Apa Itu Agentic AI dalam Layanan Pelanggan?

Agentic AI adalah software yang mengejar sebuah tujuan secara mandiri, bukan sekadar merespons instruksi demi instruksi. Dalam layanan pelanggan, artinya agen AI memahami kebutuhan pelanggan, menyusun langkah untuk mencapainya, memanggil sistem mana pun yang menyimpan jawabannya atau dapat menjalankan tindakannya, lalu memeriksa bahwa hasilnya benar-benar berhasil, tanpa perlu orang yang mengarahkan setiap langkah. Saat membandingkan vendor, pertanyaan sebenarnya bukan “apakah ini menggunakan AI”, melainkan apakah software tersebut hanya memindahkan pekerjaan atau benar-benar menyelesaikannya.

Hampir setiap tim layanan sedang melakukan sesuatu dengan teknologi ini, tetapi jauh lebih sedikit yang bisa menjelaskan secara tepat apa arti kategori ini.

Gartner memperkirakan lebih dari 40% proyek agentic AI akan dibatalkan pada akhir 2027 karena biaya yang terus naik, manfaat yang tidak jelas, dan kontrol risiko yang lemah (siaran pers Gartner, 25 Juni 2025). Riset yang sama menemukan bahwa hanya sekitar 130 dari ribuan vendor yang menyebut dirinya “agentic“ yang benar-benar memenuhi definisinya. Gartner menyebut fenomena ini agent washing. Dari sisi pembeli, McKinsey menemukan sekitar 80% perusahaan telah menerapkan generative AI, tetapi porsi yang kurang lebih sama tidak melihat dampak nyata pada laba (McKinsey, Seizing the agentic AI advantage, 13 Juni 202 5).

Jadi, agentic AI jelas berhasil di suatu tempat, bahkan prakiraan Gartner sendiri menyebutkan teknologi ini akan menyelesaikan 80% masalah layanan umum secara otonom pada 2029 (Gartner, 5 Maret 2025). Yang Anda butuhkan adalah cara membedakan sistem yang benar-benar akan mencapainya dari sistem yang hanya akan menghabiskan 18 bulan merutekan tiket dengan lebih rapi dari sebelumnya.

Komponen sistem agentic

Ada 6 komponen. Sebagian besar vendor kuat di 2 komponen dan samar soal sisanya.

• Persepsi. Membaca permintaan dan menangkap apa yang sebenarnya diminta, baik melalui teks, suara, maupun gambar.
• Penalaran dan perencanaan. Memecah tujuan menjadi langkah-langkah dan menentukan urutannya. Inilah yang membedakan agen dari skrip.
• Memori. Memori jangka pendek agar tahu posisinya di tengah tugas, serta memori jangka panjang agar tahu siapa lawan bicaranya dan apa yang terjadi sebelumnya.
• Lapisan tool dan tindakan. Koneksi nyata ke sistem Anda: menampilkan pesanan, menerbitkan kredit, mengubah langganan. Tanpa ini, sistem hanya bisa menjelaskan refund, bukan memprosesnya.
• Orkestrasi. Mengoordinasikan beberapa agen atau langkah dan meneruskan konteks di antaranya. Standar di area ini mulai matang (Model Context Protocol untuk akses tool, protokol agent-to-agent untuk koordinasi).
• Guardrail dan eskalasi. Tahu apa yang tidak boleh dilakukan, serta tahu kapan harus berhenti dan menyerahkan ke manusia lengkap dengan konteksnya.

Komponen-komponen ini bekerja dalam siklus, bukan garis lurus: memahami, merencanakan, bertindak, memeriksa, menyesuaikan. Alur berbasis skrip hanya berjalan sekali, lalu berhasil atau gagal.

Yang sering disalahartikan sebagai agentic AI

Ada 4 kategori lain yang kerap dilabeli “agentic” dalam presentasi vendor. Semuanya mengerjakan pekerjaan nyata, tetapi tidak satu pun benar-benar menyelesaikan masalah.

Berbagai jenis AI yang berguna untuk skenario layanan pelanggan yang berbeda.

Catatan singkat soal istilah: industri biasanya menyebut baris pertama sebagai “chatbot“. Artikel ini menyebutnya bot berbasis aturan, karena perbedaan sebenarnya terletak pada arsitektur, bukan branding.

Orkestrasi bukan penyelesaian

Di sinilah sebagian besar kebingungan berada, jadi mari kita bicara terus terang.

Use case agentic yang paling sering terlihat di produksi, seperti routing, triase, penanganan eskalasi, orkestrasi workflow, dan personalisasi, semuanya pekerjaan nyata. Namun tidak satu pun menyelesaikan masalah. Sistem yang membaca tiket, mengklasifikasikannya dengan benar, menarik konteks akun yang tepat, dan merutekannya ke antrean yang tepat memang telah melakukan sesuatu yang berguna, tetapi belum menyelesaikan masalah pelanggan. Orkestrasi mempercepat proses yang sudah ada. Penyelesaian benar-benar mengurangi beban kerja Anda.

Di sini pula istilah pengukuran menjadi licin. Ada 3 istilah yang sering dipakai bergantian, padahal seharusnya tidak:

• Deflection rate. Porsi kontak yang ditangani tanpa manusia. Mudah digelembungkan, karena pelanggan yang menyerah atau terjebak dalam loop terlihat sama dengan keberhasilan di log.
• Containment rate. Porsi percakapan yang tetap berada di kanal otomatis. Tidak menunjukkan apa pun tentang apakah masalahnya teratasi.
• Resolution rate. Apakah masalah benar-benar tuntas, dikonfirmasi dengan tidak adanya kontak ulang dalam 24–48 jam, atau dengan menanyakan langsung kepada pelanggan.

Hanya angka ketiga yang mencerminkan hasil nyata bagi pelanggan. Jika vendor memberi Anda angka tanpa menyebut yang mana dari ketiganya, itulah hal pertama yang perlu ditanyakan.

Seperti apa penyelesaian yang berhasil

Situasi spesifik lebih penting daripada angka utama, karena keberatan setiap pemimpin layanan selalu “lingkungan kami lebih rumit dari studi kasus itu”. Jadi, berikut kendala yang sebenarnya dihadapi masing-masing tim:

K1x menjalankan workflow dokumen pajak dan hukum dengan tim support kecil dan sama sekali tidak berminat pada proyek IT yang panjang. Sistemnya dipasang di atas infrastruktur yang sudah ada alih-alih menggantinya, dan itulah yang memungkinkan rollout cepat: mereka mencapai 80% penyelesaian otonom di minggu pertama go-live.

Clio menjual software praktik hukum ke basis pelanggan global dan tidak mudah percaya klaim siapa pun. Mereka mengevaluasi 32 vendor dan menjalankan uji head-to-head terhadap lebih dari 10 vendor sebelum memilih. Hasilnya: 80% penyelesaian otonom dan live support 4 kali lebih cepat.

Rho, perusahaan fintech, menghadapi volume kontak yang terus naik tanpa tambahan headcount. Tujuannya sekadar bisa mengimbangi tanpa menurunkan kualitas pengalaman: mereka mempertahankan CSAT 95% sambil menangani 12% lebih banyak kontak bulanan dengan jumlah tim yang sama.

Sebuah perusahaan gaming Fortune 500 beroperasi di sektor yang teregulasi dengan volume yang melonjak tajam saat ada event. Volume normalnya lebih dari 330.000 interaksi per bulan dengan tingkat penyelesaian 80%, dan pada satu hari puncak event, sistem menyelesaikan 13.000 interaksi.

Tingkat otonomi yang sebenarnya Anda beli

Kerangka tingkat otonomi mulai mengerucut. Cloud Security Alliance merilis model 6 tingkat pada Januari 2026, dan sebagian besar versi lain sepakat soal bentuknya meski memakai label berbeda.

Dalam praktiknya, sebagian besar implementasi enterprise berada di tingkat otonomi bersyarat: sistem menangani seluruh tugas dalam batas yang ditentukan dan mengeskalasi apa pun di luar batas itu. Jika vendor mengklaim lebih dari itu, yang mereka gambarkan adalah roadmap, bukan produk.

Contoh refund membuatnya lebih konkret: pada otonomi bersyarat, sistem membaca permintaan, mencocokkannya dengan kebijakan, memverifikasi kelayakan berdasarkan pesanan, menerbitkan kredit jika masih di bawah ambang batas, dan menyerahkannya ke manusia lengkap dengan konteks jika tidak. Anda yang menetapkan ambang batas itu, dan pengaturan itulah, bukan model yang mendasarinya, yang benar-benar menentukan seberapa banyak yang dikerjakan sistem.

5 pertanyaan yang membedakan kedua kategori

1. Apa yang benar-benar dilakukan sistem, bukan sekadar dikatakan? Minta daftar spesifik tindakan yang bisa dijalankannya di sistem Anda. Jika jawabannya hanya soal menjawab pertanyaan, itu orkestrasi, bukan penyelesaian.
2. Bagaimana penyelesaian didefinisikan dan diverifikasi: deflection, containment, atau penyelesaian yang terkonfirmasi, dan dalam rentang waktu berapa lama?
3. Apa yang terjadi saat tingkat keyakinan rendah? Sistem tanpa jalur eskalasi yang jelas sebenarnya hanya menebak.
4. Apa yang sebenarnya dibutuhkan dari tim Anda untuk setup? Berminggu-minggu waktu solutions architect vendor sangat berbeda dengan berminggu-minggu waktu engineer Anda sendiri.
5. Pelanggan mana di industri Anda, dengan volume setara, yang benar-benar bersedia berbicara dengan Anda? 1 panggilan referensi di lingkungan yang sebanding memberi tahu Anda lebih banyak daripada statistik benchmark mana pun.

Pertanyaan yang sering diajukan

Apa itu agentic AI dalam layanan pelanggan?

Software yang mengejar tujuan layanan secara mandiri: membaca permintaan, merencanakan langkah, bertindak pada sistem yang menyimpan data, dan mengonfirmasi hasilnya tanpa ada yang mengarahkan setiap langkah. Ciri utamanya: menuntaskan tugas, bukan sekadar merutekannya.

Apa bedanya agentic AI dengan chatbot?

Bot berbasis aturan mencocokkan input dengan jawaban berskrip dan melempar apa pun yang asing ke manusia. Sistem agentic menalar permintaan yang asing, menentukan langkah yang dapat mengatasinya, dan menjalankannya di sistem live. Yang satu mengalihkan, yang lain menyelesaikan.

Apakah agentic AI sama dengan generative AI?

Tidak. Generative AI hanya menghasilkan teks sebagai respons atas prompt. Agentic AI menggunakan model generatif sebagai salah satu bagian dari sistem yang lebih besar yang juga merencanakan, mengingat, dan bertindak. Membeli generative AI lalu berharap hasil agentic adalah kesalahan yang umum.

Bisakah agen AI memproses refund atau mengubah pesanan?

Bisa, jika terhubung ke sistem yang menjalankan tindakan tersebut dan diizinkan melakukannya dalam batas yang ditetapkan. Sebagian besar perusahaan menetapkan ambang batas dan meneruskan apa pun di atasnya ke manusia.

Berapa resolution rate yang baik untuk AI dalam layanan pelanggan?

Tergantung kanal, kompleksitas, dan cara Anda mengukurnya. Angka produksi nyata berkisar antara sekitar 50% hingga 93%. Tanyakan kepada setiap vendor bagaimana tepatnya mereka mendefinisikan dan memverifikasi angkanya sebelum membandingkannya dengan angka vendor lain.

Apakah agentic AI akan menggantikan agen manusia?

Sistem saat ini berjalan pada otonomi bersyarat, menangani pekerjaan yang terdefinisi dan mengeskalasi sisanya. Sejauh ini, polanya adalah kapasitas yang bertambah: tim yang sama menangani volume lebih besar, dan menghabiskan lebih banyak waktu untuk hal-hal yang benar-benar membutuhkan penilaian.

Apakah agentic AI sesuai dengan PCI DSS dan HIPAA?

Kepatuhan ditentukan oleh platformnya, bukan kategorinya. Tanyakan sertifikasi spesifiknya, apakah mencakup kanal suara, dan bagaimana data pribadi ditangani secara real time.

Mengapa proyek agentic AI gagal?

Gartner menyebut biaya yang terus naik, manfaat yang tidak jelas, dan kontrol risiko yang lemah. Di balik semua itu, masalah sebenarnya biasanya adalah membeli sesuatu yang melakukan orkestrasi lalu berharap sistem itu menyelesaikan masalah.