Richard White, grundlægger & CEO af Fathom – Interviewserie

Richard White, grundlægger og CEO af Fathom, er en gentagen grundlægger og produktfokuseret iværksætter, der er bedst kendt for at omdanne personlige frustrationer til kategoridefinerende software. Før Fathom grundlagde og ledede han UserVoice i næsten 13 år, hvor han udviklede det til en profitabel feedbackmanagement-platform, der blev brugt af tusindvis af virksomheder, fra startups til entreprise-selskaber som Microsoft, og samtidig banede vejen for den nu almindelige “Feedback”-fane på hjemmesider. Tidligere i sin karriere byggede og drev han SlimTimer helt alene i over et årti, ledte inflydelsesrige open-source-projekter som AjaxScaffold i Ruby on Rails-økosystemet og arbejdede som Product Design Lead hos Kiko (YC S05), erfaringer, der kollektivt formede hans filosofi om brugervenlighed, kundeempathi og opbygning af værktøjer, der stille, men meningsfuldt, forbedrer, hvordan hold arbejder.

Fathom, der blev grundlagt i 2020, afspejler den samme etos ved at tage fat i et universelt smertepunkt: den kognitive overbelastning af at tage noter, mens man forsøger at have rigtige samtaler. Platformen optager, transkriberer og summerer møder – mest bemærkelsesværdigt på Zoom – og tillader brugere at fremhæve øjeblikke i realtid, dele korte klip i stedet for rå noter og bevare nuancen, der ofte går tabt i skrevne summeringer. Da Fathom er blevet moden, er det udviklet sig fra enkel transkription til et letvægtsystem for samtaleoptagelse, designet til at hjælpe hold med at fastholde kontekst, lære af kundesamtaler og samarbejde asynkront uden at tilføje friktion til mødet i sig selv.

Du har brugt de sidste 15 år på at bygge virksomheder, der omdefinerer, hvordan mennesker kommunikerer – fra UserVoice til Fathom. Hvad var det øjeblik, der fik dig til at grundlægge Fathom, og hvordan formede dine ingeniør- og produkt-design-rødder virksomheden fra dag én?

Min inspiration til at grundlægge Fathom kom i begyndelsen af 2020. Det var før pandemien, men jeg lavede omfattende brugerforskning til et produkt og sad pludselig igennem 15 eller 20 møder i træk på Zoom hver dag. Seks uger med det gjorde mig meget bevidst om, hvor smertefuldt oplevelsen var. Jeg kan ikke tale og skrive på samme tid – jeg så på mine noter to uger senere og kunne ikke huske, hvilken samtale der var hvilken. Det største problem var, at jeg ville gøre alt dette research og derefter dele nogle punkter med mit hold, og det ville bare ikke lande. Alt blev tabt i oversættelsen. Det var et ‘stub your toe’-øjeblik for mig: Noget, der sker en gang om måneden, ignorerer du. Du stubber din tå på noget hver dag, multiple gange om dagen, du prøver meget hurtigt at fikse det.

Min ingeniør- og designbaggrund formede begge valg, jeg traf, da jeg byggede Fathom. Jeg har altid nærmet mig problemer ved at tage koncepter, der allerede eksisterer, og gøre dem radikalt mere brugervenlige for et langt større publikum. Med Fathom havde jeg denne indsigt, at transkriptionsteknologi blev kommodificeret – der var en prolifération af standardløsninger, der ikke eksisterede fem år tidligere. Så transkription var en del af løsningen, men det var ikke løsningen i sig selv.

Fra et produkt-design-perspektiv indså jeg, at transkriptioner kan være værdifulde for de personer, der var på opkaldet. Men de er virkelig ikke hjælpsomme for personer, der ikke var der. Det, vi fandt langt mere betydningsfuldt, var at vise dig den 30-sekunders video-klip af kunden, der protesterede mod prisen eller stillede det tekniske spørgsmål. Vi bruger transkriptionen næsten som en tabel over indhold for at finde den faktiske audio-video-klip. Den produkt-tænkning – at forstå de jobs, der skal udføres, ikke kun teknologien – kom direkte fra mine design-rødder.

Fathom blev skabt i 2020, lang tid før de fleste virksomheder var begyndt at tænke seriøst over AI-naturlige arbejdsprocesser. Hvad fordele gav det at bygge med AI i kerne – i stedet for at tilpasse det?

Den nøglefordel var arkitektonisk frihed. Vi kunne designe hvert system, fra datapipelines til brugeroplevelse, under antagelse af, at AI ville være et fundamentalt lag og ikke en bolt-on-funktion. De fleste konkurrenter i 2020 og 2021 hyrede sprogkyndige og ML-specialister for at bygge deres egne modeller. Vi tog den modsatte vej, fordi vi troede, at vinderne i dette område ville være dem, der kunne anvende AI effektivt til at løse virkelige problemer, ikke dem, der byggede modellerne selv. Denne contrarian-vision lod os forblive agile med et mindre hold og fokusere vores ingeniøres ressourcer på de hårde infrastruktur-problemer – pålidelig optagelse på tværs af platforme, virale distributionsmekanismer, realtidsbehandling i stor skala.

Her er det vigtigt om at starte i 2020: AI var ikke godt nok endnu. Vi vidste det. Men vi vidste også, at hvis vi ventede på, at AI modnedes, før vi byggede virksomheden, ville vi være to til tre år for sent. Døren ville være bred åben, og alle ville strømme ind. Så vi byggede alt andet først – infrastrukturen, distributionskanalerne, brugeroplevelsen – med den eksplicitte forventning, at når AI blev der, ville vi kunne indsætte det som en ny motor i en bil. Den beslutning betalte sig massivt. Når GPT-4 og Claude ankom i 2022-2023, kunne vi straks integrere dem. Konkurrenter, der havde brugt år på at bygge brugerdefinerede NLP-pipelines, måtte pludselig omstrukturere hele deres stack. Vi opgraderede bare vores modeller og fortsatte med at levere.

At bygge AI-naturligt ændrede også vores produktudviklingsproces grundlæggende. Traditionel software har en ret lineær roadmap: Du bestemmer, hvad du vil bygge, du bygger det, og du sender det. Med AI bruger vi, hvad jeg kalder en “Jenga-model”. Hver blok repræsenterer en potentiel AI-kapacitet. Hvis vi trykker på en blok og møder modstand, fordi modellerne ikke er gode nok endnu, prøver vi en anden. Vi ved, at om seks måneder vil teknologien forbedres, og vi kan komme tilbage til det. Dette holder os fra at tvinge funktioner, før de er klar, samtidig med at vi sikrer, at vi altid leverer værdi.

Den anden fordel var troværdighed. Ja, investorer fortalte mig ikke at putte “AI” i vores navn i 2020, men at være tidligt gav os autenticitet. Vi var ikke med på en trend; vi satser på en tese, før det blev åbenlyst. Det positionerede os som byggere, ikke hurtige følger.

Du har beskrevet mødesamtaler som en af de mest oversete datakilder inden for organisationer. Hvad overbeviste dig om, at dette var den næste store front i AI?

Jeg indså, at jeg aldrig havde mødt en salgsperson, der havde otte timer om dagen til at lytte til alle sine teams møder, endsige træffe beslutninger og træne sit hold baseret på, hvad de havde hørt. Møder genererer utroligt værdifuld data, men det er helt utilgængeligt i stor skala. Med traditionelle møder smider vi 99% af indholdet væk, mens de sidste 1% af noter går ind i CRM. Så prøver vi at omvendt ekstrapolere, hvad der vil ske med vores forretning. Det er en absurd proces. Den information, der faktisk betyder noget – kundens stemmets tone, det specifikke indvend, de rejste, den konkurrerende mention, der kom op – alt dette filtreres gennem en persons hastigt skrevne noter og mister alt kontekst.

Hvad overbeviste mig om, at dette var den næste front, var at erkende, at denne “konversationsmørke data” faktisk er den rigeste signal for, hvad der sker i en organisation. Du får realtids indsigt i kundens smertepunkter, produktgab, konkurrencetrusler og træningsbehov – alt i folks egne ord. Når en kunde forklarer, hvorfor de har brug for en funktion, er det langt mere værdifuldt end en salgsrepræsentants parafrase i en CRM-felt.

Gennembruddet med AI er, at vi kan til sidst udnytte denne data i stor skala. Når vi først lancerede Ask Fathom, kunne det besvare spørgsmål om enkeltmøder. Så udvidede vi det til at håndtere små grupper af møder. Nu er det smart nok til at forstå hele virksomhedens mødesæt. Salgsledere kan spørge, “Hvilke konkurrenter er trendende op mest nyligt? Vis mig nogle klip.” Ingeniørhold kan forespørge, “Fortæl os om historien om transkriptionssystemer i Fathom” og få en seks-siders syntetiseret dokument, der trækker fra fire års møder med ingeniørerne.

Det begynder at blive et langt større hjerte, der virkelig forstår, hvad din forretning gør, og de samtaler, den har. Du kan forestille dig en verden, hvor en AI kan fortælle dig, hvilke funktioner du skal bygge næste, baseret på, hvad der vil hjælpe med at lukke de fleste aftaler, eller hvilke konkurrenter, der kommer op, eller hvilke træningsgab, der findes på tværs af dit hold. Der er denne fantastiske datakilde, som AI udvinder for at give dig input til dit næste strategimøde eller roadmap-proces.

Mange brugere nævner Fathom som transformerende for at blive til stede under møder. Hvordan balancerer du automation med at bevare den naturlige flow af menneskelig samtale?

Dette har været kerne i vores designfilosofi fra begyndelsen. Målet er ikke at have AI fortælle dig, hvad du skal gøre i et møde, men snarere at give dig indsigt, der hjælper dig med at være mere til stede og effektiv i dine samtaler.

Vi er omhyggelige med, hvad vi automatiserer, og hvad vi ikke gør. Vi lancerer ikke funktioner, før vi ved, vi kan gøre dem rigtig godt. Dette betyder undertiden, at vi ikke er de første på markedet med visse funktioner, men når vi lancerer noget, virker det, og leverer ægte værdi. Vi har været forsigtige med at forfølge ting som telefonoptagelse eller visse mødeoptagelser på trods af hyppige anmodninger. Vi ville hellere udmærke os selv med, hvad vi gør, end rulle en middelmådig oplevelse ud, der forstyrer den naturlige flow af samtale.

Ultimo er vores brugere fortæller os, at vi rammer den rette balance: De siger, de sparer 6+ timer om ugen og flytter 3× hurtigere fra indsigt til næste skridt; 95% rapporterer, at Fathom holder dem til stede i møder. Dette bekræfter, at vi supplerer menneskelig kapacitet, ikke erstatter den.

Fathom tiltrak over 1.300 bruger-investorer i sin Serie A – et sjældent tegn på produkt-niveau tillid. Hvad tror du, der resonerede så stærkt med hverdagsbrugere?

For det første giver vi væk en ægte robust gratisprodukt: ubegrænsede møder, fem AI-summeringer om måneden. To tredjedele af vores brugere betaler os aldrig en øre, og vi er helt fine med det. Det er ikke en typisk SaaS-spil. Vores brugere ser, at vi ikke prøver at udvinde værdi fra dem på hver eneste måde. Vi fokuserer på at gøre individuelle bidragsyderes liv bedre gratis, og vi genererer indtægt ved at sælge ledelsesværktøjer til deres chefer – coaching-dashboard, cross-møde-intelligence og konkurrencer indsigt. Produktet fungerer bare, og det fortsætter med at fungere, uanset om du betaler eller ej. Det skaber ægte tillid.

Vores vækst er næsten fuldstændig mund-til-øre – vi er vokset mere som en social medie-platform end traditionel B2B-software. Vores brugere er vores advokater og distributionskanal. At lade dem blive investorer anerkender blot, hvad der allerede er sandt: De er partnere i denne mission.

Jeg tror også, at der er en dybere resonans omkring problemet, vi løser. Alle har oplevet smerten ved at være i et møde, prøve at være til stede og se på, mens nogen febrilsk skriver noter i stedet for at engagere sig. Alle har haft brug for information fra et møde, de ikke var i, og fået en værdiløs to-linje-summering. Problemet er universelt, og løsningen føles næsten magisk, når den fungerer godt. Brugere investerer, fordi de vil have, at denne fremtid skal eksistere – ikke kun for sig selv, men for alle, de arbejder med.

Din baggrund omfatter opbygning af UserVoice, der hjalp med at definere, hvordan virksomheder håndterer kunde-feedback. Hvordan påvirkede denne erfaring din tænkning om organisatorisk hukommelse og AI-drevne videnstrømme?

UserVoice lærte mig, at den mest værdifulde information i virksomheder ofte er den mest spredte. Kundetilbagemelding var overalt. Det var begravet i support-billetter, videreformidlet e-mail og tilfældige salgssamtaler. Virksomheder havde tusindvis af data punkter om, hvad kunderne ønskede, men ingen måde at syntetisere det til strategiske beslutninger på. Vi byggede infrastruktur til at aggregere denne tilbagemelding i stor skala og gøre det tilgængeligt for de personer, der traf produktbeslutninger.

Parallelen med Fathom er tydelig, men problemrummet er mere gennemgående. Møder er eksponentielt mere spredte end kunde-tilbagemelding. Hver organisation har hundredvis eller tusindvis af timer med samtaler, der sker hver uge. Hvad jeg lærte af UserVoice, er, at optagelse er nødvendig, men det er ikke nok. Du kan ikke bare aggregere information; du skal bygge intelligens om, hvad der betyder noget, og routere det til de rette personer. Med UserVoice byggede vi valgsystemer, trending-algoritmer og admin-dashboard, så produktteam kunne adskille signal fra støj. Med Fathom bygger vi AI, der forstår kontekst på tværs af samtaler og kan proaktivt overflade indsigt: “Fem kunder nævnte denne brugs-case denne måned,” eller “Dit hold bliver ved med at blive fast på denne indvending.”

Den anden lære var om demokratisering. UserVoice gjorde det muligt for enhver kunde at give tilbagemelding, ikke kun de højeste, der kunne få eksperter på telefonen. Med Fathom demokratiserer vi adgangen til møde-intelligence. I vores case-study med Netgain brugte deres operationsmanager 7,5 timer om dagen på bare at besvare grundlæggende spørgsmål om, hvad der skete i salgssamtaler. Det er vanvittigt. Informationerne fandtes, men de var fanget i folks hoveder og spredte noter.

Fremtiden for organisatorisk hukommelse er at flytte fra disse isolerede viden-siloer – CRM, docs, feedback-systemer – til forbundne, samtale-intelligence. Det er den logiske udvikling af, hvad vi startede med at bygge med UserVoice, men AI gør det muligt at gøre det med den fulde troværdighed af menneskelig samtale, ikke kun struktureret data.

Zoom-baserede AI-værktøjer eksploderede efter 2020. I din mening, hvad adskiller en virkelig hjælpsom AI-assistent fra en, der bare tilføjer støj?

Jeg siger altid til folk, at der kun er to ting, der kan virkelig sænke en AI-møde-assistent: hvis produktet ikke er pålideligt, eller hvis AI-udgangen er affald. Jeg tror, der var meget AI-markedsføring i den forrige generation, hvor det var let at love magisk ting, men så blev virkeligheden afsløret som nonsens. Vi har altid forsøgt at sikre, at vi har et højkvalitets-, pålideligt produkt, der gør, hvad det lover. Vores nøgleforskelle er:

• Transkriptionsnøjagtighed. Fathom anses for at være den mest nøjagtige transkription derude i dag. De fleste værktøjer udnytter en tredjeparts-transkriptionstjeneste, hvorimod vi byggede vores egen proprietære transkriptionsteknologi internt. Hvis din transkription er dårlig, er alt, hvad der kommer fra AI-komponenten, absolut ødelagt, fordi det alle kommer fra transkriptionen.
• Pålidelighed og infrastruktur. Når du deltager i et møde, er du ofte i en hurry eller stresset. Mange af disse andre værktøjer ville have botter deltage i møder, men så ville optagelsen ikke fungere, eller optagelsen ville fejle. Vi eksisterer næsten på et realtids-system-niveau – du arbejder på noget, der er ét skridt bag avionik. Hvis det ikke virker to gange, er brugeren væk. Det er ikke som traditionel SaaS, hvor du kan være nede af og til.
• AI, der forstår nuance og kontekst. Forretnings-sprog kan være meget subtilt. Jeg husker at køre salgsteamet hos UserVoice og læse folks noter, tænke, “Jeg har brug for at høre, hvordan de faktisk sagde det.” AI skal fange ikke kun, hvad der blev sagt, men tonen, tøven og begejstringen (eller mangel på den). Det er derfor, vi linker hver summeringspunkt tilbage til det faktiske øjeblik i optagelsen.
• Tilpasning uden kompleksitet. AI skal tilpasse sig din forretning, ikke omvendt. Salgsteams skal kunne modificere skabeloner for at matche deres specifikke metoder – MEDDIC, Challenger, SPICED, eller hvad de bruger. Men det kan ikke kræve en datavidenskabsgrad. Det skal bare fungere.

Fathom omdanner mødeindhold til handlebar viden. Hvordan tæt er vi på AI-systemer, der fungerer som rigtige arbejdsflow-motorer – forbinder samtale, beslutninger og nedstrøms-opgaver automatisk?

Jeg tror, vi er tættere, end de fleste mennesker er klar over. Men der er stadig vigtige skridt at tage. Fem år fra nu tror jeg, vi vil se tilbage på i dagens møde-intelligens-værktøjer på samme måde, som vi nu ser på de tidlige smartphones: imponerende for deres tid, men primitive i forhold til, hvad der blev muligt.

Den første store udvikling er at flytte fra notetagning til sand workflow-automatisering. Vi forestiller os en fremtid, hvor du bare siger noget i et møde, og det vil det til eksistens, uden det efterfølgende arbejde. Lige nu, hvis du siger i et møde, “Lad os oprette en specifikation for denne funktion og planlægge en opfølgningsmøde med ingeniørerne næste uge,” skal du stadig manuelt oprette denne dokument og sende den kalender-invitation. Om fem år vil AI gøre alt dette arbejde automatisk. Du siger det, og det sker. Med AI, der skaber opgaver, specifikationer og dokumenter, kan mennesker fokusere på det arbejde, der faktisk kræver menneskelig kreativitet og dømmekraft.

Den anden udvikling er at udvide fra kunde-til-kunde til alle møder. Lige nu fokuserer vi på eksterne møder: salg, kunde-succes, agenturer, der mødes med kunder. Men vores mål de næste 12 til 18 måneder er at gøre Fathom til platformen, du kan bruge på tværs af hele din organisation, ikke kun kunde-til-rettede teams. Vi bygger bot-løs optagelse, der kan fange enhver samtale, herunder Slack-huddles og møder i virkeligheden. Det udvikler sig til at kunne fange enhver samtale, du har i din virksomhed, uanset hvilket medium det er.

Virksomhederne, der stiger til toppen, vil være dem, der behandler samtale-data som en førsteklasses borger – lige så vigtig som deres CRM-data, analytics og dokumenter. Fordi til sidst er den vigtigste viden i enhver organisation ikke i systemerne; det er i samtalerne. AI gør det endelig muligt at udnytte det.

Tak for det gode interview, læsere, der ønsker at lære mere om denne noterings-app, skal besøge Fathom.