Раян Таммінга, Головний офіцер з питань клієнтів, Alchemer – Серія інтерв’ю

Раян Таммінга – виконавчий директор з питань досвіду клієнтів та трансформації підприємств з майже двома десятилітнями досвіду керівництва в сфері успіху клієнтів, професійних послуг, консалтингу та стратегії продукту. З моменту приєднання до Alchemer у 2019 році він займав різні керівні посади, включаючи віце-президента з питань успіху клієнтів та старшого віце-президента з питань продукту та послуг, перш ніж у 2026 році був призначений головним офіцером з питань клієнтів. На своїй поточній посаді він керує взаємодією з клієнтами, їхнім успіхом та доставкою послуг, допомагаючи співвідносити потреби клієнтів з інноваціями продукту та бізнес-стратегією. До того, як приєднатися до Alchemer, Таммінга займав керівні посади в ReedGroup, Deloitte та Accenture, де він очолював великомасштабні ініціативи з трансформації, орієнтовані на бізнес-операції, аналітику, автоматизацію та поліпшення підприємницької діяльності.

Alchemer – це платформа зворотного зв’язку клієнтів та управління їхнім досвідом, яка допомагає організаціям захоплювати, аналізувати та діяти на основі інформації від клієнтів, працівників та зацікавлених сторін. Програмне забезпечення компанії поєднує створення опитувань, збір зворотного зв’язку, автоматизацію робочих процесів та аналітику, підтримувану штучним інтелектом, щоб допомогти підприємствам рухатися далі простого збору даних та сприймати їх як вимірювані дії. Обслуговуючи організації в різних галузях, Alchemer дозволяє командам централізувати зворотний зв’язок з кількох каналів, виявляти тенденції та настрої, та використовувати ці знання для поліпшення досвіду клієнтів, інформування рішень щодо продукту та зміцнення підприємницької діяльності. За допомогою зростаючого набору інструментів, підтримуваних штучним інтелектом, компанія намагається допомогти організаціям перетворити зворотний зв’язок на безперервне джерело оперативної та стратегічної інформації.

Ви провели понад десятиліття у сфері консалтингу в компаніях, таких як Accenture та Deloitte, перш ніж очолити успіх клієнтів, продукт та послуги в Alchemer. Як це поєднання трансформації процесів та практичного досвіду клієнтів сформувало ваш підхід до впровадження штучного інтелекту в корпоративних середовищах?

Робота в сфері консалтингу надала дуже цінний досвід, який інформує мою поточну роль в Alchemer. Наприклад, я виявив, що технологія рідко є найбільш складною частиною. Я провів роки, допомагаючи компаніям Fortune 100 впроваджувати корпоративні системи, і проекти, які мали труднощі, не були зруйновані поганим програмним забезпеченням. У них були проблеми з управлінням змінами, нечіткою власністю та часто вони були розгорнуті до того, як основні процеси були готові їх поглинути.

Цей досвід формує мій погляд на впровадження штучного інтелекту сьогодні. Коли я розмовляю з клієнтами, які мають труднощі з отриманням вигоди від штучного інтелекту, проблема майже ніколи не полягає в самій технології. Це те, що вони не визначили, чого вони намагаються досягти, хто володіє результатом, і які зміни відбуваються, коли штучний інтелект викривляє щось дієве. Технологія випереджає організаційну готовність у більшості випадків.

Практичний досвід клієнтів – це інша частина цього рівняння. Ви швидко вчитеся, що таке справжня цінність для людей, які виконують роботу щодня, і як перекладати це на те, що воно означає для показників ради директорів. Ці речі часто дуже різні. Поєднання процесу ригідності з консалтингу та клієнтської емпатії з роботи поряд з командами – це те, що я намагаюся привнести до стратегії будівництва та впровадження штучного інтелекту в Alchemer.

Ви вказали на значущий розрив у зрілості штучного інтелекту серед організацій. Які найбільші помилкові уявлення лідерів про свою готовність, і де впровадження зазвичай терпить невдачу спочатку?

Найпоширенішим помилковим уявленням є те, що покупка інструменту штучного інтелекту є тим самим, що бути готовим до його використання. Лідери бачать демонстрацію, бачать результат, і часто неправильно припускають, що прийняття відбувається автоматично. Важливо забезпечити, щоб технологія, будь то штучний інтелект чи інша, починалася з бізнес-проблеми, яка потребує вирішення. Успішне впровадження технології майже завжди пов’язане з тим, наскільки добре ви можете спілкуватися про те, як вона вирішить цю проблему для ваших команд та клієнтів.

Там, де впровадження зазвичай терпить невдачу спочатку, майже завжди на етапі передачі. Якщо немає визначеного робочого процесу для того, що відбувається далі (наприклад, хто бачить це, хто діє на основі цього, в яку систему воно потрапляє), то знання не діють. Організації повинні бути правильно структуровані для дії на основі знань.

Визнання цього розриву сформувало те, як ми будемо розвивати рішення в Alchemer. Ми починаємо з визначення проблем, які намагаємося вирішити за допомогою технологічних можливостей, які ми випускаємо. Можливості штучного інтелекту, робочі процеси та контроль користувача – це лише частина того, що ми доставляємо. Допомога командам у будівництві організаційної мускулатури для дії на основі зворотного зв’язку є таким же важливим, і саме там відбуваються справжні результати.

Багато компаній вкладають великі кошти в штучний інтелект, але мають труднощі з демонстрацією повернення інвестицій. Які метрики чи рамки вони повинні використовувати для оцінки того, чи дійсно працює штучний інтелект у досвіді клієнтів?

Почніть з того, що змінилося в поведінці, а не з того, що виробив штучний інтелект. Правильне питання не “Чи створив штучний інтелект підсумок?”, а питання типу “Яка метрика є ключовим індикатором успіху?”, “Чи діяла команда інакше через це?” та “Чи змістилися узгоджені бізнес-метрики в правильному напрямку?” Штучний інтелект може чітко визначити, де існує проблема чи можливість, і надати нові знання. Однак, якщо компанії не діють на основі цих знань, зворотний зв’язок клієнтів може бути проігнорований або не вирішений вчасно.

Час до знання – це хороша метрика, з якої можна почати. Як довго тривало переходити від збору зворотного зв’язку до появи чогось дієового перед особою, яка приймає рішення? Аналіз зворотного зв’язку, який раніше займав шість місяців, значно скорочується за допомогою штучного інтелекту. У нас є клієнт, який скоротив цей цикл з шести місяців до годин, демонструючи справжній, вимірюваний зсув у напрямку вирішення часу до знання та дії.

Час до реакції – це ще одна метрика, яку потрібно захопити на ранній стадії. Клієнти очікують реакції на свій зворотний зв’язок, особливо коли він негативний. Виміряйте, як довго триває реакція на негативну відповідь на опитування або онлайн-відгук. Це може зайняти дні, якщо ви переглядаєте вручну, призначаєте дію через тикет підтримки, а потім реагуєте на клієнта. Онлайн-оптика була здатна перейти від майже місяця до хвилин.

Відсоток реакції – це остання метрика, яку потрібно відстежувати. H&R Block (HRB ) Canada керує майже 1000 місць через податковий сезон. До впровадження штучного інтелекту досягнення 100% покриття реакції на відгуки було майже неможливим. Тепер це базовий рівень. Це вимірювально, і подальші ефекти на видимість у пошуках та сприйняття клієнтів відстежуються.

Почніть з визначення проблеми, яка коштує вам або розчаровує ваших клієнтів (наприклад, повільний аналіз, низькі показники реакції, пропущені сигнали клієнтів), і виміряйте дельту до та після. Не намагайтеся виміряти все. Виміряйте одну річ, яка має значення, і використовуйте цей імпульс, щоб допомогти побудувати та доставити бізнес-кейс.

З вашої точки зору, що відрізняє організації, які успішно оперціоналізують штучний інтелект, від тих, які залишаються в експериментальному режимі?

Організації, які успішно впроваджують штучний інтелект, розглядають його як інфраструктуру, а не як проект, який має початок, кінець та команду, яка намагається виправдати інвестиції. Інфраструктура стає核心ною частиною того, як відбувається робота. Наприклад, подумайте про різницю, яку введення програмного забезпечення CRM зробило в кінці 1990-х та на початку 2000-х років. Проект був розгорнутим, але системи стали основною оперативною інфраструктурою, яка була основою для того, як команди виходили на ринок з того часу. Цей перехід – це те, що оперціоналізація насправді означає, і більшість організацій ще не дійшли до цього етапу щодо впровадження штучного інтелекту.

Іншим відрізняльним фактором є власність. Успішні розгортання досвіду клієнтів (CX) мають когось, хто відповідає за те, щоб результати були діяли. Хтось повинен бути відповідальним за те, що відбувається, оскільки коли ніхто не володіє результатом, знання повертаються до панелі та зупиняються там. Це завжди було правдою для програм CX – це посилюється штучним інтелектом, оскільки результати надходять швидше, а очікування клієнтів прискорюються.

Третім фактором, на який я звертаю увагу, є те, чи мала організація послідовність успіху метрик. Що виміряється, то керується. Команди, які відстежують тенденції з часом, порівнюють результати квартал до кварталу або порівнюють результати в різних географіях, не можуть дозволити собі рішення штучного інтелекту, які дають різні відповіді в різні дні. Організації, які оперціоналізують успішно, як правило, вимагають надійності, крім можливостей. Вони хочуть штучний інтелект, на який можна покластися.

Є багато збудження навколо загальних моделей LLM, однак ви відстоюєте створення спеціальних штучних інтелектів у потоках зворотного зв’язку. Де загальні моделі не справляються з корпоративними випадками?

Не кожна проблема потребує того самого рішення штучного інтелекту. Багато постачальників у сфері зворотного зв’язку та CX побудували свої можливості штучного інтелекту на основі комерційно доступних загальних моделей, таких як ChatGPT, Claude або Gemini. Вони призначені для виконання всього для всіх, і ця загальність може бути проблематичною для організацій, які вимагають високого рівня надійності та послідовності.

Alchemer пішла іншим шляхом для підтримки проблем, які наші клієнти намагаються вирішити. Alchemer використовує правильне рішення штучного інтелекту для кожної конкретної задачі, а не маршрутизує кожну проблему через комерційні загальні моделі. Результатом цієї стратегії спеціального штучного інтелекту є більш точні результати, послідовні результати з часом та штучний інтелект, оптимізований для даних зворотного зв’язку, а не адаптований з інструменту, створеного для чогось іншого.

Ми бачили це на прикладі клієнтів. Washburn & McGoldrick оцінили загальні інструменти штучного інтелекту, перш ніж вибрати Alchemer, і виявили, що той самий набір даних дав різні категоризації в різні дні. Ви не можете побудувати програму бенчмаркінгу на цьому.

Що означає фактично вбудовувати штучний інтелект безпосередньо у бізнес-потоки, і чому цей підхід більш ефективний, ніж розглядати штучний інтелект як окремий інструмент?

Відокремлений інструмент штучного інтелекту – це щось, що ви відкриваєте, коли вирішуєте проаналізувати щось. Вбудована можливість штучного інтелекту вже працює до того, як ви подумали про запит.

Отже, різниця у практиці така: якщо відгук надходить у ніч, який досягає порогу ризику через проблему безпеки, система, що спрацьовує, викликає сповіщення, маршрутизує його до правильної особи та ініціює робочий процес реакції автоматично. Ніхто не повинен пам’ятати про перевірку панелі. Штучний інтелект вже є частиною процесу.

У Alchemer ми думаємо про це по всіх каналах зворотного зв’язку та повному життєвому циклі зворотного зв’язку. Штучний інтелект у наших можливостях опитування покращує те, що надходить, і може генерувати відповідні запитання у режимі реального часу, так що опитування стає розмовою. У управлінні відгуками штучний інтелект може створити персоналізовані, брендові реакції та навіть опублікувати їх. Штучний інтелект у нашому аналітичному шарі поверхнево показує те, що має значення, серед усіх цих відгуків. А наша автоматизація робочих процесів з’єднує дії, спровоковані штучним інтелектом, безпосередньо у бізнес-системи, де працюють наші клієнти. Коли ці частини з’єднані, розрив між знанням та дією скорочується з днів до хвилин. Це те, що означає вбудовування насправді, підключення дій, що випливають із зворотного зв’язку клієнтів, до систем, які наші клієнти використовують щодня для взаємодії зі своїми клієнтами.

Перетворення неструктурованого зворотного зв’язку клієнтів у реальний, дієвий інтелект звучить потужно, але складно. Які найбільші технічні та організаційні виклики у тому, щоб зробити це працювати у масштабі?

На технічній стороні обсяг та варіативність даних можуть бути справжнім викликом. Клієнти пишуть на різних мовах, з абревіатурами, помилками та скороченнями, які загальні моделі часто неправильно інтерпретують. Моделі також повинні розуміти мову бізнесу. Різні галузі використовують різну термінологію, а підприємства застосовують свої власні нюанси на вершині цього.

Наприклад, людина, яка зустрічає вас у бізнесі, може бути ресепшнером у лікаря, хостом у ресторані та баристою у кав’ярні. Ці подібні ролі можуть бути названі по-різному в різних галузях. Хоча загальна модель може бути достатньою для початкового огляду, основні моделі повинні бути спеціально побудовані для нюансів даних зворотного зв’язку та того, як клієнти говорять про конкретні галузі, продукти, бренди та послуги. Моделі також повинні бути послідовними, оскільки ви майже завжди порівнюєте з історичними базами.

Хоча технічні виклики здаються зростаючими, організаційні виклики, хоча й значні, стають легшими для вирішення. Першим великим викликом є те, що робити з збільшеним обсягом та багатшими знаннями. Більшість команд дивиться на знання, згенеровані штучним інтелектом, і каже: “це цікаво”. Найкращі організації будують робочі процеси, які кажуть: “Це знання йде до цієї особи/системи, яка робить це, протягом цього часу”. На щастя, будівництво цих робочих процесів ніколи не було легшим. З деяким плануванням та коли все робиться правильно, прискорення загальної цікавості команд, які працюють над розумінням зворотного зв’язку клієнтів, стає дуже цікавим, оскільки воно еволюціонує.

Іншим великим організаційним викликом є довіра. У недавньому дослідженні Alchemer лише 29% покупців програмного забезпечення CX заявили, що вони зараз комфортно діють на основі результатів, згенерованих штучним інтелектом, без огляду. Це відображає справжічний досвід зі штучним інтелектом, який був нестабільним або необ’ясним. Будівництво довіри вимагає систем штучного інтелекту, які є прозорими щодо того, як вони приходять до висновків, з аудиторськими слідами та налаштовуваними контролями, які дозволяють командам вирішувати, що штучний інтелект може і не може робити. У Alchemer ми розглядаємо довірений штучний інтелект як продукт, а не як функцію.

Ви припустили, що послідовність може мати значення більше, ніж точність у дослідженнях ринку, підтримуваних штучним інтелектом. Чи можете ви пояснити, чому послідовність так критична, і чому вона часто ігнорується?

Точність каже вам, наскільки добре штучний інтелект зрозумів окрему відповідь. Послідовність каже вам, чи можете ви довіряти порівнянню з часом. Для дослідження ринку порівняння – це головна справа. Це не має значення знати, що клієнти кажуть сьогодні в ізоляції. Але це має значення зрозуміти, чи речі стають краще чи гірше порівняно з попереднім кварталом, як одна область порівнюється з іншою, чи теми, які ви бачите зараз, були присутні шість місяців тому. Ніщо з цього не можливе, якщо основна класифікація змінюється між запусками.

Наприклад, якщо ви найняли двох різних аналітиків для кодування того самого відкритого зворотного зв’язку шість місяців поспіль, у вас буде проблема порівнянності, навіть якщо обидва були відмінними. Ви не будете знаєте, чи зміна тем відображає справжню зміну клієнтських настроїв чи різницю в тому, як дві людини інтерпретували ті самі дані. Штучний інтелект з нестабільними результатами може спричинити той самий виклик.

Моделі, які застосовують ту саму класифікаційну логіку кожен раз, вирішують цю проблему. Модель не дає різних відповідей у різні дні. Це робить відкриті відповіді надійними так само, як і програми NPS. Це те, що дозволяє аналітику сказати щось значуще бізнесу про те, куди вони рухаються, а не тільки про те, де вони зараз.

Як організації повинні думати про штучний інтелект як про множник робочої сили, а не як про заміну, особливо для нек-технічних команд?

Фреймування множника робочої сили змушує запитувати не “що штучний інтелект замінить?”, а “що може моя команда зробити тепер, чого не могла робити раніше?” Це більш продуктивний фрейм, і, на мій досвід, це також більш точний. Конкретна версія: аналітик клієнтських знань, який проводить три дні на тиждень, кодуючи відкритий зворотний зв’язок вручну, тепер може проводити цей час, інтерпретуючи закономірності, презентуючи результати та працюючи над питаннями, що стоять за питаннями. Штучний інтелект не замінив аналітика. Він дав навичкам аналітика більше місця для дії.

Це має значення ще більше для нек-технічних команд. Коли кожен може задавати питання про свої дані на простій мові, без потреби спеціаліста з даних або побудови звіту з нуля, люди, які найближче до клієнта, приходять до знань швидше. Це змінює темп рішень по всій організації, а не тільки ефективність окремого завдання.

Ефект множника з’являється лише тоді, коли команди готові використовувати можливості, створені штучним інтелектом. Це питання організаційного дизайну так само, як і питання технології. Це причина, чому ми проводимо так багато часу на впровадженні та передових практиках з нашими клієнтами, як і на самих можливостях.

Оглядаючи майбутнє, як ви бачите штучний інтелект, який формує досвід клієнтів протягом наступних кількох років, і що повинні підприємства робити сьогодні, щоб підготуватися до цього зсуву?

Зсув, який я спостерігаю найбільш уважно, – це перехід від реактивного до проактивного. Більшість програм зворотного зв’язку сьогодні є реактивними. Наприклад, щось відбувається, надходить зворотний зв’язок, команди аналізують його, і приймаються рішення. Цикл прискорюється, але він все ще фундаментально орієнтований назад.

То, що штучний інтелект робить можливим, – це вийти вперед цієї кривої. Визначення сигналів досить рано, щоб діяти до того, як проблема з’являється у ваших показниках. Знання того, які сегменти клієнтів знаходяться під загрозою до того, як вони перейдуть. Розуміння того, чому задоволеність знижується в конкретному регіоні до того, як це стане закономірністю. Це те, де поєднання спеціального штучного інтелекту та довгострокових даних зворотного зв’язку стає真正 потужним.

Підприємства сьогодні повинні будувати організаційну інфраструктуру, щоб поглинути те, що штучний інтелект робить можливим. Консолідуйте дані зворотного зв’язку з відгуків, опитувань, соціальних мереж, в додатку та іншого. Визначте, хто володіє аналізами, і що відбувається, коли щось дієве з’являється. Будуйте робочі процеси, які з’єднують знання з дією до того, як вам це потрібно. Компанії, які вийдуть вперед, не обов’язково ті, які мають найсофістикованішу технологію штучного інтелекту, а ті, які діють на основі знань штучного інтелекту послідовно, швидко та у масштабі.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Alchemer.