Wakil Presiden Produk Neocrm / Luo Yi
Introduction
Pada artikel-artikel sebelumnya, kita telah membahas visi, skenario, dan kendala CRM berbasis AI, namun banyak pelanggan masih mengalami frustrasi saat meluncurkan proyek percontohan AI mereka.
Entah itu AI yang menghasilkan setengah kebenaran karena informasi yang hilang, terdiam karena silo data yang terputus, atau terlalu optimis tentang peluang saluran penjualan, semua gejala ini mengarah pada realitas yang sama:
Sehebat apa pun modelnya, itu tidak dapat menyelamatkan Anda dari data yang buruk.
Saat ini, industri telah mencapai konsensus yang jelas: algoritma menentukan batas minimum kemampuan AI, tetapi data menentukan batas maksimumnya.
Today, we’re going to uncover the least glamorous, but most critical component of AI implementation – data.
In the AI Era, Data Is No Longer the ‘Structured Forms’ You Think It Is
Selama 20 tahun terakhir, ketika kita berbicara tentang data dalam CRM, yang kita maksud adalah catatan terstruktur: nama pelanggan, industri, ukuran perusahaan, jumlah transaksi, tahapan pipeline. Ini adalah kotak-kotak yang menunggu untuk diisi.
Namun di era AI, definisi data telah berubah secara mendasar. Model-model besar tidak hanya didorong oleh angka-angka dingin—mereka juga bergantung pada konteks.
Jika Anda melihat produk CRM SaaS baru yang sedang berkembang, mereka mempelopori metode baru di mana Anda tidak lagi bergantung pada tenaga penjualan untuk mengisi formulir CRM. Sebaliknya, sistem ini berfokus pada data tidak terstruktur, termasuk:
- Setiap email dipertukarkan
- Rekaman dan transkrip setiap pertemuan
- Setiap interaksi instan dalam grup obrolan pelanggan
- Setiap klausa di dalam kutipan PDF
CRM tradisional adalah pencatat hasil, sedangkan AI perlu menjadi pembangun ulang proses.
Jika CRM Anda hanya berisi hasil, AI hanya dapat membantu Anda menghasilkan laporan. Hanya ketika CRM Anda mencatat prosesnya, AI dapat menganalisis, memprediksi, dan merekomendasikan strategi.
Inilah alasan mendasar mengapa banyak inisiatif AI gagal: Perusahaan mencoba memberi makan AI dengan data terstruktur yang sama yang awalnya dirancang untuk BI – yang mengakibatkan ‘kekurangan gizi’ yang parah.
Tiga Hambatan yang Memblokir AI
Berdasarkan pengalaman kami dalam mengerjakan proyek pelanggan, yang biasanya menghambat AI untuk memberikan nilai bukanlah kurangnya data, melainkan kondisi data yang salah.
1. Silo Data: AI mengabaikan gambaran besar dan terlalu fokus pada detail kecil.
Di banyak perusahaan, data terfragmentasi:
- ERP menyimpan data pesanan.
- CRM menyimpan profil pelanggan.
- Email/Chat menyimpan catatan komunikasi.
- Penyimpanan cloud menyimpan dokumen tender.
Ketika seorang tenaga penjualan bertanya kepada AI, “Apakah pelanggan ini layak untuk ditindaklanjuti?”
- Jika AI hanya melihat CRM, maka ia akan berkata: “Ya, ini akun besar.”
- Jika AI juga melihat ERP, mungkin akan mengatakan: “Tidak direkomendasikan karena pembayaran tahun lalu sudah terlambat 180 hari dan peringkat kredit negatif”
Jika perusahaan gagal meruntuhkan tembok sistem, AI akan selamanya tetap menjadi pengamat parsial, memberikan nasihat yang tidak hanya tidak berguna, tetapi berpotensi berbahaya.
2. Polusi Data: Masukan Sampah, Keluaran Sampah, tetapi Diperparah
Di era perangkat lunak tradisional, kesalahan data memerlukan verifikasi manual. Di era AI, kesalahan menyebar dalam hitungan milidetik dan berlipat ganda.
Di CRM, Anda mungkin memiliki:
- ‘Pelanggan A (Grup)’ sebagai akun perusahaan aktif
- Sementara itu, catatan lama yang tidak terhubung masih ada – ‘Pelanggan A Anak Perusahaan Malaysia’, ‘Pelanggan A Pusat Litbang’, dll.
Ketika AI mendeteksi pengumuman tender baru dari klien ini, alih-alih mencocokkannya dengan direktur akun utama yang secara aktif mengelola grup tersebut, AI secara keliru menghubungkannya dengan catatan ‘Pelanggan A Anak Perusahaan Malaysia’ yang tidak terhubung.
Sistem tersebut segera mengaktifkan seorang Agen, secara otomatis menghasilkan email pembuka percakapan dan merekomendasikan kontak segera, sambil menugaskannya kepada seorang tenaga penjualan melalui telepon yang bertanggung jawab atas akun yang belum dimiliki.
Tim penjualan melalui telepon menghubungi seorang eksekutif senior di pihak pelanggan, sementara direktur akun utama Anda sedang berada di tengah negosiasi kontrak yang sangat penting.
Pihak pesaing mendengar hal itu dan memberi tahu klien: “Bagaimana Anda bisa mempercayakan proyek Anda kepada mereka jika mereka sendiri bahkan tidak bisa menggunakan sistem tersebut dengan benar?”
3. Lubang Hitam Data: Sulit Digunakan Sama Saja dengan Tidak Ada Data
Karena pengalaman CRM di masa lalu buruk, para tenaga penjualan menghindari penggunaannya. Bisnis sebenarnya terjadi dan tercatat di luar sistem, dalam file Excel dan aplikasi pesan pribadi.
Yang tersisa dalam sistem adalah data ‘palsu’ yang dimasukkan semata-mata untuk lolos inspeksi.
Tak pelak lagi, AI yang dilatih dengan data semacam itu akhirnya menyajikan data yang tidak akurat dan memberikan saran yang tidak berguna, sehingga melanggengkan siklus buruk tersebut:
Sistem sulit digunakan → Data hilang → AI tidak berguna → Penggunaan penjualan semakin menurun
Terobosan: Dari Entri Data ke Pengambilan Data
Dihadapkan dengan kenyataan pahit ini, haruskah perusahaan berhenti dan menghabiskan waktu tiga tahun untuk tata kelola data? Tentu saja tidak.
Solusi tahun 2026 bukanlah membuat orang beradaptasi dengan data, tetapi menggunakan teknologi untuk menangkap data. Inilah revolusi inti dari CRM berbasis AI – mengubah entri data menjadi penangkapan data.
1. Otomatisasi Adalah Mesin Produktivitas Utama
Jangan lagi mengharapkan tenaga penjualan untuk menghabiskan satu jam setiap hari hanya untuk memperbarui CRM.
CRM berbasis AI yang berkualitas seharusnya berperilaku seperti asisten yang tak terlihat:
- Integrasi omnichannel: sinkronkan rapat, email, kalender, dan percakapan secara otomatis.
- Analisis cerdas: Pindai kartu nama → OCR membuat kontak. Terima email pertanyaan → AI menghasilkan catatan peluang.
Hanya ketika pembuatan data tidak lagi bergantung sepenuhnya pada disiplin manusia, barulah catatan yang lengkap dan akurat dapat dijamin.
2. Biarkan AI Menjadi Pengawas Tata Kelola Data
Dalam CRM tradisional, pemeliharaan dan pembersihan data sangat bergantung pada perbandingan manual. Inilah tepatnya keunggulan AI.
Biarkan AI berjalan diam-diam di latar belakang dan melakukan hal-hal berikut:
- Penghapusan duplikasi otomatis: “Terdeteksi ‘Shangri-la Group’ dan ‘Shangrila Hotel’ kemungkinan besar adalah pelanggan yang sama – penggabungan disarankan.”
- Automatic enrichment: “Detected missing industry tag. Based on their official website, auto-filled as Internet / Software.”
Penggunaan AI untuk memperbaiki fondasi data merupakan langkah penting menuju siklus umpan balik positif.
3. Build a ‘Use-to-Clean’ Feedback Loop
Tata kelola data terbaik terjadi di dalam alur kerja bisnis.
When AI prompts: “This customer hasn’t been contacted for three months. Would you like to proactively reach out?”
- Jika tenaga penjualan mengklik Konfirmasi, data tersebut telah divalidasi.
- Jika mereka mengklik “Kontak telah keluar”, sistem akan secara otomatis membersihkan data.
Melalui interaksi bahasa alami yang sering terjadi, karyawan lini depan menyimpan data tanpa menyadarinya.
Tahap Lanjutan: Membangun Penerjemah AI – Lapisan Semantik
Jika pengambilan data menyelesaikan masalah apakah data ada, lapisan semantik menyelesaikan masalah apakah data dipahami. Ini adalah hal yang paling mudah diabaikan, tetapi merupakan hambatan paling signifikan dalam adopsi AI tingkat lanjut.
Setelah meninjau banyak kasus yang gagal, kami sampai pada kesimpulan yang brutal:
99% kegagalan Agen AI bukan karena modelnya tidak cukup pintar, tetapi karena model tersebut tidak tahu data mana yang harus digunakan, atau salah memahami maknanya.
1. Mengapa AI Menyalahgunakan Data?
Basis data dibangun untuk program, bukan untuk AI.
Pada tingkat basis data CRM, mungkin ada kolom seperti ‘status_code = 3’.
- Bagi bagian penjualan, ini berarti ‘pelanggan terverifikasi’.
- Untuk pembiayaan, artinya ‘kredit disetujui’.
Jadi, ketika Anda meminta AI: “Temukan semua pelanggan yang memenuhi syarat,” tanpa lapisan interpretasi, AI hanya dapat menebak berdasarkan nama kolom.
Hasilnya? Agen Pemasaran, Agen Penjualan, dan Agen Layanan masing-masing menghasilkan daftar pelanggan berkualitas yang berbeda.
Ini adalah konsekuensi dari lapisan semantik yang hilang. Setiap Agen membutuhkan perintah yang kompleks dan berulang, dengan biaya pengembangan yang tinggi dan keluaran yang saling bertentangan.
2. Apa Itu Lapisan Semantik?
Lapisan semantik adalah ‘penerjemah’ resmi antara:
- database yang tidak jelas
- dan Agen yang cerdas
Ini menerjemahkan data mentah menjadi bahasa bisnis yang terpadu dan siap dipahami.
Dalam arsitektur AI CRM, lapisan semantik merupakan bagian penting dari desain, yang memiliki:
- Definisi terpadu Tetapkan ‘peluang berpotensi tinggi’ secara terpusat (misalnya, frekuensi> interaksi 3 kali seminggu DAN pengambil keputusan terlibat secara aktif)
- Kompleksitas yang disederhanakan: Agen tidak perlu mengetahui tabel mana yang menyimpan data atau bagaimana tabel bergabung. Mereka hanya mengeluarkan instruksi ke lapisan semantik, yang menerjemahkannya menjadi kueri yang tepat.
3. Nilai: Mengubah Agen dari Mainan Sekali Pakai Menjadi Pasukan yang Dapat Dikembangkan
Nilai terbesar dari lapisan semantik adalah pemisahan (decoupling):
- Menghilangkan ‘halusinasi’: AI tidak lagi menebak arti bidang data tetapi menggunakan konsep bisnis yang telah divalidasi.
- Penggunaan kembali kemampuan: Ketika istilah spesifik domain ‘risiko churn’ didefinisikan, Agen Layanan, Agen Penjualan, dan Agen Analis semuanya dapat menggunakannya kembali.
- Kelincahan: Saat logika bisnis berubah, perbarui lapisan semantik sekali saja dan setiap Agen akan diperbarui secara otomatis.
Skalabilitas AI tidak bergantung pada Agen itu sendiri, tetapi pada apakah Agen tersebut dibangun di atas data semantik yang terpadu dan berbasis penalaran.
Kesimpulan: Tanpa Strategi Data = Tanpa Strategi AI
Pelanggan sering bertanya kepada saya: “Dasar data kami sangat buruk, apakah kami bahkan cocok untuk AI?”
Jawaban saya biasanya: “Justru karena fondasi data Anda lemah, Anda lebih membutuhkan AI, tetapi Anda harus mengubah titik awal Anda.”
Jangan mulai dengan meminta AI untuk membuat keputusan strategis yang kompleks. Mulailah dengan membiarkan AI mengumpulkan dan membersihkan data.
Biarkan AI membantu Anda membangun kembali fondasi, secara perlahan mengumpulkan data tidak terstruktur yang tersebar di obrolan, email, dan dokumen, serta mengubahnya menjadi aset digital perusahaan.
Industri SaaS global sedang bergeser dari Software-as-a-Service ke Service-as-Software. Dalam transformasi ini, data bukan lagi inventaris statis, melainkan sumber daya yang terus mengalir.
Setelah kita menyelesaikan masalah kognisi (Artikel 1), mengidentifikasi skenario yang tepat (Artikel 2 & 3), dan mulai memperkuat fondasi data (artikel ini), kita akhirnya dapat mulai melihat ke depan ke tahun 2026 dan seterusnya.
Pada artikel terakhir dari seri ini, saya akan membuat beberapa prediksi dan pertimbangan yang berani:
When AI becomes standard, where will CRM ultimately go? Where should enterprises spend their 2026 budgets most wisely?
