Kepatuhan PII sering dianggap urusan tim legal atau IT semata, padahal keputusan sehari-hari tim CS dan tim produk, seperti data mana yang dipakai untuk melatih chatbot atau siapa saja yang bisa mengakses riwayat percakapan pelanggan, punya dampak langsung pada kepatuhan ini. Semakin banyak bisnis memakai AI untuk menangani customer service, semakin besar juga volume data pribadi pelanggan yang mengalir melalui sistem tersebut, dan semakin besar pula risiko kalau penanganannya tidak hati-hati.
Artikel ini membahas apa itu kepatuhan PII, kenapa sering diabaikan justru di tahap membangun AI customer service, dan bagaimana menerapkannya secara konkret, termasuk contoh nyata bagaimana data percakapan pelanggan ditangani dalam riset AI yang dipublikasikan oleh tim Qiscus.
Apa Itu Kepatuhan PII
Kepatuhan PII adalah praktik memastikan informasi identitas pribadi, seperti nama, email, nomor telepon, dan riwayat percakapan yang bisa mengidentifikasi seseorang, dikumpulkan, disimpan, dan diproses sesuai dengan regulasi yang berlaku serta prinsip perlindungan data yang wajar. Di Indonesia, kerangka utamanya adalah Undang-Undang Perlindungan Data Pribadi atau UU PDP, yang mewajibkan pengendali data memiliki dasar hukum yang jelas untuk memproses data pribadi dan menerapkan langkah keamanan yang memadai.
1. Kenapa Kepatuhan PII Relevan untuk Tim Customer Service
Tim CS adalah salah satu titik yang paling sering bersentuhan langsung dengan data pribadi pelanggan, mulai dari nama dan nomor kontak sampai detail transaksi yang disebutkan dalam percakapan. Ketika sebagian besar interaksi ini mulai ditangani atau dianalisis oleh sistem AI, keputusan soal data mana yang boleh dipakai untuk melatih model, disimpan untuk audit, atau dibagikan ke pihak ketiga menjadi keputusan yang punya konsekuensi hukum, bukan sekadar keputusan teknis.
2. PII dalam Konteks Percakapan, Bukan Cuma Formulir
Kebanyakan orang membayangkan PII sebagai data di formulir pendaftaran, padahal dalam percakapan customer service, PII sering muncul secara tidak terstruktur, pelanggan menyebutkan nama lengkap, alamat, atau nomor rekening di tengah kalimat biasa. Sistem AI yang memproses transkrip percakapan mentah untuk pelatihan atau analisis berisiko ikut menyimpan dan memproses PII ini tanpa disadari kalau tidak ada langkah penyaringan khusus.
Kenapa Kepatuhan PII Sering Diabaikan Saat Membangun AI Customer Service
Pengabaian ini jarang disengaja. Lebih sering terjadi karena prioritas tim terpaku pada seberapa cepat dan akurat sistem AI berjalan, sementara aspek data governance dianggap bisa diurus belakangan.
1. Tekanan untuk Meluncurkan Cepat Mengalahkan Proses Penyaringan Data
Tim yang dikejar tenggat implementasi sering melewatkan langkah menyaring PII dari data pelatihan karena dianggap memperlambat proses. Data mentah langsung dipakai apa adanya, dengan asumsi masalah privasi bisa ditangani nanti setelah sistem berjalan.
2. Anggapan Bahwa Data Internal Otomatis Aman
Banyak tim menganggap data yang tidak pernah keluar dari perusahaan otomatis aman dari risiko privasi, padahal akses internal yang terlalu luas, misalnya seluruh tim engineering bisa melihat transkrip mentah tanpa penyaringan, tetap merupakan risiko kepatuhan meski datanya tidak pernah dibagikan ke pihak eksternal.
3. Kurangnya Standar yang Jelas Soal Data Mana yang Boleh Dipakai untuk Melatih Model
Tanpa kebijakan tertulis soal data mana yang boleh dipakai untuk melatih atau mengevaluasi model AI, keputusan ini sering diambil secara ad hoc oleh siapa pun yang kebetulan mengerjakan proyek tersebut, tanpa proses tinjauan yang konsisten dari waktu ke waktu.
Elemen Kunci Kepatuhan PII untuk AI Customer Service
Kepatuhan PII yang diterapkan dengan benar dalam konteks AI customer service selalu mencakup lima elemen, anonimisasi data sebelum dipakai untuk riset atau pelatihan, kontrol akses yang ketat ke data mentah, kebijakan retensi yang jelas, transparansi ke pelanggan soal bagaimana data mereka diproses, dan sertifikasi yang bisa diverifikasi independen.
1. Anonimisasi Data Sebelum Digunakan untuk Riset atau Pelatihan Model
Contoh konkret praktik ini bisa dilihat dari riset tim AI Qiscus yang dipublikasikan di IEEE Xplore, saat membangun dataset QiscusCS untuk mempelajari akurasi handover AI ke agen manusia. Dataset ini berisi 100 dialog customer service nyata dengan total 4.265 utterance, tapi sebelum dipakai untuk riset, seluruh informasi yang bisa mengidentifikasi pelanggan diganti secara sistematis dengan data dummy. Struktur datanya tetap mempertahankan field yang relevan secara teknis, seperti nama pengguna, email, dan ID ruang percakapan, tapi nilainya sudah bukan lagi milik pelanggan asli, melainkan data buatan seperti “Henry Miller” dengan email “[email protected]” yang dipakai semata untuk menjaga struktur dan pola bahasa percakapan tetap utuh.
Pendekatan ini menunjukkan prinsip penting, anonimisasi tidak berarti membuang data jadi tidak berguna. Pola bahasa, struktur percakapan, dan konteks tetap dipertahankan sepenuhnya, hanya identitas asli pelanggan yang diganti, sehingga dataset tetap sahih secara riset sekaligus aman secara privasi. Prinsip yang sama juga berlaku untuk operasional harian, bukan cuma riset, fitur data masking pada platform seperti Qiscus misalnya secara otomatis menyamarkan informasi sensitif seperti nomor kartu kredit atau identitas pribadi dalam riwayat percakapan, sehingga agen tetap bisa membaca konteks dan memberikan solusi tanpa perlu melihat detail data mentah yang sebenarnya tidak relevan untuk menyelesaikan kasus tersebut.
2. Kontrol Akses yang Ketat ke Data Mentah
Sebelum data dianonimkan, akses ke data mentah sebaiknya dibatasi hanya untuk pihak yang benar-benar perlu. Pada riset yang sama, proses anotasi data dilakukan oleh tiga pakar domain dari tim customer service Qiscus sendiri, bukan dibagikan ke pihak ketiga atau tim yang lebih luas dari yang diperlukan. Prinsip ini, membatasi akses ke data sensitif hanya untuk peran yang memang membutuhkannya, berlaku sama pentingnya baik untuk keperluan riset maupun operasional sehari-hari, dan biasanya diterapkan lewat fitur seperti agent management dengan kontrol akses berbasis peran, di mana administrator bisa menambah, mengedit, atau mencabut akses agen secara terpusat, sehingga mantan karyawan misalnya tidak lagi punya jalan masuk ke data pelanggan begitu akunnya dinonaktifkan.
3. Kebijakan Retensi yang Jelas
Tentukan berapa lama data percakapan yang mengandung PII disimpan sebelum dihapus atau diarsipkan dengan cara yang lebih aman, dan pastikan kebijakan ini konsisten diterapkan, bukan hanya ada di dokumen tapi tidak pernah benar-benar dijalankan. Data yang menumpuk tanpa batas waktu retensi yang jelas justru memperbesar dampak kalau suatu saat terjadi insiden keamanan.
4. Transparansi ke Pelanggan Soal Bagaimana Data Mereka Diproses
Pelanggan berhak tahu, setidaknya secara umum, bagaimana data percakapan mereka dipakai, apakah untuk melatih AI, dianalisis untuk peningkatan layanan, atau dibagikan ke pihak ketiga. Transparansi ini bisa disampaikan lewat kebijakan privasi yang mudah diakses, bukan dokumen hukum yang ditulis sedemikian rumit sehingga tidak pernah benar-benar dibaca.
5. Sertifikasi dan Registrasi yang Bisa Diverifikasi Independen
Klaim keamanan data paling kuat kalau didukung sertifikasi pihak ketiga yang bisa dicek langsung, bukan sekadar pernyataan di halaman pemasaran. Qiscus misalnya, tersertifikasi ISO 27001 untuk sistem manajemen keamanan informasi dan terdaftar di Komdigi sebagai penyelenggara sistem elektronik di Indonesia, dua hal yang relevan langsung dengan kepatuhan UU PDP karena menunjukkan infrastruktur dan proses penanganan data sudah diaudit sesuai standar yang diakui. Saat mengevaluasi vendor mana pun, minta bukti sertifikasi yang bisa ditelusuri ke lembaga penerbitnya, bukan hanya logo yang ditampilkan tanpa nomor sertifikat atau tautan verifikasi.
Cara Menerapkan Kepatuhan PII pada Sistem AI Customer Service Anda
Setelah memahami elemen di atas, berikut langkah konkret untuk menerapkannya pada sistem yang sudah berjalan atau yang sedang direncanakan.
1. Petakan Titik Mana Saja PII Masuk ke Sistem
Telusuri seluruh alur data, mulai dari pesan pelanggan masuk, disimpan di database, sampai dipakai untuk pelatihan atau analisis, dan identifikasi di titik mana PII kemungkinan besar muncul. Pemetaan ini jadi dasar untuk menentukan di titik mana langkah penyaringan atau anonimisasi perlu ditempatkan.
2. Bangun Proses Anonimisasi Sebelum Data Dipakai di Luar Operasional Harian
Setiap kali data percakapan akan dipakai untuk keperluan di luar penanganan kasus itu sendiri, seperti pelatihan model, riset internal, atau pelaporan, pastikan proses anonimisasi berjalan lebih dulu. Ikuti pola yang sama seperti pada riset QiscusCS, pertahankan struktur dan pola bahasa, ganti hanya bagian yang mengidentifikasi individu.
3. Batasi Akses Berdasarkan Kebutuhan Peran, Bukan Kenyamanan Tim
Terapkan kontrol akses yang spesifik per peran, sehingga hanya orang yang benar-benar butuh melihat data mentah yang punya akses ke sana. Tim yang bekerja dengan data yang sudah dianonimkan untuk analisis umum tidak perlu akses ke data mentah sama sekali.
4. Dokumentasikan Kebijakan Retensi dan Terapkan Secara Otomatis
Tulis kebijakan retensi secara spesifik, misalnya berapa lama transkrip mentah disimpan sebelum dihapus atau diarsipkan, lalu terapkan lewat mekanisme otomatis di sistem, bukan mengandalkan seseorang mengingat untuk menghapusnya secara manual.
5. Uji Kepatuhan Ini dengan Audit Berkala
Jalankan audit rutin untuk memastikan proses anonimisasi, kontrol akses, dan kebijakan retensi benar-benar berjalan sesuai yang didokumentasikan, bukan hanya bagus di atas kertas. Audit ini idealnya melibatkan sampel data nyata untuk memverifikasi bahwa PII benar-benar tersaring, bukan hanya asumsi bahwa prosesnya berjalan.
Contoh Penerapan Kepatuhan PII di Berbagai Konteks Bisnis
Berikut beberapa contoh bagaimana prinsip di atas relevan diterapkan tergantung karakteristik bisnis dan jenis data yang ditangani.
1. Bisnis dengan Volume Percakapan Tinggi
Bisnis yang menangani ribuan percakapan per hari punya risiko lebih besar kalau proses anonimisasi tidak otomatis, karena penyaringan manual jelas tidak mungkin dilakukan pada skala tersebut. Prinsip yang sama seperti anonimisasi sistematis pada riset QiscusCS, mengganti identitas tapi mempertahankan struktur data, perlu diterapkan sebagai proses otomatis yang berjalan konsisten pada setiap volume data yang masuk.
2. Bisnis di Sektor Keuangan atau Kesehatan
Sektor yang menangani data finansial atau kesehatan biasanya tunduk pada persyaratan kepatuhan tambahan di luar UU PDP secara umum. Percakapan yang menyebut nomor rekening, riwayat transaksi, atau kondisi kesehatan pelanggan butuh perhatian ekstra saat masuk ke pipeline pelatihan AI, karena dampak kebocorannya jauh lebih besar dibanding data pada bisnis retail biasa.
3. Bisnis yang Berencana Melatih atau Menyesuaikan Model AI Sendiri
Bisnis yang berencana melatih model AI menggunakan data percakapan historis mereka sendiri perlu menerapkan proses anonimisasi sejak tahap pengumpulan data, bukan setelah dataset selesai dikumpulkan. Menunda anonimisasi sampai tahap akhir membuat prosesnya jauh lebih rumit dan berisiko ada bagian yang terlewat.
Strategi Menjaga Kepatuhan PII Tetap Konsisten dari Waktu ke Waktu
Membangun proses kepatuhan sekali di awal implementasi tidak cukup, karena volume data dan jenis penggunaannya terus berkembang seiring bisnis tumbuh. Strategi berikut membantu menjaga konsistensi jangka panjang.
1. Tinjau Kebijakan Kepatuhan Setiap Kali Ada Perubahan Signifikan pada Sistem
Setiap kali sistem AI mendapat kemampuan baru atau mulai memproses jenis data yang sebelumnya tidak ditangani, tinjau ulang apakah kebijakan anonimisasi dan kontrol akses yang ada masih memadai untuk kasus penggunaan baru tersebut.
2. Libatkan Tim Legal Sejak Tahap Desain, Bukan Setelah Sistem Berjalan
Libatkan tim legal atau kepatuhan sejak tahap merancang alur data, bukan hanya diminta menandatangani persetujuan setelah sistem sudah jadi. Keterlibatan sejak awal membuat masalah kepatuhan bisa diantisipasi sebelum menjadi mahal untuk diperbaiki.
3. Latih Tim yang Bersentuhan Langsung dengan Data Percakapan
Pastikan tim CS, data engineer, dan siapa pun yang punya akses ke data percakapan memahami prinsip dasar kepatuhan PII, bukan hanya tim legal yang memahaminya. Kesalahan kepatuhan sering terjadi bukan karena niat buruk, tapi karena orang yang menangani data sehari-hari tidak tahu batasannya.
4. Dokumentasikan Setiap Keputusan Soal Penggunaan Data
Catat keputusan soal data mana yang dipakai untuk keperluan apa, lengkap dengan alasannya, sehingga ada jejak yang bisa ditelusuri kalau suatu saat perlu menjelaskan ke regulator atau auditor bagaimana data pelanggan sebenarnya diproses.
5. Verifikasi Praktik Kepatuhan Vendor Sebelum Menyerahkan Data
Kalau Anda bekerja sama dengan vendor AI atau platform pihak ketiga, minta penjelasan spesifik soal bagaimana mereka menangani PII, bukan hanya klaim umum soal keamanan data. Cek juga apakah sertifikasi yang diklaim benar-benar bisa ditelusuri, misalnya lewat nomor sertifikat ISO 27001 yang bisa dicek langsung ke lembaga penerbitnya, bukan sekadar logo di halaman pemasaran. Panduan menyusun checklist evaluasi vendor AI customer service membahas pertanyaan spesifik yang perlu diajukan soal penanganan PII sebelum menandatangani kontrak dengan vendor mana pun.
Jadikan Kepatuhan PII Bagian dari Desain, Bukan Tambahan di Akhir
Kepatuhan PII yang efektif tidak dibangun dengan menambal masalah setelah sistem berjalan, tapi dengan merancang anonimisasi, kontrol akses, dan kebijakan retensi sejak proses desain awal. Riset yang dijadikan acuan di artikel ini menunjukkan bahwa anonimisasi yang baik tidak mengorbankan kualitas data, struktur dan pola bahasa tetap bisa dipertahankan sepenuhnya sambil identitas asli pelanggan tetap terlindungi.
Jelajahi solusi AI Agent untuk customer service yang beroperasi di atas infrastruktur bersertifikasi ISO 27001 dan terdaftar di Komdigi, lalu pastikan Anda tetap menanyakan langsung detail penanganan PII ke vendor mana pun sebelum memilih platform untuk bisnis Anda.
Pertanyaan yang Sering Ditanyakan tentang Kepatuhan PII
PII dalam percakapan customer service mencakup nama lengkap, alamat email, nomor telepon, alamat rumah, nomor rekening atau kartu, dan detail lain yang bisa dipakai untuk mengidentifikasi individu tertentu, meski disebutkan secara tidak terstruktur di tengah kalimat. Berbeda dari data di formulir, PII dalam percakapan sering muncul tanpa pola yang konsisten, sehingga butuh proses deteksi yang lebih cermat.
Tidak harus, kalau prosesnya dilakukan dengan benar. Contoh dari riset QiscusCS menunjukkan bahwa mengganti identitas asli dengan data dummy tetap bisa mempertahankan struktur dan pola bahasa percakapan sepenuhnya, sehingga data tetap sahih dipakai untuk riset atau pelatihan model tanpa mengorbankan privasi pelanggan.
UU PDP mensyaratkan pengendali data punya dasar hukum yang jelas untuk memproses data pribadi, dan persetujuan adalah salah satu dasar yang paling umum dipakai, tapi bukan satu-satunya. Konsultasikan dengan tim legal Anda soal dasar hukum mana yang paling sesuai untuk kasus penggunaan spesifik bisnis Anda, karena ini bisa berbeda tergantung jenis data dan tujuan pemrosesannya.
Tanggung jawab ini idealnya dibagi antara tim legal yang memahami persyaratan regulasi, tim IT atau data engineering yang menerapkan kontrol teknis, dan tim CS yang memahami bagaimana data sebenarnya mengalir dalam operasional sehari-hari. Menyerahkan tanggung jawab ini hanya ke satu tim biasanya menghasilkan kebijakan yang timpang, entah terlalu ketat secara operasional atau terlalu longgar secara hukum.
Minta penjelasan spesifik soal bagaimana data dianonimkan, siapa saja yang punya akses ke data mentah, dan berapa lama data disimpan, bukan hanya mengandalkan klaim keamanan generik di halaman pemasaran vendor. Vendor yang bisa menjelaskan proses ini secara detail dan didukung dokumentasi biasanya lebih bisa dipercaya dibanding vendor yang hanya menjawab dengan jaminan umum.
