Ryan Tamminga, Directeur des clients, Alchemer – Série d’entretiens

Ryan Tamminga est un dirigeant expérimenté dans le domaine de l’expérience client et de la transformation d’entreprise, avec près de deux décennies d’expérience dans la réussite client, les services professionnels, la consultation et la stratégie produit. Depuis son arrivée chez Alchemer en 2019, il a occupé plusieurs postes de direction, notamment Vice-président de la réussite client et Senior Vice-président des produits et services, avant d’être nommé Directeur des clients en 2026. Dans son rôle actuel, il supervise l’engagement client, la réussite et la prestation de services tout en aidant à aligner les besoins des clients avec l’innovation produit et la stratégie commerciale. Avant Alchemer, Tamminga a occupé des postes de direction chez ReedGroup, Deloitte et Accenture, où il a dirigé des initiatives de transformation à grande échelle axées sur les opérations commerciales, l’analyse, l’automatisation et l’amélioration de la performance d’entreprise.

Alchemer est une plateforme de gestion de l’expérience client et de la rétroaction qui aide les organisations à capter, analyser et agir sur les informations provenant des clients, des employés et des parties prenantes. Le logiciel de l’entreprise combine la création de sondages, la collecte de rétroaction, l’automatisation des flux de travail et l’analyse basée sur l’IA pour aider les entreprises à aller au-delà de la simple collecte de données et à générer des actions mesurables à partir de celles-ci. En servant des organisations dans une large gamme d’industries, Alchemer permet aux équipes de centraliser les rétroactions de plusieurs canaux, de découvrir des tendances et des sentiments et d’utiliser ces informations pour améliorer l’expérience client, éclairer les décisions de produit et renforcer la performance commerciale. Grâce à sa gamme croissante d’outils basés sur l’IA, l’entreprise vise à aider les organisations à transformer la rétroaction en une source continue d’intelligence opérationnelle et stratégique.

Vous avez passé plus d’une décennie dans le conseil chez des firmes comme Accenture et Deloitte avant de diriger la réussite client, le produit et les services chez Alchemer. Comment ce mélange de transformation de processus et d’expérience client pratique a-t-il façonné votre approche du déploiement de l’IA dans les environnements d’entreprise ?

Le travail dans le conseil a fourni une expérience très précieuse qui éclaire mon rôle actuel chez Alchemer. Par exemple, j’ai découvert que la technologie est rarement la partie la plus difficile. J’ai passé des années à aider les entreprises du Fortune 100 à mettre en œuvre des systèmes d’entreprise, et les projets qui ont eu du mal n’ont pas été détruits par un mauvais logiciel. Ils avaient des problèmes de gestion du changement, un propriétaire peu clair et étaient souvent déployés avant que les processus sous-jacents soient prêts à les absorber.

Cette expérience façonne ma réflexion sur le déploiement de l’IA aujourd’hui. Lorsque je parle à des clients qui ont du mal à obtenir de la valeur de l’IA, le problème est presque jamais le logiciel lui-même. C’est qu’ils n’ont pas défini ce qu’ils essaient de réaliser, qui est propriétaire de la sortie et ce qui change lorsque l’IA surface quelque chose d’exploitable. La technologie est en avance sur la préparation organisationnelle dans la plupart des cas.

Le travail pratique avec les clients est l’autre moitié de cette équation. Vous apprenez rapidement ce que la valeur signifie réellement pour les personnes qui font le travail chaque jour et comment la traduire en ce que cela signifie pour les indicateurs de tableau de bord. Ce sont souvent des choses très différentes. La combinaison de la rigueur des processus du conseil et de l’empathie client issue du travail aux côtés des équipes est ce que j’essaie d’apporter à la stratégie de la manière dont nous construisons et déployons l’IA chez Alchemer.

Vous avez pointé une différence significative dans la maturité de l’IA entre les organisations. Quels sont les plus grands malentendus que les dirigeants ont sur leur préparation, et où les mises en œuvre échouent-elles généralement en premier ?

Le malentendu le plus courant est que l’achat de l’outil IA est la même chose que d’être prêt à l’utiliser. Les dirigeants voient une démonstration, ils voient la sortie et ils supposent, souvent à tort, que l’adoption suit automatiquement. Il est important de s’assurer que la technologie, qu’il s’agisse de l’IA ou non, commence par le problème commercial qui doit être résolu. L’adoption réussie de la technologie est presque toujours liée à la façon dont vous pouvez communiquer comment elle résoudra ce problème pour vos équipes et vos clients.

Le point où les mises en œuvre échouent généralement en premier est presque toujours au point de passage. S’il n’y a pas de flux de travail défini pour ce qui se passe ensuite (par exemple, qui le voit, qui agit, quel système il entre dans), alors l’insight n’est pas exploité. Les organisations doivent être structurées correctement pour agir sur les insights.

Reconnaître cet écart a façonné la manière dont nous construisons des solutions chez Alchemer. Nous commençons par identifier les problèmes que nous essayons de résoudre avec les capacités technologiques que nous mettons en ligne. Les capacités IA, les flux de travail et les contrôles utilisateur ne font que partie de ce que nous livrons. Aider les équipes à construire les muscles organisationnels pour agir sur les rétroactions est tout aussi important, et c’est là que les résultats réels sont réalisés.

De nombreuses entreprises investissent lourdement dans l’IA mais ont du mal à démontrer un retour sur investissement. Quels indicateurs ou cadres devraient-ils utiliser pour évaluer si l’IA dans l’expérience client fonctionne réellement ?

Commencez par ce qui a changé dans le comportement, et non par ce que l’IA a produit. La bonne question n’est pas : « L’IA a-t-elle généré un résumé ? » Mais plutôt des questions comme : « Quel est l’indicateur clé de succès ? », « L’équipe a-t-elle agi différemment à cause de cela ? » et « Les indicateurs commerciaux alignés changent-ils dans la bonne direction ? » L’IA peut clairement identifier où un problème ou une opportunité existe et fournir de nouvelles informations. Cependant, si les entreprises n’agissent pas sur ces informations, les rétroactions des clients peuvent être ignorées ou non traitées de manière opportunément.

Le temps jusqu’à l’insight est un bon indicateur pour commencer. Combien de temps a-t-il fallu pour passer de la collecte de rétroactions à avoir quelque chose d’exploitable devant un décideur ? L’analyse des rétroactions qui prenait six mois est considérablement réduite avec l’IA. Nous avons un client qui a réduit ce cycle de six mois à quelques heures, démontrant un véritable changement mesurable vers la résolution du temps jusqu’à l’insight et à l’action.

Le temps de réponse est un autre indicateur à capturer tôt. Les clients s’attendent à une réponse à leurs rétroactions, en particulier lorsqu’elles sont négatives. Mesurez combien de temps il faut pour répondre à une réponse de sondage négative ou à une critique en ligne. Cela peut prendre des jours si vous examinez manuellement, assignez une action via un ticket de support, puis répondez au client. Un détaillant en ligne de lunettes a pu passer d’un mois à quelques minutes.

Le taux de réponse est l’indicateur final à suivre. H&R Block Canada gère près de 1 000 emplacements pendant la saison des impôts. Avant l’IA, atteindre une couverture de réponse aux révisions à 100 % était presque impossible. Maintenant, c’est une base. C’est mesurable, et les effets en aval sur la visibilité de la recherche et la perception des clients sont traçables.

Commencez par identifier le problème qui vous coûte ou qui frustré vos clients (par exemple, analyse lente, faibles taux de réponse, signaux de client manqués) et mesurez le delta avant et après. N’essayez pas de mesurer tout. Mesurez une chose qui compte et utilisez cet élan pour aider à construire et à livrer le cas d’affaires.

De votre point de vue, qu’est-ce qui sépare les organisations qui réussissent à exploiter l’IA de celles qui restent coincées dans l’expérimentation ?

Les organisations qui réussissent avec l’IA la traitent comme une infrastructure et non comme un projet qui a une date de début, une date de fin et une équipe qui essaie de justifier l’investissement. L’infrastructure devient fondamentale pour la façon dont le travail est réalisé. Par exemple, pensez à la différence que l’introduction du logiciel CRM a fait dans les années 1990 et au début des années 2000. Le projet était la mise en œuvre, mais les systèmes sont devenus une infrastructure opérationnelle de base qui a été le fondement de la façon dont les équipes de lancement sur le marché ont fonctionné depuis. Cette transition est ce que signifie réellement l’exploitation, et la plupart des organisations n’y sont pas encore parvenues en ce qui concerne l’adoption de l’IA.

La deuxième différence est la propriété. Les déploiements de l’expérience client (CX) réussis ont quelqu’un dont le travail est de s’assurer que les sorties sont exploitées. Il doit y avoir quelqu’un responsable de ce qui se passe parce que lorsque personne n’est propriétaire du résultat, les informations se limitent à un tableau de bord et s’arrêtent là. Cela a toujours été vrai pour les programmes CX — c’est amplifié par l’IA parce que les sorties sont plus rapides, et les attentes des clients sont en accélération.

La troisième chose que je regarde est de savoir si l’organisation a eu un modèle de succès des indicateurs de réussite cohérents. Ce qui est mesuré est géré. Les équipes qui suivent les tendances dans le temps, qui établissent des benchmarks de performance trimestre après trimestre ou qui comparent les résultats entre les régions ne peuvent pas se permettre des solutions IA qui produisent des réponses différentes les jours différents. Les organisations qui exploitent avec succès l’IA ont tendance à exiger la fiabilité en plus de la capacité. Ils veulent de l’IA sur laquelle ils peuvent construire.

Il y a beaucoup d’enthousiasme autour des LLM à usage général, mais vous préconisez l’IA conçue à des fins spécifiques dans les flux de travail de rétroaction. Où les modèles généraux font-ils défaut dans les cas d’utilisation d’entreprise ?

Non tous les problèmes nécessitent la même solution IA. De nombreux fournisseurs dans l’espace de la rétroaction et de l’expérience client ont construit leurs capacités IA sur le dessus de modèles à usage général commerciaux comme ChatGPT, Claude ou Gemini. Ils sont conçus pour faire tout pour tout le monde, et cette généralité peut être problématique pour les organisations qui exigent un niveau élevé de fiabilité et de cohérence.

Avec cela en tête, Alchemer a adopté une approche différente pour soutenir les défis que nos clients cherchent à résoudre. Alchemer utilise la bonne solution IA pour chaque tâche spécifique plutôt que de router chaque problème via des LLM commerciaux. Le résultat de cette stratégie IA conçue à des fins spécifiques est des sorties plus précises, des résultats cohérents dans le temps et de l’IA optimisée pour les données de rétroaction plutôt que adaptée à partir d’un outil conçu pour autre chose.

Nous avons vu cela se produire directement avec les clients. Washburn & McGoldrick a évalué des outils IA à usage général avant de choisir Alchemer et a constaté que le même ensemble de données produisait des catégorisations différentes les jours différents. Vous ne pouvez pas construire un programme de benchmarking sur cela.

Qu’est-ce que cela signifie réellement d’intégrer l’IA directement dans les flux de travail commerciaux, et pourquoi cette approche est-elle plus efficace que de traiter l’IA comme un outil autonome ?

Un outil IA autonome est quelque chose que vous ouvrez lorsque vous décidez d’analyser quelque chose. Une capacité IA intégrée est déjà en fonctionnement avant que vous n’ayez pensé à demander.

Voici la différence dans la pratique : Si une critique arrive pendant la nuit qui atteint un seuil de risque en raison d’une préoccupation de sécurité, un système intégré déclenche une alerte, la route vers la bonne personne et initie un flux de travail de réponse automatiquement. Personne n’a besoin de se souvenir de vérifier le tableau de bord. L’IA fait déjà partie du processus.

Chez Alchemer, nous réfléchissons à cela à travers tous les canaux de rétroaction et le cycle de vie complet de la rétroaction. L’IA dans nos capacités de sondage améliore ce qui entre et peut générer des questions de suivi pertinentes en temps réel, de sorte qu’un sondage devient une conversation. Dans la gestion des critiques, l’IA peut rédiger des réponses personnalisées et sur mesure et même les publier. L’IA dans notre couche d’analyse met en surface ce qui compte parmi toutes ces rétroactions. Et notre automatisation des flux de travail relie les actions déclenchées par l’IA directement aux systèmes commerciaux où les équipes travaillent réellement. Lorsque ces pièces sont connectées, l’écart entre l’insight et l’action se réduit de jours à minutes. C’est ce que signifie réellement l’intégration, connecter les actions découlant de la rétroaction client aux systèmes que les équipes de nos clients utilisent chaque jour pour engager leurs clients.

Transformer la rétroaction client non structurée en intelligence actionnable en temps réel semble puissant, mais difficile. Quels sont les plus grands défis techniques et organisationnels pour que cela fonctionne à grande échelle ?

Sur le plan technique, le volume et la variabilité des données peuvent vraiment être difficiles. Les clients écrivent dans différentes langues, avec des abréviations, des fautes d’orthographe et des abréviations que les modèles généraux lisent souvent incorrectement. Les modèles doivent également comprendre le langage de l’entreprise. Les différentes industries utilisent une terminologie différente et les entreprises appliquent leurs propres nuances par-dessus.

Par exemple, la personne qui vous accueille dans une entreprise peut être une réceptionniste dans un cabinet médical, un hôte dans un restaurant et un barista dans un café. Ces rôles similaires peuvent être nommés différemment dans différentes industries. Alors qu’un modèle général peut être acceptable pour un examen initial, les modèles sous-jacents doivent être conçus spécifiquement pour la nuance des données de rétroaction et la façon dont les clients parlent des industries, des produits, des marques et des services spécifiques. Les modèles doivent également être cohérents, car vous comparez presque toujours contre des références historiques.

Alors que les défis techniques semblent augmenter, les défis organisationnels, bien que importants, deviennent plus faciles à résoudre. Le premier défi majeur est de savoir quoi faire avec le volume et les informations plus riches. La plupart des équipes regardent une insight générée par l’IA et disent : « C’est intéressant. » Les meilleures organisations construisent des flux de travail qui disent : « Cette insight va à cette personne/système, qui fait cela, dans cette fenêtre de temps. » Heureusement, la construction de ces flux de travail n’a jamais été plus facile. Avec un peu de planification, et lorsqu’elle est faite correctement, l’accélération de la curiosité générale des équipes qui travaillent pour comprendre la rétroaction client devient vraiment excitante à mesure qu’elle évolue.

Un autre défi organisationnel majeur est la confiance. Dans une étude récente d’Alchemer, seulement 29 % des acheteurs de logiciels CX ont déclaré qu’ils étaient actuellement à l’aise pour agir sur les sorties générées par l’IA sans examen. Cela reflète une expérience réelle avec l’IA qui a été incohérente ou inexplicable. La construction de la confiance nécessite des systèmes IA qui sont transparents sur la façon dont ils parviennent à des conclusions, avec des pistes d’audit et des contrôles configurables qui permettent aux équipes de décider ce que l’IA peut et ne peut pas faire. Chez Alchemer, nous traitons l’IA de confiance comme un produit, et non comme une fonctionnalité.

Vous avez suggéré que la cohérence peut être plus importante que la précision dans la recherche de marché basée sur l’IA. Pouvez-vous expliquer pourquoi la cohérence est si critique et pourquoi elle est souvent négligée ?

La précision vous indique à quel point l’IA a bien compris une seule réponse. La cohérence vous indique si vous pouvez faire confiance à la comparaison dans le temps. Pour la recherche de marché, la comparaison est le point. Il n’est pas significatif de savoir ce que les clients disent aujourd’hui en isolation. Mais il est précieux de comprendre si les choses s’améliorent ou se détériorent par rapport au trimestre dernier, comment une région se compare à une autre ou si les thèmes que vous voyez maintenant étaient présents il y a six mois. Rien de tout cela n’est possible si la classification sous-jacente change entre les exécutions.

Par exemple, si vous aviez embauché deux analystes différents pour coder la même rétroaction ouverte six mois à part, vous auriez un problème de comparabilité même si les deux étaient excellents. Vous ne sauriez pas si un changement de thèmes reflète un véritable changement dans le sentiment client ou simplement une différence dans la façon dont deux personnes interprètent les mêmes données. L’IA avec des sorties incohérentes peut causer le même défi.

Les modèles affinés qui appliquent la même logique de classification chaque fois résolvent ce problème. Le modèle ne produit pas de réponses différentes les jours différents. Il rend les réponses ouvertes fiables de la même manière que les programmes de score de promoteur (NPS) longitudinaux sont fiables. C’est ce qui permet à un analyste de dire à l’entreprise quelque chose de significatif sur où ils sont dirigés, et non seulement où ils sont actuellement.

À mesure que l’IA devient plus intégrée dans l’expérience client, comment les organisations devraient-elles réfléchir à l’IA comme un multiplicateur de la main-d’œuvre plutôt qu’un remplacement, en particulier pour les équipes non techniques ?

Le cadre de multiplicateur de main-d’œuvre déplace la question de « ce que l’IA remplacera » à « ce que mon équipe peut faire maintenant qu’elle ne pouvait pas faire avant ? » C’est un cadre plus productif, et dans mon expérience, c’est également le plus précis. Cela suit les modèles historiques d’avancées technologiques à grande échelle au cours des vingt dernières années. La version concrète : un analyste en insights client qui passe trois jours par semaine à coder manuellement la rétroaction ouverte peut maintenant passer ce temps à interpréter les modèles, à présenter les résultats et à travailler sur les questions derrière les questions. L’IA n’a pas remplacé l’analyste. Il a donné aux compétences de l’analyste plus de place pour opérer.

Cela compte encore plus pour les équipes non techniques. Lorsque n’importe qui peut poser des questions sur ses données en langage clair sans avoir besoin d’un data scientist ou de construire un rapport à partir de zéro, les personnes les plus proches du client obtiennent les insights plus rapidement. Cela change le rythme des décisions dans toute l’organisation, et non seulement l’efficacité d’une seule tâche.

L’effet multiplicateur ne se matérialise que si les équipes sont préparées à utiliser la capacité que l’IA crée. C’est une question de conception organisationnelle autant que de question technologique. C’est pourquoi nous passons autant de temps sur l’adoption et les meilleures pratiques avec nos clients que nous le faisons sur les capacités elles-mêmes.

En regardant vers l’avenir, comment voyez-vous l’IA façonnant l’expérience client au cours des prochaines années, et que devraient faire les entreprises aujourd’hui pour se préparer à ce changement ?

Le changement que je regarde le plus attentivement est le passage de la réactivité à la proactivité. La plupart des programmes de rétroaction aujourd’hui sont réactifs. Par exemple, quelque chose se produit, la rétroaction arrive, les équipes l’analysent et les décisions sont prises. Le cycle se raccourcit, mais il est toujours fondamentalement orienté vers le passé.

Ce que l’IA rend possible, c’est de devancer cette courbe. Identifier les signaux suffisamment tôt pour agir avant qu’un problème ne se manifeste dans vos scores. Savoir quels segments de clients sont à risque avant qu’ils ne churnent. Comprendre pourquoi la satisfaction diminue dans une région spécifique avant qu’elle ne devienne un modèle. C’est là que la combinaison de l’IA conçue à des fins spécifiques et des données de rétroaction longitudinales devient vraiment puissante.

Les entreprises aujourd’hui devraient construire l’infrastructure organisationnelle pour absorber ce que l’IA rend possible. Consolidez vos données de rétroaction à partir de critiques, de sondages, de médias sociaux, d’applications et plus encore. Définissez qui possède les analyses et ce qui se passe lorsque quelque chose d’exploitable surgit. Construisez les flux de travail qui relient l’insight à l’action avant de les avoir besoin. Les entreprises qui passeront à la tête ne sont pas nécessairement celles qui ont la technologie IA la plus sophistiquée, mais celles qui agissent sur les insights IA de manière cohérente, rapide et à grande échelle.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Alchemer.