Empati dan Nada dalam Layanan Pelanggan AI: Di Mana Bot Masih Kurang

Oleh Linh Ngo · Diperbarui 11 Oktober 2026

Empati dalam layanan pelanggan AI adalah seberapa besar pelanggan merasa diperhatikan, dipahami, dan dihargai dalam percakapan dengan bot, dan riset menunjukkan bahwa empati itu memiliki dua sisi: kata-kata yang ditulis model, dan apa yang diyakini pelanggan tentang siapa penulisnya. Kata-katanya sering kali bagus. Beberapa studi menemukan balasan tulisan AI dinilai hangat, bahkan lebih hangat daripada balasan manusia. Masalahnya ada pada keyakinan itu. Begitu pelanggan tahu bahwa mesin yang menunjukkan kepedulian, banyak yang menganggapnya kurang berharga, dan dalam sejumlah situasi layanan, bahasa yang sarat emosi justru menjadi bumerang.

Artikel ini ditujukan bagi pemimpin dukungan dan manajer CX yang sedang menentukan bagaimana seharusnya bot terdengar dan kapan bot harus berhenti berbicara. Artikel ini bagian dari koleksi AI dalam layanan pelanggan. Kita akan membahas apa yang sebenarnya diukur oleh studi-studi tersebut (dan pada siapa), di mana pelanggan menginginkan manusia, serta serangkaian pedoman nada yang bisa Anda masukkan ke instruksi bot minggu ini.

Fakta Utama

• Dalam tiga studi vignette dengan 714 partisipan, pelanggan melaporkan kepuasan yang lebih rendah dan kemauan kembali yang lebih kecil setelah berinteraksi dengan chatbot dibandingkan dengan manusia, dan kesenjangan itu sepenuhnya dijelaskan oleh empati yang dirasakan (Markovitch, Stough dan Huang, Journal of Retailing and Consumer Services, 2024).
• Ketika orang diberi tahu bahwa suatu balasan berasal dari AI, bukan manusia, mereka merasa kurang didengarkan: 5,13 berbanding 5,81 pada skala 7 poin (Yin, Jia dan Wakslak, PNAS, 2024).
• Dalam sembilan studi dengan 6.282 partisipan, teks empatik tulisan LLM yang identik dinilai lebih empatik dan suportif saat diberi label manusia dibandingkan saat diberi label AI (Rubin dkk., Nature Human Behaviour, 2025).
• Dalam studi forum medis, para penilai menilai 45,1% jawaban chatbot sebagai empatik atau sangat empatik, dibandingkan 4,6% jawaban dokter (Ayers dkk., JAMA Internal Medicine, 2023). Itu tanya jawab kesehatan, bukan layanan pelanggan.
• Separuh konsumen khawatir AI akan menghalangi mereka menjangkau manusia (Qualtrics XM Institute, 2026).
• Hampir 75% konsumen ingin tahu apakah mereka sedang berbicara dengan agen AI, dan 45% lebih mungkin menggunakannya bila ada jalur yang jelas ke manusia (Salesforce, 2024).

Apa Arti "Empati" bagi Sebuah Bot

Para peneliti membagi empati menjadi beberapa bagian, dan pembagian itu berguna bagi tim dukungan. Empati kognitif adalah memahami apa yang dirasakan seseorang dan mengapa. Empati afektif adalah ikut merasakan perasaan itu. Empati motivasional adalah peduli hingga mau bertindak. Model bisa melakukan yang pertama dengan baik karena itu pembacaan pola, dan bisa menulis kalimat yang terdengar seperti dua yang lain. Yang tidak bisa dilakukannya adalah merasakan apa pun, dan pelanggan tahu itu.

Bagi operasi dukungan, akan membantu bila hal itu diterjemahkan menjadi tiga hal praktis yang dilakukan atau tidak dilakukan oleh sebuah balasan:

1. Menyebut masalah yang sebenarnya. "Anda ditagih dua kali dan pengembalian dana belum muncul" lebih baik daripada "Saya memahami kekecewaan Anda."
2. Mengakui kerugian yang dialami pelanggan. Waktu yang hilang, tenggat yang terlewat, percakapan yang canggung dengan atasannya sendiri.
3. Melakukan sesuatu untuk itu. Pengembalian dana, eskalasi, langkah berikutnya yang konkret dengan penanggung jawab dan waktu.

Pada butir ketiga, bot dibatasi oleh izin, bukan oleh bahasa. Bot yang terdengar peduli tetapi tidak bisa memproses pengembalian dana adalah bot yang terdengar peduli lalu gagal.

Apa yang Ditunjukkan Riset

Sebagian besar literatur ini memakai pertukaran tulisan singkat, partisipan daring, dan interaksi tunggal, bukan antrean dukungan yang sebenarnya. Berikut apa yang dilakukan tiap studi, sehingga Anda bisa menilai seberapa jauh temuannya dapat berlaku.

Teks AI bisa terbaca lebih empatik daripada teks manusia

Hasil yang paling terkenal berasal dari studi JAMA Internal Medicine. Para penulis mengambil 195 pertanyaan publik dari forum kesehatan Reddit, dengan jawaban dari dokter bersertifikat, lalu membuat satu balasan ChatGPT (GPT-3.5) untuk setiap pertanyaan. Tiga profesional kesehatan berlisensi, yang juga merupakan rekan penulis, menilai pasangan jawaban itu tanpa mengetahui mana yang mana. Mereka lebih memilih chatbot dalam 78,6% penilaian, dan menilai jawabannya lebih tinggi dalam hal empati (rata-rata 3,65 berbanding 2,15 pada skala 5 poin). Satu detail sangat penting: jawaban chatbot jauh lebih panjang, dengan median 211 kata berbanding 52 kata untuk dokter (Ayers dkk., 2023).

Jadi, apa yang bisa dipetik pemimpin dukungan? Bukan bahwa bot lebih empatik daripada agen terbaik Anda. Para dokter menjawab orang asing di forum publik gratis, kemungkinan hanya dalam beberapa baris, dan para penilainya adalah profesional kesehatan yang membaca teks. Pembacaan yang aman lebih sempit: ketika model diminta menulis balasan yang cermat dan penuh pengakuan, sementara manusia menulis balasan cepat, versi model bisa terbaca lebih hangat. Itu soal usaha dan panjang jawaban, dan itu alasan untuk memakai AI guna membantu agen menulis balasan yang lebih baik (lihat AI agent assist).

Sebuah studi USC menunjukkan arah yang sama. Partisipan menceritakan situasi yang menekan lalu membaca sebuah tanggapan. Dalam eksperimen utama, 540 partisipan AS direkrut di Prolific, dan 455 menyelesaikan tahap akhir. Tanggapan yang ditulis Bing Chat (GPT-4) membuat orang merasa lebih didengarkan daripada tanggapan yang ditulis partisipan lain (5,74 berbanding 5,17 pada skala 7 poin). Para penulis mengaitkannya dengan dukungan emosional: AI memberi lebih banyak (5,76 berbanding 4,64) dan lebih sedikit saran praktis (3,28 berbanding 4,31), dan dukungan emosional, bukan saran, yang berkaitan dengan perasaan didengarkan (Yin, Jia dan Wakslak, 2024). Penanggap manusianya adalah orang asing anonim dan balasannya sekitar 50 hingga 60 kata, sehingga studi ini tidak memberi tahu bagaimana perbandingannya dengan agen berpengalaman yang mengenal pelanggannya.

Label AI mengambil sebagian kembali

Eksperimen USC yang sama menyilangkan sumber sebenarnya dengan labelnya. Efek label hampir sama besar dengan efek tulisan, dan arahnya berlawanan. Balasan yang diyakini berasal dari AI terasa kurang didengarkan daripada balasan yang diyakini berasal dari manusia, siapa pun penulis sebenarnya. Kedua efek itu hampir saling mengimbangi: teks AI dengan label AI (5,41) mendarat hampir di titik yang sama dengan teks manusia berlabel manusia (5,51), sementara teks AI yang dipercaya sebagai tulisan manusia mendapat skor tertinggi (6,12). Para penulis mencatat tidak ada kondisi tanpa label, sehingga mereka tidak bisa menyimpulkan apakah label AI menurunkan perasaan atau label manusia yang menaikkannya (Yin, Jia dan Wakslak, 2024).

Makalah Nature Human Behaviour mendorong temuan yang sama jauh lebih kuat. Di setiap studinya, para peneliti meminta LLM menulis tanggapan empatik terhadap situasi emosional orang, lalu memberi tahu partisipan bahwa penulisnya manusia atau AI. Teksnya sama. Versi "manusia" dinilai lebih empatik, lebih suportif, dan menimbulkan lebih banyak emosi positif serta lebih sedikit emosi negatif. Kesenjangan itu bertahan pada berbagai panjang tanggapan, jeda, dan model. Efeknya paling kuat untuk tanggapan yang menekankan ikut merasakan dan peduli, dan lebih lemah untuk jenis yang sekadar memahami. Orang yang, tanpa diminta, menduga bahwa AI ikut menulis balasan berlabel manusia juga menilainya lebih rendah. Ketika menginginkan keterlibatan emosional, mereka memilih manusia (Rubin dkk., 2025).

Implikasinya bagi dukungan pelanggan jelas. Sebagian dari nilai kalimat "Saya sangat menyesal ini terjadi" bagi pelanggan adalah bahwa ada seseorang yang memilih untuk mengatakannya. Hilangkan seseorang itu, dan kalimat yang sama bernilai lebih kecil. Ini juga berarti Anda tidak boleh menyembunyikan bot demi mengembalikan skor empati: riset yang sama menunjukkan bahwa ketahuan itu mahal harganya, dan sebagian besar konsumen memang mengaku ingin tahu (data surveinya ada di tabel di bawah).

Studi layanan pelanggan: empati menjelaskan kesenjangan kepuasan

Dua makalah menelaah langsung konteks layanan. Pada makalah pertama, Markovitch dan rekan menjalankan tiga studi vignette. Pelanggan menilai layanan chatbot lebih rendah daripada layanan manusia dalam kepuasan, kunjungan ulang, penerimaan rekomendasi, dan kesediaan merekomendasikan, baik hasilnya bagus maupun buruk. Empati yang dirasakan menjelaskan efek itu sepenuhnya. Dan ada tuas desain: ketika chatbot ditulis agar berkomunikasi lebih empatik, penilaiannya naik hingga setara dengan agen manusia, sedangkan membuatnya tampak lebih mirip manusia tidak membantu. Studi keempat, dengan 100 orang yang memakai ChatGPT untuk saran medis, mendukung pola yang sama (Markovitch, Stough dan Huang, 2024). Perlu dicatat bahwa ini adalah vignette dan interaksi singkat, bukan pelanggan berulang yang hidup bersama bot selama setahun.

Makalah kedua menambahkan peringatan. Han, Yin dan Zhang menjalankan tiga eksperimen di MIS Quarterly, salah satunya dengan chatbot LLM langsung. Balasan chatbot yang mengakui dan mencerminkan perasaan negatif pelanggan sering memicu reaktansi psikologis, yaitu perasaan bahwa batas atau kendali diri sedang didesak. Hal itu membuat bot tampak kurang kompeten dan menurunkan persepsi kualitas layanan serta kepuasan. Empati dari agen manusia tetap efektif (University of South Florida, merangkum studi tersebut). Liputannya tidak mencantumkan ukuran sampel, jadi anggaplah besar efeknya tidak diketahui dan arahnya sebagai peringatan.

Gabungkan keduanya dan Anda mendapat aturan yang lebih berguna daripada "tambahkan empati". Kata-kata empatik mengangkat bot bila berfokus pada situasi pelanggan. Pencerminan emosi ("Saya bisa merasakan betapa menjengkelkannya ini") bisa menjadi bumerang, terutama setelah ada yang salah.

Di Mana Pelanggan Menginginkan Manusia

Riset empati menjelaskan mengapa data survei tentang akses ke manusia tampak seperti itu. Pelanggan tidak menolak AI yang mengerjakan tugasnya. Mereka waspada terhadap AI yang berdiri di antara mereka dan manusia ketika masalahnya penting.

Rekomendasi Qualtrics sendiri adalah agar AI menangani permintaan sederhana yang bersifat transaksional, lalu menyediakan latar belakang dan usulan solusi bagi agen manusia pada kasus yang kompleks. Survei tidak mengukur secara langsung "kebutuhan akan empati", jadi jangan mengklaim sebaliknya. Namun jika digabungkan dengan hasil laboratorium, muncul aturan routing yang masuk akal:

• Biarkan bot menangani permintaan di mana pelanggan menginginkan jawaban, bukan hubungan: status pesanan, reset kata sandi, pertanyaan kebijakan, perubahan alamat.
• Serahkan ke manusia ketika pelanggan kesal karena suatu kegagalan, ketika uang atau pembatalan dipertaruhkan, ketika mereka memintanya, atau ketika bot sudah meleset dua kali.
• Bantu manusia itu dalam kasus tersebut dengan ringkasan dan usulan kata-kata. Halaman otomatisasi atau bantu membahas cara memutuskannya, dan apa yang diharapkan pelanggan dari layanan AI membahas sisi survei lebih dalam.

Pedoman Nada untuk Bot Anda

Berikut serangkaian aturan untuk dituliskan dalam instruksi bot dan dijadikan acuan tinjauan. Aturan ini diambil dari temuan di atas, ditambah akal sehat tentang balasan tertulis yang singkat.

Kesamaan contoh-contoh itu:

1. Sebutkan apa yang terjadi, dengan istilah pelanggan. Hal spesifik terbaca sebagai pengertian. Simpati generik terbaca sebagai naskah.
2. Lewati pencerminan emosi. Jangan memberi tahu pelanggan bagaimana perasaan mereka. Mengingat temuan reaktansi, "Saya lihat Anda kesal" lebih berisiko dari bot daripada "Itu seharusnya tidak terjadi."
3. Pasangkan setiap pengakuan dengan tindakan atau langkah berikutnya. Empati tanpa apa pun di baliknya adalah hal yang dikeluhkan pelanggan.
4. Buat singkat. Hasil studi forum medis sebagian besar tentang jawaban panjang yang mengalahkan jawaban terburu-buru. Panjang bukan tujuan dalam chat. Lengkap adalah tujuannya. Cakup masalah, perbaikan, dan langkah berikutnya, lalu berhenti.
5. Ungkapkan dengan jelas dan sejak awal. "Saya asisten AI. Saya bisa membantu soal pesanan dan penagihan, atau menghubungkan Anda ke staf." Jangan beri bot nama manusia dan jeda mengetik. Riset label menunjukkan bahwa ketahuan itu merugikan Anda.
6. Minta maaf atas kejadiannya, bukan atas perasaannya. "Maaf pengembalian dananya selama ini" itu akurat. "Maaf Anda merasa begitu" adalah cara klasik untuk memperburuk keadaan.
7. Sesuaikan register dengan kanal dan pelanggan. Balasan ringkas cocok untuk developer yang menempelkan pesan galat. Balasan yang lebih hangat cocok untuk keluhan penagihan, dan konteks dan riwayat akun memberi tahu bot pelanggan seperti apa yang dihadapinya. Baca intent terlebih dahulu dengan deteksi intent pelanggan.
8. Jangan menjanjikan hal yang hanya bisa diputuskan manusia. Pengembalian dana di luar kebijakan, pengecualian, dan kredit itikad baik menjadi milik manusia yang menerima penyerahan dari bot.
9. Tawarkan jalur keluar sekali saja, dengan jelas. Satu baris, di tempat yang sama setiap kali.

Langkah demi Langkah: Mengatur Nada untuk Bot Dukungan Anda

1. Urutkan alasan kontak teratas berdasarkan beban emosinya. Tandai masing-masing sebagai informasional, menjengkelkan, atau berisiko tinggi. Yang pertama bisa diotomatisasi sepenuhnya. Yang terakhir harus diarahkan ke manusia.
2. Tulis brief nada sebagai contoh, bukan kata sifat. "Hangat tetapi profesional" tidak memberi model apa pun untuk ditiru. Lima balasan yang baik dan lima yang buruk memberinya acuan.
3. Larang frasa yang berbau naskah. Daftarkan kalimat yang tidak Anda inginkan ("Saya memahami kekecewaan Anda," "maaf Anda merasa begitu," "Saya minta maaf atas ketidaknyamanannya") dan uji bahwa semuanya sudah hilang.
4. Tetapkan pemicu eskalasi. Penanda kemarahan, kata-kata pembatalan, jawaban kedua yang gagal, permintaan langsung untuk berbicara dengan manusia, dan setiap sengketa uang di atas ambang tertentu. Sinyal sentimen bisa membantu; lihat entri glosarium analisis sentimen untuk memahami apa yang bisa dan tidak bisa diungkapkannya.
5. Pastikan penyerahan membawa konteks. Staf harus melihat seluruh transkrip dan detail akun. Tidak ada yang lebih cepat merusak empati bot daripada pelanggan yang harus mengulang dari awal.
6. Uji dengan transkrip nyata. Ambil 50 percakapan terbaru, jalankan melalui bot, dan minta dua agen menilai nada secara buta. Perbedaan penilaian menunjukkan di mana brief masih kabur.
7. Nilai nada dengan rubrik, bukan perasaan. Pemeriksaan yang bisa diamati paling efektif ("menyebut masalah spesifik," "memberi langkah berikutnya"). Panduan jaminan kualitas AI menunjukkan cara mengkalibrasi penilaian itu terhadap peninjau manusia.
8. Ukur hasil dari sisi pelanggan. Kontak ulang dalam seminggu, tingkat penyerahan, waktu untuk menjangkau manusia, dan pemeriksaan kepuasan satu pertanyaan setelah chat yang hanya dilayani bot.

Kesalahan Umum

• Menganggap satu studi berlaku universal. Studi forum pertanyaan kesehatan hanya sedikit bicara tentang sengketa pengembalian dana. Setiap kali membaca statistik empati, tanyakan siapa partisipannya, apa yang mereka nilai, dan apakah itu interaksi nyata.
• Menyembunyikan bahwa itu bot demi skor empati. Riset label menunjukkan kesenjangannya nyata, dan pelanggan mengaku ingin tahu. Pengungkapan adalah jalan yang jujur dan juga lebih murah bila akhirnya ketahuan.
• Memakai pencerminan emosi setelah terjadi kegagalan. Di sinilah temuan reaktansi paling terasa.
• Menyamakan panjang dengan kepedulian. Balasan panjang mendapat skor bagus di satu studi. Di jendela chat, balasan panjang hanya memperlambat orang.
• Memberi bot empati tetapi tanpa wewenang. Balasan ramah yang berakhir dengan "Saya tidak bisa melakukannya" lebih buruk daripada balasan polos yang segera mengarahkan ke tempat yang tepat.
• Melatih agen agar terdengar seperti bot. Jika AI menulis pengakuan yang lebih baik daripada tim Anda, gunakan sebagai alat bantu menyusun draf, bukan templat untuk disalin kata demi kata.
• Tidak pernah menguji ulang. Model, kebijakan, dan suasana hati pelanggan berubah. Jalankan ulang uji transkrip setiap kuartal.