Dalam rentang 60 hari, Gartner merilis 2 prediksi yang perlu dibaca berdampingan oleh setiap pemimpin CX yang sedang memperhitungkan belanja AI untuk 24 bulan ke depan.
Pada 26 Januari, Gartner memperkirakan biaya per resolusi generative AI di layanan pelanggan akan melampaui $3 pada 2030, lebih tinggi daripada biaya banyak agen manusia offshore di segmen B2C. Pada 31 Maret, Gartner memperkirakan lebih dari separuh organisasi layanan pelanggan akan menggandakan belanja teknologinya pada 2028 tanpa pengurangan jumlah staf yang sebanding.
Jika dibaca bersama, kedua prakiraan ini menggambarkan ekonomi CX di mana kurva belanja naik, kurva jumlah staf relatif datar, dan biaya per resolusi AI bergeser mendekati garis biaya agen offshore yang seharusnya bisa ditekannya. Narasi bahwa AI membuat layanan pelanggan lebih murah, asumsi yang mendasari sebagian besar anggaran software CX sejak 2023, tidak lagi sepenuhnya berlaku.
Gartner menyebut 2 variabel di balik tren ini: talenta dan kompleksitas tooling. Keduanya nyata, tetapi ada variabel ketiga di bawahnya, dan justru variabel inilah yang tidak dipantau oleh sebagian besar tim. Variabel itu adalah resolusi, tepatnya kesenjangan antara apa yang ditangani AI dan apa yang benar-benar diselesaikan AI. Variabel inilah yang menentukan apakah setiap dolar baru belanja teknologi CX menghasilkan hasil nyata atau sekadar menghasilkan transaksi.
Kesenjangan resolusi, dalam dolar
Sebagian besar dashboard CX menampilkan "automation rate" atau "deflection rate" sebagai angka utama. Tiket masuk, AI merespons, percakapan berakhir tanpa agen, dan platform menandai tiket sebagai tertangani. Angka di dashboard pun naik.
Yang tidak selalu ditampilkan dashboard adalah apakah masalah pelanggan benar-benar terselesaikan. Itulah kesenjangan resolusi: ruang antara interaksi yang disentuh AI dan masalah yang benar-benar diselesaikan AI.
Volume tidak hilang ketika kesenjangannya lebar. Volume itu masuk kembali ke sistem melalui 3 cara:
- Sebagai kontak ulang, ketika pelanggan kembali melalui kanal yang sama karena masalahnya belum selesai
- Sebagai eskalasi lintas kanal, ketika pelanggan mencoba chat, menyerah, lalu menelepon dan terhubung dengan agen manusia yang harus memulai dari awal
- Sebagai churn, ketika pelanggan menyimpulkan bahwa perusahaan tidak bisa membantu dan berhenti mencoba
Setiap dampak tersebut membawa biaya yang tidak tercatat di dashboard deflection. Sampel McKinsey AI in Customer Service 2026 memperlihatkan unit economics-nya dengan jelas: resolusi yang ditangani AI berbiaya sekitar $0,62, dibandingkan $7,40 untuk resolusi yang ditangani manusia (dikutip melalui kompilasi benchmark 2026 dari Digital Applied). Namun perhitungan itu hanya berlaku pada angka resolusi, bukan angka deflection. Setiap interaksi yang tercatat sebagai terdefleksi lalu kembali sebagai eskalasi ke agen manusia berarti 2 tagihan: tagihan lisensi AI, dan tagihan untuk agen yang melanjutkan percakapan yang terputus. Ketika kesenjangannya lebar, biaya ini terus berlipat, dan kurva belanja yang diprakirakan Gartner hingga 2028 adalah wujudnya dalam skala besar.
Inilah sebabnya biaya per resolusi menjadi benchmark yang penting saat membandingkan ekonomi AI dengan baseline manusia, bukan biaya per interaksi, bukan deflection rate. Prakiraan Gartner sebesar $3 per resolusi pada 2030 mengukur biaya AI ketika benar-benar menyelesaikan masalah, bukan biaya saat AI sekadar menangani pesan.
Apa yang sebenarnya terjadi di balik kurva belanja
Survei Gartner pada Oktober 2025 terhadap 321 pemimpin layanan pelanggan menemukan bahwa hanya 20% organisasi yang telah mengurangi jumlah agen berkat AI. Sisanya, 80%, membayar AI sekaligus membayar agen.
Ini bukan kondisi transisi menuju biaya yang lebih rendah. Ini adalah akibat struktural dari cara AI diterapkan di sebagian besar fungsi CX. Seperti dicatat CXOVoice, biaya layanan pelanggan naik karena AI menambah lapisan alih-alih menguranginya. Stack kini mencakup conversational AI, routing, knowledge, analytics, orkestrasi, dan pengawasan, masing-masing dengan biaya lisensi, implementasi, dan integrasinya sendiri.
Tidak satu pun lapisan tersebut menggantikan lapisan yang sudah ada. Yang diprakirakan Gartner hingga 2028 bukanlah biaya migrasi satu kali, melainkan pergeseran struktural dari anggaran CX yang didominasi gaji ke anggaran CX yang didominasi software, dengan total basis biaya yang terus naik, bukan turun.
Dalam pergeseran itu, kesenjangan resolusi menentukan di sisi pembukuan mana belanja AI berakhir. Ketika AI menyelesaikan masalah secara end-to-end, lapisan software layak dipertahankan: ia mengerjakan tugas yang seharusnya membutuhkan manusia, dan unit economics-nya masuk akal. Ketika AI mendefleksi tanpa menyelesaikan, lapisan software menambah biaya tanpa menghapus biaya yang ada, dan dolar yang seharusnya berasal dari pengurangan anggaran agen justru membiayai AI di atasnya.
Perhitungan yang terus berlipat
Ambil contoh skenario umum: 10.000 tiket masuk per bulan, dashboard vendor melaporkan automation rate 60%, dan 6.000 tiket ditandai "tertangani" tanpa manusia.
Audit yang membedakan deflection dari resolusi terkonfirmasi biasanya menghasilkan angka yang berbeda. Riset industri tentang implementasi berbasis RAG secara konsisten menemukan bahwa 15% hingga 25% tiket yang "terdefleksi" berisi jawaban yang salah atau tidak lengkap. Jika 25% dari 6.000 tiket terdefleksi tersebut masuk kembali ke sistem dalam 72 jam (sebagai kontak ulang, eskalasi, atau upaya lintas kanal), berarti 1.500 interaksi yang tampak terotomatisasi sebenarnya tidak.
Tingkat resolusi otonom yang sebenarnya pada volume ini bukan 60%, melainkan 45%. Dan kesenjangan ini muncul di 3 pos yang tidak dirancang untuk ditampilkan oleh sebagian besar dashboard CX:
- Tagihan vendor AI tidak berubah. Lisensinya dihargai per interaksi, dan AI memang menangani interaksi tersebut.
- Beban kerja tim agen mencakup 1.500 tiket yang masuk kembali itu, sering kali tanpa konteks, karena proses handoff-nya bermasalah.
- Pengalaman pelanggan menanggung biaya karena harus bertanya dua kali. Vendor menagih 6.000 interaksi. Anda hanya mendapatkan 4.500 resolusi.
Kesenjangan resolusi menentukan apakah pos biaya AI menjadi pengganti penanganan oleh manusia atau justru tambahan. Ketika kesenjangannya kecil, belanja AI mengimbangi belanja agen. Ketika kesenjangannya lebar, belanja AI menumpuk di atas belanja agen, dan itulah kurva yang diprakirakan Gartner hingga 2028.
Variabel arsitektur
Kesenjangan resolusi bukan masalah model. Ini masalah arsitektur.
Sebagian besar agen AI yang berjalan di produksi saat ini bisa membaca, tetapi tidak bisa bertindak. Mereka mengambil informasi dari knowledge base, merangkum kebijakan, dan menyarankan langkah berikutnya. Yang umumnya tidak bisa mereka lakukan tanpa integrasi yang lebih dalam adalah memproses refund, memperbarui akun, mengubah pesanan, atau menjadwal ulang janji temu. Garis pemisah arsitekturalnya adalah akses read-only versus read-write ke sistem tempat masalah pelanggan sebenarnya berada.
AI yang read-only secara struktural terbatas pada porsi tiket yang bisa diselesaikan hanya dengan menampilkan informasi. Bagi sebagian besar program CX enterprise, porsi itu adalah tier 1 berupa reset kata sandi, pengecekan status pesanan, dan pertanyaan kebijakan: volume yang nyata, tetapi ada batasnya. Keluhan, pengecualian, sengketa tagihan, dan perubahan akun yang menjadi pendorong biaya dukungan berada di sisi lain batas read-write.
Inilah sebabnya angka "automation rate" di atas 70% pada kumpulan pertanyaan yang luas perlu ditelusuri lebih jauh. Angka tersebut biasanya mencerminkan lapisan triase agresif yang menyaring kasus sulit sebelum sampai ke AI, atau definisi resolusi yang menghitung percakapan selesai tanpa mengonfirmasi hasilnya. Implementasi produksi dengan integrasi read-write ke sistem backend cenderung berada di kisaran resolusi terkonfirmasi 70% hingga 85% pada kumpulan pertanyaan luas yang mencakup tiket yang bergantung pada kebijakan.
Keputusan arsitektur inilah yang menentukan apakah setiap dolar baru belanja teknologi CX menutup kesenjangan resolusi atau justru memperlebarnya. Read-only versus read-write, overlay versus rip-and-replace, AI sebagai lapisan di atas versus AI di dalam help desk: ini bukan detail implementasi. Inilah pengganda belanjanya. Kerangka evaluasi Maven membahas dimensi-dimensi ini secara lebih mendalam.
Seperti apa pendekatan yang mengutamakan resolusi di produksi
Perusahaan yang berhasil menutup kesenjangan resolusi memiliki kesamaan ciri arsitektur: integrasi read-write ke sistem tempat masalah pelanggan sebenarnya berada. Data produksinya cukup spesifik:
- Mastermind mencapai resolusi otonom 93% dalam 6 minggu sejak implementasi.
- Papaya Pay mencapai resolusi otonom 90% dalam 3 minggu.
- Clio beralih dari chatbot lama ke resolusi otonom sebesar 80%, menyelesaikan 60% lebih banyak tiket, dan mempercepat respons live support hingga 4x.
- Rho mempertahankan CSAT 95% sambil menangani 12% lebih banyak kontak bulanan tanpa menambah staf.
Data terakhir itu patut dicermati. Rilis Gartner pada 31 Maret memprediksi bahwa penggandaan belanja teknologi CX hingga 2028 tidak akan diimbangi pengurangan jumlah staf, dan memperingatkan bahwa perusahaan yang memangkas agen untuk membiayai AI berisiko mengalami gangguan operasional, penurunan pengalaman pelanggan, dan rollback yang mahal. Prakiraan ini berasumsi bahwa AI tidak cukup mampu menyelesaikan masalah secara mandiri untuk menangani volume yang terus tumbuh.
Angka Rho adalah ilustrasi paling jelas dari perhitungan belanja yang mengutamakan resolusi di produksi. CSAT bertahan di 95%, volume kontak tumbuh 12%, dan tim tidak bertambah. Seperti itulah kapasitas volume ketika tingkat resolusinya nyata: lebih banyak pelanggan ditangani, tim tetap sama, CSAT terjaga.
Itulah versi perhitungan belanja yang membuat pos biaya AI layak dipertahankan. Belanja teknologi naik, belanja agen tetap datar, volume pelanggan naik, dan total basis biaya per masalah yang terselesaikan menjadi lebih rendah. Ini hanya berhasil jika angka resolusinya cukup tinggi. Dengan kata lain, ketika kesenjangan antara deflection dan resolusi cukup kecil sehingga volume yang ditangani AI benar-benar berubah menjadi hasil.
3 pertanyaan sebelum Anda menggandakan anggaran
Prakiraan belanja Gartner untuk 2028 tidak harus terjadi di setiap P&L CX. Variabel penentunya adalah arsitektur dan ekonomi lapisan AI yang ditambahkan. 3 pertanyaan berikut membantu Anda menembus angka-angka utama yang akan ditonjolkan vendor mana pun.
- Apakah AI dapat mengambil tindakan di sistem tempat masalah pelanggan berada, atau hanya merespons berdasarkan dokumen? Garis read-only versus read-write adalah variabel arsitektur yang membatasi seberapa besar basis biaya dukungan yang dapat ditangani AI. AI yang menampilkan status pesanan memang berguna. Tetapi AI yang memproses retur, memperbarui akun, dan mengonfirmasi perubahan itulah yang menutup kesenjangan resolusi.
- Berapa tingkat kontak ulang dalam 72 jam pada tiket yang dinyatakan selesai? Inilah metrik auditnya. Jika 25% tiket yang "selesai" memicu tindak lanjut dalam 3 hari, tingkat resolusi efektifnya jauh lebih rendah daripada angka utamanya. Vendor yang yakin dengan kualitas resolusi AI-nya akan memublikasikan angka ini. Vendor yang belum mengukurnya biasanya punya alasan.
- Berapa tingkat resolusi terkonfirmasi, bukan deflection rate? Resolusi terkonfirmasi hanya menghitung tiket yang masalah pelanggannya terselesaikan dan pelanggan tidak kembali lagi. Deflection menghitung setiap tiket yang disentuh AI. Vendor yang telah mengukur keduanya akan membagikan keduanya. Vendor yang belum, atau tidak mau, biasanya mengoptimalkan angka yang menguntungkan mereka.
Jawaban atas ketiga pertanyaan ini menentukan apakah setiap dolar baru belanja teknologi CX membeli resolusi atau sekadar membeli aktivitas.
Variabel yang tidak disebut Gartner
2 prakiraan Gartner tahun 2026 mengarah ke arah yang sama. Belanja naik, biaya per resolusi AI naik mendekati batas bawah biaya manusia, dan jumlah staf relatif datar. Dampak gabungannya adalah kenaikan struktural basis biaya CX bagi separuh organisasi yang menggandakan belanja teknologinya hingga 2028.
Yang tidak disebutkan dalam prakiraan tersebut, karena yang diukur adalah belanja teknologi, bukan arsitektur, adalah bahwa kesenjangan resolusi menjadi variabel yang menentukan di separuh mana sebuah organisasi berada. Perusahaan yang menjadikan resolusi sebagai metrik acuan, dan merancang lapisan AI-nya agar dapat bertindak di sistem tempat masalah pelanggan berada, tidak akan melihat kurva belanjanya berlipat ganda tanpa hasil. Perusahaan yang menyamakan resolusi dengan deflection akan berbelanja lebih banyak pada 2026, 2027, dan 2028, tetapi menyelesaikan masalah kurang lebih sama banyaknya seperti pada 2024.
Bahasa di kategori ini mulai bergeser untuk mencerminkan hal tersebut. Resolusi otonom mulai menjadi metrik acuan. Resolution Rate sedang menuju posisi menggantikan benchmark CX lama sebagai ukuran utama apakah AI di layanan dukungan benar-benar berhasil. Komentar vendor dan analis mulai mengerucut pada poin yang sama: pada 2026, dashboard yang paling ditonjolkan vendor AI Anda adalah yang paling perlu Anda telusuri.
Kurva belanja 2028 yang diprakirakan Gartner bukanlah hal yang tak terhindarkan. Kurva itu adalah konsekuensi dari keputusan arsitektur yang sedang diambil sebagian besar tim CX saat ini.
Lihat langsung pada percakapan Anda sendiri.
Minta demo personal gratis.
