Dari Chatbot ke Agentic AI: Mengelola Ekspektasi Nasabah dalam Customer Experience Asuransi Kesehatan

Perubahan dari chatbot menuju agentic AI bukan sekadar peningkatan kanal layanan digital. Dalam customer experience asuransi kesehatan, perubahan ini menggeser ekspektasi nasabah dari sekadar menerima jawaban menjadi berharap memperoleh penyelesaian. Saat berinteraksi dengan chatbot tradisional, nasabah umumnya memahami bahwa sistem hanya membantu menjawab pertanyaan seperti manfaat polis, status klaim, rumah sakit rekanan, prosedur reimbursement, atau dokumen yang diperlukan. Namun ketika perusahaan memperkenalkan agentic AI, persepsi itu berubah. Nasabah mulai mengharapkan AI memahami tujuan, mengingat konteks, mencari data lintas sistem, mengambil tindakan, memantau progres, lalu memberi tahu hasil akhirnya.

Secara faktual, IBM mendefinisikan AI agent sebagai sistem yang dapat memahami tujuan, melakukan perencanaan, menggunakan tools, dan mengeksekusi tindakan dengan tingkat kemandirian yang lebih tinggi dibanding chatbot biasa [1]. Definisi ini penting karena menandai pergeseran dari pola interaksi question and answer menuju goal and execution. IBM juga mencatat bahwa dalam survei terhadap 1.000 developer enterprise AI, 99 persen responden mengatakan mereka sedang mengeksplorasi atau mengembangkan AI agents [1]. Meski demikian, IBM mengingatkan bahwa realitas pasar masih berada pada tahap awal: banyak solusi yang disebut agent sebenarnya masih berupa LLM dengan kemampuan planning dan tool-calling sederhana, belum otonom penuh yang sepenuhnya dapat dipercaya [1].

Dalam konteks asuransi kesehatan, perbedaan itu sangat terasa. Pertanyaan seperti, “Apakah MRI ditanggung polis saya?” dapat dijawab chatbot dengan mengambil informasi dari knowledge base. Tetapi ekspektasi terhadap agentic AI jauh lebih tinggi. Nasabah dapat berkata, “Saya harus MRI minggu depan. Tolong cek apakah ditanggung, rumah sakit mana yang cashless, apakah perlu pre-authorization, dan bantu proses semuanya.” Pada titik itu, AI tidak lagi dipandang sebagai antarmuka percakapan, melainkan sebagai agen yang diharapkan mampu menyusun langkah, mengakses data, menjalankan proses, dan menyampaikan outcome. Analisis ini merupakan sintesis editorial dari definisi AI agent IBM dan kebutuhan layanan asuransi, bukan kutipan langsung dari satu sumber tertentu [1].

Masalahnya, peningkatan kenyamanan di sisi depan sering kali tidak diimbangi kesiapan fondasi di sisi belakang. Deloitte menilai transformasi customer experience di industri asuransi memang didorong oleh ekspektasi nasabah terhadap interaksi yang lebih personal dan omnichannel [3]. Generative AI dinilai dapat membantu personalized policy recommendation, individualized support, underwriting automation, dan claims processing [3]. Namun Deloitte juga menekankan bahwa implementasi AI harus berjalan bersama strategi bisnis yang jelas, technology framework yang kuat, serta governance dan change management yang disiplin [3]. Artinya, antarmuka canggih tanpa integrasi data, API, dan kontrol proses yang memadai akan mudah berujung pada overpromise.

Di sinilah perubahan terbesar sebenarnya terjadi: bukan pada kecanggihan model bahasa, melainkan pada kontrak ekspektasi antara perusahaan dan nasabah. Begitu perusahaan menggunakan istilah seperti intelligent agent atau autonomous agent, nasabah cenderung menganggap sistem itu sudah mengetahui identitas, polis, klaim yang sedang berjalan, dokumen yang pernah diunggah, dan percakapan sebelumnya. Jika ternyata AI masih meminta informasi yang sama berulang kali, kekecewaan yang muncul biasanya lebih besar dibanding ketika hal serupa dilakukan chatbot biasa.

IBM menyatakan bahwa layanan pelanggan modern menuntut interaksi yang saling tersambung, lebih cepat, lebih akurat, dan lebih personal [2]. IBM juga mencatat bahwa organisasi yang sudah lebih matang dalam penggunaan AI untuk customer service melaporkan tingkat customer satisfaction 17 persen lebih tinggi [2]. Sumber yang sama menekankan pentingnya kemampuan seperti merangkum percakapan, memanfaatkan riwayat pelanggan, memberi rekomendasi tindakan, serta mendukung handoff ke agen manusia [2]. Implikasinya untuk asuransi kesehatan sangat jelas: jika AI mengetahui data nasabah, ia seharusnya memakainya untuk mengurangi friksi, bukan justru meminta nasabah mengulang seluruh konteks dari awal.

Contoh yang paling nyata biasanya terjadi pada proses klaim. Nasabah mungkin sebelumnya telah mengunggah invoice, kuitansi, medical resume, resep, atau hasil laboratorium. Ketika ia menghubungi AI untuk menanyakan status klaim, pengalaman yang buruk adalah ketika sistem kembali berkata, “Silakan unggah invoice.” Dari sudut customer experience, ini menandakan bahwa tampilan AI modern belum didukung arsitektur data yang benar-benar terhubung. Dalam praktik, policy system, claims system, CRM, document management, dan sistem mitra seperti provider network atau TPA sering masih terfragmentasi. Deloitte secara eksplisit menempatkan data foundation, assessment criteria, risk controls, blueprint operasional, dan koordinasi lintas pemangku kepentingan sebagai faktor penting dalam scaling AI di industri asuransi [3].

Karena itu, ekspektasi pertama yang harus dikelola adalah: kalau AI tahu data saya, jangan tanyakan lagi. Ini bukan semata persoalan percakapan yang lebih halus, melainkan persoalan desain layanan. Nasabah tidak menilai kualitas AI dari seberapa natural kalimatnya, tetapi dari seberapa kecil usaha tambahan yang masih harus mereka keluarkan. Dalam layanan kesehatan, terutama ketika nasabah sedang sakit atau sedang mengurus klaim, toleransi terhadap pengulangan biasanya sangat rendah.

Ekspektasi kedua adalah: kalau bisa menjelaskan, seharusnya bisa menyelesaikan. Ini juga pergeseran penting dari chatbot ke agentic AI. Dalam model chatbot, jawaban informatif sering dianggap cukup. Dalam model agentic, jawaban yang benar belum tentu dianggap memadai bila tidak menghasilkan tindakan nyata. Misalnya, AI menjelaskan bahwa dokumen reimbursement sudah lengkap dan manfaat masih tersedia. Secara teknis informasi itu benar. Namun bila AI tidak benar-benar membuat permintaan proses, tidak membuat referensi, atau tidak memicu workflow berikutnya, maka bagi nasabah masalahnya belum selesai. Dalam penilaian customer experience, kegagalan seperti ini bisa lebih serius daripada jawaban yang terdengar kaku.

Dari sini lahir prinsip desain yang secara analitis penting, yaitu batas tindakan yang eksplisit. Ini adalah opini desain, bukan istilah resmi dari sumber. Agent perlu membedakan dengan sangat jelas empat kondisi: menemukan informasi, merekomendasikan tindakan, sedang mengeksekusi tindakan, dan tindakan telah selesai. Tanpa pembeda seperti ini, nasabah mudah mengira bahwa sistem sudah bertindak padahal sistem baru sampai tahap memberi penjelasan. Dalam asuransi kesehatan, ambiguitas kecil dapat berujung pada masalah besar, misalnya nasabah datang ke rumah sakit dengan asumsi persetujuan sudah ada, padahal proses belum pernah dijalankan.

Ekspektasi ketiga berkaitan dengan kecepatan. AI bisa menjawab dalam hitungan detik, tetapi tidak semua proses bisnis dapat selesai dalam hitungan detik. Inilah sumber utama expectation gap. AI mungkin dapat segera memeriksa eligibility atau membaca ringkasan manfaat polis, tetapi medical review, verifikasi lebih lanjut, atau analisis atas kasus tertentu tetap membutuhkan waktu sesuai proses bisnis. Deloitte menekankan bahwa AI dapat meningkatkan personalisasi dan efisiensi, tetapi keberhasilannya tetap bergantung pada kerangka teknologi dan tata kelola yang tepat [3]. Jadi, pengalaman pelanggan yang baik bukan berarti menjanjikan semua keputusan instan, melainkan memberi visibilitas yang jujur tentang apa yang sudah otomatis, apa yang masih menunggu review, dan kapan nasabah akan mendapat pembaruan berikutnya.

Dengan kata lain, perusahaan perlu membedakan antara kecepatan komputasi dan kecepatan proses bisnis. Bila eligibility check selesai otomatis, AI sebaiknya menyatakannya demikian. Bila tahap berikutnya membutuhkan telaah medis atau otorisasi tertentu, AI juga harus mengatakannya dengan jelas. Transparansi seperti ini justru membantu menjaga kepercayaan, karena nasabah tidak merasa diberi ilusi bahwa seluruh proses sudah final. IBM menekankan pentingnya AI yang membantu layanan menjadi lebih cepat dan personal, tetapi tetap memosisikan manusia sebagai komponen penting untuk kasus yang lebih kompleks atau bernuansa [2].

Ekspektasi keempat menyangkut akuntabilitas. Ketika chatbot memberi informasi yang salah, pelanggan bisa saja mengeluh bahwa “chatbot-nya salah.” Tetapi ketika AI diberi kewenangan lebih luas untuk memengaruhi keputusan, memperbarui data, atau menginisiasi proses, nasabah tidak akan menerima alasan bahwa kesalahan terjadi karena sistem. Bagi nasabah, AI tetap merupakan representasi perusahaan. Karena itu, akuntabilitas tidak boleh dialihkan kepada model.

Panduan OJK tentang AI yang bertanggung jawab dan terpercaya menekankan prinsip beneficial; fair and accountable; transparent and explicable; serta robustness and security [4]. Panduan tersebut juga menyoroti mitigasi risiko, perlindungan konsumen, non-diskriminasi, privasi, dan pengujian akurasi [4]. Walaupun panduan ini ditujukan untuk industri teknologi finansial, prinsip-prinsipnya relevan sebagai acuan tata kelola di jasa keuangan yang lebih luas, termasuk asuransi [4]. Ini berarti semakin besar dampak AI terhadap hak, biaya, atau keputusan yang dialami nasabah, semakin penting perusahaan memastikan adanya kontrol, audit trail, dan otoritas manusia yang jelas.

Dalam arah yang sejalan, EIOPA menekankan pentingnya transparency dan explainability untuk aplikasi AI yang berhadapan langsung dengan pelanggan, serta mengingatkan bahwa penggunaan data dan AI dalam asuransi tidak boleh mendorong hasil yang diskriminatif atau eksklusi finansial [4]. Karena itu, penerapan agentic AI dalam asuransi kesehatan tidak cukup aman hanya karena modelnya canggih. Ia harus dapat dijelaskan secara memadai, dibatasi sesuai tingkat risiko, dan selalu berada di bawah tanggung jawab organisasi.

Salah satu area paling sensitif tentu adalah klaim kesehatan. Walau artikel ini tidak menambahkan statistik eksternal di luar paket sumber utama, secara analitis dapat dikatakan bahwa klaim adalah moment of truth dalam hubungan antara nasabah dan perusahaan asuransi. Di momen inilah janji produk diuji oleh realitas. Karena itu, automation yang salah arah dalam proses klaim dapat merusak kepercayaan lebih cepat dibanding kegagalan di area layanan lain.

Dalam batas fakta yang tersedia, Deloitte menjelaskan bahwa GenAI dapat dipakai pada claims processing, tetapi keberhasilannya tetap harus ditopang strategi, fondasi teknologi, governance, dan change management [3]. Dari sini, pendekatan yang paling masuk akal adalah membedakan penggunaan AI untuk intake, verifikasi awal, klasifikasi dokumen, dan routing proses dari penggunaan AI untuk keputusan yang lebih berdampak. Untuk kasus sederhana, rule-based automation dan AI dapat sangat membantu mempercepat pengalaman nasabah. Untuk kasus yang kompleks, bernilai tinggi, sensitif secara medis, atau mengandung interpretasi pengecualian manfaat, keputusan akhir yang sepenuhnya otomatis berisiko menimbulkan masalah besar bagi customer experience.

Pola yang sama berlaku pada underwriting. Deloitte menyebut AI dalam asuransi dapat membantu underwriting automation [3]. Namun secara editorial, target yang sehat bukanlah menghilangkan underwriter, melainkan memindahkan manusia dari pekerjaan repetitif ke penilaian atas pengecualian dan kasus yang membutuhkan judgement. Bila seluruh parameter berada dalam batas yang jelas, otonomi AI dapat lebih besar. Tetapi bila terdapat informasi yang kontradiktif, riwayat medis yang tidak biasa, atau kasus yang berada di luar cakupan aturan yang sudah ditetapkan, keterlibatan manusia tetap penting. Pendekatan ini konsisten dengan garis besar sumber-sumber yang menekankan potensi AI sekaligus pentingnya governance dan oversight [2][3][4].

Lalu di mana organisasi biasanya keliru? Kesalahan pertama adalah overpromising autonomy. Perusahaan terlalu cepat menjual narasi bahwa AI dapat menangani semuanya, padahal akses ke core system, integrasi data, dan kontrol tindakan belum siap. Akibatnya, nasabah masuk dengan ekspektasi tinggi lalu berakhir pada eskalasi manual yang berulang. Kesalahan kedua adalah mengukur keberhasilan dari akurasi respons, bukan akurasi outcome. Kalimat yang terdengar benar belum tentu berarti proses berjalan benar. Dalam lingkungan agentic, ukuran yang lebih relevan secara analitis adalah tingkat penyelesaian tugas, tingkat tindakan yang salah, kualitas eskalasi, kebutuhan pembalikan tindakan, customer effort, dan resolusi end-to-end. Ini adalah kerangka evaluasi editorial yang disimpulkan dari isu yang diangkat sumber, bukan daftar KPI resmi dari salah satu referensi.

Kesalahan ketiga adalah mengejar automation rate setinggi mungkin. Dalam asuransi kesehatan, eskalasi ke manusia bukan selalu tanda kegagalan AI. Sering kali justru sebaliknya: kemampuan sistem untuk mengetahui kapan harus berhenti bertindak merupakan indikator kematangan desain. IBM sendiri menempatkan manusia tetap penting untuk interaksi yang kompleks dan membutuhkan empati [2]. Kesalahan keempat adalah menjadikan handoff ke manusia sebagai jalan buntu. Jika setelah eskalasi semua konteks hilang dan nasabah harus mengulang cerita dari awal, maka perusahaan sedang memindahkan beban koordinasi ke pelanggan. Padahal IBM menyoroti manfaat AI untuk merangkum percakapan, memakai riwayat pelanggan, dan mendukung handoff [2].

Kesalahan kelima adalah terlalu fokus pada naturalness percakapan tetapi kurang transparan mengenai status AI. Agent yang terdengar sangat manusiawi dapat meningkatkan risiko bila nasabah tidak memahami apakah ia sedang berinteraksi dengan mesin, apa kewenangannya, dan sejauh mana tindakannya mengikat. OJK menekankan prinsip transparan dan dapat dijelaskan [4]. Dalam praktik customer experience, transparansi ini berarti nasabah perlu tahu kapan AI sedang memberi informasi, kapan AI membuat rekomendasi, kapan AI benar-benar mengajukan proses, dan kapan keputusan akhir tetap berada pada petugas perusahaan.

Model yang lebih aman untuk asuransi kesehatan adalah pendekatan progressive autonomy. Ini adalah rekomendasi editorial berdasarkan sintesis seluruh sumber. Artinya, otonomi tidak diberikan sekaligus, melainkan bertahap sesuai tingkat risiko. Pada transaksi berisiko rendah, AI dapat diberi kewenangan lebih besar, misalnya menjawab manfaat, mencari rumah sakit rekanan, melakukan status inquiry, atau memperbarui preferensi kontak. Pada tingkat berikutnya, AI dapat menjalankan tindakan yang ditopang business rules deterministik, seperti pengecekan kelengkapan dokumen atau routing proses. Pada risiko yang lebih tinggi, AI berperan sebagai pemberi rekomendasi dan peringatan, sedangkan keputusan akhir tetap berada pada underwriter, claim assessor, dokter perusahaan, atau pejabat yang berwenang.

Pendekatan ini selaras dengan kebutuhan tata kelola di Indonesia. OJK mengumumkan POJK 36/2025 tentang Penguatan Ekosistem Asuransi Kesehatan, yang ditetapkan pada Desember 2025 dan mulai berlaku tiga bulan setelah diundangkan [5]. OJK menjelaskan bahwa regulasi ini bertujuan memperkuat tata kelola, manajemen risiko, pengawasan efektif, pelindungan pemegang polis, kolaborasi dalam ekosistem, dan keberlanjutan industri [5]. Pokok pengaturannya mencakup penyelenggaraan asuransi kesehatan, desain produk, manajemen risiko, telaah utilisasi, koordinasi antarpihak, serta pelindungan konsumen [5]. OJK juga menyatakan bahwa perusahaan yang menyelenggarakan lini asuransi kesehatan wajib memiliki kapabilitas medis, kapabilitas digital melalui sistem informasi yang memadai, dan kapabilitas Dewan Penasihat Medis [5].

Implikasinya sangat penting. Customer-facing agentic AI dalam asuransi kesehatan tidak dapat diperlakukan sebagai proyek chatbot semata. Begitu AI mulai memengaruhi eligibility, klaim, telaah utilisasi, underwriting, atau keputusan layanan yang berdampak pada nasabah, ia masuk ke wilayah tata kelola, manajemen risiko, kapabilitas digital, dan pelindungan pelanggan. Dalam kerangka seperti ini, keputusan tentang seberapa otonom AI boleh bertindak bukan hanya pertanyaan teknologi, tetapi pertanyaan kepatuhan, operasional, dan etika bisnis.

Hal lain yang perlu disadari adalah bahwa customer journey kini tidak lagi cukup dipetakan hanya dari sisi nasabah. Perusahaan juga perlu merancang agent journey. Customer journey menjelaskan apa yang dialami pelanggan: membuka aplikasi, bertanya, mengunggah dokumen, menunggu, lalu menerima pembaruan. Sementara itu, agent journey menjelaskan apa yang dilakukan AI di belakang layar: data apa yang diakses, API mana yang dipanggil, aturan apa yang dievaluasi, tindakan apa yang boleh dilakukan, kapan kasus harus dinaikkan ke manusia, apa yang dicatat dalam audit trail, dan bagaimana kesalahan bisa dihentikan atau dibalik. Gagasan ini merupakan sintesis analitis dari kebutuhan fondasi teknologi dan governance yang ditekankan Deloitte, IBM, dan OJK [2][3][5].

Dalam desain seperti itu, human-in-the-loop bukan kegagalan agentic AI. Justru untuk industri regulated seperti asuransi kesehatan, kehadiran manusia pada titik yang tepat adalah bagian dari desain yang baik. Tujuannya bukan 100 persen automation, melainkan tingkat otonomi yang tepat untuk tingkat risiko yang tepat. AI dapat mengurangi pekerjaan administratif, mempercepat akses informasi, dan menjaga konteks tetap tersambung. Sementara itu, manusia mengambil peran pada kasus yang menuntut judgement, empati, klarifikasi, atau pertimbangan yang tidak sebaiknya didelegasikan penuh kepada sistem.

Dari perspektif nasabah, hal yang paling penting sebenarnya sederhana. Mereka tidak terlalu peduli apakah perusahaan memakai chatbot, copilot, assistant, atau agentic AI. Yang mereka pedulikan adalah apakah masalah mereka diselesaikan dengan cepat, benar, transparan, dan aman. Karena itu, strategi yang lebih sehat untuk asuransi kesehatan bukanlah AI first, melainkan customer outcome first, AI where appropriate, human judgment where necessary. Frasa ini adalah kesimpulan editorial dari keseluruhan pembahasan.

Pada akhirnya, perubahan dari chatbot ke agentic AI memang membuka peluang besar untuk meningkatkan customer experience asuransi kesehatan. IBM menunjukkan bahwa konsep agent sedang berkembang cepat, tetapi realitas otonominya masih bertahap [1]. IBM juga menunjukkan bahwa AI dapat meningkatkan kualitas layanan bila dipakai untuk menciptakan pengalaman yang lebih terhubung dan personal [2]. Deloitte menegaskan bahwa manfaat itu baru tercapai jika ditopang strategi, arsitektur data, kerangka teknologi, governance, dan change management yang kuat [3]. OJK menekankan prinsip akuntabilitas, transparansi, keamanan, dan perlindungan konsumen [4], sementara POJK 36/2025 membuat kebutuhan tata kelola dan kapabilitas digital di asuransi kesehatan Indonesia menjadi semakin eksplisit [5].

Kesimpulannya, tantangan terbesar bukanlah membuat AI terdengar lebih pintar, melainkan memastikan ia bertindak dalam batas yang benar. Semakin tinggi risiko keputusan terhadap kesehatan, finansial, atau hak pelanggan, semakin penting kemampuan agent untuk memahami bukan hanya what to do, tetapi juga when not to act. Di situlah kualitas customer experience yang sesungguhnya akan ditentukan: bukan oleh kefasihan percakapan, melainkan oleh keandalan hasil, kejelasan proses, dan kepercayaan yang tetap terjaga.