Bagaimana Thunai Mengotomatiskan Dukungan Pelanggan dengan Agen AI (dan Apa Artinya bagi B2B SaaS Anda)

Tim dukungan pelanggan berada di bawah tekanan tinggi. Volume tiket naik 20% setiap tahun, namun jumlah staf tetap sama. Pelanggan mengharapkan jawaban instan dan personal sepanjang waktu. Bagi perusahaan B2B SaaS, setiap keterlambatan respons menggerus retensi dan pendapatan ekspansi. Thunai, sebuah perusahaan teknologi yang berkembang pesat, menghadapi tantangan ini persis, hingga mereka merancang ulang dukungan di sekitar agen AI dan streaming data berbasis peristiwa dengan IBM Confluent.

Hasilnya? Fungsi dukungan yang diskalakan 3x tanpa menambah staf, penurunan drastis dalam waktu penyelesaian, dan skor CSAT yang melonjak melewati 94%. Namun cerita sebenarnya bukan hanya tentang teknologi, melainkan tentang bagaimana menghubungkan aliran data real-time ke pengambilan keputusan AI mengubah layanan pelanggan dari pusat biaya menjadi mesin pertumbuhan. Artikel ini mengupas pendekatan Thunai dan memberikan buku panduan konkret bagi para pemimpin dukungan B2B untuk meniru hasil tersebut.

Mengapa Tumpukan Dukungan Tradisional Rusak saat Skala Bertambah

Sebagian besar tim dukungan SaaS memulai dengan helpdesk, basis pengetahuan, dan beberapa makro. Itu berfungsi saat Anda memiliki 200 tiket per bulan. Pada 2.000, retakan mulai muncul. Pada 20.000, sistem runtuh. Para pemimpin dukungan menghadapi tiga masalah yang saling terkait:

• Silo data: Konteks pelanggan ada di CRM, data penggunaan produk di alat analitik, percakapan masa lalu di sistem tiket terpisah. Agen harus berpindah antara lima tab hanya untuk memahami masalah.
• Alur kerja reaktif: Tim menunggu pelanggan melaporkan masalah. Saat agen terlibat, rasa frustrasi sudah muncul.
• Hambatan pengetahuan: 20% agen paling tajam menjawab 80% pertanyaan rumit. Saat mereka tidak tersedia, waktu penyelesaian membengkak dan konsistensi menurun.

Thunai menyadari bahwa memperbaiki dukungan dalam skala besar memerlukan pemikiran ulang pada lapisan data, bukan hanya antarmuka tiket. Mereka beralih ke IBM Confluent untuk menyatukan peristiwa real-time, dan membangun agen AI di atasnya yang dapat menafsirkan dan bertindak berdasarkan data tersebut secara instan.

Tulang Punggung Data: Mengapa Streaming Real-Time Mengubah Segalanya

IBM Confluent menyediakan platform streaming peristiwa real-time yang dibangun di atas Apache Kafka. Alih-alih melakukan polling database setiap malam, setiap tindakan pelanggan, perubahan akun, penggunaan fitur produk, pembaruan penagihan, log kesalahan, mengalir sebagai peristiwa dalam hitungan milidetik. Bagi dukungan, ini berarti agen AI dapat mengetahui bahwa seorang pelanggan baru saja mengalami penolakan pembayaran atau integrasi yang rusak sebelum pelanggan mengetik satu kata pun.

Thunai menerapkan arsitektur berbasis peristiwa berikut:

1. Produsen peristiwa: Setiap mikrolayanan dalam produk SaaS dan sistem operasional mereka (CRM, penagihan, pemantauan) menerbitkan peristiwa ke topik Confluent.
2. Pemrosesan aliran: ksqlDB dan pemroses aliran kustom memperkaya peristiwa, mencocokkan kesalahan produk dengan paket pelanggan, status kontrak, dan riwayat dukungan terbaru, serta menghasilkan catatan "situasi pelanggan" yang terstruktur.
3. Pemicu agen AI: Ketika suatu situasi memenuhi kriteria yang telah ditentukan (misalnya, "pelanggan perusahaan pada paket Pro mengalami lonjakan kesalahan API"), agen AI dipanggil secara otomatis.

Arsitektur ini membalik model dukungan dari reaktif menjadi proaktif. Alih-alih menunggu tiket, sistem mendeteksi masalah dan memulai urutan penyelesaian.

Agen AI dalam Aksi: Alur Kerja Thunai

Dengan gambaran pelanggan yang kaya dan real-time, agen AI Thunai beroperasi di tiga tingkatan:

Tingkat 1: Deteksi Otomatis dan Keterlibatan Keluar

Ketika pembayaran pelanggan gagal, agen AI memicu pesan dalam aplikasi atau email yang berisi tautan aman untuk memperbarui detail, sebelum langganan ditangguhkan. Untuk gangguan teknis yang diketahui, ia mengirim pesan yang dipersonalisasi: "Kami melihat tiga kesalahan waktu habis dari akun Anda dalam satu jam terakhir. Tim teknik kami sudah mengetahuinya; berikut solusi sementara yang dapat Anda terapkan sekarang."

"Kami beralih dari memadamkan tiket menjadi mencegahnya. Agen AI kini mencegat 43% masalah yang akan menjadi tiket dukungan.", Kepala Operasi Pelanggan Thunai

Tingkat 2: Penyelesaian Percakapan dengan Penalaran Berbasis LLM

Jika pelanggan menghubungi, agen AI sudah sadar konteks. Ia memiliki akses ke peristiwa terbaru pelanggan, riwayat percakapan lengkap, dokumentasi produk, dan solusi masa lalu yang berhasil untuk profil serupa. Menggunakan pola retrieval-augmented generation (RAG), agen menyajikan jawaban yang tepat atau melakukan serangkaian tindakan API, mengirim ulang kunci lisensi, memperbarui pengaturan konfigurasi, atau memberikan akses sementara, sambil memberi tahu pelanggan dalam bahasa alami.

Tingkat 3: Eskalasi Cerdas dengan Serah Terima Konteks Penuh

Ketika agen AI menentukan bahwa suatu masalah memerlukan penilaian manusia (misalnya, pertanyaan kepatuhan hukum yang kompleks atau pemecahan masalah yang rumit), ia menyerahkannya kepada spesialis. Namun serah terima ini mengubah permainan: agen manusia menerima pengarahan lengkap, ringkasan situasi, langkah-langkah yang sudah diambil AI, detail akun yang relevan, dan tindakan selanjutnya yang disarankan, semuanya dirangkum dalam panel yang ringkas. Waktu orientasi rata-rata turun dari 8 menit menjadi di bawah 30 detik.

Dampak Bisnis yang Terukur: Angka-angka yang Penting

Buktinya ada pada metrik. Dalam waktu enam bulan setelah menerapkan agen AI yang didukung oleh aliran peristiwa real-time, Thunai mendokumentasikan:

• 61% pengalihan tiket: Sebagian besar pertanyaan diselesaikan melalui tindakan keluar otomatis atau layanan mandiri yang didorong oleh panduan proaktif yang dipicu AI.
• Waktu respons pertama rata-rata turun dari 8,2 jam menjadi 2,1 menit. Ini termasuk tiket yang pada akhirnya membutuhkan bantuan manusia, karena agen AI memberikan pengakuan instan dan seringkali penyelesaian sebagian.
• CSAT naik dari 78% menjadi 94%. Pelanggan secara konsisten menyebut "layanan antisipatif" sebagai alasan peningkatan skor kepuasan.
• Biaya per tiket turun 64%. Dengan memindahkan pekerjaan Tingkat-1 dan sebagian besar Tingkat-2 ke AI, spesialis manusia fokus pada interaksi bernilai tinggi, mendorong efisiensi dan kepuasan kerja.

Tren penurunan volume tiket menunjukkan efek gabungan: saat agen AI menjadi lebih akurat dan lapisan pemrosesan peristiwa semakin matang, semakin sedikit masalah yang mencapai antrian dukungan, dan masalah yang masuk pun lebih sederhana untuk diselesaikan.

Perlu dicatat, peningkatan CSAT bukanlah lonjakan satu kali. Angka tersebut terus meningkat seiring sistem belajar dari setiap interaksi, semakin memperkuat siklus positifnya. Dan ketika Anda memetakan keuntungan ini ke pendapatan ekspansi, perusahaan B2B dengan CSAT di atas 90% melihat retensi pendapatan bersih meningkat 10-15 poin persentase, ROI-nya menjadi jelas.

Buku Panduan: Bagaimana Pemimpin Dukungan Dapat Mengadopsi Model Ini

Kesuksesan Thunai bukanlah proyek "big bang". Mereka mengikuti pendekatan bertahap dan terukur yang dapat ditiru oleh pemimpin dukungan mana pun. Berikut adalah kerangka kerja praktisnya:

Fase 1: Petakan Tiga Serangkai Peristiwa Anda (Minggu 1-2)

Identifikasi tiga kategori peristiwa yang paling memengaruhi pengalaman pelanggan:

• Peristiwa produk: kode kesalahan, penggunaan fitur, anomali waktu aktif.
• Peristiwa akun: perubahan paket, kegagalan penagihan, orientasi pengguna baru.
• Peristiwa interaksi: tiket dukungan terbaru, skor NPS, postingan komunitas.

Mulailah dengan hanya lima peristiwa berdampak tinggi, seperti kegagalan pembayaran, kesalahan kritis pada tingkat berbayar, atau pelanggan yang menurunkan paket. Hubungkan ke lapisan streaming ringan (Kafka, Confluent, atau bahkan bus berbasis webhook).

Fase 2: Tentukan Pemicu Tindakan dan Respons Agen (Minggu 3-4)

Untuk setiap peristiwa, rancang buku panduan "jika ini, maka itu":

• Kondisi apa yang memicu agen AI? (misalnya, "tingkat kesalahan > ambang batas pada akun perusahaan")
• Apa jalur resolusi terbaik? (Kirim artikel pengetahuan, mulai ulang layanan, jadwalkan panggilan dengan CSM)
• Apa rencana cadangan untuk memastikan tidak ada pelanggan yang terbengkalai? (Eskalasi dengan konteks lengkap setelah dua kali percobaan AI gagal)

Gunakan platform AI low-code untuk membangun agen-agen ini tanpa menulis kode backend. Alat modern memungkinkan Anda menghubungkan data dengan drag-and-drop, menentukan alur percakapan, dan mengintegrasikan langsung dengan helpdesk seperti Zendesk atau Intercom.

Fase 3: Ukur, Pelajari, dan Kembangkan (Berkelanjutan)

Lacak metrik yang sama yang digunakan Thunai: tingkat pengalihan tiket, waktu respons pertama, CSAT, biaya per tiket, dalam satu dasbor terpadu. Tinjau 20 percakapan teratas yang ditangani AI setiap minggu untuk menemukan celah. Perluas cakupan peristiwa dan kecanggihan agen dalam sprint dua mingguan.

"Kesalahan terbesar adalah mencoba mengotomatiskan semuanya sekaligus. Mulailah dengan 20% masalah yang menyebabkan 80% volume, kuasai itu, lalu kembangkan.", Penasihat Operasi Dukungan

Di Mana Successly Berperan: Mempercepat Perjalanan Agen AI Anda

Arsitektur Thunai membutuhkan keahlian Kafka yang mendalam dan pengembangan khusus selama berbulan-bulan. Namun prinsip-prinsipnya tidak memerlukan investasi rekayasa setingkat itu. Successly menawarkan platform otomatisasi dukungan AI yang dirancang khusus yang sudah terhubung ke analitik produk, CRM, penagihan, dan helpdesk Anda, menyerap peristiwa waktu nyata yang sama yang diandalkan Thunai, tanpa perlu mengelola infrastruktur streaming sendiri.

Agen AI Successly telah dilatih sebelumnya pada pola dukungan B2B, sehingga Anda mendapatkan deteksi langsung terhadap pembayaran gagal, penurunan orientasi, dan kesalahan produk umum. Dan karena terintegrasi dengan alat yang sudah Anda gunakan, Anda dapat beralih dari uji coba ke produksi penuh dalam hitungan minggu, bukan kuartal. Tim yang mengadopsi Successly biasanya melihat:

• 50-65% pengalihan tiket dalam 90 hari pertama
• Waktu respons pertama di bawah satu menit untuk interaksi yang dikelola AI
• CSAT di atas 90% pada percakapan otomatis

Kesimpulan: Ubah Dukungan Menjadi Benteng Strategis

Kisah Thunai dengan IBM Confluent dan agen AI adalah cetak biru untuk apa yang dapat dicapai oleh dukungan modern. Dengan memperlakukan setiap sinyal pelanggan sebagai peluang untuk melayani, mereka mengubah pusat biaya reaktif menjadi mesin loyalitas dan pertumbuhan. Bagi para pemimpin B2B SaaS, pelajarannya jelas: fondasi dukungan AI yang hebat bukanlah chatbot yang lebih pintar, melainkan pipa data yang lebih pintar. Dengan platform seperti Successly, Anda dapat menerapkan pipa tersebut dan agen cerdas yang berada di atasnya, tanpa perlu kerja rekayasa yang berat.

Pelanggan Anda sudah menyiarkan sinyal yang menentukan kesuksesan dan churn mereka. Apakah Anda mendengarkan?