Chatbot WhatsApp untuk Bisnis: Cara Memilih, Menyusun Alur, dan Mengalihkan Chat ke Agen

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.

Chatbot WhatsApp untuk bisnis mulai masuk akal ketika pertanyaan yang sama muncul puluhan kali sehari, pelanggan datang di luar jam kerja, atau agen terlalu banyak menghabiskan waktu untuk pekerjaan yang sebenarnya bisa diprediksi. Namun, otomatisasi customer service WhatsApp sebaiknya tidak dimulai dari pertanyaan “bot apa yang paling pintar”, melainkan dari percakapan mana yang aman diotomatisasi dan pada titik mana pelanggan harus segera bertemu agen manusia.

Mulai dari empat alur yang benar-benar sering terjadi

Tim sering mencoba membuat chatbot dengan terlalu banyak menu sejak awal. Hasilnya justru sulit dirawat. Untuk implementasi pertama, empat alur biasanya sudah cukup memberi gambaran apakah bot benar-benar membantu.

Alur FAQ cocok untuk jam operasional, metode pembayaran, kebijakan retur atau informasi produk yang jawabannya relatif stabil. Bot cukup mengenali maksud pertanyaan, mengambil jawaban dari sumber yang sudah disetujui, lalu menawarkan bantuan lain jika pelanggan belum selesai.

Status pesanan sedikit berbeda karena jawabannya tidak bisa hanya berasal dari FAQ. Bot perlu meminta nomor pesanan atau mengenali identitas pelanggan, kemudian mengambil status dari OMS, e-commerce atau sistem internal. Jika data tidak ditemukan, percakapan jangan dipaksa berputar. Langsung arahkan ke agen.

Untuk kualifikasi lead, tujuan bot bukan menggantikan sales. Bot cukup mengumpulkan informasi awal seperti kebutuhan, ukuran perusahaan atau produk yang diminati. Lead yang memenuhi kondisi tertentu kemudian diteruskan ke tim yang tepat.

Di luar jam kerja, pendekatannya lebih sederhana lagi. Bot dapat menjawab pertanyaan umum, menerima detail masalah dan memberi tahu kapan agen tersedia kembali. Pelanggan sebaiknya mengetahui sejak awal bahwa ia sedang berbicara dengan bot, bukan dibuat seolah-olah sedang dilayani manusia.

Knowledge menentukan kualitas jawaban

AI chatbot WhatsApp tidak akan menjadi lebih akurat hanya karena memakai model yang lebih besar. Jika sumber informasinya berantakan, hasilnya juga ikut berantakan.

Knowledge sebaiknya berasal dari materi yang memang dipakai perusahaan sebagai rujukan, seperti FAQ resmi, katalog produk, SOP layanan, kebijakan retur, dokumentasi produk dan informasi operasional yang sudah disetujui. Dokumen lama atau materi promosi yang sudah tidak berlaku sebaiknya dikeluarkan dari basis pengetahuan.

Satu hal yang sering terlupakan adalah siapa yang bertanggung jawab memperbarui knowledge. Tim produk mungkin memiliki informasi fitur terbaru, sementara tim CS mengetahui pertanyaan yang paling sering muncul. Tanpa pemilik yang jelas, chatbot bisa terus memberikan jawaban lama walaupun kebijakan perusahaan sudah berubah.

Untuk contoh bagaimana FAQ dan human handoff dapat dirancang dalam konteks WhatsApp, Udesk Indonesia juga memiliki panduan implementasi yang membahas alur otomatis dan pengalihan ke agen.

Bot berbasis aturan masih berguna. Untuk proses yang jalurnya jelas, malah sering lebih aman.

Misalnya pelanggan memilih “cek pesanan”, memasukkan nomor order, lalu sistem mengembalikan status. Alurnya tidak membutuhkan jawaban kreatif. Hal yang sama berlaku untuk konfirmasi identitas, pilihan cabang atau pengumpulan data awal.

AI generatif lebih cocok ketika pelanggan bertanya dengan kalimat yang tidak seragam. Satu orang mungkin menulis “barang saya belum datang”, orang lain menulis “paket gue nyangkut di mana ya”, sementara pelanggan lain mencampur Bahasa Indonesia dan Inggris seperti “order saya masih processing dari kemarin”. Bot berbasis menu akan kesulitan menangani variasi seperti ini tanpa banyak aturan tambahan.

Namun, AI generatif juga membawa risiko jawaban yang terlalu bebas. Untuk harga, kebijakan pengembalian dana atau informasi kontrak, bot sebaiknya tidak menebak. Jika sumber tidak cukup atau confidence rendah, jawabannya harus dihentikan dan dialihkan.

Karena itu, banyak implementasi yang lebih masuk akal justru menggunakan kombinasi keduanya. Rule-based flow untuk proses yang ketat, AI untuk memahami intent dan pertanyaan terbuka, lalu agen manusia untuk kasus yang membutuhkan penilaian.

Uji Bahasa Indonesia yang benar-benar dipakai pelanggan

Pengujian chatbot jangan hanya menggunakan Bahasa Indonesia baku.

Pelanggan akan menulis “gimana cara refund”, “min paket aku kok belum sampe”, “bisa cancel nggak”, singkatan, typo, emoji, bahkan campuran Jawa, Inggris atau bahasa gaul. Untuk produk digital, campur kode juga sangat umum, misalnya “akun saya ke-lock setelah update” atau “payment udah success tapi status masih pending”.

Buat dataset uji dari percakapan asli yang sudah dianonimkan. Ambil pertanyaan yang sering muncul, lalu tambahkan beberapa variasi cara orang mengatakannya. Tujuannya bukan mengejar chatbot yang bisa menjawab semua hal, tetapi mengetahui batasnya.

Jika intent salah terbaca, tim perlu tahu apakah knowledge yang kurang, contoh training yang terlalu sempit atau pertanyaan memang seharusnya tidak ditangani bot.

Fallback jangan dibuat sebagai jalan buntu

Kalimat seperti “Maaf, saya tidak mengerti” masih sering menjadi akhir percakapan chatbot. Untuk customer service, itu bukan fallback yang baik.

Fallback seharusnya memberi jalan keluar. Setelah satu atau dua percobaan gagal, bot dapat menawarkan pilihan masalah, meminta detail tambahan, atau langsung mengalihkan ke agen. Jika pelanggan mengetik “agen”, “orang”, “CS”, “komplain” atau menunjukkan situasi yang sudah sensitif, bot tidak perlu terus mempertahankan percakapan.

Saat handoff terjadi, agen harus menerima konteks sebelumnya. Pertanyaan pelanggan, jawaban bot, data yang sudah dikumpulkan dan intent terakhir sebaiknya ikut terbawa. Pelanggan tidak seharusnya diminta menjelaskan semuanya dari awal.

Inilah alasan chatbot perlu dipikirkan bersama shared inbox, routing dan ticketing. AI yang bagus tetap terasa buruk jika setelah handoff pelanggan harus menunggu lama karena percakapan masuk ke antrean yang salah.

Kasus Watsons menunjukkan fungsi bot pada volume layanan yang besar

Udesk mempublikasikan Watsons sebagai salah satu kasus penggunaan sistem customer service mereka. Menurut informasi resmi Udesk, integrasi kanal dan AI chatbot digunakan untuk menangani pertanyaan umum, dan Udesk menyebut chatbot tersebut menangani sekitar 85 persen masalah umum pelanggan. Angka ini berasal dari publikasi vendor, sehingga lebih tepat dibaca sebagai hasil pada kasus tersebut, bukan angka yang otomatis berlaku untuk bisnis lain.

Nilai yang lebih relevan dari kasus ini adalah pembagian kerja. Pertanyaan yang berulang dapat ditangani otomatis, sementara agen tetap tersedia untuk situasi yang membutuhkan manusia. Itu lebih realistis daripada mencoba membuat bot menggantikan seluruh tim CS.

Log percakapan dibutuhkan untuk memperbaiki bot

Setelah chatbot berjalan, tim perlu membaca kembali apa yang sebenarnya terjadi.

Log percakapan dapat menunjukkan pertanyaan yang tidak dikenali, jawaban yang sering memicu fallback, titik pelanggan meninggalkan percakapan dan alasan handoff ke agen. Dari sini, tim dapat memperbarui knowledge atau mengubah alur.

Jangan hanya mengukur jumlah chat yang berhasil dijawab bot. Bot bisa saja menutup banyak percakapan tetapi membuat pelanggan frustrasi.

KPI yang lebih berguna antara lain containment rate untuk melihat berapa banyak percakapan selesai tanpa agen, handoff rate, fallback rate, waktu penyelesaian, CSAT setelah interaksi, serta persentase pelanggan yang kembali menanyakan hal yang sama. Untuk alur lead, tambahkan kualitas lead yang diteruskan. Untuk status pesanan, lihat berapa banyak pelanggan benar-benar memperoleh status tanpa harus masuk ke agen.

API dan biaya cukup diperiksa sebagai prasyarat

Chatbot WhatsApp bisnis tetap membutuhkan fondasi WhatsApp Business Platform serta platform atau penyedia yang dapat menghubungkan bot dengan sistem layanan. Tim TI perlu memastikan nomor bisnis, akses API, integrasi sistem dan mekanisme handoff sudah siap.

Biaya sebaiknya diperiksa ketika vendor sudah masuk shortlist karena dapat mencakup komponen Meta, platform, penggunaan AI dan integrasi. Skema harga WhatsApp dapat berubah, sehingga editor perlu memeriksa dokumentasi Meta terbaru pada saat artikel diterbitkan. Bagian ini tidak perlu mengambil alih proyek utama, karena tujuan artikel ini adalah merancang alur bot, bukan membahas tarif WhatsApp.

Cara memilih chatbot tanpa terjebak demo yang terlihat pintar

Saat demo, jangan hanya mengetik pertanyaan mudah yang sudah disiapkan vendor. Gunakan contoh pesan nyata dari pelanggan. Masukkan typo, bahasa informal, pertanyaan panjang, dua intent dalam satu pesan dan campuran Bahasa Indonesia dengan Inggris.

Lalu uji pertanyaan yang seharusnya tidak dijawab bot. Tanyakan kebijakan yang sudah kedaluwarsa, minta refund dalam kasus yang membutuhkan persetujuan manusia, atau gunakan kalimat yang ambigu. Dari sini baru terlihat apakah sistem mampu mengatakan “tidak tahu” dan menyerahkan percakapan dengan benar.

Udesk menyediakan AI chatbot, knowledge berbasis RAG, omnichannel routing dan handoff ke agen dalam lingkungan customer service yang sama. Bagi Manajer Customer Service dan Product Manager, pendekatan seperti ini berguna ketika targetnya bukan sekadar membuat bot yang mampu berbicara, tetapi membagi pekerjaan dengan jelas antara AI dan manusia. Jika perusahaan ingin membangun chatbot WhatsApp untuk bisnis yang dimulai dari FAQ sederhana lalu berkembang ke knowledge yang lebih luas dan workflow lintas tim, Udesk dapat dipertimbangkan sebagai platform untuk menjalankan otomatisasi tersebut tanpa memisahkan chatbot dari operasi customer service sehari-hari.

FAQ

Q:Apakah chatbot WhatsApp harus menggunakan AI generatif

A:Tidak. Untuk status pesanan, pilihan layanan atau proses yang jalurnya tetap, rule-based bot sering lebih sederhana dan mudah dikontrol. AI generatif lebih berguna untuk memahami pertanyaan bebas dan variasi bahasa pelanggan.

Q:Kapan chatbot harus mengalihkan percakapan ke agen

A:Handoff sebaiknya dilakukan ketika intent tidak dikenali, informasi tidak cukup, pelanggan meminta agen, kasus membutuhkan keputusan manusia atau bot sudah gagal menjawab setelah percobaan yang wajar.

Q:Apa sumber knowledge yang sebaiknya digunakan

A:Gunakan materi yang sudah disetujui perusahaan seperti FAQ resmi, SOP, dokumentasi produk, kebijakan layanan dan data sistem yang relevan. Hindari memasukkan dokumen lama tanpa proses review.

Q:Apa KPI utama chatbot WhatsApp

A:Containment rate, fallback rate, handoff rate, resolution time dan CSAT memberi gambaran lebih lengkap daripada sekadar jumlah percakapan yang ditangani bot.