Apa yang Akan Anda Pelajari
✅ Bagaimana Universitas Terbuka menangani 200.000+ percakapan mahasiswa hanya dalam 3 bulan dengan Qiscus AgentLabs, tanpa menambah headcount
✅ Bagaimana AgentLabs menangani 92% pertanyaan mahasiswa end-to-end, dengan hanya 6,5% yang memerlukan eskalasi ke manusia
✅ Bagaimana UT memangkas first response time hingga 98%, dari 10-15 menit menjadi 20 detik, di empat kanal, 24/7
✅ Bagaimana universitas dengan 760.000 mahasiswa mengoptimalkan tim layanannya dari 20 agen menjadi 10, dengan sisanya dipindahkan ke fungsi akademik bernilai lebih tinggi
Tentang Universitas Terbuka
Universitas Terbuka (UT) adalah universitas pendidikan jarak jauh nasional Indonesia, melayani 760.000+ mahasiswa aktif yang tersebar di seluruh provinsi di Indonesia. Berbeda dengan kampus konvensional di mana mahasiswa berkumpul secara fisik dan mengakses layanan secara langsung, populasi mahasiswa UT bersifat nasional, terdistribusi, dan sering kali non-tradisional. Pekerja profesional, orang tua yang kembali belajar, dan pembelajar di daerah terpencil menyeimbangkan pendidikan dengan kehidupan mereka yang lain.
Untuk universitas yang beroperasi pada skala ini, contact center bukan sekadar fungsi pendukung. Pada dasarnya, ia adalah kampus itu sendiri. Setiap interaksi yang dilakukan mahasiswa dengan institusi, baik bertanya tentang tanggal wisuda, kode mata kuliah, registrasi PMB, atau batas waktu pembayaran, terjadi melalui kanal digital. Jika kanal tersebut lambat atau tidak responsif, institusi itu sendiri mulai terasa jauh.
Realitas struktural inilah yang menjadikan operasi layanan mahasiswa UT sebagai masalah dengan leverage tertinggi untuk diselesaikan. Memperbaikinya bukan hanya berarti meningkatkan skor layanan. Ini berarti membuat universitas berukuran 760.000 mahasiswa terasa responsif dan hadir.
Tantangan yang Dihadapi Universitas Terbuka
Sebelum mengadopsi Qiscus AI, layanan mahasiswa UT berjalan hampir sepenuhnya pada dua kanal: telepon dan ticketing. Keduanya jenuh.
Volume telepon mencapai 500 hingga 600 panggilan per hari, dan sebagian besar diabaikan karena tim tidak bisa mengangkat cukup cepat. Tiket secara rutin melewati SLA 3 hari, dengan backlog di akhir hari sebagai realitas sehari-hari. First response time pada periode peak meluas hingga 10 hingga 15 menit, cukup lama bagi mahasiswa yang frustrasi untuk menyerah dan mencoba lagi nanti, melipatgandakan volume.
Bahkan dengan tim layanan 20 orang, model operasional tidak dapat menyerap beban tersebut. Trafik malam hari signifikan, dapat diprediksi mengingat banyak mahasiswa UT yang bekerja atau belajar setelah jam kantor, tetapi tidak ada coverage sama sekali. Hari tim dimulai dalam keadaan tertinggal, dan berakhir tertinggal.
UT telah mencoba otomatisasi sebelumnya. Deployment bot sebelumnya berkinerja buruk, dengan tingkat resolusi rendah yang mendorong hampir semua hal ke agen manusia. Tes AI terpisah untuk balasan komentar Instagram dihentikan karena pertanyaan terlalu tidak terstruktur dan harga tidak skalabel.
Kesimpulannya jelas: masalahnya bukan pada usaha, dan bukan pada ukuran tim. Masalahnya adalah model operasional itu sendiri tidak dapat tumbuh bersama populasi mahasiswa.
Apa yang Ingin Dicapai Universitas Terbuka
UT tidak mendekati Qiscus dengan mandat umum untuk “meningkatkan layanan mahasiswa.” Tim memiliki masalah yang spesifik dan terukur untuk diselesaikan, dan tujuan didefinisikan sesuai dengan itu.
1. Jadikan AI sebagai first responder default di seluruh kanal mahasiswa.
Langkah pertama adalah mengakui bahwa telepon dan ticketing saja tidak dapat melayani 760.000 mahasiswa. UT perlu menjumpai mahasiswa di tempat mereka sudah berada, di WhatsApp, live chat, Instagram, dan TikTok, dan menempatkan AI di depan untuk menangani first response dan resolusi di mana pun memungkinkan. Tujuannya bukan sekadar menambah kanal. Tujuannya adalah memastikan bahwa membuka satu kanal tidak berarti menambahkan satu set manusia kewalahan lagi di belakangnya.
2. Otomatisasi layer pertanyaan mahasiswa yang berulang.
Sebagian besar pertanyaan mahasiswa di universitas mana pun dapat diprediksi: kapan saya wisuda, apa kode mata kuliah saya, bagaimana saya mendaftar PMB, kapan batas waktu pembayaran. Ini adalah pertanyaan berbasis informasi, bukan keputusan judgment. UT ingin AI menyerap seluruh layer itu sehingga tim manusia dapat fokus secara eksklusif pada kasus yang memerlukan akses sistem, eskalasi, atau empati. Model mentalnya sederhana: manusia untuk masalah manusia, AI untuk hal lain.
3. Hadirkan first response di bawah 30 detik, secara konsisten.
Waktu tunggu peak 10 hingga 15 menit bukan hanya masalah kualitas layanan. Ini secara aktif menciptakan duplicate volume, karena mahasiswa yang frustrasi menyerah dan menghubungi lagi nanti. UT menginginkan respons mendekati instan sebagai baseline, 24/7, terlepas dari waktu, volume percakapan, atau lonjakan permintaan mendadak di sekitar masa ujian dan tenggat registrasi. Targetnya adalah keandalan struktural, bukan kecepatan sesaat.
4. Pegang kualitas jawaban sebagai KPI utama.
Prinsip operasional UT adalah cepat-tapi-salah lebih buruk daripada tidak ada. Jawaban yang salah tentang tanggal wisuda atau batas registrasi merugikan waktu mahasiswa dan dapat merusak kepercayaan pada institusi. Jadi sementara kecepatan itu penting, ia tidak boleh datang dengan mengorbankan akurasi. AI harus terukur benar sebelum diizinkan untuk cepat.
5. Bentuk ulang model operasional, bukan sekadar memotong biaya.
Tujuan terpenting bukanlah pengurangan headcount. Ini adalah membuka tim yang ada untuk melakukan pekerjaan yang lebih bernilai. UT ingin AI menyerap layer yang berulang dan bervolume tinggi sehingga tim layanan dapat dialihkan ke peran di mana pengetahuan akademik dan judgment mereka benar-benar menggerakkan needle, bukan pekerjaan yang dapat dilakukan AI sama baiknya.
Solusi yang Diimplementasikan
UT bermitra dengan Qiscus untuk membangun ulang operasi dukungan mahasiswa di sekitar AI sebagai layer utama, dengan manusia terkonsentrasi pada kasus-kasus yang benar-benar memerlukan mereka. Implementasinya bukan sekadar pergantian satu fitur. Ini adalah tiga produk yang dipilih secara sengaja yang bekerja bersama untuk menangani bagian-bagian berbeda dari masalah yang sama.
AgentLabs (AI Agent)
AgentLabs adalah mesin yang menggerakkan dukungan mahasiswa AI-first UT di seluruh kanal aktif. Ia menangani pertanyaan berbasis informasi end-to-end, termasuk tanggal wisuda, jadwal, kode mata kuliah, dan registrasi PMB, tanpa keterlibatan manusia. Yang penting, AgentLabs tidak hanya menjawab. Ia menyelesaikan, artinya percakapan ditutup di dalam layer AI tanpa handover, eskalasi, atau callback. Hasilnya adalah 92% percakapan mahasiswa kini mencapai penyelesaian tanpa pernah disentuh manusia, dan hanya 6,5% yang memerlukan intervensi agen.
Omnichannel Chat
Bahkan dengan AI yang kuat, inbox yang terfragmentasi akan menghapus keuntungan tersebut. Sebelum Qiscus, komunikasi mahasiswa UT tersebar di permukaan-permukaan yang tersilo, tanpa konteks bersama antar kanal. Omnichannel Chat memusatkan live chat, WhatsApp, Instagram (DM dan komentar), dan TikTok (DM dan komentar) ke dalam satu inbox terpadu. Ketika AI memang perlu menyerahkan ke manusia, routing-nya instan, konteks dipertahankan, dan agen mengambil alih dari titik di mana AI berhenti tanpa meminta mahasiswa untuk mengulangi diri mereka.
WhatsApp Business API
WhatsApp menjadi anchor kanal mahasiswa dengan volume tertinggi kedua bagi UT dan menjadi contoh terjelas tentang bagaimana AI mengubah satu touchpoint. Dengan WA Business API menggerakkan kanal dan AgentLabs menangani first response, 92,7% dari seluruh percakapan WhatsApp yang masuk kini diselesaikan sepenuhnya oleh AI, tanpa keterlibatan manusia sama sekali. Untuk kanal di mana mahasiswa dulu menunggu melalui alur bot berbasis kode yang panjang, pengalamannya kini adalah percakapan langsung yang berakhir dengan jawaban nyata, biasanya dalam hitungan detik.
Bagaimana Universitas Terbuka Memanfaatkan Solusinya
Pergeseran dalam model operasional UT tidak hanya terlihat di metrik. Ia terlihat di bagaimana hari tim terlihat sekarang dibandingkan dengan dua tahun lalu.
Sebelum Qiscus, hari tim layanan reaktif sejak dimulai. Telepon berdering 500 hingga 600 kali sebelum makan siang. Tiket menumpuk lebih cepat daripada yang dapat diselesaikan. Dua puluh orang bekerja pada kapasitas penuh, dan di akhir hari, backlog tidak menyusut; ia hanya bergulir ke besok. Jam malam adalah black hole. Tidak ada coverage, tidak ada AI, tidak ada kontinuitas. Mahasiswa yang menghubungi setelah jam 6 malam pada dasarnya harus menunggu hingga hari kerja berikutnya, dan di titik itu mereka sering sudah menyerah.
Setelah Qiscus, operasi yang sama terlihat sangat berbeda. AgentLabs adalah titik kontak pertama di setiap kanal, setiap jam, setiap hari. Hanya dalam tiga bulan implementasi, AgentLabs menangani lebih dari 200.000 percakapan mahasiswa, dengan 92% diselesaikan AI end-to-end dan 84,8% selesai tanpa pernah memerlukan eskalasi ke agen. Tujuh agen manusia yang tersisa di tim tidak lagi menangani layer rutin. Mereka fokus secara eksklusif pada potongan kecil kasus yang membutuhkan akses sistem atau judgment, yang berarti pekerjaan mereka lebih bermakna dan jauh lebih sedikit berulang dibandingkan sebelumnya. Tiga belas rekan kerja mereka sebelumnya telah dipindahkan ke fungsi lain di dalam UT, di mana pengetahuan akademik mereka melakukan pekerjaan yang tidak bisa dilakukan AI.
| Sebelum | Sesudah | |
|---|---|---|
| Kanal utama | Telepon + ticketing saja | Live chat, WhatsApp, Instagram, TikTok |
| Total percakapan | Terbatas kapasitas, manual | 200.000+ dalam 3 bulan, dikelola AI |
| Tingkat penanganan AI | Tidak ada | 92% |
| Resolusi AI di WhatsApp | N/A | 92,7% diselesaikan sepenuhnya oleh AI |
| Eskalasi ke agen manusia | Mayoritas percakapan | Hanya 6,54% |
| Akurasi AI (selesai tanpa eskalasi) | N/A | 84,8% |
| Ketersediaan layanan | Jam kerja | 24/7 terotomatisasi |
| First response time | 10 hingga 15 menit di peak | 20 detik |
| Ukuran tim layanan | 20 agen, masih kewalahan | 10 agen (10 dipindahkan ke fungsi lain) |
| SLA ticketing | Rutin terlewat (target 3 hari) | Diselesaikan di hari yang sama |
Yang patut dicatat tentang transformasi ini bukan hanya tim menjadi lebih kecil. Yang patut dicatat adalah pekerjaannya menjadi lebih besar sementara tim menjadi lebih kecil. Kanal berkembang dari dua menjadi empat. Total percakapan melewati 200.000 hanya dalam tiga bulan, tanpa plafon yang terlihat. First response time anjlok dari 15 menit ke 20 detik. Dan tim layanan aktif tetap menyusut menjadi tujuh, karena sebagian besar dari apa yang dilakukan dua puluh orang sebelumnya tidak lagi memerlukan manusia. Kapasitasnya tidak dihilangkan. Ia dialihkan ke tempat yang lebih bernilai.
Perjalanan Mahasiswa UT
Adopsi Qiscus oleh Universitas Terbuka tidak dimulai sebagai overhaul layanan mahasiswa skala penuh. Ia dimulai dengan lingkup sempit, menggunakan Qiscus murni sebagai alat untuk menutup leads pemasaran dengan calon mahasiswa via WhatsApp. Integrasi awal sengaja dibuat berlingkup kecil, fokus memberikan tim admisi kanal yang lebih cepat untuk mengonversi pertanyaan PMB menjadi mahasiswa terdaftar. Fase itu melakukan dua hal sekaligus: ia membuktikan kanal itu bekerja, dan ia memberi UT pemahaman kerja tentang bagaimana WhatsApp pada skala sebenarnya berperilaku di lingkungan mereka.
Dalam praktiknya hari ini, operasi terlihat hampir tidak dapat dikenali dari awal. Live chat membawa trafik tertinggi secara keseluruhan, dengan WhatsApp tidak jauh di belakang, dan Instagram serta TikTok melengkapi kanal aktif. AgentLabs secara otonom menyelesaikan 92% pertanyaan yang berbasis informasi, termasuk pertanyaan tentang wisuda, jadwal, kode mata kuliah, dan registrasi, sementara agen manusia menangani hanya 6,5% kasus yang memerlukan akses sistem. Tim QC tiga orang melakukan sampling 100 hingga 150 percakapan AI per agen per hari untuk menjaga kualitas.
Titik balik datang ketika UT menyadari tim tujuh orang menangani lebih banyak volume total daripada yang pernah dilakukan tim dua puluh orang. Matematikanya telah terbalik: lebih banyak kanal, lebih banyak percakapan, respons lebih cepat, tim lebih kecil. Itulah momen ketika model operasional telah berubah secara terlihat.
Hasil yang Terukur
200.000+ percakapan ditangani oleh AI hanya dalam 3 bulan.
Hanya dalam tiga bulan implementasi Qiscus AgentLabs, AI menangani lebih dari 200.000 percakapan mahasiswa di live chat, WhatsApp, Instagram, dan TikTok. Tanpa AI, mengelola volume ini secara manual akan memerlukan sumber daya operasional substansial, kapasitas staf yang meningkat, dan biaya layanan yang jauh lebih tinggi. Sebagai gantinya, institusi tumbuh bersama permintaan mahasiswa, bukan melawannya.
Tingkat penanganan AI 92% di seluruh percakapan mahasiswa.
AgentLabs secara otonom menangani lebih dari sembilan dari setiap sepuluh pertanyaan mahasiswa end-to-end, tanpa keterlibatan manusia. Untuk institusi seukuran UT, ini adalah perbedaan antara service desk yang dapat menyerap pertumbuhan dan yang tidak.
84,8% percakapan AI diselesaikan tanpa eskalasi ke agen.
Dari setiap percakapan yang ditangani AgentLabs, sebagian besar sepenuhnya dipahami, dijawab, dan diselesaikan oleh AI tanpa pernah membutuhkan manusia untuk turun tangan. Hanya sisanya yang dialihkan ke agen, yang berarti bandwidth tim manusia dicadangkan untuk kasus yang memang membutuhkannya.
Penurunan 98% first response time, dari 10-15 menit menjadi 20 detik.
Mahasiswa dulu menunggu cukup lama hingga banyak yang menyerah dan menghubungi lagi, melipatgandakan volume. AgentLabs kini menghadirkan first response rata-rata 20 detik, secara konsisten, terlepas dari waktu, volume, atau lonjakan permintaan. Untuk mahasiswa yang bekerja atau belajar setelah jam kantor, perbedaan antara menunggu semalaman dan mendapatkan jawaban dalam waktu kurang dari setengah menit adalah perbedaan antara merasa didukung dan merasa terdampar.
92,7% percakapan WhatsApp diselesaikan sepenuhnya oleh AI.
WhatsApp adalah kanal trafik tertinggi kedua UT, dan lebih dari sembilan dari setiap sepuluh pertanyaan masuk di dalamnya kini diselesaikan AI tanpa keterlibatan manusia. Ini adalah pergeseran struktural dalam bagaimana UT mengoperasikan salah satu touchpoint mahasiswa tersibuknya.
Tim layanan dioptimalkan dari 20 agen menjadi 7.
Tiga belas anggota tim tersisa telah dipindahkan ke fungsi lain di mana judgment dan pengetahuan akademik mereka menciptakan nilai lebih tinggi. Ini bukan kisah pemotongan biaya. Ini adalah kisah realokasi talenta, di mana orang yang sama kini melakukan pekerjaan yang benar-benar membutuhkan mereka.
Resolusi tiket di hari yang sama, menggantikan kegagalan SLA 3 hari yang kronis.
SLA tiket UT dulu sering terlewat, dengan backlog bergulir semalaman sebagai kondisi sehari-hari. Tiket kini diselesaikan di hari yang sama dengan saat masuk, dengan zero end-of-day backlog.
Kata Universitas Terbuka
| “Kami bukan universitas konvensional. Dengan 760.000+ mahasiswa tersebar di seluruh Indonesia, seluruh kampus kami berjalan melalui kanal digital. Sebelum Qiscus, tim kami bekerja keras tetapi selalu tertinggal. Sekarang AgentLabs menangani volume yang dulu membuat kami kewalahan, dan tim layanan kami fokus pada kasus-kasus yang memang membutuhkan mereka. Keberhasilan yang kami lihat di UT Pusat kini sedang dilihat oleh cabang UT lain, yang juga sedang menjajaki Qiscus untuk operasi mereka sendiri.”Kukuh Nur Ihsan, Universitas Terbuka Pusat |
Raih Kesuksesan Serupa dengan Qiscus
Transformasi UT tidak datang dari satu fitur. Ia datang dari urutan yang disengaja: mulai dari yang sempit, buktikan kanalnya, lalu perluas coverage AI seiring matangnya knowledge base. Untuk institusi yang mengelola ratusan ribu mahasiswa di berbagai kanal digital, urutan itu dapat direplikasi.
Jika tim layanan Anda memadamkan kebakaran volume di telepon, WhatsApp, dan kanal sosial, dan menambah headcount tidak lagi menyelesaikannya, ada model operasional yang berbeda yang tersedia. Hubungi tim kami dan lihat bagaimana Qiscus dapat bekerja untuk institusi Anda.
