Generative AI dalam Layanan Pelanggan: Empat Kasus Penggunaan dan Pengaman untuk Penerapan yang Aman

Apa yang terjadi ketika pelanggan mengajukan pertanyaan kepada chatbot Anda yang belum pernah dilihat sebelumnya?

Dengan sistem berbasis aturan, jawabannya biasanya tidak berguna — sistem ini gagal tepat pada momen yang paling penting: permintaan majemuk, niat yang ambigu, atau pelanggan yang beralih bahasa di tengah percakapan. Bot tersebut menolak, berputar dalam loop, atau meneruskan ke agen manusia yang kemudian harus memulai dari awal.

Generative AI mengubah dinamika tersebut. Alih-alih mencocokkan kata kunci dengan skrip yang sudah ditulis sebelumnya, sistem ini menghasilkan respons kontekstual yang diambil dari basis pengetahuan, dokumentasi produk, dan riwayat percakapan Anda.

Perusahaan di berbagai industri telah membawa generative AI untuk layanan pelanggan keluar dari fase percontohan dan ke dalam percakapan nyata — menangani interaksi aktual, memangkas biaya, dan meningkatkan skor kepuasan pelanggan.

Empat kasus penggunaan menyumbang sebagian besar hasil yang terukur: resolusi tiket otomatis, bantuan agen secara real-time, personalisasi lintas saluran, dan penerapan berbasis manajemen risiko. Berikut gambaran praktisnya.

Apa Itu Generative AI untuk Layanan Pelanggan?

Generative AI mengacu pada model yang menciptakan konten baru — baik teks, ringkasan, maupun rekomendasi — berdasarkan pola yang dipelajari dari kumpulan data besar.

Dalam layanan pelanggan, ini berarti sistem AI yang dapat menyusun balasan, merangkum tiket, menganalisis sentimen, dan menyarankan tindakan selanjutnya secara real time.

Dampaknya sudah terlihat, dengan71% konsumen mengharapkan interaksi yang dipersonalisasi, dan 76% merasa frustrasi ketika perusahaan gagal memenuhinya.

Kesenjangan ekspektasi ini semakin melebar. Pelanggan yang pernah merasakan dukungan AI yang diterapkan dengan baik akan mengharapkannya di mana pun.

Di sisi bisnis, adopsi terus dipercepat. Penggunaan aktif generative AI di sektor layanan keuangan meningkat dari 40% menjadi 52% pada tahun 2024, dengan chatbot dan dukungan pelanggan menjadi kategori penerapan utama.

Di Indonesia, tren ini bahkan lebih menonjol. Perilaku konsumen yang berbasis pesan — dengan WhatsApp sebagai platform dominan, Instagram DM yang terus bertumbuh, dan ekosistem super-app Gojek — menjadikan percakapan berbasis AI pilihan yang sangat relevan. Di sektor keuangan yang diawasi OJK, serta di tengah implementasi UU PDP dan pengawasan Komdigi, bisnis membutuhkan solusi AI yang tidak hanya efisien tetapi juga patuh regulasi.

Resolusi Tiket Otomatis dalam Skala Besar

Kasus penggunaan yang paling umum adalah menyelesaikan tiket rutin tanpa keterlibatan manusia.

Generative AI membaca pesan masuk, mengidentifikasi niat, mengambil informasi relevan dari basis pengetahuan Anda, dan mengirimkan respons yang kontekstual.

Reset kata sandi, pelacakan pesanan, pembaruan akun, dan pertanyaan tagihan adalah contoh tipikal yang dapat ditangani.

McKinsey melaporkan bahwa 71% organisasi secara rutin menggunakan generative AI dalam setidaknya satu fungsi bisnis, meningkat dari 65% setahun sebelumnya, dalam survei Maret 2025.

Tidak seperti bot berbasis aturan, generative AI menangani variasi phrasing tanpa pelatihan tambahan. Pelanggan yang mengetik “di mana paketku” dan pelanggan lain yang menulis “pesanan saya belum diterima” mendapatkan jawaban akurat yang sama.

Namun variasi phrasing hanyalah bagian yang mudah. Ujian sesungguhnya ada pada kasus tepi: pesan yang membawa dua masalah sekaligus, niat yang bisa ditafsirkan dua arah, atau pelanggan yang memulai percakapan dalam Bahasa Indonesia dan beralih ke bahasa Inggris di tengah pesan — sesuatu yang sangat umum di Indonesia.

Di situlah pohon keputusan gagal sepenuhnya, menyerahkan pelanggan kepada agen tanpa informasi apa pun, dan di situlah generative AI membuktikan nilainya.

Fleksibilitas ini juga mengurangi beban pemeliharaan pada tim produk dan teknik.

Petakan lima jenis tiket bervolume tertinggi Anda. Tiket yang mengikuti pola konsisten adalah kandidat untuk penerapan generative AI.

Bantuan Agen Secara Real-Time

Tidak setiap interaksi harus sepenuhnya diotomatisasi. Untuk kasus yang kompleks, generative AI bekerja berdampingan dengan agen manusia, bukan menggantikan mereka.

Alat bantu agen memantau percakapan langsung dan menyarankan respons, menampilkan artikel basis pengetahuan yang relevan, dan menyusun pesan tindak lanjut yang dapat diedit agen sebelum dikirimkan.

Hal ini mempersingkat rata-rata waktu penanganan tanpa mengorbankan kualitas. Agen tetap memegang kendali sementara AI menangani penelitian dan penyusunan respons.

Di industri yang diatur ketat seperti perbankan dan asuransi — yang diawasi OJK — bantuan agen sangat bernilai. AI menyarankan bahasa yang patuh regulasi sementara manusia memastikan konteks dan pertimbangan diterapkan dengan benar.

Agen baru mendapatkan manfaat terbesar. Alih-alih menghabiskan berminggu-minggu untuk menghafal detail produk dan dokumen kebijakan, mereka mendapatkan saran real-time yang mempersingkat waktu produktivitas dari hitungan minggu menjadi hari — sementara agen berpengalaman merasakan peningkatan serupa dalam rata-rata waktu penanganan.

Ukur kesenjangan waktu penanganan antara agen termuda dan agen paling berpengalaman Anda. Kesenjangan itulah yang pertama kali ditutup oleh bantuan agen.

Personalisasi di Setiap Saluran

Respons generik adalah cara cepat untuk kehilangan pelanggan. Generative AI membuat personalisasi menjadi praktis dalam skala besar.

Dengan menganalisis riwayat percakapan, perilaku pembelian, dan preferensi saluran, sistem menyesuaikan setiap interaksi.

Pelanggan yang kembali melalui WhatsApp mendapatkan nada dan tingkat detail yang berbeda dibandingkan pengunjung pertama kali melalui web chat.

Adopsi dalam layanan pelanggan terus mengejar:Gartner menemukan bahwa 85% pemimpin layanan pelanggan akan menjajaki atau menguji coba generative AI percakapan yang berhadapan langsung dengan pelanggan — sebuah skala minat yang tidak pernah bisa ditandingi oleh proses manual.

Mekanismelah yang lebih penting daripada janji. Model membutuhkan tiga hal pada saat memberikan balasan: siapa pelanggannya, apa yang telah mereka beli atau laporkan sebelumnya, dan apa yang terjadi dalam percakapan terakhir.

Hal itu berasal dari CRM dan sistem tiket Anda melalui panggilan API yang dilakukan saat pesan sedang dijawab, bukan dari ekspor malam hari. Dalam praktiknya, ini berarti menyelesaikan identitas lintas saluran — nomor WhatsApp, sesi web, catatan CRM — kembali ke pelanggan yang sama, bukan sekadar menarik dari sistem mana pun yang kebetulan merespons lebih dulu.

Dari ujung ke ujung, tampilannya seperti ini: Seorang pelanggan mengirim pesan melalui WhatsApp tentang pesanan Shopee yang tertunda. Sistem mengambil data pesanan, melihat pengecualian pengiriman, dan menjawab dengan tanggal baru serta kredit yang sudah diterapkan.

Generative AI untuk layanan pelanggan yang menyelesaikan pertanyaan pelacakan pesanan melalui WhatsApp chat — Pertanyaan pengiriman pelanggan mendapatkan jawaban instan dan akurat langsung di dalam WhatsApp.

Ketika data tersebut sudah kedaluwarsa atau tidak lengkap, kegagalannya lebih buruk daripada tidak ada personalisasi sama sekali. Model menjawab dengan percaya diri tentang pesanan yang sudah dikirim, dan pelanggan menjadi kurang mempercayainya dibandingkan formulir kosong.

Pilih satu perjalanan pelanggan dan periksa apakah jalur balasan benar-benar dapat membaca CRM Anda secara real time. Jika tidak bisa, personalisasi bukan hal berikutnya yang perlu dibeli.

Pengaman dan Risiko yang Perlu Dikelola

Mendapatkan nilai dari generative AI dan menerapkannya secara bertanggung jawab bukanlah hal yang bertentangan, tetapi keduanya memerlukan desain yang disengaja.

Halusinasi, di mana model menghasilkan informasi yang terdengar masuk akal tetapi tidak benar, adalah yang paling banyak dibahas.

Dalam layanan pelanggan, jawaban yang salah tentang tagihan, kebijakan pengembalian dana, atau status akun dapat merusak kepercayaan dan menciptakan risiko kepatuhan. Di Indonesia, bisnis yang beroperasi di bawah pengawasan OJK dan kewajiban UU PDP wajib memperhatikan bagaimana AI mengolah dan menyimpan data pelanggan — serta memastikan kepatuhan terhadap panduan Komdigi yang terus berkembang.

Retrieval-augmented generation (RAG) mengurangi risiko ini dengan mendasarkan respons pada basis pengetahuan terverifikasi Anda, bukan mengandalkan data pelatihan umum model.

Alur kerja human-in-the-loop menambahkan lapisan keamanan lain. Untuk topik sensitif seperti perubahan akun atau sengketa pembayaran GoPay, OVO, maupun DANA, AI menyusun respons dan manusia menyetujuinya sebelum dikirimkan.

Dukungan implementasi sangat penting di sini. IDC dan Microsoft mengukur rata-rata imbal hasil 3,7x untuk setiap dolar yang diinvestasikan dalam generative AI — namun hanya minoritas organisasi yang melaporkan benar-benar merealisasikan ROI yang diharapkan tersebut, yang menggarisbawahi kesenjangan antara menerapkan AI dan menerapkannya dengan baik.

Audit bias, rekayasa prompt, dan evaluasi model secara berkala adalah persyaratan yang berkelanjutan, bukan tugas pengaturan satu kali.

Bagaimana 8×8 Converse Menghadirkan Generative AI untuk Tim Layanan

Generative AI untuk layanan pelanggan menggunakan profil pelanggan dan catatan dalam percakapan 8x8 Converse — Riwayat, tag, dan catatan pelanggan mengikuti percakapan sehingga setiap balasan mencerminkan akun yang sebenarnya.

8×8 Converse menggabungkan percakapan berbasis AI denganomnichannel messaging sehingga tim layanan dapat menerapkan generative AI di WhatsApp, SMS, suara, dan web chat dari satu platform.

Dipetakan ke empat kasus penggunaan di atas, hasilnya adalah sebagai berikut.

Tiket rutin diselesaikan di saluran mana pun yang dibuka pelanggan, tanpa agen yang menanganinya.

Ketika sebuah kasus memang membutuhkan manusia, agen tersebut mewarisi seluruh thread lintas saluran alih-alih memulai dari nol.

Personalisasi berjalan berdasarkan profil pelanggan yang mengikuti percakapan, sehingga balasan mencerminkan akun yang sebenarnya.

8×8 Converse terhubung langsung ke sistem yang sudah ada melalui API, sehingga data pelanggan mengalir ke setiap percakapan. Hasilnya adalah respons yang terasa personal karena didasarkan pada data akun nyata, bukan template generik.

Terapkan Generative AI untuk Pelanggan Anda

Generative AI dalam layanan pelanggan tidak lagi bersifat eksperimental. Kasus penggunaannya telah terbukti, ekonominya jelas, dan teknologinya sudah cukup matang untuk lingkungan produksi.

Perbedaan antara pemimpin dan yang tertinggal adalah eksekusi: memilih kasus penggunaan yang tepat, menetapkan pengaman yang memadai, dan menghubungkan AI ke data pelanggan Anda.

Mulailah dengan jenis tiket atau saluran di mana tim Anda merasakan tekanan terbesar — volume tiket tinggi, waktu penanganan yang tidak konsisten, atau personalisasi yang tidak dapat mengimbangi permintaan.Hubungi 8×8 untuk memetakan kasus penggunaan tersebut ke 8×8 Converse dan lihat seperti apa penerapan yang berfungsi untuk tim Anda.

FAQ – Generative AI in Customer Service

Apa itu generative AI dalam layanan pelanggan? Ini mengacu pada sistem AI yang membuat respons kontekstual, ringkasan, dan rekomendasi secara real time selama interaksi pelanggan, bukan mencocokkan kata kunci dengan skrip yang sudah ditulis sebelumnya.
Bagaimana generative AI berbeda dari chatbot tradisional? Chatbot tradisional mengikuti pohon keputusan dan mencocokkan kata kunci. Generative AI memahami niat, menangani variasi phrasing, dan menghasilkan respons orisinal yang didasarkan pada basis pengetahuan Anda.
Apakah generative AI aman untuk industri yang diregulasi? Ya, dengan pengaman yang tepat. Retrieval-augmented generation, persetujuan human-in-the-loop, dan audit bias mengurangi risiko halusinasi dan kepatuhan di sektor seperti perbankan dan layanan kesehatan.
Tugas layanan pelanggan apa yang dapat diotomatisasi oleh generative AI? Kasus penggunaan umum mencakup resolusi tiket, bantuan agen, penyusunan respons, analisis sentimen, pembaruan basis pengetahuan, dan pesan yang dipersonalisasi di berbagai saluran.
Seberapa cepat bisnis dapat menerapkan generative AI untuk layanan pelanggan? Solusi berbasis platform biasanya mencapai produksi dalam 4–8 minggu. Pembuatan kustom membutuhkan waktu yang jauh lebih lama, tergantung pada kompleksitas integrasi dan kesiapan data.