的记录系统，转变为一种编排层，让人工智能智能体能够在整个财务技术栈中开展工作？

可以，但前提是总账仍然是记录系统。过去，ERP 记录的是在其他地方完成的工作，因此大多数答案都在总账之外：CRM 中的续约、HRIS 中的新员工，以及采购系统中的采购订单。如果智能体要承担这些工作，它们也需要这些背景信息，因此 ERP 必须直接连接到这些系统。

多年来，财务团队一直采用这种方式进行预测，从 CRM 提取销售管线数据，从 HRIS 获取人员编制数据。使用 Forecast 时，团队只需连接这些系统，Ember 就会完成这项工作；对于所有已知信息，总账仍是唯一可信的数据来源。总账继续作为可信的数据来源，而智能体则可以跨越与之相连的各个系统开展工作。

你既是人工智能公司的 CEO，也是 CFO，而公司服务的对象又是其他财务团队，因此你对人工智能的经济效益有着特别有意思的观察。就企业目前如何为人工智能编列预算而言，你看到了哪些趋势？你认为企业人工智能的定价会逐渐从按席位订阅转向按使用量、按成果收费，还是转向其他模式？

我们看到预算正从固定的按席位支出转向随人工智能使用量变化的支出，而许多财务团队尚未做好应对准备。随着智能体接手过去由员工完成的工作，企业可能需要的人工席位会减少，而人工智能的使用量却会增加。供应商还在按席位收费的基础上叠加点数和超额费用，因此财务团队需要在签约前估算潜在的使用成本。

我预计，混合定价模式会比纯粹按结果定价更常见。作为 CFO，我希望有一笔可预测的基础费用；作为 CEO，我则需要定价能够反映实际使用情况。

Campfire 先完成了 3500 万美元的 A 轮融资，几周后又完成了 6500 万美元的 B 轮融资。在这段时间里，市场或客户需求发生了什么变化，让你们决定如此大举为公司注资？你认为这笔资金能在哪些方面为产品发展带来最大的推动？

在完成 A 轮融资之前，我们的需求就很强劲；融资一结束，市场反响更是立刻升温。许多公司主动联系我们，要求安排产品演示，其中不少此前还不了解 Campfire。我们也因此意识到，需求增长超出了原先的预期。

这让我们有机会加大投入，以满足不断增长的需求。尤其是越来越多的公司愿意弃用 NetSuite 和 Sage Intacct 这类传统平台。Replit 这样的客户就很好地说明了原因：它的年度经常性收入从 1000 万美元增长到超过 2 亿美元，却没有扩充由四人组成的会计团队；其收入结账时间也从 8 小时缩短至 30 分钟。

我们的 A 轮融资为 3500 万美元，由 Accel 领投；随后完成了 6500 万美元的 B 轮融资，由 Accel 和 Ribbit 共同领投。12 周内，我们累计融资 1 亿美元。我们利用这笔资金跟上需求增长，团队规模也从 10 人扩大到 150 多人，分布在旧金山、纽约和伦敦。

AI 原生会计迅速成为一个竞争激烈的领域，Campfire 和 Rillet 等公司正在挑战 QuickBooks、NetSuite 和 Sage Intacct 等成熟平台。展望五年后，你认为会计和 ERP 中哪些工作几乎可以完全由 AI 智能体处理？又有哪些职责仍将牢牢掌握在财务专业人士手中？

我预计，智能体将处理大部分常规工作：将交易与付款匹配、为交易分类、进行对账和计提应计项目，以及完成结账和报告中的机械性工作。这些都是重复性强、遵循规则的任务，软件能够学会处理。

判断和责任仍将由人承担。会计人员将决定智能体可以自主处理多少工作、审查异常情况、解释数字变动的原因，并为企业提供下一步行动建议。仍然需要有人为账目负责。

随着时间推移，“AI 原生”将成为财务软件的基本要求。真正的差异化因素在于，财务团队是否信任系统处理总账，以及能否清楚了解系统得出结论的具体过程。这正是我们打造 Campfire 力求达到的标准。目前已有 400 多家公司，包括 Cursor、Clay、Polymarket 和 PostHog，使用 Campfire 处理账务。

感谢这次精彩的访谈。想进一步了解 AI 原生会计和企业资源规划的读者，请访问 Campfire。