Perbedaan Chatbot Berbasis Aturan dan Chatbot AI

Ringkasan artikel：Panduan ini membahas perbedaan chatbot AI dan chatbot rule based dari sisi cara kerja, fleksibilitas, kontrol, risiko, biaya perawatan, dan jenis use case yang paling cocok. Artikel menjelaskan kapan workflow berbasis aturan lebih aman, kapan AI lebih berguna untuk memahami bahasa bebas, serta bagaimana keduanya bisa dipakai bersama dalam model hybrid. Pembahasan juga mencakup hallucination, human handoff, knowledge grounding, testing, dan metrik seperti containment, handoff rate, serta repeat contact. Cocok untuk tim customer service dan produk yang sedang membandingkan jenis chatbot sebelum memilih pendekatan yang paling sesuai dengan kebutuhan operasional.

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 AI sering dianggap sebagai versi yang otomatis lebih bagus dari chatbot lama. Kenyataannya tidak sesederhana itu. Ada pekerjaan yang justru lebih aman memakai aturan tetap, sementara percakapan yang bahasanya berubah-ubah memang lebih sulit ditangani dengan chatbot rule based.

Cara kerjanya memang berbeda dari awal

Chatbot berbasis aturan bekerja berdasarkan alur yang sudah ditentukan.

Misalnya pelanggan membuka chat lalu mendapat tiga pilihan:

1. Cek pesanan
2. Retur barang
3. Bicara dengan admin

Kalau memilih cek pesanan, bot meminta nomor order. Kalau nomor ditemukan, sistem menampilkan status. Kalau tidak ditemukan, percakapan diteruskan ke agen.

Alurnya cukup mudah dibayangkan karena hampir semua kemungkinan sudah ditulis sebelumnya.

Pada chatbot AI, pelanggan tidak harus mengikuti menu yang sama. Ia bisa langsung mengetik:

“min order kemarin kok belum nyampe”

atau:

“barang gue belum datang, bisa cek ga?”

Sistem mencoba memahami maksud dari kalimat tersebut, mencari informasi yang relevan, lalu menyiapkan jawaban berdasarkan konteks percakapan.

Untuk chatbot berbasis LLM, jawaban juga bisa dibuat secara dinamis. Artinya, sistem tidak selalu mengambil satu kalimat template yang sudah ditulis persis sebelumnya.

Perbedaan inilah yang kemudian memengaruhi biaya, fleksibilitas, risiko, dan cara kedua jenis chatbot dirawat.

Chatbot rule based punya kelebihan yang sering diremehkan

Rule-based terdengar seperti teknologi lama, tetapi bukan berarti sudah tidak berguna.

Untuk proses yang jalurnya memang tetap, model seperti ini justru sangat nyaman.

Ambil contoh perubahan alamat sebelum pengiriman. Perusahaan mungkin punya aturan sederhana: minta nomor order, verifikasi nomor telepon, cek status pengiriman, lalu izinkan perubahan hanya jika paket belum diserahkan ke kurir.

Tidak banyak ruang untuk improvisasi.

Bot berbasis aturan bisa mengikuti alur tersebut dengan sangat konsisten. Kalau syarat tidak terpenuhi, bot berhenti. Ia tidak mencoba membuat kebijakan baru sendiri.

Ini juga membuat testing lebih mudah. Tim dapat mencoba setiap cabang workflow dan mengetahui apa yang seharusnya terjadi.

Kelemahannya mulai terlihat ketika pelanggan tidak mau mengikuti menu.

Orang mengetik bebas. Kadang satu pesan berisi dua kebutuhan sekaligus. Ada typo, singkatan, bahasa gaul, dan konteks dari pesan sebelumnya.

Semakin banyak variasinya, semakin banyak rule yang perlu dirawat.

AI lebih nyaman untuk bahasa yang tidak rapi

Salah satu alasan chatbot AI banyak dipakai untuk customer service adalah pelanggan jarang menulis seperti dokumen SOP.

Mereka bisa mengetik:

“udah bayar kok status masih pending?”

“gw mau cancel yg kmrn”

“invoice bulan lalu kirim lg dong”

Kalimat tersebut tidak selalu cocok dengan keyword yang dibuat tim sebelumnya.

Model AI lebih fleksibel karena mencoba memahami intent dan konteks, bukan hanya mencocokkan satu kata.

Kalau pelanggan mengatakan “pembayaran saya kok belum masuk”, lalu pesan berikutnya hanya “dari tadi pagi”, sistem masih punya konteks bahwa yang sedang dibahas adalah pembayaran.

Rule-based bisa melakukan hal yang sama, tetapi biasanya membutuhkan state dan workflow yang memang sudah dirancang untuk kondisi tersebut.

Di sinilah AI terasa lebih natural.

Tetapi fleksibilitas itu sekaligus membawa masalah baru: output tidak selalu bisa diprediksi seperti menu keputusan.

Perbandingannya lebih enak dilihat dari pekerjaan nyata

Tabel ini bukan berarti semua chatbot AI bekerja persis sama. Arsitektur produknya bisa berbeda cukup jauh.

Masalah rule-based biasanya muncul setelah flow membesar

Flow pertama sering terlihat sangat sederhana.

Setelah beberapa bulan, bisnis menambah produk baru. Kemudian muncul promo. Ada aturan retur berbeda. Beberapa pelanggan menggunakan istilah yang tidak dikenali bot.

Tim akhirnya menambahkan rule baru.

Lalu rule baru bertabrakan dengan rule lama.

Tidak lama kemudian ada flow dengan puluhan cabang dan hanya satu atau dua orang yang masih mengerti kenapa kondisinya dibuat seperti itu.

Ini salah satu biaya tersembunyi chatbot rule based: maintenance.

Untuk sepuluh FAQ sederhana, masalahnya kecil. Untuk ratusan intent dan proses yang sering berubah, pekerjaan admin mulai terasa.

Karena itu, jangan hanya melihat biaya implementasi awal. Lihat juga siapa yang akan memperbarui bot setelah enam bulan.

Chatbot AI punya masalah yang berbeda

AI mengurangi kebutuhan membuat cabang percakapan satu per satu, tetapi bukan berarti bisa dipasang lalu ditinggalkan.

Knowledge tetap harus benar.

Kalau kebijakan retur sudah berubah tetapi artikel lama masih aktif, AI bisa mengambil informasi yang salah. Kalau jawabannya tidak dibatasi ke sumber perusahaan, model juga bisa membuat detail yang terdengar meyakinkan tetapi sebenarnya tidak pernah ditetapkan bisnis.

Inilah yang biasa disebut hallucination.

Untuk customer service, jawabannya bukan sekadar “gunakan model yang lebih pintar”.

Bot sebaiknya mengambil informasi dari knowledge yang sudah disetujui. Sumber perlu diperbarui. Untuk topik tertentu, jawaban bisa dibuat lebih ketat. Kalau informasi memang tidak ada, bot perlu tahu kapan harus berhenti dan menyerahkan percakapan kepada manusia.

Produk AI Chatbot Udesk, misalnya, menjelaskan penggunaan support content sebagai sumber jawaban dan menyediakan pengaturan handoff ketika AI tidak dapat menangani pertanyaan dengan tepat.

Untuk proses sensitif, aturan tetap masih berguna

Bayangkan pelanggan meminta perubahan nomor rekening untuk refund.

Tidak perlu memberi AI kebebasan menentukan sendiri proses verifikasinya.

Bagian seperti ini lebih cocok mengikuti workflow yang jelas: verifikasi identitas, periksa tiket, cek kewenangan, kemudian minta approval bila dibutuhkan.

Hal yang sama berlaku pada autentikasi, consent, perubahan data sensitif, atau aturan compliance.

Karena itu, chatbot modern tidak harus memilih antara AI atau rule secara mutlak.

AI bisa memahami apa yang diminta pelanggan. Setelah intent ditemukan, proses selanjutnya bisa masuk ke workflow yang sudah ditentukan.

Pelanggan mendapat percakapan yang lebih natural, tetapi tindakan penting tetap dikontrol.

Model campuran seperti ini sering jauh lebih realistis daripada membiarkan LLM mengurus seluruh percakapan dari awal sampai akhir.

Ada tiga jenis chatbot yang cukup mudah dibedakan

Kalau jenis chatbot disederhanakan untuk kebutuhan customer service, biasanya ada tiga kelompok yang cukup berguna.

Pertama, bot menu atau rule-based. Cocok untuk alur tetap seperti memilih layanan, mengumpulkan data awal, dan menjalankan prosedur sederhana.

Kedua, chatbot berbasis NLP atau intent classification. Sistem sudah bisa mengenali variasi kalimat dan mengarahkan pelanggan ke intent tertentu, tetapi respons dan workflow masih cukup terstruktur.

Ketiga, chatbot AI berbasis LLM. Sistem lebih mampu membaca konteks, memahami pertanyaan terbuka, mencari knowledge, dan menghasilkan jawaban yang lebih fleksibel.

Dalam praktiknya, satu platform bisa memakai ketiganya sekaligus.

Jadi jangan terlalu terpaku pada nama teknologi vendor. Tanyakan apa yang terjadi ketika pelanggan mengetik kalimat bebas, bagaimana sumber jawaban dipilih, dan apa yang dilakukan sistem setelah jawabannya tidak yakin.

Pilih berdasarkan jenis percakapan, bukan tren

Untuk toko kecil dengan lima pertanyaan utama, rule-based mungkin sudah cukup.

Misalnya pelanggan hanya perlu memilih menu produk, lokasi toko, status pesanan, retur, dan admin. Menggunakan LLM untuk semuanya belum tentu memberi nilai tambahan yang besar.

Berbeda dengan perusahaan yang memiliki ratusan produk dan ribuan artikel knowledge. Pelanggan bertanya dengan cara yang sangat beragam. Dalam kondisi ini, menu bertingkat bisa cepat terasa melelahkan.

AI mulai masuk akal.

Ada juga situasi ketiga: perusahaan punya FAQ luas tetapi beberapa transaksi harus mengikuti prosedur ketat.

Di sini pendekatan hybrid biasanya paling praktis.

AI memahami pertanyaan dan mencari jawaban. Rule menangani bagian yang membutuhkan kontrol.

Jangan menilai bot hanya dari berapa banyak chat yang dijawab

Automation rate sering menjadi angka pertama yang dilihat.

Kalau bot menjawab 80% percakapan, kedengarannya bagus.

Pertanyaannya: apakah masalah benar-benar selesai?

Pelanggan mungkin mendapat jawaban bot, tetapi lima menit kemudian tetap meminta admin. Secara teknis bot sudah “merespons”. Secara operasional, pekerjaan manusia tidak banyak berkurang.

Lihat resolution atau containment yang benar-benar selesai, handoff rate, repeat contact, CSAT, dan alasan pelanggan meminta manusia.

Untuk AI, tambahkan retrieval accuracy dan hallucination.

Untuk rule-based, lihat drop-off. Pelanggan sering keluar di menu ke berapa? Berapa orang langsung mengetik “admin”?

Angka seperti ini memberi gambaran lebih nyata dibanding hanya jumlah pesan yang dikirim bot.

Uji dengan percakapan jelek, bukan hanya demo yang rapi

Saat evaluasi vendor, jangan hanya bertanya:

“Bagaimana cara retur barang?”

Coba:

“min barang yg kmrn salah ukuran bisa tuker gk”

Lalu ubah topik di tengah percakapan.

Masukkan order yang tidak ditemukan. Gunakan typo. Minta sesuatu yang tidak ada di knowledge. Ulangi pertanyaan dengan kalimat berbeda.

Untuk rule-based, lihat apakah pelanggan mudah kembali dari jalan yang salah.

Untuk AI, lihat apakah sistem mengarang jawaban ketika tidak tahu.

Terakhir, minta handoff ke manusia.

Agen sebaiknya menerima transcript dan konteks yang sudah dikumpulkan bot. Kalau pelanggan harus menjelaskan semuanya sekali lagi, automation berhenti tepat di bagian yang paling terasa oleh pelanggan.

Kasus Finvolution cukup dekat dengan penggunaan AI chatbot

Udesk baru-baru ini mempublikasikan kasus Finvolution yang membahas penggunaan AI Chatbot dan automated ticket management untuk layanan lintas negara, termasuk bisnis AdaKami di Indonesia. Dalam implementasi tersebut, AI chatbot digunakan untuk menangani pertanyaan berulang, sementara kasus yang tidak selesai otomatis dapat diteruskan menjadi tiket dengan konteks pelanggan dan histori percakapan. Udesk melaporkan bahwa chatbot menangani lebih dari 70% pertanyaan berfrekuensi tinggi secara otomatis pada implementasi tersebut. Angka itu merupakan hasil kasus spesifik Finvolution, bukan benchmark yang otomatis berlaku untuk bisnis lain.

Bagian yang menarik bukan sekadar angka otomatisasinya. AI dipakai bersama ticketing dan human handoff, bukan sebagai bot yang harus memaksakan diri menyelesaikan setiap percakapan.

Tidak harus membuang chatbot lama

Perusahaan yang sudah punya chatbot rule based tidak selalu perlu menggantinya dari nol.

Flow yang sudah stabil bisa tetap dipakai.

Misalnya autentikasi, pengumpulan nomor order, konfirmasi consent, atau routing ke departemen tertentu sudah berjalan baik. Tidak ada alasan menghapusnya hanya karena AI tersedia.

AI bisa ditambahkan di bagian yang selama ini sulit ditangani rule, seperti pertanyaan FAQ bebas atau pencarian knowledge.

Pendekatan bertahap juga lebih mudah diuji. Tim bisa melihat apakah AI benar-benar mengurangi handoff atau hanya membuat percakapan terlihat lebih canggih.

Pada akhirnya, pertanyaan yang lebih berguna bukan “chatbot AI atau chatbot rule based mana yang lebih baik?”, tetapi bagian mana yang membutuhkan fleksibilitas dan bagian mana yang harus tetap terkendali. Udesk menyediakan AI Chatbot dengan jawaban berbasis knowledge, human handoff, serta visual automation yang memakai trigger, condition, dan rule untuk workflow terstruktur. Bagi perusahaan yang mempunyai FAQ bebas sekaligus proses customer service yang harus mengikuti aturan tertentu, kombinasi tersebut memungkinkan AI digunakan pada bagian yang memang membutuhkan pemahaman bahasa tanpa membuang kontrol rule-based pada proses yang sensitif.

FAQ

Q:Apa perbedaan utama chatbot AI dan chatbot rule based?

A:Rule-based mengikuti menu, keyword, dan kondisi yang sudah ditentukan. Chatbot AI dapat memahami bahasa yang lebih bebas dan menghasilkan jawaban berdasarkan konteks serta knowledge yang tersedia.

Q:Apakah chatbot AI selalu lebih baik?

A:Tidak. Untuk workflow sederhana dan sangat terstruktur, rule-based sering lebih mudah dikontrol dan diuji. AI lebih berguna ketika variasi pertanyaan pelanggan mulai sulit ditangani dengan rule.

Q:Apakah chatbot AI bisa memberikan jawaban salah?

A:Bisa. Risiko tersebut dapat dikurangi dengan grounding ke knowledge perusahaan, pembatasan use case, evaluasi rutin, dan handoff ke manusia ketika sistem tidak cukup yakin.

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/perbedaan-chatbot-berbasis-aturan-dan-chatbot-ai