Dari Customer Call ke Workflow Sales: Saat Percakapan Menjadi Data Operasional

Percakapan sales sering menyimpan informasi paling penting dalam bisnis: kebutuhan pelanggan, keberatan, konteks keputusan, budget, kompetitor, urgensi, sampai komitmen tindak lanjut. Masalahnya, banyak informasi itu berhenti di rekaman call, catatan manual, atau ingatan sales rep.

Di sinilah sales automation mulai bergeser. Bukan sekadar mengirim email follow-up otomatis, tetapi mengubah percakapan pelanggan menjadi data operasional yang bisa dipakai oleh CRM, pipeline review, customer success, dan workflow penjualan berikutnya.

Fakta dari sumber

TechCrunch melaporkan bahwa Encore AI mengumumkan pendanaan Series A sebesar 30 juta dolar AS yang dipimpin Team8. Perusahaan ini membangun AI yang mempelajari interaksi pelanggan untuk melatih dan menerapkan voice agent.

Dalam laporan yang sama, Encore AI disebut mengembangkan agent yang dapat berkomunikasi melalui suara dan teks. Agent tersebut juga ditujukan untuk membantu karyawan dengan rekomendasi respons dan taktik berdasarkan interaksi pelanggan.

Poin pentingnya bukan hanya soal pendanaan. Yang menarik bagi saya adalah arah produknya: percakapan pelanggan diperlakukan sebagai sumber pembelajaran operasional, bukan sekadar arsip komunikasi.

Jangan langsung lompat ke autonomous agent

Banyak bisnis tergoda membayangkan AI sales agent yang bisa langsung menggantikan sebagian proses penjualan. Namun untuk konteks profesional, UMKM, dan bisnis Indonesia, langkah yang lebih aman biasanya dimulai dari otomasi yang lebih sederhana dan terukur.

Sebelum bicara agent yang berinteraksi mandiri dengan prospek, saya lebih memilih membangun fondasi berikut:

1. Transkripsi call atau voice note.
2. Ringkasan percakapan yang mudah dibaca.
3. Ekstraksi kebutuhan pelanggan.
4. Identifikasi keberatan atau risiko deal.
5. Pencatatan next step.
6. Draft follow-up melalui email, WhatsApp, atau CRM task.
7. Sinkronisasi data ke CRM.

Tahap ini sudah bisa mengurangi pekerjaan administratif sales tanpa mengambil alih keputusan manusia. Sales tetap memegang konteks relasi, negosiasi, dan prioritas bisnis, sementara sistem membantu memastikan informasi penting tidak hilang.

Dari percakapan menjadi workflow

Agar customer call benar-benar menjadi data operasional, output AI tidak cukup berupa ringkasan bebas. Data perlu dibentuk menjadi struktur yang bisa dipakai sistem lain.

Contohnya, dari satu call dengan prospek, sistem dapat menghasilkan field seperti:

• Nama perusahaan dan kontak utama.
• Masalah utama yang ingin diselesaikan.
• Produk atau layanan yang diminati.
• Keberatan pelanggan, misalnya harga, waktu implementasi, integrasi, atau kepercayaan.
• Tingkat urgensi.
• Tahap pipeline yang disarankan.
• Tindak lanjut berikutnya.
• Deadline follow-up.
• Sentimen percakapan.
• Catatan yang perlu diverifikasi manusia.

Dengan struktur seperti ini, percakapan bisa memicu workflow. Misalnya membuat task di CRM, mengirim pengingat follow-up, menandai deal yang berisiko, atau menyiapkan draft proposal.

Inilah inti business process optimization melalui software engineering, automation, dan AI: bukan membuat AI terlihat canggih, tetapi membuat proses bisnis lebih konsisten, terukur, dan mudah diaudit.

Tantangan di Indonesia: Bahasa informal dan konteks lokal

Dalam praktiknya, percakapan sales di Indonesia jarang rapi. Banyak call menggunakan campuran Bahasa Indonesia, bahasa daerah, istilah Inggris, singkatan, dan gaya informal.

Contoh sederhana, prospek bisa mengatakan:

“Kayaknya oke, tapi nanti saya obrolin dulu sama bos. Budget-nya juga belum fix.”

Bagi manusia, ini berarti belum ada komitmen. Ada decision maker lain, ada isu budget, dan follow-up harus diarahkan ke klarifikasi proses persetujuan. Sistem AI yang dipakai untuk sales automation perlu diuji terhadap bahasa seperti ini, bukan hanya terhadap percakapan formal.

Karena itu, saya tidak akan langsung percaya pada output AI tanpa evaluasi. Beberapa hal yang perlu dicek:

• Apakah AI bisa menangkap keberatan tersirat?
• Apakah AI membedakan minat awal dan komitmen nyata?
• Apakah AI memahami konteks follow-up yang sopan untuk pasar lokal?
• Apakah AI sering salah menandai tahap pipeline?
• Apakah ringkasan terlalu percaya diri padahal informasinya ambigu?

Untuk bisnis Indonesia, kualitas otomasi sales sangat bergantung pada kemampuan sistem membaca bahasa sehari-hari dan konteks relasi.

Consent, anonimisasi, dan retensi data

Customer call adalah data sensitif. Di dalamnya bisa ada nomor telepon, email, nama perusahaan, harga, masalah internal, bahkan informasi kontrak.

Sebelum memakai AI untuk memproses percakapan, bisnis perlu menyiapkan aturan dasar:

• Minta persetujuan perekaman bila call direkam.
• Jelaskan penggunaan data bila percakapan dianalisis otomatis.
• Anonimkan data pribadi jika dipakai untuk evaluasi model atau pelatihan internal.
• Tetapkan masa retensi rekaman dan transkripsi.
• Batasi akses hanya untuk tim yang relevan.
• Simpan audit log untuk perubahan data CRM yang dihasilkan dari AI.

Bagi UMKM, ini tidak harus dimulai dengan sistem governance yang rumit. Namun minimal harus ada aturan jelas: data apa yang disimpan, siapa yang boleh mengakses, dan kapan data dihapus.

Human review tetap penting

AI dapat membantu membuat rekomendasi respons dan taktik, tetapi keputusan sales tetap perlu dikendalikan manusia. Ini terutama penting untuk deal bernilai besar, pelanggan strategis, atau komunikasi yang sensitif.

Saya biasanya menyarankan pola bertahap:

1. AI hanya membuat ringkasan.
2. AI membuat draft follow-up, tetapi manusia mengirim.
3. AI menyarankan update CRM, manusia menyetujui.
4. AI memicu task otomatis untuk kasus berisiko rendah.
5. Agent yang lebih otonom hanya digunakan setelah metrik kualitas stabil.

Pendekatan ini mengurangi risiko salah kirim pesan, salah memahami konteks, atau membuat janji yang tidak bisa dipenuhi bisnis.

Integrasi CRM adalah kunci

Tanpa integrasi CRM, hasil analisis call akan menjadi dokumen baru yang akhirnya jarang dibaca. Nilai operasional muncul ketika data masuk ke sistem kerja harian.

Integrasi yang praktis bisa dimulai dari hal kecil:

• Menambahkan ringkasan call ke activity log.
• Membuat follow-up task otomatis.
• Mengisi field kebutuhan pelanggan.
• Menandai keberatan utama.
• Mengubah status pipeline dengan approval.
• Membuat draft email atau pesan lanjutan.

Untuk software engineer, tantangannya bukan hanya memanggil API AI. Tantangan sebenarnya adalah mendesain alur data yang aman, idempotent, bisa diaudit, dan tidak merusak proses sales yang sudah berjalan.

Rekomendasi implementasi bertahap

Jika bisnis ingin mulai mengubah customer call menjadi workflow sales, saya akan memulai dari langkah berikut:

1. Pilih satu jenis percakapan, misalnya discovery call atau follow-up proposal.
2. Buat format output standar, bukan ringkasan bebas saja.
3. Uji transkripsi terhadap Bahasa Indonesia informal.
4. Bandingkan output AI dengan catatan sales manusia.
5. Tentukan field CRM mana yang boleh diisi otomatis dan mana yang butuh approval.
6. Buat aturan retensi rekaman dan transkripsi.
7. Ukur manfaat sederhana, misalnya kelengkapan catatan, kecepatan follow-up, dan konsistensi pipeline.

Dengan cara ini, AI tidak diposisikan sebagai pengganti sales, tetapi sebagai lapisan otomasi yang memperbaiki disiplin proses.

Penutup

Customer call adalah aset operasional yang sering belum dimanfaatkan maksimal. Jika diproses dengan benar, percakapan bisa menjadi data yang membantu tim sales memahami kebutuhan pelanggan, menindaklanjuti lebih cepat, dan menjaga kualitas pipeline.

Namun fondasinya harus jelas. Mulai dari transkripsi, ringkasan, ekstraksi informasi, human review, integrasi CRM, sampai aturan data. Autonomous agent bisa menjadi tahap lanjutan, tetapi bukan langkah pertama untuk semua bisnis.

Bagi saya, nilai terbesar AI dalam sales automation bukan pada seberapa manusiawi agent berbicara. Nilainya ada pada kemampuan mengubah percakapan yang berantakan menjadi workflow yang rapi, aman, dan bisa dijalankan berulang.

Referensi

• Encore AI raises $30M to build AI agents that learn from customer calls, TechCrunch, https://techcrunch.com/2026/07/29/encore-ai-raises-30m-to-build-ai-agents-that-learn-from-customer-calls/, publish 29 Juli 2026.