AI untuk Dukungan Pelanggan Multibahasa: Terjemahan Real-Time dan Lokalisasi

Oleh Linh Ngo · Diperbarui 11 Oktober 2026

AI untuk dukungan pelanggan multibahasa adalah penggunaan terjemahan mesin dan model bahasa multibahasa untuk membaca pesan pelanggan dalam satu bahasa dan menjawabnya dalam bahasa lain, sehingga tim yang menguasai tiga bahasa dapat melayani tiga puluh bahasa. Cakupannya meliputi tiga pekerjaan: menerjemahkan pesan masuk untuk agen Anda, menerjemahkan balasan keluar untuk pelanggan, dan melokalkan konten pusat bantuan yang dibaca pelanggan sendiri. Yang tidak dilakukannya adalah menjamin bahwa terjemahannya benar. Bagian itulah yang harus dirancang oleh para manajer.

Panduan ini ditujukan bagi pemimpin dukungan yang sedang menentukan seberapa jauh terjemahan AI layak dipercaya, bahasa mana yang dibuka lebih dulu, dan di mana manusia harus memeriksa hasilnya. Panduan ini berada dalam gambaran besar AI dalam layanan pelanggan, dan bertumpu pada dua tulisan yang relevan di sini: cara kerja AI di berbagai kanal dukungan dan menyiapkan data dukungan untuk AI.

Fakta Utama

• Dalam survei konsumen "Can't Read, Won't Buy" dari CSA Research tahun 2020 (8.709 konsumen di 29 negara, dirilis Juli 2020), 76% mengatakan akan memilih produk dengan informasi dalam bahasa mereka sendiri dibanding produk serupa tanpa itu, dan 40% mengatakan tidak akan pernah membeli dari situs web berbahasa lain (CSA Research).
• Tugas umum Conference on Machine Translation 2024 membandingkan sistem pada 11 pasangan bahasa, termasuk 8 large language model dan 4 penyedia terjemahan online, dengan lebih dari 57.000 penilaian dari 108 anotator manusia (temuan WMT24).
• Studi yang sama menemukan terjemahan Inggris ke Spanyol yang nyaris sempurna pada domain yang diuji, tetapi menyebut ujaran lisan sebagai domain yang menantang, dan judulnya menyatakannya dengan lugas: terjemahan mesin belum terpecahkan (temuan WMT24).
• Standar post-editing ISO 18587 memandang post-editing "penuh" sebagai jalan menuju kualitas yang sebanding dengan terjemahan manusia, dan ringkasan komitenya menekankan bahwa hanya post-editor yang berkualifikasi yang boleh dilibatkan (ATC ISO Committee).

Mengapa Dukungan Bahasa Menjadi Isu Pendapatan dan Retensi

Dukungan sering menjadi tempat pertama kesenjangan bahasa sebuah perusahaan terlihat. Tim pemasaran mungkin menerjemahkan beranda ke empat bahasa. Tetapi pelanggan yang harus menulis kepada Anda dalam bahasa yang kurang ia kuasai adalah orang yang sedang memutuskan apakah akan bertahan.

Data CSA Research berbicara tentang pembelian, bukan dukungan, jadi gunakan dengan hati-hati. Data itu menunjukkan bahwa preferensi bahasa memengaruhi keputusan pembelian: pada edisi 2020, 76% responden lebih menyukai produk dengan informasi dalam bahasa mereka sendiri, dan 40% tidak mau membeli dari situs berbahasa lain (CSA Research). Ini survei preferensi yang dinyatakan responden, dan cakupannya perilaku belanja, jadi jangan mengutipnya sebagai bukti bahwa dukungan dalam bahasa ibu menurunkan churn. Yang didukungnya adalah poin yang lebih sempit: ketika pelanggan punya pilihan, bahasa menjadi bagian dari cara mereka menilai apakah sebuah perusahaan cocok untuk mereka. Dukungan dalam bahasa mereka adalah bagian dari pengalaman itu.

Masalah praktisnya ada pada perencanaan staf. Merekrut agen penutur asli untuk setiap bahasa, di setiap shift, hanya masuk akal untuk pasar terbesar Anda. Terjemahan AI mengisi celah pada ekor panjang: bahasa-bahasa yang hanya menghasilkan dua puluh tiket seminggu, bukan dua ribu.

Cara Kerja Terjemahan AI dalam Alur Kerja Dukungan

Di balik label vendor, sebenarnya ada empat mekanisme, dan ada gunanya menamainya karena masing-masing gagal dengan cara berbeda.

Deteksi bahasa. Sistem mengenali bahasa yang dipakai dalam sebuah pesan. Layanan terjemahan biasanya melakukannya secara otomatis ketika Anda tidak menentukan bahasa sumber, seperti dijelaskan dokumentasi Cloud Translation milik Google untuk API dasarnya (Google Cloud). Kedengarannya sepele. Ternyata tidak, ketika pelanggan menulis pesan singkat, mencampur dua bahasa, atau menempelkan kode produk.

Terjemahan mesin. Sebuah model mengubah teks dari bahasa sumber ke bahasa target. Sistem terjemahan mesin neural yang lebih lama dan model terjemahan bergaya LLM yang lebih baru sama-sama ada. Dokumentasi Google, misalnya, menyebut model neural standar sebagai bawaan dan model terjemahan bergaya LLM terpisah sebagai opsi yang Anda pilih (Google Cloud). Memilih di antara keduanya adalah soal evaluasi vendor, bukan sesuatu yang bisa diputuskan lewat artikel blog.

Kontrol terminologi. Glosarium memberi tahu sistem cara menerjemahkan nama produk, nama paket, dan istilah kunci Anda setiap kali. Dalam implementasi Google, entri glosarium menimpa terjemahan normal, pencocokan peka huruf besar-kecil secara default, istilah biasanya kurang dari lima kata, dan glosarium tidak memiliki kontrol versi, sehingga Anda menyimpan file sumbernya sendiri (Google Cloud). Platform lain berbeda dalam detailnya, tetapi prinsipnya sama: Anda yang menentukan menjadi apa "Workspace" atau "Sprint" dalam bahasa Jerman, bukan modelnya.

Lokalisasi. Ini melampaui kata-kata. Tanggal, mata uang, satuan, sapaan formal versus informal, frasa hukum, dan nada semuanya berbeda antarpasar. Balasan yang tata bahasanya sempurna tetap bisa terdengar kasar, terlalu santai, atau keliru secara hukum. Lokalisasi adalah alasan mengapa alat terjemahan saja tidak memberi Anda fungsi dukungan multibahasa.

Dalam istilah ACE Framework, terjemahan sebagian besar berada di Ingest (membaca pesan), Analyze (mendeteksi bahasa dan intent), dan Generate (menghasilkan balasan). Menyajikan balasan terjemahan kepada pelanggan tanpa diperiksa seseorang pada praktiknya adalah langkah Execute, karena Anda mengirim kata-kata atas nama perusahaan.

Tiga Cara Menerapkannya

Sebagian besar tim akhirnya memakai salah satu dari tiga pola ini, dan pola yang tepat bergantung pada risiko, bukan pada seberapa bagus terjemahannya dalam demo.

Perhatikan apa yang tidak ada: baris keempat untuk "terjemahkan semuanya secara otomatis." Itu bukan pola, itu ketiadaan keputusan. Pertanyaan otomatisasi atau bantu berlaku untuk terjemahan sama seperti untuk bagian dukungan lainnya.

Contoh Nyata menurut Fungsi

Teknologi yang sama terlihat berbeda tergantung siapa yang memakainya.

Agen garis depan. Seorang agen dukungan di Kuala Lumpur menerima tiket dalam bahasa Portugis. Alat menampilkan teks asli dan terjemahannya berdampingan, menyusun draf balasan, dan agen menyuntingnya lebih dulu dalam bahasa Inggris, sehingga ia memahami persis apa yang dikirim. Draf itu diterjemahkan balik dan ditampilkan kepadanya. Jika terjemahan baliknya terbaca aneh, ia menyederhanakan kalimatnya alih-alih memercayainya begitu saja.

Swalayan dan pusat bantuan. Sebuah perusahaan menerjemahkan 200 artikel bantuan yang paling banyak dilihat dengan terjemahan mesin, lalu meminta penutur asli memeriksa sampel 20 teratas. Hasil pencarian dan jawaban chatbot muncul dalam bahasa pelanggan, mengacu pada artikel yang sudah diterjemahkan. Ini tempat dengan dampak terbesar untuk memulai, karena satu artikel terjemahan melayani ribuan pembaca. Jika Anda sedang memperbaiki cara pelanggan menemukan artikel-artikel itu, tulisan tentang pencarian pusat bantuan berbasis AI membahas sisi pencariannya.

Suara dan live chat. Terjemahan real-time untuk chat kini lazim, dan terjemahan ujaran lisan terus membaik, tetapi ujaran lisan lebih sulit. Penyelenggara WMT24 menggambarkan domain ujaran lisan sebagai domain yang menantang bagi sistem terjemahan mesin (temuan WMT24). Jika volume suara Anda dalam suatu bahasa cukup berarti, agen dwibahasa tetap mengungguli lapisan terjemahan langsung untuk apa pun di luar permintaan sederhana.

Hukum, keuangan, dan kepatuhan. Sengketa kebijakan pengembalian dana, permintaan penghapusan data, atau pemberitahuan perubahan kontrak diserahkan kepada manusia berkualifikasi dalam bahasa tersebut. Satu kata yang salah di sini dapat mengubah sebuah kewajiban. Inilah tempat paling jelas untuk menarik garis "tanpa AI yang tidak ditinjau."

Apa Kata Bukti tentang Kualitas

Kualitas bukan satu angka. Kualitas berubah menurut pasangan bahasa, jenis teks, dan seberapa formal kontennya. Bukti publik terbaik berasal dari Conference on Machine Translation tahunan, yang membandingkan sistem dengan penilai manusia profesional.

Pada edisi 2024, penyelenggara mengumpulkan terjemahan dari 8 large language model dan 4 penyedia online, di samping sistem riset, pada 11 pasangan bahasa, dan 108 anotator menyumbangkan lebih dari 57.000 penilaian (temuan WMT24). Tiga poin penting bagi manajer dukungan:

1. Kinerja sangat bervariasi menurut pasangan bahasa. Makalah itu melaporkan keluaran Inggris ke Spanyol yang nyaris sempurna untuk domain yang diuji, dan judul makalahnya tetap menyatakan bahwa terjemahan mesin belum terpecahkan. Jangan berasumsi bahasa Anda yang paling jarang berkinerja seperti bahasa yang paling umum.
2. Evaluasi manusia adalah hakim akhir. Para penulis menemukan bahwa sistem teratas menurut metrik otomatis tidak menjadi pemenang di semua bidang dalam evaluasi manusia, dan menyimpulkan bahwa evaluasi manusia harus menjadi hakim akhir kualitas terjemahan (temuan WMT24). Bagi Anda, artinya skor kualitas dari vendor hanyalah titik awal. Uji pada tiket Anda sendiri bersama peninjau dwibahasa.
3. Materi ujinya bukan tiket dukungan. Domainnya adalah berita, media sosial, ujaran lisan, teks sastra, dan teks pendidikan. Itu pengamatan tentang apa yang dicakup studi, bukan kritik terhadapnya. Pesan dukungan itu singkat, emosional, penuh jargon produk, dan sering salah eja, sehingga hasil Anda bisa berbeda ke kedua arah.

Aturan Review yang Menjaga Terjemahan Tetap Aman

Batas kualitas dapat dikelola jika Anda menetapkan aturan menurut risiko. Berikut titik awal yang dapat dijalankan.

Bertingkat menurut konsekuensi. Kelompokkan konten yang Anda terjemahkan menjadi tiga. Risiko rendah (status pesanan, jam buka, langkah cara-kerja) boleh dikirim dengan pemeriksaan acak. Risiko menengah (penjelasan penagihan, perubahan akun, pemecahan masalah yang bisa menyebabkan kehilangan data) memerlukan peninjau dwibahasa sebelum dikirim. Risiko tinggi (ketentuan hukum, pengembalian dana di atas ambang batas, keselamatan, topik yang diatur regulasi) memerlukan manusia berkualifikasi yang menulis atau menyunting penuh balasannya.

Pinjam pembedaan post-editing. Industri penerjemahan memiliki standar untuk meninjau keluaran mesin, yaitu ISO 18587. Standar ini membedakan post-editing ringan dari penuh, dan menggambarkan post-editing penuh sebagai pencapaian kualitas yang sebanding dengan terjemahan manusia, dengan tingkat yang diterapkan sesuai kebutuhan pelanggan (ATC ISO Committee). Anda tidak perlu mensertifikasi apa pun untuk meminjam gagasan ini. Pembacaan cepat sudah cukup untuk penggunaan internal, misalnya agen yang menyimak sekilas tiket masuk yang telah diterjemahkan. Teks yang dihadapkan kepada pelanggan untuk topik berdampak memerlukan perlakuan penuh, oleh seseorang yang berkualifikasi dalam bahasa tersebut.

Selalu periksa angka, nama, dan negasi. Kesalahan yang menimbulkan kerugian nyata jarang berupa tata bahasa yang canggung. Biasanya berupa jumlah yang salah, tanggal yang tertukar, kata "tidak" yang hilang, atau nama produk yang diterjemahkan padahal seharusnya tetap dalam bahasa Inggris. Susun daftar periksa singkat dan letakkan di depan para peninjau.

Biarkan teks asli tetap terlihat. Setiap percakapan yang diterjemahkan harus menyimpan pesan asli pelanggan dan balasan asli Anda, agar sengketa atau tinjauan QA dapat melihat apa yang sebenarnya dikatakan. Perlakukan salah terjemah seperti halusinasi AI lainnya: fasih, percaya diri, dan sesekali keliru.

Beri orang jalan keluar. Tawarkan opsi yang terlihat untuk beralih ke manusia atau ke bahasa lain. Ini terhubung langsung dengan tema dari apa yang diharapkan pelanggan dari layanan AI: orang menoleransi otomatisasi ketika mereka bisa keluar darinya.

Cara Menerapkan Dukungan AI Multibahasa, Langkah demi Langkah

1. Ambil komposisi bahasa dari data Anda. Hitung tiket menurut bahasa selama enam bulan terakhir, termasuk bahasa yang digunakan pelanggan untuk menulis tetapi saat ini Anda jawab dalam bahasa Inggris. Itulah kurva permintaan Anda.
2. Pilih dua atau tiga bahasa pertama menurut volume dan risiko. Volume tinggi dengan topik berisiko rendah didahulukan. Jangan membuka delapan bahasa sekaligus.
3. Terjemahkan pusat bantuan sebelum menerjemahkan percakapan. Satu artikel yang sudah ditinjau melayani ribuan pelanggan. Mulailah dengan artikel teratas menurut jumlah tayangan dan deflection (pengalihan pertanyaan) tiket.
4. Susun glosarium. Daftarkan nama produk, nama paket, label fitur, dan frasa yang tidak pernah ingin Anda terjemahkan. Minta penutur asli menyetujui istilah dalam bahasa target. Simpan file sumbernya di bawah kontrol versi Anda sendiri.
5. Tulis lembar gaya untuk setiap bahasa. Sapaan formal atau informal, gaya salam, cara menyebut pelanggan, satuan, dan format tanggal. Dua halaman sudah cukup.
6. Pilih pola penerapan per topik. Gunakan tabel di atas. Petakan setiap alasan kontak ke hanya-masuk, draf dan tinjau, atau terjemahan otomatis berpengaman.
7. Rekrut peninjau Anda. Agen dwibahasa, mitra regional, atau vendor terjemahan yang siaga. Tentukan seberapa cepat tinjauan harus selesai, karena tinjauan yang lambat menggagalkan tujuan dukungan real-time.
8. Lakukan Pilot dengan baseline (garis dasar). Bandingkan CSAT, waktu respons pertama, tingkat pembukaan ulang, dan tingkat eskalasi untuk bahasa pilot dengan ukuran yang sama sebelum Anda memulai.
9. Tinjau kegagalan setiap minggu. Baca transkrip ketika pelanggan membalas "saya tidak mengerti" atau meminta manusia. Perbaiki glosarium, lembar gaya, atau aturan topik, lalu perluas.

Kualitas materi sumber sama pentingnya dengan terjemahannya. Makro (balasan tersimpan) yang berantakan dan artikel yang usang akan diterjemahkan menjadi jawaban yang berantakan dan usang dalam belasan bahasa. Itulah sebabnya menyiapkan data dukungan untuk AI harus dilakukan sebelum peluncuran apa pun.

Jebakan yang Perlu Dihindari

Memperlakukan terjemahan sebagai kotak centang peluncuran. Mengatakan Anda "mendukung" suatu bahasa karena sebuah widget menerjemahkannya tidak sama dengan melayani pelanggan tersebut dengan baik. Ukur hasilnya per bahasa.

Membiarkan agen membalas dalam bahasa yang tidak bisa ia baca. Jika agen mengirim balasan terjemahan yang tidak ia pahami, ia tidak bisa menemukan kesalahan atau menjawab pertanyaan lanjutan. Gunakan terjemahan balik atau seorang peninjau.

Menerjemahkan hal-hal yang seharusnya tetap dalam bahasa Inggris. Nama produk, kode galat, istilah API, dan label tombol sering harus sama dengan yang dilihat pelanggan di antarmuka Anda. Glosarium menyelesaikan sebagian besar masalah ini.

Mengabaikan dialek dan register. Bahasa Spanyol untuk Meksiko, Spanyol, dan Argentina berbeda dalam kosakata dan nada, begitu pula bahasa Portugis untuk Brasil dan Portugal. Pilih varian yang benar-benar dipakai pelanggan Anda.

Melewatkan pemeriksaan data dan privasi. Mengirim pesan pelanggan ke layanan terjemahan pihak ketiga berarti memindahkan data pribadi. Pastikan di mana data diproses, apa yang disimpan, dan apakah kontrak serta aturan setempat Anda mengizinkannya.

Apa yang Perlu Diukur

• Kualitas: persentase balasan terjemahan yang disunting peninjau, kategori kesalahan yang ditemukan dalam tinjauan (angka, terminologi, nada, penghilangan).
• Hasil: CSAT, penyelesaian pada kontak pertama, dan tingkat pembukaan ulang, dibagi menurut bahasa dan menurut percakapan terjemahan versus percakapan asli.
• Kecepatan: waktu respons pertama dan waktu penyelesaian tinjauan untuk setiap bahasa.
• Cakupan: persentase volume tiket yang dijawab dalam bahasa pelanggan sendiri, dan persentase artikel bantuan yang tersedia di setiap bahasa.
• Kendali: tingkat eskalasi ke manusia dwibahasa dan permintaan untuk beralih bahasa atau berbicara dengan seseorang.

Langkah Selanjutnya

Mulailah dari yang kecil. Ambil bahasa non-Inggris terbesar Anda, terjemahkan artikel bantuan teratas, dan jalankan draf-dan-tinjau pada tiket untuk satu topik berisiko rendah. Ukur terhadap baseline selama sebulan. Lalu putuskan apakah akan menambah bahasa atau melonggarkan tinjauan pada topik itu. Jika Anda sedang menimbang seberapa banyak yang diserahkan kepada mesin, panduan otomatisasi atau bantu memberi Anda kerangka keputusan, dan tulisan pilar tentang AI dalam layanan pelanggan menunjukkan di mana terjemahan berada di antara pekerjaan lainnya. Untuk sisi manusia dalam tinjauan, pertahankan human-in-the-loop (manusia dalam proses) di mana pun satu kata yang salah berbiaya.