Menyiapkan Data Dukungan untuk AI: Tiket, Makro, dan Konten Pengetahuan

Oleh Linh Ngo · Diperbarui 11 Oktober 2026

Menyiapkan data dukungan untuk AI berarti merapikan tiga aset sebelum model menyentuh pelanggan: basis pengetahuan yang akurat, tidak ambigu, dan terkini; riwayat tiket dengan tag yang konsisten dan penyelesaian yang bersih; serta pustaka makro yang sesuai dengan cara tim Anda benar-benar menjawab. Agen AI menjawab dari apa pun yang Anda berikan. Jika pusat bantuan saling bertentangan, bot pun akan begitu, dan ia akan mengatakannya dengan sopan dan dalam skala besar.

Panduan ini ditujukan bagi pemimpin dukungan, direktur CX, dan manajer dukungan yang akan mengaktifkan agen AI, atau yang sudah melakukannya dan melihat jawaban yang salah. Panduan ini berada di bawah gambaran umum AI dalam layanan pelanggan dan mendalami satu hal yang menentukan sebagian besar hasil: konten dan data yang berada di bawah alatnya.

Fakta Utama

• Dalam studi NBER "Generative AI at Work," asisten AI menaikkan jumlah masalah yang diselesaikan per jam sekitar 14% rata-rata pada 5.179 agen dukungan pelanggan, dan 34% untuk pekerja pemula dan berketerampilan rendah (NBER w31161).
• Para penulis yang sama menemukan bukti yang mengisyaratkan bahwa AI "menyebarkan praktik terbaik dari pekerja yang lebih cakap," yang hanya berhasil bila praktik itu ada dalam bentuk yang terekam dan dapat dipakai (NBER w31161).
• Dokumentasi Intercom menyatakan bahwa, berbeda dengan pembaca manusia, AI "sangat bergantung pada struktur yang jelas, frasa yang tidak ambigu, dan keselarasan kuat dengan maksud pelanggan" (Intercom Help Center).
• Intercom merekomendasikan meninjau saran konten AI dan tanda dari rekan setiap minggu, serta meninjau artikel dengan keterlibatan tinggi namun penyelesaian rendah setiap bulan (Intercom Help Center).
• Panduan Zendesk untuk agen AI-nya menyarankan agar menghindari informasi yang usang atau tidak andal, karena agen AI memakainya (Zendesk Help Center).

Data Dukungan yang Sebenarnya Dibutuhkan AI

Sebagian besar alat dukungan AI terbagi dalam dua keluarga, dan masing-masing membaca aset yang berbeda.

Yang pertama menjawab pertanyaan dari dokumentasi Anda. Ia mengambil artikel bantuan yang relevan dan menulis balasan darinya, pola yang dikenal sebagai retrieval-augmented generation. Dalam istilah ACE Framework, ini adalah pola rag-assistant. Kualitasnya dibatasi oleh konten pengetahuan Anda. Model tidak bisa mengutip kebijakan yang tidak pernah Anda tuliskan, dan tidak bisa mengetahui mana dari dua artikel yang bertentangan yang benar. Halaman agen basis pengetahuan AI membahas perilaku agen itu setelah kontennya tersedia.

Yang kedua mengklasifikasikan dan mengarahkan. Ia membaca tiket masuk, menetapkan kategori, urgensi, atau sentimen, dan mengirimkannya ke antrean yang tepat. Itu pola scoring-routing, dan ia belajar dari tiket historis Anda. Jika tag Anda tidak konsisten, ia mempelajari kebiasaan yang tidak konsisten. Lihat agen triase dukungan AI untuk melihat apa yang dilakukan versi yang diberi data baik.

Makro berada di antara keduanya. Makro adalah kata-kata yang disetujui tim Anda, dan menjadi masukan bagi alat penyusun draf maupun saran agent-assist.

Untuk gambaran data yang lebih luas di luar dukungan, kesiapan data untuk AI menguraikan pemeriksaan umumnya.

Celah yang Umum

Lima masalah muncul berulang kali di operasi dukungan sebelum peluncuran AI.

Kontradiksi antarartikel. Dua halaman tentang pengembalian dana, ditulis dua tahun terpisah, memberi jangka waktu yang berbeda. Agen manusia tahu mana yang benar. Sistem pengambilan bisa memunculkan keduanya. Pusat bantuan Zendesk sendiri mencatat bahwa agen AI memakai informasi yang usang atau tidak andal, dan artikel lama persis seperti itu.

Pengetahuan yang hidup di kepala orang. Solusi untuk kasus tepi penagihan yang aneh hanya ada dalam ingatan agen paling senior Anda. Inilah celah yang ditunjuk studi NBER: AI menyebarkan praktik para penampil terbaik, tetapi hanya yang bisa ditemukannya dalam bentuk terekam.

Tag yang menjamur. Setelah tiga tahun Anda punya 140 tag, enam di antaranya berarti "masalah penagihan", dan agen memilih apa pun yang pertama di menu tarik-turun. Model routing yang dilatih pada riwayat itu mereproduksi kekacauan tersebut.

Catatan penyelesaian yang kosong. Tiket yang ditutup dengan "Selesai" atau "Beres" tidak mengajarkan apa-apa. Nilainya ada di baris yang berbunyi "Sertifikat SSO pelanggan kedaluwarsa; diperbarui di pengaturan admin dan disinkronkan ulang."

Makro yang melampaui kebijakannya. Makro yang menjanjikan jangka waktu pengembalian 30 hari masih ada di menu pintasan lama setelah kebijakan berubah menjadi 14 hari. Alat agent-assist menyarankannya dengan setia.

Seperti Apa Konten Pengetahuan yang Baik

Panduan praktik Knowledge-Centered Service (KCS) v6 dari Consortium for Service Innovation adalah metode yang paling mapan untuk ini. Panduan itu mengorganisasi pekerjaan ke dalam Solve Loop, di mana agen menangkap, menstrukturkan, menggunakan ulang, dan memperbaiki pengetahuan saat menyelesaikan tiket, serta Evolve Loop, yang mencakup kesehatan konten, integrasi proses, penilaian kinerja, dan kepemimpinan (Panduan Praktik KCS v6). Empat praktik Solve Loop-nya selaras dengan kesiapan AI:

• Capture (termasuk "Capture Knowledge in the Moment"): tulis artikel selagi menyelesaikan tiket, bukan dalam sprint dokumentasi per kuartal.
• Structure ("Use A Simple Template"): templat yang konsisten, seperti masalah, lingkungan, penyelesaian, penyebab, membuat konten mudah diurai oleh manusia maupun sistem pengambilan.
• Reuse ("Search Early Search Often", "Linking"): menautkan tiket ke artikel yang dipakai menunjukkan konten mana yang benar-benar digunakan.
• Improve ("Flag It or Fix It"): siapa pun yang menemukan artikel yang salah memperbaikinya atau menandainya, sehingga pembusukan tertangkap.

Anda tidak perlu mengadopsi KCS secara utuh untuk mendapat manfaatnya. Prinsipnya adalah pengetahuan merupakan hasil sampingan dari menyelesaikan tiket, dan ia memiliki pemilik.

Panduan vendor mengarah ke hal yang sama. Intercom menyatakan AI bergantung pada struktur yang jelas dan frasa yang tidak ambigu, dan artikel dengan tujuan atau cakupan yang tidak jelas bisa terambil untuk jenis pertanyaan yang salah (Intercom Help Center). Aturan praktis: jika karyawan baru akan bertanya "tunggu, yang mana yang berlaku untuk saya?" setelah membacanya, AI akan menebak.

Beberapa kebiasaan menulis yang membantu:

1. Taruh jawaban di kalimat pertama, baru kemudian syarat dan pengecualiannya.
2. Sebutkan segmen pelanggan, paket, atau wilayah yang berlaku untuk jawaban itu.
3. Gunakan kata-kata yang dipakai pelanggan dalam judul ("Ubah email di akun saya"), bukan jargon internal.
4. Satu tugas per artikel, dan tautkan alih-alih menyalin langkah yang sama.
5. Tandai versi produk atau tanggal kebijakan di dalam artikel agar peninjau bisa menemukan yang usang.

Membersihkan Riwayat Tiket dan Makro

Riwayat tiket adalah tempat AI mempelajari logika klasifikasi Anda, dan tempat alat agent-assist menemukan contoh jawaban.

Tag. Ringkas menjadi daftar terkendali yang bisa dihafal agen baru, biasanya 15 sampai 40 alasan tergantung kompleksitas. Tulis definisi satu baris dan satu contoh untuk masing-masing. Gabungkan sinonim, pensiunkan ekor panjang, dan jadikan alasan kontak utama sebagai kolom wajib. Lalu beri label ulang sebuah sampel (beberapa ratus tiket cukup untuk menguji) dan bandingkan hasilnya dengan apa yang semula dipilih agen. Ketidaksepakatan besar berarti kategorinya tidak jelas, bukan agennya ceroboh.

Catatan penyelesaian. Tambahkan kolom wajib "apa yang memperbaikinya" atau templat penutupan. Bahkan catatan singkat yang spesifik mengubah setiap tiket menjadi calon artikel pengetahuan dan contoh pelatihan yang lebih baik.

Data sensitif. Tiket berisi nama, potongan nomor kartu, detail kesehatan, dan kata sandi yang tertempel karena kesalahan. Putuskan apa yang disamarkan atau dikecualikan sebelum teks tiket apa pun dipakai untuk pelatihan atau pengambilan. Libatkan pemimpin privasi atau keamanan Anda sejak awal.

Makro. Ekspor seluruh daftar beserta jumlah penggunaannya. Pensiunkan apa pun yang tidak dipakai selama setahun, tetapkan pemilik untuk setiap makro yang tersisa, dan tautkan masing-masing ke kebijakan yang diungkapkannya. Bila kebijakan berubah, pemilik memperbarui makro dan artikel yang sesuai dalam perubahan yang sama.

Langkah demi Langkah: Menyiapkan Data Dukungan

1. Pilih kasus penggunaan pertama. Bot deflection untuk pertanyaan kata sandi dan penagihan membutuhkan artikel yang kuat. Model triase membutuhkan tag yang kuat. Mulailah dengan satu aset yang menjadi sandaran proyek pertama Anda, dan gunakan panduan kesiapan data menurut pola untuk melihat apa yang dibutuhkan tiap pola.
2. Audit 50 topik teratas. Tarik alasan kontak teratas menurut volume. Untuk masing-masing, periksa bahwa tepat satu artikel terkini menjawabnya. Tandai yang hilang, ganda, dan bertentangan.
3. Perbaiki kontradiksi lebih dulu. Gabungkan duplikat, hapus atau alihkan yang kalah, dan selesaikan soal kebijakan dengan pemiliknya. Ini peningkatan akurasi tercepat yang akan Anda peroleh.
4. Isi celah dari tiket nyata. Untuk topik teratas yang belum tercakup, baca 20 tiket yang sudah selesai dan tulis artikel dari penyelesaian terbaik. Ini "capture" KCS yang dilakukan secara batch.
5. Standarkan templat. Adopsi satu struktur artikel dan satu gaya judul. Tulis ulang 50 teratas lebih dulu, bukan seluruh pustaka.
6. Bersihkan tag dan catatan. Terbitkan daftar tag terkendali beserta definisinya, petakan ulang riwayat ke dalamnya, dan wajibkan catatan penyelesaian mulai sekarang.
7. Tinjau makro. Pensiunkan, perbarui, atau tetapkan pemilik, dan kaitkan masing-masing dengan kebijakan.
8. Tetapkan pemilik dan tanggal tinjauan. Setiap artikel dan makro mendapat pemilik bernama dan interval tinjauan. Urutkan menurut tanggal pembaruan terakhir, mulai dari artikel dengan lalu lintas tertinggi, dan masukkan tinjauan ke kalender rutin.
9. Bangun set uji. Tulis 50 sampai 100 pertanyaan pelanggan nyata beserta jawaban yang benar untuk masing-masing, termasuk pertanyaan yang harus ditolak bot. Jalankan sebelum peluncuran dan setelah setiap perubahan konten.
10. Buka umpan balik. Beri agen cara satu klik untuk menandai jawaban yang salah atau hilang, dan tinjau tandanya setiap minggu. Intercom merekomendasikan tinjauan mingguan atas saran konten AI dan tanda dari rekan, serta tinjauan bulanan atas artikel yang sering dipakai AI tetapi jarang menyelesaikan pertanyaan (Intercom Help Center).

Daftar Periksa Kesiapan Data Dukungan

Beri skor setiap baris 0 (tidak benar), 1 (sebagian benar), atau 2 (benar). Apa pun di bawah 10 dari 16 pada blok pertama berarti perbaiki konten sebelum meluncurkan bot yang menghadap pelanggan.

Gunakan skor sebagai pemantik diskusi dengan tim, bukan nilai lulus atau gagal. Baris dengan skor terendah adalah sprint pertama Anda.

Contoh menurut Fungsi

Ini skenario ilustratif, bukan studi kasus terukur.

Dukungan pelanggan. Bayangkan tim dukungan perangkat lunak dengan dua artikel reset kata sandi, satu untuk login lama dan satu untuk single sign-on. Menggabungkannya menjadi satu artikel, dengan bagian singkat "login mana yang Anda pakai?" di bagian atas, memberi bot satu sumber. Set uji Anda sendiri yang memberi tahu seberapa besar akurasinya meningkat.

Dukungan penagihan dan keuangan. Kebijakan pengembalian dana sering punya pengecualian yang hanya diketahui kepala penagihan: paket tahunan, aturan regional, penggunaan sebagian. Menuliskannya sebagai tabel aturan eksplisit dalam satu artikel memungkinkan AI dan agen baru menerapkannya secara konsisten.

Dukungan teknis. Katakanlah insinyur memperbaiki masalah di kode tetapi dukungan tidak pernah mencatat solusi sementaranya. Menambahkan catatan wajib "penyebab dan perbaikan" ke templat penutupan menciptakan aliran draf artikel yang stabil, yang bisa ditinjau spesialis dukungan setiap minggu.

Onboarding dan customer success. Jika customer success manager menjawab pertanyaan penyiapan yang sama dari templat pribadi, memindahkan versi terbaik ke makro bersama yang berpemilik memberi tim kata-kata yang konsisten dan memberi AI sesuatu yang disetujui untuk dijadikan acuan.

Operasi dan kualitas. Pemimpin QA dapat mengambil sampel jawaban AI terhadap set uji setiap minggu dan mencatat setiap kegagalan sebagai perbaikan konten, perbaikan tag, atau pertanyaan kebijakan. Ketika kegagalan bergeser dari celah konten ke kasus tepi yang langka, pekerjaan konten membuahkan hasil.

Jebakan yang Perlu Dihindari

• Mengimpor segalanya. Memberi AI setiap artikel, utas forum, dan catatan rilis lama membuatnya mengutip yang usang. Kurasi set sumber dan kecualikan konten yang diarsipkan.
• Menganggap peningkatan model sebagai perbaikan konten. Model yang lebih baik tidak akan menyelesaikan dua kebijakan yang bertentangan. Ia hanya akan bertentangan dengan dirinya sendiri secara lebih fasih. Lihat halusinasi AI untuk memahami mengapa jawaban salah yang lancar adalah risiko utama.
• Menulis ulang seluruh pustaka lebih dulu. Mulailah dengan topik yang mendorong volume. Sepuluh artikel hebat mengalahkan 500 artikel yang dibersihkan tetapi tidak ada yang menanyakannya.
• Tanpa pemilik. Konten tanpa pemilik membusuk. Perubahan kebijakan pertama setelah peluncuran akan merusak sesuatu.
• Melewatkan pengetahuan privat. Runbook internal dan aturan eskalasi sama pentingnya dengan artikel publik, dan sering kali paling tidak terorganisasi. Putuskan dengan sengaja fitur AI mana yang boleh membacanya. Zendesk mencatat bahwa respons generatif sebagian besar didasarkan pada artikel yang dapat diakses publik, sehingga konten terbatas mungkin tidak dipakai.
• Mengabaikan manusianya. Agen yang menulis pengetahuan membutuhkan waktu dan pengakuan untuk itu. Lihat AI dan peran tim dukungan untuk mengetahui bagaimana pekerjaan konten mengubah siapa mengerjakan apa.
• Meluncur tanpa set uji. Jika Anda tidak bisa mengukur kualitas jawaban sebelum peluncuran, Anda akan mengetahuinya dari pelanggan.

Langkah Selanjutnya

Pilih 20 alasan kontak teratas, periksa bahwa masing-masing punya satu artikel terkini, dan perbaiki konfliknya. Satu audit itu biasanya memberi lebih banyak daripada konfigurasi alat apa pun. Lalu bangun set uji, tetapkan pemilik, dan jalankan tinjauan tanda mingguan. Setelah itu gunakan gambaran umum untuk menempatkan pekerjaan ini dalam peluncuran yang lebih luas.