Lewati ke konten
AI-SNS.IO — CHAT SUPPORTAI-SNS.IO — CHAT SUPPORT
Dasar Agen AI

RAG untuk Customer Support: AI Menjawab dari Data Bisnis Anda

Redaksi AI SNS CHATTerbit 6 menit baca

Pahami cara kerja RAG, kapan ia gagal, dan cara menyusun basis pengetahuan agar AI di WhatsApp dan chat situs web menjawab akurat.

Pelanggan bertanya soal ongkir, jam buka, atau syarat garansi, dan AI Anda menjawab dengan percaya diri, tetapi salah. Masalah ini umum, dan penyebabnya biasanya sederhana: AI menjawab dari ingatan umum, bukan dari dokumen bisnis Anda. RAG (retrieval-augmented generation, atau generasi yang diperkaya pencarian) dibuat untuk mengatasi hal ini. Artikel ini menjelaskan cara kerjanya dengan bahasa awam, titik-titik rawan kegagalannya, dan cara menyusun materi agar jawaban AI tetap sesuai dengan kebijakan Anda.

Apa itu RAG, dalam bahasa sehari-hari

Bayangkan karyawan baru di toko Anda. Ia pintar dan fasih berbahasa, tetapi belum hafal kebijakan retur, daftar harga, atau jadwal pengiriman. Ada dua cara membantunya. Cara pertama, ia disuruh menghafal seluruh buku panduan sebelum bertugas. Cara kedua, ia diberi buku panduan dan setiap kali ada pertanyaan pelanggan, ia membuka halaman yang relevan lalu menjawab berdasarkan halaman itu.

RAG adalah cara kedua. Saat pelanggan bertanya, sistem lebih dulu mencari potongan informasi yang paling relevan dari materi Anda. Potongan itu lalu diberikan kepada model AI bersama pertanyaan pelanggan, dengan instruksi untuk menjawab berdasarkan materi tersebut. Model bahasa tetap berperan sebagai "penulis jawaban", sedangkan isi jawabannya diambil dari dokumen Anda.

Tiga istilah ini membantu:

  • Retrieval (pencarian): menemukan potongan materi yang paling cocok dengan pertanyaan.
  • Augmented (diperkaya): potongan itu ditambahkan ke dalam konteks yang dibaca model.
  • Generation (penyusunan jawaban): model menulis jawaban dengan nada dan bahasa yang sesuai persona agen Anda.

Mengapa tim support memilih RAG

Ada tiga cara umum untuk memberi pengetahuan bisnis kepada AI. Perbedaannya terlihat jelas bila dibandingkan berdampingan.

Pendekatan
Kelebihan dan keterbatasan
Hanya mengandalkan pengetahuan umum model
Cepat dipasang, tetapi tidak tahu harga, kebijakan, atau produk Anda, sehingga rawan mengarang
Melatih ulang model dengan data Anda
Rumit dan mahal, serta sulit diperbarui setiap kali harga atau aturan berubah
RAG: mencari di materi Anda lalu menjawab
Materi cukup diedit saat ada perubahan, dan jawaban bisa ditelusuri ke sumbernya
Tiga cara memberi AI pengetahuan bisnis AndaContoh ilustrasi

Bagi UMKM dan perusahaan menengah di Indonesia, RAG biasanya paling masuk akal karena informasi bisnis sering berubah. Promo Harbolnas berganti, ongkir naik, jam operasional bergeser saat libur Lebaran. Dengan RAG, Anda cukup memperbarui satu dokumen atau satu entri tanya-jawab, dan jawaban AI ikut berubah tanpa proses pelatihan ulang.

Keuntungan lain adalah kontrol. Bila jawaban salah, Anda bisa menelusuri materi mana yang dipakai dan memperbaikinya di sumbernya. Pada model yang "dilatih ulang", penyebab kesalahan jauh lebih sulit dilacak.

Bagaimana satu jawaban RAG dibangun, langkah demi langkah

Ambil contoh pelanggan yang menulis di WhatsApp toko online Anda: "Kalau barang rusak waktu sampai, bisa ditukar nggak?" Perjalanannya kira-kira seperti ini.

  1. 01Pelanggan bertanya di WhatsApp
  2. 02Sistem mencari potongan materi yang relevan
  3. 03Potongan materi dan pertanyaan dikirim ke model AI
  4. 04Model menulis jawaban sesuai persona
Perjalanan satu jawaban RAGContoh ilustrasi

1. Pertanyaan masuk

Pesan pelanggan diterima apa adanya, termasuk bahasa santai, singkatan, atau salah ketik. Pelanggan Indonesia jarang menulis formal, jadi materi Anda sebaiknya memuat cara orang benar-benar bertanya, bukan hanya istilah resmi.

2. Sistem mencari materi yang relevan

Dari seluruh basis pengetahuan, sistem mengambil bagian yang paling dekat maknanya dengan pertanyaan. Dalam contoh ini, bagian "Kebijakan retur dan penukaran" seharusnya terpilih, bukan bagian "Cara membayar".

3. Materi disisipkan ke dalam konteks

Potongan yang ditemukan diberikan kepada model bersama pertanyaan dan instruksi persona, misalnya: jawab ramah, singkat, dan hanya berdasarkan materi yang diberikan.

4. Model menulis jawaban

Model menyusun jawaban dengan bahasa yang wajar. Bila materi menyebut penukaran berlaku dengan video unboxing, jawaban sebaiknya menyebut syarat itu, bukan menyimpulkan sendiri.

5. Jawaban dikirim, atau dialihkan ke manusia

Bila materi tidak memuat jawabannya, perilaku yang benar adalah mengakui keterbatasan dan menawarkan penerusan ke staf, bukan menebak. Bagian berikut membahas kegagalan semacam ini.

Di mana RAG bisa gagal, dan cara mencegahnya

RAG mengurangi kesalahan, tetapi tidak menghilangkannya. Hampir semua kegagalan jatuh ke empat kelompok.

Materinya tidak ada

Pelanggan menanyakan sesuatu yang belum pernah Anda tulis. Model yang tidak diarahkan dengan baik bisa tergoda mengisi kekosongan dengan pengetahuan umum. Cegah dengan dua hal: tulis di persona agen bahwa ia harus mengaku tidak tahu dan mengalihkan ke staf bila informasi tidak ada, dan rutin menambah materi dari pertanyaan yang tidak terjawab.

Materinya bertentangan atau usang

Jika satu dokumen menyebut ongkir Rp15.000 dan dokumen lama menyebut Rp12.000, AI bisa memilih yang mana saja. Hapus versi lama, jangan hanya menambah versi baru. Satu fakta sebaiknya hidup di satu tempat.

Pencarian mengambil bagian yang salah

Ini sering terjadi bila satu dokumen memuat terlalu banyak topik sekaligus, atau bila judul bagian kabur seperti "Informasi lain". Pecah dokumen menjadi topik yang jelas dan beri judul yang menyerupai pertanyaan pelanggan.

Pertanyaan butuh data hidup

Status pesanan, stok, atau saldo tidak cocok disimpan sebagai dokumen statis, karena nilainya berubah tiap menit. Untuk data seperti ini, gunakan integrasi yang mengambil data langsung dari sistem Anda, bukan menyalinnya ke basis pengetahuan.

Menyusun basis pengetahuan yang mudah ditemukan

Kualitas RAG lebih ditentukan oleh materi daripada oleh model. Beberapa kebiasaan yang membantu:

  • Satu topik, satu bagian. Pisahkan pengiriman, retur, pembayaran, dan garansi, daripada menggabungkannya dalam satu "FAQ panjang".
  • Tulis dengan kata pelanggan. Jika pelanggan bilang "COD", "resi", atau "dropship", pastikan kata itu muncul di materi.
  • Cantumkan angka dan syarat secara eksplisit. Tulis "retur maksimal 7 hari setelah barang diterima", bukan "retur dalam waktu singkat".
  • Sertakan pengecualian. Barang promo, barang custom, atau produk makanan sering punya aturan berbeda.
  • Tulis tanggal pembaruan pada kebijakan yang sering berubah.
  • Gunakan pasangan tanya-jawab untuk pertanyaan yang sangat sering muncul, supaya jawaban resminya tegas.

Soal jumlah materi, mulailah kecil. Misalnya, sebuah toko yang menerima sekitar 300 chat per bulan (contoh hipotetis) biasanya mendapati bahwa sebagian besar pertanyaan berputar di sedikit topik: ongkir, stok, pembayaran, retur, dan jam layanan. Menulis lima sampai sepuluh topik utama dengan baik lebih berguna daripada mengunggah ratusan halaman yang belum dirapikan.

Merawat basis pengetahuan setelah peluncuran

Basis pengetahuan bukan proyek sekali jadi. Ada ritme sederhana yang bisa Anda ikuti:

  1. Baca percakapan nyata setiap minggu, terutama yang diberi penilaian buruk atau yang berakhir di staf.
  2. Catat pertanyaan yang gagal dijawab dan tentukan: perlu materi baru, perlu perbaikan materi lama, atau memang harus ditangani manusia.
  3. Perbaiki di sumbernya, lalu uji ulang dengan pertanyaan yang sama.
  4. Tinjau setelah perubahan besar, seperti pergantian harga, promo musiman, atau kebijakan baru.

Dengan siklus ini, jawaban AI membaik karena materi Anda makin lengkap, bukan karena Anda berganti model.

Menerapkannya di AI SNS CHAT

Di AI SNS CHAT, materi pengetahuan dikelola lewat menu Data sources di sidebar. Sumber yang tersedia: Files, Text snippets, Website, Q&A, Notion, Social, Tickets, dan Suggestions. Untuk toko kecil, titik awal yang praktis adalah Text snippets untuk kebijakan inti, Q&A untuk pertanyaan yang sering muncul, dan Website bila informasi sudah ada di situs Anda.

Bila dokumentasi Anda tersimpan di tempat lain, tersedia konektor di bagian Channels, antara lain Confluence, GitBook, Zendesk Guide, Google Drive, OneDrive, Dropbox, Box, SharePoint, dan Notion. Untuk konektor wiki, satu kali sinkronisasi dibatasi 1,5 juta karakter dan 400 halaman, dan jika terpotong, hal itu dilaporkan kepada Anda. Kapasitas penyimpanan juga mengikuti paket: 30 MB di Free, 200 MB di Hobby, 500 MB di Standard, 1 GB di Pro, dan seterusnya. Detail paket ada di halaman harga.

Untuk menguji, gunakan Playground. Ajukan pertanyaan nyata dari pelanggan, termasuk yang jawabannya sengaja tidak ada, lalu periksa apakah agen mengakui keterbatasannya. Atur persona dan batasan di pengaturan agen, dan bila perlu bandingkan model lewat Playground A/B model compare.

Setelah agen berjalan, percakapan dari WhatsApp, Instagram, Messenger, dan kanal lain dapat ditinjau di Activity → Chat logs. Dari sana Anda bisa memberi penilaian jempol atas atau bawah, mengambil alih chat (bot berhenti sementara), dan mengedit balasan menjadi jawaban ideal untuk melatih agen. Ini cara tercepat menutup celah materi berdasarkan percakapan nyata.

Untuk pertanyaan yang butuh data hidup, seperti status pesanan di toko Shopify, gunakan Actions/Integrations (perlu paket Hobby atau lebih tinggi; jumlah Actions per agen mengikuti paket). Untuk pencarian web real-time, tersedia Action Tavily. Penelusuran web otomatis saat basis pengetahuan kosong hanya ada di kanal LINE WORKS, dan tidak berlaku di kanal lain.

Anda juga dapat meminta bantuan Synthia, manajer armada AI, untuk memandu Anda ke layar yang tepat. Kanal yang didukung ada di halaman koneksi, dan gambaran fitur lengkap di halaman fitur.

Kesimpulan

RAG membuat AI menjawab berdasarkan dokumen Anda, bukan berdasarkan tebakan. Hasilnya ditentukan oleh kualitas materi, kejelasan instruksi persona, dan kebiasaan meninjau percakapan nyata. Mulai dari topik yang paling sering ditanyakan, uji dengan pertanyaan sulit, lalu perbaiki secara berkala.

Pertanyaan umum

Apakah RAG sama dengan melatih AI dengan data saya?

Tidak. Pada pelatihan ulang, perilaku model itu sendiri diubah. Pada RAG, model tidak diubah; ia diberi potongan materi Anda yang relevan setiap kali ada pertanyaan. Karena itu pembaruan cukup dilakukan dengan mengedit materi.

Apakah RAG masih bisa memberi jawaban salah?

Bisa. Penyebab umumnya materi yang tidak ada, usang, saling bertentangan, atau bagian yang salah terambil. Uji dengan pertanyaan sulit, tulis instruksi agar agen mengaku tidak tahu, dan tinjau Chat logs secara rutin.

Berapa banyak konten yang dibutuhkan untuk memulai?

Tidak perlu banyak. Mulailah dengan topik yang paling sering ditanyakan, seperti ongkir, pembayaran, retur, dan jam layanan, lalu tambahkan sesuai pertanyaan yang belum terjawab. Materi yang singkat tetapi jelas lebih berguna daripada dokumen panjang yang berantakan.

Apakah basis pengetahuan yang sama berlaku di chat situs web, WhatsApp, dan Messenger?

Sumber data melekat pada agen, dan satu agen dapat dipasang di beberapa kanal lewat menu Channels. Dengan begitu materi yang sama dipakai di semua kanal tempat agen itu aktif. Pastikan kanal yang Anda perlukan tersedia di halaman koneksi.

Sebaiknya memakai pencarian web saja daripada menyusun basis pengetahuan?

Untuk kebijakan, harga, dan produk Anda sendiri, basis pengetahuan lebih tepat karena web tidak memuat aturan internal Anda. Pencarian web berguna untuk topik publik yang berubah-ubah, dan di AI SNS CHAT tersedia lewat Action Tavily atau, khusus LINE WORKS, lewat pengaturan Web search.

#RAG#basis pengetahuan#AI customer support#WhatsApp#chatbot

Praktikkan dengan AI SNS CHAT

Buat agen AI yang dilatih dengan konten Anda sendiri dan hubungkan ke situs web, WhatsApp, LINE, dan lainnya. Gratis untuk memulai, tanpa kartu kredit.