Blog

8 Kasus penggunaan dan contoh agen AI di tempat kerja

Markdown

Contoh agen AI di tempat kerja untuk dukungan, pemasaran, dan penjualan, beserta panduan praktis untuk memilih alur kerja, memulai dengan aman, dan menulis prompt yang jelas.

Agen AI dapat menangani pekerjaan berulang yang terdiri dari beberapa langkah di berbagai tim. Contoh di bawah ini menunjukkan cara agen mendukung layanan pelanggan, pemasaran, dan penjualan, disertai saran praktis untuk memilih dan mengelola alur kerja agen.

Daftar isi:

Apa itu agen AI?

Agen AI adalah sistem yang dapat menjalankan tugas secara mandiri untuk mencapai suatu tujuan, sering kali dengan menggunakan beberapa alat. Beri tahu apa yang Anda inginkan, lalu agen akan menentukan cara melakukannya. Hal ini membedakan agen dari otomatisasi tradisional yang mengikuti serangkaian aturan tetap.

Istilah ini mencakup berbagai jenis sistem, mulai dari agen sederhana berbasis aturan hingga agen yang lebih mandiri dan menjalankan banyak langkah, serta mampu merencanakan, bernalar, dan beradaptasi selama proses berlangsung.

8 kasus penggunaan dan contoh agen AI di tempat kerja

Tidak semua alur kerja membutuhkan agen AI. Jika suatu alur kerja cocok, agen dapat menyediakan lebih banyak waktu untuk pekerjaan yang memerlukan penilaian manusia. Berikut delapan contoh di bidang pemasaran, penjualan, dan dukungan pelanggan.

Triase tiket dukungan

Paling cocok untuk: Dukungan pelanggan

Tim dukungan yang menangani banyak tiket dapat menghabiskan banyak waktu untuk mengumpulkan konteks, membandingkannya dengan masalah terdahulu, dan menemukan dokumentasi yang relevan sebelum membantu pelanggan. Agen AI dapat menangani langkah-langkah riset tersebut secara otomatis.

Salah satu contoh menggambarkan perusahaan yang menangani sekitar 5.000 tiket per bulan, masing-masing membutuhkan sekitar 15 menit riset manual sebelum perwakilan dapat merespons. Alur kerjanya mengumpulkan konteks tiket, mencocokkannya dengan basis pengetahuan internal dan tiket sebelumnya, mengklasifikasikan masalah, lalu mengaitkannya dengan dokumentasi yang relevan dan jalur respons yang disarankan. Perwakilan kemudian dapat membuka tiket dengan hasil riset yang sudah disiapkan.

Layanan pelanggan yang dipersonalisasi dalam skala besar

Paling cocok untuk: Dukungan pelanggan

Mengelola layanan pelanggan di berbagai lokasi, yang masing-masing memiliki kotak masuk, volume tiket, dan kebutuhan pelanggan yang beragam, dapat sulit dilakukan secara manual. Agen AI dapat membantu menjaga konsistensi sekaligus memberikan layanan yang dipersonalisasi.

Salah satu contoh menggunakan alur kerja beberapa langkah untuk menghubungkan perangkat lunak layanan pelanggan, asisten AI, penyimpanan vektor berisi pengetahuan organisasi, dan gudang data. Saat tiket masuk, sistem memeriksa profil keanggotaan pelanggan, termasuk riwayat pembelian, lalu menyusun draf balasan yang dipersonalisasi berdasarkan kebijakan organisasi.

Agen kedua menilai setiap draf dengan membandingkannya dengan respons akhir dari manusia dan mengukur seberapa banyak perubahan yang dibuat. Dalam contoh ini, 70 persen draf dikirim tanpa perubahan, sehingga menghemat 1.500 jam kerja per tahun di 10 toko.

Analisis sentimen pelanggan

Paling cocok untuk: Dukungan pelanggan

Umpan balik pelanggan dapat tersebar di tiket dukungan, ulasan, obrolan langsung, dan kanal sosial, sehingga gambaran keseluruhannya sulit diketahui.

Agen AI dapat memantau kanal-kanal tersebut, menganalisis sentimen, dan meneruskan sinyal yang relevan kepada tim. Misalnya, lonjakan umpan balik negatif dari akun bernilai tinggi dapat dieskalasikan kepada pimpinan pengalaman pelanggan sebelum menjadi risiko pelanggan berhenti. Umpan balik positif dapat ditandai agar tim pemasaran mempertimbangkan untuk menggunakannya sebagai bukti sosial.

Alih-alih meninjau ratusan pesan secara manual setiap minggu, tim dapat menerima rangkuman harian berisi umpan balik yang paling relevan.

Pemantauan risiko pelanggan berhenti

Paling cocok untuk: Dukungan pelanggan

Saat pelanggan secara terbuka menyatakan ketidakpuasan, peluang untuk mempertahankan mereka mungkin sudah menyempit. Agen AI dapat memantau sinyal di CRM, alat dukungan, dan platform kesehatan pelanggan sehingga tim dukungan pelanggan mendapat gambaran terkini tentang kesehatan akun.

Salah satu contoh menggambarkan agen yang memeriksa Salesforce, HubSpot, Vitally, dan Help Scout setiap hari Senin untuk mencari tanda awal pelanggan berhenti atau peluang ekspansi. Agen tersebut mengirimkan rangkuman berprioritas untuk ditinjau dan ditindaklanjuti oleh pimpinan dukungan pelanggan dan produk. Akun yang memerlukan perhatian dapat ditandai sebelum pembicaraan perpanjangan.

Otomatisasi alur produksi konten

Paling cocok untuk: Pemasaran

Meningkatkan produksi konten tanpa menambah jumlah karyawan merupakan tantangan pemasaran yang terus ada. Agen AI dapat menangani bagian proses yang berulang dan membutuhkan banyak riset, tetapi tidak mengharuskan seseorang memulai dari nol setiap kali.

Salah satu contoh menggambarkan agen yang mengumpulkan berita real estat regional, merangkum setiap berita, menyusun rangkuman pasar sepanjang 250 kata dan unggahan media sosial untuk setiap pasar, lalu mengirimkan materi melalui email kepada tim untuk ditinjau. Agen kedua mengumpulkan data perumahan mingguan dan menyiapkan tulisan blog pasar lokal sepanjang 800 kata. Hasilnya diserahkan untuk ditinjau dan diedit.

Pola yang sama dapat diterapkan di berbagai industri: perusahaan perangkat lunak dapat merangkum pembaruan produk untuk buletin pelanggan, merek media dapat mengubah artikel baru menjadi naskah untuk media sosial, dan tim ritel dapat mengubah data inventaris menjadi konten promosi mingguan. Agen melakukan riset, menyusun draf, dan meneruskan hasil kerja; manusia meninjau dan menerbitkannya.

Rekomendasi produk dinamis

Paling cocok untuk: Pemasaran

Produk dengan banyak variabel membuka peluang untuk meningkatkan logika pencocokan.

Sebagai contoh, merek e-commerce yang menjual kasur dapat meminta agen AI memantau jawaban kuis bersama data ulasan dan tingkat pengembalian. Seiring waktu, agen dapat menemukan pola seperti jawaban kuis mana yang memprediksi kecocokan yang baik, produk mana yang berulang kali mendapat pujian, dan bagian mana dari logika pencocokan yang dapat ditingkatkan. Agen dapat merangkum temuan tersebut dalam laporan untuk ditinjau oleh manajer produk.

Alur kerja serupa dapat digunakan untuk kategori produk dengan variasi yang berarti, seperti produk perawatan kulit, suplemen, paket perangkat lunak, dan paket asuransi. Setiap kali pelanggan menjawab pertanyaan untuk memperoleh rekomendasi, agen dapat membantu membandingkan prediksi kuis dengan apa yang ditunjukkan data.

Pembuatan prospek dalam skala besar

Paling cocok untuk: Penjualan

Banyak tim penjualan mengetahui seperti apa pelanggan ideal mereka. Menemukan prospek tersebut dalam skala besar dapat membutuhkan riset yang cukup banyak.

Salah satu contoh menggambarkan agen yang menelusuri web untuk mencari prospek yang sesuai dengan persona pengiklan sasaran, mengaturnya dalam spreadsheet, lalu meneruskan kontak yang memenuhi syarat ke CRM untuk ditindaklanjuti. Dalam satu bulan, agen tersebut menghasilkan lebih dari 2.000 prospek tanpa pekerjaan manual tambahan.

Tindak lanjut panggilan penjualan

Paling cocok untuk: Penjualan

Jeda antara panggilan penjualan dan tindak lanjut sangat singkat. Rapat yang beruntun, pembaruan CRM yang tertunda, dan daftar tugas yang terus bertambah dapat membuat detail terlewat.

Salah satu contoh menggambarkan agen yang meninjau transkrip panggilan, mengidentifikasi tindakan dan komitmen, mencatat detail prospek di CRM, memberi tahu tim, serta menyusun draf email tindak lanjut untuk ditinjau dan dikirim. Perwakilan meninjau dan mengirim pesan tersebut.

Praktik terbaik dalam menggunakan agen AI

Agen AI memiliki potensi besar, tetapi alur kerja juga dapat bermasalah. Berikut beberapa pertimbangan umum bagi tim yang membangun dan men-debug agen.

Ketahui jenis pekerjaan yang sebaiknya diserahkan kepada agen

Jika Anda memulai dari halaman kosong, carilah pola dalam pekerjaan sehari-hari alih-alih memulai dengan sebuah alat:

  • Tugas yang Anda lakukan secara manual dan berulang kali

  • Pekerjaan yang melibatkan analisis, peringkasan, pengategorian, atau pengorganisasian informasi

  • Proses dengan masukan yang berada di berbagai tempat, seperti email, CRM, obrolan, dan dokumen

Tugas-tugas ini dapat cocok untuk agen, terutama jika pekerjaan tersebut melelahkan secara mental tetapi tidak selalu memerlukan keahlian mendalam. Agen dapat menyiapkan pembaruan, menyusun ulang informasi, menampilkan wawasan, dan melacak perubahan.

Agen AI tidak cocok untuk setiap alur kerja. Otomatisasi tradisional mungkin lebih sesuai ketika presisi dan keterdugaan menjadi prioritas. Jika fleksibilitas tertentu dapat diterima—misalnya, menyusun naskah, merangkum pembaruan, atau memilah permintaan—agen dapat berguna.

Untuk pekerjaan berisiko tinggi seperti perubahan penagihan, pemformatan data yang ketat, atau proses yang sensitif terhadap kepatuhan, gunakan alur kerja yang dapat diprediksi dengan pengawasan manusia. Otomatisasi terstruktur dapat menangani langkah-langkah deterministik, sementara langkah AI menangani pekerjaan yang membutuhkan penilaian. Gunakan izin dengan cakupan terbatas, koneksi terkelola, dan visibilitas atas hal-hal yang dapat diakses serta dilakukan agen.

Mulai dengan alur kerja berisiko rendah

Merasa kewalahan saat memberikan akses luas kepada agen baru adalah hal yang wajar. Bangun kepercayaan terlebih dahulu dengan alur kerja berisiko rendah, ketika hasil yang buruk hanya berdampak terbatas. Contohnya:

  • Perangkum dokumen yang menggunakan satu sumber tepercaya, seperti sebuah dokumen

  • Agen riset yang memindai sekumpulan halaman web atau catatan internal tertentu

  • Agen triase kotak masuk yang menyusun draf balasan tetapi tidak mengirimkannya

Setelah alur kerja terbukti andal, kembangkan secara bertahap. Tambahkan alat dan otomatisasi selangkah demi selangkah, alih-alih langsung memberi agen akses ke semuanya.

Gunakan prompt yang efektif

Jika agen hampir melakukan apa yang Anda inginkan, mungkin agen memerlukan instruksi yang lebih jelas. Kebiasaan berikut dapat membantu saat menulis prompt:

  • Anggap tidak ada konteks sebelumnya. Definisikan akronim, jelaskan kasus khusus, dan nyatakan batasannya.

  • Tentukan keluarannya. Jelaskan panjang, nada, format, dan tempat untuk meletakkan hasilnya.

  • Buat ringkas dan jelas. Lebih sedikit kata berarti lebih sedikit ambiguitas dan lebih sedikit bagian yang harus ditangani.

  • Berikan peran. “Bertindaklah seperti pemimpin RevOps” menghasilkan pemikiran yang berbeda dibandingkan dengan “analisis ini.”

  • Susun permintaan. Format prompt Anda sebagai peran → tugas → langkah → keluaran. Untuk konteks yang panjang, gunakan batas yang jelas seperti \<context\>...\</context\>.

  • Ulangi dan sempurnakan. Perlakukan proses pertama sebagai draf, lalu sempurnakan dengan umpan balik.

Bangun agen AI yang aman

Saat bekerja dengan baik, agen AI memantau, merangkum, meneruskan, dan menindaklanjuti pekerjaan di latar belakang. Agen dapat menangkap hal-hal sebelum terlewat dan memberi tim lebih banyak waktu untuk pekerjaan yang membutuhkan penilaian manusia.

Lapisan integrasi dapat menghubungkan agen dengan alat yang sudah digunakan tim. Asisten AI dapat mengambil prospek, memperbarui transaksi, menyiapkan tindak lanjut, atau memulai alur kerja beberapa langkah dari jendela obrolan. Tindakan serupa dapat dimulai dari editor kode atau terminal, dengan kontrol akses dan peninjauan yang sesuai.

Jelajahi API LLM Ailoot. Satu kunci API yang diterbitkan Ailoot membuka akses ke 1.284 model dan varian dalam 15 kategori, menjadikan Ailoot salah satu router AI terbesar di dunia berdasarkan jumlah model. Gunakan Claude atau Qwen untuk menulis kode, FLUX untuk membuat gambar, Kling untuk video, Scribe untuk transkripsi, Lyria untuk musik, dan Tripo3D untuk aset 3D. Embedding BGE mendukung pencarian semantik.

Untuk proyek API analisis sentimen AI, Ailoot menyediakan Mercury Decide bersama model untuk membaca dokumen, menganalisis teks, dan menghasilkan keluaran terstruktur melalui satu API.

Gunakan kunci proyek Ailoot untuk menambahkan klasifikasi dan penentuan langkah berikutnya ke perangkat lunak Anda. Lisensi komersial Ailoot mencakup penggunaan fitur tersebut di produk berbayar.

Satu langganan mencakup seluruh katalog Ailoot. Saat model unggulan baru dirilis, Anda bisa langsung menggunakannya dengan kunci yang sama. Langganan dan kode promo memberi penghematan hingga 50% dibandingkan tarif resmi API dari penyedia model. Dapatkan kunci API di https://ailoot.ai/ dan cek kode promo di akun Anda.