AI Agent Assist: Saran Real-Time, Pengetahuan, dan Langkah Berikutnya

Oleh Linh Ngo · Diperbarui 11 Oktober 2026

AI agent assist (bantuan untuk agen) adalah perangkat lunak yang membaca percakapan pelanggan secara langsung dan, selagi agen manusia masih menanganinya, menyarankan balasan, menampilkan pengetahuan yang tepat, dan mengusulkan langkah berikutnya. Agen tetap memegang kendali: setiap saran bisa dikirim, disunting, atau diabaikan. Bagian terakhir itulah yang membedakannya dari chatbot. Bot berbicara kepada pelanggan. Assist berbicara kepada agen Anda, dan agen Anda yang berbicara kepada pelanggan.

Bagi sebagian besar tim dukungan, ini adalah langkah awal yang lebih aman menuju AI. Pelanggan tetap dilayani oleh manusia, manusia mendapat jalur yang lebih cepat menuju jawaban, dan Anda segera tahu apakah pengetahuan Anda cukup baik untuk diotomatisasi. Jika Anda masih menimbang di mana assist cocok, gambaran umum AI dalam layanan pelanggan memetakan pilihan yang lebih luas, dan otomatisasi atau bantu membahas cara memilih per topik.

Fakta Utama

• Dalam studi terhadap 5.179 agen dukungan pelanggan, akses ke asisten generative AI menaikkan jumlah masalah yang diselesaikan per jam sekitar 14% rata-rata, dan sekitar 34% untuk pekerja pemula dan berketerampilan rendah, dengan dampak minimal pada pekerja berpengalaman.
• Dalam studi yang sama, agen mengikuti rekomendasi AI 35% dari waktu rata-rata, sehingga sebagian besar saran tidak digunakan. Agen yang mengikutinya lebih ketat memperoleh peningkatan lebih besar.
• Agen yang diberi AI dengan masa kerja dua bulan berkinerja setara agen tanpa AI dengan masa kerja lebih dari enam bulan pada ukuran utama studi tersebut.
• Dalam survei State of Service ke-7 dari Salesforce terhadap 6.500 profesional layanan, perwakilan yang menggunakan AI melaporkan menghabiskan 20% lebih sedikit waktu untuk kasus rutin, sekitar empat jam seminggu yang terbebaskan. Itu adalah survei vendor atas waktu yang dilaporkan sendiri, bukan hasil yang diukur.
• Copilot milik Intercom dapat memanfaatkan percakapan dan tiket sebelumnya dari 4 bulan terakhir tetapi tidak menggunakan percakapan dari kanal email.

Apa yang Dilakukan Agent Assist Selama Kontak Berlangsung

Agent assist punya tiga tugas, dan sebagian besar produk menggabungkannya. Ada gunanya memisahkannya, karena masing-masing gagal karena alasan yang berbeda.

1. Saran balasan. Alat ini menyusun draf apa yang perlu dikatakan berikutnya. Saran balasan pertama dari Zendesk, misalnya, menyusun draf respons pertama di composer Agent Workspace, dibangun dari makro (balasan tersimpan) dan artikel pusat bantuan yang sudah ada di akun (dan terkadang dari konten buatan LLM). Agen dapat mengirimkannya apa adanya, menyuntingnya, atau menolaknya dan menulis balasannya sendiri. Salesforce menggambarkan balasan layanannya dengan cara yang sama: generative AI menyusun draf balasan untuk ditinjau, disunting, dan diposting oleh perwakilan.

2. Penampilan pengetahuan. Alat ini menemukan artikel, kebijakan, atau jawaban terdahulu yang sesuai dengan pertanyaan, sehingga agen tidak perlu mencari-cari. Rekomendasi artikel Salesforce merekomendasikan artikel pengetahuan yang relevan kepada perwakilan pada kasus yang terbuka, dan rekomendasi balasannya menampilkan respons umum yang sudah disetujui selama chat dan pesan instan. Copilot milik Intercom memungkinkan agen melihat pratinjau sumber di balik sebuah jawaban di sidebar, dan jawaban yang dibangun dari sumber internal ditandai kuning dengan peringatan sebelum masuk ke composer. Ini adalah retrieval-augmented generation (pola ACE rag-assistant) yang diarahkan ke audiens internal.

3. Langkah berikutnya. Alat ini merekomendasikan tindakan: memberi tag pada kontak, menawarkan pengembalian dana sesuai kebijakan, membuka tiket rekayasa, mengirim tindak lanjut. Ini adalah pola ACE workflow-copilot. Dari ketiganya, inilah yang paling membutuhkan data terstruktur, karena "langkah berikutnya" bergantung pada paket pelanggan, status pesanan, atau riwayat akun, bukan hanya pada kata-kata di chat.

Dua fitur pendukung melengkapi ketiganya. Deteksi intent memberi tahu lapisan assist apa yang ditanyakan pelanggan, sehingga ia mengambil konten yang tepat. Ringkasan tiket memberi agen riwayat dalam beberapa baris, sehingga mereka tidak perlu membaca empat puluh pesan sebelum membalas.

Satu Kontak Langsung, Langkah demi Langkah

Misalkan seorang pelanggan menulis: "Saya ditagih dua kali untuk paket tahunan saya." Inilah yang dilakukan lapisan assist yang dikonfigurasi dengan baik dalam menit pertama.

1. Ia mengklasifikasikan topik sebagai sengketa penagihan dan menarik paket serta faktur terbaru pelanggan.
2. Ia menampilkan artikel kebijakan pengembalian dana dan makro tagihan ganda di samping percakapan.
3. Ia menyusun draf pengakuan yang menyebut paket pelanggan dan menjelaskan apa yang terjadi berikutnya.
4. Ia mengusulkan langkah berikutnya: memeriksa apakah itu otorisasi tertunda atau tagihan kedua yang sebenarnya, dan mengembalikan dana sesuai batas agen jika memang nyata.
5. Agen menyunting draf, mengirimkannya, dan menerapkan langkah tersebut. Kontak dicatat dengan kode alasan.

Tidak satu pun dari langkah itu menyingkirkan manusia. Yang disingkirkan adalah pencarian, pengetikan ulang, dan jeda "kebijakan mana yang berlaku?".

Apa Kata Bukti

Studi yang paling terkenal adalah peluncuran bertahap pada operasi dukungan chat di satu perusahaan, yang diterbitkan sebagai NBER Working Paper 31161 dan kemudian di Quarterly Journal of Economics. Ada empat temuan yang layak dibawa ke dalam perencanaan Anda.

Rata-rata menyembunyikan perbedaannya. Peningkatan rata-rata 14% datang bersama sekitar 34% untuk agen pemula dan berketerampilan rendah serta perubahan minimal untuk agen berpengalaman. Jika tim Anda sebagian besar veteran, harapkan efek produktivitas yang lebih kecil dan carilah peningkatan konsistensi. Jika Anda merekrut bergelombang atau tingkat pergantian karyawan tinggi, assist menjadi lebih penting.

Ia mempersingkat masa adaptasi. Agen dengan masa kerja dua bulan dan akses AI berkinerja setara agen dengan masa kerja lebih dari enam bulan tanpa AI, pada ukuran hasil utama makalah tersebut (PDF makalah kerja). Bagi seorang manajer, itu argumen biaya pelatihan sekaligus argumen kecepatan.

Ia dirancang untuk menambah kemampuan. Sistem ini menghasilkan saran respons secara real-time dan tautan ke dokumentasi teknis internal, yang hanya ditampilkan kepada agen, yang memiliki kebebasan penuh untuk menggunakannya atau tidak. Agen mengikuti rekomendasi sekitar 35% dari waktu rata-rata, dan kepatuhan meningkat seiring waktu, terutama di kalangan pekerja yang awalnya skeptis. Penggunaan selektif adalah hal yang lazim, dan itu sehat: tingkat saran yang mendekati 100% berarti tidak ada yang berpikir.

Ia menyentuh hasil yang menyangkut orang. Para penulis melaporkan sentimen pelanggan yang membaik, lebih sedikit pelanggan yang meminta supervisor, dan atrisi yang lebih rendah karena pekerja baru bertahan. Lebih sedikitnya karyawan baru yang keluar adalah pos biaya yang langsung dikenali kebanyakan pemimpin dukungan.

Satu catatan tentang cakupan. Ini adalah satu perusahaan, satu produk chat, dan alat tertentu yang dilatih pada percakapan dan hasil dari agennya sendiri, dengan sebagian besar agen berlokasi di Filipina. Anggaplah ini sebagai bukti kuat bahwa mekanismenya bekerja, bukan janji 14% pada antrean Anda. Angka dari sisi vendor lebih lemah: hasil survei Salesforce tentang 20% lebih sedikit waktu pada kasus rutin berasal dari laporan perwakilan sendiri, jadi gunakan sebagai arah, bukan target.

Agent Assist menurut Fungsi

Polanya sama di mana-mana, tetapi apa yang dianggap sebagai "saran yang baik" berubah.

Pada setiap baris, saran hanya sebaik konten dan data di baliknya. Baris TI gagal karena alasan yang sama dengan baris teknis: dokumentasi yang tidak dirawat siapa pun.

Cara Menerapkan Agent Assist

Peluncuran tidak perlu dilakukan sekaligus. Urutan ini berhasil untuk sebagian besar tim.

1. Pilih satu antrean dan satu kanal. Pilih antrean bervolume tinggi dan berisiko rendah di mana jawabannya sudah tertulis. Chat atau pesan instan biasanya menjadi awal. Periksa apa yang didukung alat Anda: Copilot milik Intercom, misalnya, tidak menggunakan percakapan kanal email sebagai sumber, jadi cakupan kanal perlu dipastikan sejak awal. Cakupan kanal sangat bervariasi antarproduk.
2. Perbaiki pengetahuan lebih dulu. Saran mengambil dari makro dan artikel Anda, sehingga duplikat, kontradiksi, dan kebijakan usang berubah menjadi draf salah yang disampaikan penuh percaya diri. Mulailah dengan 50 makro yang paling sering dipakai dan 30 artikel teratas. Menyiapkan data dukungan untuk AI membahas pembersihannya secara rinci.
3. Tentukan apa yang boleh disarankan alat. Buat daftar topik di mana draf diterima (cara penggunaan, status pesanan) dan topik di mana draf dimatikan (ancaman hukum, keselamatan, pengungkapan yang diatur regulasi). Tuliskan daftar itu sebelum peluncuran.
4. Jalankan dalam mode bayangan selama dua minggu. Tampilkan saran kepada kelompok Pilot kecil, dan catat terima, sunting, dan tolak untuk setiap saran, beserta alasannya saat ditolak. Belum ada perubahan yang terlihat pelanggan.
5. Latih penilaian, bukan tombol. Agen perlu tahu bahwa draf adalah titik awal. Ajarkan pemeriksaan dua detik: apakah draf sesuai dengan yang ditanyakan pelanggan, dan apakah sumber yang dikutip memang mengatakan itu?
6. Ukur dengan kelompok kontrol. Bandingkan agen Pilot dengan agen serupa tanpa assist, atau dengan baseline (garis dasar) kelompok Pilot itu sendiri. Lacak waktu penanganan, penyelesaian pada kontak pertama, tingkat pembukaan ulang, CSAT, dan waktu hingga karyawan baru mahir. Jangan menilai hanya dari tingkat penerimaan saran.
7. Tutup siklus umpan balik. Setiap saran yang ditolak adalah data. Jika agen terus menulis ulang draf yang sama, makro atau artikel di baliknya salah. Perbaiki di sumbernya.
8. Perluas per antrean, bukan dengan satu saklar. Tambahkan antrean berikutnya hanya ketika antrean pertama mempertahankan angka kualitasnya. Kaitkan assist dengan QA untuk dukungan agar peninjau dapat melihat percakapan mana yang memakai draf dan apakah hasilnya baik.

Kesalahan yang Perlu Dihindari

Menganggap tingkat penerimaan sebagai keberhasilan. Tingkat penerimaan yang tinggi bisa berarti alatnya bagus atau agen sudah berhenti memeriksa. Studi NBER menemukan penggunaan selektif itu normal, sekitar 35% rata-rata. Padukan tingkat penerimaan dengan tingkat pembukaan ulang dan skor QA.

Mengabaikan basis pengetahuan. Artikel Zendesk sendiri mencatat bahwa agen tidak dapat memengaruhi isi balasan yang disarankan, sehingga cara memperbaikinya adalah memperbaiki makro dan artikel yang menjadi sumbernya. Assist dengan cepat membongkar utang konten.

Bias otomatisasi. Di bawah tekanan antrean, agen mengirim apa yang ada di layar. Jaga agar pratinjau sumber hanya berjarak satu klik, seperti yang dilakukan Intercom dengan pratinjau sumber di sidebar, dan tinjau sampel draf yang terkirim setiap minggu.

Hanya mengukur kecepatan. Jika waktu penanganan turun sementara kontak berulang naik, alat itu membantu agen menutup kasus lebih cepat, bukan lebih baik. Perhatikan penyelesaian dari sisi pelanggan, bukan hanya aktivitas di sisi Anda.

Melupakan rencana kapasitas. Jika assist meningkatkan throughput, perhitungan staf Anda berubah. Masukkan waktu penanganan yang baru ke peramalan volume dan kapasitas sebelum memangkas shift atau rencana perekrutan.

Melewatkan coaching. Assist menyebarkan kebiasaan baik, tetapi tidak akan memperbaiki masalah kualitas dengan sendirinya. Gunakan data terima dan tolak dalam percakapan coaching, di situlah efek pembelajaran dalam penelitian benar-benar diperkuat.

Seperti Apa 90 Hari Pertama yang Baik

Pada minggu kedua, Anda seharusnya sudah memiliki set konten yang bersih dan kelompok Pilot. Pada minggu keenam, Anda seharusnya sudah mengetahui pola terima, sunting, dan tolak per topik, serta sudah memperbaiki sepuluh masalah konten teratas yang terungkap. Pada minggu kedua belas, Anda seharusnya memiliki perbandingan dengan kelompok kontrol pada waktu penanganan, tingkat pembukaan ulang, dan CSAT, ditambah satu angka yang akan diterima mitra keuangan Anda, seperti jam per minggu yang dikembalikan ke antrean atau minggu yang dihemat per karyawan baru. Jika perbandingannya datar, penyebab yang mungkin adalah kualitas konten atau tim yang didominasi veteran, bukan gagasannya itu sendiri. Perbaiki yang pertama dan pertimbangkan ulang cakupan untuk yang kedua.