Ryan Tamminga, Chief Customer Officer, Alchemer – Intervjuserie

Ryan Tamminga är en erfaren ledare inom kundupplevelse och företagsomvandling med nästan två decenniers ledarskapsvana inom kundframgång, professionella tjänster, konsulttjänster och produktstrategi. Sedan han anslöt sig till Alchemer 2019 har han avancerat genom en serie ledande roller, inklusive vice VD för kundframgång och senior VD för produkt och tjänster, innan han utsågs till Chief Customer Officer 2026. I sin nuvarande roll ansvarar han för kundengagemang, framgång och serviceleverans samtidigt som han hjälper till att anpassa kundbehov med produktinnovation och affärsstrategi. Före Alchemer innehade Tamminga seniora ledande positioner på ReedGroup, Deloitte och Accenture, där han ledde storskaliga omvandlingsinitiativ med fokus på affärsverksamhet, analys, automatisering och förbättring av företagsprestation.

Alchemer är en plattform för kundfeedback och upplevelsehantering som hjälper organisationer att samla in, analysera och agera på insikter från kunder, anställda och intressenter. Företagets programvara kombinerar enkätframtagning, feedbackinsamling, arbetsflödesautomatisering och AI-drivna analyser för att hjälpa företag gå utöver att bara samla in data och istället driva mätbara åtgärder från den. Genom att betjäna organisationer inom en bred range av branscher möjliggör Alchemer för team att centralisera feedback från flera kanaler, avslöja trender och sentiment och använda dessa insikter för att förbättra kundupplevelser, informera produktbeslut och stärka affärsprestation. Genom sin växande svit av AI-drivna verktyg syftar företaget till att hjälpa organisationer omvandla feedback till en kontinuerlig källa till operativ och strategisk intelligens.

Du har tillbringat mer än ett decennium med konsulttjänster på företag som Accenture och Deloitte innan du ledde kundframgång, produkt och tjänster på Alchemer. Hur har den mixen av processomvandling och hands-on kundupplevelse format din tillvägagångssätt för att distribuera AI i företagsmiljöer?

Arbetet i konsultbranschen gav mycket värdefull erfarenhet som informerar min nuvarande roll på Alchemer. Till exempel upptäckte jag att tekniken sällan är den svåraste delen. Jag tillbringade år med att hjälpa Fortune 100-företag att implementera företagssystem, och projekten som kämpade hade inte problem med dålig programvara. De hade problem med förändringshantering, oklar ägarskap och ofta distribuerades de innan de underliggande processerna var redo att absorbera dem.

Den erfarenheten formar hur jag tänker om AI-distribution idag. När jag pratar med kunder som kämpar för att få värde från AI är problemet nästan aldrig tekniken i sig. Det är att de inte har definierat vad de försöker uppnå, vem som äger utdata och vad som förändras när AI ytor något handlingsbart. Tekniken är före den organisatoriska beredskapen i de flesta fall.

Det hands-on kundarbetet är den andra halvan av den ekvationen. Du lär dig snabbt vad värde faktiskt betyder för de personer som gör jobbet varje dag och hur man översätter det till vad det betyder för styrelsemetriker. Det är ofta mycket olika saker. Kombinationen av processrigor från konsulttjänster och kundempati från att arbeta tillsammans med team är vad jag syftar till att bringa till strategin för hur vi bygger och distribuerar AI på Alchemer.

Du har pekat på en betydande AI-mognads-gap mellan organisationer. Vilka är de största missuppfattningarna ledare har om sin beredskap, och var implementeringar vanligtvis misslyckas först?

Den vanligaste missuppfattningen är att köpa AI-verktyget är detsamma som att vara redo att använda det. Ledare ser en demo, de ser utdata och de antar ofta felaktigt att antagande sker automatiskt. Det är viktigt att säkerställa att tekniken, oavsett om det är AI eller inte, börjar med affärsproblemet som behöver lösas. Den lyckade antagandet av tekniken är nästan alltid knuten till hur väl man kan kommunicera hur det kommer att lösa det problemet för team och kunder.

Där implementeringar misslyckas först är nästan alltid vid överlämningspunkten. Om det inte finns någon definierad arbetsflöde för vad som händer sedan (t.ex. vem som ser det, vem agerar på det, vilket system det går in i) då ageras insikten inte på. Organisationer behöver vara ordentligt strukturerade för att agera på insikter.

Att känna till denna gap har format hur vi bygger lösningar på Alchemer. Vi börjar med att identifiera problemen vi försöker lösa med de tekniska kapaciteterna vi släpper. AI-kapacitet, arbetsflöden och användarkontroller är bara en del av vad vi levererar. Att hjälpa team bygga den organisatoriska muskeln för att agera på feedback är lika viktigt, och det är där de verkliga resultaten förverkligas.

Många företag investerar kraftigt i AI men kämpar för att demonstrera ROI. Vilka metriker eller ramverk bör de använda för att utvärdera om AI i kundupplevelse faktiskt fungerar?

Börja med vad som förändrades i beteende, inte vad AI producerade. Den rätta frågan är inte “Skapade AI en sammanfattning?” Istället ställ frågor som “Vilken metric är den viktigaste indikatorn på framgång?”, “Agerade teamet annorlunda på grund av det?” och “Är de sammanställda affärsmetrikerna förändrade i rätt riktning?” AI kan tydligt identifiera var ett problem eller en möjlighet finns och ge nya insikter. Men om företag inte agerar på dessa insikter kan kundfeedback ignoreras eller inte hanteras i tid.

Tid till insikt är en bra metric att börja med. Hur lång tid tog det att gå från att samla in feedback till att ha något handlingsbart framför en beslutsfattare? Feedbackanalys som tidigare tog sex månader har minskat avsevärt med AI. Vi har en kund som minskade den cykeln från sex månader till timmar, vilket visar en verklig, mätbar förändring mot att lösa tiden till insikt och åtgärd.

Tid till svar är en annan metric att fånga tidigt. Kunder förväntar sig ett svar på sin feedback, särskilt när den är negativ. Mät hur lång tid det tar att svara på en negativ enkät eller online-recension. Det kan ta dagar om man granskar manuellt, tilldelar åtgärd via en supportbiljett och sedan svarar på kunden. En online-ögonfråmånglare kunde gå från nästan en månad till minuter.

Svarsgrad är den sista metriken att spåra. H&R Block (HRB ) Kanada hanterar nästan 1 000 platser under skattesäsongen. Före AI var det nästan omöjligt att nå 100 % recensionssvarsgrad. Nu är det en baslinje. Det är mätbart, och de nedströms effekterna på sökbarhet och kunduppfattning är spårbara.

Börja med att identifiera problemet som kostar er eller frustrerar era kunder (t.ex. långsam analys, låga svarsgrader, missade kundsignal) och mät delta före och efter. Försök inte mäta allt. Mät en sak som betyder något och använd den momentum för att hjälpa bygga och leverera affärsfallet.

Från din synvinkel, vad skiljer organisationer som framgångsrikt operationaliserar AI från de som förblir fast i experiment?

Organisationerna som lyckas med AI behandlar det som infrastruktur snarare än som ett projekt som har en startdatum, ett slutdatum och ett team som försöker motivera investeringen. Infrastruktur blir kärnan i hur arbetet utförs. Till exempel, tänk på skillnaden som införandet av CRM-programvara gjorde i slutet av 1990-talet och början av 2000-talet. Projektet var implementationen, men systemen blev kärnoperativ infrastruktur som var grunden för hur marknadsföringsteam har arbetat sedan dess. Den övergången är vad operationalisering faktiskt betyder, och de flesta organisationer har inte kommit dit än när det gäller AI-antagande.

Den andra differentiatorn är ägarskap. Framgångsrika kundupplevelse (CX) distributioner har någon som ansvarar för att se till att utdata ageras på. Det måste finnas någon som är ansvarig för vad som händer eftersom ingen äger resultatet när ingen äger utdata. Detta har alltid varit sant för CX-program — det förstärks av AI eftersom utdata kommer snabbare, och kundernas förväntningar accelererar.

Det tredje jag tittar på är om organisationen har haft en mönster av konsekvens av framgångsmetriker. Vad som mäts, hanteras. Team som spårar trender över tid, benchmarkar prestation kvartalsvis eller jämför resultat över geografier kan inte ha råd med AI-lösningar som producerar olika svar på olika dagar. Organisationerna som operationaliserar framgångsrikt tenderar att kräva tillförlitlighet utöver kapacitet. De vill ha AI de kan bygga på.

Det finns mycket spänning kring allmänna LLM:er, men du förespråkar purpose-byggd AI i feedbackflöden. Var brister allmänna modeller i företagsanvändningsfall?

Inte alla problem kräver samma AI-lösning. Många leverantörer i feedback- och CX-utrymmet har byggt sina AI-kapaciteter ovanpå kommersiellt tillgängliga allmänna modeller som ChatGPT, Claude eller Gemini. De är utformade för att göra allt för alla, och den allmänheten kan vara problematisk för organisationer som kräver en hög nivå av tillförlitlighet och konsekvens.

Med det i åtanke har Alchemer tagit en annan tillvägagångssätt för att stödja utmaningarna våra kunder försöker lösa. Alchemer använder rätt AI-lösning för varje specifik uppgift snarare än att dirigera varje problem genom kommersiella LLM:er. Resultatet av denna purpose-byggda AI-strategi är mer exakta utdata, konsekventa resultat över tid och AI som är optimerad för feedbackdata snarare än anpassad från ett verktyg byggt för något annat.

Vi har sett detta spela ut direkt med kunder. Washburn & McGoldrick utvärderade allmänna AI-verktyg innan de valde Alchemer och fann att samma dataset producerade olika kategoriseringar på olika dagar. Du kan inte bygga ett benchmarkprogram på det.

Vad betyder det faktiskt att infoga AI direkt i affärsflöden, och varför är det tillvägagångssättet mer effektivt än att behandla AI som ett fristående verktyg?

Ett fristående AI-verktyg är något du öppnar när du bestämmer dig för att analysera något. En inbäddad AI-kapacitet arbetar redan innan du har tänkt på att fråga.

Här är skillnaden i praktiken: Om en recension kommer in över natten som träffar en risktröskel på grund av en säkerhetsfråga utlöser ett inbäddat system en varning, dirigerar den till rätt person och initierar en responsarbetsflöde automatiskt. Ingen behöver komma ihåg att kontrollera instrumentpanelen. AI är redan en del av processen.

På Alchemer tänker vi på detta över alla feedbackkanaler och hela feedbacklivscykeln. AI i vår enkät kapacitet förbättrar vad som kommer in och kan generera relevanta följduppfrågor i realtid så en enkät blir en konversation. I recensionshantering kan AI utkast på-märkes, personliga svar och till och med publicera det. AI i vår analyslager ytor vad som betyder något över all feedback. Och vår arbetsflödesautomatisering ansluter AI-utlösta åtgärder direkt till de affärssystem där team faktiskt arbetar. När dessa bitar är anslutna, minskar gapet mellan insikt och åtgärd från dagar till minuter. Det är vad inbäddat faktiskt betyder, ansluta åtgärder som härrör från kundfeedback till systemen som våra kunders team använder varje dag för att engagera sina kunder.

Att omvandla ostrukturerad kundfeedback till realtids, handlingsbara insikter låter kraftfullt, men svårt. Vilka är de största tekniska och organisatoriska utmaningarna i att göra det fungera i stor skala?

På den tekniska sidan kan volymen och variabiliteten av data faktiskt vara utmanande. Kunder skriver på olika språk, med förkortningar, stavfel och förkortningar som allmänna modeller ofta missläser. Modellerna måste också förstå språket i verksamheten. Olika branscher använder olika terminologi och företag tillämpar sin egen nyans på toppen av det.

Till exempel kan den person som hälsar dig välkommen till ett företag vara en receptionist på en läkarmottagning, en värd på en restaurang och en barista på en kafé. Dessa liknande roller kan benämnas olika i olika branscher. Medan en allmän modell kan vara okej för en första granskning, måste de underliggande modellerna vara purpose-byggda för nyansen av feedbackdata och hur kunder pratar om specifika branscher, produkter, varumärken och tjänster. Modellerna måste också vara konsekventa, eftersom du nästan alltid jämför mot historiska baslinjer.

Medan de tekniska utmaningarna verkar öka, blir de organisatoriska utmaningarna, medan betydande, lättare att lösa. Den första stora utmaningen är att veta vad man ska göra med ökad volym och rikare insikter. De flesta team tittar på en AI-genererad insikt och säger, “det är intressant.” De bästa organisationerna bygger arbetsflöden som säger, “Denna insikt går till den här personen/system, som gör den här saken, inom den här tidsramen.” Lyckligtvis har det aldrig varit lättare att bygga dessa arbetsflöden. Med lite planering, och när det görs rätt, blir accelerationen av det allmänna intresset för team som arbetar för att förstå kundfeedback riktigt spännande när det utvecklas.

En annan stor organisatorisk utmaning är tillit. I Alchemers senaste studie sa endast 29 % av CX-programvaruköpare att de för närvarande är bekväma med att agera på AI-genererade utdata utan granskning. Det speglar verklig erfarenhet av AI som har varit inkonsekvent eller oförklarlig. Att bygga tillit kräver AI-system som är transparenta om hur de når slutsatser, med revisionsledningar och konfigurerbara kontroller som låter team bestämma vad AI kan och inte kan göra. På Alchemer behandlar vi tillförlitlig AI som en produkt, inte en funktion.

Du har föreslagit att konsekvens kan betyda mer än noggrannhet i AI-driven marknadsundersökning. Kan du förklara varför konsekvens är så kritisk och varför den ofta förbises?

Noggrannhet berättar hur väl AI förstod en enskild svar. Konsekvens berättar om du kan lita på jämförelsen över tid. För marknadsundersökning är jämförelsen poängen. Det är inte meningsfullt att veta vad kunder säger idag i isolering. Men det är värdefullt att förstå om saker och ting förbättras eller försämras jämfört med förra kvartalet, hur en region jämför med en annan eller om teman du ser nu var närvarande för sex månader sedan. Inget av detta är möjligt om den underliggande klassificeringen skiftar mellan körningar.

Till exempel, om du anställde två olika analytiker för att koda samma öppen textfeedback sex månader isär, skulle du ha ett jämförbarhetsproblem även om båda var utmärkta. Du skulle inte veta om en förändring i teman reflekterade en verklig förändring i kundsentiment eller bara en skillnad i hur två personer tolkade samma data. AI med inkonsekventa utdata kan orsaka samma utmaning.

Fine-tuned modeller som tillämpar samma klassificeringslogik varje gång löser detta. Modellen producerar inte olika svar på olika dagar. Den gör öppna textsvar tillförlitliga på samma sätt som longitudinella Net Promoter Score (NPS)-program är tillförlitliga. Det är vad som tillåter en analytiker att berätta för verksamheten något meningsfullt om vart de är på väg, inte bara var de är just nu.

Som AI blir mer inbäddat i kundupplevelse, hur bör organisationer tänka på det som en arbetskraftsförstärkare snarare än en ersättare, särskilt för icke-tekniska team?

Arbetskraftsförstärkande ramverket skiftar frågan från “Vad kommer AI att ersätta?” till “Vad kan mitt team göra nu som de inte kunde förut?” Det är ett mer produktivt ramverk, och i min erfarenhet är det också det mer precisa. Det spårar historiska mönster av storskaliga framsteg i teknikanvändning under de senaste 20 åren. Den konkreta versionen: en kundinsiktsanalytiker som tillbringar tre dagar i veckan med att manuellt koda öppen textfeedback kan nu tillbringa den tiden med att tolka mönster, presentera resultat och arbeta med frågorna bakom frågorna. AI ersatte inte analytikern. Den gav analytikerns färdigheter mer utrymme att operera.

Detta betyder ännu mer för icke-tekniska team. När vem som helst kan ställa frågor om sin data på vanligt språk utan att behöva en datavetare eller bygga en rapport från scratch, får de som är närmast kunden insikt snabbare. Det förändrar beslutsfarten över hela organisationen, inte bara effektiviteten i en enskild uppgift.

Arbetskraftsförstärkningseffekten materialiseras bara om team är beredda att använda den kapacitet som AI skapar. Det är en organisationsdesignfråga lika mycket som en teknisk fråga. Det är varför vi tillbringar lika mycket tid på antagande och bästa praxis med våra kunder som vi gör på kapaciteterna i sig.

Om du tittar framåt, hur ser du att AI omformar kundupplevelse under de kommande åren, och vad bör företag göra idag för att förbereda sig för den förändringen?

Den förändring jag tittar på mest är skiftet från reaktiv till proaktiv. De flesta feedbackprogram idag är reaktiva. Till exempel händer något, feedback kommer in, team analyserar det och beslut fattas. Cykeln blir snabbare, men den är fortfarande grundläggande bakåtriktad.

Vad AI möjliggör är att komma före den kurvan. Identifiera signaler tidigt nog för att agera innan ett problem visas i dina poäng. Veta vilka kundsegment som är i riskzonen innan de avviker. Förstå varför tillfredsställelse sjunker i en specifik region innan det blir ett mönster. Det är där kombinationen av purpose-byggd AI och longitudinell feedbackdata blir genuint kraftfull.

Företag idag bör bygga den organisatoriska infrastrukturen för att absorbera vad AI möjliggör. Konsolidera din feedbackdata från recensioner, enkäter, sociala medier, in-app och mer. Definiera vem som äger analyserna och vad som händer när något handlingsbart ytor. Bygg arbetsflöden som ansluter insikt till åtgärd innan du behöver dem. Företagen som kommer att dra ifrån är inte nödvändigtvis de med den mest avancerade AI-tekniken, utan de som agerar på AI-insikter konsekvent, snabbt och i stor skala.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Alchemer.