
Spencer Skates
Co-founder & CEO at Amplitude
Amplitude Mitgründer und CEO (YC W12, jetzt börsennotiert). KI-Skeptiker bis Oktober 2024. Transformierte Unternehmen in 12 Monaten mit AI Week.
Über Spencer Skates
Spencer Skates ist Mitgründer und CEO von Amplitude, der Produktanalyse-Plattform (YC W12, jetzt börsennotiert). Er gibt öffentlich zu, bis Oktober 2024 KI-Skeptiker gewesen zu sein, transformierte dann das Unternehmen in 12 Monaten mit AI Week, zwei Reorgs und drei Akquisitionen.
Karriere-Höhepunkte
- Amplitude (2012-heute): Mitgründer und CEO, YC W12
- IPO (2021): Brachte Amplitude an die Börse
- KI-Transformation (2024-2025): 12-Monats-Pivot zu KI-nativ
- 3 Akquisitionen: Command AI, Craftful Team, June, Anari
- Sonalight (2011): Vorheriges YC-Startup
Bemerkenswerte Positionen
Über KI-Skeptiker zu sein
Ehrlich darüber, was seine Meinung änderte:
“When managers in 2023 asked ‘What’s our AI strategy?’, I pushed back. My co-founder saw ‘massive scams’ - promises of job replacement that model capabilities couldn’t deliver. The tipping point was coding tools. When Cursor and Claude started transforming software engineering productivity, skeptics couldn’t deny it anymore.”
Deutsche Übersetzung: “Als Manager 2023 fragten ‘Was ist unsere KI-Strategie?’, wehrte ich ab. Mein Mitgründer sah ‘massive Betrügereien’ - Versprechen von Jobersatz, die Modellfähigkeiten nicht liefern konnten. Der Wendepunkt waren Coding-Tools. Als Cursor und Claude begannen, Softwareentwicklungs-Produktivität zu transformieren, konnten Skeptiker es nicht mehr leugnen.”
Über AI Week
Der Transformationskatalysator:
“Two days of training, then hackathon. Key move: had VPs and engineering leads demo the tech in front of the whole org. One product lead live-coded dark mode for Amplitude. Everyone saw leaders saying ‘this is it’ and showing how they do it. Rest of the week was ‘work on things you’re already doing, just faster with Cursor.’”
Deutsche Übersetzung: “Zwei Tage Training, dann Hackathon. Schlüsselzug: VPs und Engineering-Leads demotierten die Technik vor der ganzen Org. Ein Produktleiter kodierte live Dark Mode für Amplitude. Jeder sah Leader sagen ‘das ist es’ und zeigen, wie sie es machen. Der Rest der Woche war ‘arbeite an Dingen, die du bereits tust, nur schneller mit Cursor.’”
Über Technologie-zuerst Produktentwicklung
Das SaaS Playbook brechen:
“SaaS playbook is: talk to customers, ask what they want, prioritize, build, deliver, repeat. That doesn’t work with KI because customers can’t describe what’s possible. You need engineering teams who understand model capabilities first, then map it back to product problems.”
Deutsche Übersetzung: “SaaS Playbook ist: mit Kunden sprechen, fragen, was sie wollen, priorisieren, bauen, liefern, wiederholen. Das funktioniert nicht mit KI, weil Kunden nicht beschreiben können, was möglich ist. Du brauchst Engineering-Teams, die zuerst Modellfähigkeiten verstehen, dann es zurück auf Produktprobleme mappen.”
Wichtige Zitate
- “KI-Skeptiker bis Oktober 2024.”
- “AI Week war der Katalysator.”
- “Kunden können nicht beschreiben, was möglich ist.”
Weiterführende Literatur
- Enterprise AI - Amplitudes Transformation
- Application Over Training - Der Produktfokus, den Spencer umarmte
Video Mentions
KI-Skepsis
Als Manager 2023 fragten 'Was ist unsere KI-Strategie?', wehrte ich ab. Mein Mitgründer sah 'massive Betrügereien' - Versprechen von Jobersatz, die Modellfähigkeiten nicht liefern konnten. Ungleichmäßige Fähigkeiten machten es unmöglich für Nicht-Praktiker zu wissen, was in welchen Eimer fällt.
AI Week Transformation
AI Week war der Transformationskatalysator. Zwei Tage Training, dann Hackathon. Schlüsselzug: VPs und Engineering-Leads demotierten die Technik vor der ganzen Org. Ein Produktleiter kodierte live Dark Mode für Amplitude. Jeder sah Leader sagen 'das ist es' und zeigen, wie sie es machen.
Tech-first Produktentwicklung
Technologie-zuerst-Verständnis dessen, was möglich ist. SaaS Playbook ist: mit Kunden sprechen, fragen, was sie wollen, priorisieren, bauen. Das funktioniert nicht mit KI, weil Kunden nicht beschreiben können, was möglich ist. Du brauchst Engineering-Teams, die zuerst Modellfähigkeiten verstehen.