Ryan Tamminga, Director de Cliente de Alchemer – Serie de Entrevistas

Ryan Tamminga es un ejecutivo de experiencia del cliente y transformación empresarial con casi dos décadas de experiencia en liderazgo en áreas como éxito del cliente, servicios profesionales, consultoría y estrategia de productos. Desde que se unió a Alchemer en 2019, ha avanzado a través de una serie de roles de liderazgo, incluyendo Vicepresidente de Éxito del Cliente y Vicepresidente Senior de Productos y Servicios, antes de ser nombrado Director de Cliente en 2026. En su rol actual, supervisa el compromiso del cliente, el éxito y la entrega de servicios, mientras ayuda a alinear las necesidades del cliente con la innovación del producto y la estrategia empresarial. Antes de Alchemer, Tamminga ocupó puestos de liderazgo senior en ReedGroup, Deloitte y Accenture, donde lideró iniciativas de transformación a gran escala centradas en operaciones comerciales, análisis, automatización y mejora del rendimiento empresarial.

Alchemer es una plataforma de retroalimentación y experiencia del cliente que ayuda a las organizaciones a capturar, analizar y actuar en función de los conocimientos de los clientes, empleados y partes interesadas. El software de la empresa combina la creación de encuestas, la recopilación de retroalimentación, la automatización de flujos de trabajo y el análisis impulsado por IA para ayudar a las empresas a ir más allá de simplemente recopilar datos y, en cambio, impulsar acciones medibles a partir de ellos. Al servir a organizaciones en una amplia gama de industrias, Alchemer permite a los equipos centralizar la retroalimentación de múltiples canales, descubrir tendencias y sentimiento, y utilizar esas perspectivas para mejorar las experiencias del cliente, informar decisiones de productos y fortalecer el rendimiento empresarial. A través de su creciente suite de herramientas impulsadas por IA, la empresa busca ayudar a las organizaciones a transformar la retroalimentación en una fuente continua de inteligencia operativa y estratégica.

Ha pasado más de una década en consultoría en firmas como Accenture y Deloitte antes de liderar el éxito del cliente, el producto y los servicios en Alchemer. ¿Cómo ha influido esa mezcla de transformación de procesos y experiencia del cliente en su enfoque para implementar IA en entornos empresariales?

Trabajar en consultoría proporcionó una experiencia muy valiosa que informa mi rol actual en Alchemer. Por ejemplo, descubrí que la tecnología rara vez es la parte más difícil. Pasé años ayudando a empresas Fortune 100 a implementar sistemas empresariales, y los proyectos que luchaban no se vieron obstaculizados por software malo. Tenían problemas de gestión de cambios, propiedad poco clara y, a menudo, se implementaron antes de que los procesos subyacentes estuvieran listos para absorberlos.

Esa experiencia da forma a cómo pienso sobre la implementación de IA hoy en día. Cuando hablo con clientes que luchan por obtener valor de la IA, el problema casi nunca resulta ser la tecnología en sí. Es que no han definido qué están tratando de lograr, quién es el propietario de la salida y qué cambios cuando la IA surface algo que se puede actuar. La tecnología está por delante de la preparación organizativa en la mayoría de los casos.

El trabajo práctico con el cliente es la otra mitad de esa ecuación. Aprende rápidamente qué significa realmente el valor para las personas que hacen el trabajo todos los días y cómo traducir eso en lo que significa para las métricas de la junta. Esas son cosas muy diferentes. La combinación de rigor de procesos de la consultoría y empatía del cliente al trabajar junto a los equipos es lo que intento aportar a la estrategia de cómo construimos y desplegamos la IA en Alchemer.

Ha señalado una brecha significativa de madurez de IA en las organizaciones. ¿Cuáles son los conceptos erróneos más grandes que los líderes tienen sobre su preparación, y dónde suelen fallar las implementaciones?

El concepto erróneo más común es que comprar la herramienta de IA es lo mismo que estar listo para usarla. Los líderes ven una demostración, ven la salida y asumen, a menudo de manera incorrecta, que la adopción sigue automáticamente. Es importante asegurarse de que la tecnología, ya sea IA o no, comience con el problema empresarial que necesita resolverse. La adopción exitosa de la tecnología está casi siempre vinculada a cómo se puede comunicar cómo resolverá ese problema para sus equipos y clientes.

Donde fallan las implementaciones es casi siempre en el punto de entrega. Si no hay un flujo de trabajo definido para lo que sucede a continuación (por ejemplo, quién lo ve, quién actúa sobre ello, qué sistema entra), entonces la perspicacia no se actúa. Las organizaciones necesitan estar estructuradas adecuadamente para actuar en función de las perspicacias.

Reconocer esta brecha ha dado forma a cómo construimos soluciones en Alchemer. Comenzamos identificando los problemas que estamos tratando de resolver con las capacidades tecnológicas que lanzamos. Las capacidades de IA, los flujos de trabajo y los controles de usuario son solo parte de lo que entregamos. Ayudar a los equipos a construir el músculo organizativo para actuar en función de la retroalimentación es igualmente importante, y es donde se logran resultados reales.

Muchas empresas están invirtiendo mucho en IA, pero luchan por demostrar el ROI. ¿Qué métricas o marcos deberían utilizar para evaluar si la IA en la experiencia del cliente realmente funciona?

Comience con lo que cambió en el comportamiento, no con lo que produjo la IA. La pregunta correcta no es “¿La IA generó un resumen?” En su lugar, haga preguntas como “¿Cuál es la métrica clave del indicador de éxito?”, “¿El equipo actuó de manera diferente debido a ello?” y “¿Están cambiando las métricas de negocio alineadas en la dirección correcta?” La IA puede identificar claramente dónde existe un problema u oportunidad y proporcionar nuevas perspicacias. Sin embargo, si las empresas no actúan en función de esas perspicacias, la retroalimentación del cliente puede ser ignorada o no abordada de manera oportuna.

El tiempo hasta la perspicacia es una buena métrica para comenzar. ¿Cuánto tiempo llevó pasar de recopilar retroalimentación a tener algo que se pueda actuar en frente de un responsable de decisiones? El análisis de retroalimentación que solía tomar seis meses se reduce significativamente con la IA. Tenemos un cliente que redujo ese ciclo de seis meses a horas, demostrando un cambio real y medible hacia la resolución del tiempo hasta la perspicacia y la acción.

El tiempo de respuesta es otra métrica que se debe capturar al principio. Los clientes esperan una respuesta a su retroalimentación, especialmente cuando es negativa. Mida cuánto tiempo lleva responder a una respuesta de encuesta negativa o a una reseña en línea. Puede tomar días si se revisa manualmente, se asigna una acción a través de un ticket de soporte y luego se responde al cliente. Un minorista de gafas en línea pudo pasar de casi un mes a minutos.

La tasa de respuesta es la última métrica que se debe rastrear. H&R Block Canada gestiona casi 1,000 ubicaciones durante la temporada de impuestos. Antes de la IA, llegar a una cobertura de respuesta de reseñas del 100% era casi imposible. Ahora es un nivel base. Eso es medible, y los efectos posteriores en la visibilidad de búsqueda y la percepción del cliente son rastreables.

Comience identificando el problema que le está costando o frustrando a sus clientes (por ejemplo, análisis lento, bajas tasas de respuesta, señales de cliente perdidas) y mida el delta antes y después. No intente medir todo. Mida una cosa que importe y use ese impulso para ayudar a construir y entregar el caso de negocio.

Desde su perspectiva, ¿qué separa a las organizaciones que exitosamente operativizan la IA de aquellas que siguen atascadas en la experimentación?

Las organizaciones que tienen éxito con la IA la tratan como infraestructura en lugar de como un proyecto que tiene una fecha de inicio, una fecha de finalización y un equipo que intenta justificar la inversión. La infraestructura se convierte en parte central de cómo se realiza el trabajo. Por ejemplo, piense en la diferencia que hizo el software de CRM en la introducción en la década de 1990 y principios de la década de 2000. El proyecto fue la implementación, pero los sistemas se convirtieron en infraestructura operativa central que fue la base para cómo los equipos de marketing han estado operando desde entonces. Esa transición es lo que realmente significa operativizar, y la mayoría de las organizaciones no han llegado allí todavía en cuanto a la adopción de la IA.

El otro diferenciador es la propiedad. Los despliegues de CX exitosos tienen a alguien cuyo trabajo es asegurarse de que las salidas se actúen. Debe haber alguien responsable de lo que sucede porque cuando nadie es dueño del resultado, las perspicacias se devuelven a un panel y se detienen allí. Esto siempre ha sido cierto para los programas de CX — se amplifica por la IA porque las salidas están llegando más rápido, y las expectativas de los clientes están acelerando.

La tercera cosa que observo es si la organización ha tenido un patrón de consistencia de métricas de éxito. Lo que se mide, se gestiona. Los equipos que rastrean tendencias con el tiempo, establecen metas de desempeño trimestral o comparan resultados en diferentes geografías no pueden permitirse soluciones de IA que produzcan diferentes respuestas en diferentes días. Las organizaciones que operativizan con éxito tienden a exigir confiabilidad además de capacidad. Quieren IA en la que puedan construir.

Hay mucho entusiasmo en torno a los LLM generales, sin embargo, usted aboga por la IA construida con un propósito en flujos de trabajo de retroalimentación. ¿Dónde fallan los modelos generales en casos de uso empresariales?

No todos los problemas requieren la misma solución de IA. Muchos proveedores en el espacio de retroalimentación y CX han construido sus capacidades de IA sobre modelos generales de propósito comercial como ChatGPT, Claude o Gemini. Están diseñados para hacer todo para todos, y esa generalidad puede ser problemática para las organizaciones que exigen un alto nivel de confiabilidad y consistencia.

Con eso en mente, Alchemer ha adoptado un enfoque diferente para apoyar los desafíos que nuestros clientes están tratando de resolver. Alchemer utiliza la solución de IA adecuada para cada tarea específica en lugar de enrutar cada problema a través de LLM comerciales. El resultado de esta estrategia de IA construida con un propósito es salidas más precisas, resultados consistentes con el tiempo y IA optimizada para datos de retroalimentación en lugar de adaptada de una herramienta construida para algo más.

Hemos visto esto suceder directamente con los clientes. Washburn & McGoldrick evaluó herramientas de IA de propósito general antes de elegir Alchemer y descubrió que el mismo conjunto de datos produjo diferentes categorizaciones en días diferentes. No puedes construir un programa de benchmarking sobre eso.

¿Qué significa realmente integrar la IA directamente en los flujos de trabajo empresariales, y por qué es ese enfoque más efectivo que tratar la IA como una herramienta independiente?

Una herramienta de IA independiente es algo que se abre cuando se decide analizar algo. Una capacidad de IA integrada ya está funcionando antes de que se haya pensado en preguntar.

La diferencia en la práctica es la siguiente: si una reseña llega durante la noche que alcanza un umbral de riesgo debido a una preocupación de seguridad, un sistema integrado dispara una alerta, la ruta a la persona adecuada e inicia un flujo de trabajo de respuesta automáticamente. Nadie tiene que recordar verificar el panel. La IA ya es parte del proceso.

En Alchemer, pensamos en esto en todos los canales de retroalimentación y en todo el ciclo de vida de la retroalimentación. La IA en nuestras capacidades de encuesta mejora lo que se recibe y puede generar preguntas de seguimiento relevantes en tiempo real para que una encuesta se convierta en una conversación. En la gestión de reseñas, la IA puede redactar respuestas personalizadas y de marca, e incluso publicarlas. La IA en nuestra capa de análisis surface lo que importa en toda esa retroalimentación. Y nuestra automatización de flujos de trabajo conecta las acciones desencadenadas por la IA directamente a los sistemas empresariales donde los equipos realmente trabajan. Cuando esas piezas están conectadas, la brecha entre la perspicacia y la acción se reduce de días a minutos. Eso es lo que realmente significa integrar, cablear las acciones que surgen de la retroalimentación del cliente a los sistemas que los equipos de nuestros clientes utilizan todos los días para comprometerse con sus clientes.

Convertir la retroalimentación del cliente no estructurada en inteligencia accionable en tiempo real suena poderoso, pero difícil. ¿Cuáles son los desafíos técnicos y organizativos más grandes para hacer que funcione a escala?

En el lado técnico, el volumen y la variabilidad de los datos pueden ser verdaderamente desafiantes. Los clientes escriben en diferentes idiomas, con abreviaturas, faltas de ortografía y lenguaje abreviado que los modelos generales a menudo malinterpretan. Los modelos también deben entender el lenguaje de los negocios. Las diferentes industrias utilizan terminologías diferentes y las empresas aplican sus propias nuances encima de eso.

Por ejemplo, la persona que te recibe en un negocio puede ser una recepcionista en una oficina médica, un anfitrión en un restaurante y un barista en una cafetería. Esos roles similares pueden tener nombres diferentes en diferentes industrias. Mientras que un modelo general podría estar bien para una revisión inicial, los modelos subyacentes deben estar construidos con un propósito para la sutileza de los datos de retroalimentación y cómo los clientes hablan sobre productos, servicios, marcas e industrias específicas. Los modelos también deben ser consistentes, porque casi siempre se comparan con líneas de base históricas.

Mientras que los desafíos técnicos parecen estar aumentando, los desafíos organizativos, aunque significativos, están volviéndose más fáciles de resolver. El primer desafío importante es saber qué hacer con el aumento del volumen y las perspicacias más ricas. La mayoría de los equipos miran una perspicacia generada por la IA y dicen: “Eso es interesante”. Las mejores organizaciones construyen flujos de trabajo que dicen: “Esta perspicacia va a esta persona/sistema, que hace esto, dentro de esta ventana de tiempo”. Afortunadamente, construir esos flujos de trabajo nunca ha sido más fácil. Con algo de planificación, y cuando se hace correctamente, la aceleración de la curiosidad general de los equipos que trabajan para comprender la retroalimentación del cliente se vuelve realmente emocionante a medida que evoluciona.

Otro desafío organizativo importante es la confianza. En un estudio reciente de Alchemer, solo el 29% de los compradores de software de CX dijo que están actualmente cómodos actuando en función de salidas generadas por la IA sin revisión. Refleja la experiencia real con la IA que ha sido inconsistente o inexplicable. Construir la confianza requiere sistemas de IA que sean transparentes sobre cómo llegan a sus conclusiones, con registros de auditoría y controles configurables que permiten a los equipos decidir qué puede y qué no puede hacer la IA. En Alchemer, tratamos la IA de confianza como un producto, no como una característica.

Ha sugerido que la consistencia puede importar más que la precisión en la investigación de mercado impulsada por IA. ¿Puede explicar por qué la consistencia es tan crítica y por qué a menudo se pasa por alto?

La precisión te dice cuán bien la IA entendió una sola respuesta. La consistencia te dice si puedes confiar en la comparación con el tiempo. Para la investigación de mercado, la comparación es el punto. No es significativo saber qué dicen los clientes hoy en aislamiento. Pero es valioso entender si las cosas están mejorando o empeorando en comparación con el trimestre pasado, cómo una región se compara con otra, o si los temas que se ven ahora estaban presentes hace seis meses. Nada de eso es posible si la clasificación subyacente cambia entre ejecuciones.

Por ejemplo, si contrata a dos analistas diferentes para codificar la misma retroalimentación de texto abierto seis meses aparte, tendría un problema de comparabilidad incluso si ambos fueran excelentes. No sabría si un cambio en los temas reflejaba un cambio real en la opinión del cliente o solo una diferencia en cómo dos personas interpretaron los mismos datos. La IA con salidas inconsistentes puede causar este mismo desafío.

Los modelos afinados que aplican la misma lógica de clasificación cada vez resuelven esto. El modelo no produce diferentes respuestas en días diferentes. Hace que las respuestas de texto abierto sean confiables de la misma manera que los programas de puntuación de promotor neto (NPS) a largo plazo son confiables. Es lo que permite a un analista decirle algo significativo a la empresa sobre hacia dónde se dirigen, no solo dónde están ahora.

¿Cómo deberían pensar las organizaciones sobre la IA como un multiplicador de la fuerza laboral en lugar de un reemplazo, especialmente para equipos no técnicos?

La estructura de multiplicador de la fuerza laboral cambia la pregunta de “¿qué reemplazará la IA?” a “¿qué puede hacer mi equipo ahora que no podía antes?” Esa es una estructura más productiva, y en mi experiencia, también es la más precisa. Sigue los patrones históricos de grandes avances en la adopción de tecnología en los últimos veinte años. La versión concreta: un analista de perspicacias del cliente que pasa tres días a la semana codificando retroalimentación de texto abierto puede pasar ese tiempo interpretando patrones, presentando hallazgos y trabajando en las preguntas detrás de las preguntas. La IA no reemplazó al analista. Le dio a las habilidades del analista más espacio para operar.

Esto importa aún más para los equipos no técnicos. Cuando cualquier persona puede hacer preguntas sobre sus datos en lenguaje plano sin necesidad de un científico de datos o construir un informe desde cero, las personas más cercanas al cliente llegan a las perspicacias más rápido. Eso cambia el ritmo de las decisiones en toda la organización, no solo la eficiencia de una tarea individual.

El efecto multiplicador solo se materializa si los equipos están preparados para utilizar la capacidad que crea la IA. Esa es una pregunta de diseño organizativo tanto como una pregunta tecnológica. Es por eso que pasamos tanto tiempo en la adopción y las mejores prácticas con nuestros clientes como en las capacidades en sí.

Mirando hacia adelante, ¿cómo ve la IA cambiando la experiencia del cliente en los próximos años, y qué deberían hacer las empresas hoy para prepararse para ese cambio?

El cambio que estoy observando más de cerca es el paso de la reactividad a la proactividad. La mayoría de los programas de retroalimentación de hoy son reactivos. Por ejemplo, algo sucede, la retroalimentación llega, los equipos la analizan y se toman decisiones. El ciclo se está acelerando, pero sigue siendo fundamentalmente retrospectivo.

Lo que la IA hace posible es adelantarse a esa curva. Identificar señales de alerta lo suficientemente temprano como para actuar antes de que un problema se muestre en sus puntajes. Saber qué segmentos de clientes están en riesgo antes de que se produzca la deserción. Entender por qué la satisfacción está disminuyendo en una región específica antes de que se convierta en un patrón. Eso es donde la combinación de IA construida con un propósito y datos de retroalimentación a largo plazo se vuelve realmente poderosa.

Las empresas de hoy deberían construir la infraestructura organizativa para absorber lo que la IA hace posible. Consolidar los datos de retroalimentación de reseñas, encuestas, redes sociales, en la aplicación y más. Definir quién es el dueño de los análisis y qué sucede cuando algo que se puede actuar surge. Construir los flujos de trabajo que conectan la perspicacia con la acción antes de que los necesite. Las empresas que se adelantarán no son necesariamente aquellas con la tecnología de IA más sofisticada, sino aquellas que actúan en función de las perspicacias de la IA de manera consistente, rápida y a escala.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Alchemer.