Langsung ke konten
    Support automation

    Bagaimana mengotomasi customer support tanpa merusak eskalasi?

    Jawaban singkatnya

    Petakan setiap aturan eskalasi yang sekarang diterapkan manusia, lalu otomasi hanya pekerjaan yang berada di atas aturan itu. Eskalasi bukan fitur yang ditambahkan ke alur otomatis — eskalasi adalah batas alurnya, jadi batasnya harus ada dan tertulis sebelum apa pun diotomasi. Tim yang mengotomasi dulu dan mendefinisikan eskalasi kemudian berakhir dengan sistem yang menangani semuanya dengan percaya diri, termasuk hal-hal yang tidak boleh disentuhnya.

    Dipublikasikan 17 Oktober 2026Diperbarui 17 Oktober 20264 menit baca
    Read in English

    Mulai dari aturan yang sudah ada

    Setiap tim dukungan punya kebijakan eskalasi, dan setiap versinya adalah kompromi antara yang aman dan yang masih bisa diingat agen di bawah tekanan. Tuliskan apa yang dikatakan kebijakan dan apa yang sebenarnya dilakukan tim, karena keduanya berbeda. Di fintech perbedaannya biasanya condong ke sisi aman — agen escalate jauh lebih sering daripada yang diminta kebijakan, karena salah soal uang adalah kejadian yang berdampak pada karier. Eskalasi tambahan itulah target otomasi yang sesungguhnya, dan tidak terlihat kalau Anda hanya membaca dokumennya.

    Keluaran tahap ini adalah tabel: pemicunya, siapa yang memutuskan, apa yang harus dilihat manusia sebelum memutuskan, dan hasil terburuk kalau keputusannya salah. Kalau kolom terakhir tidak bisa Anda isi untuk satu baris, Anda baru menemukan aturan yang tidak dipahami siapa pun — dan itu belum bisa diotomasi.

    Otomasi pekerjaan di atas garis, bukan keputusannya

    Pecah setiap tugas menjadi mengumpulkan, menilai, dan bertindak. Mengumpulkan dan bertindak bagus diotomasi; menilai tidak, dan proyek pertama tidak boleh mencoba. Mengambil riwayat transaksi pelanggan, menentukan produk mana yang terkait, menyusun balasan dalam bahasa dan nada yang tepat, serta mengisi kolom tiket lebih dulu — sebagian besar waktu agen untuk satu kasus nyata habis di situ. Keputusannya — refund atau dispute, blokir atau buka, eskalasi atau tutup — hanya butuh beberapa detik dan justru bagian yang layak tetap manusia.

    Secara konkret: di FINETIKS pekerjaan yang saya pimpin adalah alur kerja AI agen dan otomasi peka konteks yang menekan intervensi manual sampai 40%, berjalan bersama operasi dukungan, alur eskalasi, dan otomasi n8n yang menopangnya. Empat puluh persen itu adalah mengetik, mencari informasi, dan memindahkan data antar sistem. Bukan penilaian atas uang pelanggan.

    Buat batasnya terlihat di produk

    Dua hal harus berlaku di antarmuka, kalau tidak otomasinya akan melebar diam-diam. Agen harus bisa melihat apa yang dilakukan sistem dan mengapa, di tampilan tempat mereka bekerja — panel ringkas "3 sumber dikonsultasikan, draf dari templat X" sudah cukup. Dan sistem harus menyatakan, di dalam tiket itu sendiri, kapan ia memilih untuk tidak memutuskan.

    Mode kegagalan yang saya lawan bukan jawaban yang salah, melainkan jawaban benar tanpa jejak — karena kalau begitu tidak ada yang bisa mengaudit, tidak ada yang bisa mengajari, dan orang berikutnya yang mewarisi alur kerja harus menebak bagian mana yang struktural. Saat kami memangkas intervensi manual di FINETIKS, syarat yang saya pegang adalah jalur keputusan manusia tetap terbaca. Antrean yang lebih cepat dengan otak tak terlihat di dalamnya bukan sistem; itu rumor tentang sistem.

    Filbert Henrico adalah Technical Customer Success Lead di FINETIKS, Tangerang, sejak Juni 2025, dengan lebih dari tujuh tahun customer success dan technical sales di fintech Asia Tenggara, termasuk Xendit, Peakflo, dan Brick. Fokusnya mencakup integrasi API, AI agen, otomasi alur kerja, conversational AI, UAT, dan kesiapan peluncuran. Sarjana Marketing, Victoria University, Bandar Sunway, Malaysia, 2016–2019.

    Sedang menghadapi hal serupa?

    Halaman-halaman ini menjelaskan cara saya mendekati pekerjaannya, bukan metodologi baku. Kalau Anda sedang menelaah hal serupa dan butuh pandangan kedua atas pilihan-pilihannya, kirimkan masalahnya dalam keadaan apa adanya — yang belum rapi justru lebih berguna.

    Baca lagi

    Semua pertanyaan
    01AI product strategy · 4 menit baca · 17 Oktober 2026

    Use case AI mana yang sebaiknya dibangun lebih dulu?

    Bangun yang manusianya sudah mengerjakan tugasnya setiap hari, jawaban benar mudah dikenali, dan jawaban salah murah untuk dibatalkan. Tiga syarat itulah yang membuat proyek bisa selesai: alur kerjanya memberi data, jawaban yang jelas memberi alat uji, dan kesalahan yang murah memberi izin untuk rilis.

    02Conversational and voice AI · 5 menit baca · 17 Oktober 2026

    Apa arti kesiapan produksi untuk agen AI suara?

    Agen suara siap produksi ketika ia bisa mengakhiri panggilan dengan aman tanpa perlu pernah pintar. Artinya empat hal diuji dengan audio nyata, bukan transkrip: ia mengenali ucapan penelepon yang sebenarnya, ia menangani saat dipotong, ia punya tempat untuk menyerahkan ke manusia, dan setiap tindakan ke sistem nyata punya batas yang tidak bisa dilampaunya.

    03AI vendor selection · 4 menit baca · 17 Oktober 2026

    Bagaimana tim fintech seharusnya menilai vendor AI?

    Nilai perilaku vendor saat gagal, bukan klaim akurasi mereka. Mintakan sepuluh panggilan terburuk yang bisa mereka tunjukkan, apa yang sistem lakukan saat salah, dan siapa yang menyadarinya. Vendor yang bisa menjawab itu telah membangun sesuatu; vendor yang menjawab dengan angka benchmark telah membangun demo.

    Esai