Cara AI Meningkatkan Efisiensi Tim Customer Service

Ringkasan artikel：Panduan ini membahas bagaimana AI customer service dapat membantu meningkatkan efisiensi layanan pelanggan tanpa langsung menambah banyak agen. Fokusnya mencakup chatbot, AI assist, routing otomatis, ringkasan percakapan, workflow, dan quality assurance. Artikel juga menjelaskan pentingnya knowledge base yang akurat, pengukuran sebelum dan sesudah implementasi, serta metrik seperti AHT, FCR, backlog, containment, handoff rate, dan CSAT. Cocok untuk tim customer service, CX, dan digital transformation yang ingin menerapkan otomatisasi customer service secara bertahap. Tujuannya bukan mengganti manusia sepenuhnya, tetapi mengurangi pekerjaan berulang agar agen bisa fokus pada kasus yang benar-benar membutuhkan penanganan 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 customer service paling terasa manfaatnya ketika tim mulai kewalahan oleh pekerjaan kecil yang terus berulang. Bukan selalu karena kasus pelanggan makin sulit, tetapi karena agen terlalu banyak mencari informasi, menyalin jawaban, mengelompokkan tiket, atau membaca ulang percakapan lama. Kalau bagian-bagian seperti ini bisa dipangkas, efisiensi layanan pelanggan biasanya ikut membaik tanpa harus langsung menambah banyak agen.

Cari dulu waktu agen yang sebenarnya terbuang

Sebelum membeli fitur AI, coba lihat pekerjaan agen selama beberapa hari.

Berapa lama mereka mencari artikel knowledge? Berapa kali harus membuka CRM hanya untuk melihat status pelanggan? Apakah setiap tiket baru masih dikategorikan manual? Kalau chat dipindahkan ke agen lain, apakah orang kedua harus membaca semuanya dari awal?

Satu aktivitas mungkin hanya memakan 30 detik. Tapi kalau dilakukan ratusan kali, jumlahnya mulai terasa.

Ini juga alasan mengapa proyek AI sebaiknya tidak dimulai dengan target seperti “mengotomatisasi customer service”. Target seperti itu terlalu luas.

Lebih baik mulai dari masalah kecil yang jelas. Misalnya, agen menghabiskan terlalu banyak waktu untuk mengecek status order, atau queue billing penuh oleh pertanyaan yang jawabannya sebenarnya sama.

Dari situ baru pilih teknologi yang memang cocok.

Chatbot mengambil pertanyaan yang terlalu sering diulang

Use case paling gampang biasanya FAQ.

Jam operasional, status pengiriman, cara reset password, kebijakan dasar retur, atau proses membuka akun sering masuk berkali-kali dalam sehari.

Kalau jawabannya memang stabil, tidak ada alasan semua pertanyaan tersebut harus menunggu agen manusia.

Chatbot bisa menjadi lapisan pertama. Pelanggan bertanya, sistem membaca intent, mencari jawaban dari knowledge, lalu memberi respons.

Tetapi jangan terlalu cepat merasa berhasil hanya karena bot sudah membalas.

Yang lebih penting adalah apakah percakapan benar-benar selesai.

Misalnya chatbot menerima 5.000 percakapan dalam sebulan dan 4.000 di antaranya tetap berpindah ke agen. Secara teknis bot memang “melayani” banyak pelanggan, tapi beban tim belum berkurang banyak.

Karena itu, lihat containment, handoff, dan repeat contact. Kalau pelanggan kembali beberapa menit kemudian untuk menanyakan hal yang sama, automation belum bekerja dengan baik.

AI assist berguna ketika manusia tetap harus menangani kasus

Ada pertanyaan yang tidak cocok diberikan penuh kepada chatbot.

Komplain yang agak rumit, masalah teknis, atau pelanggan yang sedang marah tetap lebih nyaman ditangani agen. AI masih bisa membantu dari belakang.

Misalnya agen mendapat pertanyaan tentang fitur yang jarang ditanyakan. Biasanya ia membuka knowledge base, mencoba beberapa keyword, membaca dua artikel, lalu baru menjawab.

AI assist bisa membantu menemukan sumber yang paling relevan lebih cepat.

Hal yang sama berlaku untuk draft jawaban dan ringkasan percakapan.

Setelah sebuah chat panjang dipindahkan ke agen lain, sistem bisa membuat ringkasan singkat: masalah utama, informasi yang sudah diberikan pelanggan, langkah yang sudah dicoba, dan apa yang masih perlu dilakukan.

Agen tidak harus membaca 40 pesan dari awal.

Penghematan satu atau dua menit mungkin tidak terdengar besar. Kalau terjadi ribuan kali dalam sebulan, hasilnya berbeda.

Routing adalah pekerjaan kecil lain yang mudah menumpuk

Masih banyak tim yang mengandalkan agen pertama untuk membaca kasus, memilih kategori, lalu meneruskannya.

Pelanggan bertanya soal pembayaran. Tiket masuk ke general queue. Agen membaca, memberi tag billing, lalu transfer ke tim finance.

Satu transfer mungkin hanya membutuhkan waktu sebentar.

Masalahnya kalau hal itu terjadi ratusan kali setiap hari.

AI bisa membantu membaca isi pesan dan mengenali intent sebelum percakapan masuk ke agen. Pertanyaan billing masuk ke tim billing, masalah teknis ke support, dan komplain pengiriman ke tim yang sesuai.

Tidak harus seluruh routing diserahkan ke AI.

Kalau confidence rendah atau kasusnya tidak jelas, tiket masih bisa masuk ke general queue.

Yang ingin dikurangi adalah transfer yang sebenarnya bisa ditebak sejak awal.

Otomatisasi customer service juga bisa masuk ke proses setelah percakapan

AI tidak harus berhenti setelah memberi jawaban.

Untuk proses tertentu, sistem bisa mengumpulkan informasi dasar, membuat tiket, mengisi kategori, lalu mengirim kasus ke workflow yang sesuai.

Contohnya pelanggan melaporkan barang rusak.

Bot dapat meminta nomor order dan foto, mengecek data dasar, lalu membuat tiket klaim. Setelah itu tim manusia tinggal menangani bagian yang memang perlu pemeriksaan.

Tetapi batasnya harus jelas.

Membuat tiket otomatis relatif aman. Menyetujui refund dengan nilai tinggi punya risiko yang berbeda.

Semakin besar dampak tindakannya, semakin masuk akal memakai approval manusia.

AI yang berguna bukan AI yang selalu berusaha menyelesaikan semuanya. Kadang keputusan paling baik adalah berhenti dan menyerahkan kasus.

Knowledge yang buruk akan membuat AI bekerja lebih cepat dengan jawaban yang salah

Ini bagian yang cukup sering dilupakan.

Perusahaan memasang chatbot atau agent assist, tetapi knowledge base masih berisi artikel lama, dua versi SOP, dan file seperti final_v3_revisi_baru.

AI tetap bisa mengambil informasi tersebut.

Jawabannya bahkan mungkin terdengar lebih rapi daripada jawaban manusia, tetapi sumbernya tetap salah.

Sebelum memperbesar otomatisasi, periksa knowledge terlebih dahulu. Artikel mana yang masih aktif? Siapa owner-nya? Kapan terakhir diperbarui? Apakah ada dua kebijakan yang bertentangan?

Kalau dasar ini belum beres, masalah lama hanya berpindah ke sistem yang lebih cepat.

Ukur efisiensi dari pekerjaan yang benar-benar berkurang

Satu metrik saja tidak cukup.

AHT turun belum tentu berarti layanan membaik. Agen mungkin hanya menutup kasus lebih cepat, lalu pelanggan menghubungi kembali besok.

Containment chatbot tinggi juga belum tentu bagus kalau CSAT turun.

Lebih aman membaca beberapa ukuran bersama.

Lihat juga FCR, backlog, response time, dan CSAT.

Kalau response time membaik tetapi repeat contact naik tajam, tim mungkin hanya memindahkan masalah ke tahap berikutnya.

Data efisiensi perlu dibaca sesuai konteks perusahaan

Angka peningkatan yang terlihat bagus dari satu implementasi tidak otomatis menjadi benchmark.

Kasus resmi Udesk tentang Finvolution memberi contoh yang cukup konkret. Dalam implementasi customer service lintas negara tersebut, Udesk melaporkan bahwa efisiensi respons meningkat 60%. AI Chatbot juga menangani lebih dari 70% pertanyaan berfrekuensi tinggi secara otomatis. Sinkronisasi data pengguna digunakan agar agen tidak perlu terus mengumpulkan informasi dasar secara manual.

Angka tersebut adalah hasil yang dilaporkan untuk Finvolution, bukan angka yang seharusnya dimasukkan sebagai target semua perusahaan.

Bagian yang lebih menarik adalah sumber penghematannya.

Pertanyaan rutin tidak lagi selalu masuk ke agen. Data pelanggan tersedia lebih cepat. Tiket juga bisa masuk ke workflow yang lebih terstruktur.

Jangan langsung meluncurkan AI ke semua queue

Ambil satu proses yang paling jelas lebih dulu.

Misalnya 30% pertanyaan WhatsApp berisi pengecekan status aplikasi.

Simpan baseline selama beberapa minggu: volume, response time, jumlah agen yang menangani, repeat contact, dan CSAT.

Setelah itu, jalankan AI untuk sebagian trafik.

Jangan hanya menguji kalimat yang rapi. Pakai typo, bahasa gaul, pertanyaan setengah jadi, pelanggan yang berubah topik, dan kondisi ketika sistem tidak menemukan data.

Tes juga handoff.

Kalau pelanggan sudah memberi nomor aplikasi kepada bot, nomor tersebut harus ikut sampai ke agen. Jangan meminta pelanggan mengulang semuanya.

Setelah beberapa minggu, bandingkan dengan baseline.

Kalau volume ke agen turun dan kualitas tetap aman, baru perluas use case.

Agent efficiency bukan berarti target agen harus langsung dinaikkan

Ini penting karena efisiensi sering diterjemahkan terlalu cepat sebagai “sekarang satu agen harus menangani lebih banyak tiket”.

Padahal waktu yang dibebaskan AI bisa dipakai untuk hal lain.

Agen bisa menangani kasus yang lebih sulit dengan lebih baik. Supervisor punya waktu untuk coaching. Follow-up yang biasanya tertunda bisa dilakukan lebih cepat.

Bahkan untuk beberapa tim, manfaat terbesar AI bukan mengurangi jumlah orang, tetapi menahan pertumbuhan headcount ketika volume pelanggan meningkat.

Karena itu, sebelum implementasi, tentukan apa arti “efisien” bagi perusahaan.

Apakah targetnya mengurangi backlog? Menjaga response time ketika volume naik? Mengurangi transfer? Atau membuat agen punya lebih banyak waktu untuk pelanggan yang memang membutuhkan manusia?

Jawabannya akan menentukan use case AI yang dipilih.

Mulai dari automation yang membosankan

Tim kadang ingin langsung masuk ke AI Agent yang bisa menjalankan banyak tindakan.

Tidak salah. Tetapi sering kali ada pekerjaan yang jauh lebih sederhana dan lebih mudah memberi hasil.

Klasifikasi tiket otomatis. Pencarian knowledge. Ringkasan call. Template jawaban. Routing. FAQ.

Kalau bagian tersebut masih dikerjakan manual setiap hari, selesaikan dulu.

Setelah itu baru lihat proses yang membutuhkan AI lebih otonom.

Pendekatan bertahap juga membuat error lebih mudah ditemukan. Kalau seluruh workflow diubah sekaligus, ketika KPI memburuk tim akan sulit mengetahui bagian mana yang menyebabkan masalah.

AI customer service Udesk saat ini mencakup penggunaan AI Agent untuk memahami kebutuhan dan melanjutkan workflow, serta pendekatan human backup ketika permintaan berada di luar ruang lingkup otomatisasi. Udesk juga menggabungkan fungsi tersebut dengan omnichannel customer service, knowledge, ticketing, dan workflow dalam lingkungan layanan yang lebih terhubung. Untuk perusahaan yang ingin meningkatkan efisiensi layanan pelanggan tanpa langsung mengganti seluruh pekerjaan agen, Udesk dapat dipertimbangkan sebagai platform untuk memulai dari satu use case, mengukur hasilnya, lalu memperluas otomatisasi customer service hanya pada bagian yang memang terbukti mengurangi pekerjaan berulang.

FAQ

Q:Apakah AI customer service bisa menggantikan agen?

A:Untuk pertanyaan sederhana, sebagian pekerjaan bisa selesai otomatis. Tetapi kasus kompleks, sensitif, atau membutuhkan keputusan tetap lebih cocok memiliki jalur ke agen manusia.

Q:Use case AI apa yang paling mudah diterapkan?

A:FAQ, klasifikasi tiket, routing, pencarian knowledge, ringkasan percakapan, dan status inquiry biasanya lebih mudah diuji daripada proses yang membutuhkan keputusan bisnis kompleks.

Q:Bagaimana mengukur efisiensi setelah memakai AI?

A:Gunakan kombinasi response time, AHT, FCR, backlog, containment, handoff rate, repeat contact, dan CSAT. Bandingkan dengan baseline sebelum pilot.

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/cara-ai-meningkatkan-efisiensi-tim-customer-service