Perbedaan Chatbot vs AI Agent
Banyak yang menyebut "AI agent" tapi yang diimplementasikan sebenarnya chatbot dengan keyword matching. Perbedaannya fundamental:
- Chatbot tradisional — mengikuti decision tree/script yang sudah ditentukan. Kalau ada yang di luar script, tidak bisa handle
- AI Agent — menggunakan LLM untuk memahami intent, bisa menggunakan tools (cari info, update database, kirim email), dan membuat keputusan berdasarkan konteks
Analoginya: chatbot seperti mesin ATM (bisa melakukan hal spesifik yang sudah diprogram), AI agent seperti karyawan baru yang bisa belajar dan handle situasi baru.
Use Case Terbukti untuk Bisnis Indonesia
1. WhatsApp Sales Qualification Agent
Skenario nyata: calon customer kirim pesan WhatsApp jam 11 malam. AI agent langsung merespons, mengidentifikasi kebutuhan, mengkualifikasi budget, dan menjadwalkan follow-up dengan sales manusia keesokan harinya.
class SalesAgent:
async def handle_lead(self, message: str, phone: str):
# 1. Analisis intent customer
intent = await self.llm.classify(
f"Klasifikasi intent pesan ini: {message}",
options=["inquiry", "complaint", "price_check", "ready_to_buy"]
)
# 2. Generate respons kontekstual dalam Bahasa Indonesia
response = await self.llm.respond(
system="Kamu adalah sales assistant yang ramah dan profesional.",
user=message,
context={"intent": intent, "business": "software development"}
)
# 3. Catat ke CRM
await self.crm.log_interaction(phone, message, response, intent)
# 4. Kirim via WhatsApp
await self.wa_api.send(phone, response)2. Customer Service Tier-1 Otomatis
80% pertanyaan CS berulang: status pesanan, cara penggunaan, kebijakan return, jadwal pengiriman. AI agent bisa handle semua ini, membebaskan tim CS untuk fokus ke kasus kompleks dan upselling.
3. B2B Outreach & Prospecting
Kami membangun sistem outreach untuk Resply yang melakukan:
- Scraping Google Maps untuk leads bisnis lokal (735 leads/hari)
- Personalisasi pesan berdasarkan jenis bisnis dan lokasi
- Follow-up otomatis dengan interval yang natural (tidak terlihat bot)
- Scoring lead berdasarkan engagement
Stack yang Kami Gunakan
- LLM: Claude Sonnet untuk reasoning kompleks, Gemini Flash untuk task sederhana (10x lebih murah)
- WhatsApp: Meta Cloud API atau Fonnte (lebih mudah untuk Indonesia)
- Backend: FastAPI + Celery untuk async task queue
- Database: PostgreSQL + Redis (session & rate limiting)
Estimasi Biaya Operasional
| Komponen | Biaya/Bulan | Keterangan |
|---|---|---|
| Claude Sonnet API | ~$15–50 | 1000 percakapan/hari, ~500 token/conv |
| WhatsApp Business API | ~$20–80 | $0.02–0.06 per conversation |
| VPS (FastAPI + Redis) | Rp 200–500 ribu | IDCloudHost Singapore |
| Total | ~Rp 1–3 juta | vs. Rp 4–8 juta gaji CS 1 orang |
ROI nyata: AI agent bisa handle 500+ percakapan/hari dengan biaya ~Rp 2 juta/bulan. Seorang CS manusia rata-rata handle 50–100 percakapan/hari dengan gaji Rp 4–6 juta. Selain lebih hemat, AI agent juga bisa respons 24/7 dalam hitungan detik.
Hal Penting yang Harus Diperhatikan
Bahasa Campur (Code-switching)
Pengguna Indonesia sering campur Bahasa Indonesia, Jawa, Sunda, dan Inggris dalam satu kalimat. Test AI agent Anda dengan variasi realistis: "Mas, ini SaaS-nya bisa integrasi sama sistem yang udah ada gak sih?"
WhatsApp Policy Compliance
Meta secara aktif mendeteksi dan memblokir nomor yang melakukan otomasi yang melanggar Terms of Service. Pastikan:
- Ada explicit consent dari user sebelum kirim pesan marketing
- Selalu ada opsi untuk opt-out
- Delay realistis antar pesan (jangan kirim 10 pesan dalam 1 detik)
- Gunakan nomor resmi WhatsApp Business, bukan personal
Jangan Sembunyikan Bahwa Ini AI
Praktik terbaik (dan makin diatur oleh regulasi): beritahu user bahwa mereka sedang berinteraksi dengan AI, dan berikan opsi untuk bicara dengan manusia.
Template transparan: "Halo! Saya asisten virtual Cikal Studio. Saya akan coba bantu pertanyaan Anda. Jika Anda ingin bicara langsung dengan tim kami, ketik 'MANUSIA' kapan saja."