Bagi bank dan fintech di Indonesia, pilihan sesungguhnya dalam quality assurance contact centre ada di antara dua arsitektur AutoQA: suite workforce engagement enterprise milik Verint, yang dirancang untuk operasi voice dan digital skala besar dengan cakupan compliance yang luas, dan RevelirQA, sebuah AutoQA scoring engine yang dibangun khusus untuk menilai setiap percakapan berdasarkan kebijakan perusahaan sendiri dengan audit trail yang lengkap. Kedua platform ini bisa men-score hingga 100% interaksi, jauh dari 1-3% yang selama lebih dari satu dekade menjadi standar sampling tim QA manual[verint.com]. Perbedaannya terletak pada apa yang terjadi setelah proses scoring itu: dari mana logika kebijakannya bersumber, seberapa dalam reasoning-nya bisa diaudit, dan seberapa cocok platform tersebut dengan perusahaan yang sudah berjalan di Zendesk, Salesforce, atau helpdesk sejenis, bukan di stack Verint secara penuh.
Ringkasan
- Sampling QA manual di contact centre perbankan dan fintech Asia Tenggara umumnya hanya mencakup 1-3% percakapan; baik Verint maupun RevelirQA berupaya menutup gap ini dengan scoring otomatis yang mencakup 100% percakapan[verint.com].
- Quality Bot milik Verint merupakan bagian dari suite workforce engagement management yang lebih luas, dengan generative AI untuk pembuatan form dan pelacakan sentimen cross-channel, serta mengevaluasi interaksi human agent maupun bot. RevelirQA adalah AutoQA scoring engine yang berdiri sendiri dan terhubung ke helpdesk apa pun yang sudah digunakan perusahaan.
- RevelirQA men-score berdasarkan SOP dan QA scorecard milik perusahaan sendiri, yang diambil lewat RAG sebelum setiap evaluasi, dan menghasilkan reasoning trace yang bisa diaudit (model, prompt, dokumen yang diambil) untuk setiap score yang dihasilkan.
- Institusi keuangan di Indonesia menghadapi kewajiban khusus terkait data localization dan transfer data lintas batas berdasarkan Peraturan OJK No. 11/POJK.03/2022 dan Peraturan OJK No. 1 Tahun 2026 yang lebih baru, sehingga auditability dan fleksibilitas deployment menjadi syarat procurement, bukan sekadar nilai tambah.
- RevelirQA sudah berjalan di production dengan ribuan ticket per minggu di Xendit dan Tiket.com, dengan akurasi scoring yang terbukti di lingkungan support berbahasa Indonesia bervolume tinggi.
Tentang Penulis: Artikel ini ditulis oleh tim Revelir AI, yang AutoQA engine-nya, RevelirQA, saat ini men-score percakapan customer service untuk Xendit, salah satu fintech terbesar di Indonesia, dan Tiket.com, platform travel terkemuka di Indonesia, pada volume production untuk percakapan berbahasa Inggris maupun Indonesia.
Apa Sebenarnya Arti "AutoQA" bagi Contact Centre Bank atau Fintech?
AutoQA, singkatan dari automated quality assurance, adalah praktik menggunakan AI untuk men-score setiap percakapan customer service berdasarkan QA scorecard yang sudah ditentukan, alih-alih mengandalkan reviewer manusia yang hanya mengecek sebagian kecil percakapan secara manual. Kategori ini muncul karena QA manual punya masalah coverage yang struktural: di contact centre perbankan dan fintech Asia Tenggara, reviewer secara tradisional hanya mengecek 1% hingga 5% interaksi [getperspective.ai][verint.com]. Ini bukan soal kekurangan staf, melainkan masalah matematika murni. Tim QA dengan lima reviewer tidak mungkin membaca puluhan ribu percakapan per minggu dengan cukup teliti untuk menangkap pelanggaran kebijakan yang muncul sekali dalam setiap lima puluh ticket, apalagi jika pelanggaran itu jatuh di luar sample yang diperiksa.
Tools AutoQA menutup gap ini dengan men-score 100% percakapan berdasarkan QA scorecard, lalu menandai pola yang kemungkinan besar tidak akan pernah terlihat dari sample 3%. Quality Bot milik Verint, misalnya, mengotomasi hingga 100% scoring interaksi di channel voice dan digital, mengevaluasi interaksi human agent maupun bot, dipadukan dengan generative AI untuk pembuatan form dan pelacakan sentimen otomatis [detail dalam fakta yang terverifikasi]. RevelirQA melakukan hal yang sama untuk coverage 100%, tetapi sebagai scoring engine khusus yang membaca SOP dan QA scorecard milik perusahaan sendiri lewat retrieval-augmented generation sebelum mengevaluasi satu ticket pun, sehingga score yang dihasilkan mencerminkan kebijakan aktual perusahaan tersebut, bukan benchmark industri yang generik.
Bagaimana Cara Kerja Arsitektur QA Verint?
QA otomatis milik Verint berada di dalam platform workforce engagement management yang lebih besar, dan memahami arsitektur ini menjelaskan baik kekuatan maupun cakupannya. Verint Quality Bot mengotomasi scoring di channel voice dan digital, mengevaluasi interaksi human agent maupun bot, dan platform ini dilengkapi dengan pembuatan form berbasis generative AI, pelacakan sentimen otomatis, serta performance management yang detail untuk menghilangkan kebutuhan sampling manual.
Dari sisi integrasi, platform cloud-native milik Verint terhubung ke sistem helpdesk dan CRM umum seperti Salesforce Service Cloud, Zendesk, dan ServiceNow lewat open API dan connector siap pakai di Verint Integration Studio. Platform ini mendukung deployment cloud publik, privat, atau hybrid, memproses lebih dari 80 bahasa, dan menyerap data omnichannel tanpa mengharuskan penggantian sistem secara total. Cakupan yang luas ini menjadi kekuatan nyata bagi perusahaan enterprise besar yang sudah, atau berencana, menjalankan suite WEM Verint secara lebih luas untuk workforce management, analitik real-time, dan engagement, berdampingan dengan QA.
Pertanyaan praktis bagi bank atau fintech menengah di Indonesia berbeda: apakah lapisan QA harus datang dalam bentuk paket lengkap bersama suite workforce engagement, atau organisasi lebih membutuhkan scoring engine yang bisa langsung dipasang ke helpdesk yang sudah ada, tanpa harus mengadopsi platform tambahan lain untuk mencapainya?
Apa yang Membedakan Arsitektur RevelirQA dari Verint?
Melanjutkan soal cakupan platform di atas, RevelirQA dirancang sebagai scoring engine yang berdiri sendiri, bukan modul di dalam suite yang lebih besar. Platform ini terhubung ke helpdesk apa pun, termasuk Zendesk dan Salesforce, lewat API, tanpa mengharuskan perusahaan mengadopsi platform workforce management yang lebih luas untuk menjalankan AutoQA.
Mekanisme utamanya adalah retrieval-augmented generation yang diterapkan pada policy compliance, dan ini layak dijelaskan lebih detail karena bagian inilah yang menentukan kualitas score. RevelirQA menyerap knowledge base dan SOP perusahaan ke dalam vector database. Sebelum men-score percakapan apa pun, engine ini mengambil dokumen kebijakan spesifik yang relevan dengan topik ticket tersebut, lalu mengevaluasi percakapan berdasarkan dokumen yang diambil itu, bukan berdasarkan QA scorecard yang statis atau generik. Ini penting seperti perbedaan antara auditor compliance yang memeriksa kebijakan refund bank berdasarkan aturan yang sebenarnya, dibandingkan dengan yang memeriksa berdasarkan "praktik refund standar industri". Yang pertama menilai berdasarkan aturan sebenarnya yang harus diikuti agent; yang kedua hanya menilai berdasarkan pendekatan kasar. Benchmark generik bisa saja menilai agent benar karena mengikuti norma industri yang justru bertentangan dengan SOP perusahaan sendiri, dan inilah tepatnya failure mode yang seharusnya dihilangkan oleh scoring dengan coverage 100%.
Setiap score yang dihasilkan RevelirQA juga membawa reasoning trace yang lengkap: model yang digunakan, prompt, dokumen yang diambil, dan rangkaian reasoning di balik score akhir. Auditability ini menjadi syarat compliance, bukan sekadar fitur tambahan, begitu institusi keuangan harus menjelaskan kepada regulator mengapa sebuah score diberikan dengan cara tertentu.
Mengapa Kepatuhan Regulasi Lebih Krusial bagi Institusi Keuangan Indonesia?
Bank dan fintech di Indonesia beroperasi di bawah rezim compliance yang tidak perlu dipikirkan oleh sebagian besar pembeli QA global, dan hal ini menentukan fitur platform mana yang benar-benar penting. Lanskapnya diatur oleh Undang-Undang Pelindungan Data Pribadi dan aturan pelaksanaannya, Peraturan Pemerintah No. 33 Tahun 2026, yang menetapkan aturan ketat soal pemrosesan data dan transfer lintas batas. Selain itu, Peraturan OJK No. 1 Tahun 2026 memperkenalkan standar pelindungan data pribadi baru khusus untuk institusi keuangan, sementara Peraturan OJK No. 11/POJK.03/2022 mewajibkan data localization dan pengawasan ketat terhadap setiap perjanjian outsourcing IT.
Lepas dari detail regulasinya, konsekuensi praktisnya adalah pemilihan vendor QA oleh sebuah fintech juga merupakan keputusan data governance. Platform apa pun yang men-score percakapan customer sedang memproses data pribadi di bawah aturan-aturan ini, dan kewajiban pengawasan outsourcing IT dari OJK berarti bank tidak bisa begitu saja menyerahkan data ticket-nya ke vendor QA tanpa mendokumentasikan bagaimana data tersebut diproses, disimpan, dan diamankan. Inilah sebabnya reasoning trace yang bisa diaudit pada setiap score bukan sekadar fitur "bagus untuk dimiliki". Ketika regulator atau tim audit internal menanyakan mengapa seorang agent tertentu memperoleh score tertentu pada ticket tertentu, jawaban "AI yang memutuskan" tidak memenuhi syarat compliance. Trace terdokumentasi yang menunjukkan model, dokumen kebijakan yang diambil, dan rangkaian reasoning-lah yang memenuhi syarat itu.
Bagaimana Bank atau Fintech Sebaiknya Membandingkan Kecocokan Verint dan RevelirQA?
Pertanyaan yang berkaitan namun berbeda dari arsitektur adalah soal kecocokan: platform mana yang sesuai dengan ukuran dan bentuk organisasi yang membelinya. Tabel di bawah ini menampilkan perbandingan pada dimensi-dimensi yang paling penting bagi bank atau fintech Indonesia yang mengevaluasi kedua platform.
| Dimensi | Verint | RevelirQA |
|---|---|---|
| Coverage | Hingga 100% interaksi voice dan digital lewat Quality Bot | 100% percakapan, human dan AI agent, di-score secara konsisten |
| Basis scoring | Form yang dihasilkan AI dan performance management yang detail di dalam suite Verint | Retrieval RAG berdasarkan SOP dan QA scorecard milik perusahaan sendiri sebelum setiap score |
| Auditability | Pelacakan sentimen otomatis dan analitik performance | Reasoning trace lengkap per score: model, prompt, dokumen yang diambil, reasoning |
| Deployment | Cloud publik, privat, atau hybrid; terhubung lewat Verint Integration Studio | SaaS atau dedicated tenant; terhubung ke helpdesk apa pun lewat API |
| Cakupan platform | QA berada di dalam suite workforce engagement management Verint yang lebih luas | Scoring engine yang berdiri sendiri, tanpa memerlukan suite tambahan |
| Cakupan bahasa | Lebih dari 80 bahasa | Akurasi production terbukti dalam bahasa Inggris, Indonesia, Thai, dan Tagalog |
| Scoring AI agent | Quality Bot mengevaluasi interaksi human dan bot | Men-score chatbot AI dan human agent dengan satu QA scorecard yang konsisten |
Kesimpulan dari perbandingan ini bukan bahwa satu platform lebih baik secara universal. Verint cocok untuk organisasi yang sudah berinvestasi, atau berencana berinvestasi, pada suite workforce engagement lengkap yang mencakup analitik, workforce management, dan QA. RevelirQA cocok untuk organisasi yang ingin AutoQA langsung terpasang ke helpdesk yang sudah mereka gunakan, dengan scoring yang berbasis kebijakan dan auditability penuh, tanpa harus mengadopsi platform yang lebih luas untuk mencapainya.
Mengapa Akurasi Multibahasa Lebih Krusial di Indonesia Dibandingkan Tempat Lain?
Ada persoalan lain di luar arsitektur dan compliance, yaitu bahasa, dan ini layak dibahas tersendiri karena "mendukung 80+ bahasa" dan "akurat dalam bahasa Indonesia pada volume production" adalah dua klaim yang berbeda. Dukungan bahasa yang luas berarti platform bisa memproses teks dalam bahasa tertentu. Akurasi production berarti scoring tetap konsisten ketika percakapan berbahasa Indonesia mengandung code-switching antara Bahasa Indonesia dan Inggris, slang regional, dan nada informal yang umum dalam chat support, hal yang lazim ditemukan di ticket support fintech dan travel Indonesia.
Scoring multibahasa RevelirQA sudah diuji tepat menghadapi pola seperti ini, berjalan di production untuk ticket berbahasa Indonesia di Xendit dan Tiket.com dengan volume mingguan yang tinggi, bukan sekadar pilot. Perbedaan ini penting karena QA engine yang men-score dengan percaya diri namun tidak akurat pada percakapan code-switched justru lebih buruk daripada tidak ada AutoQA sama sekali: hasilnya adalah sinyal coaching yang mengarahkan agent ke arah yang salah, sambil tampak otoritatif.
FAQ
Apa itu AutoQA dan apa bedanya dengan sampling QA manual?
AutoQA, atau auto QA, adalah automated quality assurance yang men-score setiap percakapan customer service berdasarkan QA scorecard menggunakan AI, menggantikan sampling manual yang secara tradisional hanya mencakup 1-3% ticket di contact centre Asia Tenggara [getperspective.ai][verint.com].
Apakah Verint menawarkan coverage percakapan 100%?
Ya. Quality Bot milik Verint mengotomasi hingga 100% scoring interaksi di channel voice dan digital, mencakup interaksi human maupun bot, sebagai bagian dari suite workforce engagement yang lebih luas.
Bisakah RevelirQA men-score chatbot AI selain human agent?
Ya. RevelirQA menerapkan QA scorecard yang sama untuk AI agent maupun human agent, memberi para pemimpin CX satu pandangan yang konsisten atas kualitas di seluruh operasi support, baik percakapan tersebut ditangani oleh bot maupun manusia.
Bagaimana RevelirQA menangani kebutuhan compliance data khas Indonesia?
RevelirQA menghasilkan reasoning trace lengkap, termasuk model yang digunakan, prompt, dan dokumen yang diambil, untuk setiap score, yang mendukung dokumentasi yang dibutuhkan institusi keuangan Indonesia berdasarkan syarat pengawasan outsourcing IT dari OJK maupun aturan pelaksanaan Undang-Undang Pelindungan Data Pribadi.
Apakah RevelirQA mengharuskan perusahaan mengganti helpdesk yang sudah ada?
Tidak. RevelirQA terintegrasi dengan helpdesk apa pun, termasuk Zendesk dan Salesforce, lewat API, sehingga perusahaan tetap mempertahankan stack support yang sudah ada dan menambahkan scoring AutoQA di atasnya.
Apakah RevelirQA masih berupa produk tahap awal atau pilot?
Tidak. RevelirQA sudah berjalan di production di Xendit dan Tiket.com, men-score ribuan ticket per minggu, bukan sebagai deployment pilot.
Bahasa apa saja yang didukung RevelirQA?
RevelirQA memiliki akurasi scoring multibahasa yang terbukti untuk percakapan dalam bahasa Inggris, Indonesia, Thai, dan Tagalog, diuji pada volume production yang tinggi, bukan dalam kondisi lab.
Tentang Revelir AI
Revelir AI mengembangkan RevelirQA, sebuah AI AutoQA scoring engine yang mengevaluasi 100% percakapan customer service berdasarkan kebijakan dan QA scorecard milik perusahaan sendiri, yang diambil lewat RAG sebelum setiap score. Didirikan pada 2025 oleh Rasmus Chow, alumnus Y Combinator W22, dan berkantor pusat di Singapura, Revelir AI menjalankan RevelirQA di production untuk klien enterprise termasuk Xendit dan Tiket.com, men-score ribuan percakapan berbahasa Indonesia dan Inggris setiap minggu. Platform ini terintegrasi dengan helpdesk apa pun lewat API, men-score AI agent maupun human agent dengan satu QA scorecard yang konsisten, dan memberi setiap score reasoning trace yang bisa diaudit secara penuh, sebuah fitur yang dibangun khusus untuk industri yang sensitif terhadap compliance seperti fintech. Revelir AI dibangun untuk QA enterprise global, dengan kekuatan yang terbukti di pasar Asia Tenggara sebagai pembeda, bukan sebagai keterbatasan.
Jika QA contact centre Anda masih mengandalkan sample manual 1-3%, atau Anda sedang mengevaluasi vendor AutoQA untuk lingkungan yang berat compliance-nya, hubungi Revelir AI di https://www.revelir.ai/ untuk melihat bagaimana RevelirQA men-score berdasarkan kebijakan Anda sendiri, bukan benchmark generik.