"Who" to nasze polskie "kto" i najłatwiej jest to skojarzyć w ten sposób, że w j.polskim nie mówimy "kto rozmawiają z szefem?" tylko "kto rozmawia z szefem?".
Końcówka deklinacji jest taka, jak u 3 osoby liczby pojedynczej.

Zauważ, że w codziennych sytuacjach (tj. nie podczas rozwiązywania zadań językowych) z reguły najpierw zadajemy pytanie, a później dostajemy odpowiedź (wyprowadź mnie proszę z błędu, jeśli się mylę) i, pytając, nie wiemy czy w odpowiedzi (w przypadku tego konkretnego zdania, które zacytowałeś) chodzi o jedną osobę (Roberta czy Kate/he albo she) czy o nich (the Smiths/they). Po prostu przyjęło się, że domyślnie pytamy w l.pojedynczej.