Bagaimana AI Mengubah Peran dan Penyusunan Staf Tim Dukungan

Oleh Linh Ngo · Diperbarui 11 Oktober 2026

AI mengubah peran tim dukungan dengan mengambil alih kontak yang berulang dan terdokumentasi dengan baik, serta membantu agen pada sisanya, sehingga pekerjaan manusia bergeser ke kasus kompleks, keputusan yang membutuhkan penilaian, dan pemeliharaan pengetahuan serta aturan yang menjadi dasar kerja AI. Perencanaan jumlah staf ikut berubah: Anda menyusun staf untuk percakapan yang lebih sedikit tetapi lebih sulit, dan Anda menambahkan sejumlah kecil peran yang sebelumnya tidak ada, seperti AI trainer dan manajer pengetahuan.

Panduan ini ditujukan bagi pemimpin dukungan, CX director, dan support manager yang harus memutuskan seperti apa bagan organisasi mereka setelah AI masuk ke alur kerja. Panduan ini bagian dari koleksi AI for Customer Service. Untuk gambaran besarnya, mulailah dari AI dalam layanan pelanggan. Di sini kita fokus pada manusia: peran mana yang berubah, peran baru apa yang muncul, dan bagaimana memindahkan tim ke sana tanpa mengganggu layanan.

Fakta Utama

• Dalam studi terhadap 5.179 agen dukungan pelanggan, akses ke asisten generative AI menaikkan jumlah masalah yang diselesaikan per jam sebesar 14% rata-rata (Brynjolfsson, Li, dan Raymond, NBER Working Paper 31161).
• Studi yang sama melaporkan peningkatan 34% untuk pekerja pemula dan berketerampilan rendah, serta dampak minimal pada pekerja berpengalaman dan sangat terampil (NBER Working Paper 31161).
• Biro Statistik Tenaga Kerja AS (BLS) mencatat sekitar 2,67 juta pekerjaan perwakilan layanan pelanggan pada 2025 dan memproyeksikan penurunan 5% dari 2025 hingga 2035, kehilangan sekitar 141.800 pekerjaan (BLS Occupational Outlook Handbook).
• BLS mengaitkan penurunan tersebut dengan sistem swalayan dan otomatisasi yang menangani tugas sederhana, sementara sebagian perusahaan mempertahankan pusat layanan internal untuk pertanyaan kompleks (BLS Occupational Outlook Handbook).
• Bahkan dengan penurunan yang diproyeksikan, BLS memperkirakan sekitar 289.500 lowongan per tahun, seluruhnya dari pekerja yang meninggalkan pekerjaan ini atau pindah ke pekerjaan lain (BLS Occupational Outlook Handbook).

Apa yang Sebenarnya Berubah dalam Tim Dukungan

Dua kekuatan bekerja pada organisasi dukungan pada saat yang sama, dan keduanya menarik ke arah yang berbeda.

Yang pertama adalah bantuan. Copilot AI menyusun draf balasan, meringkas utas yang panjang, dan menarik artikel bantuan yang tepat selagi agen mengetik. Studi NBER adalah bukti paling jernih yang kita miliki untuk efek ini. Peningkatannya tidak merata. Peningkatan 34% untuk pekerja pemula dan berketerampilan rendah, dibandingkan dampak minimal pada pekerja berpengalaman, menunjukkan bahwa asisten ini bekerja sebagian dengan meneruskan apa yang sudah diketahui para performer terbaik. Itu berdampak pada penyusunan staf: waktu adaptasi dan nilai seorang agen senior sama-sama berubah. Tulisan kami tentang copilot AI menjelaskan mekanismenya.

Yang kedua adalah otomatisasi. Chatbot dan agen AI menyelesaikan sebagian kontak dari awal hingga akhir, sehingga kontak tersebut tidak pernah sampai ke manusia. BLS menyatakannya dengan jelas dalam proyeksinya untuk pekerjaan ini: tugas sederhana beralih ke swalayan dan sistem otomatis, dan yang tersisa bagi manusia lebih kompleks. Jika Anda ingin melihat bagaimana keputusan itu diambil kontak demi kontak, baca otomatisasi atau bantu dalam layanan pelanggan.

Jika digabungkan, volume yang sampai ke manusia menjadi lebih kecil dan lebih sulit. Rata-rata waktu penanganan per kontak bisa naik meskipun produktivitas per agen membaik, karena kontak yang mudah sudah keluar dari antrean. Pemimpin yang menilai tim dengan target waktu penanganan lama akan mengira keadaan memburuk padahal sedang membaik.

Tabel Peran: Sebelum dan Sesudah

Judul jabatan bervariasi, tetapi pergeserannya konsisten. Gunakan ini sebagai peta awal, lalu sesuaikan dengan struktur Anda sendiri.

Tidak setiap tim membutuhkan orang yang berjudul "AI trainer." Dalam tim 15 orang, pekerjaannya mungkin hanya setengah hari seminggu bagi seorang agen senior. Dalam operasi besar, itu adalah sebuah tim. Yang penting adalah ada seseorang yang memilikinya secara resmi, karena kualitas AI yang tanpa pemilik akan menyimpang.

Peran demi Peran: Apa yang Diharapkan

Tier 1: kontak lebih sedikit, standar lebih tinggi

Tier 1 adalah tempat otomatisasi mendarat lebih dulu, karena kontaknya berulang dan jawabannya sudah tertulis. Jangan membacanya sebagai "tier 1 menghilang." Bacalah sebagai "pekerjaan tier 1 berubah bentuk." Agen tier 1 manusia kini menangani kontak yang tidak bisa diselesaikan bot: pelanggan yang kesal, permintaan yang mencampur dua masalah, atau akun dengan riwayat tidak biasa. Itu membutuhkan keterampilan lebih tinggi daripada reset kata sandi, dan profil perekrutan serta rentang gaji Anda seharusnya mencerminkan hal itu.

Alat agent-assist melakukan tugas kedua di sini. Jika copilot menyarankan jawabannya, karyawan baru dapat menangani rentang masalah yang lebih luas lebih cepat. Itu sejalan dengan pola yang ditemukan studi NBER untuk pekerja yang kurang berpengalaman, meskipun itu hanya satu studi di satu lingkungan dukungan, jadi ujilah pada kontak Anda sendiri sebelum merencanakan berdasarkan hal itu.

Spesialis: jalur eskalasi menjadi lebih sibuk

Spesialis dan tier 2 mengambil porsi yang lebih besar dari apa yang sampai ke manusia. Mereka juga mendapat tugas baru: meninjau kasus yang dieskalasi oleh AI, dan memberi tahu trainer apa yang salah dilakukan AI. Alur kerja eskalasi yang dijalankan dengan baik meneruskan seluruh konteks kepada spesialis agar pelanggan tidak perlu mengulang. Spesialis yang menyukai pemecahan masalah mendalam biasanya berkembang. Mereka yang mengandalkan pekerjaan bervolume untuk tetap produktif mungkin membutuhkan dukungan.

Manajer pengetahuan: peran baru yang paling kurang dihargai

Sebagian besar alat jawaban AI mengambil dari konten bantuan Anda lalu menyusun balasan, sebuah pola yang disebut retrieval-augmented generation. Jika artikelnya usang, jawabannya pun usang, disampaikan dengan penuh percaya diri dan dalam skala besar. Itu menjadikan pemilik basis pengetahuan sebagai penanggung jawab kualitas untuk setiap jawaban AI. Manajer pengetahuan menjaga satu sumber kebenaran, memensiunkan artikel yang duplikat dan bertentangan, dan meninjau apa pun yang ditandai ketika pelanggan menilai sebuah jawaban dengan buruk. Lihat agen AI basis pengetahuan untuk melihat bagaimana otomatisasi dapat membantu pekerjaan ini tanpa menggantikan pemiliknya.

AI trainer dan perancang percakapan

Peran ini menulis dan menguji aturan: kapan harus handoff, nada apa yang dipakai, topik mana yang tidak boleh dijawab AI sendirian. Pekerjaannya sangat mirip dengan gabungan agen senior dan editor konten. Kandidat yang baik sering datang dari tier 2 terbaik Anda, karena mereka tahu di mana jawaban yang sebenarnya berbeda dari yang terdokumentasi.

Pemimpin tim dan QA

Quality assurance dulu mengambil sampel beberapa tiket manusia per agen per minggu. Dengan AI dalam campuran, Anda juga meninjau percakapan bot, dan kegagalannya tampak berbeda: jawaban salah yang disampaikan penuh percaya diri, lingkaran di mana pelanggan tidak bisa menjangkau manusia, tanda-tanda frustrasi yang terlewat. Pemimpin membutuhkan cara membaca sampel dengan cepat dan jalur yang jelas untuk mengoreksi AI, bukan hanya melakukan coaching pada orangnya.

Cara Merancang Ulang Peran dan Staf, Langkah demi Langkah

1. Petakan jenis kontak menurut kompleksitas dan risiko. Tarik tiga bulan tiket dan kelompokkan: berulang dan terdokumentasi, berulang tetapi sensitif (sengketa penagihan, penutupan akun), serta kompleks atau emosional. Peta ini menentukan semua hal lainnya. Jika data tiket Anda berantakan, perbaiki dulu; menyiapkan data dukungan untuk AI membahasnya.
2. Putuskan apa yang diotomatisasi dan apa yang dibantu. Otomatisasi di mana jawabannya stabil dan jawaban salah murah akibatnya. Bantu di mana penilaian atau empati penting. Tetap libatkan manusia pada apa pun yang berkonsekuensi uang, hukum, atau keselamatan.
3. Tunjuk pemilik sebelum peluncuran. Tugaskan seseorang untuk pengetahuan, seseorang untuk aturan AI dan handoff, dan seseorang untuk tinjauan kualitas. Awalnya ini boleh paruh waktu. Kepemilikan yang tidak dinamai adalah alasan paling umum kualitas AI merosot setelah peluncuran.
4. Uji coba dengan satu antrean dan satu tim. Pertahankan penyusunan staf lama selama Pilot. Ukur kualitas penyelesaian dan tingkat eskalasi, bukan hanya volume deflection (pengalihan pertanyaan).
5. Tetapkan ulang baseline (garis dasar) metrik Anda. Waktu penanganan, kontak per agen, dan biaya per tiket semuanya bergeser ketika pekerjaan mudah pergi. Tetapkan target yang sesuai dengan campuran baru, dan tambahkan ukuran seperti kepuasan pelanggan pada kasus yang dieskalasi dan porsi jawaban AI yang perlu dikoreksi.
6. Latih ulang dan naikkan jenjang peran. Tawarkan jalur dari tier 1 ke peran spesialis, trainer, atau pengetahuan. Perbarui deskripsi pekerjaan, pertanyaan wawancara, dan rentang gaji agar sesuai dengan pekerjaan yang lebih berat.
7. Rencanakan staf melalui atrisi dan redeployment terlebih dahulu. BLS memproyeksikan sekitar 289.500 lowongan per tahun dalam pekerjaan ini, seluruhnya dari pekerja yang keluar atau pindah, yang menunjukkan pergantian yang nyata. Jika tim Anda mengalami churn serupa, Anda sering kali bisa membiarkan beban kerja menyesuaikan melalui atrisi alami dan perpindahan internal, bukan PHK. Putuskan hal ini dengan sengaja, bukan secara default.
8. Tinjau setiap kuartal. Campuran kontak bergeser seiring AI membaik dan pelanggan belajar apa yang bisa dilakukannya. Tinjau kembali peta dari langkah 1 setiap kuartal selama tahun pertama.

Model Penyusunan Staf yang Cocok dengan Campuran Baru

Beberapa pola muncul pada tim yang menangani transisi dengan baik.

Garis depan terpusat dengan cincin spesialis. Satu kelompok menangani kontak pertama, dibantu AI, dan kelompok spesialis yang lebih kecil menangani eskalasi. Ini menggantikan antrean tier 1 dan tier 2 yang kaku dengan routing fleksibel berdasarkan kompleksitas kontak, yang dapat digerakkan oleh triase AI.

Peran gabungan di tim kecil. Jika Anda memiliki kurang dari sepuluh orang, jangan merekrut AI trainer purnawaktu. Berikan agen terkuat Anda blok waktu yang dilindungi setiap minggu untuk aturan dan pengetahuan, dan rotasikan setiap beberapa bulan agar pengetahuan tidak hanya tersimpan di satu kepala.

Perencanaan kapasitas berdasarkan penyelesaian, bukan tiket. Jika Anda meramalkan kebutuhan staf hanya dari volume tiket, Anda akan melebih-lebihkan kebutuhan saat AI menyerap kontak sederhana dan meremehkan waktu per kasus yang tersisa. Ramalkan menurut jenis kontak dan perkiraan waktu penanganan untuk setiap jenis.

Cakupan yang disesuaikan dengan risiko. Di mana AI mencakup jam di luar operasional untuk pertanyaan rutin, Anda mungkin tidak membutuhkan cakupan manusia semalaman untuk pertanyaan tersebut, tetapi Anda mungkin tetap menginginkan jalur siaga kecil untuk kasus mendesak. Sesuaikan cakupan dengan risiko, bukan kebiasaan.

Kesalahan yang Perlu Dihindari

• Memangkas jumlah staf sebelum AI terbukti. Angka deflection terlihat bagus di awal, sementara masalah kualitas muncul beberapa minggu kemudian. Pertahankan penyangga sampai tingkat eskalasi dan kepuasan pada kontak yang ditangani AI stabil.
• Melupakan manusia yang menjadi tumpuan AI. Trainer, manajer pengetahuan, dan peninjau kualitas menjaga sistem tetap akurat. Menyingkirkan mereka demi menghemat biaya berarti menyingkirkan pengamannya.
• Memakai ulang target lama. Menilai agen dari waktu penanganan setelah tiket mudah pergi menghukum mereka karena menangani pekerjaan yang lebih sulit. Perbarui scorecard sebelum Anda memperbarui antrean.
• Melewatkan percakapan dengan orang-orangnya. Agen mendengar "AI" dan mengira akan ada PHK. Katakan dengan terus terang apa yang berubah, apa yang tetap, dan apa jalur pengembangannya. Tim yang mengharapkan kejutan kehilangan keterlibatan bahkan sebelum alatnya diluncurkan.
• Menganggap agent-assist sebagai pengganti coaching. Copilot dapat mengangkat hasil kerja agen yang lebih baru, tetapi mereka tetap membutuhkan umpan balik tentang penilaian dan nada. Temuan NBER adalah tentang produktivitas, bukan tentang pengembangan keterampilan.
• Menyembunyikan bot. Pelanggan yang mengira berbicara dengan manusia lalu mengetahui sebaliknya akan kehilangan kepercayaan. Jelaskan ketika AI terlibat dalam percakapan, dan selalu sediakan jalur ke manusia. Lihat ekspektasi pelanggan terhadap layanan AI.
• Menggeneralisasi satu studi secara berlebihan. Hasil NBER berasal dari satu studi di satu lingkungan dukungan. Hasil Anda akan bergantung pada produk, data, dan agen Anda. Ukurlah milik Anda sendiri.

Langkah Selanjutnya

Desain peran hanya berhasil ketika AI di baliknya akurat dan handoff-nya bersih. Baca desain human-in-the-loop untuk melihat cara menjaga manusia tetap mengendalikan langkah-langkah yang penting, dan kembali ke panduan pilar untuk peta lengkapnya.