Daftar Isi
Meskipun teknologi kecerdasan buatan atau artificial intelligence (AI) berkembang pesat, penerapan agen AI secara penuh di industri perjalanan masih menghadapi tantangan besar. Berdasarkan data Skift Research, sebanyak 33 persen operator perjalanan sedang bereksperimen dengan agen AI, namun baru 2 persen yang benar-benar berhasil menerapkannya dalam skala produksi penuh.
Dari Prototip Menuju Penerapan Langsung
Uji coba awal atau demo umumnya dirancang untuk memperlihatkan kemampuan agen AI di lingkungan yang terkontrol dengan data buatan. Namun, kondisi berubah ketika teknologi tersebut dihubungkan ke sistem langsung dan dihadapkan pada jutaan interaksi pelanggan riil setiap tahunnya.
Lead Industri Perjalanan di platform AI Sierra, Erik Zahnlecker, menjelaskan bahwa tahap uji coba hanya memperlihatkan potensi dasar tanpa beban sistem yang memengaruhi kecepatan respons. “Demo dirancang untuk menunjukkan apa yang bisa dilakukan agen,” kata Erik Zahnlecker kepada Skift. Menurutnya, pengujian sesungguhnya baru terjadi saat agen AI dilepaskan ke lalu lintas produksi nyata dan berhadapan dengan lingkungan dunia nyata.
Proses transisi ini menuntut kesiapan infrastruktur teknis yang luas. Agen AI tingkat perusahaan harus terhubung dengan sistem yang ada, merespons cukup cepat demi menjaga kelancaran percakapan, menyerap lonjakan permintaan mendadak, serta mematuhi aturan identitas merek secara konsisten.
Anatomi Infrastruktur Agen AI
Sierra menggambarkan kerumitan sistem ini melalui konsep “gunung es agen AI”. Bagian yang terlihat di atas permukaan laut hanyalah model bahasa besar (LLM), retrieval-augmented generation (RAG) untuk mengambil informasi eksternal, dan alat interaksi dasar.
Sebagian besar kerumitan teknis justru berada di bawah permukaan. Hal itu mencakup integrasi dengan sistem inti, pengaturan perilaku agen, manajemen konteks, pengujian, hingga pencegahan kekeliruan informasi atau ilusi AI. Sistem juga harus menentukan kapan perlu menggunakan model yang cepat atau model yang mampu melakukan penalaran mendalam.
Kecepatan perubahan teknologi turut memperberat beban pengembang internal. Zahnlecker mengungkapkan bahwa Sierra merilis rata-rata 17 pembaruan platform mingguan. Dalam satu pekan tertentu, bahkan bisa hadir sekitar delapan model AI mendasar yang baru di pasaran.
Tantangan Khusus di Sektor Perjalanan
Industri perjalanan memiliki tiga karakteristik utama yang memberikan tekanan ekstra pada operasional layanan pelanggan sekaligus menjadi alasan kuat perlunya agen AI skala produksi.
Pertama, ketergantungan pada teknologi lama. Sejumlah sistem inti maskapai penerbangan masih mengandalkan infrastruktur komputer induk yang berusia puluhan tahun. Agen AI dituntut mampu menjadi lapisan percakapan modern yang terhubung ke sistem lama tersebut tanpa mengorbankan kecepatan respons.
Kedua, tingkat volatilitas yang tinggi. Gangguan cuaca buruk seperti badai dapat membatalkan ratusan penerbangan secara bersamaan dan memicu lonjakan panggilan pelanggan secara mendadak.
“Ketika 10.000 panggilan masuk pada saat bersamaan karena ratusan penerbangan dibatalkan di Northeast, tim penanganan tradisional dapat dengan cepat kewalahan. Agen AI dapat membantu menyerap lonjakan tersebut karena mereka dibangun untuk berskala besar,” kata Zahnlecker.
Ketiga, keberagaman bahasa. Maskapai penerbangan internasional sering kali harus melayani pelanggan dalam puluhan bahasa berbeda. Agen AI buatan Sierra yang digunakan oleh Philippine Airlines, misalnya, mampu berganti antara bahasa Tagalog, Taglish, dan Inggris dalam satu sesi percakapan yang sama.
Keterbatasan Talenta dan Strategi Kemitraan
Laporan State of Travel 2026 dari Skift Research mencatat bahwa industri perjalanan memiliki proporsi tenaga kerja terlatih AI terendah dibandingkan industri utama lainnya, yakni hanya 3 persen dari total tenaga kerja. Kondisi ini memicu perdebatan mengenai keputusan untuk membangun sistem sendiri atau bermitra dengan penyedia spesialis.
Zahnlecker menyarankan agar perusahaan perjalanan membagi fokus pengembangan teknologi mereka. “Sewa kecerdasannya, tetapi miliki hubungan dengan pelanggan Anda,” tutur Zahnlecker.
Ia menambahkan bahwa perusahaan sebaiknya tetap memegang kendali atas keunggulan kompetitif utama seperti data internal, operasional, merek, dan pengalaman pelanggan. Menurut pengalaman Sierra, perusahaan yang mencoba membangun seluruh infrastruktur secara mandiri sering kali menghabiskan waktu enam hingga 12 bulan sebelum akhirnya kembali mencari mitra penyedia teknologi di pasar.
Dalam memilih mitra teknologi, perusahaan disarankan memastikan bahwa platform yang dipilih telah teruji pada beban kerja nyata, dapat dioperasikan secara mandiri oleh tim internal, serta menerapkan model bisnis berbasis hasil kerja.
