Dukungan pelanggan AI — Claude + Kunavo untuk otomatisasi tiket siap produksi

Mengapa dukungan pelanggan adalah penerapan AI dengan ROI tertinggi

Tiga angka menjelaskannya. Tiket yang ditangani manusia rata-rata: sekitar 5 menit, $1,50–3 dengan seluruh biaya. Tiket yang dibuat drafnya oleh AI (ditinjau manusia) rata-rata: sekitar 1 menit, $0,01–0,05 biaya API. Penyelesaian murni oleh AI (tanpa manusia) rata-rata: sekitar 30 detik, $0,01. Itu berarti pengurangan biaya 30–150x dengan kualitas yang sama, setelah prompt klasifikasi + penyusunan draf disetel dengan tepat.

Catatannya: tiket tier-1 yang sering muncul bekerja sangat baik dengan AI; tiket kompleks membutuhkan manusia. Arsitektur di bawah mengarahkan secara cerdas—model murah melakukan klasifikasi, model mahal membuat draf untuk kasus yang layak, dan aturan eskalasi mengirim kasus sulit ke antrean manusia.

Arsitektur dalam empat langkah

1. Klasifikasikan — Claude Haiku 4.5 mengembalikan kategori + prioritas + sentimen sebagai JSON
2. Ambil — ambil 5 dokumen paling relevan dari KB Anda (gunakan panduan RAG)
3. Buat draf — Claude Sonnet 5 menulis respons menggunakan konteks KB + panduan nada
4. Rutekan — kirim otomatis jika priority=low dan confidence tinggi; jika tidak, kirim ke agen manusia untuk menyetujui/mengedit dengan satu klik

import json
from openai import OpenAI
client = OpenAI(api_key="sk-kn-...", base_url="https://api.kunavo.com/v1")

# Claude enforces a json_schema response_format; json_object it does not.
TICKET = {
    "type": "object",
    "properties": {
        "category": {"type": "string",
                     "enum": ["billing", "shipping", "account", "technical", "other"]},
        "priority": {"type": "string", "enum": ["low", "normal", "urgent"]},
        "sentiment": {"type": "string", "enum": ["negative", "neutral", "positive"]},
    },
    "required": ["category", "priority", "sentiment"],
    "additionalProperties": False,
}

# 1) Classify the ticket (cheap model)
def classify(text: str) -> dict:
    resp = client.chat.completions.create(
        model="claude-haiku-4-5",
        messages=[
            {"role": "system", "content": "Classify this support ticket."},
            {"role": "user", "content": text},
        ],
        response_format={"type": "json_schema",
                         "json_schema": {"name": "ticket", "schema": TICKET}},
        max_tokens=200,
    )
    return json.loads(resp.choices[0].message.content)

# 2) Draft a response (better model)
def draft(ticket: str, kb_context: list[str], guidelines: str) -> str:
    resp = client.chat.completions.create(
        model="claude-sonnet-5",
        messages=[
            {"role": "system", "content": [{
                "type": "text",
                "text": guidelines,  # tone, policy, escalation rules
                "cache_control": {"type": "ephemeral"},
            }]},
            {"role": "user", "content": (
                f"# Knowledge base\n{chr(10).join(kb_context)}\n\n"
                f"# Customer message\n{ticket}\n\n"
                "Draft a reply. Be specific, cite the KB doc id."
            )},
        ],
        max_tokens=500,
    )
    return resp.choices[0].message.content

Proyeksi biaya nyata

• 100 tiket/hari dengan klasifikasi + draf + caching: ~$0,02/tiket × 100 = ~$60/bulan
• 1.000 tiket/hari: ~$600/bulan—menggantikan sekitar 3 agen penuh waktu dengan tarif tier-1 Barat yang umum
• 10.000 tiket/hari (e-commerce besar): ~$6.000/bulan—menggantikan 30 agen atau lebih

Angka ini menggunakan caching prompt (system prompt bersifat statis; konteks KB berubah per tiket). Cara kerja caching prompt—itulah perbedaan antara $60 dan $200 per bulan pada 100 tiket/hari.

Pola antipenggunaan yang harus dihindari

• Mengirim otomatis respons berisiko tinggi (pengembalian dana, perubahan akun, keluhan) tanpa tinjauan manusia. Risiko PR dari satu respons otomatis yang buruk melebihi seluruh keuntungan efisiensi
• Merutekan berdasarkan kata kunci, bukan klasifikasi LLM—routing kata kunci rusak begitu pengguna mengungkapkan maksud secara berbeda; klasifikasi LLM menangani parafrasa dengan mudah
• Ekspektasi tier-1 yang terlalu tinggi—AI menangani pertanyaan berulang dan umum, bukan “saya ditagih 3x untuk satu pesanan dan chatbot Anda terus menyuruh saya menghubungi dukungan”. Sediakan jalur keluar yang jelas ke manusia

Seperti apa hasil yang baik pada bulan ke-6

• 60–80% tiket masuk terselesaikan tanpa campur tangan manusia (AI + KB)
• 20–40% sisanya dibuat draf oleh AI, ditinjau dan dikirim manusia dalam sekitar 1 menit/tiket
• Tim manusia berfokus pada kasus khusus + peningkatan KB
• Biaya bersih: 70–85% lebih rendah daripada sebelum AI; CSAT pelanggan sering lebih tinggi (respons lebih cepat)

Pertimbangan lokal

Jika Anda mendukung pelanggan dalam banyak bahasa, Claude Sonnet 5 menangani sekitar 30 bahasa dengan baik. Untuk bahasa Korea secara khusus (tingkat kesopanan formal penting), lihat pembahasan mendalam kami tentang otomatisasi pusat panggilan Korea. Untuk bahasa Jepang, Tionghoa, Jerman, dan Prancis—gunakan pola yang sama dengan panduan khusus lokal dalam system prompt yang di-cache.

Mulai dalam 30 menit

1. Daftar—bayar sesuai pemakaian mulai dari top-up $10 di /app/signup
2. Hubungkan KB Anda ke pgvector + text-embedding-3-large, lakukan embedding langsung melalui OpenAI—Kunavo melayani tahap generasi, bukan tahap embedding
3. Hubungkan potongan klasifikasi + draf di atas ke sistem tiket Anda (Intercom, Zendesk, dan Freshdesk semuanya memiliki titik masuk webhook)
4. Mulai dalam “mode draf”—manusia menyetujui setiap respons. Setelah 100 respons ditinjau dengan benar, aktifkan pengiriman otomatis untuk kategori berprioritas rendah

Pertanyaan umum