6 AI dalam Strategi Layanan Pelanggan yang Mendorong Hasil pada Tahun 2025

AI chatbots

Chatbot AI adalah bentuk AI paling populer yang digunakan dalam layanan pelanggan saat ini.

Karena mereka terhubung dengan alat yang sudah ada di tim, mereka sangat bagus dalam menangani pertanyaan berulang dan menjaga agar antrean tidak menumpuk. 

Mereka juga dapat mengambil jawaban dari pusat bantuan atau memeriksa status pesanan. 

Dan karena mereka tidak tidur, pelanggan dapat memperoleh bantuan kapan pun mereka membutuhkannya.

Generative AI

AI Generatif - seperti namanya - menghasilkan konten baru seperti teks, gambar, musik, atau kode, dengan mempelajari pola dari data yang ada. 

Ia menggunakan model pembelajaran mendalam (seperti model bahasa besar) untuk memahami struktur dan gaya, kemudian menghasilkan keluaran asli sebagai respons terhadap permintaan.

Anda mungkin sudah tidak asing lagi dengan alat bantu seperti ChatGPT, DALL-E, atau MusicLM - ini semua adalah contoh AI generatif yang sedang beraksi. 

Dalam layanan pelanggan, AI generatif sebagian besar digunakan untuk menulis. Hal ini dapat berarti membantu chatbot memberikan balasan yang lebih alami atau meringkas jawaban yang panjang lebar ke dalam sebuah rangkuman singkat. 

Beberapa tim bahkan menggunakannya untuk mengubah pertanyaan umum menjadi artikel bantuan.

Agen AI

Jika Anda pernah membaca berita teknologi dalam satu tahun terakhir, Anda mungkin pernah mendengar tentang agen AI. 

Jenis perangkat lunak ini dirancang bukan hanya untuk menghasilkan konten atau merespons permintaan, tetapi untuk mengambil tindakan yang terarah ke tujuan tertentu. 

Jika Anda membangun platform AI yang fleksibel, tidak ada batasan bagaimana Anda dapat menerapkan agen AI pada alur kerja layanan pelanggan. 

Mereka adalah pendorong utama otomatisasi proses cerdas dan otomatisasi alur kerja AI, yang mampu menangani tugas multi-langkah di seluruh alat.

Anda dapat membuat agen AI yang membaca pesan pelanggan, memeriksa status pesanan mereka di Shopify, dan mengirimkan pembaruan - semuanya tanpa input manusia. 

Atau agen AI yang memandu pelanggan melalui kebijakan pengembalian barang, membuat label pengembalian, dan memperbarui tiket di Zendesk.

Ketika berbicara tentang agen AI, langit adalah batasnya. Baca tentang beberapa contoh agen AI lainnya di sini.

Tidak seperti chatbot yang mengandalkan instruksi bolak-balik, AI agen ditentukan oleh otonominya. AI ini dapat mengetahui apa yang perlu dilakukan dan bagaimana cara mewujudkannya, menyesuaikan perilakunya berdasarkan hasil. 

Asisten suara

Layanan pelanggan adalah tentang percakapan, jadi masuk akal jika sebagian besar asisten suara AI digunakan untuk dukungan layanan. 

Mereka menggunakan pengenalan suara untuk mengetahui apa yang dikatakan seseorang, dan text-to-speech untuk berbicara kembali, semuanya dalam waktu nyata. 

Anda mungkin berpikir: mengapa repot-repot dengan suara ketika obrolan berfungsi dengan baik? Pertanyaan yang wajar. 

Beberapa perusahaan menggunakan suara karena itulah cara yang diharapkan oleh pelanggan mereka untuk berinteraksi, seperti menelepon bank atau saluran dukungan. 

Dalam kasus seperti itu, sering kali lebih cepat untuk mengatakan apa yang Anda butuhkan daripada mengetiknya. Dan bagi orang-orang yang tidak nyaman dengan antarmuka digital, suara bisa terasa lebih alami.

Selain itu, 90% orang percaya bahwa pencarian suara lebih mudah daripada pencarian online, jadi jelas bahwa ada permintaan untuk menggunakan suara.

Dalam pengaturan layanan pelanggan, asisten suara menjawab pertanyaan rutin, dan memandu pengguna melalui tugas-tugas swalayan seperti mengatur ulang kata sandi atau memeriksa saldo akun.

Pembelajaran mesin

"Pembelajaran mesin" sering dibicarakan dan ya, ini adalah kata kunci. Namun di balik hype tersebut, ada cara-cara nyata dan nyata yang muncul dalam dukungan pelanggan.

Pada intinya, pembelajaran mesin adalah tentang sistem yang menjadi lebih baik dalam mengenali pola - bukan karena seseorang memprogram setiap aturan, tetapi karena mereka telah melihat cukup banyak contoh untuk mengetahuinya. 

Ini adalah cara filter spam Anda mengetahui apa yang harus ditangkap, atau bagaimana Netflix menebak apa yang akan Anda tonton selanjutnya.

Dalam layanan pelanggan misalnya, model pembelajaran mesin dapat membantu tim layanan pelanggan memprediksi tiket mana yang paling mungkin meningkat atau mengidentifikasi pola keluhan pelanggan sebelum menjadi masalah yang lebih besar.

Untuk memulai, Anda tidak perlu membangun model Anda sendiri; banyak platform seperti Botpress menawarkan perangkat plug-and-play yang dapat disesuaikan dengan data dukungan tim Anda sebelumnya.

Mengotomatiskan dukungan yang kompleks dengan chatbot AI

Membantu pelanggan dengan hipotek atau rencana pensiun tidaklah mudah - keduanya merupakan proses yang sangat diatur dan secara historis manual. Untuk VR Bank, hal ini menghabiskan sumber daya dan bandwidth tim.

VR Bank membangun chatbot AI untuk menangani tugas-tugas ini. Dengan menggabungkan pemahaman bahasa alami dengan desain chatbot, kami membuat chatbot yang memandu pengguna melalui keputusan keuangan yang sensitif dan memasukkan data langsung ke dalam CRM mereka.

Satu chatbot itu saja sekarang telah menghemat lebih dari €530.000 per tahun. 

Dukungan penskalaan dengan agen AI

Ketika Anda mendukung ratusan ribu pengguna, bahkan pertanyaan kecil pun bisa menumpuk dengan cepat. 

Itulah tantangan yang dihadapi Extendly: bagaimana mengimbangi permintaan yang terus meningkat tanpa membuat tim dukungan mereka kelelahan atau mengorbankan waktu respons.

Jadi, kami membantu membangun agen AI yang bekerja seperti perwakilan dukungan virtual: agen ini memahami apa yang ditanyakan pengguna dan bahkan bisa mengambil tindakan seperti membuat tiket atau mengeskalasi masalah dengan sendirinya. 

Agen terhubung ke CRM dan alat bantu internal mereka, dan terus menjadi lebih pintar karena belajar dari percakapan sebelumnya. 

Begitulah cara mereka mampu mendukung 400.000 pengguna tanpa perlu menggandakan tim mereka.

Layanan 24/7

Baik pada jam 3 pagi di hari libur atau saat puncak musim belanja, AI dapat menangani pertanyaan pelanggan secara instan. 

Dukungan yang selalu siap sedia seperti ini membantu bisnis melayani khalayak global dan membuat pelanggan senang sepanjang waktu. Hal ini juga mengurangi tekanan pada karyawan, yang tidak lagi harus bekerja keras untuk memenuhi setiap zona waktu.

Peningkatan kepuasan pelanggan

Gartner memproyeksikan 80% tim layanan pelanggan akan menggunakan AI generatif untuk meningkatkan pengalaman pelanggan. 

Hal ini dikarenakan pelanggan mendapatkan bantuan yang lebih cepat dan akurat tanpa harus menunggu lama atau mengulangi lagi.

Peningkatan produktivitas karyawan

AI meningkatkan efisiensi dengan mengambil alih tugas-tugas yang berulang dan memakan waktu. AI dapat menghasilkan laporan, menjadwalkan pesan, mengelola alur kerja, atau memicu tindak lanjut, semuanya tanpa upaya manual. 

Hasilnya, tim dapat mengalihkan fokus mereka dari tugas-tugas pengelolaan mikro ke strategi penggerak. Tidak mengherankan jika 63% perusahaan yang menggunakan AI melaporkan peningkatan efisiensi di seluruh operasi mereka.

Efisiensi biaya

Perusahaan yang menggunakan AI melaporkan penurunan biaya tenaga kerja sebesar 52%. 

Hal ini karena AI mengotomatiskan tugas-tugas yang memakan waktu seperti entri data dan menangani permintaan pelanggan yang umum. Alih-alih mempekerjakan lebih banyak orang untuk mengelola pekerjaan ini, tim dapat mengandalkan AI untuk melakukannya secara instan, sepanjang waktu, dan tanpa jeda.

Pengalaman pelanggan yang sangat dipersonalisasi

Dengan akses ke riwayat, preferensi, dan perilaku pelanggan, AI dapat menyesuaikan interaksi secara real time. 

Dukungan yang dipersonalisasi seperti ini membangun kepercayaan, dan itulah sebabnya hal ini menjadi pembeda utama bagi tim dukungan modern.

1. Mengotomatiskan dukungan pelanggan secara menyeluruh

Menurut pendapat saya, cara yang paling hemat biaya yang pernah saya lihat untuk meningkatkan layanan pelanggan adalah melalui chatbot yang menangani permintaan umum dari awal hingga akhir.

HostifAI - mitra Botpress yang membangun pelayan Virtual dan Asisten Staf untuk hotel - melakukan hal ini dengan sempurna. 

Para tamu dapat mengirim pesan ke berbagai hotelnya melalui WhatsApp, Messenger, atau Telegram dan langsung terhubung dengan asisten multibahasa 24/7 yang membantu mereka melakukan check-in, memesan makan malam, dan memesan tur lokal, semuanya melalui chatbot. Asisten memandu tamu melalui setiap langkah, mengonfirmasi pemesanan mereka, dan memperbarui sistem internal.

Dan inilah yang menarik: 75% dari percakapan tersebut tidak memerlukan agen manusia.

Itulah yang seharusnya dilakukan oleh chatbot layanan pelanggan yang hebat.

2. Rekomendasi produk yang dipersonalisasi

Salah satu alasan saya sering menggunakan Netflix adalah karena Netflix seperti sudah tahu apa yang ingin saya tonton.

Ternyata, itulah AI, belajar dari apa yang telah saya lakukan sebelumnya untuk membantu saya mendarat pada sesuatu yang benar-benar ingin saya tekan "play".

Pendekatan yang sama juga berlaku dalam layanan pelanggan. AI dapat memandu pengguna ke produk atau layanan yang tepat dengan mempelajari perilaku atau preferensi mereka dalam percakapan. 

Alih-alih memaksa orang untuk menelusuri katalog pilihan yang tak ada habisnya, AI bertindak lebih seperti pemandu yang membantu dengan mengajukan beberapa pertanyaan yang ditargetkan, kemudian merekomendasikan rencana.

3. Analisis sentimen pelanggan

Memahami perasaan pelanggan terhadap suatu merek adalah kunci untuk meningkatkan penjualan dan membangun loyalitas. 

Dan kabar baiknya! Ada banyak alat bantu AI yang menganalisis ulasan pelanggan dan unggahan media sosial untuk menentukan sentimen mereka.

Alat pemrosesan bahasa alami dibuat untuk pekerjaan semacam ini. Alat ini menyaring teks yang tidak terstruktur seperti ulasan pelanggan, transkrip obrolan, dan postingan media sosial untuk mendapatkan wawasan. Pikirkan hal-hal seperti sentimen, keluhan berulang, atau umpan balik produk. 

(Karena jujur saja, tidak ada karyawan yang mau menghabiskan waktu berjam-jam untuk menyisirnya).

Beberapa alat yang saya gunakan termasuk Qualtrics Social Connect, yang menarik percakapan dari saluran seperti Instagram, WhatsApp, dan Facebook ke dalam satu tempat. 

Dan jika Anda siap untuk melangkah lebih dalam, agen AI yang dibangun dengan NLP dapat secara otomatis memproses percakapan dukungan waktu nyata dan mengubahnya menjadi wawasan yang dapat ditindaklanjuti.

4. Analisis prediktif 

Pernahkah Anda melihat sebuah layanan mengingatkan pengguna untuk memperbarui tepat sebelum mereka lupa? Atau sebuah platform menandai aktivitas yang tidak biasa sebelum ada yang melaporkan masalah? Itulah analisis prediktif.

Dengan menganalisis perilaku masa lalu - seperti pola penggunaan dan langkah umum selanjutnya - AI dapat mengantisipasi apa yang mungkin dibutuhkan pengguna dan bertindak bahkan sebelum mereka bertanya. AI dapat memicu aliran dukungan atau secara proaktif menyelesaikan masalah sebelum masalah tersebut meningkat.

Untuk organisasi dengan produk fisik, AI prediktif membantu meramalkan permintaan dan mengurangi momen "kehabisan stok" yang ditakuti. 

Tim dapat membuat perencanaan yang lebih cerdas dengan memperhitungkan penjualan historis, tren musiman, dan variabel eksternal lainnya.

5. Transkripsi dan analisis panggilan

Voice AI membentuk kembali dukungan berbasis telepon dengan mengubah percakapan menjadi data yang dapat digunakan oleh tim. 

Misalnya, seorang pelanggan menelepon untuk memeriksa pembelian baru-baru ini. 

Agen yang didukung AI akan menjawab, mengonfirmasi identitas mereka, membagikan detail pengiriman, dan, jika masalahnya membutuhkan dukungan lebih lanjut, mengarahkan panggilan ke agen langsung dengan ikhtisar singkat tentang apa yang telah didiskusikan.

6. Mengotomatiskan tugas dukungan internal bervolume tinggi

Dihadapkan dengan tantangan untuk mendukung jutaan pengguna, Ruby Labs membangun agen AI untuk mengotomatiskan alur kerja layanan pelanggan internal mereka. 

Agen-agen ini secara mandiri mengelola pembatalan langganan, memproses pengembalian dana, mengatasi masalah teknis, dan bahkan menilai riwayat pembayaran untuk menandai potensi penipuan. 

Dengan mengintegrasikan dengan alat eksternal seperti Stripe dan menawarkan alur yang dipersonalisasi berdasarkan perilaku pengguna, agen bertindak sebagai karyawan digital yang cerdas.

Pada akhirnya, Ruby Labs telah mengotomatiskan lebih dari 4 juta sesi dukungan setiap bulannya dengan tingkat resolusi 98%. 

1. Tetapkan Tujuan yang Jelas

Sebelum memilih teknologi apa pun, pahami dengan jelas apa yang ingin Anda perbaiki. Tanyakan:

• Tugas apa yang menghabiskan waktu tim?
• Hasil apa yang perlu ditingkatkan? 
• Di manakah gesekan dalam proses saat ini?

Lewati asumsi. Bicaralah dengan tim dukungan, pimpinan operasional, dan analis. Gali log obrolan, tag tiket, dan umpan balik pengguna untuk menentukan titik masalah yang sebenarnya.

Dari sana, cocokkan masalahnya dengan solusi AI yang tepat.

Tanpa tujuan yang jelas, Anda berisiko membangun alat yang mahal namun tidak menyelesaikan apa pun. Mulailah dengan titik masalah dan biarkan hal tersebut memandu implementasi AI Anda.

2. Pilih Platform

Dengan adanya tujuan Anda, temukan alat yang mendukungnya. 

Mulailah dengan apa yang sudah Anda gunakan. Banyak CRM, meja bantuan, dan platform dukungan yang sudah menyertakan fitur-fitur AI seperti penandaan otomatis, perutean tiket, atau analisis sentimen. 

Jika hal tersebut tidak memenuhi kebutuhan Anda, pertimbangkan alat bantu AI khusus, namun pastikan alat bantu tersebut mudah diintegrasikan dengan apa yang sudah digunakan oleh tim Anda.

Platform yang tepat harus menyatu dengan alur kerja Anda, bukan menciptakan alur kerja baru. 

Prioritaskan alat yang mudah dipelihara dan dibuat untuk menangani jenis percakapan yang dilakukan pengguna Anda.

Platform AI terbaik adalah platform yang bekerja dengan sistem yang Anda miliki dan berkembang seiring pertumbuhan Anda.

3. Siapkan Data Anda

AI hanya sepintar data yang Anda berikan kepadanya.

Sebelum Anda menyelam, perhatikan apa yang Anda miliki: transkrip obrolan, catatan tiket, konten basis pengetahuan, catatan CRM. 

Bersihkan duplikasi, perbaiki inkonsistensi, dan pastikan semuanya diberi label dengan cara yang dapat dimengerti oleh AI.

Inilah yang membuat AI Anda benar-benar belajar dan berkembang dari waktu ke waktu.

4. Membangun Solusi

Dengan tujuan Anda yang sudah ditentukan dan data yang sudah siap, langkah selanjutnya adalah eksekusi. 

Dalam kebanyakan kasus, perusahaan a) bermitra dengan vendor, b) bekerja dengan pengembang internal, atau c) menggunakan platform kode rendah untuk menerapkan AI tanpa pekerjaan pengembang yang berat. 

Baik Anda meluncurkan chatbot AI, agen AI, atau model prediktif, penyiapannya harus mencerminkan kompleksitas kasus penggunaan dan tingkat kenyamanan teknis tim Anda.

Untuk chatbot dan agen virtual, fase ini meliputi:

• Mendefinisikan alur sambutan dan maksud utama (status pesanan, pengembalian, pembatalan, FAQ)
• Menyiapkan aturan handoff untuk mendukung agen
• Menangani percobaan ulang dan fallback untuk kasus tepi
• Menghubungkan ke API untuk data langsung (misalnya, pembaruan pengiriman, pencarian CRM, ketersediaan kalender)
• Menyimpan konteks seperti nomor pesanan, preferensi, atau riwayat percakapan

Dan jangan lupa integrasi. 

AI dalam layanan pelanggan bekerja paling baik ketika ia berbicara dengan bagian lain dari stack Anda: Zendesk untuk dukungan, Stripe untuk pembayaran, Shopify untuk pesanan, atau sistem internal Anda melalui API khusus.

Rekan-rekan saya yang berbakat membuat tutorial gratis tentang cara menghubungkan chatbot ke Zendesk:

5. Menguji dan Mengulangi

Sebelum ditayangkan, lakukan pengujian terkontrol terhadap AI Anda. 

Jalankan simulasi menggunakan skenario dunia nyata dan uji kasus tepi untuk melihat kinerjanya. 

Carilah titik-titik gesekan seperti maksud yang disalahpahami dan alur yang buntu. Lakukan penyesuaian sebelum peluncuran. 

Gunakan fase ini untuk mengumpulkan umpan balik cepat dan menyempurnakan logika. Hanya setelah aplikasi ini secara konsisten bekerja di lingkungan pengujian, Anda dapat beralih ke penerapan penuh.

6. Terapkan dan Pantau

Setelah solusi Anda ditayangkan, Anda akan belajar dengan cepat apa yang berhasil dan apa yang tidak. 

Data penggunaan adalah umpan balik yang paling berharga bagi Anda. Anda akan mulai melihat bagaimana sistem menangani variasi dunia nyata, di mana sistem berhasil, dan di mana sistem perlu disempurnakan.

Beberapa metrik untuk memantau pasca-peluncuran meliputi:

• Tindakan atau niat yang paling banyak dipicu
• Titik kegagalan (misalnya, logika mundur, prediksi dengan tingkat kepercayaan rendah)
• Waktu penyelesaian atau penyelesaian tugas
• Akurasi vs. tolok ukur manusia
• Tingkat eskalasi atau handoff

Jika Anda menggunakan chatbot, ada baiknya Anda menggali analisis chatbot Anda. Mereka akan memberi tahu Anda banyak hal tentang apa yang berhasil dan di mana hal-hal yang keluar jalur.

Kiat Pro: Buatlah AI Improvement Log, sebuah dokumen sederhana yang berjalan di mana Anda melacak masalah dan pembelajaran yang terkait dengan sistem AI Anda. Tinjau secara teratur (saya sarankan setiap dua minggu) untuk melacak perubahan dan mencatat pola-pola baru. 

Dan terakhir, baik Anda berfokus pada peningkatan CX dengan AI atau mengotomatiskan tugas internal seperti tiket AI, penting untuk melacak dampak bisnis. 

Mulailah dengan menghitung ROI. Berikut cara mengukur ROI untuk chatbot layanan pelanggan.

Tujuannya di sini adalah untuk tetap proaktif: AI tidak dapat memperbaiki dirinya sendiri tanpa umpan balik yang konstan.

Berapa lama waktu yang dibutuhkan untuk menerapkan solusi layanan pelanggan AI dari awal hingga akhir?

Diperlukan waktu beberapa minggu hingga beberapa bulan untuk menerapkan solusi layanan pelanggan AI, tergantung pada kerumitannya. Chatbot FAQ dasar dapat ditayangkan dalam satu hari, sedangkan agen AI yang terintegrasi penuh dapat memakan waktu 2-3 bulan. Penerapan perusahaan besar dengan sistem khusus dan persyaratan kepatuhan dapat memakan waktu 6 bulan untuk diterapkan.

Apakah alat bantu layanan pelanggan AI bekerja sama baiknya di berbagai bahasa dan budaya?

Alat bantu layanan pelanggan AI berubah keampuhannya di berbagai bahasa karena LLMs dilatih secara ekstensif dalam bahasa seperti bahasa Inggris, sehingga kurang akurat dalam bahasa yang memiliki lebih sedikit data pelatihan. Nuansa budaya dan bahasa gaul juga dapat menyebabkan kesalahpahaman, sehingga bisnis yang mendukung pasar yang beragam biasanya perlu berinvestasi dalam pelatihan dan pengujian multibahasa di setiap wilayah bahasa untuk memastikan kualitas.

Dapatkah AI menangani interaksi pelanggan yang sangat emosional atau sensitif secara efektif?

AI dapat menangani banyak interaksi yang bersifat emosional atau sensitif berkat analisis sentimen, yang membantu mendeteksi kesusahan atau emosi negatif. Secara umum, AI efektif untuk masalah seperti kegagalan layanan, di mana logika eskalasi menjaga respons tetap profesional. Namun, AI masih kesulitan dengan percakapan yang sangat pribadi yang melibatkan emosi yang intens karena tidak memiliki empati yang benar. Dalam kasus seperti ini, agen manusia tetap penting.

Bagaimana cara melatih AI untuk merefleksikan suara dan nada spesifik merek saya dalam percakapan pelanggan?

Untuk menyelaraskan AI dengan suara dan nada merek Anda, Anda harus melatihnya dengan data spesifik merek. Perusahaan sering kali menyediakan panduan gaya atau transkrip percakapan yang ada sehingga AI dapat mempelajari cara berkomunikasi dengan gaya merek. Banyak platform AI yang mendukung pengaturan nada yang dapat dikonfigurasi untuk menyesuaikan cara AI merespons. Tinjauan yang sedang berlangsung terhadap interaksi nyata juga membantu menyempurnakan sistem, memastikan sistem tetap konsisten dengan kepribadian merek Anda dari waktu ke waktu.

Jenis pemeliharaan seperti apa yang dibutuhkan oleh sistem layanan pelanggan AI setelah diluncurkan?

Sistem layanan pelanggan AI memerlukan pemeliharaan berkelanjutan setelah peluncuran, termasuk memperbarui data pelatihan untuk mencerminkan produk atau kebijakan baru, memantau log percakapan untuk mengetahui adanya kesalahan atau kesenjangan, dan melatih ulang model jika akurasi menurun. Bisnis juga perlu melacak metrik kinerja seperti tingkat penyelesaian dan kepuasan pelanggan serta terus menyempurnakan alur percakapan untuk beradaptasi dengan perubahan ekspektasi pelanggan.