Ryan Tamminga, Chief Customer Officer, Alchemer – Interview-Serie

Ryan Tamminga ist ein Kundenunterstützungs- und Unternehmensumwandlungs-Executive mit fast zwei Jahrzehnten Führungserfahrung in den Bereichen Kundenunterstützung, professionelle Dienstleistungen, Beratung und Produktstrategie. Seit seinem Eintritt bei Alchemer im Jahr 2019 hat er verschiedene Führungspositionen durchlaufen, darunter Vice President of Customer Success und Senior Vice President of Product & Services, bevor er 2026 zum Chief Customer Officer ernannt wurde. In seiner aktuellen Rolle überwacht er die Kundenbindung, den Erfolg und die Servicebereitstellung, während er gleichzeitig hilft, die Kundenbedürfnisse mit Produktinnovationen und Geschäftsstrategien in Einklang zu bringen. Vor Alchemer hatte Tamminga leitende Positionen bei ReedGroup, Deloitte und Accenture inne, wo er große Umwandlungsinitiativen leitete, die sich auf Geschäftsoperationen, Analytik, Automatisierung und Unternehmensleistung konzentrierten.

Alchemer ist eine Plattform für Kundenfeedback und Erfahrungsmanagement, die Organisationen hilft, Erkenntnisse von Kunden, Mitarbeitern und Stakeholdern zu erfassen, zu analysieren und umzusetzen. Die Software des Unternehmens kombiniert Umfrageerstellung, Feedbacksammlung, Workflow-Automatisierung und künstliche Intelligenz-Analytik, um Unternehmen zu ermöglichen, über die bloße Datensammlung hinaus messbare Aktionen zu initiieren. Alchemer ermöglicht Teams, Feedback aus mehreren Kanälen zu zentralisieren, Trends und Stimmungen aufzudecken und diese Erkenntnisse zu nutzen, um Kundenerfahrungen zu verbessern, Produktentscheidungen zu treffen und die Geschäftsleistung zu stärken. Durch seine wachsende Palette an künstlicher Intelligenz-getriebenen Werkzeugen zielt das Unternehmen darauf ab, Organisationen dabei zu helfen, Feedback in eine kontinuierliche Quelle operativer und strategischer Intelligenz umzuwandeln.

Sie haben mehr als ein Jahrzehnt in der Beratung bei Unternehmen wie Accenture und Deloitte verbracht, bevor Sie die Kundenunterstützung, das Produkt und die Dienstleistungen bei Alchemer geleitet haben. Wie hat sich diese Mischung aus Prozessumwandlung und hands-on Kundenunterstützung auf Ihren Ansatz zur Implementierung von künstlicher Intelligenz in Unternehmensumgebungen ausgewirkt?

Die Arbeit in der Beratung hat sehr wertvolle Erfahrungen gebracht, die meine aktuelle Rolle bei Alchemer informieren. Zum Beispiel habe ich entdeckt, dass die Technologie selten das größte Problem darstellt. Ich habe Jahre damit verbracht, Fortune-100-Unternehmen bei der Implementierung von Unternehmenssystemen zu helfen, und die Projekte, die Schwierigkeiten hatten, wurden nicht durch schlechte Software behindert. Sie hatten Probleme mit dem Change-Management, unklare Eigentumsverhältnisse und wurden oft vor der Bereitschaft der zugrunde liegenden Prozesse implementiert.

Das Erfahrungswissen prägt, wie ich über die Implementierung von künstlicher Intelligenz heute denke. Wenn ich mit Kunden spreche, die Schwierigkeiten haben, von künstlicher Intelligenz zu profitieren, ist das Problem fast nie die Technologie selbst. Es ist, dass sie nicht definiert haben, was sie erreichen wollen, wer die Ausgabe besitzt und was sich ändert, wenn die künstliche Intelligenz etwas Handlungsfähiges aufdeckt. Die Technologie ist in den meisten Fällen der organisatorischen Reife voraus.

Die hands-on-Kundenarbeit ist die andere Hälfte dieser Gleichung. Man lernt schnell, was tatsächlich Wert für die Menschen bedeutet, die den Job jeden Tag machen, und wie man das in das übersetzt, was es für die Kennzahlen des Vorstands bedeutet. Das sind oft sehr unterschiedliche Dinge. Die Kombination aus Prozessrigor aus der Beratung und Kundenempathie aus der Arbeit mit Teams ist das, was ich bei der Strategie, wie wir künstliche Intelligenz bei Alchemer aufbauen und implementieren, anstrebe.

Sie haben auf eine erhebliche Kluft in der Reife von künstlicher Intelligenz zwischen Organisationen hingewiesen. Welche sind die größten Missverständnisse, die Führungskräfte über ihre Reife haben, und wo scheitern Implementierungen typischerweise zuerst?

Das häufigste Missverständnis ist, dass der Kauf eines künstlichen Intelligenz-Tools dasselbe ist wie die Bereitschaft, es zu verwenden. Führungskräfte sehen eine Demo, sie sehen die Ausgabe, und sie nehmen oft fälschlicherweise an, dass die Übernahme automatisch erfolgt. Es ist wichtig, sicherzustellen, dass die Technologie, ob künstliche Intelligenz oder nicht, mit dem Geschäftsproblem beginnt, das gelöst werden muss. Die erfolgreiche Übernahme der Technologie hängt fast immer davon ab, wie gut man kommunizieren kann, wie sie das Problem für die Teams und Kunden lösen wird.

Wo Implementierungen zuerst scheitern, ist fast immer der Übergabepunkt. Wenn es keine definierte Workflow für das gibt, was als Nächstes passiert (z. B. wer es sieht, wer darauf reagiert, in welches System es geht), dann wird die Erkenntnis nicht umgesetzt. Organisationen müssen ordnungsgemäß strukturiert sein, um auf Erkenntnisse zu reagieren.

Die Anerkennung dieser Lücke hat geprägt, wie wir Lösungen bei Alchemer aufbauen. Wir beginnen damit, die Probleme zu identifizieren, die wir mit den Technologiefähigkeiten lösen wollen, die wir veröffentlichen. Künstliche Intelligenz-Fähigkeiten, Workflows und Benutzerkontrollen sind nur Teil dessen, was wir liefern. Teams helfen, organisatorische Muskeln aufzubauen, um auf Feedback zu reagieren, ist ebenso wichtig, und es ist dort, wo tatsächliche Ergebnisse realisiert werden.

Viele Unternehmen investieren stark in künstliche Intelligenz, aber haben Schwierigkeiten, den Return on Investment (ROI) nachzuweisen. Welche Metriken oder Rahmenbedingungen sollten sie verwenden, um zu bewerten, ob künstliche Intelligenz in der Kundenerfahrung tatsächlich funktioniert?

Beginnen Sie mit dem, was sich in der Verhaltensweise geändert hat, nicht mit dem, was die künstliche Intelligenz produziert. Die richtige Frage ist nicht: “Hat die künstliche Intelligenz eine Zusammenfassung erstellt?” Sondern Fragen wie: “Welche Metrik ist der Schlüsselindikator für den Erfolg?”, “Hat das Team anders gehandelt, weil es die künstliche Intelligenz gab?”, und “Ändern sich die ausgerichteten Geschäftsmetriken in die richtige Richtung?” Künstliche Intelligenz kann deutlich erkennen, wo ein Problem oder eine Chance besteht, und neue Erkenntnisse liefern. Wenn Unternehmen jedoch nicht auf diese Erkenntnisse reagieren, kann das Kundenfeedback ignoriert oder nicht rechtzeitig bearbeitet werden.

Time-to-Insight ist eine gute Metrik, um zu beginnen. Wie lange dauerte es, von der Feedbacksammlung bis zur Vorlage von etwas Handlungsfähigem vor einem Entscheidungsträger? Die Analyse von Feedback, die früher sechs Monate dauerte, wird durch künstliche Intelligenz deutlich reduziert. Wir haben einen Kunden, der diesen Zyklus von sechs Monaten auf Stunden verkürzt hat, was einen realen, messbaren Schritt in Richtung Lösung von Time-to-Insight und -Aktion darstellt.

Time-to-Response ist eine weitere Metrik, die man frühzeitig erfassen sollte. Kunden erwarten eine Antwort auf ihr Feedback, insbesondere wenn es negativ ist. Messen Sie, wie lange es dauert, auf eine negative Umfrageantwort oder eine Online-Bewertung zu reagieren. Es kann Tage dauern, wenn man es manuell überprüft, eine Aktion über ein Support-Ticket zuweist und dann auf den Kunden reagiert. Ein Online-Brillen-Händler konnte die Zeit von fast einem Monat auf Minuten verkürzen.

Response-Rate ist die letzte Metrik, die man verfolgen sollte. H&R Block (HRB ) Canada verwaltet fast 1.000 Standorte während der Steuersaison. Bevor künstliche Intelligenz zum Einsatz kam, war es fast unmöglich, 100% der Bewertungsantworten abzudecken. Jetzt ist es ein Grundstandard. Das ist messbar, und die nachgelagerten Auswirkungen auf die Sichtbarkeit in Suchmaschinen und die Kundenerfahrung sind nachweisbar.

Beginnen Sie damit, das Problem zu identifizieren, das Ihnen oder Ihren Kunden kostet oder frustriert (z. B. langsame Analyse, niedrige Antwortquoten, verpasste Kunden-Signale), und messen Sie die Differenz vor und nach. Versuchen Sie nicht, alles zu messen. Messen Sie eine Sache, die wichtig ist, und nutzen Sie diesen Schwung, um den Geschäftsfall aufzubauen und zu liefern.

Aus Ihrer Sicht, was unterscheidet Organisationen, die künstliche Intelligenz erfolgreich operationalisieren, von denen, die im Experimentierstadium stecken bleiben?

Die Organisationen, die mit künstlicher Intelligenz erfolgreich sind, behandeln sie als Infrastruktur und nicht als ein Projekt, das ein Startdatum, ein Enddatum und ein Team hat, das die Investition rechtfertigen muss. Infrastruktur wird zum Kern dessen, wie Arbeit erledigt wird. Zum Beispiel denken Sie an den Unterschied, den die Einführung von CRM-Software in den späten 1990er und frühen 2000er Jahren gemacht hat. Das Projekt war die Implementierung, aber die Systeme wurden zu grundlegender Betriebsinfrastruktur, die die Grundlage für die Arbeit von Go-to-Market-Teams bildete. Diese Umwandlung ist das, was Operationalisierung tatsächlich bedeutet, und die meisten Organisationen haben es noch nicht erreicht, wenn es um die Übernahme von künstlicher Intelligenz geht.

Der andere Unterscheidungspunkt ist die Eigentümerschaft. Erfolgreiche Kundenunterstützungs- (CX-) Implementierungen haben jemanden, dessen Job es ist, sicherzustellen, dass Ausgaben umgesetzt werden. Es muss jemanden geben, der für das Ergebnis verantwortlich ist. Wenn niemand das Ergebnis besitzt, schließen sich Erkenntnisse in einem Dashboard und hören dort auf. Dies war immer schon für CX-Programme wahr – es wird durch künstliche Intelligenz verstärkt, weil die Ausgaben schneller kommen und die Erwartungen der Kunden beschleunigt werden.

Die dritte Sache, auf die ich achte, ist, ob die Organisation ein Muster der Konsistenz von Erfolgsmetriken hat. Was gemessen wird, wird gemanagt. Teams, die Trends über die Zeit hinweg verfolgen, die Leistung quartalsweise benchmarken oder Ergebnisse über Geografien hinweg vergleichen, können künstliche Intelligenz-Lösungen nicht gebrauchen, die an unterschiedlichen Tagen unterschiedliche Antworten liefern. Die Organisationen, die künstliche Intelligenz erfolgreich operationalisieren, verlangen Zuverlässigkeit zusätzlich zu Fähigkeiten. Sie wollen künstliche Intelligenz, auf die sie aufbauen können.

Es gibt viel Aufregung um allgemeine LLMs, aber Sie plädieren für speziell entwickelte künstliche Intelligenz in Feedback-Workflows. Wo liegen die Schwächen allgemeiner Modelle in Unternehmensanwendungen?

Nicht jedes Problem erfordert die gleiche künstliche Intelligenz-Lösung. Viele Anbieter im Feedback- und CX-Bereich haben ihre künstlichen Intelligenz-Fähigkeiten auf kommerziell verfügbaren allgemeinen Modellen wie ChatGPT, Claude oder Gemini aufgebaut. Sie sind dafür entwickelt, alles für jeden zu tun, und diese Allgemeingültigkeit kann problematisch für Organisationen sein, die einen hohen Grad an Zuverlässigkeit und Konsistenz verlangen.

Alchemer hat einen anderen Ansatz verfolgt, um die Herausforderungen zu unterstützen, die unsere Kunden lösen wollen. Alchemer verwendet die richtige künstliche Intelligenz-Lösung für jede spezifische Aufgabe und nicht jedes Problem durch kommerzielle LLMs. Das Ergebnis dieser speziell entwickelten künstlichen Intelligenz-Strategie ist genauere Ausgaben, konsistente Ergebnisse über die Zeit und künstliche Intelligenz, die für Feedback-Daten optimiert ist und nicht für etwas anderes angepasst wurde.

Wir haben dies direkt bei Kunden erlebt. Washburn & McGoldrick bewertete allgemeine künstliche Intelligenz-Tools, bevor sie sich für Alchemer entschieden, und fanden heraus, dass dieselben Daten an unterschiedlichen Tagen unterschiedliche Kategorisierungen produzierten. Man kann kein Benchmark-Programm auf dieser Grundlage aufbauen.

Was bedeutet es tatsächlich, künstliche Intelligenz direkt in Geschäftsworkflows einzubetten, und warum ist dieser Ansatz effektiver als die Behandlung von künstlicher Intelligenz als eigenständiges Tool?

Ein eigenständiges künstliches Intelligenz-Tool ist etwas, das man öffnet, wenn man entscheidet, etwas zu analysieren. Eine eingebettete künstliche Intelligenz-Fähigkeit arbeitet bereits, bevor man daran denkt, eine Frage zu stellen.

Der Unterschied in der Praxis ist: Wenn eine Bewertung über Nacht hereinkommt, die einen Risikoschwellenwert aufgrund eines Sicherheitsproblems erreicht, löst ein eingebettetes System eine Warnung aus, leitet es an die richtige Person weiter und initiiert automatisch einen Antwort-Workflow. Niemand muss sich daran erinnern, das Dashboard zu überprüfen. Die künstliche Intelligenz ist bereits Teil des Prozesses.

Bei Alchemer denken wir darüber nach, dies über alle Feedback-Kanäle und den gesamten Feedback-Lebenszyklus hinweg. Künstliche Intelligenz in unseren Umfragefähigkeiten verbessert, was hereinkommt, und kann relevante Folgefragen in Echtzeit generieren, sodass eine Umfrage zu einem Gespräch wird. Im Review-Management kann künstliche Intelligenz auf Marken zugeschnittene, personalisierte Antworten erstellen und sogar veröffentlichen. Künstliche Intelligenz in unserer Analyseebene bringt zum Vorschein, was wichtig ist, und unsere Workflow-Automatisierung verbindet künstliche Intelligenz-Auslöser direkt mit den Geschäftssystemen, in denen die Teams tatsächlich arbeiten. Wenn diese Teile verbunden sind, schrumpft die Lücke zwischen Erkenntnis und Aktion von Tagen auf Minuten. Das ist, was eingebettet tatsächlich bedeutet, die Aktionen, die aus Kundenfeedback resultieren, in die Systeme zu integrieren, die unsere Kunden-Teams jeden Tag verwenden, um ihre Kunden zu involvieren.

Die Umwandlung unstrukturierter Kundenfeedback in Echtzeit-Aktionen klingt mächtig, aber schwierig. Was sind die größten technischen und organisatorischen Herausforderungen, dies im großen Maßstab umzusetzen?

Auf der technischen Seite kann das Volumen und die Variabilität der Daten tatsächlich herausfordernd sein. Kunden schreiben in verschiedenen Sprachen, mit Abkürzungen, Fehlern und Kurzformen, die allgemeine Modelle häufig falsch interpretieren. Modelle müssen auch die Sprache des Unternehmens verstehen. Verschiedene Branchen verwenden unterschiedliche Terminologie, und Unternehmen wenden ihre eigenen Nuancen auf diese Terminologie an.

Beispielsweise kann die Person, die Sie in einem Unternehmen begrüßt, eine Empfangsdame in einer Arztpraxis, der Gastgeber in einem Restaurant und eine Barista in einem Coffee-Shop sein. Diese ähnlichen Rollen können in verschiedenen Branchen unterschiedlich benannt werden. Während ein allgemeines Modell für eine erste Überprüfung in Ordnung sein kann, müssen die zugrunde liegenden Modelle speziell für die Nuancen von Feedback-Daten und die Art und Weise, wie Kunden über spezifische Branchen, Produkte, Marken und Dienstleistungen sprechen, entwickelt werden. Die Modelle müssen auch konsistent sein, da man fast immer gegen historische Vergleichswerte vergleicht.

Während die technischen Herausforderungen zu sein scheinen, werden die organisatorischen Herausforderungen einfacher zu lösen. Die erste große Herausforderung besteht darin, zu wissen, was man mit der erhöhten Menge und den reicheren Erkenntnissen tun soll. Die meisten Teams schauen auf eine künstliche Intelligenz-Erkenntnis und sagen: “Das ist interessant.” Die besten Organisationen bauen Workflows auf, die sagen: “Diese Erkenntnis geht an diese Person/System, die dies tut, innerhalb dieses Zeitfensters.” Glücklicherweise ist es nie einfacher gewesen, diese Workflows aufzubauen. Mit ein wenig Planung und wenn es richtig gemacht wird, wird die Beschleunigung der allgemeinen Neugier der Teams, die daran arbeiten, Kundenfeedback zu verstehen, zu etwas sehr Aufregendem, wenn es sich entwickelt.

Eine weitere große organisatorische Herausforderung ist Vertrauen. In einer aktuellen Studie von Alchemer sagten nur 29% der Käufer von CX-Software, dass sie sich derzeit wohl fühlen, auf künstliche Intelligenz-Generierungen ohne Überprüfung zu reagieren. Es spiegelt reale Erfahrungen mit künstlicher Intelligenz wider, die inkonsistent oder unerklärlich war. Vertrauen aufzubauen erfordert künstliche Intelligenz-Systeme, die transparent darüber sind, wie sie zu ihren Schlussfolgerungen gelangen, mit Prüfspuren und konfigurierbaren Steuerungen, die es Teams ermöglichen, zu entscheiden, was die künstliche Intelligenz tun kann und nicht tun kann. Bei Alchemer behandeln wir vertrauenswürdige künstliche Intelligenz als ein Produkt und nicht als eine Funktion.

Sie haben vorgeschlagen, dass Konsistenz wichtiger sein kann als Genauigkeit in der künstlichen Intelligenz-getriebenen Marktforschung. Können Sie erklären, warum Konsistenz so kritisch ist und warum sie oft übersehen wird?

Genauigkeit sagt Ihnen, wie gut die künstliche Intelligenz eine einzelne Antwort verstanden hat. Konsistenz sagt Ihnen, ob Sie den Vergleich über die Zeit hinweg vertrauen können. Für Marktforschung ist der Vergleich der Punkt. Es ist nicht sinnvoll, zu wissen, was Kunden heute sagen, isoliert. Aber es ist wertvoll, zu verstehen, ob Dinge besser oder schlechter werden im Vergleich zum letzten Quartal, wie eine Region im Vergleich zu einer anderen ist oder ob die Themen, die man jetzt sieht, vor sechs Monaten vorhanden waren. Nichts davon ist möglich, wenn die zugrunde liegende Klassifizierung zwischen Läufen wechselt.

Beispielsweise, wenn man zwei verschiedene Analysten beauftragt, dieselben offenen Text-Feedback sechs Monate auseinander zu kodieren, hätte man ein Vergleichsproblem, selbst wenn beide Analysten hervorragend waren. Man wüsste nicht, ob eine Verschiebung der Themen eine echte Änderung der Kundenzufriedenheit widerspiegelt oder nur eine Differenz in der Interpretation der Daten durch zwei verschiedene Menschen. Künstliche Intelligenz mit inkonsistenten Ausgaben kann diese gleiche Herausforderung verursachen.

Fein abgestimmte Modelle, die dieselbe Klassifizierungslogik jeden Tag anwenden, lösen dieses Problem. Das Modell produziert nicht unterschiedliche Antworten an unterschiedlichen Tagen. Es macht offene Text-Antworten zuverlässig, genauso wie longitudinale Net Promoter Score (NPS)-Programme zuverlässig sind. Es ist das, was es ermöglicht, dass ein Analyst dem Unternehmen etwas Bedeutendes über die Richtung, in die sie gehen, sagt, und nicht nur darüber, wo sie gerade sind.

Wie sollten Organisationen künstliche Intelligenz als Arbeitsplatzmultiplikator und nicht als Ersatz betrachten, insbesondere für nicht-technische Teams?

Die Arbeitsplatzmultiplikator-Framing verschiebt die Frage von “Was wird künstliche Intelligenz ersetzen?” zu “Was kann mein Team jetzt tun, was es vorher nicht konnte?” Das ist ein produktiverer Rahmen, und in meiner Erfahrung ist es auch der genaue. Es folgt historischen Mustern großer technologischer Fortschritte in den letzten zwanzig Jahren. Die konkrete Version: Ein Kundeninsights-Analyst, der drei Tage die Woche damit verbringt, offenes Text-Feedback manuell zu kodieren, kann diese Zeit jetzt nutzen, um Muster zu interpretieren, Ergebnisse zu präsentieren und an den Fragen hinter den Fragen zu arbeiten. Die künstliche Intelligenz hat den Analysten nicht ersetzt. Sie hat den Analysten die Fähigkeit gegeben, seine Fähigkeiten noch mehr zu nutzen.

Das ist besonders wichtig für nicht-technische Teams. Wenn jeder Fragen zu seinen Daten in einfacher Sprache stellen kann, ohne einen Datenwissenschaftler oder ein Berichterstellungssystem zu benötigen, können die Menschen, die dem Kunden am nächsten sind, Erkenntnisse viel schneller erhalten. Das ändert den Entscheidungstempo in der gesamten Organisation, nicht nur die Effizienz einer einzelnen Aufgabe.

Der Multiplikatoreffekt materialisiert sich nur, wenn Teams darauf vorbereitet sind, die Kapazität zu nutzen, die künstliche Intelligenz schafft. Das ist eine organisatorische Designfrage, genauso wie eine Technologiefrage. Deshalb verbringen wir so viel Zeit mit der Übernahme und den Best Practices bei unseren Kunden wie mit den Fähigkeiten selbst.

Wenn man in die Zukunft blickt, wie sehen Sie die künstliche Intelligenz die Kundenerfahrung in den nächsten Jahren umgestalten, und was sollten Unternehmen heute tun, um sich auf diese Veränderung vorzubereiten?

Die Veränderung, auf die ich am meisten achte, ist der Wechsel von reaktiv zu proaktiv. Die meisten Feedback-Programme sind heute reaktiv. Zum Beispiel passiert etwas, Feedback kommt herein, Teams analysieren es und Entscheidungen werden getroffen. Der Zyklus wird schneller, aber er ist immer noch grundlegend rückwärts gerichtet.

Was künstliche Intelligenz ermöglicht, ist, vor dieser Kurve zu sein. Frühzeitig Signale zu erkennen, bevor ein Problem in den Punktzahlen erscheint. Zu wissen, welche Kundensegmente gefährdet sind, bevor sie abwandern. Zu verstehen, warum die Zufriedenheit in einem bestimmten Gebiet sinkt, bevor es zu einem Muster wird. Das ist, wo die Kombination aus speziell entwickelter künstlicher Intelligenz und longitudinalem Feedback-Daten wirklich mächtig wird.

Unternehmen sollten heute die organisatorische Infrastruktur aufbauen, um das zu absorbieren, was künstliche Intelligenz ermöglicht. Konsolidieren Sie Ihre Feedback-Daten aus Bewertungen, Umfragen, sozialen Medien, in der App und mehr. Definieren Sie, wer die Analysen besitzt und was passiert, wenn etwas Handlungsfähiges auftritt. Bauen Sie die Workflows auf, die Erkenntnisse mit Aktionen verbinden, bevor Sie sie benötigen. Die Unternehmen, die vorne liegen werden, sind nicht unbedingt diejenigen mit der fortschrittlichsten künstlichen Intelligenz-Technologie, sondern diejenigen, die künstliche Intelligenz-Erkenntnisse konsistent, schnell und im großen Maßstab umsetzen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Alchemer besuchen.