Chatbot AI Industri Perbankan: Contoh Use Case dan Framework Kesiapan Adopsi

Nasabah perbankan semakin terbiasa mendapatkan layanan secara instan. Ekspektasi ini sejalan dengan arah transformasi digital sektor keuangan, termasuk melalui Blueprint Sistem Pembayaran Indonesia (BSPI) 2030 yang dikembangkan Bank Indonesia.

Dalam konteks tersebut, chatbot AI industri perbankan dapat menjadi salah satu solusi untuk menangani volume percakapan nasabah yang tinggi. Sistem dapat merespons pertanyaan secara otomatis tanpa membuat nasabah menunggu antrean human agent.

Mekari Qontak Blog kali ini akan membahas cara kerja chatbot AI perbankan, manfaat dan use case-nya, regulasi yang perlu diperhatikan, tantangan implementasi, serta indikator yang dapat digunakan bank untuk mengukur keberhasilannya.

---

Apa Itu Chatbot AI dalam Industri Perbankan?

Chatbot AI industri perbankan merupakan sistem percakapan yang menggunakan natural language processing (NLP) dan machine learning untuk memahami maksud nasabah dan menghasilkan respons berdasarkan konteks percakapan.

Kemampuan ini membedakannya dari chatbot berbasis rule atau decision-tree yang bekerja berdasarkan kata kunci dan alur yang telah ditentukan.

Chatbot AI dapat menangani pertanyaan yang lebih terbuka dan menghubungkan respons dengan data atau informasi yang tersedia di sistem bank.

Penerapannya juga tidak terbatas pada FAQ. Chatbot dapat membantu nasabah melakukan simulasi kredit, memahami persyaratan pembukaan rekening, hingga mengarahkan kasus yang lebih kompleks kepada customer service yang sesuai.

---

Cara Kerja Chatbot AI Perbankan

Secara umum, chatbot AI perbankan bekerja melalui tiga proses utama: memahami intent nasabah, mengambil informasi yang relevan, kemudian meningkatkan kemampuan berdasarkan pola interaksi yang terjadi.

1. Memahami Intent Nasabah dengan NLP

Proses dimulai ketika chatbot menerima pesan dari nasabah. NLP digunakan untuk memahami konteks dan mengidentifikasi intent di balik pesan tersebut.

Misalnya, ketika nasabah menulis, “saya mau pindahkan uang ke tabungan saya”, sistem dapat mengenalinya sebagai permintaan transfer dana. Chatbot tidak hanya membaca kata tertentu, tetapi mencoba memahami tujuan dari pesan tersebut.

2. Mengakses Data melalui Integrasi API

Setelah intent teridentifikasi, chatbot dapat mengambil informasi yang diperlukan melalui application programming interface (API).

Informasi seperti saldo, limit transfer, atau detail persyaratan produk dapat bersumber dari core banking system maupun knowledge base bank. Dengan pendekatan ini, jawaban tidak semata-mata dihasilkan dari pola percakapan sebelumnya.

Bagi bank, integrasi menjadi bagian penting karena kualitas respons chatbot sangat bergantung pada data yang dapat diakses secara aman dan relevan.

3. Meningkatkan Akurasi dari Interaksi

Machine learning memungkinkan chatbot mempelajari pola pertanyaan dan respons yang berhasil menyelesaikan kebutuhan nasabah. Seiring waktu, kemampuan sistem dapat ditingkatkan berdasarkan data interaksi yang tersedia.

Meski demikian, proses pembelajaran tetap membutuhkan pengawasan tim bank. Model dan respons yang dihasilkan harus tetap mengikuti kebijakan, informasi produk, serta standar komunikasi resmi yang berlaku.

---

Mengapa Bank Skala Menengah-Besar Membutuhkan Chatbot AI?

Bank menghadapi volume interaksi yang besar dengan kebutuhan respons yang relatif sensitif terhadap waktu. Pertanyaannya dapat berkisar dari informasi produk hingga laporan transaksi yang mencurigakan.

Chatbot AI dapat membantu menangani sebagian interaksi tersebut secara otomatis sehingga kapasitas agent manusia dapat dialokasikan untuk kasus yang membutuhkan penilaian lebih kompleks.

1. Memberikan Respons Instan tanpa Menambah Beban Call Center

Pertanyaan rutin seperti jam operasional cabang, persyaratan pembukaan rekening, atau informasi produk dapat dijawab dalam hitungan detik.

Dengan otomatisasi pada pertanyaan berulang, call center tidak perlu menghabiskan kapasitas untuk kebutuhan yang sebenarnya dapat ditangani chatbot AI. Agent dapat berfokus pada kasus yang membutuhkan intervensi atau keputusan manusia.

2. Menjaga Konsistensi Informasi di Berbagai Kanal

Chatbot AI yang menggunakan knowledge base terpusat dapat membantu memastikan informasi yang diberikan tetap konsisten.

Hal ini penting bagi bank yang memiliki banyak cabang, kanal komunikasi, dan titik kontak. Nasabah seharusnya mendapatkan informasi yang sama mengenai produk, kebijakan, atau persyaratan meskipun berinteraksi melalui kanal yang berbeda.

3. Meningkatkan Efisiensi Biaya Operasional

Otomatisasi pertanyaan berulang dapat mengurangi kebutuhan intervensi agent pada percakapan dengan volume tinggi. Dampaknya dapat terlihat pada efisiensi biaya operasional dan produktivitas tim layanan.

4. Membantu Deteksi dan Eskalasi Aktivitas Mencurigakan

Chatbot AI juga bisa digunakan untuk membantu mengenali pola transaksi yang tidak biasa dan meneruskannya kepada tim keamanan untuk diperiksa lebih lanjut.

Namun, chatbot AI tidak seharusnya mengambil keputusan akhir untuk tindakan berisiko seperti pemblokiran akun. Keputusan tersebut tetap perlu berada dalam pengawasan dan kewenangan manusia.

5. Mempercepat Onboarding Produk Finansial

Chatbot AI dapat memandu calon nasabah melalui proses pengisian data dan pengunggahan dokumen sehingga tahapan awal onboarding menjadi lebih terstruktur.

---

Contoh Use Case Chatbot AI di Lingkungan Perbankan

Penerapan chatbot AI dapat disesuaikan dengan kebutuhan dan tingkat risiko masing-masing proses. Bank tidak harus langsung mengotomasi seluruh layanan.

1. Layanan dan Transaksi Rutin

Chatbot dapat menangani kebutuhan seperti pengecekan saldo, riwayat transaksi, atau penjadwalan pembayaran tagihan.

Jenis pertanyaan ini umumnya memiliki volume tinggi dan pola yang relatif berulang sehingga menjadi kandidat yang baik untuk tahap awal otomatisasi.

2. Onboarding Digital dan Verifikasi Awal

Pada tahap onboarding, chatbot AI dapat membantu calon nasabah memasukkan data dan mengunggah dokumen identitas untuk kebutuhan know your customer (KYC).

Namun, automasi tidak menghilangkan kewajiban bank untuk menjalankan proses KYC dan anti pencucian uang sesuai ketentuan yang berlaku.

Kepatuhan tetap menjadi tanggung jawab institusi, baik data dikumpulkan oleh chatbot AI maupun agent manusia.

3. Layanan Multisaluran dan Multibahasa

Nasabah dapat memulai percakapan melalui WhatsApp kemudian melanjutkannya melalui kanal lain tanpa perlu mengulang seluruh informasi.

Kemampuan ini relevan bagi bank dengan basis nasabah yang tersebar di berbagai wilayah dan memiliki kebutuhan komunikasi yang beragam.

4. Agent Assist untuk Customer Service

Chatbot AI juga dapat membantu agent manusia. Ketika percakapan dialihkan, sistem dapat meringkas histori interaksi dan memberikan rekomendasi respons berdasarkan konteks yang tersedia.

Agent kemudian dapat melanjutkan penanganan tanpa meminta nasabah menjelaskan kembali masalah yang sudah disampaikan.

---

Tantangan Implementasi Chatbot AI di Bank

Sejumlah bank yang sudah menerapkan chatbot AI masih menghadapi kendala yang sama meski teknologinya terus berkembang. Berikut beberapa contoh tantangannya.

1. Fragmentasi Data pada Sistem Legacy

Data nasabah dapat tersebar di berbagai sistem, seperti sistem kartu kredit, KPR, dan rekening tabungan.

Jika sistem tersebut tidak terhubung, chatbot hanya dapat mengakses sebagian informasi. Akibatnya, respons yang diberikan dapat terasa tidak lengkap meskipun kemampuan model AI sudah memadai.

2. Kompleksitas Integrasi dengan Core Banking

Menghubungkan chatbot dengan core banking system yang telah digunakan selama bertahun-tahun dapat membutuhkan proyek integrasi yang kompleks.

PwC melalui Digital Banking Survey untuk kawasan Asia Tenggara mencatat bahwa risiko kegagalan implementasi menjadi salah satu kekhawatiran utama bank dalam menjalankan transformasi digital.

3. Risiko Halusinasi dan Akurasi Jawaban

Model AI generatif dapat menghasilkan jawaban yang terdengar meyakinkan meskipun informasi tersebut keliru. Dalam perbankan, risiko ini perlu mendapat perhatian khusus karena kesalahan informasi dapat berdampak langsung pada nasabah.

IMF dalam riset mengenai generative AI di sektor keuangan juga menempatkan halusinasi sebagai salah satu risiko yang perlu dikelola seiring meningkatnya penggunaan AI.

4. Eskalasi ke Agent yang Tidak Efektif

Selain kemampuan menjawab pertanyaan, kualitas chatbot AI juga ditentukan oleh mekanisme ketika chatbot tidak mampu menyelesaikan masalah juga sama pentingnya.

Jika nasabah harus mengulang masalah dari awal ketika berbicara dengan agent manusia, pengalaman layanan menjadi terputus. Pasalnya, proses eskalasi yang buruk dapat menjadi sumber kegagalan layanan.

---

Kerangka Kesiapan: Memetakan Implementasi Chatbot AI ke Siklus Tata Kelola AI OJK

OJK menetapkan bahwa pengelolaan AI di sektor perbankan dilakukan di sepanjang siklus hidup AI (AI life cycle) mencakup 6 tahap, yaitu inisiasi, perancangan, pembangunan model, pengujian, implementasi, dan evaluasi.

1. Inisiasi: Tentukan Use Case dan Batas Kewenangan

Tentukan sejak awal pertanyaan atau proses apa yang dapat ditangani chatbot secara mandiri dan kondisi yang wajib dialihkan kepada human agent.

Batas kewenangan yang jelas akan membantu mencegah perluasan use case secara reaktif setelah chatbot sudah berjalan.

2. Perancangan: Petakan Sumber Data dan Jalur Eskalasi

Identifikasi sistem dan dokumen yang akan menjadi sumber informasi chatbot.

Pada tahap ini, bank juga perlu menentukan pihak yang bertanggung jawab memperbarui knowledge base ketika terjadi perubahan produk, kebijakan, atau suku bunga.

3. Pembangunan Model: Dokumentasikan Akuntabilitas

Setiap keputusan dalam pembangunan chatbot perlu terdokumentasi, termasuk data yang digunakan untuk melatih atau mengonfigurasi sistem.

Dokumentasi membantu Anda dalam menelusuri alasan di balik keputusan desain dan mempermudah proses audit apabila chatbot AI menghasilkan respons yang keliru.

4. Pengujian: Simulasikan Skenario Berisiko Tinggi

Pengujian tidak cukup dilakukan pada pertanyaan FAQ yang sederhana. Anda perlu menguji skenario dengan risiko reputasi dan hukum yang lebih tinggi, seperti sengketa transaksi atau klaim asuransi.

Studi kasus Hong Leong Bank dari Google Cloud menunjukkan penggunaan chatbot Marina yang mengambil jawaban langsung dari situs resmi bank untuk pertanyaan pra-login, dibanding mengandalkan database statis yang berpotensi tidak diperbarui.

5. Implementasi: Pertahankan Pengawasan Manusia

Go-live bukan akhir dari proses pengawasan. Pada tahap awal implementasi, tim Anda perlu memantau pola pertanyaan yang gagal dijawab, respons yang tidak sesuai, serta kasus yang terlalu sering dialihkan ke agent.

Data tersebut dapat menjadi dasar untuk memperbaiki knowledge base dan alur chatbot AI.

6. Evaluasi: Lakukan Audit Secara Berkala

Evaluasi perlu dilakukan secara berkala, bukan hanya ketika chatbot pertama kali diluncurkan.

Bank perlu meninjau akurasi respons dan performa sistem, terutama ketika terjadi perubahan produk, kebijakan, atau ketentuan layanan.

---

Metrik untuk Mengukur Keberhasilan Chatbot AI Industri Perbankan

Containment rate sering digunakan untuk mengukur chatbot, tetapi metrik ini tidak cukup jika berdiri sendiri. Berikut ini beberapa metrik untuk mengukur keberhasilan chatbot AI di industri perbankan.

1. Containment Rate dan First-Contact Resolution

Containment rate menunjukkan persentase percakapan yang selesai tanpa bantuan human agent.

Namun, angka tinggi belum tentu menunjukkan layanan yang berhasil. Nasabah bisa saja tidak menghubungi agent karena kesulitan menemukan jalur eskalasi.

Dengan demikian, first-contact resolution (FCR) lebih relevan untuk melihat apakah masalah nasabah benar-benar terselesaikan pada interaksi pertama.

2. Customer Effort Score dan Kepuasan Nasabah

Kecepatan respons bukan satu-satunya faktor yang menentukan pengalaman nasabah.

Studi Junita, dkk dalam Jurnal Polibatam terhadap nasabah bank di Indonesia menemukan bahwa fitur kecerdasan buatan (AI) berupa kemampuan penyelesaian masalah (problem solving) dan personalisasi (customization) memiliki pengaruh positif dan signifikan terhadap kepuasan pengguna.

Kemampuan penyelesaian masalah menjadi faktor yang paling dominan dalam mendorong kepuasan tersebut. Sebaliknya, kualitas komunikasi AI (communication quality) dan sekadar pemenuhan harapan (expectation confirmation) tidak terbukti mampu meningkatkan kepuasan pengguna secara signifikan.

3. Cost per Interaction dan ROI

Cost per interaction perlu dianalisis bersama tingkat penyelesaian masalah. Penghematan biaya tidak akan banyak berarti jika nasabah tetap harus menghubungi agent untuk menyelesaikan kebutuhan yang sama.

---

Optimalkan Layanan Nasabah dengan Chatbot AI Bersama Mekari Qontak!

Jadi, Chatbot AI industri perbankan bukan hanya proyek teknologi yang selesai ketika sistem berhasil diluncurkan. Anda perlu memastikan data yang digunakan tetap relevan, respons dapat diawasi, dan proses eskalasi mampu menjaga konteks nasabah.

Bagi institusi dengan volume interaksi tinggi, kebutuhan tersebut membutuhkan platform yang menghubungkan chatbot, kanal komunikasi, knowledge base, dan agent manusia dalam satu alur layanan.

Mekari Qontak membantu bank dan institusi keuangan menjalankan Chatbot AI WhatsApp melalui Official WhatsApp Business API, dashboard Aplikasi omnichannel, knowledge base, serta alur eskalasi ke agent manusia.

Pelajari lebih lanjut aplikasi Chatbot AI Mekari Qontak untuk melihat bagaimana solusi ini dapat disesuaikan dengan kebutuhan institusi keuangan Anda.

Hubungi tim ahli Mekari Qontak untuk berkonsultasi lebih lanjut dan dapatkan uji coba gratis Mekari Qontak sekarang!