AI Untuk UMKM Indonesia

#1: Set Your UMKM Business Context in 15 Lines Problem: Tim sering langsung cari prompt “biar cepat”. Akhirnya mereka tidak menyambungkan AI ke proses yang benar, jadi hasilnya tidak nyambung ke kerja harian (misal: laporan tidak sesuai format toko). Dalam 2-4 minggu pertama, ini bikin AI terasa “tidak ada gunanya” karena tidak ada baseline bisnis yang jelas. Solution: Isi 15 baris berikut: (1) nama usaha, (2) produk/jasa utama, (3) target pelanggan, (4) lokasi/area layanan, (5) channel penjualan, (6) proses order dari masuk sampai selesai, (7) proses produksi/penyediaan, (8) proses after-sales, (9) masalah terbesar saat ini, (10) target 90 hari, (11) KPI yang ingin diperbaiki, (12) data yang tersedia (mis. WhatsApp chat, invoice, Excel), (13) data yang tidak tersedia, (14) waktu tim yang bisa dialokasikan per minggu, (15) batasan (biaya, tools, aturan). Lalu minta AI merangkum konteks itu jadi 1 halaman rencana kerja. Result: Kamu punya “bahasa yang sama” antara tim dan AI, sehingga prompt berikutnya langsung mengarah ke use case yang relevan.

#2: Identify Your 3 Biggest Bottlenecks (With Evidence) Problem: Banyak UMKM bilang “ingin naik penjualan”, tapi bottleneck-nya tidak spesifik. Akibatnya AI dipakai untuk hal yang salah, misalnya konten tapi lead tidak pernah ditindaklanjuti. Biasanya baru ketahuan setelah 1 siklus promosi gagal. Solution: Tulis 5 bottleneck yang kamu rasakan, lalu pilih 3 yang paling “menghambat”: untuk tiap bottleneck, tulis bukti singkat (angka sederhana: waktu tunggu, jumlah komplain, jumlah lead tanpa follow-up). Minta AI mengubahnya jadi daftar prioritas dengan skor (impact, frequency, cost). Result: Kamu bisa fokus ke use case yang paling mungkin menghasilkan perubahan dalam 30-60 hari.

#3: Map Your End-to-End Workflow (Order-to-Delivery) Problem: AI tidak bisa memperbaiki proses yang tidak terlihat. Kalau alur order-to-delivery tidak dipetakan, tim tidak tahu titik mana yang bisa diotomasi atau dipercepat. Dampaknya: output AI tidak masuk ke langkah kerja yang tepat. Solution: Buat flow singkat: Lead masuk → follow-up → penawaran → closing → produksi/fulfillment → pengiriman/penyerahan → after-sales. Untuk tiap langkah, tulis: input data, output yang dihasilkan, dan siapa yang bertanggung jawab. Minta AI menandai langkah yang cocok untuk AI (chat, klasifikasi, ringkasan, template balasan). Result: Kamu dapat peta proses yang langsung jadi dasar mapping use case.

#4: Build a Data Inventory for AI (What You Have vs Need) Problem: Prompt yang bagus tetap gagal kalau datanya tidak ada atau formatnya kacau. UMKM sering hanya punya “data di kepala” atau chat tersebar di WhatsApp tanpa struktur. Ini bikin AI menghasilkan asumsi dan output jadi tidak bisa diverifikasi. Solution: Buat tabel inventaris data: sumber (WhatsApp, marketplace, kasir, Google Sheets), format (text, invoice PDF, foto), kualitas (bagus/sedang/jelek), akses tim (siapa), frekuensi update. Minta AI menyusun “data gaps” paling kritis untuk 2-3 use case prioritas. Result: Tim tahu data apa yang harus dibenahi dulu, bukan menunggu AI “ajaib”.

#5: Choose 5 Candidate Use Cases from Your Workflow Problem: Tanpa kandidat use case, diskusi jadi panjang dan berputar-putar. Tim akhirnya memilih use case “yang paling terdengar keren”, bukan yang paling berdampak. Akibatnya biaya waktu dan energi habis. Solution: Dari workflow yang kamu petakan, pilih 5 bagian yang paling sering terjadi atau paling banyak memakan waktu. Untuk tiap kandidat, tulis: tujuan (hemat waktu/naikkan omzet/kurangi error), indikator awal, dan contoh output yang kamu mau. Minta AI menilai kandidat mana yang paling cepat diimplementasi. Result: Kamu punya shortlist use case yang realistis untuk dieksekusi dulu.

#6: Define KPIs for Each Use Case (Numbers First) Problem: KPI yang tidak angka membuat tim sulit mengukur. “Lebih cepat” atau “lebih bagus” tidak bisa dibandingkan sebelum-sesudah. Tanpa KPI, keputusan lanjut atau stop jadi emosional. Solution: Untuk tiap use case, tentukan KPI dengan angka: contoh “waktu follow-up lead” (menit/jam), “konversi lead → order” (%), “jumlah komplain terselesaikan < 24 jam” (count). Minta AI membuat KPI set yang bisa diukur mingguan. Result: Kamu bisa lihat dampak AI dengan jelas dalam 2-4 minggu.

#7: Set Baseline Numbers (Before AI) Problem: Kalau baseline tidak diambil, tim tidak bisa bilang AI bekerja. Banyak UMKM baru sadar setelah 1 bulan bahwa tidak ada pembanding. Ini membuat proyek AI sering berhenti di tengah jalan. Solution: Ambil data 2-4 minggu terakhir untuk KPI utama: jumlah lead, response time, order rate, repeat purchase, retur/komplain. Jika data belum rapi, ambil sampel 30-50 transaksi/chat dan catat manual. Minta AI bantu menyusun template baseline yang konsisten. Result: Kamu punya pembanding untuk menunjukkan hasil nyata.

#8: Decide AI Categories You Actually Need (Chat, Vision, etc.) Problem: UMKM sering menganggap AI itu satu hal saja. Padahal kebutuhan lapangan beda: ada yang butuh chat, ada yang perlu ekstraksi dari dokumen, ada yang perlu analisis foto. Salah kategori bikin implementasi macet. Solution: Untuk tiap use case, tentukan kategori AI yang cocok: chat (untuk balasan & panduan), vision (untuk baca foto/label), data extraction (untuk teks dari invoice), atau automation rules (untuk routing). Minta AI memberi daftar kategori yang sesuai dari deskripsi use case kamu. Result: Kamu menghindari “tool mismatch” dari awal.

#9: Choose Your First 1 Use Case to Pilot Problem: Kalau langsung banyak use case, tim tidak sempat merapikan proses. Pilot yang gagal karena scope terlalu besar bikin semua tim jadi skeptis. Solution: Gunakan kriteria sederhana: (1) data tersedia, (2) KPI jelas, (3) prosesnya cukup sering, (4) output bisa dipakai hari itu juga. Minta AI mengurutkan kandidat use case kamu dan rekomendasikan 1 pilot terbaik. Result: Kamu mulai dari langkah kecil yang bisa menang cepat.

#10: Write a 30-Day AI Pilot Plan Problem: Pilot tanpa jadwal berubah jadi eksperimen tanpa tujuan. Tim bingung kapan evaluasi, siapa yang pegang, dan output apa yang dianggap sukses. Solution: Buat rencana 30 hari: Minggu 1 data & template, Minggu 2 prompt & SOP, Minggu 3 integrasi ke alur kerja, Minggu 4 evaluasi KPI. Minta AI mengisi draft rencana berdasarkan use case pilot yang kamu pilih. Result: Pilot punya ritme eksekusi dan titik evaluasi yang jelas.

#11: Create an AI SOP for One Workflow Step Problem: AI jalan sendiri tanpa SOP itu rawan salah kirim. Misalnya balasan chat tidak sesuai harga/varian, atau ringkasan order melewatkan detail penting. Solution: Pilih 1 langkah paling sering (mis. balas lead masuk). Tulis SOP: input apa → prompt apa → aturan verifikasi (cek harga, cek stok, cek alamat) → output final dikirim siapa. Minta AI menuliskan SOP SOP template yang bisa langsung kamu pakai. Result: Output AI jadi konsisten dan aman untuk dipakai.

#12: Define Human-in-the-Loop (Who Approves What) Problem: Kalau semua diserahkan ke AI, risiko error naik. Kalau tidak ada aturan approval, keputusan jadi tidak bisa dipertanggungjawabkan. Solution: Tentukan keputusan yang harus di-approve manusia (mis. diskon besar, perubahan spesifikasi, komplain refund). Untuk sisanya, AI boleh draft. Minta AI membuat matriks: “AI draft / Human approve / No review”. Result: Kamu menyeimbangkan kecepatan AI dan kontrol bisnis.

#13: Set Data Privacy Rules for Your Team Problem: UMKM sering kirim data pelanggan mentah ke tools tanpa aturan. Dampaknya bisa reputasi rusak dan akses data tidak terkontrol. Solution: Buat aturan sederhana: data apa yang boleh dan tidak boleh dipakai di prompt (contoh: nomor NIK tidak perlu, alamat boleh secukupnya). Minta AI menyusun checklist privasi untuk tim CS dan admin. Result: Tim bekerja cepat tanpa mengorbankan keamanan data.

#14: Create a Prompt Approval Checklist Problem: Prompt yang sama bisa menghasilkan variasi output. Tanpa checklist, tim sering “tergoda” mengirim output yang salah. Solution: Buat checklist sebelum kirim: cek nama produk, cek harga, cek estimasi waktu, cek bahasa, cek nada (ramah tapi tegas), cek kelengkapan alamat/ukuran. Minta AI mengubah checklist ini jadi format yang bisa dicentang. Result: Error turun karena ada filter kualitas yang nyata.

#15: Define Your Brand Voice for AI Writing Problem: Output AI yang “terlalu formal” atau “terlalu salesy” merusak kepercayaan. Tim juga bingung gaya bahasa mana yang benar. Solution: Tulis contoh 10 kalimat gaya kamu: 5 balasan CS, 3 caption IG, 2 pesan promo. Minta AI merangkum jadi “brand voice rules” (panjang kalimat, penggunaan emoji, struktur CTA). Result: AI menulis dengan gaya yang konsisten dengan brand kamu.

---

#16: Ask for Use Case ROI Calculation (Time + Money) Problem: Banyak UMKM ingin AI tapi tidak menghitung ROI. Akhirnya keputusan pembelian tools atau waktu tim jadi tanpa dasar. Solution: Beri AI data perkiraan: jam tim per minggu untuk proses tertentu, biaya per jam, dan perkiraan pengurangan waktu setelah AI. Minta AI membuat simulasi ROI 90 hari dan skenario konservatif. Result: Kamu bisa memutuskan pilot dengan angka, bukan perasaan.

#17: Build a Weekly Metrics Dashboard Template Problem: KPI sering dicatat di tempat berbeda: ada di Excel, ada di catatan. Saat evaluasi, tim tidak punya dashboard yang rapi. Solution: Minta AI membuat template dashboard mingguan untuk KPI utama pilot: kolom tanggal, lead masuk, waktu response, conversion, order, komplain. Buat juga kolom “catatan kejadian” (mis. campaign berjalan). Result: Evaluasi jadi cepat dan tidak butuh rapat panjang.

#18: Data Cleaning Rules for Chat Logs Problem: Log chat mentah mengandung spam, duplikasi, dan format tidak seragam. AI yang dilatih/diberi konteks jadi salah menangkap pola. Solution: Tentukan aturan cleaning: hapus pesan promosi tidak relevan, gabungkan thread, standarkan format nama produk, pisahkan pertanyaan vs jawaban. Minta AI menyusun langkah cleaning berbasis contoh 10 chat. Result: Prompt berbasis data jadi lebih akurat.

#19: Create a Product/Service Catalog for AI (SKU Style) Problem: Tanpa katalog produk yang jelas, AI sulit menanyakan varian yang benar. Akibatnya balasan AI sering salah pilih ukuran/tipe. Solution: Buat tabel katalog: nama produk, SKU/ID internal, varian, harga, stok (status), ketentuan pengiriman, MOQ (jika ada). Minta AI membuat format yang bisa dipakai untuk prompt “pilih produk yang dimaksud”. Result: AI bisa mengarahkan pelanggan dengan minim salah paham.

#20: Build a FAQ Library from Real Questions Problem: FAQ yang dibuat dari asumsi sering tidak menjawab pertanyaan yang benar. Tim CS akhirnya tetap mengetik ulang hal yang sama. Solution: Ambil 30-50 pertanyaan pelanggan terakhir. Kelompokkan jadi topik dan tulis jawaban versi kamu (bukan versi “internet”). Minta AI bantu menyusun struktur FAQ dan menandai pertanyaan yang berulang. Result: Saat AI menulis balasan, ia punya “pegangan jawaban” yang benar.

#21: Turn Your FAQ into Prompt-Ready Answers Problem: Jawaban FAQ yang panjang tidak cocok untuk chat cepat. Tim akhirnya copy-paste manual dan tetap memakan waktu. Solution: Minta AI mengubah tiap FAQ jadi 3 level jawaban: singkat (1-2 kalimat), standar (3-5 kalimat), dan detail (paragraf). Tetapkan kapan tiap level dipakai. Result: CS bisa memilih versi yang tepat tanpa mengetik ulang.

#22: Create a Tone and Safety Guardrail for Pricing Problem: Salah harga atau diskon membuat rugi langsung. AI yang tidak punya guardrail bisa “kreatif” saat pelanggan minta penawaran. Solution: Tentukan aturan: diskon maksimal, cara menjelaskan harga, kapan harus minta persetujuan owner. Minta AI menulis guardrail teks yang dipakai di prompt balasan harga. Result: Output harga lebih aman dan konsisten.

#23: Define Your Response Time Target (SLA) Problem: Tanpa target response time, lead bisa hilang diam-diam. Tim sering baru follow-up saat sempat, padahal pelanggan sudah cari alternatif. Solution: Tentukan SLA sederhana: mis. < 15 menit untuk chat masuk jam kerja, < 2 jam untuk jam sibuk. Minta AI menyesuaikan template balasan sesuai SLA. Result: Kecepatan respon jadi terukur dan bisa ditingkatkan.

#24: Create a Lead Qualification Checklist Problem: Lead yang tidak jelas sumbernya bikin tim buang waktu. AI menulis balasan tapi tidak menanyakan info penting (kebutuhan, lokasi, budget). Solution: Buat checklist kualifikasi: produk yang dicari, kebutuhan/ukuran, lokasi pengiriman, deadline, budget kisaran. Minta AI menyusun pertanyaan yang urut dan tidak berulang. Result: Lead lebih cepat “panas/dingin” sehingga follow-up tepat sasaran.

#25: Draft a “First Reply” Template for New Inquiries Problem: Balasan pertama menentukan arah percakapan. Jika template tidak rapi, pelanggan tanya ulang dan proses molor. Solution: Minta AI buat draft pertama yang: menyapa seperlunya, menyebut produk yang relevan, menanyakan 3 info inti, dan memberi estimasi langkah berikut. Sesuaikan brand voice kamu. Result: Percakapan bergerak maju tanpa bolak-balik.

#26: Build a “Follow-Up Ladder” for Unresponsive Leads Problem: UMKM sering lupa follow-up di hari ke-2 dan ke-5. Akhirnya lead yang masih potensial hilang. Solution: Buat jadwal follow-up: hari ke-1 (cek kebutuhan), hari ke-3 (tawarkan opsi), hari ke-7 (closing call-to-action). Minta AI menulis 3 versi pesan dengan nada berbeda. Result: Prospek yang tidak jawab tetap punya peluang balik.

#27: Create a Complaint Triage Template Problem: Komplain masuk campur aduk: ada yang minta refund, ada yang butuh penjelasan teknis. Tim langsung panik dan respon tidak konsisten. Solution: Tulis kategori komplain: kualitas produk, keterlambatan, salah kirim, masalah instalasi/penggunaan, lainnya. Minta AI membantu men-assign kategori dari teks komplain dan menyiapkan pertanyaan klarifikasi. Result: Respon lebih cepat dan penyelesaian lebih rapi.

#28: Draft Resolution Steps for Common Complaints Problem: Saat komplain, tim butuh langkah standar. Tanpa itu, keputusan jadi spontan dan berisiko rugi. Solution: Untuk tiap kategori komplain, tulis langkah: cek bukti (foto/video), cek order/invoice, opsi solusi (replacements/refund/repair), batas waktu. Minta AI menyusun “resolution playbook” ringkas. Result: Komplain selesai lebih cepat dan konsisten.

#29: Summarize Each Order Ticket for Faster Handover Problem: Admin dan tim produksi sering tidak sinkron karena detail order tersebar di chat. Akibatnya ada revisi di tengah proses. Solution: Minta AI membuat ringkasan dari chat order: nama produk/varian, jumlah, alamat, catatan khusus, estimasi waktu, pembayaran. Output harus siap ditempel ke format ticket. Result: Handover lebih cepat dan error detail turun.

#30: Extract Key Fields from Invoice PDFs (Template Prompt) Problem: Invoice PDF kadang formatnya beda-beda. Tim mengetik ulang manual sehingga rawan salah angka. Solution: Buat daftar field yang wajib: tanggal, nomor invoice, nama pelanggan, total, pajak, metode pembayaran, item line. Minta AI mengekstrak field dan menampilkan dalam tabel format kamu. Result: Data transaksi masuk lebih cepat ke sistem kamu.

---

#31: Detect Missing Information in a Customer Request Problem: Pertanyaan pelanggan sering “nggak lengkap” (mis. tidak ada alamat atau ukuran). Tim akhirnya bolak-balik tanya, yang bikin pelanggan kapok. Solution: Buat daftar field wajib untuk order (produk/varian, jumlah, lokasi, deadline). Minta AI memeriksa teks request dan menandai field yang hilang + pertanyaan klarifikasi. Result: Percakapan lebih pendek dan proses order lebih rapi.

#32: Recommend Next Best Question for Sales Chat Problem: Balasan yang tidak tepat sering bikin percakapan melebar. Tim bertanya terlalu banyak sekaligus atau salah urutan. Solution: Dari checklist kualifikasi, minta AI memilih 1 pertanyaan terbaik berikutnya. Sertakan alasan singkat: “untuk menentukan estimasi waktu/biaya.” Result: Sales chat bergerak langkah demi langkah.

#33: Generate Price Explanation That Matches Your Policy Problem: Pelanggan sering protes harga karena tidak paham komponen biaya. Tanpa penjelasan yang sesuai kebijakan, negosiasi tidak sehat. Solution: Beri AI kebijakan harga: komponen biaya utama, faktor yang memengaruhi harga, dan kalimat penutup yang tegas. Minta AI membuat versi penjelasan singkat dan versi detail. Result: Pelanggan lebih paham dan negosiasi jadi lebih sehat.

#34: Draft Discount Request Reply (Owner Approval Required) Problem: Diskon sering diminta tanpa data. Kalau tim sembarang kasih, margin turun. Solution: Buat aturan: kapan diskon boleh, batas maksimal, dan data yang harus dikumpulkan sebelum approval. Minta AI menulis balasan yang meminta data pendukung dan menawarkan opsi. Result: Diskon tidak “bocor” dan approval owner lebih cepat.

#35: Create an Upsell Offer Based on Order Context Problem: Upsell yang tidak relevan terasa memaksa dan menurunkan kepercayaan. Solution: Buat aturan upsell: produk pelengkap yang paling sering dibeli bersama, batasan bundling, dan promo yang tersedia. Minta AI menyusun 1-2 opsi upsell berdasarkan konteks order. Result: Upsell jadi relevan dan konversi naik.

#36: Personalize Messages Using Only Approved Fields Problem: Personalisasi berlebihan atau data yang tidak seharusnya dipakai bikin pelanggan tidak nyaman. Solution: Tentukan “approved fields” (nama depan, kota, produk yang dipilih). Minta AI menulis pesan yang personal hanya berdasarkan field ini. Result: Pesan terasa personal tanpa melanggar batas privasi.

#37: Translate Customer Requests into Your Internal Language Problem: Kadang pelanggan pakai istilah berbeda. Tim jadi salah menangkap kebutuhan teknis. Solution: Buat mapping istilah: istilah pelanggan → istilah internal kamu. Minta AI mengubah request menjadi format internal + daftar klarifikasi. Result: Tim produksi mendapat spesifikasi yang benar.

#38: Create a “Product Fit” Explanation for Non-Technical Customers Problem: Penjelasan teknis bikin pelanggan bingung. Jika tidak ada penjelasan “kenapa cocok”, pelanggan menunda keputusan. Solution: Minta AI menulis penjelasan pakai analogi sederhana yang sesuai brand voice (tanpa berlebihan). Sertakan 3 poin manfaat dan 1 pertanyaan penutup. Result: Pelanggan paham value dengan cepat.

#39: Generate Delivery ETA Message Based on Route Rules Problem: Estimasi pengiriman yang asal bikin komplain. Tim harus menjawab berkali-kali pertanyaan “kapan sampai”. Solution: Isi aturan ETA: SLA per area, waktu proses, dan faktor pengecualian (cuaca, stok). Minta AI membuat pesan ETA yang konsisten. Result: Info pengiriman lebih akurat dan mengurangi komplain.

#40: Draft Reschedule Message (If Delay Happens) Problem: Delay kadang terjadi. Jika pesan tidak rapi, pelanggan merasa ditinggal. Solution: Buat template pesan reschedule: permintaan maaf, alasan singkat, ETA baru, opsi solusi (refund/alternatif). Minta AI menyesuaikan berdasarkan kategori delay. Result: Pelanggan lebih menerima perubahan jadwal.

---

#41: Summarize WhatsApp Threads into Action Items Problem: Thread WhatsApp panjang bikin tim kehilangan detail keputusan. Akibatnya tugas terlambat atau salah. Solution: Ambil chat thread, lalu minta AI membuat ringkasan: keputusan yang dibuat, item yang perlu dilakukan, deadline, dan siapa yang harus mengerjakan. Output harus jadi bullet action items. Result: Tim langsung tahu langkah berikutnya.

#42: Turn Chat into a Work Order Format Problem: Work order sering dibuat manual dari chat. Salah penulisan detail menyebabkan revisi biaya. Solution: Buat format work order: field wajib (produk/varian/jumlah/alamat/catatan), lalu minta AI mengisi field dari chat. Sertakan “confidence note” untuk bagian yang ambigu (mis. jumlah tidak jelas). Result: Work order lebih cepat dan lebih akurat.

#43: Create “Owner Update” Message for Daily Ops Problem: Owner tidak selalu punya waktu cek semua chat. Tanpa update standar, owner hanya tahu masalah saat sudah besar. Solution: Minta AI merangkum aktivitas harian: lead baru, follow-up yang belum dijawab, komplain baru, transaksi masuk. Formatkan sebagai pesan ringkas untuk owner. Result: Owner bisa mengambil keputusan cepat berbasis data.

#44: Draft SOP for Admin to Use AI Safely Problem: Tim admin sering “coba-coba” prompt. Ini berisiko output salah dan bocor privasi. Solution: Tulis SOP admin: aturan input, aturan output, checklist verifikasi, dan kapan harus tanya owner. Minta AI membuat SOP 1 halaman. Result: Penggunaan AI lebih konsisten dan aman.

#45: Create a Prompt Library Index (So Prompts Not Lost) Problem: Prompt disimpan di chat pribadi, jadi tim lain tidak bisa pakai. Saat orang cuti, pengetahuan hilang. Solution: Minta AI membuat struktur index: nama prompt, tujuan, input yang dibutuhkan, contoh output, versi tanggal. Simpan dalam template yang bisa di-Docx. Result: Tim punya akses cepat ke prompt yang sudah teruji.

#46: Standardize Your Prompt Input Variables Problem: Prompt yang tidak konsisten inputnya bikin output berubah-ubah. Tim akhirnya harus merapikan manual. Solution: Tentukan variabel standar: {customer_name}, {product_sku}, {quantity}, {delivery_area}, {policy_notes}. Minta AI mengubah prompt-prompt kamu agar memakai variabel ini. Result: Output lebih stabil dan mudah diulang.

#47: Build a “Prompt Quality Score” Rubric Problem: Tidak ada cara menilai prompt mana yang lebih baik. Tim mengulang prompt yang sama tapi kualitasnya tidak pernah diukur. Solution: Buat rubrik: akurasi, kelengkapan, kesesuaian tone, dan keamanan harga. Minta AI membuat scoring rubric + contoh penilaian untuk 2 output. Result: Tim bisa memilih prompt terbaik untuk dipakai rutin.

#48: Create a Feedback Loop from Real Output Problem: Kalau output AI salah, sering tidak ada catatan kenapa salah. Akhirnya kesalahan berulang. Solution: Buat format feedback: prompt versi, input yang dipakai, output yang salah, koreksi yang benar, dan aturan tambahan yang perlu dibuat. Minta AI menuliskan template feedback ini. Result: Prompt kamu membaik dari waktu ke waktu.

#49: Create a “Do/Don’t” List for AI Replies Problem: AI kadang memberi saran yang tidak sesuai kebijakan. Tim akhirnya bingung harus edit apa. Solution: Tulis daftar “Do”: mis. selalu tawarkan klarifikasi. “Don’t”: mis. jangan sebut stok jika belum dicek. Minta AI mengubahnya jadi aturan yang bisa ditempel di prompt. Result: Output lebih sesuai kebijakan bisnis.

#50: Use One Output Format for Consistent Follow-Up Problem: Format follow-up yang berubah-ubah bikin pelanggan bingung dan tim sulit tracking. Solution: Tentukan format pesan follow-up: pembuka, ringkasan kebutuhan, 1 opsi, CTA. Minta AI menulis 3 template follow-up dengan format yang sama. Result: Tracking follow-up lebih mudah dan conversion lebih rapi.

---

#51: Classify Incoming Messages into Categories Problem: Pesan pelanggan masuk campur: tanya harga, komplain, tanya stok, request jadwal. Tanpa klasifikasi, tim menanggapi tidak tepat. Solution: Buat kategori: Inquiry, Order, Komplain, After-Sales, Other. Minta AI mengklasifikasi pesan dan menandai kategori + alasan singkat. Result: Routing ke tim/langkah yang benar lebih cepat.

#52: Route Messages to the Right Team Step Problem: Routing manual memakan waktu dan sering salah. Dampaknya: pesan komplain ditangani seperti inquiry dan waktu hilang. Solution: Tentukan aturan routing (mis. Komplain → QA/Owner, Inquiry → Sales). Minta AI menampilkan “routing decision” berdasarkan klasifikasi. Result: Waktu respons dan kepuasan pelanggan membaik.

#53: Draft a Ticket Summary for Komplain Severity Problem: Komplain ringan dan berat diperlakukan sama. Ini bikin owner kewalahan dan kasus serius terlambat ditangani. Solution: Buat severity scale (mis. S1 - S3) berbasis dampak (uang hilang, keamanan, ketepatan waktu). Minta AI mengisi severity dari teks komplain + bukti yang dibutuhkan. Result: Penanganan komplain lebih tepat prioritas.

#54: Generate a “Request for Proof” Message Problem: Tim sering minta foto/bukti dengan cara yang tidak jelas sehingga pelanggan kirim data yang salah. Solution: Minta AI menulis pesan yang meminta bukti spesifik: foto kemasan, foto produk, nomor order, video singkat jika perlu. Sertakan deadline kirim. Result: Bukti masuk lengkap sehingga resolusi lebih cepat.

#55: Draft Refund/Replacement Policy Explanation Problem: Kebijakan refund/replacement yang tidak jelas bikin debat panjang. Solution: Tulis versi kebijakan kamu: syarat, batas waktu, proses pengembalian. Minta AI menyusun penjelasan chat yang ringkas dan detail. Result: Konflik berkurang karena aturan disampaikan dari awal.

#56: Convert Policy into Clickable FAQ Snippets Problem: Policy panjang tidak cocok untuk chat. Admin akhirnya menghafal atau copy manual. Solution: Minta AI membuat snippet FAQ: 1 baris untuk tiap syarat. Lalu buat versi “jawab cepat” dan “jawab detail

#56: Convert Policy into Clickable FAQ Snippets Problem: Policy panjang tidak cocok untuk chat. Admin akhirnya menghafal atau copy manual. Solution: Minta AI membuat snippet FAQ: 1 baris untuk tiap syarat. Lalu buat versi “jawab cepat” dan “jawab detail” yang tetap konsisten dengan kebijakan asli. Result: Admin bisa reply cepat tanpa salah tafsir.

#57: Ask AI to Produce 3 Tone Variants (Friendly, Firm, Neutral) Problem: Respon yang terlalu lembek bikin komplain makin panjang, sedangkan terlalu keras memicu eskalasi. Solution: Minta AI menulis 3 versi tone untuk pertanyaan yang sama: friendly, firm, neutral. Tetapkan batas: mis. jangan menyalahkan pelanggan, tetap gunakan kalimat sopan. Result: Tim punya opsi bahasa sesuai situasi.

#58: Create a “Short Answer First” Reply Template Problem: AI kadang menulis panjang dulu, lalu baru jawaban inti. Pelanggan UMKM butuh cepat, tidak punya waktu baca. Solution: Buat format: 1 kalimat jawaban inti → 2 bullet penjelasan → 1 CTA. Minta AI mengikuti format itu untuk setiap reply. Result: Respon ringkas, pelanggan cepat paham.

#59: Generate Message for “Waiting for Confirmation” Problem: Banyak proses butuh konfirmasi: stok, jadwal kirim, atau alamat. Tanpa pesan status, pelanggan mengira diabaikan. Solution: Minta AI membuat pesan “waiting for confirmation” yang menyebut apa yang sedang dicek, estimasi waktu (mis. 2 jam / 1 hari kerja), dan cara follow-up. Result: Pelanggan tetap tenang karena ada kepastian timeline.

#60: Draft a Follow-Up After No Reply (48-Hour Rule) Problem: Chat yang tidak dijawab dibiarkan tanpa follow-up. Akibatnya lead hangus, padahal masih hangat. Solution: Tentukan rule follow-up (mis. 48 hours). Minta AI menulis pesan follow-up dengan referensi pertanyaan sebelumnya dan CTA yang jelas. Result: Lead balik ke funnel tanpa terasa memaksa.

#61: Create a “Payment Reminder” Message with Polite Escalation Problem: Reminder pembayaran yang salah nada memicu komplain atau batal order. Solution: Buat 3 level reminder: H+0 (soft), H+1 (standard), H+3 (firm). Minta AI menulis masing-masing versi beserta detail yang wajib: nomor invoice, nominal, dan cara bayar. Result: Pembayaran masuk lebih cepat tanpa merusak hubungan.

#62: Generate “Out of Stock” Notification with Alternatives Problem: Ketika stok habis, tim sering hanya bilang “habis” tanpa opsi. Pelanggan pindah ke kompetitor. Solution: Minta AI menulis notifikasi stok habis yang menawarkan alternatif: produk mirip, pre-order, atau jadwal restock. Tambahkan pertanyaan pilihan pelanggan. Result: Pelanggan tetap punya jalan lanjut, bukan putus.

#63: Draft a “Restock ETA” Message Template Problem: Restock ETA yang tidak konsisten bikin janji tidak ditepati. Ini memicu komplain karena ekspektasi salah. Solution: Minta AI membuat template yang menekankan kisaran ETA dan kondisi: “estimasi”, “tergantung supplier”, dan cara update jika berubah. Result: Janji lebih realistis dan komplain turun.

#64: Generate “Wrong Item Shipped” Apology + Next Steps Problem: Salah kirim itu sensitif. Jika balasan tidak terstruktur, pelanggan marah dan minta refund tanpa proses yang jelas. Solution: Minta AI menulis pesan dengan urutan: minta maaf singkat → konfirmasi kesalahan → langkah perbaikan (ambil data, kirim pengganti, ongkir) → ETA. Result: Kasus selesai lebih cepat karena alurnya jelas.

#65: Create a “Delivery Delay” Update Message Problem: Pengiriman telat tapi tidak ada update. Dampaknya: pelanggan mengira paket hilang. Solution: Minta AI menulis update yang menyebut: penyebab umum (mis. antrian ekspedisi), status tracking, dan estimasi update berikutnya. Sertakan nomor resi. Result: Kepercayaan pelanggan tetap terjaga.

#66: Draft “Order Cancellation” Confirmation Message Problem: Pembatalan order tanpa konfirmasi membuat sistem kacau (stok, invoice, dan komisi). Solution: Minta AI menulis pesan konfirmasi pembatalan yang memuat: nomor order, alasan (jika ada), status refund/penyesuaian, dan timeline. Result: Admin dan pelanggan punya catatan yang sama.

#67: Generate “Warranty/Guarantee” Explanation in Chat Problem: Garansi sering ditanyakan tapi penjelasannya tidak seragam. Tim akhirnya debat sendiri. Solution: Minta AI menjelaskan garansi sesuai syarat: durasi, yang ditanggung, proses klaim. Buat versi singkat dan versi detail. Result: Klaim masuk dengan ekspektasi yang benar.

#68: Draft “Service Booking” Message for Appointment Problem: Untuk bisnis jasa (mis. servis, salon, gym), booking yang tidak rapi menyebabkan salah jadwal. Solution: Minta AI menulis pesan booking yang meminta data wajib: nama, layanan, tanggal, jam, lokasi, dan kontak. Lalu konfirmasi ulang pilihan. Result: Janji temu tersusun dan minim salah paham.

#69: Create a Template for “Reschedule Request” Problem: Reschedule tanpa prosedur membuat tim bolak-balik cek jadwal. Solution: Minta AI membuat template reschedule: minta alasan singkat, 2 opsi jam alternatif, dan konfirmasi ulang slot. Result: Pemindahan jadwal lebih cepat dan terukur.

#70: Draft a “No-Show” Follow-Up Problem: Pelanggan tidak datang tapi tidak ada follow-up. Slot terbuang dan reputasi layanan turun. Solution: Minta AI menulis pesan sopan: konfirmasi ketidakhadiran, tawarkan reschedule, dan jelaskan kebijakan (mis. batas reschedule). Result: Slot bisa diisi ulang dan hubungan tetap baik.

#71: Generate “Membership/Subscription” Cancellation Steps Problem: Pembatalan membership tanpa langkah jelas bikin admin kewalahan dan pelanggan kecewa. Solution: Minta AI menulis langkah: cara cancel, kapan berlaku, apakah ada biaya, dan konfirmasi yang harus diminta. Result: Proses cancel rapi dan bisa diaudit.

#72: Create a “Customer Feedback” Message with Simple Rating Problem: Feedback yang panjang membuat pelanggan males isi. Akhirnya data tidak masuk. Solution: Minta AI menulis pesan pendek: rating 1-5 + 2 pertanyaan pilihan (mis. “yang paling memuaskan apa?”). Tambahkan tautan/format balasan. Result: Data feedback terkumpul konsisten.

#73: Draft “Review Request” Message After Successful Delivery Problem: Minta review terlalu awal atau terlalu umum. Pelanggan tidak paham harus menulis apa. Solution: Minta AI menulis pesan setelah status “delivered”: ajak review dengan 2-3 poin yang bisa dicontohkan (produk, packaging, ketepatan). Result: Review lebih banyak dan lebih relevan.

#74: Create a “Thank-You” Message with Next Purchase CTA Problem: Setelah transaksi selesai, tidak ada momentum. Penjualan berikutnya terasa dari nol. Solution: Minta AI menulis pesan terima kasih yang menyebut produk terjamin + CTA pembelian berikutnya (mis. akses promo 7 hari). Result: Repeat order lebih mudah dipancing.

#75: Generate “Promo Eligibility” Clarification Problem: Promo sering dibatalkan karena syarat tidak dijelaskan. Dampaknya biaya promosi terbuang dan komplain naik. Solution: Minta AI menulis pesan yang menjelaskan syarat promo berdasarkan data pelanggan (mis. minimum belanja, wilayah, metode bayar). Result: Promo digunakan sesuai aturan dan komplain turun.

#76: Create “Discount Code” Application Instructions Problem: Pelanggan salah pakai kode diskon sehingga merasa ditipu. Solution: Minta AI membuat instruksi langkah demi langkah: tempat input kode, contoh format, dan apa yang harus terjadi setelah sukses. Result: Kode dipakai benar dan biaya dukungan berkurang.

#77: Draft “Customer Data Update” Request Problem: Alamat, nomor telepon, atau email sering berubah. Tanpa update, pengiriman gagal. Solution: Minta AI menulis pesan yang meminta data baru lengkap dengan format yang mudah: Nama, No HP, Alamat lengkap, patokan. Result: Data operasional bersih dan pengiriman lebih lancar.

#78: Generate “FAQ for Pricing” Based on Your Menu Problem: Harga sering ditanyakan berkali-kali. Tim menulis jawaban manual, rawan beda versi. Solution: Beri AI daftar menu/produk + aturan harga (mis. ukuran, varian). Minta AI membuat jawaban harga yang selalu merujuk menu tersebut. Result: Pertanyaan harga dijawab konsisten.

#79: Create “Product Comparison” Table in Chat Problem: Pelanggan bingung pilih varian karena penjelasan panjang. Hasilnya banyak chat bolak-balik. Solution: Minta AI membuat tabel perbandingan: varian, perbedaan utama, cocok untuk siapa, kisaran harga. Lalu minta AI simpulkan 1 rekomendasi. Result: Keputusan pelanggan lebih cepat.

#80: Generate “Recommendation” Based on Customer Preferences Problem: Rekomendasi tanpa pertanyaan membuat pelanggan merasa “asal lempar”. Solution: Minta AI membuat pertanyaan singkat dulu (mis. budget, kebutuhan, preferensi). Setelah jawaban, minta AI merekomendasikan 2 opsi + alasan. Result: Chat terasa relevan dan conversion naik.

#81: Draft “Budget-Limited” Customer Response Problem: Pelanggan minta murah tapi tidak cocok dengan margin. Jika tidak diatur, tim kehilangan waktu dan bisa janji yang tidak realistis. Solution: Minta AI menulis respons yang menghargai budget lalu menawarkan 2 opsi: versi hemat dan versi yang paling value. Sertakan trade-off sing

End of chapter one. 4 more chapters in the full book.