AI Agent untuk Customer Service: Perbedaan dengan Chatbot dan Panduan Implementasi

Ringkasan artikel：Panduan ini membahas perbedaan chatbot dan AI agent untuk customer service, terutama dari sisi kemampuan bernalar, memakai tools atau API, mengingat konteks, merencanakan langkah, dan menjalankan tindakan lintas sistem. Artikel juga menjelaskan integrasi dengan ticketing, CRM, dan knowledge base, serta pentingnya guardrail, pembatasan hak akses, human approval, observability, dan evaluasi hasil. Pembahasan ditujukan untuk CIO, Head of CX, dan Tim Transformasi Digital yang ingin memahami bagaimana agentic AI customer service dapat digunakan secara bertahap, mulai dari tugas berisiko rendah hingga proses yang membutuhkan persetujuan manusia.

Oleh Rizki Firmansyah

Rizki Firmansyah, Spesialis Produk AI Udesk. Ia meneliti penerapan LLM di pusat kontak, termasuk chatbot AI, basis pengetahuan dan pemeriksaan kualitas percakapan berbasis AI.

AI agent untuk customer service mulai menarik perhatian karena tugasnya tidak berhenti pada menjawab pertanyaan. Dalam skenario yang tepat, sistem dapat membaca kebutuhan pelanggan, memanggil API, mengecek data di CRM atau sistem pesanan, lalu menjalankan beberapa langkah sebelum memberikan hasil. Di sinilah agen AI layanan pelanggan berbeda dari chatbot yang hanya menghasilkan jawaban.

Chatbot menjawab, AI agent mencoba menyelesaikan pekerjaan

Perbedaannya paling mudah dilihat dari contoh sederhana.

Pelanggan WhatsApp menulis bahwa alamat pengiriman pesanannya salah. Chatbot mungkin menjelaskan prosedur perubahan alamat dan memberikan tautan bantuan. AI agent dapat bekerja lebih jauh. Sistem mengenali maksud pelanggan, mencari pesanan yang sesuai, mengecek apakah barang sudah dikirim, lalu menyiapkan perubahan alamat jika status pesanan masih memungkinkan.

Perbedaan sebenarnya ada pada kemampuan bertindak.

Chatbot biasanya berpusat pada percakapan. AI agent dapat menggunakan tools dan API untuk berhubungan dengan sistem lain. Agent juga dapat mempertahankan konteks, merencanakan urutan pekerjaan, kemudian memilih langkah berikutnya berdasarkan hasil dari langkah sebelumnya.

Udesk sendiri menggambarkan AI Agent sebagai bagian dari solusi omnichannel yang dapat menangani percakapan sekaligus menjalankan workflow seperti notifikasi dan pembuatan tiket. Platform tersebut juga dapat dihubungkan dengan ERP, OMS, WMS, dan BI. (Udesk)

Tetapi semakin banyak tindakan yang dapat dilakukan agent, semakin besar pula konsekuensi jika keputusan yang diambil salah.

Jangan langsung memberikan akses ke semua sistem

Kesalahan implementasi yang mudah terjadi adalah memberi agent terlalu banyak kemampuan sejak pilot.

Misalnya perusahaan ingin AI dapat mengecek pesanan, mengganti alamat, membatalkan transaksi, membuat refund, memberikan kompensasi, dan mengubah data pelanggan sekaligus. Secara teknis hal tersebut mungkin dapat diintegrasikan, tetapi proses seperti ini sulit diawasi pada fase awal.

Lebih aman memilih pekerjaan yang risikonya rendah.

Untuk WhatsApp, agent dapat mulai dari pengecekan status pesanan, klasifikasi pertanyaan, pembuatan tiket, atau pengumpulan informasi sebelum percakapan diteruskan ke manusia. Pada contact center, agent dapat membantu membuat ringkasan panggilan, memberi label percakapan, dan membuat service ticket setelah telepon selesai. Udesk, misalnya, menyediakan automatic call summary dan automatic ticket creation dalam lingkungan call center-nya.

Setelah pola kegagalan mulai terlihat, barulah ruang tindakan diperluas.

Tool access perlu diperlakukan seperti hak akses pegawai

Jika AI agent dapat memanggil API, pertanyaan berikutnya bukan hanya “API apa yang tersedia”, tetapi “tindakan apa yang boleh dilakukan tanpa persetujuan manusia”.

Membaca status pesanan tentu berbeda risikonya dengan mengubah alamat. Membuat tiket berbeda dengan menghapus tiket. Menyiapkan refund juga berbeda dengan benar-benar mengirim refund.

Karena itu, hak agent sebaiknya dipisahkan.

Untuk tindakan read-only, agent bisa diberi ruang lebih besar. Untuk perubahan data, perusahaan dapat menetapkan batas tertentu. Sementara tindakan yang menyangkut uang, kontrak, perubahan akun, atau data sensitif dapat dibuat sebagai proposal yang masih membutuhkan human approval.

Dengan cara ini, agent tetap membantu pekerjaan, tetapi keputusan yang sulit dibatalkan tidak dilepas sepenuhnya ke AI.

Ticketing dan CRM harus menjadi bagian dari alur

Agentic AI customer service tidak banyak berguna jika hanya berdiri sebagai chatbot di halaman depan.

Ketika kasus perlu diteruskan, agent harus dapat membuat tiket dengan informasi yang sudah terkumpul. Agen manusia seharusnya melihat siapa pelanggan tersebut, percakapan sebelumnya, masalah yang terdeteksi, data yang sudah diperiksa, dan tindakan apa yang sudah dicoba AI.

Integrasi CRM memiliki fungsi yang sama. Agent tidak perlu meminta pelanggan menyebutkan data yang sebenarnya sudah tersedia di sistem.

Untuk knowledge base, prinsipnya juga sederhana. Agent perlu mengambil jawaban dari sumber yang sudah dikendalikan perusahaan. Pembahasan mengenai retrieval, chunking, embedding, atau desain RAG lebih baik dipisahkan ke pembahasan khusus karena persoalannya berbeda dari desain hak akses dan workflow agent.

Guardrail harus dibuat untuk tindakan, bukan hanya jawaban

Pada chatbot biasa, guardrail sering berfokus pada isi jawaban. Jangan memberikan informasi tertentu, jangan menjawab di luar knowledge, atau jangan membuat klaim yang tidak tersedia.

AI agent membutuhkan satu lapisan tambahan.

Perusahaan perlu menentukan tindakan yang sama sekali tidak boleh dilakukan, tindakan yang hanya boleh dilakukan pada kondisi tertentu, dan tindakan yang selalu memerlukan persetujuan.

Misalnya agent boleh membuat draft kompensasi, tetapi supervisor harus menyetujuinya. Agent boleh membuat tiket teknis otomatis, tetapi tidak boleh menutup tiket keluhan yang masih memiliki dispute terbuka.

Batas seperti ini perlu ditulis sebagai aturan operasional yang dapat diuji, bukan hanya instruksi umum seperti “bertindaklah dengan aman”.

Observability menjadi kebutuhan, bukan fitur tambahan

Ketika agent menjalankan satu pekerjaan dalam beberapa langkah, tim perlu bisa melihat apa yang dilakukannya.

Log seharusnya menunjukkan permintaan pelanggan, keputusan agent, tool yang dipanggil, hasil API, tindakan yang diambil, dan apakah ada persetujuan manusia.

Tanpa catatan tersebut, kesalahan sulit direproduksi.

Bayangkan AI salah mengubah kategori tiket. Jika tim hanya melihat hasil akhirnya, penyebabnya tidak jelas. Masalah bisa berasal dari pemahaman intent, data CRM, aturan workflow, atau respons API. Observability membantu membedakan semua kemungkinan tersebut.

Log juga diperlukan saat mengevaluasi agent. Tim Transformasi Digital tidak cukup hanya mengetahui berapa banyak percakapan yang “ditangani AI”.

Pilot perlu mengukur apakah tugas benar-benar selesai

Autonomous resolution rate memang menarik, tetapi jangan dipakai sendirian.

Mulailah dari task completion. Apakah agent benar-benar menyelesaikan permintaan sesuai SOP.

Kemudian lihat error rate untuk tindakan, jumlah human approval, transfer ke agen, waktu penyelesaian, dan berapa banyak kasus yang harus diperbaiki manusia setelah agent selesai.

Untuk proses yang memiliki beberapa langkah, ukur juga di titik mana agent paling sering berhenti. Bisa jadi agent cukup baik membaca kebutuhan pelanggan, tetapi sering gagal ketika memanggil sistem lama yang API-nya tidak stabil.

Udesk sendiri memosisikan AI Agent sebagai sistem yang dapat menggunakan workflow dan sistem bisnis untuk menangani proses customer service lebih jauh daripada Q&A biasa. Dokumentasi produknya juga menunjukkan bahwa intelligent routing dan ticket management tetap digunakan untuk kasus yang perlu diteruskan ke manusia.

Pilot yang masuk akal untuk WhatsApp

Ambil satu skenario yang sering muncul.

Pelanggan bertanya melalui WhatsApp, “barang saya belum sampai, bisa dicek?”

Agent mengenali intent, mencari identitas atau nomor pesanan, mengambil status dari OMS, lalu memberi informasi terbaru. Jika paket terlambat melebihi batas tertentu, agent membuat tiket dan meneruskannya ke tim logistik.

Jangan dulu memberi agent kemampuan memberikan kompensasi otomatis.

Setelah pilot berjalan, lihat berapa banyak pesanan berhasil ditemukan, berapa sering API gagal, berapa banyak percakapan berakhir di agen, serta apakah tiket yang dibuat mempunyai kategori dan konteks yang benar.

Dari situ baru terlihat apakah agent benar-benar mengurangi pekerjaan.

AI agent tidak harus sepenuhnya otonom

Istilah “agentic” kadang membuat perusahaan merasa target akhirnya adalah menghilangkan manusia dari proses.

Tidak harus begitu.

Pada beberapa proses, nilai AI justru muncul ketika agent mengerjakan delapan puluh persen pekerjaan awal dan manusia hanya mengambil keputusan terakhir. Sistem mencari data, mengisi tiket, menyusun rekomendasi tindakan, lalu meminta supervisor menekan tombol approve.

Model seperti ini mungkin terlihat kurang futuristis, tetapi jauh lebih mudah dikendalikan.

Bagi CIO dan Head of CX, pertanyaan yang lebih berguna bukan apakah AI bisa melakukan sesuatu, tetapi apakah tindakan tersebut boleh dilakukan otomatis, dapat diaudit, dan bisa dipulihkan ketika salah. Udesk menggabungkan AI Agent dengan omnichannel service, ticketing, knowledge, call center, dan integrasi sistem bisnis dalam satu lingkungan, sehingga perusahaan dapat memulai dari tugas terbatas lalu menambah tingkat otonomi secara bertahap. Untuk organisasi yang sedang mengevaluasi AI agent untuk customer service, pendekatan bertahap seperti ini lebih masuk akal daripada langsung memberikan agent akses penuh ke proses yang sulit dibatalkan.

FAQ

Q:Apa perbedaan utama AI agent dan chatbot?

A:Chatbot terutama berinteraksi melalui percakapan. AI agent dapat menggunakan tools atau API, membaca hasil dari sistem lain, lalu menjalankan beberapa langkah untuk mencapai tujuan tertentu.

Q:Apakah AI agent boleh mengubah data pelanggan secara otomatis?

A:Bisa secara teknis, tetapi izin sebaiknya mengikuti tingkat risiko. Perubahan sensitif atau sulit dibatalkan lebih aman menggunakan human approval.

Q:Apa proses yang cocok untuk pilot pertama?

A:Pengecekan status, klasifikasi kasus, pembuatan tiket, pengumpulan data, dan workflow read-only biasanya lebih mudah dikendalikan daripada refund atau perubahan akun.

Q:Bagaimana menilai keberhasilan agentic AI customer service?

A:Ukur task completion, error rate, waktu penyelesaian, transfer ke manusia, kebutuhan approval, dan jumlah pekerjaan yang harus dikoreksi setelah agent selesai.
Jawab pertanyaan pelanggan 24/7 tanpa henti dengan Chatbot AI Udesk. Coba gratis dan kurangi beban manual tim CS!

Artikel ini merupakan karya asli Udesk. Jika akan diterbitkan ulang, wajib selalu mencantumkan sumber aslinya：https://id.udeskglobal.com/blog/ai-agent-untuk-customer-service-perbedaan-dengan-chatbot-dan-panduan-implementasi