Laporan Lapangan · 2026
Laporan lapangan tentang AI enterprise dalam pengalaman pelanggan (CX). Apa yang berhasil tahun ini, apa yang tidak, dan apa yang perlu segera ditindaklanjuti para pemimpin CX.
Ringkasan Eksekutif
01 · Ringkasan Eksekutif
Pasar AI untuk pengalaman pelanggan sangat besar dan tumbuh pesat, diperkirakan naik hampir 4 kali lipat pada 2030. Namun di balik pertumbuhan itu, hasilnya tidak merata. Sekelompok kecil organisasi menjalankan agen AI yang menyelesaikan sebagian besar kontak pelanggan mereka, dengan keterlibatan manusia untuk titik kontak yang berprioritas tinggi dan strategis. Kelompok yang jauh lebih besar menjalankan pilot yang hanya mengalihkan beberapa pertanyaan lalu mandek sebelum sempat masuk tahap produksi.
Laporan ini menguraikan 4 pola yang membedakan kedua kelompok tersebut, berdasarkan riset pihak ketiga dan hasil yang diamati di lebih dari 90 implementasi enterprise Maven AGI.
Sebagian besar tim masih mengukur deflection (apakah kontak tidak sampai ke agen manusia), bukan resolusi (apakah masalahnya benar-benar selesai). Angka yang lebih mudah dicapai ini menyembunyikan tiket yang dibuka kembali dan diam-diam menggerus kepuasan pelanggan.
Rollout yang paling lama dan paling cermat direncanakan justru cenderung memberikan hasil terlemah, sementara pilot dengan cakupan yang ketat bisa masuk produksi dalam hitungan minggu. Kecepatan dengan cakupan yang sempit adalah pola yang terbukti berhasil.
Tinjauan tata kelola kini sama seringnya, bahkan lebih sering, menghambat kesepakatan enterprise dibandingkan kecocokan teknis, tetapi sebagian besar tim masih memperlakukannya sebagai langkah pengadaan di tahap akhir. 78% eksekutif mengaku tidak akan lolos audit tata kelola AI independen saat ini (Grant Thornton, 2026).
Sebagian besar perusahaan telah mengotomatiskan chat dan email tetapi membiarkan kanal telepon, padahal suara biasanya merupakan kanal dengan volume dan biaya tertinggi. Hambatan teknisnya sebagian besar sudah teratasi, dan para pelopor kini meraih keunggulan biaya yang terus berlipat.
Laporan ini ditutup dengan 5 perilaku yang dimiliki organisasi dengan hasil terbaik. Tidak satu pun bergantung pada besarnya anggaran atau tingkat kematangan AI di awal. Semuanya adalah pilihan operasional, dan tim mana pun dapat menerapkannya.
Belanja AI untuk layanan pelanggan meningkat pesat, dan hampir setiap contact center kini menggunakan AI dalam bentuk tertentu. Jika hanya melihat angka adopsi, ceritanya tampak sudah selesai. Namun angka produksi menunjukkan gambaran yang berbeda. Sebagian besar aktivitas tersebut belum menghasilkan interaksi pelanggan yang terselesaikan dalam skala besar.
Jarak antara aktivitas dan hasil adalah cerita sebenarnya di 2026. Wujudnya berupa pilot yang tak pernah naik tingkat, dashboard yang mengukur hal yang salah, kesepakatan yang mandek di tinjauan keamanan, dan saluran telepon yang belum disentuh siapa pun. Semuanya bisa diperbaiki, tetapi tidak ada yang selesai hanya dengan menambah implementasi.
Laporan ini membagi kesenjangan tersebut menjadi 4 pola: kesenjangan resolusi, paradoks implementasi, titik buta kepatuhan, dan peluang kanal suara. Setiap pola memperparah pola lainnya. Tim yang mengukur metrik yang salah akan memperbesar perilaku yang salah. Tim yang memperlakukan kepatuhan sebagai langkah akhir akan menghambat rollout yang telah direncanakan dengan cermat. Pola-pola ini saling terkait, begitu pula solusinya. Laporan ini ditutup dengan apa yang sebenarnya dilakukan organisasi yang berada di sisi unggul kesenjangan tersebut.
"Integrasi parsial adalah kondisi dominan di pasar. Inilah yang terjadi ketika AI ditambahkan ke proses yang tidak pernah dirancang ulang.
02 · Kondisi Pasar
Posisi AI enterprise dalam pengalaman pelanggan (CX) yang sebenarnya pada 2026.
Pasar AI untuk pengalaman pelanggan lebih besar, tumbuh lebih cepat, dan lebih terpecah daripada yang digambarkan berita utama. Angka adopsi secara agregat menunjukkan penerapan yang merata. Data di baliknya bercerita lain: sekelompok kecil organisasi menikmati hasil yang terus berlipat, sementara kelompok yang jauh lebih besar menjalankan pilot mahal yang tidak pernah mencapai produksi. Berikut 5 perkembangan utama di pasar 2026.
Pasar AI untuk layanan pelanggan bernilai sekitar $15 miliar pada 2026 dan diproyeksikan mencapai $48 miliar pada 2030, dengan tingkat pertumbuhan tahunan majemuk 26% (MarketsandMarkets). Investasi meningkat tajam, dan proyeksi penghematannya bahkan lebih besar: Gartner memperkirakan conversational AI akan memangkas biaya tenaga kerja contact center sekitar $80 miliar hanya pada 2026. Namun, deployment berskala produksi belum mampu mengimbangi belanja tersebut.
Menurut sebuah estimasi MIT tahun 2025 yang banyak dikutip, sekitar 95% pilot generative AI di enterprise gagal menghasilkan dampak bisnis yang terukur dalam skala besar. Angka pastinya masih diperdebatkan; arahnya tidak. Titik kegagalannya jarang ada pada model. Masalahnya terletak pada akses data, desain eskalasi, dan kepemilikan yang tidak jelas di dalam organisasi pembeli.
Sekitar 88% contact center kini menggunakan AI dalam bentuk tertentu, tetapi hanya sekitar seperempat yang telah mengintegrasikannya sepenuhnya ke dalam operasional sehari-hari (data industri, 2026). Integrasi parsial berarti deflection berjalan di jalur yang sempit, sementara resolusi tidak terjadi dalam skala besar.
Pada April 2026, Grant Thornton melaporkan bahwa 78% eksekutif saat ini tidak akan lolos audit tata kelola AI independen. Kepatuhan telah bergeser dari sekadar syarat pengadaan menjadi gerbang deployment, tema yang dibahas kembali di Bagian 5.
Di seluruh deployment yang menjadi dasar laporan ini, 10% pemain teratas mencapai resolusi otonom 80% atau lebih, sementara median berada jauh di bawahnya. Kesenjangan ini terus melebar, tanda paling jelas bahwa hasil ditentukan oleh cara AI dijalankan, bukan sekadar apakah AI diadopsi. Gartner memproyeksikan bahwa pada 2029, agentic AI akan menyelesaikan 80% masalah layanan pelanggan umum secara otonom. Para pemain terbaik saat ini hanya lebih dulu berada di kurva yang akan dilalui seluruh kategori.
Jika hanya melihat angka adopsi, ceritanya tampak sudah selesai. Lihat angka produksi, dan gambaran yang berbeda pun muncul.
Pola ini sudah tidak asing. Seorang pemimpin CX di sebuah enterprise menerapkan tool AI pada awal 2025, melihatnya menangani sekelompok kecil pertanyaan sederhana, lalu melaporkan angka deflection yang tinggi kepada tim eksekutif. Dalam 4 bulan, tingkat deflection stagnan, kontak berulang meningkat, dan kepuasan pelanggan turun justru pada interaksi yang seharusnya ditangani tool tersebut. Menjelang akhir 2025, tim membangun ulang programnya dengan fokus pada resolusi, bukan deflection, dan angka-angka yang penting mulai bergerak. Pola ini cukup umum di berbagai deployment sehingga layak dianggap sebagai jalur bawaan, bukan pengecualian.
Organisasi yang terhindar dari jalan memutar ini memiliki satu kesamaan sejak awal: mereka membangun dashboard berbasis resolusi sebelum agen go-live, bukan setelah angkanya mengecewakan. Dalam kasus terkuat di data Maven, seorang pelanggan mencapai 93% resolusi otonom dalam 6 minggu dengan berpegang pada satu pertanyaan itu sejak awal.
Lalu, mengapa metrik terpenting dalam layanan pelanggan berbasis AI justru yang tidak dilaporkan sebagian besar vendor?
03 · Kesenjangan Resolusi
Mengapa metrik terpenting dalam layanan pelanggan berbasis AI justru yang tidak dilaporkan sebagian besar vendor.
Dari 2 angka tersebut, industri memilih mengoptimalkan yang lebih mudah. Deflection mudah dihitung dan enak dilaporkan, sehingga menjadi standar. Masalahnya, deflection dan resolusi bisa bergerak berlawanan arah: sebuah tiket bisa ditutup, tetapi masalah pelanggan tetap belum terselesaikan. Di kesenjangan inilah AI membuktikan nilainya atau diam-diam menggerus kepuasan pelanggan. Para analis independen mulai menarik garis yang sama, memperlakukan deflection, containment, resolusi, dan first-contact resolution sebagai 4 ukuran yang berbeda justru karena dalam praktiknya keempatnya tidak sejalan.
Deflection
Mudah dihitung dan diwarisi dari era bot berbasis aturan. Sebuah kontak entah ditangani manusia atau tidak, tetapi metrik ini menyembunyikan tingkat pembukaan ulang. Kontak yang di-deflect lalu kembali dalam 48 jam dihitung sekali sebagai deflection dan nol kali sebagai resolusi.
Resolusi
Lebih sulit dilaporkan karena jujur soal pembukaan ulang dan kepuasan, bukan sekadar routing. Metrik ini menuntut definisi jelas tentang arti "terselesaikan", dan tim mana pun yang serius menanganinya pasti bisa menyebutkan angkanya.
Deployment terbaik Maven mencapai resolusi 80% hingga 93% pada bulan ke-6. Program-program ini menghubungkan agen AI ke system of record sejak hari pertama dan mengukur resolusi berdasarkan formula di atas, bukan deflection. Dalam sebuah deployment fintech, agen mencapai 90% resolusi otonom dalam 3 minggu. Sebuah perusahaan teknologi hukum yang mengevaluasi 32 vendor dan menguji ketat lebih dari 10 di antaranya mencatat 60% lebih banyak tiket terselesaikan setelah beralih dari sistem berbasis aturan ke resolusi otonom.
Tanyakan tingkat resolusi, bukan tingkat deflection. Resolusi lebih sulit dilaporkan daripada deflection karena jujur soal pembukaan ulang dan kepuasan, bukan sekadar routing. Tim mana pun yang serius menanganinya pasti bisa menyebutkan angkanya. Jika angka itu tidak bisa Anda peroleh, anggaplah hal itu sebagai informasi tersendiri.
Deflection mengukur apakah tiket keluar dari antrean. Resolusi mengukur apakah pelanggan pergi dengan puas.
04 · Paradoks Deployment
Mengapa perusahaan yang bergerak cepat mengungguli perusahaan yang merencanakan dengan hati-hati, dan mengapa bergerak cepat tanpa cakupan yang ketat adalah kesalahan paling mahal.
Deployment yang paling lama cenderung menghasilkan hasil terburuk. Organisasi yang menghabiskan 12 hingga 18 bulan untuk pemilihan vendor, pengadaan, dan perencanaan biasanya meluncur dengan tingkat resolusi lebih rendah dibandingkan perusahaan yang menjalankan pilot dengan cakupan ketat dalam 90 hari. Namun, kecepatan bukanlah taktik. Kecepatan dengan cakupan yang sempit adalah strategi. Kewaspadaan tetap diperlukan: kecepatan yang diterapkan pada proses yang tidak pernah dirancang ulang untuk AI akan memunculkan jenis kegagalan baru dalam skala besar, karena itulah cakupan sama pentingnya dengan kecepatan.
Timeline 12 hingga 18 bulan adalah produk sampingan proses pengadaan, bukan kebutuhan produk. Timeline ini muncul karena RFP, tinjauan keamanan, dan perencanaan integrasi dijalankan satu per satu, padahal bisa berjalan paralel. Data kegagalan yang lebih luas menunjukkan arah yang sama: McKinsey menemukan bahwa meski hampir setiap perusahaan kini menggunakan AI dalam bentuk tertentu, hanya sekitar 1% yang menyebut deployment mereka sudah matang, dan RAND memperkirakan tingkat kegagalan proyek AI mendekati 80%, jauh di atas proyek TI lainnya. Kendalanya ada pada kesiapan organisasi, bukan model.
3 keputusan menjadi penyebab sebagian besar keterlambatan deployment: akses data, persetujuan kepatuhan, dan desain eskalasi. Menjalankan ketiganya secara paralel, bukan berurutan, adalah faktor terbesar yang menentukan lamanya deployment. Untuk deployment Maven, inilah yang biasanya membedakan antara satu kuartal dan satu tahun.
05 · Titik Buta Kepatuhan
Mengapa persyaratan keamanan dan kepatuhan lebih sering menghambat deployment dibanding teknologinya.
Diskusi tentang AI dalam layanan pelanggan didominasi pertanyaan soal kapabilitas. Bisakah agen menangani pertanyaan yang kompleks? Bisakah agen memahami konteks? Pertanyaan yang kerap terlupakan adalah apakah platform tersebut dapat lolos tinjauan keamanan dan kepatuhan tanpa memaksa Anda merombak rencana deployment. Di tahun 2026, pertanyaan inilah yang menentukan linimasa.
Kepatuhan kini menjadi hambatan utama dalam pengadaan AI di level enterprise. Berdasarkan pengalaman kami, dan sejalan dengan temuan para peneliti tata kelola, tinjauan keamanan kini menghambat kesepakatan enterprise setidaknya sesering kecocokan teknis, dan biasanya terjadi setelah evaluasi teknis berjalan lancar. Hambatan ini dirasakan secara luas: BCG melaporkan bahwa 74% enterprise kesulitan menyeimbangkan inovasi dengan keamanan saat menerapkan AI generatif. Pembeli yang tidak mempersiapkan pembahasan kepatuhan sejak awal biasanya kehilangan 2 hingga 3 bulan di tahap pertengahan funnel.
SOC 2, HIPAA, GDPR, dan PCI-DSS 4.0 adalah syarat dasar bagi vendor mana pun yang menangani data teregulasi. ISO 42001, standar tata kelola khusus AI, menjadi pembeda baru, dan sebagian besar vendor belum memilikinya. Pergeseran ini mencerminkan apa yang terjadi pada SOC 2 dan ISO 27001 satu dekade lalu. Menurut sebuah survei tahun 2026, mayoritas besar tim pengadaan Fortune 500 berencana mewajibkan keselarasan dengan ISO 42001 dari vendor pada tahun 2027. Platform dengan sertifikasi paling ketat kini memegang setidaknya 10 sertifikasi dan asesmen, termasuk ISO 42001.
Dua persyaratan bergeser dari opsional menjadi penentu. PCI pada panggilan suara langsung (redaksi real-time, jejak audit, penanganan tersegmentasi) mulai menjadi filter shortlist seiring makin banyaknya data pembayaran yang ditangani lewat suara, padahal sebagian besar produk suara tidak dirancang untuk itu. Residensi data per wilayah menentukan apakah sebuah vendor layak dipertimbangkan di sektor jasa keuangan, kesehatan, serta sebagian wilayah EMEA dan APAC. Keduanya harus masuk tahap penyaringan awal, bukan tinjauan hukum di akhir.
Bukti bahwa standar ini bisa dipenuhi. Sebuah enterprise gaming Fortune 500 menjalankan lebih dari 330.000 interaksi per bulan dengan agen AI otonom di bawah batasan industri teregulasi, yang di sektor tersebut berarti kepatuhan PCI untuk pembelian dalam game sekaligus penanganan AML dan KYC. Organisasi yang menghadapi pengawasan setingkat itu justru berhasil berkembang alih-alih tersendat, dan itulah intinya: kedalaman kepatuhan adalah gerbang yang bisa dilalui sejak awal bila platformnya memang dirancang untuk itu.
Keputusan deployment yang paling menentukan adalah dashboard yang Anda bangun sebelum go-live.
06 · Peluang Kanal Suara
Kanal yang belum diotomatisasi oleh sebagian besar perusahaan.
Suara adalah kanal dengan volume tertinggi, biaya tertinggi, dan kompleksitas teknis terbesar dalam layanan pelanggan. Ini juga kanal dengan adopsi AI yang paling tertinggal. Kesenjangan itu menyempit dengan cepat: proyeksi industri memperkirakan pasar voice AI tumbuh sekitar 35% per tahun, lebih cepat dari kategori yang lebih luas, dan sebuah pelacak tahun 2026 mencatat lonjakan 340% secara year-over-year dalam deployment suara di tahap produksi pada lebih dari 500 organisasi (Opus Research). Organisasi yang bergerak lebih awal memegang keunggulan biaya yang terus berlipat dari kuartal ke kuartal.
| Hambatan | Dampaknya pada panggilan langsung | Status di 2026 |
|---|---|---|
| Latensi | Respons di bawah 300ms wajib pada panggilan langsung. | Teratasi di produksi |
| Akurasi | Pengenalan berbagai aksen dan ucapan yang tumpang-tindih. | Teratasi |
| Kepatuhan | Persyaratan lebih ketat dari teks, PCI pada panggilan langsung. | Teratasi bila dirancang untuk itu |
Tak satu pun dari masalah ini bisa diatasi pada tahun 2023; di tahun 2026, semuanya bisa. Suara untuk enterprise adalah produk yang berbeda dari suara untuk konsumen: penanganan multibahasa hingga 50+ bahasa, kepatuhan PCI pada panggilan langsung, respons di bawah 300ms di produksi, dan integrasi dengan sistem telefoni yang ada. Standarnya lebih tinggi, dan jumlah vendor yang mampu memenuhinya jauh lebih sedikit.
Suara mulai mengejar ketertinggalan dari chat. Anggapan bahwa suara pada dasarnya lebih sulit diotomatisasi sebagian besar adalah warisan tahun 2023. Dalam deployment yang telah diukur Maven, agen suara yang dibangun dengan baik mencapai tingkat resolusi di kisaran yang sama dengan chat untuk intent yang sebanding. Kompleksitasnya memang nyata, tetapi terbatas: kini segelintir keputusanlah, bukan teknologinya, yang menentukan kecepatan deployment.
Di tahun 2026, kepatuhan adalah gerbangnya. Vendor yang paling dulu menunjukkan cakupan sertifikasi dan tanggal auditnya biasanya memenangkan tinjauan keamanan.
07 · Yang Dilakukan dengan Benar oleh 10% Teratas
Rangkuman tentang apa yang membedakan deployment yang berhasil dari yang tidak.
Di seluruh deployment yang mendasari laporan ini, pola yang sama muncul pada organisasi yang meraih hasil luar biasa, dan pola itu tidak banyak berkaitan dengan besarnya anggaran atau kecanggihan teknis di awal. Semuanya bergantung pada cara organisasi pembeli menjalankan program setelah vendor dipilih. Empat dari 5 perilaku di bawah ini telah dibahas di bagian-bagian sebelumnya; jika dikumpulkan, keempatnya membentuk satu model operasional. Perilaku kelima adalah yang paling sering dilewatkan tim.
Dashboard dibangun sebelum agen pertama live, bukan ditambahkan belakangan setelah angkanya mengecewakan.
Pilot dengan cakupan jelas membuka jalan bagi rollout; tak ada yang menunggu roadmap yang sempurna.
Hubungkan AI ke sistem yang sudah ada, alih-alih membiarkan arsitektur ideal menghambat deployment yang sudah berjalan.
Kepatuhan menjadi syarat untuk ekspansi, bukan untuk pilot, sehingga Anda terhindar dari retrofit paling mahal dalam AI enterprise.
Data resolusi dan tiket yang dibuka kembali ditinjau setiap minggu, cakupan intent setiap kuartal. Inilah kebiasaan yang belum dibahas di bagian sebelumnya, sekaligus yang paling sering dilewatkan tim.
Agentic AI bergeser dari peran penasihat ke peran operasional, dari menyarankan jawaban menjadi menyelesaikan tugas. Era agent-to-agent mulai tiba, ketika agen AI menyerahkan tugas ke agen lain yang terspesialisasi. Organisasi yang membangun pengetahuan institusional tentang deployment agen tunggal sekarang akan jauh lebih unggul saat stack multi-agen hadir pada akhir 2026 dan 2027.
| Tiga hal yang perlu dicermati hingga H2 2026 | Mengapa ini penting |
|---|---|
| ISO 42001 semakin mapan — dari pembeda menjadi syarat pengadaan | Dipercepat oleh mulai berlakunya kewajiban EU AI Act untuk sistem berisiko tinggi sepanjang 2026–2027. |
| Kepatuhan PCI untuk voice — menjadi filter standar dalam shortlist | Seiring voice menangani lebih banyak data pembayaran, produk tanpa arsitektur yang tepat akan tersaring sejak awal. |
| Tingkat resolusi muncul — sebagai metrik industri yang dipublikasikan | Bahasa para analis telah bergeser: Gartner merumuskan target 2029-nya sebagai resolusi otonom, bukan deflection. |
Yang membuat suara sulit pada tahun 2023 adalah latensi, aksen, dan kepatuhan. Kini semuanya adalah masalah engineering yang sudah ada jawabannya.
08 · Dari Mana Memulai
Tak satu pun dari lima kebiasaan ini memerlukan persetujuan anggaran. Yang pertama, mengukur resolusi alih-alih deflection, bisa dilakukan kuartal ini dengan data yang sudah dimiliki tim. True Resolution Formula di Bagian 3 adalah titik awalnya: nilai ulang kontak bulan lalu berdasarkan apakah kontak tersebut selesai tanpa eskalasi, tetap tertutup selama jangka waktu tertentu yang sesuai dengan standar kepuasan pelanggan Anda, dan tidak mendapat penilaian negatif. Selisih antara angka tersebut dan tingkat deflection di dashboard Anda saat ini menunjukkan besarnya peluang.
Laporan ini disusun oleh Maven AGI berdasarkan data produksi dari lebih dari 90 deployment enterprise agen AI otonom di chat, voice, dan email.
Riset pihak ketiga yang dikutip dalam laporan ini
Lanjutkan membaca
Masukkan email Anda untuk membuka laporan lengkap State of AI in CX 2026 langsung di halaman ini, dan kami akan mengirimkan PDF lengkapnya ke inbox Anda.
Kami akan mengirimkan PDF lengkap melalui email dan langsung membukanya di sini. Dengan mengirimkan formulir ini, Anda menyetujui Kebijakan Privasi Maven AGI. Kami tidak pernah menjual data Anda.
Maven AGI menjalankan agen AI otonom di chat, voice, dan email untuk 90+ enterprise. Bawa data Anda, dan kami akan menunjukkan resolution gap dalam angka Anda sendiri.
Jadwalkan demo →