瑞恩·塔明加，Alchemer 首席客户官 – 采访系列

瑞恩·塔明加 是一位具有近二十年领导经验的客户体验和企业转型高管，曾担任过客户成功、专业服务、咨询和产品策略等职务。自 2019 年加入 Alchemer以来，他先后担任过客户成功副总裁和产品与服务高级副总裁等职务，于 2026 年被任命为首席客户官。在他的当前职位上，他负责客户参与、成功和服务交付，同时帮助客户需求与产品创新和业务战略保持一致。加入 Alchemer之前，塔明加曾在 ReedGroup、德勤和埃森哲等公司担任过高级领导职务，领导过大规模的转型计划，重点关注业务运营、分析、自动化和企业绩效改进。

Alchemer 是一款客户反馈和体验管理平台，帮助组织捕获、分析和利用客户、员工和利益相关者提供的洞察。该公司的软件结合了调查创建、反馈收集、工作流自动化和 AI 驱动的分析，帮助企业超越简单地收集数据，驱动可衡量的行动。服务于各个行业的组织，Alchemer使团队能够集中来自多个渠道的反馈，发现趋势和情绪，并利用这些洞察力改善客户体验、指导产品决策和加强业务绩效。通过其不断增长的 AI 驱动工具套件，该公司旨在帮助组织将反馈转化为持续的运营和战略情报来源。

您在Accenture和Deloitte等公司担任过十多年的咨询工作，之后又在Alchemer领导客户成功、产品和服务。这种过程转型和实践客户体验的混合如何影响您在企业环境中部署AI的方法？

在咨询公司工作提供了非常有价值的经验，这些经验现在指导我的Alchemer工作。例如，我发现技术本身很少是最困难的部分。我花了很多年帮助《财富》100强公司实施企业系统，项目失败的原因往往不是软件问题，而是变革管理、所有权不明确以及部署前基础流程尚未准备好的问题。

这种经验塑造了我今天对AI部署的思考方式。当我与苦于从AI中获得价值的客户交谈时，问题几乎从来都不是技术本身。问题在于他们没有定义要实现什么，谁拥有输出，以及当AI发现有价值的东西时会发生什么变化。技术通常领先于组织的准备度。

实践客户工作是方程式的另一半。你快速地了解了什么对每天做这份工作的人真正有价值，以及如何将其转化为董事会指标。这些往往是非常不同的东西。咨询的流程严谨性和与团队合作的客户同理心的结合是我旨在为Alchemer的AI构建和部署战略带来的东西。

您提到了组织之间显著的AI成熟度差距。领导者对其准备度的最大误解是什么，实施通常首先在哪里失败？

最常见的误解是购买AI工具就意味着准备好使用它。领导者看到演示，看到输出，并假设采用会自动发生。确保技术（无论是AI还是其他技术）从需要解决的业务问题开始至关重要。技术的成功采用几乎总是与如何向团队和客户传达它将解决问题的能力密切相关。

实施首先失败的地点几乎总是在交接点。如果没有定义的工作流程来处理下一步骤（例如，谁看到它，谁采取行动，哪个系统将其纳入），那么洞察力就不会被采取行动。组织需要被结构化为采取行动。

认识到这一差距已经塑造了我们在Alchemer构建解决方案的方式。我们首先确定要用技术能力解决的问题。AI能力、工作流程和用户控制只是我们交付的内容的一部分。帮助团队建立采取反馈行动的组织能力同样重要，这也是真正的成果实现的地方。

许多公司在AI上投入了大量资金，但苦于证明投资回报率。他们应该使用什么指标或框架来评估AI在客户体验中的实际效果？

首先关注行为的变化，而不是AI的输出。正确的问题不是“AI是否生成了摘要？”，而是“团队的行为是否因为它而有所不同？”，“关键的成功指标是否朝着正确的方向移动？”AI可以明确地确定问题或机会的存在，并提供新的洞察力。然而，如果公司不采取行动，客户反馈可能会被忽略或不能及时解决。

洞察时间是一个很好的起始指标。从收集反馈到在决策者面前有可采取的行动需要多长时间？以前需要六个月的反馈分析现在可以通过AI大大减少。我们有一位客户将该周期从六个月缩短到了几个小时，展示了真正的、可衡量的向洞察和行动的时间转变。

响应时间是另一个需要早期捕捉的指标。客户期待对其反馈的响应，特别是当它为负面时。衡量响应负面调查或在线评论需要多长时间。手动审查可能需要几天，通过支持票据分配，然后响应客户。在线眼镜零售商能够从几乎一个月缩短到几分钟。

响应率是需要跟踪的最后一个指标。H&R Block (HRB ) Canada在税季管理近1000个地点。以前，通过AI在100%的评论响应覆盖率方面几乎是不可能的。现在它是一个基准。这种转变是可衡量的，其对搜索可见性和客户认知的下游影响是可跟踪的。

首先确定正在耗费您或让客户沮丧的问题（例如，慢速分析、低响应率、错过客户信号），并在实施前后衡量差异。不要尝试衡量一切。衡量一件重要的事情，并使用这种势头来帮助建立和交付业务案例。

从您的角度来看，什么区别于组织成功运用AI和那些仍然停留在实验阶段的组织？

成功的组织将AI视为基础设施，而不是具有开始日期、结束日期和团队试图证明投资的项目。基础设施成为工作的核心。例如，思考CRM软件在20世纪90年代末和21世纪初的引入带来的不同。项目是实施，但系统成为操作基础设施，支撑市场团队的运作。这种转变是运用AI的真正含义，大多数组织在AI采用方面尚未达到这一点。

另一个区别是所有权。成功的客户体验（CX）部署都有一个人负责确保输出被采取行动。需要有人对结果负责。当没有人拥有结果时，洞察力会回到仪表板上并停止。对于CX计划来说，这一直是正确的——AI放大了这一点，因为输出更快，客户的期望也在加速。

我关注的第三件事是组织是否有成功指标的一致性模式。有测量就会有管理。跟踪趋势、季度对季度基准或比较不同地理区域结果的团队无法承受AI解决方案在不同天产生不同答案的情况。成功运用AI的组织往往要求可靠性和能力。

有很多关于通用LLM的兴奋，但您却提倡在反馈工作流程中使用特定目的的AI。在企业用例中，通用模型在哪里失败？

并非所有问题都需要相同的AI解决方案。反馈和CX领域的许多供应商都在像ChatGPT、Claude或Gemini这样的通用模型上构建了他们的AI能力。它们旨在为每个人做所有事情，这种通用性可能会带来问题，尤其是对于那些要求高可靠性和一致性的组织来说。

考虑到这一点，Alchemer采取了不同的方法来支持客户正在尝试解决的挑战。Alchemer使用适合每个特定任务的正确AI解决方案，而不是将每个问题都通过商业LLM。这种特定目的的AI策略的结果是输出更准确、结果随时间更一致、AI更适合反馈数据，而不是从为其他事情构建的工具中改编而来。

我们已经在客户身上看到了这一点的体现。Washburn&McGoldrick在选择Alchemer之前评估了通用AI工具，并发现相同的数据集在不同天会产生不同的分类。您无法在此基础上建立基准计划。

将AI直接嵌入业务工作流程的实际含义是什么，为什么这种方法比将AI视为独立工具更有效？

独立的AI工具是您在决定分析时打开的东西。嵌入的AI能力是在您想到询问之前已经在工作的东西。

以下是实践中的区别：如果一份评论在夜间到达，触发了安全问题的风险阈值，嵌入式系统会触发警报，将其路由到正确的人，并自动启动响应工作流程。没有人需要记得检查仪表板。AI已经成为流程的一部分。

在Alchemer，我们将其应用于所有反馈渠道和整个反馈生命周期。AI在我们的调查能力中改进了输入内容，并可以实时生成相关的后续问题，使调查成为对话。在评论管理中，AI可以草拟品牌化、个性化的响应，甚至可以发布它。AI在我们的分析层中表面化了所有反馈中重要的内容。我们的工作流程自动化将AI触发的操作直接连接到团队实际工作的业务系统中。当这些部分连接起来时，洞察力和行动之间的差距从天缩短到分钟。这就是嵌入式的真正含义，连接来自客户反馈的行动到客户互动的系统中。

将非结构化的客户反馈转化为实时、可采取行动的智能听起来很强大，但很困难。使其在规模上起作用的最大技术和组织挑战是什么？

从技术上讲，数据的体积和可变性确实可能具有挑战性。客户使用不同的语言、缩写、拼写错误和速记，通用模型经常会误读这些。模型还必须了解业务语言。不同行业使用不同的术语，企业还会在此基础上添加自己的细微差别。

例如，迎接您进入一家企业的人可能是医生办公室的接待员、餐厅的主人或咖啡店的咖啡师。这些类似的角色在不同行业中可能被称为不同的名称。虽然通用模型可能适用于初步审查，但底层模型必须为反馈数据和客户如何讨论特定行业、产品、品牌和服务的细微差别而量身定制。模型还必须保持一致，因为您几乎总是将其与历史基准进行比较。

虽然技术挑战似乎越来越大，但组织挑战虽然很重要，但变得更容易解决。第一个主要挑战是知道如何处理增加的体积和更丰富的洞察力。大多数团队会查看AI生成的洞察力，并说“这很有趣。”最好的组织建立工作流程，规定哪些洞察力会发送给哪些人/系统，谁会在特定的时间窗口内采取什么行动。幸运的是，建立这些工作流程比以往任何时候都容易。只要经过一些规划，当做得正确时，团队的好奇心加速的效果就会变得非常令人兴奋，因为它会随着时间的推移而演变。

另一个主要的组织挑战是信任。在Alchemer最近的一项研究中，只有29%的CX软件购买者表示他们目前对AI生成的输出感到舒适，不需要审查。这反映了与AI的真实经验，这些AI的输出不一致或无法解释。建立信任需要透明的AI系统，能够解释其结论，具有审计跟踪和可配置的控制，允许团队决定AI可以和不能做什么。在Alchemer，我们将可信的AI视为产品，而不是功能。

您曾建议一致性可能比准确性更重要，尤其是在AI驱动的市场研究中。您能解释一下为什么一致性如此关键以及为什么它经常被忽视吗？

准确性告诉您AI理解单个响应的能力。一致性告诉您是否可以信任随时间的比较。对于市场研究，比较是关键。今天客户说什么并不是有意义的。但是，了解事情是否变得更好或更糟，某个地区与另一个地区的比较，或者您今天看到的主题六个月前是否存在，这些都是有价值的。这些都需要一致的分类。

例如，如果您雇佣两名不同的分析师在六个月的时间间隔内对相同的开放文本反馈进行编码，您将面临可比性问题，即使两者都很优秀。您不会知道主题的转变是否反映了真正的客户情绪变化，还是只是两个人对相同数据的不同解释。具有不一致输出的AI可能会引起相同的挑战。

精细调整的模型可以每次应用相同的分类逻辑来解决这个问题。模型不会在不同天生成不同的答案。它使开放文本答案与NPS程序一样可靠。它使分析师能够告诉业务一些关于他们前进方向的有意义的事情，而不仅仅是他们目前的位置。

随着AI越来越深入地融入客户体验，组织应该如何将其视为非技术团队的劳动力倍增器，而不是替代品？

劳动力倍增器的框架将问题从“AI会取代什么？”转变为“我的团队现在可以做什么以前做不到的事情？”这是一个更有生产力的框架，在我的经验中，它也是更准确的。它遵循了过去二十年来大规模技术采用的历史模式。具体来说：客户洞察分析师每周花三天时间手动编码开放文本反馈，现在可以花这段时间解释模式、提出发现和处理问题背后的问题。AI没有取代分析师。它给了分析师的技能更多的发挥空间。

这对非技术团队来说更为重要。当任何人都可以用白话问关于他们的数据的问题时，不需要数据科学家或从头开始构建报告，离客户最近的人可以更快地获得洞察力。这改变了整个组织的决策速度，而不仅仅是单个任务的效率。

倍增效应只会在团队准备好利用AI创造的容量时实现。这是一个组织设计问题，同样也是一个技术问题。这就是为什么我们在功能本身的同时，也花费大量时间与客户进行采用和最佳实践工作。

展望未来，您如何看待AI在未来几年中重塑客户体验，以及企业今天应该做什么来为这一转变做好准备？

我正在密切关注的转变是从反应性到主动性。大多数反馈计划今天都是反应性的。例如，发生了某事，反馈到来，团队分析它，并做出决定。这个周期变得越来越快，但它仍然本质上是向后看的。

AI使得超越这一曲线成为可能。早在问题出现在评分之前就识别出信号。早在客户流失之前就识别出哪些客户群体处于风险之中。早在某个区域的满意度下降成为一种模式之前就理解为什么会发生这种情况。这种转变是将特定目的的AI和反馈数据结合起来变得真正强大的地方。

今天，企业应该建立组织基础设施来吸收AI使其成为可能的东西。整合来自评论、调查、社交媒体、应用内等反馈数据。定义谁拥有分析和什么时候会出现可采取行动的东西。建立工作流程，将洞察力与行动连接起来，以便在需要时使用。那些将领先的公司不一定是拥有最先进的AI技术的公司，而是那些能够一致、快速、规模化地采取AI洞察力的公司。

感谢您这次精彩的采访，希望您能通过访问 Alchemer 来了解更多信息。