Artificial Intelligence semakin banyak digunakan dalam aktivitas Business Process Outsourcing (BPO), mulai dari chatbot, customer service automation, document processing, data classification, hingga agent assistance.

Perkembangan ini sering memunculkan pertanyaan:

“Apakah AI akan menggantikan tenaga kerja manusia dalam BPO?”

Namun, pertanyaan tersebut terlalu sederhana.

Tidak semua pekerjaan cocok diotomatisasi sepenuhnya. Sebagian pekerjaan memiliki volume tinggi dan pola yang relatif konsisten sehingga lebih mudah dibantu AI. Sementara pekerjaan lain membutuhkan empati, judgment, contextual understanding, negotiation, atau keputusan yang memiliki konsekuensi lebih besar.

Karena itu, operating model BPO dapat berkembang bukan menuju:

Human vs AI

melainkan:

Human + AI

AI menangani pekerjaan yang sesuai dengan kemampuan automation, sementara manusia menangani situasi yang membutuhkan konteks dan judgment lebih tinggi.

Model seperti ini sering disebut sebagai human-AI collaboration atau human-in-the-loop.

Apa yang Dimaksud dengan Human-AI Collaboration dalam BPO?

Human-AI collaboration adalah model kerja ketika AI dan tenaga manusia menjalankan bagian pekerjaan yang berbeda tetapi saling terhubung dalam satu proses.

AI dapat membantu:

• Memproses informasi
• Mengklasifikasikan request
• Mencari informasi
• Memberikan recommendation
• Menghasilkan draft response
• Merangkum percakapan
• Atau menjalankan repetitive task

Manusia kemudian dapat:

• Memvalidasi hasil
• Menangani exception
• Membuat judgment
• Berkomunikasi pada situasi kompleks
• Menangani escalation
• Dan mengambil keputusan yang membutuhkan accountability

Secara sederhana:

AI Capability
＋
Human Judgment
↓
Hybrid BPO Workflow

Tujuannya bukan hanya mengurangi pekerjaan manusia, tetapi menentukan siapa atau apa yang paling tepat menangani setiap jenis task.

Mengapa BPO Cocok untuk Model Human + AI?

BPO sering menangani proses dengan volume transaksi atau interaksi yang besar.

Contohnya:

• Customer service
• Back-office processing
• Data entry
• Document verification
• Finance administration
• Technical support
• Order processing
• Dan operational support

Dalam proses tersebut biasanya terdapat kombinasi:

Repetitive Tasks
＋
Standard Cases
＋
Exceptions
＋
Complex Cases

AI dapat membantu pada bagian yang terstruktur, sedangkan manusia mengambil alih ketika proses keluar dari pola standar.

Karena itu, implementasi AI dalam BPO tidak harus berarti seluruh proses diotomatisasi.

Perusahaan dapat menggunakan pendekatan task-level automation.

Jangan Mulai dari Pertanyaan “Role Apa yang Bisa Digantikan AI?”

Salah satu pendekatan yang kurang tepat adalah melihat satu job secara keseluruhan.

Misalnya:

Customer Service Agent → Digantikan AI?

Padahal, satu role dapat terdiri dari banyak task:

Customer Service Agent

→ Menjawab pertanyaan umum
→ Mengecek status
→ Mengidentifikasi kebutuhan customer
→ Menangani complaint
→ Melakukan escalation
→ Bernegosiasi
→ Menjelaskan exception
→ Membuat documentation

Sebagian task mungkin dapat dibantu AI, sementara sebagian lainnya tetap membutuhkan manusia.

Karena itu, unit analisis yang lebih berguna adalah:

Job → Tasks → Automation Potential

bukan:

Job → Automate / Don’t Automate

Pendekatan ini membantu perusahaan membangun operating model yang lebih realistis.

Task Seperti Apa yang Cocok Ditangani AI?

AI dan automation cenderung lebih mudah diterapkan ketika pekerjaan memiliki beberapa karakteristik berikut:

High Volume
＋
Repetitive
＋
Pattern-Based
＋
Clearly Defined
↓
Higher Automation Potential

Contohnya dapat mencakup:

• FAQ sederhana
• Ticket classification
• Information retrieval
• Conversation summarization
• Document classification
• Basic data extraction
• Routing
• Status checking
• Atau draft generation

Namun, tingkat automation tetap bergantung pada kualitas data, sistem, proses, dan tingkat risiko.

Task yang terlihat sederhana belum tentu aman untuk diotomatisasi sepenuhnya.

Task Seperti Apa yang Lebih Membutuhkan Manusia?

Human involvement menjadi lebih penting ketika pekerjaan melibatkan:

Complexity
＋
Ambiguity
＋
Emotion
＋
Judgment
＋
High Consequence
↓
Higher Human Involvement

Contohnya:

• Customer complaint yang kompleks
• Negotiation
• Exception handling
• Sensitive conversation
• Keputusan yang membutuhkan pertimbangan konteks
• Kasus dengan informasi yang tidak lengkap
• Atau situasi yang membutuhkan accountability

Manusia memiliki kemampuan memahami konteks sosial dan situasional yang tidak selalu dapat direduksi menjadi rule sederhana.

Karena itu, model hybrid dapat menggunakan AI untuk membantu manusia tanpa menyerahkan seluruh keputusan kepada sistem.

Framework Pembagian Kerja Human + AI

Perusahaan dapat mengelompokkan task berdasarkan karakteristiknya.

Framework tersebut bukan aturan absolut.

Setiap perusahaan tetap perlu mempertimbangkan risk, regulation, customer expectation, data quality, dan business context.

Prinsip sederhananya:

Automate the Task, Not Automatically the Entire Job

Model 1: AI Menangani First-Level Interaction

Dalam customer service, AI dapat digunakan sebagai first-level interaction.

Contohnya:

Customer Inquiry
↓
AI / Chatbot
↓
Standard Request?

Jika Ya:

Automated Resolution

Jika Tidak:

Human Agent

Model ini membantu menangani request sederhana tanpa membuat customer harus menunggu agent.

Namun, escalation path harus jelas.

Customer tidak seharusnya terjebak dalam automation ketika masalahnya membutuhkan manusia.

Model 2: AI Membantu Agent secara Real-Time

AI tidak harus berinteraksi langsung dengan customer.

AI juga dapat bekerja di belakang layar untuk membantu agent.

Misalnya:

Customer Conversation
↓
AI Analyzes Context
↓
Suggested Information / Response
↓
Human Agent Reviews
↓
Agent Responds

Dalam model ini, manusia tetap memegang interaction dan decision, sedangkan AI membantu mempercepat pencarian informasi atau penyusunan response.

Pendekatan tersebut sering disebut agent assist.

AI berfungsi sebagai productivity tool, bukan pengganti agent.

Model 3: AI Mengerjakan, Manusia Memvalidasi

Untuk back-office process, AI dapat melakukan initial processing dan manusia melakukan verification.

Contohnya:

Document Received
↓
AI Extracts Information
↓
Validation Rules
↓
Human Review if Needed
↓
Approved Data

Pendekatan ini relevan ketika automation dapat mempercepat processing tetapi perusahaan tetap membutuhkan quality control.

Tidak semua output harus diperiksa dengan intensitas yang sama.

Perusahaan dapat menggunakan risk-based review berdasarkan confidence, transaction value, atau jenis exception.

Model 4: Manusia Menangani Exception

Salah satu model paling penting dalam automation adalah exception handling.

Proses dapat dirancang:

Standard Case → AI

Exception Case → Human

Contohnya, sebagian besar request dapat mengikuti workflow standar. Namun, ketika data tidak lengkap, rule bertentangan, customer memiliki kebutuhan khusus, atau sistem memiliki confidence rendah, kasus dialihkan kepada manusia.

Dalam model ini, human agent tidak lagi menangani seluruh volume.

Fokus manusia bergeser ke kasus yang membutuhkan lebih banyak reasoning.

Model 5: Human Approval untuk Keputusan Berisiko Tinggi

Tidak semua keputusan sebaiknya dilakukan otomatis.

Semakin tinggi konsekuensi keputusan, semakin penting human oversight.

Flow dapat berupa:

AI Recommendation
↓
Human Review
↓
Decision
↓
Audit Trail

Human review dapat menjadi penting ketika keputusan berkaitan dengan financial impact, customer rights, compliance, security, atau area sensitif lainnya.

Dengan demikian, AI digunakan sebagai decision support, bukan selalu sebagai autonomous decision maker.

Human-in-the-Loop: Mengapa Tetap Penting?

Human-in-the-loop berarti manusia tetap menjadi bagian dari workflow AI pada titik tertentu.

Manusia dapat berfungsi sebagai:

Reviewer — Memeriksa output AI.

Approver — Memberikan persetujuan.

Exception Handler — Menangani kasus di luar pola.

Escalation Point — Mengambil alih ketika AI tidak mampu menyelesaikan kasus.

Quality Controller — Mengevaluasi kualitas output.

Feedback Provider — Memberikan feedback untuk improvement.

Model ini menjadi penting karena AI dapat menghasilkan output yang tidak akurat, tidak lengkap, atau tidak sesuai konteks.

Karena itu:

AI Output ≠ Automatically Correct Output

Quality control tetap diperlukan berdasarkan tingkat risiko proses.

Confidence Score Dapat Digunakan untuk Menentukan Human Review

Dalam beberapa workflow, sistem dapat memiliki confidence level terhadap hasil processing.

Contohnya:

High Confidence + Low Risk
→ Automated Processing

Medium Confidence
→ Sample / Conditional Review

Low Confidence
→ Human Review

atau:

High Risk Transaction
→ Human Review regardless of confidence

Dengan pendekatan ini, perusahaan tidak harus memeriksa seluruh transaksi secara manual.

Human attention dapat difokuskan pada kasus yang memiliki ketidakpastian atau risiko lebih tinggi.

Bagaimana AI Mengubah Peran BPO Agent?

Ketika repetitive task semakin banyak dibantu AI, pekerjaan agent dapat bergeser.

Sebelumnya:

Retrieve Information → Enter Data → Answer Standard Questions

Kemudian berkembang menjadi:

Review AI Output → Handle Exceptions → Solve Complex Problems → Manage Customer Interaction

Artinya, kemampuan yang dibutuhkan juga berubah.

Agent masa depan dapat membutuhkan kombinasi:

Process Knowledge
＋
Digital Literacy
＋
AI Literacy
＋
Critical Thinking
＋
Communication
＋
Judgment

Karena itu, AI adoption dalam BPO juga merupakan workforce transformation.

AI Literacy Menjadi Kompetensi Baru

Menggunakan AI tidak hanya berarti mengetahui cara mengetik prompt.

Dalam lingkungan operasional, AI literacy juga mencakup kemampuan memahami:

• Kapan AI dapat digunakan
• Kapan output perlu diverifikasi
• Bagaimana menemukan kesalahan
• Kapan harus melakukan escalation
• Bagaimana menjaga data
• Dan bagaimana menggunakan AI sesuai policy

Agent perlu memahami bahwa AI dapat membantu pekerjaan tetapi output tetap perlu digunakan secara bertanggung jawab.

Prinsipnya:

AI Assistance + Human Accountability

Quality Assurance Juga Perlu Berubah

Jika AI mulai menghasilkan response atau melakukan processing, QA tidak dapat hanya mengevaluasi manusia.

Perusahaan perlu mengevaluasi end-to-end workflow.

Misalnya:

AI Output Quality
＋
Human Review Quality
＋
Escalation Accuracy
＋
Final Outcome
↓
Service Quality

QA dapat melihat:

• Accuracy
• Completeness
• Escalation correctness
• Policy compliance
• Customer experience
• Dan error pattern

Dengan demikian, quality management berubah dari agent QA menjadi Human + AI workflow QA.

Apa yang Terjadi jika AI Salah?

Pertanyaan ini harus dijawab sebelum automation digunakan secara luas.

Perusahaan perlu menentukan:

AI Error
↓
Detection
↓
Human Escalation
↓
Correction
↓
Root Cause / Feedback
↓
Improvement

Tanpa mekanisme tersebut, kesalahan dapat terjadi berulang kali dalam volume besar.

Inilah salah satu perbedaan antara menggunakan AI sebagai eksperimen dan mengoperasikan AI dalam production environment.

Jangan Mengotomatisasi Proses yang Buruk

Automation tidak selalu memperbaiki process.

Jika workflow awal tidak efektif, automation justru dapat mempercepat proses yang salah.

Sebelum implementasi AI:

Current Process
↓
Identify Waste / Bottleneck
↓
Simplify Process
↓
Determine Automation Opportunity
↓
Implement AI

Prinsipnya:

Bad Process + Automation = Faster Bad Process

Karena itu, process redesign tetap menjadi bagian penting dari AI adoption.

Data Quality Menentukan Kualitas Automation

AI bergantung pada informasi yang tersedia.

Jika knowledge base tidak diperbarui, data tidak konsisten, atau SOP berbeda-beda, output AI juga dapat menjadi tidak konsisten.

Perusahaan perlu melihat:

Data Quality
＋
Knowledge Quality
＋
Process Clarity
↓
AI Output Quality

Karena itu, AI implementation sering membutuhkan pekerjaan dasar seperti knowledge management, data governance, dan process standardization.

Security dan Privacy Tetap Menjadi Pertimbangan

BPO dapat memproses data customer, employee, transaction, atau business information.

Karena itu, penggunaan AI perlu mempertimbangkan bagaimana data:

• Dikumpulkan
• Diproses
• Dikirim
• Disimpan
• Diakses
• Dan digunakan

Tidak semua informasi sebaiknya dimasukkan ke AI system tanpa kontrol.

Perusahaan perlu menentukan:

What Data Can Be Used?

Who Can Access It?

Where Is It Processed?

How Long Is It Retained?

What Controls Are Required?

Governance menjadi semakin penting ketika AI terintegrasi langsung dengan operational workflow.

Governance: Siapa yang Bertanggung Jawab atas Output AI?

AI tidak memiliki accountability organisasi.

Karena itu, perusahaan tetap perlu menentukan ownership.

Misalnya:

Struktur dapat berbeda antarperusahaan, tetapi prinsipnya sama:

Automation tidak menghilangkan accountability.

Bagaimana Mengukur Keberhasilan Human + AI dalam BPO?

Efisiensi memang penting, tetapi keberhasilan tidak sebaiknya hanya diukur dari pengurangan headcount.

Metrics dapat melihat beberapa dimensi:

Perusahaan perlu memastikan bahwa peningkatan efficiency tidak mengorbankan quality atau customer experience.

Apakah Semakin Tinggi Automation Rate Semakin Baik?

Tidak selalu.

Automation rate 90% tidak otomatis lebih baik daripada 60%.

Jika automation yang tinggi menghasilkan:

• Banyak error
• Customer frustration
• Escalation berulang
• Rework
• Atau compliance risk

maka angka tersebut tidak menunjukkan keberhasilan.

Target yang lebih relevan adalah:

Right Task + Right Automation Level + Right Human Oversight

Bukan:

Maximum Automation

Bagaimana Memulai Human + AI Operating Model?

Perusahaan dapat memulai secara bertahap.

1. Map the Process

Identifikasi workflow dan task.

                      ↓

2. Classify Tasks

Kelompokkan berdasarkan volume, complexity, risk, judgment, dan repetitiveness.

                       ↓

3. Determine Human vs AI Role

Tentukan task yang dapat diotomatisasi, dibantu AI, atau tetap human-led.

                       ↓

4. Design Escalation

Tentukan kapan manusia mengambil alih.

                       ↓

5. Pilot

Mulai dari use case yang terkontrol.

                       ↓

6. Measure Quality & Outcome

Bandingkan efficiency, accuracy, customer outcome, dan risk.

                       ↓

7. Improve & Scale

Perbaiki workflow sebelum memperluas implementasi.

Pendekatan bertahap membantu perusahaan menguji bukan hanya teknologi, tetapi juga operating model.

Contoh Human + AI Workflow dalam Customer Service

Misalnya perusahaan menerima customer inquiry.

Customer Inquiry
↓
AI Classification

Kemudian:

Simple FAQ
→ AI Response

Account-Specific Request
→ AI Retrieves Information + Human Validation

Complex Complaint
→ Human Agent

Sensitive / High-Risk Case
→ Senior Agent / Specialist

Setelah interaction:

AI Summarization
↓
Agent Review
↓
CRM Update

Dalam satu customer journey, AI dan manusia dapat terlibat pada titik yang berbeda.

Inilah esensi hybrid BPO.

Bagaimana Peran BPO Provider Akan Berubah?

Jika sebelumnya BPO provider terutama menyediakan workforce dan operational capacity, perkembangan AI dapat membuat capability yang dibutuhkan menjadi lebih luas.

Provider dapat semakin perlu mengelola kombinasi:

People
＋
Process
＋
Technology
＋
AI
＋
Quality Governance

Artinya, kemampuan provider tidak hanya dinilai berdasarkan jumlah agent yang dapat disediakan.

Perusahaan juga dapat melihat kemampuan provider dalam:

• Process redesign
• Technology integration
• AI-assisted operations
• Quality management
• Workforce training
• Data governance
• Dan continuous improvement

BPO dapat berkembang dari labor-based delivery menuju technology-enabled service delivery.

Apakah AI Akan Mengurangi Kebutuhan Tenaga Kerja BPO?

Dampaknya dapat berbeda berdasarkan proses.

Beberapa repetitive task memang dapat membutuhkan lebih sedikit manual processing ketika automation meningkat.

Namun, pada saat yang sama, pekerjaan manusia dapat bergeser ke area seperti:

• Exception handling
• Quality control
• Customer relationship
• Complex problem solving
• AI supervision
• Process improvement
• Dan specialist support

Karena itu, perubahan yang lebih penting untuk dipersiapkan perusahaan adalah:

Task Transformation
↓
Role Transformation
↓
Skill Transformation

Bukan hanya menghitung berapa banyak pekerjaan yang dapat diotomatisasi.

Kesimpulan

Masa depan BPO tidak harus dipahami sebagai persaingan antara manusia dan artificial intelligence.

Pendekatan yang lebih relevan adalah menentukan bagaimana manusia dan AI dapat menjalankan bagian pekerjaan yang paling sesuai dengan kemampuan masing-masing.

AI dapat digunakan untuk membantu repetitive, high-volume, dan pattern-based tasks. Manusia tetap memiliki peran penting pada pekerjaan yang membutuhkan judgment, empathy, contextual understanding, exception handling, dan accountability.

Model tersebut dapat dirangkum sebagai:

High Volume + Repetitive + Rule-Based
→ AI

Complex + Emotional + Judgment-Based
→ Human

Mixed / Moderate Complexity
→ Human + AI

Namun, keberhasilannya membutuhkan lebih dari sekadar implementasi teknologi. Perusahaan perlu membangun escalation, human oversight, quality assurance, data governance, security, workforce capability, dan accountability.

Dengan pendekatan tersebut, tujuan AI dalam BPO bukan maximum automation, tetapi menciptakan kombinasi manusia dan teknologi yang menghasilkan layanan lebih efisien, scalable, dan tetap terkontrol.

FAQ

Apa yang dimaksud human-AI collaboration dalam BPO?

Human-AI collaboration adalah model ketika manusia dan AI menjalankan bagian pekerjaan yang berbeda dalam satu workflow. AI dapat menangani atau membantu task tertentu, sementara manusia melakukan validation, judgment, exception handling, escalation, dan decision-making sesuai kebutuhan.

Apa itu human-in-the-loop?

Human-in-the-loop adalah pendekatan ketika manusia tetap terlibat dalam workflow AI, misalnya sebagai reviewer, approver, quality controller, atau escalation point ketika sistem tidak dapat menangani suatu kasus secara aman atau akurat.

Pekerjaan BPO apa yang cocok menggunakan AI?

Task dengan volume tinggi, repetitive, pattern-based, dan memiliki proses yang jelas cenderung memiliki automation potential lebih tinggi. Contohnya dapat mencakup classification, information retrieval, summarization, routing, dan basic document processing.

Apakah AI akan menggantikan customer service agent?

AI dapat mengotomatisasi atau membantu sebagian task customer service, tetapi tidak seluruh interaksi memiliki tingkat kompleksitas yang sama. Complaint kompleks, negotiation, exception, dan sensitive interaction masih dapat membutuhkan human judgment dan empathy.

Bagaimana AI membantu BPO agent?

AI dapat membantu mencari informasi, memberikan recommendation, membuat draft response, merangkum conversation, mengklasifikasikan ticket, dan mengurangi repetitive administrative work sehingga agent dapat lebih fokus pada kasus kompleks.

Bagaimana mengukur keberhasilan AI dalam BPO?

Perusahaan dapat melihat automation rate bersama dengan accuracy, error rate, handling time, escalation quality, customer satisfaction, productivity, compliance, dan service outcome. Automation rate sebaiknya tidak digunakan sebagai satu-satunya indikator.

Apa risiko menggunakan AI dalam BPO?

Risikonya dapat mencakup output yang tidak akurat, inappropriate automation, data privacy, security, bias, weak escalation, dan unclear accountability. Karena itu, implementasi AI membutuhkan governance dan human oversight sesuai tingkat risiko proses.