---
title: "Alasan Panggilan Call Center Tidak Berkurang Meski Ada Chatbot AI"
locale: id
category: ai_data
category_name: "Data AI"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/why-ai-chatbots-do-not-reduce-call-center-calls
published_at: 2026-08-14T01:01:58+09:00
---

# Alasan Panggilan Call Center Tidak Berkurang Meski Ada Chatbot AI

> Meskipun pengguna chatbot bertambah, panggilan ke call center dan biaya operasional mungkin tidak berkurang jika kewenangan penanganan, pemahaman konteks, dan pengalihan ke agen manusia tidak memadai. Alih-alih mengukur tingkat penanganan otomatis, perusahaan harus mengukur apakah masalah pelanggan terselesaikan dan merancang seluruh perjalanan agar AI dan agen berbagi konteks.

## Key Points

- Peningkatan penggunaan chatbot dapat berarti permintaan pertanyaan dan titik kontak bertambah, sehingga tidak secara langsung membuktikan berkurangnya panggilan ke call center.
- Kemampuan menjelaskan informasi dan kewenangan untuk benar-benar memproses pengembalian dana, pembatalan, atau perubahan akun merupakan dua kapabilitas yang berbeda.
- Panggilan yang masuk setelah chatbot gagal cenderung terkonsentrasi pada kasus rumit, sehingga meskipun volume panggilan tetap sama, waktu penanganan rata-rata dan beban emosional dapat meningkat.
- Handover yang efektif meneruskan ringkasan percakapan, status autentikasi pelanggan, tindakan yang telah dilakukan, dan penyebab kegagalan kepada agen secara bersamaan.
- Indikator kinerja utama harus berfokus pada tingkat penyelesaian perjalanan, tingkat pertanyaan ulang, total waktu penyelesaian, dan upaya pelanggan, bukan sekadar tingkat defleksi.

Meningkatnya volume percakapan chatbot AI secara signifikan tidak otomatis mengurangi panggilan ke call center atau biaya layanan pelanggan. Menjawab pertanyaan dan menyelesaikan masalah pelanggan hingga tuntas adalah dua hal yang berbeda, dan otomatisasi yang gagal justru dapat mendorong pertanyaan yang lebih rumit dan emosional ke layanan agen manusia.

Paradoks utama yang terlihat dalam operasional adalah sebagai berikut. Penggunaan chatbot meningkat, tetapi total volume panggilan hampir tidak berubah, sedangkan tingkat kesulitan pertanyaan yang ditangani agen dan waktu penanganan rata-rata meningkat. Untuk memahaminya, kita perlu melihat keseluruhan perjalanan penyelesaian masalah pelanggan, bukan volume penggunaan setiap kanal.

## Alasan penggunaan chatbot dan penurunan panggilan tidak selaras

Volume penggunaan chatbot lebih mendekati jumlah aktivitas di titik kontak daripada indikator hasil. Jumlah percakapan dapat meningkat hanya karena kenaikan jumlah pengunjung, perluasan eksposur chatbot, perubahan lokasi akses di dalam aplikasi, atau perpindahan pengguna FAQ lama ke kanal chatbot.

Sebagai contoh, meskipun percakapan chatbot meningkat 300%, volume panggilan tidak akan berkurang dalam situasi berikut.

- Jumlah pesanan dan pelanggan bertambah bersamaan sehingga total permintaan layanan meningkat.
- Pengguna pencarian dan FAQ lama berpindah ke chatbot, tetapi pengguna telepon tetap ada.
- Seorang pelanggan menelepon kembali untuk masalah yang sama setelah menggunakan chatbot.
- Chatbot menjadi pintu masuk baru untuk pertanyaan sehingga pelanggan yang sebelumnya akan menyerah pun mulai mencari bantuan.
- Proporsi masalah rumit yang memerlukan panggilan telepon tidak berkurang.

Karena itu, dalam analisis, indikator berikut harus dipisahkan dari jumlah percakapan sederhana.

| Indikator | Perhitungan atau arti | Hal yang perlu diperhatikan |
|---|---|---|
| Tingkat kontak melalui telepon | Jumlah pertanyaan melalui telepon ÷ jumlah pesanan, pelanggan, atau pelanggan aktif | Kenaikan volume pertanyaan akibat pertumbuhan bisnis harus disesuaikan. |
| Tingkat handover | Sesi chatbot yang dialihkan ke agen manusia ÷ seluruh sesi chatbot | Angka yang rendah belum tentu baik. Angka ini juga dapat turun jika tombol untuk terhubung disembunyikan. |
| Tingkat kontak ulang | Persentase pelanggan yang kembali menghubungi untuk masalah yang sama dalam periode tertentu | Harus diidentifikasi apakah masalahnya sama meskipun kanalnya berbeda. |
| Tingkat penyelesaian perjalanan | Pelanggan yang benar-benar menyelesaikan tugas sasaran ÷ pelanggan yang mencoba tugas tersebut | Pemberian jawaban harus dibedakan dari penyelesaian proses yang sebenarnya. |
| Tingkat penyelesaian pada kontak pertama | Persentase yang terselesaikan dalam interaksi pertama tanpa kontak tambahan | Akan terdistorsi jika agen secara sepihak menandainya selesai tanpa konfirmasi pelanggan. |
| Total waktu penyelesaian | Waktu yang berlalu sejak kontak pertama hingga penyelesaian akhir | Harus mencakup waktu tunggu, perpindahan kanal, dan autentikasi ulang. |
| Waktu penanganan rata-rata | Total waktu yang digunakan untuk layanan pelanggan ÷ jumlah kasus yang ditangani | Dapat meningkat jika setelah otomatisasi hanya tersisa kasus-kasus sulit. |

## Tiga keterbatasan struktural yang membuat AI tidak menyelesaikan masalah meskipun dapat menjawab

### 1. Perbedaan antara kemampuan menjelaskan dan wewenang untuk bertindak

AI generatif dapat dengan cepat menjelaskan informasi yang tersedia dalam dokumen, seperti kebijakan, cara penggunaan, dan informasi produk. Namun, kebutuhan pelanggan yang sebenarnya sering kali mencakup proses kerja dalam beberapa tahap.

Misalnya, jika pelanggan meminta, “Saya sudah membatalkan langganan, tetapi ditagih lagi, jadi tolong kembalikan uang saya,” sistem mungkin perlu melakukan tugas berikut.

1. Mengautentikasi pelanggan dan akun.
2. Memeriksa waktu pembatalan dan riwayat pembayaran.
3. Menentukan apakah terjadi penagihan ganda atau apakah syarat pengembalian dana terpenuhi.
4. Memeriksa kewenangan persetujuan dan kebijakan pengecualian.
5. Menjalankan pengembalian dana dan mencatat hasilnya.

Jika chatbot tidak terhubung ke sistem pembayaran atau pesanan internal, atau tidak memiliki wewenang untuk bertindak, chatbot hanya dapat memberikan panduan. Jika pelanggan harus mencari menu dan memprosesnya kembali sendiri, kasus tersebut mungkin dianggap “jawaban selesai” dari perspektif perusahaan, tetapi belum selesai dari perspektif pelanggan.

Memberikan kewenangan luas tanpa syarat untuk pekerjaan sensitif juga bukan solusi. Fungsi seperti pengembalian dana, perubahan data pribadi, dan pemulihan akun memerlukan verifikasi identitas, hak akses minimum, batas nominal, prosedur persetujuan, log audit, serta sarana pemulihan jika terjadi kegagalan.

### 2. Kurangnya konteks yang tidak terlihat dalam pertanyaan

Sulit menentukan hasil yang tepat hanya dari kalimat “Tolong rekomendasikan tempat liburan yang bisa saya kunjungi bersama anak.” Hal ini karena batasan seperti usia anak, waktu perjalanan, anggaran, alergi makanan, keamanan kolam renang, dan akses ke layanan medis dapat mengubah hasilnya.

Cara melengkapi konteks mencakup unsur-unsur berikut.

- Pertanyaan lanjutan untuk memastikan persyaratan yang diperlukan
- Pemanfaatan riwayat pesanan dan layanan pelanggan dalam lingkup yang disetujui pelanggan
- Knowledge graph yang menggambarkan hubungan antara produk, kebijakan, wilayah, target, dan pengecualian
- Ontologi yang mendefinisikan istilah dan hubungan secara konsisten
- Pemeriksaan dokumen kebijakan terbaru serta sistem inventaris dan reservasi aktual

Ontologi atau knowledge graph merupakan salah satu metode implementasi yang memungkinkan, bukan persyaratan wajib bagi semua chatbot. Untuk tugas sederhana, API terstruktur dan alur percakapan yang jelas mungkin lebih efisien. Hal yang penting adalah memastikan model tidak mengisi kekosongan dengan tebakan, tetapi menanyakan informasi yang diperlukan atau mengambilnya dari sistem yang dapat dipercaya.

### 3. Pertanyaan berkesulitan tinggi yang tersisa setelah kegagalan otomatisasi

Jika chatbot menangani pertanyaan mudah, agen akan menerima lebih banyak kasus pengecualian yang rumit secara relatif. Hal ini dapat dipandang sebagai perubahan komposisi kasus. Meskipun jumlah panggilan tetap sama atau sedikit berkurang, jika panggilan yang tersisa menjadi lebih panjang, total waktu dan biaya layanan mungkin tidak berkurang.

Beban emosional juga meningkat jika pelanggan harus mengulang penjelasan yang sama kepada chatbot, lalu mengatakannya lagi dari awal kepada agen. Masalah yang awalnya hanya berupa konfirmasi pembayaran sederhana dapat berkembang menjadi keluhan yang juga mencakup ketidakpuasan terhadap kegagalan otomatisasi.

Namun, kenaikan waktu penanganan rata-rata tidak boleh langsung dianggap sebagai akibat chatbot. Faktor seperti gangguan produk, perubahan kebijakan, proporsi agen baru, dan musim juga berpengaruh. Saat membandingkan kondisi sebelum dan sesudah penerapan, jenis pertanyaan dan kelompok pelanggan harus dikendalikan, serta kelompok yang menelepon setelah menggunakan chatbot dan kelompok yang langsung menelepon harus dianalisis secara terpisah.

## Solusinya bukan defleksi pertanyaan, melainkan handover yang mulus

Handover adalah proses menyerahkan percakapan yang tidak dapat diselesaikan AI kepada agen manusia. Tujuan handover yang baik bukan menahan pelanggan selama mungkin di dalam chatbot, melainkan mendeteksi keterbatasan otomatisasi dengan cepat dan memungkinkan pihak berikutnya yang menangani penyelesaian melanjutkan pekerjaan tanpa terputus.

Koneksi ke agen manusia dapat ditawarkan jika muncul sinyal berikut.

- Pelanggan secara eksplisit meminta terhubung dengan agen.
- Pertanyaan yang sama atau serupa diulang.
- Tingkat keyakinan jawaban berada di bawah standar atau dokumen pendukung tidak ditemukan.
- Risikonya tinggi, seperti sengketa pembayaran, pengambilalihan akun, ancaman hukum, atau masalah keselamatan.
- Emosi negatif berlanjut atau pelanggan menolak jawaban.
- Tindakan yang dijalankan chatbot gagal atau masuk ke status pengecualian.

Layar agen harus menerima informasi terstruktur yang dapat langsung digunakan untuk bekerja, bukan sekadar transkrip percakapan.

| Informasi yang disampaikan | Isi terperinci |
|---|---|
| Maksud pelanggan | Hasil akhir yang diinginkan pelanggan |
| Fakta utama | Informasi yang telah dikonfirmasi, seperti nomor pesanan, waktu kejadian, produk, dan nominal |
| Status autentikasi | Metode verifikasi identitas yang telah diselesaikan dan cakupan validitasnya |
| Riwayat tindakan | Tindakan yang diperiksa atau dijalankan chatbot beserta hasilnya |
| Penyebab kegagalan | Kurangnya wewenang, pengecualian kebijakan, kesalahan API, tingkat keyakinan rendah, dan sebagainya |
| Ringkasan percakapan | Pernyataan pelanggan, penjelasan yang sudah diberikan, dan pertanyaan yang tersisa |
| Sinyal emosi dan risiko | Tingkat ketidakpuasan serta ada tidaknya risiko keamanan, keselamatan, atau hukum |
| Dasar pendukung | Versi dokumen kebijakan yang digunakan dan catatan sistem terkait |

Karena ringkasan yang dibuat AI dapat mengandung kesalahan, percakapan asli juga harus dapat dilihat. Informasi autentikasi dan data pribadi sensitif hanya boleh disampaikan sejauh diperlukan, dan hak akses serta periode penyimpanannya harus dikelola.

## Model operasional tiga tahap untuk membagi peran AI dan manusia

Lebih aman membagi tingkat otomatisasi berdasarkan tingkat risiko pekerjaan, frekuensi pengecualian, dan tanggung jawab pengambilan keputusan.

| Area | Pekerjaan yang sesuai | Peran AI | Peran manusia |
|---|---|---|---|
| Otomatisasi | Informasi jam operasional, pelacakan pengiriman, perubahan reservasi berisiko rendah | Pemeriksaan, penjelasan, dan pelaksanaan tindakan | Campur tangan jika terjadi pengecualian |
| Kolaborasi | Pertanyaan produk kompleks, peninjauan pengecualian kebijakan, keluhan umum | Menyusun konteks, mencari dasar pendukung, dan mengusulkan draf jawaban | Memeriksa fakta, mengambil keputusan akhir, dan berkomunikasi |
| Ditangani sepenuhnya oleh manusia | Sengketa hukum, pengembalian dana bernilai besar, pengambilalihan akun, krisis keselamatan, penanganan emosi serius | Mencari catatan dan menyediakan materi pendukung | Penilaian yang bertanggung jawab, persetujuan, dan pemulihan hubungan |

Kriteria klasifikasi seharusnya bukan “apakah AI dapat menulis kalimat dengan baik”, melainkan besarnya kerugian jika salah ditangani dan sejauh mana tindakan tersebut dapat dibatalkan. Untuk pekerjaan dengan risiko finansial, hukum, atau keselamatan yang besar, atau yang sering memiliki pengecualian, sebaiknya tetap mempertahankan tahap peninjauan dan persetujuan manusia.

## Mengalihkan KPI dari tingkat defleksi ke tingkat penyelesaian perjalanan

Tingkat defleksi atau tingkat penanganan otomatis sering digunakan sebagai persentase sesi yang tidak diteruskan kepada agen. Namun, angka tersebut dapat terlihat lebih baik meskipun jalur untuk terhubung dipersulit atau pelanggan menyerah mencari solusi. Karena itu, jika digunakan sebagai satu-satunya KPI, indikator ini berisiko mendorong optimalisasi yang berlawanan dengan pengalaman pelanggan.

Sistem pengukuran yang berpusat pada perjalanan harus menjawab pertanyaan berikut.

1. Apakah tugas yang diinginkan pelanggan benar-benar selesai?
2. Apakah pelanggan kembali menghubungi untuk masalah yang sama?
3. Berapa banyak kanal dan tahap yang dilalui hingga masalah terselesaikan?
4. Berapa kali pelanggan harus mengulang informasi atau autentikasi yang sama?
5. Berapa lama waktu yang dibutuhkan sejak kontak pertama hingga penyelesaian akhir?
6. Apakah kesalahan otomatisasi mengakibatkan kerugian finansial atau pelanggaran kebijakan?

Dasbor yang direkomendasikan dapat terdiri atas empat lapisan: hasil, upaya, operasional, dan risiko.

- **Hasil:** tingkat penyelesaian perjalanan, tingkat penyelesaian pada kontak pertama, tingkat kontak ulang
- **Upaya pelanggan:** total waktu penyelesaian, jumlah pengulangan penjelasan, jumlah perpindahan kanal, skor upaya pelanggan
- **Operasional:** tingkat kontak melalui telepon, waktu penanganan rata-rata, waktu tunggu, tingkat okupansi agen
- **Kualitas dan risiko:** tingkat jawaban salah, tingkat tindakan tanpa persetujuan, paparan informasi sensitif, jumlah keberatan dan pemulihan

Biaya juga tidak boleh dihitung hanya berdasarkan jumlah panggilan. Yang harus dibandingkan adalah total biaya per perjalanan, termasuk biaya inferensi AI, integrasi sistem, evaluasi kualitas, kontrol keamanan, waktu peninjauan manusia, dan biaya pemulihan kesalahan.

## Pipeline inferensi konteks, orkestrasi, dan handover

AI layanan pelanggan yang praktis lebih menyerupai pipeline yang menghubungkan berbagai sistem daripada satu jendela percakapan.

### 1. Inferensi konteks

Memahami maksud pelanggan dan persyaratan yang diperlukan, lalu mengambil informasi pelanggan yang telah disetujui serta data operasional terbaru. Sistem harus menggunakan sumber otoritatif seperti dokumen kebijakan, sistem pesanan, dan status akun, bukan hanya mengandalkan ingatan model.

### 2. Orkestrasi

Menentukan alat atau petugas yang akan menerima permintaan. Sebelum menjalankan tindakan, periksa status autentikasi, kewenangan, batas nominal, dan tingkat risiko. Jika gagal, jangan mencoba ulang tanpa batas, tetapi beralih ke prosedur pemulihan atau layanan agen manusia.

### 3. Handover

Merangkum tujuan pelanggan, fakta yang telah dikonfirmasi, tindakan yang dilakukan, penyebab kegagalan, dan tindakan berikutnya yang direkomendasikan, lalu menyampaikannya kepada agen. Agen memeriksa percakapan asli dan dasar pendukung sebelum melanjutkan penanganan.

### 4. Pencatatan hasil dan pembelajaran

Simpan status penyelesaian akhir dan koreksi yang dibuat agen. Untuk kegagalan yang berulang, jangan hanya melatih ulang model, tetapi identifikasi apakah penyebabnya berada pada dokumen kebijakan, API, kewenangan kerja, atau alur layar, lalu lakukan perbaikan.

## Desain eksperimen untuk memverifikasi dampak penerapan

Jika hanya membandingkan total volume panggilan sebelum dan sesudah penerapan, sulit memisahkan pengaruh pertumbuhan bisnis dan faktor musiman. Jika memungkinkan, penerapan harus dilakukan secara bertahap dengan membagi kelompok pelanggan atau jenis pertanyaan yang serupa, sambil mengamati hal-hal berikut.

- Jumlah panggilan per 1.000 pesanan atau pelanggan aktif
- Kontak ulang dengan alasan yang sama dalam waktu 24 jam atau 7 hari setelah menggunakan chatbot
- Tingkat penyelesaian dan waktu penanganan rata-rata menurut jenis pertanyaan
- Upaya dan kepuasan pelanggan sebelum dan sesudah terhubung dengan manusia
- Persentase ringkasan AI yang dikoreksi agen
- Tingkat kesalahan pelaksanaan otomatis dan waktu yang dibutuhkan manusia untuk memulihkannya
- Beban kognitif, kelelahan emosional, dan kepuasan kerja agen

Selain itu, definisi “penyelesaian” harus ditetapkan sebelumnya. Kondisi ketika jawaban ditampilkan, pelanggan mengakhiri percakapan, tugas backend berhasil, dan pelanggan mengonfirmasi hasil merupakan hal yang berbeda. Untuk pekerjaan yang memerlukan tindak lanjut seperti pengembalian dana, status transaksi yang sebenarnya harus diperiksa.

## Daftar pemeriksaan untuk tim produk

- Apakah pekerjaan yang dapat dijawab chatbot telah dibedakan dari pekerjaan yang benar-benar dapat dijalankannya?
- Apakah syarat keberhasilan setiap pekerjaan dikonfirmasi berdasarkan hasil backend?
- Apakah pelanggan dapat meminta layanan agen manusia dengan jelas kapan saja?
- Apakah pertanyaan berulang, tingkat keyakinan rendah, dan ungkapan berisiko digunakan sebagai sinyal pengalihan?
- Apakah agen dapat melihat bukan hanya ringkasan percakapan, tetapi juga percakapan asli dan dasar pendukung?
- Apakah pelanggan tidak perlu mengulang autentikasi dan penjelasan?
- Apakah terdapat batas nominal dan kewenangan serta prosedur persetujuan untuk tindakan yang dapat dijalankan AI?
- Apakah tingkat kontak ulang dan total waktu penyelesaian diukur menurut jenis pertanyaan?
- Apakah umpan balik agen diteruskan menjadi perbaikan dokumen pengetahuan, alat, dan prosedur kerja?
- Apakah petugas operasional yang sebenarnya secara berkala menguji seluruh perjalanan chatbot hingga selesai seperti pelanggan?

## Kesimpulan

Keberhasilan chatbot AI tidak dapat dinilai hanya berdasarkan volume percakapan atau tingkat defleksi dari layanan agen manusia. Jika tujuan pelanggan tidak benar-benar tercapai, chatbot bukan menjadi kanal penyelesaian masalah, melainkan tahap tambahan yang harus dilalui sebelum menelepon.

Desain yang efektif tidak menyembunyikan keterbatasan AI. Tugas yang terstruktur dan berisiko rendah diotomatisasi, agen didukung untuk pekerjaan yang memerlukan penilaian, dan situasi berisiko tinggi segera diserahkan kepada manusia yang berpengalaman. Jika hal ini dipadukan dengan handover yang menyampaikan percakapan dan status pekerjaan secara bersamaan, AI dapat menjadi alat yang mengurangi waktu penyelesaian pelanggan, bukan penghalang yang menahan akses ke call center.

## FAQ

### Jika jumlah pengguna chatbot meningkat, bukankah jumlah panggilan ke pusat layanan juga seharusnya berkurang?
Belum tentu. Peningkatan penggunaan chatbot juga dapat terjadi karena peningkatan eksposur, pertambahan jumlah pelanggan, atau perpindahan dari kanal FAQ yang sudah ada. Jika pelanggan yang sama menelepon lagi setelah menggunakan chatbot, volume percakapan dapat meningkat sementara volume panggilan tetap sama.

### Jika tingkat pencegahan eskalasi chatbot tinggi, apakah itu berarti otomatisasi telah berhasil?
Sulit menilainya hanya berdasarkan tingkat pencegahan eskalasi. Tingkat tersebut juga dapat meningkat jika tombol untuk menghubungi agen dibuat sulit ditemukan atau pelanggan menyerah untuk menyelesaikan masalahnya. Penyelesaian tugas yang sebenarnya, ada tidaknya pertanyaan ulang, total waktu penyelesaian, dan upaya pelanggan harus diukur bersama-sama.

### Mengapa waktu penanganan rata-rata dapat meningkat setelah chatbot diterapkan?
Jika AI menangani pertanyaan yang mudah, pengecualian yang rumit dan keluhan emosional dapat terkonsentrasi pada agen. Karena perubahan komposisi kasus ini, waktu penanganan per sesi konsultasi dapat meningkat meskipun jumlah panggilan berkurang.

### Apa saja yang harus disertakan dalam handover yang baik kepada agen manusia?
Tujuan akhir pelanggan, status autentikasi, fakta yang telah dikonfirmasi, tindakan yang dilakukan chatbot, penyebab kegagalan, kebijakan terkait, dan ringkasan percakapan harus disertakan. Karena ringkasan AI mungkin mengandung kesalahan, agen juga harus dapat memeriksa percakapan asli dan dasar informasinya.

### Apakah masalah akan terselesaikan jika AI diberi wewenang untuk melakukan pengembalian dana atau pembatalan?
Sebagian perjalanan pelanggan akan membaik, tetapi pemberian wewenang tanpa batas tidaklah aman. Otomatisasi harus dilakukan secara bertahap mulai dari tugas berisiko rendah, dengan menerapkan verifikasi identitas, hak akses minimum, batas nominal, syarat persetujuan, log audit, dan prosedur pemulihan kesalahan.

### Apakah ontologi dan grafik pengetahuan mutlak diperlukan untuk chatbot layanan pelanggan?
Tidak mutlak diperlukan. Keduanya berguna ketika menangani hubungan produk dan kebijakan yang kompleks, tetapi tugas sederhana juga dapat ditangani hanya dengan API terstruktur dan alur percakapan yang jelas. Kuncinya adalah menanyakan konteks yang diperlukan atau mengambilnya dari sistem yang dapat dipercaya.

### Bagaimana menentukan kapan harus mengalihkannya kepada agen?
Penentuannya dapat didasarkan pada sinyal seperti permintaan eksplisit untuk berbicara dengan agen, pertanyaan berulang, tingkat kepercayaan jawaban yang rendah, kegagalan tugas, emosi negatif yang berkelanjutan, serta risiko tinggi seperti sengketa pembayaran, pengambilalihan akun, atau masalah keselamatan. Pertanyaan berisiko tinggi tidak boleh dibiarkan terlalu lama berada di chatbot dengan alasan penghematan biaya.

### Apa yang harus digunakan sebagai KPI utama chatbot?
Tingkat penyelesaian perjalanan, tingkat penyelesaian pada kontak pertama, tingkat pertanyaan ulang dengan alasan yang sama, total waktu penyelesaian, dan jumlah pengulangan penjelasan dapat diprioritaskan. Tingkat kontak melalui telepon, waktu penanganan rata-rata, tingkat kesalahan, dan total biaya per perjalanan juga harus diperiksa bersama-sama.

### Bagaimana memverifikasi apakah chatbot telah mengurangi biaya pusat layanan?
Jangan hanya membandingkan total volume panggilan sebelum dan sesudah penerapan; hitunglah tingkat kontak melalui telepon yang telah disesuaikan berdasarkan jumlah pelanggan dan volume transaksi. Sebaiknya bandingkan total biaya per perjalanan yang mencakup tingkat penyelesaian menurut jenis pertanyaan, pertanyaan ulang, waktu konsultasi, biaya operasional AI, peninjauan oleh manusia, dan biaya pemulihan kesalahan.

## Sources

- [Kerangka Kerja Manajemen Risiko AI NIST](https://www.nist.gov/itl/ai-risk-management-framework)
- [Platform AI Pusat Kontak Google Cloud](https://cloud.google.com/solutions/contact-center-ai-platform)
- [IBM: Apa itu ontologi?](https://www.ibm.com/think/topics/ontology)
- [Pusat Arsitektur Microsoft Azure: Manusia dalam lingkaran](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/human-in-the-loop)

## Images

![Chatbot AI menangani permintaan sederhana dan mengalihkan masalah rumit ke antrean pusat panggilan](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NzU5NywicHVyIjoiYmxvYl9pZCJ9fQ==--317ba98209612caa9af6cdc98ef2ee488ef9e21b/ai-97159692.webp)
![Pertanyaan pelanggan dialihkan melalui chatbot AI, telepon, dan email ke agen, dengan dasbor analitik](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NzYwMywicHVyIjoiYmxvYl9pZCJ9fQ==--3ee1a2d62648624b7dfb616c81456a18181d3f5c/ai-6fc792ff.webp)