Sebagai pemimpin yang bertanggung jawab atas pengalaman pelanggan (CX) dalam skala besar, Anda menilai AI bukan sebagai konsep, melainkan sebagai kapabilitas yang harus beroperasi secara andal di berbagai kanal, sistem, dan momen nyata pelanggan. Setelah bertahun-tahun membangun sistem cerdas berskala besar di Google dan IBM, saya ikut mendirikan Maven untuk mengatasi celah yang berulang kali saya temui: otomatisasi dukungan yang bisa berbicara, tetapi tidak benar-benar menyelesaikan masalah dengan pemahaman konteks (dan tanpa halusinasi).
Dukungan pelanggan modern membutuhkan AI yang mampu bernalar dan bertindak — bukan sekadar merespons — di voice, chat, email, dan SMS. Fokus kami sejak awal adalah membangun agentic AI yang mampu bernalar, mengambil tindakan, dan beroperasi dengan mulus di voice, chat, email, dan SMS dalam lingkungan enterprise.
Glosarium “dasar” berisi 5 konsep inti agentic AI dalam CX ini mencerminkan cara kami memandang masalah tersebut dalam praktik, dan dimaksudkan sebagai referensi yang jelas dan praktis saat Anda menilai apa yang dapat dan seharusnya diberikan oleh dukungan pelanggan modern berbasis AI.
Tertarik dengan daftar lengkap kami, "100 Istilah Penting Agen AI"? Baca artikel lengkapnya di sini.
Panduan dasar bagi tim CX yang berada di bawah tekanan
Tim CX enterprise harus menekan biaya, mempercepat penyelesaian, dan menjaga kepercayaan terhadap brand - sambil menangani volume yang terus bertambah di berbagai kanal. Tekanan ini makin diperparah oleh kebingungan ketika istilah seperti agentic AI, autonomous agents, dan AI copilots digunakan secara tidak konsisten oleh berbagai vendor.
Glosarium ini dirancang untuk:
- Menjelaskan konsep utama agen AI dengan bahasa yang lugas dan relevan bagi enterprise.
- Membedakan AI yang hanya bisa bercakap dari sistem agentic yang mampu mengambil tindakan.
- Menyajikan validasi pihak ketiga dari para pemimpin industri.
- Membantu pemimpin CX mengevaluasi mitra teknologi dengan yakin.
Jika Anda sedang menjajaki bagaimana AI dapat masuk ke dalam strategi dukungan Anda, panduan ini dapat menjadi titik acuan bersama bagi para pemangku kepentingan CX, IT, dan operasional.
1) Konsep Inti AI & Agen
Agentic AI
Agentic AI adalah sistem AI yang mampu merencanakan, bernalar, dan menjalankan tugas dalam batasan eksplisit yang ditetapkan oleh kebijakan untuk mencapai suatu tujuan — sering kali dengan memanggil tools, API, dan workflow di berbagai sistem enterprise. Berbeda dengan chatbot tradisional atau generative AI, sistem agentic dirancang untuk menyelesaikan pekerjaan, bukan sekadar menghasilkan respons.
IBM menggambarkan agentic AI sebagai pola di mana model bahasa dipadukan dengan tools dan logika keputusan untuk bertindak di dalam sistem nyata. 👉 Ulasan IBM: Agentic AI — IBM
Gartner memprediksi agentic AI akan secara otonom menyelesaikan 80% masalah layanan pelanggan yang umum pada 2029, yang secara mendasar mengubah operasional CX. 👉 Siaran pers Gartner: Agentic AI Mentransformasi Layanan Pelanggan
Konteks Maven: Maven AGI dibangun dengan eksekusi agentic sebagai intinya — memungkinkan agen AI bernalar dan mengambil tindakan yang aman serta dapat diaudit di seluruh workflow dukungan pelanggan. Pelajari lebih lanjut: Agent Maven
**Perspektif Pimpinan Maven: Menurut saya, pergeseran terpenting saat ini bukanlah generative AI — melainkan agency. Enterprise tidak kesulitan karena kekurangan jawaban; mereka kesulitan karena sistem tidak dapat mengambil tindakan di tengah tools yang terfragmentasi. Agentic AI penting karena menutup celah tersebut. Ketika AI mampu memahami maksud, memahami batasan, dan menjalankan workflow nyata secara aman, AI tidak lagi sekadar demo, tetapi mulai menjadi infrastruktur.
Agen AI
Agen AI adalah sistem yang mampu menangkap input, mempertahankan konteks, bernalar tentang tujuan, dan mengambil tindakan untuk mencapai hasil. Definisi ini melampaui bot reaktif dan sejalan dengan riset AI yang sudah lama berkembang.
Definisi umum: 👉 AI Agent — Wikipedia
Dalam lingkungan CX, agen AI harus:
- Memahami maksud pelanggan di semua kanal.
- Mengakses pengetahuan enterprise.
- Menjalankan tindakan backend (bukan sekadar menyarankannya).
Konteks Maven: Agen AI Maven beroperasi di voice, chat, email, dan SMS menggunakan lapisan penalaran bersama, sehingga pelanggan tidak perlu mengulang percakapan saat berpindah kanal. Agen AI dapat memanggil Actions yang memenuhi syarat dan didefinisikan di Maven beserta parameter dan Instructions; agen tidak menyimpulkan Actions baru sendiri. Jelajahi kanal agen: Kanal Agen
**Perspektif Pimpinan Maven: Agen AI berhasil ketika memadukan penalaran dengan tindakan. Tim CX tidak hanya butuh jawaban; mereka butuh hasil. Karena itulah agen Maven dirancang untuk bertindak berdasarkan maksud pelanggan di semua kanal dan titik kontak.
Otonomi & Human-in-the-Loop (HITL)
Otonomi mengacu pada seberapa mandiri agen AI dapat beroperasi. Dalam CX enterprise, otonomi penuh jarang bersifat hitam-putih. Sistem justru menyeimbangkan otomatisasi dengan pengawasan manusia.
Salesforce menyoroti perbedaan agentic AI dengan assistive AI, yaitu kemampuannya menjalankan tugas secara proaktif sambil tetap memungkinkan peninjauan manusia bila diperlukan. 👉 What Is Agentic AI - Salesforce
Praktik terbaik: Workflow bervolume tinggi dan berisiko rendah sering diotomatisasi sepenuhnya, sementara kasus sensitif dialihkan ke agen manusia dengan konteks lengkap tetap terjaga.
Konteks Maven: Maven mendukung guardrail human-in-the-loop yang dapat dikonfigurasi, sehingga tim CX dapat menentukan di mana otonomi berakhir dan peninjauan manusia dimulai. Otonomi selalu dibatasi oleh aturan kelayakan, cakupan Knowledge, dan batasan Action.
**Perspektif Pimpinan Maven: Otonomi bukan berarti menyingkirkan manusia sepenuhnya — melainkan memungkinkan mereka fokus pada pengecualian yang bernilai tinggi. Strategi HITL adalah kunci keandalan dan kepercayaan di tingkat enterprise.
2) Kanal Interaksi Pelanggan
Voice AI / Voice Agent
Voice AI memungkinkan agen AI menangani percakapan telepon secara langsung - memahami interupsi, aksen, dan maksud penelepon sambil menjalankan tindakan secara real-time.
Maven Voice™ dirancang untuk otomatisasi voice berkelas enterprise dan terintegrasi dengan infrastruktur telepon serta contact center yang sudah ada. Kanal voice beroperasi sama seperti kanal lainnya, menggunakan fondasi Actions dan Knowledge yang sama.
Untuk membahas Maven Voice atau solusi agen kami lainnya: Jadwalkan Demo
**Perspektif Pimpinan Maven: Pelanggan tidak berpikir dalam kanal - mereka berpikir dalam hasil. Salah satu kegagalan terbesar teknologi dukungan lama adalah memperlakukan voice, chat, email, dan SMS secara terpisah. Agen-lah yang seharusnya konstan, bukan kanalnya. Kanal hanyalah antarmuka; kecerdasannya harus digunakan bersama.
AI untuk Chat & Messaging
Agen chat menangani percakapan digital real-time di web maupun di dalam aplikasi. Agen ini menjaga konteks, mengakses pengetahuan, dan melakukan eskalasi dengan mulus bila diperlukan.
Konteks Maven: Agen chat ditenagai oleh lapisan penalaran yang sama dengan voice dan email, sehingga jawaban dan tindakan tetap konsisten. Semua kanal menggunakan Knowledge, Actions, dan sinyal evaluasi kualitas yang sama.
Jelajahi kapabilitas chat: Chat
**Perspektif Pimpinan Maven: Mesin penalaran bersama memastikan setiap interaksi terasa mulus, bahkan ketika pelanggan berpindah kanal di tengah percakapan.
Otomatisasi Email & SMS
Email dan SMS sangat penting untuk interaksi bervolume tinggi. AI dapat mengklasifikasikan, merangkum, menyusun draf, dan menyelesaikan pesan dalam skala besar sambil tetap menjaga nada dan kepatuhan.
Konteks Maven: Interaksi email dan SMS ditangani oleh mesin agentic yang sama, memungkinkan kesinambungan lintas kanal dan peningkatan kecepatan penyelesaian yang terukur.
**Perspektif Pimpinan Maven: Konsistensi dan konteks tidak bisa ditawar - terutama di kanal asinkron seperti email dan SMS.
3) Pengetahuan, Konteks & Penalaran
Knowledge Graph & Grounded AI
AI enterprise harus berlandaskan pengetahuan yang tepercaya dan terkelola untuk menghindari halusinasi dan pelanggaran kebijakan. Tanpa fondasi yang andal, model yang mumpuni sekalipun akan menghasilkan jawaban yang tidak konsisten, menampilkan informasi usang, atau melanggar kebijakan.
Konteks Maven: Graph of Record dari Maven adalah pendekatan eksklusif untuk melandaskan AI pada kebenaran data enterprise. Graph of Record menghubungkan pengetahuan di seluruh sistem yang sudah dimiliki organisasi tanpa menyalin, memigrasikan, atau memusatkan data. Alih-alih meminta perusahaan memindahkan informasinya ke sistem baru, Maven membangun koneksi cerdas dan real-time ke systems of record seperti CRM, platform ticketing, repositori konten, dan data warehouse.
Karena setiap respons bersumber langsung dari sistem-sistem tersebut, Graph of Record memastikan jawaban mencerminkan data terbaru, mengikuti hak akses yang berlaku, dan mematuhi kebijakan enterprise.
Misalnya, saat pelanggan menanyakan status akun atau kelayakan penagihan, agen merespons menggunakan konteks sistem secara langsung, bukan ringkasan yang tersimpan di cache. Hal ini secara drastis mengurangi halusinasi, respons usang, dan risiko kepatuhan, terutama di lingkungan yang teregulasi atau kompleks secara operasional.
**Perspektif Pimpinan Maven: Kecerdasan tanpa landasan adalah liabilitas. Pengetahuan, konteks, dan guardrail adalah pekerjaan tersulit — sekaligus terpenting — bagi AI berskala enterprise. Graph of Record dari Maven adalah fondasi Business AGI karena memungkinkan kecerdasan berkembang di seluruh enterprise sambil tetap akurat, patuh, dan andal secara operasional. Dengan menghubungkan sistem alih-alih menduplikasinya, organisasi dapat menerapkan AI lebih cepat, menekan biaya infrastruktur tersembunyi, dan beralih dengan yakin dari tahap eksperimen ke produksi.
Contextual Memory & RAG
Retrieval-Augmented Generation (RAG) memungkinkan agen mengambil data enterprise yang relevan saat runtime. Contextual memory memastikan kesinambungan dalam interaksi yang panjang atau berlangsung dalam beberapa sesi. RAG di Maven mengambil data dari Knowledge Base dengan cakupan tertentu yang mematuhi aturan akses dan kelayakan tampilan.
IBM dan Gartner menekankan landasan data dan konteks sebagai kunci keandalan AI enterprise. 👉 Wawasan AI enterprise dari IBM: Enterprise AI Agents — IBM
**Perspektif Pimpinan Maven: RAG dan memori memungkinkan AI bertindak dengan yakin, sehingga terhindar dari kesalahan yang dapat merusak kepercayaan pelanggan.
4) Integrasi & Eksekusi Workflow
Integrasi CRM & Backend
Agen AI harus terintegrasi dengan CRM, sistem penagihan, dan tools internal agar dapat melakukan pekerjaan nyata - seperti memperbarui data atau memproses refund.
Konteks Maven: Maven terintegrasi dengan sistem seperti Salesforce dan Zendesk sehingga agen dapat memanggil Actions yang memenuhi syarat untuk membaca atau menulis data sistem.
Lihat semua integrasi Maven: Integrasi
**Perspektif Pimpinan Maven: AI yang tidak bisa bertindak hanyalah lapisan antarmuka lain. Agen harus menjadi operator utama di dalam sistem enterprise, dengan auditabilitas dan keamanan penuh.
API & Eksekusi yang Aman
API memungkinkan agen berinteraksi dengan sistem enterprise, memicu workflow, dan menjalankan tindakan secara aman sekaligus dapat diaudit. Hal ini memastikan kepatuhan terhadap standar tata kelola enterprise sekaligus mendorong efisiensi operasional dan skalabilitas.
Konteks Maven: Pendekatan API-first Maven memungkinkan agen menjalankan workflow kompleks langsung di dalam sistem enterprise. Maven memastikan setiap tindakan diatur oleh autentikasi, keterlacakan, dan langkah kepatuhan yang ketat. Dengan begitu, pelanggan dapat terintegrasi dengan mulus ke infrastruktur yang sudah ada sambil tetap memegang kendali dan meraih peningkatan efisiensi yang terukur.
**Perspektif Pimpinan Maven: Kami memandang eksekusi yang aman sebagai pendorong strategis inovasi enterprise. Kepercayaan dan akuntabilitas adalah fondasi keberhasilan otomatisasi enterprise. Dengan memastikan setiap tindakan otomatis dapat dilacak, diaudit, dan selaras dengan kebijakan tata kelola, kami memberi organisasi keyakinan untuk mengembangkan operasionalnya secara aman.
5) Metrik & KPI yang Penting bagi Pemimpin CX
Autonomous Resolution Rate (ARR)
Definisi: Persentase pertanyaan atau tiket pelanggan yang diselesaikan sepenuhnya oleh agen AI tanpa memerlukan intervensi manusia. Penyelesaian otonom mengacu pada percakapan yang selesai tanpa handoff dan tanpa umpan balik negatif, sesuai dengan metrik ‘Resolved by Maven’ di produk.
Mengapa penting: Mengukur efektivitas dan keandalan agentic AI dalam menjalankan tugas secara mandiri, membantu menekan biaya, dan membebaskan agen manusia untuk pekerjaan bernilai lebih tinggi.
Contoh: Papaya Pay berhasil menjawab 90% pertanyaan secara otonom menggunakan Maven AGI.
First Contact Resolution (FCR)
Definisi: Persentase masalah pelanggan yang terselesaikan pada interaksi pertama, apa pun kanalnya.
Mengapa penting: FCR yang tinggi menunjukkan efisiensi dan pengalaman pelanggan yang mulus. Agen AI dapat meningkatkan FCR karena memiliki akses langsung ke pengetahuan dan sistem, sehingga mengurangi kebutuhan tindak lanjut.
Contoh: Papaya Pay mencapai tingkat first contact resolution sebesar 70% setelah menerapkan Agent Maven™.
Time to Resolution (TTR)
Definisi: Rata-rata waktu yang berlalu sejak pelanggan mengajukan pertanyaan hingga masalahnya terselesaikan sepenuhnya.
Mengapa penting: TTR yang lebih rendah menandakan layanan yang lebih cepat dan CX yang lebih baik. Agen AI dapat menurunkan TTR secara drastis dengan mengambil informasi, memperbarui sistem, dan menjalankan tindakan secara otomatis.
Contoh: Enumerate menyelesaikan 80% tiket dalam waktu kurang dari 3 menit dengan Agent Maven™, menunjukkan TTR yang jauh lebih rendah di lingkungan produksi.
Customer Effort Score (CES)
Definisi: Metrik yang mencerminkan seberapa mudah pelanggan mendapatkan penyelesaian atas masalahnya, biasanya diukur melalui survei pasca-interaksi (misalnya, “Seberapa mudah masalah Anda terselesaikan hari ini?”).
Mengapa penting: CES yang tinggi (upaya rendah) berkorelasi dengan kepuasan, loyalitas, dan churn yang lebih rendah. Agen AI berkontribusi dengan mengurangi hambatan, menghindari langkah yang tidak perlu, dan memberikan bantuan yang memahami konteks.
Contoh: Mastermind menyelesaikan 93% pertanyaan chat dengan waktu respons 75% lebih cepat, indikator kuat berkurangnya upaya pelanggan.
Biaya overhead yang lebih rendah
Definisi: Penurunan biaya operasional yang dicapai dengan mengotomatisasi tugas berulang, menyederhanakan workflow, dan meminimalkan kebutuhan sumber daya manusia tambahan.
Mengapa penting: Biaya overhead yang lebih rendah memungkinkan organisasi mengalokasikan anggaran untuk inisiatif strategis, meningkatkan skalabilitas, dan menjaga profitabilitas meskipun jumlah pertanyaan pelanggan terus bertambah. Agen AI berkontribusi dengan menangani interaksi bervolume tinggi secara otonom, sehingga mengurangi ketergantungan pada agen manusia untuk tugas rutin.
Meningkatkan CSAT dan NPS
Definisi CSAT: Ukuran seberapa puas pelanggan terhadap interaksi tertentu atau layanan secara keseluruhan, biasanya dikumpulkan melalui survei singkat pasca-interaksi (misalnya, “Seberapa puas Anda dengan dukungan yang Anda terima?” dengan skala 1–5 atau 1–10). Mengapa penting: CSAT mencerminkan sentimen pelanggan saat itu dan kualitas pengalaman. Agen AI dapat meningkatkan CSAT dengan memberikan penyelesaian yang akurat, cepat, dan sesuai konteks.
Contoh: Rho mencapai kepuasan pelanggan (CSAT) 95% sambil menangani lebih banyak kontak tanpa menambah jumlah staf. Dalam evaluasi Thumbtack terhadap lebih dari 50 vendor, Maven unggul 15%+ dibanding para pesaing dalam penilaian CSAT internal perusahaan.
Definisi NPS: Ukuran loyalitas pelanggan dan kemungkinan mereka merekomendasikan sebuah brand, dikumpulkan melalui pertanyaan survei seperti: “Seberapa besar kemungkinan Anda merekomendasikan perusahaan kami kepada teman atau kolega?” Responden memberi nilai 0–10, dan skor dikategorikan sebagai:
Perhitungan NPS =%Promoter−%DetractorNPS
Mengapa penting: NPS mencerminkan loyalitas pelanggan jangka panjang. Agen AI yang mengurangi hambatan, mempercepat penyelesaian, dan menjaga pengalaman yang konsisten di semua kanal dapat meningkatkan skor promoter dan mengurangi detractor.
Contoh: Enumerate melaporkan skor NPS sebesar +40, menunjukkan loyalitas dan kepuasan yang tinggi terhadap pengalaman dukungan yang didukung Maven.
Julie Mohr, Analis Utama di Forrester, menulis pada 1 Desember 2025 bahwa “dengan hadirnya AI dan otomatisasi, pola pikir lama ‘makin cepat makin baik’ semakin tidak relevan” dan menyampaikan pandangannya tentang 5 KPI baru yang berpusat pada AI.
👉 Wawasan Forrester: It’s Time To Rethink Service Desk Success
Konteks Maven: Banyak pelanggan Maven mencapai ARR >90% untuk workflow yang ditargetkan. Jelajahi hasil pelanggan: Studi Kasus
**Perspektif Pimpinan Maven: Defleksi volume saja bukanlah keberhasilan — penyelesaianlah yang menjadi ukurannya. Metrik harus mencerminkan hasil nyata bagi pelanggan, bukan sekadar jumlah tiket.
Penutup
Kami memahami bahwa glosarium kemungkinan hanyalah salah satu dari sekian banyak langkah dalam proses mempertimbangkan apakah, bagaimana, dan kapan agentic AI dapat diadopsi di organisasi Anda.
Tim sales, solution engineer, dan tim customer experience management kami bekerja sama dengan calon klien untuk mempertajam kebutuhan, memperjuangkan persetujuan investasi, menyusun roadmap pengujian dan beta, serta memperjelas potensi agentic AI dalam strategi CX Anda.
Langkah berikutnya bisa berupa diskusi awal mengenai tujuan dan tahap pertimbangan Anda! Kami akan senang membantu merancang langkah ke depan: Hubungi tim kami
Tentang Penulis
Sami ShalabiSalah Satu Pendiri & Chief Technology Officer, Maven AGI
Sami Shalabi memimpin visi produk dan arsitektur platform Maven untuk agen AI enterprise di voice, chat, email, dan SMS. Sebagai mantan pemimpin senior bidang engineering di Google dan IBM, Sami berfokus pada sistem agentic AI yang memadukan penalaran, otonomi, dan integrasi enterprise untuk menghasilkan dampak CX yang terukur.
Lihat langsung pada percakapan Anda sendiri.
Minta demo personal gratis.
