Ryan Tamminga, Diretor de Customer Experience, Alchemer – Série de Entrevistas

Ryan Tamminga é um executivo de experiência do cliente e transformação empresarial com quase duas décadas de experiência em liderança, abrangendo sucesso do cliente, serviços profissionais, consultoria e estratégia de produto. Desde que se juntou à Alchemer em 2019, ele avançou por uma série de funções de liderança, incluindo Vice-Presidente de Sucesso do Cliente e Vice-Presidente Sênior de Produto e Serviços, antes de ser nomeado Diretor de Customer Experience em 2026. Em seu papel atual, ele supervisiona o engajamento do cliente, o sucesso e a entrega de serviços, enquanto ajuda a alinhar as necessidades do cliente com a inovação do produto e a estratégia de negócios. Antes de se juntar à Alchemer, Tamminga ocupou funções de liderança sênior na ReedGroup, Deloitte e Accenture, onde liderou iniciativas de transformação em grande escala focadas em operações comerciais, análise, automação e melhoria do desempenho empresarial.

Alchemer é uma plataforma de feedback e experiência do cliente que ajuda as organizações a capturar, analisar e agir sobre insights de clientes, funcionários e partes interessadas. O software da empresa combina a criação de pesquisas, coleta de feedback, automação de fluxo de trabalho e análise de inteligência artificial para ajudar os negócios a ir além de apenas coletar dados e, em vez disso, impulsionar ações mensuráveis a partir deles. Atendendo a organizações em uma ampla gama de setores, a Alchemer permite que as equipes centralizem o feedback de vários canais, descubram tendências e sentimentos e usem esses insights para melhorar a experiência do cliente, informar decisões de produto e fortalecer o desempenho empresarial. Por meio de sua crescente suíte de ferramentas impulsionadas por IA, a empresa visa ajudar as organizações a transformar o feedback em uma fonte contínua de inteligência operacional e estratégica.

Você passou mais de uma década em consultoria em empresas como Accenture e Deloitte antes de liderar o sucesso do cliente, produto e serviços na Alchemer. Como essa combinação de transformação de processos e experiência prática do cliente moldou sua abordagem para implantar IA em ambientes empresariais?

Trabalhar em consultoria forneceu experiência muito valiosa que informa meu papel atual na Alchemer. Por exemplo, descobri que a tecnologia raramente é a parte mais difícil. Passei anos ajudando empresas do Fortune 100 a implementar sistemas empresariais, e os projetos que lutaram não foram arruinados por software ruim. Eles tinham problemas de gerenciamento de mudanças, propriedade não clara e, muitas vezes, foram implantados antes que os processos subjacentes estivessem prontos para absorvê-los.

Essa experiência molda como penso sobre a implantação de IA hoje. Quando falo com clientes que estão lutando para obter valor da IA, o problema quase nunca se resume à tecnologia em si. É que eles não definiram o que estão tentando realizar, quem é o dono da saída e o que muda quando a IA superfície algo ação. A tecnologia está à frente da prontidão organizacional na maioria dos casos.

O trabalho prático do cliente é a outra metade dessa equação. Você aprende rapidamente o que realmente significa valor para as pessoas que fazem o trabalho todos os dias e como traduzir isso para o que significa para as métricas da diretoria. Essas coisas são frequentemente muito diferentes. A combinação de rigor de processo da consultoria e empatia do cliente do trabalho ao lado das equipes é o que busco trazer para a estratégia de como construímos e implantamos IA na Alchemer.

Você apontou uma lacuna significativa de maturidade de IA entre as organizações. Quais são os maiores mal-entendidos que os líderes têm sobre sua prontidão e onde as implementações geralmente falham primeiro?

O mal-entendido mais comum é que comprar a ferramenta de IA é o mesmo que estar pronto para usá-la. Os líderes veem uma demonstração, veem a saída e assumem, muitas vezes incorretamente, que a adoção segue automaticamente. É importante garantir que a tecnologia, seja IA ou não, comece com o problema de negócios que precisa ser resolvido. A adoção bem-sucedida da tecnologia quase sempre está ligada a como você pode comunicar como ela resolverá esse problema para suas equipes e clientes.

Onde as implementações falham primeiro é quase sempre no ponto de entrega. Se não houver um fluxo de trabalho definido para o que acontece em seguida (por exemplo, quem o vê, quem age sobre ele, em que sistema ele entra), então a percepção não é agida. As organizações precisam estar estruturadas corretamente para agir sobre insights.

Reconhecer essa lacuna moldou como construímos soluções na Alchemer. Começamos identificando os problemas que estamos tentando resolver com as capacidades tecnológicas que lançamos. As capacidades de IA, fluxos de trabalho e controles de usuário são apenas parte do que entregamos. Ajudar as equipes a construir o músculo organizacional para agir sobre feedback é igualmente importante, e é onde os resultados reais são realizados.

Muitas empresas estão investindo pesadamente em IA, mas lutando para demonstrar ROI. Quais métricas ou estruturas devem ser usadas para avaliar se a IA na experiência do cliente está realmente funcionando?

Comece com o que mudou no comportamento, não com o que a IA produziu. A pergunta certa não é “A IA gerou um resumo?” Em vez disso, faça perguntas como “Qual é a métrica-chave de sucesso?”, “A equipe agiu de forma diferente por causa disso?” e “As métricas de negócios alinhadas estão mudando na direção certa?” A IA pode claramente identificar onde um problema ou oportunidade existe e fornecer novos insights. No entanto, se as empresas não agirem sobre esses insights, o feedback do cliente pode ser ignorado ou não abordado em tempo hábil.

O tempo de insight é uma boa métrica para começar. Quanto tempo levou para ir da coleta de feedback a ter algo ação em frente a um tomador de decisões? A análise de feedback que costumava levar seis meses é significativamente reduzida com a IA. Temos um cliente que reduziu esse ciclo de seis meses para horas, demonstrando uma mudança real e mensurável em direção à resolução do tempo de insight e ação.

O tempo de resposta é outra métrica a ser capturada no início. Os clientes esperam uma resposta ao seu feedback, especialmente quando é negativo. Medir quanto tempo leva para responder a uma resposta de pesquisa negativa ou revisão online. Pode levar dias se você estiver revisando manualmente, atribuindo ação via um bilhete de suporte e, em seguida, respondendo ao cliente. Um varejista de óculos online foi capaz de ir de quase um mês para minutos.

A taxa de resposta é a métrica final a ser rastreada. H&R Block Canada gerencia quase 1.000 locais durante a temporada de impostos. Antes da IA, chegar a 100% de cobertura de resposta de revisão era quase impossível. Agora é uma linha de base. Isso é mensurável e os efeitos downstream na visibilidade de pesquisa e percepção do cliente são rastreáveis.

Comece identificando o problema que está custando ou frustrando seus clientes (por exemplo, análise lenta, taxas de resposta baixas, sinais de cliente perdidos) e medir a delta antes e depois. Não tente medir tudo. Meça uma coisa que importa e use esse ímpeto para ajudar a construir e entregar o caso de negócios.

Na sua perspectiva, o que separa as organizações que operacionalizam com sucesso a IA daquelas que permanecem presas na experimentação?

As organizações que têm sucesso com a IA as tratam como infraestrutura, e não como um projeto que tem uma data de início, uma data de término e uma equipe tentando justificar o investimento. A infraestrutura se torna central para como o trabalho é feito. Por exemplo, pense na diferença que a introdução do software CRM fez no final dos anos 90 e início dos anos 2000. O projeto foi a implementação, mas os sistemas se tornaram infraestrutura operacional central que foi a base para como as equipes de marketing operam desde então. Essa transição é o que a operacionalização realmente significa, e a maioria das organizações ainda não chegou lá quando se trata de adoção de IA.

O outro diferenciador é a propriedade. As implantações de experiência do cliente (CX) bem-sucedidas têm alguém cujo trabalho é garantir que as saídas sejam agidas. Há necessidade de alguém responsável pelo que acontece porque, quando ninguém é dono do resultado, as percepções retornam a um painel e param por aí. Isso sempre foi verdadeiro para programas de CX — é amplificado pela IA porque as saídas estão vindo mais rápido e as expectativas dos clientes estão acelerando.

A terceira coisa que observo é se a organização teve um padrão de consistência de métricas de sucesso. O que é medido, é gerenciado. Equipes que rastreiam tendências ao longo do tempo, benchmarking de desempenho trimestre a trimestre ou comparando resultados em diferentes geografias não podem se dar ao luxo de soluções de IA que produzem respostas diferentes em dias diferentes. As organizações que operacionalizam com sucesso tendem a exigir confiabilidade, além de capacidade. Eles querem IA que possam construir.

Há muito entusiasmo em torno de LLMs de propósito geral, no entanto, você defende a IA construída com propósito em fluxos de trabalho de feedback. Onde os modelos gerais falham em casos de uso empresariais?

Nem todos os problemas exigem a mesma solução de IA. Muitos fornecedores no espaço de feedback e CX construíram suas capacidades de IA em cima de modelos de propósito geral comercialmente disponíveis, como ChatGPT, Claude ou Gemini. Eles são projetados para fazer tudo para todos e essa generalidade pode ser problemática para organizações que exigem um alto nível de confiabilidade e consistência.

Com isso em mente, a Alchemer adotou uma abordagem diferente para apoiar os desafios que nossos clientes estão tentando resolver. A Alchemer usa a solução de IA certa para cada tarefa específica, em vez de encaminhar todos os problemas por meio de LLMs comerciais. O resultado dessa estratégia de IA construída com propósito é saídas mais precisas, resultados consistentes ao longo do tempo e IA otimizada para dados de feedback, em vez de adaptada de uma ferramenta construída para outra coisa.

Vimos isso acontecer diretamente com os clientes. A Washburn & McGoldrick avaliou ferramentas de IA de propósito geral antes de escolher a Alchemer e descobriu que o mesmo conjunto de dados produziu categorizações diferentes em dias diferentes. Você não pode construir um programa de benchmarking nisso.

O que significa realmente incorporar a IA diretamente em fluxos de trabalho de negócios e por que essa abordagem é mais eficaz do que tratar a IA como uma ferramenta autônoma?

Uma ferramenta de IA autônoma é algo que você abre quando decide analisar algo. Uma capacidade de IA incorporada já está funcionando antes que você tenha pensado em perguntar.

Aqui está a diferença na prática: se uma revisão chegar à noite que atinge um limiar de risco devido a uma preocupação de segurança, um sistema incorporado dispara um alerta, encaminha para a pessoa certa e inicia um fluxo de trabalho de resposta automaticamente. Ninguém precisa se lembrar de verificar o painel. A IA já faz parte do processo.

Na Alchemer, pensamos nisso em todos os canais de feedback e no ciclo de vida completo de feedback. A IA em nossas capacidades de pesquisa melhora o que entra e pode gerar perguntas de follow-up relevantes em tempo real, para que uma pesquisa se torne uma conversa. No gerenciamento de revisão, a IA pode criar respostas personalizadas e personalizadas e até postá-las. A IA em nossa camada de análise superfície o que importa em todo o feedback. E nossa automação de fluxo de trabalho conecta ações disparadas pela IA diretamente aos sistemas de negócios onde as equipes realmente trabalham. Quando essas peças estão conectadas, a lacuna entre insight e ação diminui de dias para minutos. É isso que incorporado realmente significa, conectando as ações que surgem do feedback do cliente aos sistemas que os clientes usam todos os dias para se envolver com os clientes.

Transformar feedback de cliente não estruturado em inteligência ação em tempo real e ação soa poderoso, mas difícil. Quais são os maiores desafios técnicos e organizacionais para fazer isso funcionar em escala?

Do lado técnico, o volume e a variabilidade dos dados podem ser realmente desafiadores. Os clientes escrevem em diferentes idiomas, com abreviações, erros de digitação e gírias que os modelos gerais frequentemente mal interpretam. Os modelos também precisam entender a linguagem dos negócios. Diferentes setores usam terminologias diferentes e as empresas aplicam suas próprias nuances em cima disso.

Por exemplo, a pessoa que o cumprimenta em um negócio pode ser uma recepcionista em um consultório médico, o anfitrião em um restaurante e um barista em uma cafeteria. Esses papéis semelhantes podem ser nomeados de forma diferente em diferentes setores. Embora um modelo geral possa ser ok para uma revisão inicial, os modelos subjacentes precisam ser construídos com propósito para a nuance dos dados de feedback e como os clientes falam sobre setores, produtos, marcas e serviços específicos. Os modelos também precisam ser consistentes, porque você quase sempre está comparando contra linhas de base históricas.

Enquanto os desafios técnicos parecem estar aumentando, os desafios organizacionais, embora significativos, estão se tornando mais fáceis de resolver. O primeiro grande desafio é saber o que fazer com o volume e os insights mais ricos. A maioria das equipes olha para uma percepção gerada por IA e diz: “isso é interessante”. As melhores organizações constroem fluxos de trabalho que dizem: “Essa percepção vai para essa pessoa/sistema, que faz isso, dentro desse período de tempo”. Felizmente, construir esses fluxos de trabalho nunca foi mais fácil. Com algum planejamento e quando feito corretamente, a aceleração da curiosidade geral das equipes que trabalham para entender o feedback do cliente se torna realmente emocionante à medida que evolui.

Outro grande desafio organizacional é a confiança. No estudo recente da Alchemer, apenas 29% dos compradores de software de CX disseram que estão atualmente confortáveis em agir sobre saídas geradas por IA sem revisão. Isso reflete experiência real com IA que foi inconsistente ou inexplicável. Construir confiança exige sistemas de IA que sejam transparentes sobre como eles chegam a conclusões, com rastros de auditoria e controles configuráveis que permitem que as equipes decidam o que a IA pode e não pode fazer. Na Alchemer, tratamos a IA confiável como um produto, não como um recurso.

Você sugeriu que a consistência pode ser mais importante do que a precisão na pesquisa de mercado impulsionada por IA. Você pode explicar por que a consistência é tão crítica e por que é frequentemente negligenciada?

A precisão diz a você quão bem a IA entendeu uma resposta única. A consistência diz a você se você pode confiar na comparação ao longo do tempo. Para a pesquisa de mercado, a comparação é o ponto. Não é significativo saber o que os clientes dizem hoje em isolamento. Mas é valioso entender se as coisas estão melhorando ou piorando em comparação com o trimestre passado, como uma região se compara a outra ou se os temas que você está vendo agora estavam presentes seis meses atrás. Nada disso é possível se a classificação subjacente mudar entre execuções.

Por exemplo, se você contratou dois analistas diferentes para codificar o mesmo feedback de texto aberto seis meses aparte, você teria um problema de comparabilidade, mesmo que ambos fossem excelentes. Você não saberia se uma mudança nos temas refletia uma mudança real na opinião do cliente ou apenas uma diferença na forma como duas pessoas interpretaram os mesmos dados. A IA com saídas inconsistentes pode causar esse mesmo desafio.

Modelos afinados que aplicam a mesma lógica de classificação todas as vezes resolvem isso. O modelo não produz respostas diferentes em dias diferentes. Isso torna as respostas de texto aberto confiáveis da mesma forma que os programas de NPS longitudinais são confiáveis. É o que permite que um analista diga algo significativo para o negócio sobre para onde eles estão indo, não apenas onde eles estão agora.

À medida que a IA se torna mais incorporada à experiência do cliente, como as organizações devem pensar sobre ela como um multiplicador da força de trabalho, em vez de um substituto, especialmente para equipes não técnicas?

A estrutura de multiplicador de força de trabalho muda a pergunta de “o que a IA substituirá?” para “o que minha equipe pode fazer agora que não podia antes?” Essa é uma estrutura mais produtiva e, em minha experiência, também é a mais precisa. Isso acompanha os padrões históricos de grandes avanços na adoção de tecnologia nos últimos vinte anos. A versão concreta: um analista de insights do cliente que passa três dias por semana codificando feedback de texto aberto pode agora passar esse tempo interpretando padrões, apresentando descobertas e trabalhando nas perguntas por trás das perguntas. A IA não substituiu o analista. Deu às habilidades do analista mais espaço para operar.

Isso importa ainda mais para equipes não técnicas. Quando qualquer pessoa pode fazer perguntas sobre seus dados em linguagem simples, sem precisar de um cientista de dados ou construir um relatório do zero, as pessoas mais próximas do cliente chegam aos insights mais rápido. Isso muda o ritmo das decisões em toda a organização, não apenas a eficiência de uma tarefa única.

O efeito multiplicador só se materializa se as equipes estiverem preparadas para usar a capacidade que a IA cria. Essa é uma questão de design organizacional tanto quanto uma questão de tecnologia. É por isso que passamos tanto tempo em adoção e boas práticas com nossos clientes quanto nas próprias capacidades.

Olhando para o futuro, como você vê a IA redefinindo a experiência do cliente nos próximos anos e o que as empresas devem fazer hoje para se preparar para essa mudança?

A mudança que estou observando mais de perto é a mudança de reativa para proativa. A maioria dos programas de feedback de hoje é reativa. Por exemplo, algo acontece, o feedback chega, as equipes analisam e as decisões são tomadas. O ciclo está se tornando mais rápido, mas ainda é fundamentalmente retrospectivo.

O que a IA torna possível é antecipar essa curva. Identificar sinais cedo o suficiente para agir antes que um problema apareça em suas pontuações. Saber quais segmentos de clientes estão em risco antes que eles cancelem. Entender por que a satisfação está caindo em uma região específica antes que se torne um padrão. É aí que a combinação de IA construída com propósito e dados de feedback longitudinais se torna genuinamente poderosa.

As empresas de hoje devem construir a infraestrutura organizacional para absorver o que a IA torna possível. Consolidar os dados de feedback de revisões, pesquisas, mídia social, aplicativos e mais. Definir quem é o dono das análises e o que acontece quando algo ação superfície. Construir os fluxos de trabalho que conectam a percepção à ação antes que você precise deles. As empresas que irão se destacar não são necessariamente aquelas com a tecnologia de IA mais sofisticada, mas aquelas que agem sobre insights de IA consistentemente, rapidamente e em escala.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Alchemer.