Kamus Agentic AI: 59 istilah penting perlu dipahami untuk Bisnis Anda

Agentic AI adalah software yang dapat beroperasi dan bertindak secara mandiri, tanpa perlu diprogram terus-menerus. Agentic AI dapat mengambil tindakan, mengecek hasilnya, dan menentukan langkah berikutnya. Proses ini berulang sampai tugas selesai, atau saat AI memutuskan untuk menyerahkan tugas ke manusia. Saat percakapan dengan pelanggan, AI Agent benar-benar bisa mengkualifikasi lead atau menyelesaikan masalah orderan, bukan yang cuma membacakan skrip.

Beberapa istilah tentang agentic AI ditulis untuk engineer.

Glosarium ini tidak.

Glosarium ini dibuat untuk orang-orang di perusahaan mid-market dan enterprise: CX leader, support, sales, marketing, sampai operator yang menjalankan operasional harian. Dan glosarium ini untuk mereka yang berurusan dengan transaksi harian, briefing tim, dan yang mempertanggungjawabkan sistem ini ke atasan.

Angka 80% di atas berasal dari perkiraan Gartner, istilah-istilah ini melompat dari bahasa engineering ke deck Anda.

Glosarium ini dibuat untuk di-scan, bukan dibaca dari awal sampai akhir. Anda hanya pelru lompat ke bagian yang Anda butuhkan. Setiap istilah dijelaskan dalam bahasa yang mudah dimengerti, dan kalau perlu, ditambah satu baris kenapa istilah itu penting dalam percakapan nyata.

Fondasi: memahami apa itu Agentic AI dan AI agent

Agentic AI. Agentic AI adalah software yang dapat bekerja secara mandiri untuk mencapai tujuan tertentu. Sistem ini berpikir, mengambil tindakan, mengevaluasi hasil, lalu menentukan langkah berikutnya dalam sebuah loop sampai tugas selesai. Tidak seperti script tetap yang mengikuti alur yang sudah dibuat sebelumnya, Agentic AI dapat memilih langkah selanjutnya sendiri. Fokus utamanya adalah mencapai outcome, bukan menunggu instruksi untuk setiap tindakan.

AI agent. AI agent adalah implementasi nyata dari loop kerja Agentic AI. Di dalamnya terdapat model AI sebagai otak utama, tools yang bisa digunakan, tujuan yang ingin dicapai, dan logika yang menghubungkan semuanya. AI agent adalah sistem yang benar-benar dijalankan untuk menyelesaikan pekerjaan. Sebuah sistem dapat disebut agentic ketika keputusan operasional dibuat oleh agent, bukan oleh script tetap.

Autonomy. Autonomy adalah tingkat kebebasan AI agent dalam mengambil keputusan. Konsep ini lebih tepat dipahami sebagai spektrum, bukan pilihan aktif atau tidak aktif. Pada level rendah, agent mengikuti script yang ketat. Pada level tinggi, agent dapat bertindak lebih luas dengan pengawasan yang lebih ringan. Autonomy yang lebih tinggi memberikan fleksibilitas, tetapi juga menambah biaya, ketidakpastian, dan risiko ketika terjadi kesalahan.

Generative AI. Generative AI adalah AI yang menerima input dan menghasilkan output dalam satu proses, misalnya mengubah pertanyaan menjadi paragraf atau brief menjadi gambar. Agentic AI menggunakan kemampuan generative AI yang sama, tetapi ditambahkan loop kerja, tools, dan tujuan. Dengan kata lain, mesinnya sama, tetapi cara sistemnya bekerja berbeda.

Large language model (LLM). Large language model atau LLM adalah model AI inti di balik sebuah AI agent. Model ini dilatih menggunakan data teks dalam jumlah besar agar mampu memahami dan menghasilkan bahasa. LLM membantu agent berpikir, menyusun kata, dan pada model yang lebih baru, menentukan kapan harus menggunakan tools. Tanpa software pendukung, LLM hanya menghasilkan teks. Komponen di sekitarnya yang membuat AI dapat benar-benar menjalankan tugas.

Multi-agent system. Multi-agent system adalah sistem yang menggunakan beberapa AI agent khusus untuk membagi satu pekerjaan besar. Contohnya, satu agent mengkualifikasi lead, agent lain mengecek pesanan, dan agent lainnya menulis balasan. Pendekatan ini sering lebih efektif daripada menggunakan satu agent untuk semua tugas, terutama untuk workflow yang panjang, kompleks, atau membutuhkan beberapa keahlian berbeda.

Prompt engineering. Prompt engineering adalah proses menulis dan mengoptimalkan instruksi agar AI agent menghasilkan output sesuai kebutuhan. Fokusnya bukan hanya pada pemilihan kata, tetapi pada kejelasan instruksi: tugas yang harus dilakukan, tone yang digunakan, contoh yang harus diikuti, dan batasan yang tidak boleh dilanggar. Perubahan kecil pada prompt dapat memengaruhi kualitas semua jawaban berikutnya.

System prompt. System prompt adalah instruksi dasar yang selalu dimuat sebelum percakapan dimulai. Instruksi ini menentukan peran agent, tone komunikasi, tindakan yang diizinkan, serta batasan yang harus dipatuhi. System prompt dapat dipahami sebagai job description untuk AI agent. Jika dibuat dengan baik, agent akan tetap sesuai brand dan fokus pada tugas. Jika terlalu umum, agent berisiko keluar dari konteks.

Composability. Composability adalah kemudahan untuk membangun AI agent dari komponen yang bisa diganti, seperti model AI, tools, memory, dan rules. Sistem yang lebih composable memungkinkan tim mengganti satu komponen tanpa membangun ulang seluruh sistem. Hal ini penting ketika kebutuhan bisnis, workflow, atau integrasi berubah.

Agent framework. Agent framework adalah toolkit teknis yang digunakan untuk membangun AI agent dari berbagai komponen tersebut. Tim yang ingin membangun agent sendiri biasanya memulai dari framework ini. Sementara itu, tim yang menggunakan platform AI agent biasanya mendapatkan komponen yang sudah dirangkai. Perbedaan ini menjadi dasar dalam keputusan build vs buy..

Bagaimana AI Agent memahami bahasa

Natural Language Understanding (NLU): Kemampuan agen AI untuk memahami maksud sebenarnya dari pelanggan, bukan hanya kata-kata yang mereka ketik. NLU yang baik memungkinkan pertanyaan seperti "pesanan saya mana?" dan "saya pesan hari Selasa tapi belum dikirim" dipahami sebagai permintaan yang sama, yaitu mengecek status pesanan.

Natural Language Generation (NLG): Proses ketika agen AI mengubah hasil analisisnya menjadi balasan yang terdengar alami dan sesuai dengan gaya komunikasi brand Anda. NLG yang kurang baik biasanya menghasilkan jawaban yang memang benar, tetapi terasa kaku dan seperti robot.

Intent Recognition: Kemampuan mengenali tujuan pelanggan di balik setiap pesan, misalnya ingin melacak pesanan, membandingkan produk, membatalkan transaksi, atau menyampaikan komplain. Semakin akurat intent recognition, semakin tepat pula proses routing dan penyelesaian masalah. Karena itu, kemampuan ini perlu diuji secara menyeluruh sebelum AI digunakan.

Sentiment Analysis: Kemampuan membaca emosi atau suasana hati pelanggan dari sebuah pesan, mulai dari netral, frustrasi, hingga siap membeli. Informasi ini dapat digunakan sebagai pemicu otomatis, misalnya meneruskan pelanggan yang marah ke agen manusia, atau memberikan penawaran kepada pelanggan yang menunjukkan minat membeli.

Bagaimana AI Agent memperoleh dan mengingat informasi

Knowledge Base: Kumpulan informasi bisnis yang menjadi sumber jawaban AI Agent, seperti detail produk, kebijakan perusahaan, FAQ, hingga dokumentasi lainnya. Akurasi AI Agent bergantung pada informasi yang Anda hubungkan dan selalu diperbarui. Jika knowledge base sudah usang, AI Agent pun akan lebih mudah memberikan jawaban yang keliru.

Retrieval-Augmented Generation (RAG): Metode yang memungkinkan AI Agent mencari informasi paling relevan dari knowledge base sebelum memberikan jawaban. Dengan begitu, respons yang dihasilkan didasarkan pada informasi bisnis yang sebenarnya, bukan sekadar asumsi AI. RAG menjadi salah satu cara paling efektif untuk mengurangi risiko AI memberikan jawaban yang terdengar meyakinkan tetapi sebenarnya salah.

Grounding: Proses mengaitkan setiap jawaban AI Agent dengan sumber informasi yang telah diverifikasi, alih-alih membiarkan AI berimprovisasi. AI Agent yang menggunakan grounding dapat menunjukkan dokumen atau kebijakan yang menjadi dasar jawabannya, sehingga lebih mudah dipercaya, terutama dalam skala bisnis.

Embeddings: Teknik yang mengubah teks menjadi representasi numerik sehingga AI Agent dapat memahami kesamaan makna, meskipun menggunakan kata yang berbeda. Misalnya, pencarian "mengembalikan barang rusak" tetap dapat menemukan kebijakan "refund untuk produk cacat". Embeddings adalah teknologi yang bekerja di balik layar agar pencarian berbasis makna seperti ini dapat dilakukan.

Context Window: Jumlah informasi yang dapat dipertahankan AI Agent dalam satu waktu, mirip seperti kapasitas memori jangka pendek manusia. Riwayat percakapan yang panjang, dokumen referensi, dan instruksi yang diberikan semuanya berbagi ruang di dalam context window. Kapasitas ini memengaruhi kualitas jawaban sekaligus biaya penggunaan AI.

Agent Memory: Informasi yang dapat diingat AI Agent, baik dalam memori jangka pendek (percakapan yang sedang berlangsung) maupun memori jangka panjang (riwayat dan preferensi pelanggan yang pernah berinteraksi sebelumnya). Berkat memory, AI Agent dapat melanjutkan percakapan berikutnya tanpa harus memulai dari awal.

Hallucination: Kondisi ketika AI memberikan jawaban yang terdengar meyakinkan, tetapi sebenarnya salah atau bahkan mengarang informasi. Dalam layanan pelanggan, hallucination dapat berupa janji refund yang sebenarnya tidak tersedia atau penjelasan kebijakan yang keliru. Itulah mengapa Grounding, RAG, dan proses pengujian sangat penting untuk meminimalkan risiko tersebut.

Bagaimana AI Agent mengambil tindakan dalam percakapan

Orchestration: Proses mengoordinasikan seluruh komponen yang terlibat, mulai dari menentukan AI Agent yang digunakan, tools yang dijalankan, urutan proses, hingga apa yang harus dilakukan jika terjadi kegagalan. Orchestration mengubah AI yang pintar menjadi sistem yang andal dan aman digunakan untuk melayani pelanggan.

Tool Calling (Function Calling): Kemampuan AI Agent untuk berinteraksi dengan sistem lain agar dapat menjalankan suatu tindakan, misalnya mengecek status pesanan atau menjadwalkan pertemuan. AI Agent hanya mengirimkan permintaan tindakan, sedangkan sistem Anda yang mengeksekusinya. Inilah yang membedakan AI Agent yang hanya bisa menjawab pertanyaan dengan AI Agent yang benar-benar dapat menyelesaikan pekerjaan.

Model Context Protocol (MCP): Standar terbuka yang memungkinkan AI Agent terhubung ke berbagai tools dan sumber data eksternal, layaknya port USB yang dapat digunakan oleh berbagai perangkat tanpa memerlukan kabel khusus. Platform yang mendukung MCP dapat terintegrasi dengan sistem lain yang juga mendukung standar ini tanpa harus membangun integrasi baru setiap kali. Karena masih tergolong teknologi baru, pastikan vendor benar-benar mengimplementasikan MCP, bukan sekadar mencantumkannya sebagai fitur.

Actions: Berbagai tindakan nyata yang dapat dilakukan AI Agent selain memberikan jawaban, seperti memperbarui data pelanggan, mengirimkan tautan pembayaran, membuat tiket layanan, atau menjadwalkan meeting. Daftar tindakan yang diizinkan juga menjadi batas keamanan, karena AI Agent hanya dapat melakukan hal-hal yang telah Anda berikan izin.

Customer Data Integration: Proses menghubungkan AI Agent dengan sistem yang menyimpan data pelanggan, pipeline penjualan, dan riwayat pesanan. Dengan akses ke data tersebut, AI Agent dapat memberikan respons yang lebih personal dan mengambil tindakan berdasarkan informasi yang sebenarnya, bukan sekadar asumsi. Misalnya, AI Agent dapat menyapa pelanggan dengan nama mereka dan langsung mengecek pesanan terakhir.

Workflow Automation: Otomatisasi seluruh proses bisnis dari awal hingga akhir tanpa campur tangan manual, misalnya menangkap lead, melakukan kualifikasi, lalu meneruskannya ke sales yang tepat. Berbeda dengan workflow tradisional yang hanya mengikuti aturan if-this-then-that, agentic workflow dapat beradaptasi ketika proses tidak berjalan sesuai rencana. Workflow seperti ini juga dapat dirancang secara visual tanpa coding menggunakan tools seperti Flow Builder.

Handoff: Proses meneruskan percakapan dari AI Agent ke agen manusia, idealnya dengan menyertakan seluruh riwayat percakapan beserta ringkasan singkatnya. Dengan begitu, pelanggan tidak perlu mengulang informasi yang sama. Handoff yang mulus merupakan salah satu indikator penting dari implementasi AI yang matang.

Escalation Path: Aturan yang menentukan kapan percakapan harus dialihkan dari AI Agent ke manusia, misalnya ketika tingkat keyakinan AI rendah, pelanggan menunjukkan emosi negatif, transaksi memiliki nilai tinggi, atau topiknya berada di luar batas yang telah ditentukan. Strategi escalation yang baik menjaga keseimbangan antara otomatisasi dan intervensi manusia saat benar-benar dibutuhkan.

Proactive Outreach: Kemampuan AI Agent memulai percakapan tanpa harus menunggu pelanggan menghubungi terlebih dahulu, misalnya untuk menghubungi kembali lead yang tidak aktif, melakukan follow-up setelah pembelian, atau menjalankan kampanye retensi pelanggan. Dengan persetujuan pelanggan, proactive outreach mengubah otomatisasi dari sekadar menghemat biaya menjadi sarana untuk mendorong pertumbuhan pendapatan.

Channel dan penjualan di dalam chat

Messaging Channels: Messaging channels adalah berbagai channel tempat bisnis berkomunikasi dengan pelanggan, termasuk WhatsApp, Instagram, Facebook Messenger, SMS, dan live chat website. AI Agent omnichannel dapat melayani pelanggan di berbagai channel sambil mempertahankan satu profil pelanggan yang terpadu. Pendekatan ini lebih efektif dibandingkan menggunakan banyak bot terpisah yang tidak saling terhubung.

WhatsApp Business API: WhatsApp Business API adalah sistem resmi Meta yang memungkinkan bisnis mengirim dan menerima pesan WhatsApp dalam skala besar, menggunakan interactive flows, serta menghubungkan WhatsApp dengan automation dan sistem bisnis lainnya. Fitur ini tidak tersedia pada akun WhatsApp pribadi dan menjadi infrastruktur penting untuk WhatsApp customer service dan sales.

In-Chat Checkout: In-chat checkout adalah proses ketika pelanggan dapat melihat produk dan menyelesaikan pembelian langsung dari dalam percakapan tanpa dialihkan ke website. Semakin sedikit langkah yang harus dilalui pelanggan, semakin kecil risiko mereka meninggalkan proses pembelian dan semakin besar peluang konversi.

In-Chat Payments: In-chat payments adalah kemampuan mengirim payment link atau menerima pembayaran langsung dari thread percakapan. Konfirmasi pembayaran juga dapat dilakukan di chat yang sama, sehingga seluruh customer journey dari pertanyaan hingga transaksi selesai berlangsung dalam satu channel.

Product Recommendations: Product recommendations adalah rekomendasi produk dari AI Agent berdasarkan kebutuhan, pertanyaan, riwayat pembelian, atau perilaku browsing pelanggan. Rekomendasi yang relevan dan diberikan pada waktu yang tepat cenderung terasa seperti bantuan personal, bukan iklan, sehingga dapat meningkatkan peluang pembelian.

Lead Qualification and Scoring: Lead qualification and scoring adalah proses ketika AI Agent mengajukan pertanyaan kualifikasi, mengukur minat beli, dan memberikan skor kepada setiap calon pelanggan. Tim sales kemudian dapat memprioritaskan lead dengan peluang konversi tertinggi dan merespons mereka lebih cepat.

Voice Agent: Voice Agent adalah AI Agent yang dapat berinteraksi melalui suara atau telepon. Sistem ini mendengarkan pertanyaan penelepon, memahami intent, dan memberikan respons suara secara natural. Voice Agent dapat menerima panggilan, menangani pertanyaan rutin, dan melakukan handoff untuk kasus yang memerlukan agen manusia.

Kepercayaan, keamanan, dan governance AI Agent

Guardrails: Guardrails adalah batasan yang mengatur topik, tindakan, dan klaim yang diizinkan bagi AI Agent. Guardrails menjaga respons tetap aman, sesuai dengan brand guideline, dan mematuhi kebijakan maupun regulasi yang berlaku.

Human-in-the-Loop: Human-in-the-loop adalah sistem ketika manusia harus meninjau atau menyetujui output AI Agent sebelum tindakan dilakukan atau respons dikirim. Model ini banyak digunakan pada tahap awal penerapan dan untuk keputusan berisiko tinggi.

Human-on-the-Loop: Human-on-the-loop adalah sistem pengawasan ketika AI Agent dapat bekerja secara mandiri, sementara manusia memantau dan hanya melakukan intervensi ketika batas atau kondisi tertentu terlewati.

Explainability: Explainability adalah kemampuan untuk memahami dan menjelaskan alasan di balik respons, keputusan, atau tindakan AI Agent. Fitur ini membantu bisnis menemukan akar masalah dan memperbaiki sistem ketika terjadi kesalahan.

Audit Log: Audit log adalah catatan yang menyimpan seluruh tindakan dan keputusan AI Agent. Catatan ini digunakan untuk kebutuhan compliance, debugging, investigasi, dan pertanggungjawaban.

Data Privacy: Data privacy adalah perlindungan terhadap data pelanggan dan data bisnis yang diakses AI Agent. Hal ini mencakup metode penyimpanan, hak akses, penggunaan data, serta kebijakan mengenai pelatihan model AI eksternal.

Access Control: Access control adalah sistem yang menentukan pengguna, AI Agent, atau aplikasi mana yang dapat mengakses data dan menjalankan tindakan tertentu. Pengaturan ini biasanya menggunakan role-based access control untuk mengurangi risiko penyalahgunaan.

Prompt Injection: Prompt injection adalah serangan yang menyisipkan instruksi tertentu ke dalam pesan agar AI Agent mengabaikan aturan, membocorkan data, atau menjalankan tindakan tanpa izin. Ancaman ini perlu ditangani melalui guardrails, pembatasan akses, validasi input, dan sistem keamanan lainnya.

Pengujian dan peningkatan kapabilitas AI Agent

Evaluation (Eval): Evaluation atau eval adalah proses mengukur akurasi, kualitas respons, keamanan, dan dampak bisnis AI Agent. Evaluasi perlu dilakukan secara rutin agar performa tetap terjaga ketika knowledge base, kebutuhan pelanggan, dan proses bisnis berubah.

Sandbox Testing: Sandbox testing adalah pengujian AI Agent di lingkungan tertutup sebelum digunakan dalam percakapan pelanggan. Pengujian mencakup skenario normal, edge cases, berbagai bahasa, pesan emosional, dan kemungkinan penyalahgunaan.

Knowledge-Source Visibility: Knowledge-source visibility adalah kemampuan untuk melihat sumber informasi yang digunakan AI Agent ketika menyusun jawaban. Sumber tersebut dapat berupa artikel, kebijakan, FAQ, atau langkah dalam suatu workflow.

A/B Testing: A/B testing adalah metode membandingkan dua versi respons, prompt, workflow, atau konfigurasi AI Agent. Hasil pengujian digunakan untuk menentukan versi yang memberikan performa terbaik berdasarkan data.

Feedback Loop: Feedback loop adalah proses menggunakan hasil percakapan, outcome bisnis, dan koreksi manusia untuk meningkatkan performa AI Agent secara berkelanjutan.

Confidence Scoring: Confidence scoring adalah nilai yang menunjukkan tingkat keyakinan AI Agent terhadap jawabannya. Skor rendah dapat digunakan sebagai trigger untuk handoff atau escalation kepada agen manusia.

Metrik, ROI, dan pemilihan solusi Agentic AI

First Contact Resolution (FCR): First Contact Resolution adalah persentase masalah pelanggan yang diselesaikan dalam satu interaksi tanpa follow-up. FCR yang tinggi dapat mengurangi biaya operasional dan meningkatkan customer satisfaction.

Autonomous Resolution: Autonomous resolution adalah persentase percakapan yang diselesaikan AI Agent secara mandiri tanpa intervensi manusia. Metrik ini sering digunakan untuk menghitung efisiensi dan ROI Agentic AI.

Deflection: Deflection adalah jumlah percakapan atau masalah yang berhasil diselesaikan melalui self-service sehingga tidak perlu menjadi tiket untuk agen manusia. Deflection sebaiknya diukur bersama CSAT untuk memastikan pelanggan benar-benar terbantu.

Latency: Latency adalah waktu yang dibutuhkan AI Agent untuk merespons setelah pelanggan mengirim pesan. Latency memengaruhi customer experience karena respons yang lambat dapat membuat percakapan terasa tidak natural atau membuat pelanggan meninggalkan chat.

Customer Satisfaction Score (CSAT): Customer Satisfaction Score atau CSAT adalah metrik kepuasan pelanggan yang biasanya dikumpulkan melalui survei singkat setelah percakapan. CSAT membantu bisnis mengevaluasi kualitas pengalaman, bukan hanya jumlah tiket yang diselesaikan.

Build vs Buy: Build vs buy adalah keputusan antara membangun AI Agent sendiri atau menggunakan platform siap pakai. Pendekatan build menawarkan kontrol dan kustomisasi lebih besar, tetapi membutuhkan resource engineering serta maintenance. Pendekatan buy menawarkan implementasi yang lebih cepat dengan infrastruktur yang sudah tersedia.

Platform vs Point Tools: Platform vs point tools adalah pilihan antara menggunakan satu platform terintegrasi atau beberapa tools khusus untuk mengelola AI Agent. Platform memudahkan integrasi, governance, dan pengukuran. Point tools dapat lebih sesuai untuk kebutuhan tertentu, tetapi meningkatkan kompleksitas sistem.

Agent Washing: Agent washing adalah praktik memasarkan chatbot atau automation sederhana sebagai Agentic AI tanpa kemampuan otonom yang nyata. Gartner memprediksi lebih dari 40% proyek Agentic AI akan dibatalkan pada akhir 2027 dan memperkirakan hanya sekitar 130 dari ribuan vendor yang mengklaim sebagai penyedia Agentic AI benar-benar memiliki kemampuan tersebut. Memahami istilah Agentic AI membantu pembeli mengevaluasi klaim vendor secara lebih kritis.

Chatbot vs AI agent vs agentic AI

Banyak orang menganggap chatbot, AI Agent, dan Agentic AI adalah teknologi yang sama. Faktanya, ketiganya memiliki cara kerja dan kemampuan yang berbeda. Memahami perbedaannya akan membantu Anda memilih solusi AI yang tepat untuk kebutuhan bisnis.

Secara sederhana, chatbot berfokus pada menjawab pertanyaan, AI Agent dapat menjawab sekaligus menjalankan satu tindakan, sedangkan Agentic AI mampu merencanakan, mengambil keputusan, dan menyelesaikan serangkaian tugas hingga tujuannya tercapai atau dialihkan kepada manusia bila diperlukan.

Bagaimana peran SleekFlow di Agentic AI

SleekFlow adalah AI suite yang membantu bisnis mengubah percakapan dengan pelanggan menjadi revenue. Salah satu produknya adalah AgentFlow, platform Agentic AI yang dirancang untuk mendukung tim sales, marketing, dan customer support di berbagai messaging channels.

Anda dapat membuat AI Agent menggunakan template yang tersedia atau membangunnya dari awal, melatihnya dengan konten bisnis sendiri melalui website maupun dokumen yang diunggah, lalu menentukan guardrails agar AI Agent hanya memberikan respons dan menjalankan tindakan yang sesuai. AgentFlow juga terhubung secara langsung dengan platform seperti Shopify, HubSpot, dan Salesforce untuk mengakses data pelanggan secara real-time. Jika integrasi yang dibutuhkan belum tersedia, Anda cukup menjelaskan kebutuhan tersebut dan AgentFlow akan membantu membuat integrasinya.

Saat berinteraksi dengan pelanggan, AI Agent dapat memahami intent, memberikan jawaban berdasarkan knowledge base, sekaligus menjalankan berbagai tindakan seperti melakukan lead scoring, mengecek status pesanan, hingga memproses booking dan pembayaran dalam satu percakapan. Setiap respons juga dilengkapi sumber referensi, mulai dari artikel hingga langkah dalam playbook yang digunakan, sehingga setiap keputusan dapat ditelusuri dan diaudit.

Ketika diperlukan, AI Agent dapat melakukan handoff kepada agen manusia beserta seluruh riwayat percakapannya di channel seperti WhatsApp, Instagram, dan Messenger. AgentFlow juga telah tersertifikasi ISO/IEC 42001 (standar internasional untuk manajemen AI), ISO 27001, dan SOC 2 Type II, serta memastikan data bisnis Anda tidak digunakan untuk melatih model AI publik.

Salah satu contohnya adalah Checkmob, perusahaan software untuk operasional lapangan dan penjualan di Brasil yang melayani berbagai pasar. Sebelumnya, tim mereka menghabiskan banyak waktu hanya untuk menangani percakapan awal, mengkualifikasi lead, dan menjadwalkan demo. Dengan AgentFlow, proses first contact berhasil diotomatisasi, AI Agent mengkualifikasi inbound leads, serta menjadwalkan demo sebelum meneruskan prospek dengan minat tinggi kepada tim sales.

Hasilnya:

• Respons terhadap inbound leads di WhatsApp menjadi 70% lebih cepat

• Demo booking meningkat 20%

• Tim sales menghemat 30% waktu untuk pekerjaan yang berulang

Lihat bagaimana Checkmob mencapai hasil ini.

Jika ingin melihat bagaimana istilah-istilah dalam glossary ini diterapkan pada AI Agent yang benar-benar digunakan di dunia nyata, coba eksplorasi AgentFlow.

Cara menggunakan glossary ini

Anda tidak harus memahami seluruh 59 istilah dalam glossary ini sekaligus. Jika baru mulai membangun AI Agent pertama, memahami konsep dasar dan istilah yang berkaitan dengan tindakan (actions) sudah cukup sebagai fondasi.

Namun, jika Anda sedang membandingkan berbagai vendor Agentic AI, bagian tentang testing, governance, metrics, dan agent washing sebaiknya menjadi daftar evaluasi utama sebelum mengambil keputusan.

Seiring berkembangnya teknologi AI, istilah-istilah dalam glossary ini juga akan terus berubah. Anggaplah halaman ini sebagai referensi yang akan terus diperbarui. Jika suatu vendor menggunakan istilah yang terdengar membingungkan atau sulit dijelaskan, kemungkinan besar itulah istilah yang paling penting untuk Anda pahami terlebih dahulu.