Richard White, grundlægger og administrerende direktør for Fathom – Intervju-serie

Richard White, grundlægger og administrerende direktør for Fathom, er en gentagen grundlægger og produktfokuseret iværksætter, der er bedst kendt for at omdanne personlige frustrationer til kategori-definerende software. Før Fathom grundlagde og ledede han UserVoice i næsten 13 år, hvor han udviklede det til et profitabelt feedback-management-platform, der blev brugt af tusindvis af virksomheder, lige fra startups til større virksomheder som Microsoft , og samtidig banede vejen for det nu almindelige “Feedback”-tab på hjemmesider. Tidligere i sin karriere byggede og drev han SlimTimer helt alene i over en årrække, ledte inflydelsesrige open-source-projekter som AjaxScaffold i Ruby on Rails-økosystemet og arbejdede som produkt-design-leder hos Kiko (YC S05), erfaringer der kollektivt formede hans filosofi omkring brugervenlighed, kundeempati og opbygning af værktøjer, der stille, men betydningsfuldt, forbedrer, hvordan hold arbejder.

Fathom, der blev grundlagt i 2020, afspejler den samme etos ved at tage fat på et universelt smertepunkt: den kognitive overbelastning af at tage noter, mens man forsøger at have rigtige samtaler. Platformen optager automatisk, transkriberer og summerer møder – mest bemærkelsesværdigt på Zoom – og giver brugerne mulighed for at fremhæve øjeblikke i realtid, dele korte klip i stedet for rå noter og bevare nuancen, der ofte går tabt i skrevne sammenfatninger. Da Fathom er blevet mere moden, er det udviklet sig fra enkel transkription til et letvægts-system 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 har dine ingeniør- og produkt-design-rødder formet virksomheden fra dag ét?

Min inspiration til at grundlægge Fathom kom i begyndelsen af 2020. Det var før pandemien, men jeg var i gang med omfattende brugerforskning til et produkt og sad pludselig igennem 15-20 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 ville se på mine noter to uger senere og ikke huske, hvilken samtale der var hvilken. Det største problem var, at jeg ville gøre alt denne forskning og derefter dele nogle punktnotater 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, mange gange om dagen, du prøver meget hurtigt at fikse det.

Min ingeniør- og design-baggrund har begge informeret valgene, jeg har truffet, mens 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 udbredelse 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 mødet. 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 protesterer mod prisen eller stiller det tekniske spørgsmål. Vi bruger transkriptionen næsten som en tabel over indhold for at finde den faktiske audio-video-klip. Den produkt-tænkning – forståelse af de opgaver, 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 arbejdsgange. Hvad var fordelene ved at bygge med AI i kernen – snarere end at tilpasse det – tidligt?

Fordelen var arkitektonisk frihed. Vi kunne designe hvert system, fra data-pipelines til brugeroplevelse, under antagelse af, at AI ville være et grundlæggende lag og ikke en bolt-on-funktion. De fleste konkurrenter i 2020 og 2021 hyrede sprog-eksperter og ML-specialister for at bygge deres egne modeller. Vi tog den modsatte tilgang, fordi vi troede, at vinderne i dette område ville være dem, der kunne anvende AI effektivt til at løse rigtige problemer, ikke dem, der byggede modellerne selv. Denne modsatte synsvinkel lod os forblive agile med et mindre hold og fokusere vores ingeniørressourcer på de hårde infrastruktur-problemer – pålidelig optagelse på tværs af platforme, virale distributionsmekanismer, realtid-bearbejdning i stor skala.

Her er det vigtige ved at starte i 2020: AI var ikke godt nok endnu. Vi vidste det. Men vi vidste også, at hvis vi ventede på, at AI blev moden, 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 deres hele stack. Vi opgraderede bare vores modeller og fortsatte med at levere.

Bygning af AI-naturlige 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 altid sender værdi.

Den anden fordel var troværdighed. Ja, investorer fortalte mig ikke at sætte “AI” i vores navn i 2020, men at være tidligt gav os troværdighed. 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 møde-samtaler 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 deres holds møder, endsige træffe beslutninger og coachere deres hold på grundlag af, hvad de havde hørt. Møder genererer utroligt værdifulde data, men det er fuldstændig 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 fra det, hvad der vil ske med vores forretning. Det er en absurd proces. Den information, der faktisk betyder noget – tonen i en kundes stemme, den specifikke indvending, der blev rejst, den konkurrencemæssige nævning, der kom op – alt dette bliver filtreret 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 “samtale-mørke-data” faktisk er den rigeste signal for, hvad der sker i en organisation. Du får realtids indsigt i kunde-problemer, produkt-lukninger, konkurrencemæssige trusler 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 endelig kan 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 møde-sæt. Salgsledere kan spørge: “Hvilke konkurrenter er trendende mest nyligt? Vis mig nogle klip.” Ingeniørhold kan spørge: “Fortæl os om historien om transkriptionsmotorer på Fathom” og få en seks-siders syntetiseret dokument, der trækker fra fire års møder med ingeniører.

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 træningslukninger, der findes på tværs af dit hold. Der er denne fantastiske datakilde, som AI udnytter for at give dig input til din næste strategimøde eller roadmap-proces.

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

Dette har været centralt for vores design-filosofi 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, at vi kan gøre dem rigtig godt. Dette betyder nogle gange, 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 telefonopkalds-optagelse eller visse møde-optagelse, trods hyppige anmodninger. Vi ville hellere udmærke os selv med, hvad vi gør, end rulle en middelmådig oplevelse ud, der forstyrrer den naturlige flow af samtale.

Ultimo, vores brugere fortæller os, at vi rammer den rette balance: De siger, at de sparer 6+ timer om ugen og flytter 3 gange 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 hverdags-brugere?

Til det første giver vi en rigtig robust gratis produkt: ubegrænsede møder, fem AI-sammenfatninger 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. Vore brugere ser, at vi ikke prøver at udnytte dem på hver eneste måde. Vi fokuserer på at gøre enkeltpersoners liv bedre gratis, og vi genererer indtægt ved at sælge ledelsesværktøjer til deres chefer – coaching-dashboard, tværs-møde-intelligence og konkurrencemæssige indsigt. Produktet virker bare, og det fortsætter med at virke, uanset om du betaler eller ej. Det skaber ægte tillid.

Vores vækst er næsten fuldstændig mund-til-øre – vi er vokset mere som et socialt medie-platform end traditionel B2B-software. Vore brugere er vores advokater og distributionskanal. At lade dem blive investorer anerkender bare, hvad der allerede er sandt: De er medlemmer af 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 en person, der desperat skriver, i stedet for at engagere sig. Alle har haft brug for information fra et møde, de ikke var i, og har fået en nytteløs to-linje-sammenfatning. 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 inkluderer opbygning af UserVoice, der hjalp med at definere, hvordan virksomheder håndterer kunde-tilbagemeldinger. Hvordan har denne erfaring påvirket dit tænkning om organisatorisk hukommelse og AI-drevne viden-strømme?

UserVoice lærte mig, at den mest værdifulde information i virksomheder ofte er den mest spredte. Kunde-tilbagemelding var overalt. Det var begravet i support-billetter, videre sendte e-mails og tilfældige salgs-samtaler. 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 træffer produkt-beslutninger.

Parallelen til Fathom er klar, men problem-rummet er mere gennemgående. Møder er eksponentielt mere spredte end kunde-tilbagemelding. Hver organisation har hundredvis eller tusindvis af timers samtaler hver uge. Det, jeg lærte fra 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 valg-systemer, trending-algoritmer og administrator-dashboard, så produkt-hold kunne adskille signal fra støj. Med Fathom bygger vi AI, der forstår kontekst på tværs af samtaler og kan proaktivt fremhæve indsigt: “Fem kunder nævnte denne brugs-sag denne måned” eller “Dit hold bliver ved med at blive fast på denne indvending”.

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

Fremtiden for organisatorisk hukommelse er under udvikling fra disse isolerede viden-siloer – CRM, dokumenter, tilbagemeldingssystemer – 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 rigtig hjælpsom AI-assistent fra en, der bare tilføjer støj?

Jeg siger altid til folk, at der kun er to ting, der virkelig kan 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 tidligere 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 høj-kvalitets-produkt, der gør, hvad det lover. Vore nøgle-forskelle er:

• Transkriptions-nøjagtighed. 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 fra AI-komponenten fuldstændig ødelagt, fordi alt 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 havde bots, der deltog i møder, men så optog de ikke, eller optagelsen fejlede. Vi eksisterer næsten på et realtid-system-niveau – du arbejder med noget, der er et skridt bag avionik. Hvis det ikke virker to gange, er brugeren væk. Det er ikke som traditionel SaaS, hvor du kan være nede lejlighedsvis.
• AI, der forstår nuance og kontekst. Forretnings-sprog kan være meget subtilt. Jeg husker at lede salgsteamet på UserVoice og læse folks noter, tænke: “Jeg skal høre, hvordan de faktisk sagde det.” AI skal fange ikke kun, hvad der blev sagt, men også tonen, tøven og begejstringen (eller mangel på den). Det er derfor, vi linker hver sammenfatnings-punkt tilbage til det faktiske øjeblik i optagelsen.
• Tilpasning uden kompleksitet. AI skal tilpasse sig din forretning, ikke omvendt. Salgsteam skal kunne ændre skabeloner for at matche deres specifikke metoder – MEDDIC, Challenger, SPICED, eller hvad de bruger. Men det kan ikke kræve en datavidenskabs-grad. Det skal bare virke.

Fathom omdanner møde-indhold til handlebar indsigt. Hvordan tæt er vi på, at AI-systemer fungerer som rigtige arbejdsgange-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. Lige nu bevæger vi os ind i en verden, hvor Fathom gør mere og mere af arbejdet for dig. Det første skridt er bare at få informationen, hvor du vil have den. Det næste skridt, der ikke er langt væk, er at have AI, der faktisk gør arbejdet for dig.

Vi ser allerede tidlige versioner af dette. Vores Asana-integration tager handling-punkter fra møder og automatisk skaber trackbare opgaver. Fathom ønsker ikke at komme op med en opgave-styringsløsning – der er mange gode løsninger derude, som Asana. Så vi bygger integrationer, der skyder møde-resultater direkte ind i de værktøjer, folk allerede bruger til at få arbejdet gjort.

På CRM-siden skyder vi automatisk strukturerede felter – smertepunkter, tidsfrister, nøgle-beslutningstagere – ind i Salesforce og HubSpot. I en case-study sparede dette 20 til 30 minutter pr. handels-status-opdatering og førte til næsten perfekt månedslut-prognose-nøjagtighed. Det er en arbejdsgang-motor i funktion: Samtale sker, AI udvinder de vigtige forretnings-data og derefter flyder det automatisk ind i dit system for registrering uden, at nogen skriver noget.

Men jeg tror, det rigtige gennembrud kommer med, hvad jeg kalder semantisk-baserede alerts og intelligent routing. Forestil dig at være en leder eller salgsleder og få en daglig highlight-klip, hvor AI har fundet hver eneste pris-samtale, der gik galt, eller hver eneste produkt-blokering, der kom op i en forlængelse-samtale. Hvis du er en ingeniør-leder, vil du se hver eneste heftig debat blandt dine ingeniører. AI kan forstå tone og nuance nu, ikke kun nøgleord, så den ved, hvilke øjeblikke du faktisk bekymrer dig om.

Da virksomheder vokser, kæmper de med distribueret viden og informations-forfald. Hvordan ser du AI løse gapet mellem, hvad hold diskuterer, og hvad der faktisk bliver udført?

Dette er et af de mest kritiske problemer, vi løser. Der er to grupper, vi kan virkelig hjælpe: personer i mødet, der prøver at tage noter og være til stede, og ledelse, chefer og grundlæggere, der ikke er i mødet, men driver hold og prøver at forstå, hvad der sker. Den sidste gruppe er, hvor det distribuerede viden-problem virkelig rammer.

Kernen i problemet er synlighed. Når nogen i en virksomhed vil vide status på en handel eller hvad der sker med en kunde, er der traditionelt ingen nem måde at finde den information på. De ringer til salgsteamet, og repræsentanterne skal bruge 20-30 minutter på at grave i noter. Under peak-perioder får nogle operations-chefer 15 anmodninger dagligt – det er 7,5 timer brugt på informations-udvinding i stedet for værdi-tilførende aktiviteter.

AI kan begynde at forbinde punkter på tværs af samtaler, som ingen menneske kan spore. Den slags mønster-genkendelse på tværs af distribuerede samtaler er, hvordan du forhindrer viden-forfald og faktisk omdanner samtaler til strategisk intelligens.

Set fem år frem, hvordan forventer du, at møde-intelligence udvikler sig – og hvilken rol ser du AI spille i fremtiden for organisatorisk hukommelse, beslutningstagning og samarbejde?

Fem år fra nu tror jeg, vi vil se på dagens møde-intelligence-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 gå fra notetagning til sand arbejdsgang-automatisering. Vi forestiller os en fremtid, hvor blot at sige noget i et møde kan vil det til eksistens, uden det efterfølgende arbejde. Lige nu, hvis du siger i et møde: “Lad os skabe en specifikation for denne funktion og planlægge en efterfølgende med ingeniørerne næste uge”, skal du stadig manuelt skabe den dokument og sende den kalender-invitation. Om fem år vil AI gøre alt dette automatisk. Du taler 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-tilfacede til alle møder. Lige nu fokuserer vi på eksterne møder: salg, kunde-succes, bureauer, 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-tilfacede hold. Vi bygger bot-løs optagelse, der kan fange enhver samtale, herunder Slack-huddles og møder ansigt til ansigt. Det udvikler sig til at kunne fange enhver samtale, du har i din virksomhed, uanset medium.

Virksomhederne, der kommer til tops, vil være dem, der behandler samtale-data som en førsteklasses-borgere – lige så vigtig som deres CRM-data, analytics og dokumenter. For det vigtigste kendskab i enhver organisation er 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.