Bedah Strategi KPN dalam Membangun Engine Agentic AI Berbasis Suara

(Credit: McKinsey)

Dalam lanskap transformasi digital yang terus bergerak eksponensial, kita menyaksikan pergeseran paradigma yang luar biasa. Jika tahun-tahun sebelumnya fokus industri tertuju pada pemanfaatan Generative AI (Gen AI) berbasis teks untuk otomatisasi dasar, kini kita telah memasuki era baru: Agentic AI.

Baru-baru ini, McKinsey & Company merilis sebuah studi kasus yang sangat menarik mengenai bagaimana KPN, perusahaan telekomunikasi terkemuka asal Belanda, merevolusi pusat kontak (contact center) mereka. KPN tidak lagi sekadar menggunakan chatbot pasif, melainkan membangun sebuah engine Agentic AI dinamis yang berfokus pada interaksi suara-ke-suara (voice-to-voice).

Sebagai praktisi bisnis dan teknologi, saya melihat langkah KPN ini sebagai cetak biru (blueprint) penting bagi korporasi modern yang ingin meningkatkan efisiensi operasional sekaligus menjaga kualitas pengalaman pelanggan.

Pencapaian Metrik yang Signifikan

Sebelum masuk ke dalam arsitektur strateginya, mari kita lihat dampak nyata yang berhasil diraih oleh KPN melalui implementasi ini:

• Interaksi Mandiri Berbasis AI: KPN menargetkan 10% hingga 20% interaksi pelanggan diselesaikan secara AI-first, dengan tetap menyediakan akses mudah ke agen manusia jika diperlukan.

• Kepuasan Pelanggan yang Tinggi: Skor kepuasan pelanggan (Customer Satisfaction Score) mencapai angka 83, sebuah performa yang setara dengan panggilan yang ditangani langsung oleh agen manusia.

• Adopsi Internal yang Masif: Tingkat keberhasilan adopsi teknologi ini di kalangan karyawan mencapai 86%, menunjukkan bahwa sistem baru ini mendukung, bukan mengasingkan tenaga kerja yang ada.

Empat Pilar Strategis dalam Membangun Agentic AI Engine

Berdasarkan analisis McKinsey, keberhasilan KPN tidak terjadi secara kebetulan. Ada empat prinsip utama dalam eksekusi operasional dan teknologi mereka yang dapat kita adaptasi:

1. Utamakan Pengalaman Pengalaman Pelanggan, Bukan Teknologi (Experience First, Technology Second)

Banyak kegagalan transformasi digital berakar pada obsesi terhadap kecanggihan teknologi tanpa memikirkan adopsi pengguna. KPN membalik pendekatan ini dengan mengutamakan pengalaman percakapan (conversational experience). Seluruh keputusan arsitektur jangkar layanannya didasarkan pada kebutuhan pelanggan, seperti latensi yang rendah, kemampuan pengambilan giliran bicara yang alami (natural turn-taking), serta kemampuan interupsi (barge-in). Dengan merancang sistem yang memiliki waktu respons di bawah 2 detik (sub-2-second), interaksi yang terjadi terasa sangat manusiawi dan tidak kaku seperti robot.

2. Simplifikasi Sejak Dini untuk Mempercepat Pengiriman (Simplify Early to Accelerate Delivery)

Dalam fase awal, kompleksitas adalah musuh utama kecepatan pasar (time-to-market). Tim KPN memprioritaskan penggunaan platform percakapan dan agen tunggal yang terintegrasi untuk meminimalkan kompleksitas integrasi sistem. Meskipun pendekatan ini memunculkan sedikit ketergantungan pada vendor tertentu (vendor dependency), langkah ini terbukti krusial dalam mempercepat penyebaran awal dan menghasilkan kinerja sistem yang lebih dapat diprediksi.

3. Orkestrasi sebagai Tulang Punggung Skalabilitas (Orchestration is the Backbone of Scale)

Ketika sebuah perusahaan mulai memperluas use case AI mereka, koordinasi antar-agen AI yang berspesialisasi menjadi sangat rumit. KPN berinvestasi sejak dini pada lapisan orkestrasi agen (agent orchestration) yang kuat. Lapisan ini bertugas mengelola perutean (routing), pengalihan tugas (handoffs), dan pemeliharaan konteks percakapan. Orkestrasi yang matang inilah yang menjamin penyelesaian masalah pelanggan secara ujung-ke-ujung (end-to-end resolution), bukan sekadar otomatisasi yang terisolasi.

4. Membangun untuk Integrasi, Bukan Isolasi (Build for Integration, Not Isolation)

Salah satu lompatan terbesar dari Agentic AI dibanding AI tradisional adalah kemampuannya untuk mengeksekusi tindakan. Agen AI KPN dirancang untuk berinteraksi langsung dengan sistem back-end inti perusahaan melalui API terstandardisasi dan Model Context Protocol (MCP). Hasilnya, AI tidak hanya berfungsi menjawab pertanyaan normatif, tetapi mampu menyelesaikan alur kerja penuh secara real-time, seperti proses verifikasi data pelanggan hingga pengelolaan jadwal janji temu.

Catatan Kritis untuk Pemimpin Bisnis

Studi kasus KPN ini memberikan konfirmasi kuat bagi kita semua: era AI yang sekadar menjawab pertanyaan (Q&A) telah usai. Kita kini berada di era di mana AI bertindak sebagai agen pemecah masalah yang aktif berintegrasi dengan ekosistem bisnis.

Bagi para CEO, CTO, dan Direktur Operasional di Indonesia yang sedang merancang strategi AI, pembelajaran dari KPN mengingatkan kita bahwa teknologi hanyalah pengungkit (enabler). Keberhasilan sejati terletak pada kejelasan desain pengalaman pelanggan, kekuatan arsitektur integrasi data, dan kesiapan organisasi dalam mengadopsi perubahan tersebut.