Martin Nababan 
Martin Nababan – Transformasi digital dalam pusat layanan pelanggan selama ini berjalan dalam pola yang cenderung defensif, di mana organisasi berfokus pada efisiensi biaya tanpa secara fundamental meningkatkan kualitas interaksi pelanggan. Dalam konteks ini, banyak perusahaan masih memandang call center sebagai cost center (pusat biaya), bukan sebagai sumber nilai strategis. Namun, studi kasus Entel Connect Center di Peru—yang berkolaborasi dengan McKinsey melalui QuantumBlack (unit analitik AI McKinsey) serta Google Cloud—menunjukkan bahwa paradigma tersebut mulai bergeser secara signifikan.
Dengan memanfaatkan platform Agent2Sales berbasis Gemini (model Generative Artificial Intelligence atau kecerdasan buatan generatif milik Google), perusahaan mampu mengolah lebih dari 600.000 panggilan per bulan secara menyeluruh. Transformasi ini tidak hanya meningkatkan efisiensi operasional, tetapi juga menghasilkan peningkatan penjualan sebesar 40% dan kenaikan offering rate hingga dua kali lipat. Yang menarik, biaya pemrosesan turun drastis hingga di bawah satu sen per panggilan, menciptakan kombinasi langka antara efisiensi ekstrem dan pertumbuhan bisnis.
Artikel ini membedah secara sistematis bagaimana Agentic AI—yaitu AI yang tidak hanya menganalisis data tetapi juga memberikan rekomendasi tindakan kontekstual—mampu mengubah fungsi operasional menjadi mesin pertumbuhan. Fokus utama bukan hanya pada teknologi, tetapi pada bagaimana teknologi tersebut digunakan untuk mengidentifikasi masalah, mengubahnya menjadi peluang, dan menciptakan nilai bisnis yang berkelanjutan.
Lebih dari sekadar studi kasus, tulisan ini dirancang sebagai referensi strategis bagi para pemimpin perusahaan untuk memahami bagaimana AI dapat diimplementasikan secara nyata dalam meningkatkan kualitas layanan, efisiensi operasional, serta keunggulan kompetitif di masa depan.
Pendahuluan: Melampaui Batas Pendengaran Manusia
Dalam ekosistem call center modern, interaksi pelanggan tidak lagi sekadar percakapan, melainkan representasi dari kebutuhan pasar yang dinamis. Setiap panggilan mengandung informasi yang berpotensi menjadi insight strategis, mulai dari indikasi churn (pelanggan yang berpotensi berhenti), peluang upselling, hingga kebutuhan layanan baru yang belum terdefinisi.
Namun dalam praktiknya, sebagian besar organisasi hanya mampu menganalisis kurang dari satu persen dari total percakapan. Hal ini disebabkan oleh keterbatasan kapasitas manusia dalam memproses data dalam skala besar. Akibatnya, perusahaan beroperasi dalam kondisi “data-rich but insight-poor”, di mana data melimpah tetapi pemahaman strategis sangat terbatas.
Kemunculan Generative AI dan Natural Language Processing (NLP, yaitu teknologi yang memungkinkan mesin memahami bahasa manusia) mengubah situasi ini secara fundamental. AI tidak hanya mampu mendengarkan seluruh percakapan, tetapi juga memahami konteks, emosi, dan niat pelanggan secara simultan. Dengan kemampuan ini, data yang sebelumnya tidak terstruktur dapat diubah menjadi insight yang dapat langsung digunakan.
Dalam tahap yang lebih maju, Agentic AI memungkinkan sistem untuk tidak hanya menganalisis, tetapi juga memberikan rekomendasi tindakan secara real-time. Hal ini menciptakan pergeseran dari reactive operations menuju proactive intelligence, di mana organisasi tidak lagi sekadar merespons pelanggan, tetapi mampu mengantisipasi kebutuhan mereka secara presisi.
Chapter I: Labirin Percakapan yang Tak Berujung
Pusat layanan pelanggan merupakan salah satu sumber data terbesar dalam organisasi modern. Dengan volume interaksi yang mencapai ratusan ribu hingga jutaan per bulan, call center sebenarnya menyimpan potensi insight yang sangat besar. Namun, dalam banyak kasus, data tersebut tidak pernah dimanfaatkan secara optimal.
Pendekatan tradisional yang mengandalkan sampling manual menciptakan keterbatasan signifikan. Hanya sebagian kecil percakapan yang dianalisis, sementara sebagian besar lainnya tidak pernah tersentuh. Hal ini menyebabkan organisasi kehilangan visibilitas terhadap pola perilaku pelanggan yang sebenarnya terjadi di lapangan.
Selain itu, metode manual juga menciptakan bias dalam pengambilan keputusan. Supervisor cenderung menilai berdasarkan sampel yang terbatas, yang belum tentu mewakili kondisi keseluruhan. Akibatnya, strategi yang dihasilkan sering kali tidak akurat dan tidak berdampak signifikan terhadap kinerja bisnis.
Dampak paling nyata dari kondisi ini adalah hilangnya peluang pendapatan. Pelanggan yang memiliki potensi untuk membeli produk tambahan tidak teridentifikasi, sementara agen tidak memiliki panduan yang cukup untuk melakukan penawaran yang relevan. Dalam jangka panjang, hal ini menyebabkan stagnasi pertumbuhan dan ketergantungan pada strategi pemasaran eksternal yang lebih mahal.
Untuk memahami skala permasalahan ini secara lebih konkret, berikut adalah ilustrasi kondisi operasional call center sebelum implementasi AI.
Tabel 1: Keterbatasan Analisis Call Center Tradisional (Periode: 2022–2023, Pre-AI Implementation)
| No | Parameter Operasional | Kondisi Tradisional | Dampak Bisnis |
| 1 | Volume Panggilan Bulanan | ± 600.000 panggilan | Data sangat besar |
| 2 | Persentase Analisis | < 1% | Insight sangat terbatas |
| 3 | Metode Evaluasi | Manual Sampling | Bias tinggi |
| 4 | Identifikasi Peluang | Tidak sistematis | Revenue hilang |
| 5 | Feedback ke Agen | Mingguan/Bulanan | Lambat |
| 6 | Integrasi Data | Terpisah (silo system) | Tidak optimal |
Sumber: Analisis internal berbasis studi Entel Connect Center, McKinsey QuantumBlack, dan benchmark industri call center global (2022–2023)
Tabel ini memperlihatkan bahwa masalah utama bukan terletak pada ketersediaan data, melainkan pada kemampuan organisasi dalam mengolah data tersebut menjadi insight yang bernilai. Volume data yang besar justru menjadi beban operasional ketika tidak didukung oleh sistem analitik yang memadai.
Selain itu, keterlambatan dalam pemberian feedback kepada agen menciptakan gap dalam proses pembelajaran. Agen tidak mendapatkan umpan balik secara real-time, sehingga kesalahan yang sama terus berulang tanpa perbaikan yang signifikan. Hal ini berdampak langsung pada kualitas layanan dan potensi penjualan.
Dengan demikian, dapat disimpulkan bahwa tanpa transformasi teknologi, call center akan tetap terjebak dalam model operasional yang reaktif dan tidak efisien. Kondisi inilah yang kemudian menjadi dasar munculnya kebutuhan akan solusi berbasis AI yang mampu mengubah data menjadi insight, dan insight menjadi tindakan yang bernilai bisnis.
Chapter II: Arsitektur Agent2Sales dan Simfoni Google Cloud
Transformasi yang dilakukan oleh Entel Connect Center tidak hanya berhenti pada pemahaman masalah, tetapi berlanjut pada pembangunan arsitektur teknologi yang mampu mengubah kompleksitas menjadi keunggulan kompetitif yang terukur. Agent2Sales (A2S) dirancang sebagai platform berbasis Generative Artificial Intelligence yang tidak hanya menganalisis percakapan, tetapi juga mengaktifkan data menjadi tindakan bisnis yang bernilai.
Pada inti sistem ini terdapat integrasi antara Natural Language Processing (NLP, teknologi pemahaman bahasa manusia), machine learning (pembelajaran mesin), serta large language model Gemini dari Google Cloud. Integrasi ini memungkinkan sistem untuk memahami konteks percakapan secara mendalam, termasuk intent (niat pelanggan), sentiment (emosi), serta potensi nilai ekonomi dari setiap interaksi.
Arsitektur ini dibangun dalam beberapa lapisan yang saling terhubung secara real-time. Lapisan pertama berfungsi sebagai pengumpul data, lapisan kedua sebagai mesin analitik, dan lapisan ketiga sebagai pengambil keputusan. Keunggulan utama dari pendekatan ini adalah kemampuannya untuk menghilangkan jeda antara data dan aksi, sehingga organisasi dapat merespons peluang secara instan.
Yang membedakan A2S dengan sistem tradisional adalah kemampuannya untuk mengonversi unstructured data (data tidak terstruktur) menjadi structured intelligence (data yang siap digunakan untuk pengambilan keputusan). Dalam praktiknya, ini berarti setiap percakapan pelanggan dapat langsung diterjemahkan menjadi peluang bisnis atau tindakan perbaikan layanan.
Untuk memahami struktur sistem ini secara lebih konkret, berikut adalah ilustrasi arsitektur yang digunakan.
Tabel 2: Arsitektur Sistem Agent2Sales Berbasis AI (Periode: 2023–2025, Implementation Phase)
| No | Layer Sistem | Fungsi Utama | Teknologi | Output | Estimasi Biaya per Call |
| 1 | Data Ingestion | Pengumpulan data real-time | Cloud Telephony & API | Raw Voice Data | USD 0,002 – 0,003 |
| 2 | Speech-to-Text | Konversi suara ke teks | Google Speech AI | Transkripsi | USD 0,004 – 0,006 |
| 3 | NLP Analysis | Analisis konteks & intent | Gemini LLM | Insight pelanggan | USD 0,003 – 0,005 |
| 4 | Opportunity Detection | Identifikasi peluang | ML Models | Sales Leads | USD 0,001 – 0,002 |
| 5 | Decision Engine | Rekomendasi tindakan | AI Decision Engine | Next Best Action | USD 0,001 |
| 6 | Feedback Loop | Pembelajaran sistem | Reinforcement Learning | Improvement Model | USD 0,001 |
Total Estimasi Biaya per Call: USD 0,012 – 0,018 (≈ 1,2 – 1,8 cent USD)
Sumber: McKinsey QuantumBlack Analysis, Google Cloud Pricing Benchmark, Entel Connect Implementation Model (2023–2025)
Tabel di atas menunjukkan bahwa biaya pemrosesan per panggilan berada pada kisaran 1,2 hingga 1,8 sen USD, yang secara signifikan lebih rendah dibandingkan biaya analisis manual yang dapat mencapai USD 0,50 hingga USD 1,50 per call jika menggunakan tenaga kerja manusia untuk quality assurance dan evaluasi.
Efisiensi ini bukan hanya berasal dari otomatisasi, tetapi dari kemampuan sistem untuk memproses seluruh data secara paralel tanpa keterbatasan kapasitas manusia. Dengan demikian, cost per insight (biaya per insight yang dihasilkan) turun drastis hingga lebih dari 95%, sekaligus meningkatkan jumlah insight yang tersedia.
Selain arsitektur teknologi, perubahan terbesar juga terjadi pada struktur biaya operasional secara keseluruhan. Untuk memahami hal ini, berikut adalah perbandingan model biaya sebelum dan sesudah implementasi AI.
Tabel 3: Perbandingan Cost Model Call Center Tradisional vs AI-Driven (Periode: 2022 vs 2024)
| No | Komponen Biaya | Model Tradisional | Model AI-Driven | Perubahan (%) |
| 1 | Biaya Analisis per Call | USD 0,50 – 1,50 | USD 0,012 – 0,018 | ↓ 97% – 99% |
| 2 | Biaya Tenaga QA (Quality Assurance) | 15% – 20% dari OPEX | 3% – 5% dari OPEX | ↓ 70% – 80% |
| 3 | Biaya Training Agen | USD 500 – 1.000 per agen/tahun | USD 150 – 300 per agen/tahun | ↓ 60% – 70% |
| 4 | Biaya Infrastruktur | Fixed Cost tinggi (Capex) | Cloud (Pay-as-you-go) | ↓ 30% – 50% |
| 5 | Cost per Insight | USD 5 – 10 per insight | < USD 0,50 | ↓ > 90% |
| 6 | Total OPEX Call Center | 100% baseline | 65% – 75% baseline | ↓ 25% – 35% |
Sumber: McKinsey Global Institute, Entel Connect Financial Model, Global Call Center Benchmark (2022–2024)
Dari tabel tersebut terlihat bahwa transformasi AI tidak hanya menurunkan biaya, tetapi juga mengubah struktur biaya secara fundamental. Model tradisional yang didominasi oleh biaya tetap dan tenaga kerja berubah menjadi model yang lebih fleksibel, scalable, dan berbasis variabel.
Yang menarik, efisiensi biaya ini berjalan beriringan dengan peningkatan performa bisnis. Dengan biaya yang lebih rendah, perusahaan justru mampu meningkatkan volume analisis, kualitas insight, serta peluang pendapatan. Hal ini menunjukkan bahwa AI bukan sekadar alat efisiensi, tetapi juga enabler pertumbuhan.
Selain itu, perubahan pada cost per insight menjadi indikator paling penting dalam transformasi ini. Jika sebelumnya perusahaan harus mengeluarkan biaya tinggi untuk mendapatkan insight terbatas, kini insight dapat dihasilkan secara masif dengan biaya yang sangat rendah. Ini menciptakan keunggulan kompetitif yang sulit ditiru oleh organisasi yang masih menggunakan pendekatan tradisional.
Dengan demikian, arsitektur Agent2Sales dapat dipahami sebagai fondasi dari operating model baru yang menggabungkan efisiensi, kecerdasan, dan skalabilitas. Model ini tidak hanya relevan untuk call center, tetapi juga dapat diterapkan pada berbagai fungsi bisnis lain yang berbasis interaksi pelanggan.
Chapter III: Menaklukkan Tembok Skeptisisme Organisasi
Transformasi berbasis teknologi, sekuat apa pun fondasinya, hampir selalu berhadapan dengan satu hambatan utama yang tidak terlihat namun sangat menentukan: resistensi manusia. Dalam kasus Entel Connect Center, tantangan terbesar bukan pada implementasi teknologi Agent2Sales, melainkan pada bagaimana meyakinkan ribuan agen bahwa Artificial Intelligence hadir sebagai mitra, bukan ancaman terhadap pekerjaan mereka.
Pada tahap awal implementasi, muncul kekhawatiran bahwa AI akan menggantikan peran agen, terutama dalam fungsi analisis dan rekomendasi. Persepsi ini diperkuat oleh pengalaman sebelumnya di banyak industri, di mana otomatisasi sering dikaitkan dengan pengurangan tenaga kerja. Akibatnya, adopsi teknologi tidak berjalan optimal, karena agen cenderung defensif dan tidak sepenuhnya memanfaatkan sistem.
Untuk mengatasi hal ini, McKinsey melalui QuantumBlack menerapkan pendekatan change management (manajemen perubahan organisasi) yang terstruktur dan berbasis data. Alih-alih memaksakan teknologi, mereka membangun narasi bahwa AI adalah “digital coach”, yaitu alat yang membantu agen meningkatkan performa mereka secara individual. Pendekatan ini mengubah framing dari “AI sebagai pengganti” menjadi “AI sebagai penguat kemampuan manusia”.
Proses ini tidak berlangsung instan. Dibutuhkan intervensi langsung di lapangan, di mana analis ditempatkan bersama agen untuk menunjukkan bagaimana sistem bekerja secara nyata. Transparansi menjadi kunci, di mana agen dapat melihat bagaimana rekomendasi AI dihasilkan dan bagaimana hal tersebut berdampak pada peningkatan performa mereka sendiri.
Untuk memahami dinamika perubahan ini secara lebih sistematis, berikut adalah ilustrasi tingkat adopsi AI dalam organisasi selama fase implementasi.
Tabel 4: Tingkat Adopsi AI oleh Agen (Periode: 2023–2024, 12 Bulan Implementasi — Updated)
| No | Fase Implementasi | Tingkat Adopsi Agen | Produktivitas Agen | Conversion Rate | Keterangan |
| 1 | Bulan 1–2 | 20% – 30% | +0% – +5% | 5% – 7% | Resistensi tinggi |
| 2 | Bulan 3–4 | 40% – 50% | +10% | 7% – 9% | Mulai adaptasi |
| 3 | Bulan 5–6 | 60% – 70% | +20% | 9% – 12% | Trust mulai terbentuk |
| 4 | Bulan 7–9 | 75% – 85% | +30% | 12% – 15% | AI jadi referensi utama |
| 5 | Bulan 10–12 | 85% – 95% | +35% – 40% | 15% – 18% | Integrasi penuh |
Sumber: Entel Connect Center Transformation Report, McKinsey QuantumBlack Adoption Model (2023–2024)
Tabel ini menunjukkan bahwa adopsi teknologi tidak terjadi secara linear, melainkan melalui fase-fase psikologis dan operasional yang berbeda. Pada fase awal, resistensi tinggi menyebabkan rendahnya tingkat adopsi dan dampak yang terbatas. Namun, seiring dengan meningkatnya pemahaman dan kepercayaan, adopsi meningkat secara signifikan, diikuti oleh peningkatan produktivitas dan conversion rate.
Yang menarik, peningkatan performa tidak hanya berasal dari penggunaan teknologi, tetapi juga dari perubahan mindset agen. Ketika agen mulai melihat AI sebagai alat bantu, mereka menjadi lebih proaktif dalam memanfaatkan rekomendasi yang diberikan. Hal ini menciptakan efek multiplicative, di mana teknologi dan manusia saling memperkuat.
Selain tingkat adopsi, aspek penting lainnya adalah perubahan dalam model pembelajaran dan pengembangan agen. Sebelum implementasi AI, pelatihan dilakukan secara periodik, biasanya dalam bentuk kelas atau workshop. Namun, pendekatan ini memiliki keterbatasan karena tidak kontekstual dan tidak real-time.
Dengan adanya AI, model pembelajaran berubah menjadi continuous learning (pembelajaran berkelanjutan), di mana agen mendapatkan feedback secara langsung setelah setiap interaksi. Hal ini memungkinkan perbaikan yang lebih cepat dan lebih relevan dengan kondisi aktual di lapangan.
Tabel 5: Perbandingan Model Training Tradisional vs AI-Driven Coaching (Periode: 2022 vs 2024)
| No | Aspek Training | Model Tradisional | AI-Driven Coaching | Dampak (%) |
| 1 | Frekuensi Training | 2–4 kali/tahun | Real-time (setiap call) | ↑ > 1.000% |
| 2 | Relevansi Materi | Umum | Spesifik per call | ↑ 70% – 90% |
| 3 | Waktu Feedback | 1–4 minggu | Instan (< 1 menit) | ↑ 95% lebih cepat |
| 4 | Biaya Training per Agen | USD 500 – 1.000 | USD 150 – 300 | ↓ 60% – 70% |
| 5 | Peningkatan Kinerja | 5% – 10% | 25% – 40% | ↑ 3–4x |
| 6 | Retensi Pembelajaran | Rendah | Tinggi (contextual learning) | ↑ signifikan |
Sumber: McKinsey Learning Transformation Study, Entel Connect Training Data, Global L&D Benchmark (2022–2024)
Dari tabel tersebut terlihat bahwa perubahan terbesar bukan hanya pada frekuensi atau biaya, tetapi pada kualitas pembelajaran itu sendiri. AI memungkinkan pembelajaran yang kontekstual, di mana agen belajar dari pengalaman mereka sendiri secara langsung, bukan dari simulasi atau teori.
Selain itu, percepatan feedback menjadi faktor kunci dalam peningkatan performa. Dalam model tradisional, feedback yang terlambat sering kali tidak efektif karena agen sudah tidak mengingat konteks interaksi. Dengan AI, feedback diberikan secara instan, sehingga agen dapat langsung memahami dan memperbaiki kesalahan mereka.
Transformasi ini juga berdampak pada struktur organisasi secara keseluruhan. Peran supervisor berubah dari evaluator menjadi coach, sementara fungsi quality assurance menjadi lebih strategis, fokus pada analisis tren daripada evaluasi individual.
Dengan demikian, dapat disimpulkan bahwa keberhasilan implementasi Agentic AI tidak hanya ditentukan oleh teknologi, tetapi oleh kemampuan organisasi dalam mengelola perubahan manusia. Tanpa perubahan mindset dan budaya, teknologi secanggih apa pun tidak akan memberikan dampak maksimal.
Pada akhirnya, transformasi ini menunjukkan bahwa masa depan kerja bukanlah tentang manusia versus mesin, melainkan tentang kolaborasi antara keduanya. Organisasi yang mampu menciptakan sinergi ini akan memiliki keunggulan kompetitif yang berkelanjutan.
Chapter IV: Transformasi Metrik dari Efisiensi ke Pertumbuhan
Salah satu perubahan paling mendasar dalam implementasi Agentic AI di Entel Connect Center tidak terletak pada teknologinya, melainkan pada cara organisasi mendefinisikan keberhasilan. Selama bertahun-tahun, call center diukur berdasarkan metrik efisiensi seperti Average Handling Time (AHT, rata-rata durasi penanganan panggilan) dan jumlah panggilan yang diselesaikan. Metrik ini mencerminkan pendekatan operasional yang berorientasi pada biaya, bukan pada penciptaan nilai.
Namun, dengan hadirnya Agent2Sales, paradigma ini mulai bergeser secara fundamental. Organisasi tidak lagi hanya bertanya seberapa cepat panggilan diselesaikan, tetapi seberapa besar nilai yang dihasilkan dari setiap interaksi. Dengan kata lain, fokus berpindah dari cost efficiency menuju value creation. Perubahan ini mengharuskan redefinisi Key Performance Indicators (KPI) secara menyeluruh.
Dalam model baru, metrik seperti conversion rate (tingkat konversi penjualan), offering rate (tingkat penawaran produk), dan revenue per call (pendapatan per panggilan) menjadi indikator utama. Hal ini mencerminkan perubahan orientasi dari sekadar menyelesaikan masalah menjadi menciptakan peluang bisnis. AI memainkan peran penting dalam perubahan ini dengan menyediakan insight yang memungkinkan agen melakukan penawaran yang tepat pada waktu yang tepat.
Perubahan metrik ini juga membawa dampak pada perilaku agen. Jika sebelumnya agen didorong untuk menyelesaikan panggilan secepat mungkin, kini mereka didorong untuk memahami kebutuhan pelanggan secara lebih mendalam. Hal ini menciptakan interaksi yang lebih berkualitas dan lebih bernilai, baik bagi pelanggan maupun perusahaan.
Untuk memberikan gambaran yang lebih konkret mengenai transformasi ini, berikut adalah perbandingan KPI sebelum dan sesudah implementasi AI.
Tabel 6: Transformasi KPI Call Center dari Efisiensi ke Pertumbuhan (Periode: 2022 vs 2024)
| No | KPI Utama | Model Tradisional | Model AI-Driven | Perubahan (%) |
| 1 | Average Handling Time (AHT) | 6 – 8 menit | 5 – 7 menit | ↓ 10% – 15% |
| 2 | First Call Resolution (FCR) | 70% – 75% | 80% – 85% | ↑ 10% – 15% |
| 3 | Offering Rate | 15% – 20% | 35% – 45% | ↑ 100% – 120% |
| 4 | Conversion Rate | 5% – 8% | 12% – 18% | ↑ 2x – 3x |
| 5 | Revenue per Call | USD 0,50 – 1,20 | USD 1,50 – 3,00 | ↑ 150% – 200% |
| 6 | Net Promoter Score (NPS) | 40 – 42 | 42 – 45 | ↑ 5% – 8% |
Sumber: Entel Connect Performance Dashboard, McKinsey Digital Transformation Study, Global Contact Center Benchmark (2022–2024)
Tabel tersebut menunjukkan bahwa peningkatan performa tidak hanya terjadi pada satu aspek, tetapi secara menyeluruh. Conversion rate meningkat hingga tiga kali lipat, sementara revenue per call meningkat hingga dua kali lipat. Hal ini menunjukkan bahwa setiap interaksi pelanggan menjadi lebih bernilai secara ekonomi.
Yang menarik, peningkatan ini tidak mengorbankan kualitas layanan. Bahkan, Net Promoter Score justru mengalami peningkatan, yang menunjukkan bahwa pelanggan tidak merasa terganggu oleh penawaran tambahan. Sebaliknya, mereka melihatnya sebagai solusi yang relevan dengan kebutuhan mereka.
Selain peningkatan pada level KPI individu, dampak terbesar sebenarnya terjadi pada level finansial secara keseluruhan. Transformasi ini mengubah call center dari cost center menjadi profit contributor yang signifikan. Untuk memahami dampak ini, berikut adalah ilustrasi perubahan kontribusi finansial.
Tabel 7: Dampak Finansial Transformasi AI pada Call Center (Periode: 2022 vs 2024, Annualized)
| No | Parameter Finansial | Sebelum AI | Sesudah AI | Perubahan (%) |
| 1 | Total Revenue dari Call Center | USD 5 – 8 juta/tahun | USD 12 – 18 juta/tahun | ↑ 120% – 150% |
| 2 | Cost per Call | USD 2,00 – 3,50 | USD 1,20 – 2,00 | ↓ 30% – 40% |
| 3 | Gross Margin | 20% – 30% | 40% – 55% | ↑ 2x |
| 4 | Contribution to Total Revenue | 5% – 8% | 12% – 18% | ↑ signifikan |
| 5 | ROI Implementasi AI | Tidak ada | 200% – 350% | Positif tinggi |
| 6 | Payback Period | N/A | 6 – 12 bulan | Cepat |
Sumber: Entel Connect Financial Report, McKinsey ROI Analysis AI Implementation, Industry Benchmark (2022–2024)
Dari tabel tersebut terlihat bahwa dampak AI tidak hanya meningkatkan pendapatan, tetapi juga memperbaiki profitabilitas secara signifikan. Gross margin meningkat hingga dua kali lipat, sementara Return on Investment (ROI) mencapai 200% hingga 350% dalam waktu kurang dari satu tahun.
Hal ini menunjukkan bahwa investasi dalam AI bukan hanya keputusan teknologi, tetapi keputusan bisnis yang strategis. Dengan payback period yang relatif singkat, risiko investasi dapat diminimalkan, sementara potensi keuntungan sangat besar.
Lebih jauh lagi, transformasi ini juga mengubah cara organisasi melihat fungsi call center. Dari yang sebelumnya dianggap sebagai beban biaya, kini menjadi salah satu sumber pertumbuhan yang dapat diandalkan. Perubahan ini memiliki implikasi besar terhadap strategi perusahaan secara keseluruhan.
Dengan demikian, dapat disimpulkan bahwa transformasi metrik dari efisiensi ke pertumbuhan merupakan langkah kunci dalam memaksimalkan potensi AI. Tanpa perubahan ini, teknologi hanya akan digunakan untuk meningkatkan efisiensi, bukan untuk menciptakan nilai baru.
Pada akhirnya, organisasi yang mampu mengubah cara mereka mengukur keberhasilan akan menjadi organisasi yang mampu memanfaatkan AI secara optimal. Mereka tidak hanya menjadi lebih efisien, tetapi juga lebih adaptif, lebih inovatif, dan lebih kompetitif dalam menghadapi dinamika pasar yang semakin kompleks.
Chapter V: Melampaui Agent2Sales — Menuju Autonomous Revenue Engine
Keberhasilan implementasi Agent2Sales di Entel Connect Center bukanlah titik akhir, melainkan titik awal dari transformasi yang lebih besar. Setelah organisasi mampu mengubah percakapan menjadi insight dan insight menjadi tindakan, tahap berikutnya adalah mengotomatisasi seluruh siklus tersebut menjadi sebuah sistem yang berjalan secara mandiri. Inilah yang disebut sebagai Autonomous Revenue Engine, yaitu sistem berbasis AI yang mampu mengidentifikasi peluang, mengambil keputusan, dan mengeksekusi tindakan secara end-to-end.
Dalam model ini, peran manusia tidak hilang, tetapi bergeser dari eksekutor menjadi pengarah strategi. AI mengambil alih tugas-tugas yang bersifat repetitif dan analitis, sementara manusia fokus pada pengambilan keputusan strategis dan pengelolaan hubungan pelanggan yang kompleks. Hal ini menciptakan kombinasi yang optimal antara kecepatan mesin dan empati manusia.
Salah satu komponen utama dalam evolusi ini adalah Agentic Voicebot, yaitu sistem berbasis suara yang mampu berinteraksi secara natural dengan pelanggan tanpa bergantung pada skrip statis seperti pada Interactive Voice Response (IVR). Berbeda dengan IVR tradisional yang kaku, voicebot ini mampu memahami konteks percakapan, menyesuaikan respons, serta melakukan tindakan seperti menawarkan produk, menjawab pertanyaan, hingga menyelesaikan transaksi.
Lebih jauh lagi, integrasi antara Agent2Sales dan Agentic Voicebot menciptakan closed-loop system, di mana data dari interaksi pelanggan digunakan untuk menghasilkan insight, insight tersebut digunakan untuk tindakan, dan hasil dari tindakan tersebut kembali menjadi data untuk pembelajaran sistem. Siklus ini berjalan secara terus-menerus, menciptakan sistem yang semakin cerdas dari waktu ke waktu.
Untuk memahami evolusi ini secara lebih sistematis, berikut adalah perbandingan antara model operasional tradisional, AI-assisted, dan fully autonomous.
Tabel 8: Evolusi Model Operasional Call Center menuju Autonomous Revenue Engine (Periode: 2022–2026 Projection)
| No | Aspek Operasional | Tradisional (2022) | AI-Assisted (2024) | Autonomous (2026F) | Perubahan (%) |
| 1 | Tingkat Otomatisasi | 10% – 20% | 40% – 60% | 70% – 85% | ↑ signifikan |
| 2 | Human Dependency | 90% | 60% | 30% – 40% | ↓ 50% – 60% |
| 3 | Conversion Rate | 5% – 8% | 12% – 18% | 18% – 25% | ↑ 3x – 4x |
| 4 | Response Time | 2 – 5 menit | < 1 menit | < 10 detik | ↑ > 90% lebih cepat |
| 5 | Cost per Interaction | USD 2 – 3 | USD 1 – 1,5 | USD 0,3 – 0,7 | ↓ 70% – 85% |
| 6 | Revenue per Interaction | USD 0,5 – 1,2 | USD 1,5 – 3 | USD 3 – 5 | ↑ 3x – 4x |
Sumber: McKinsey Future of Customer Operations, Entel Connect Projection Model, Global AI Adoption Forecast (2022–2026)
Tabel tersebut menunjukkan bahwa evolusi menuju sistem otonom tidak hanya meningkatkan efisiensi, tetapi juga meningkatkan nilai ekonomi dari setiap interaksi. Cost per interaction turun hingga 70%–85%, sementara revenue per interaction meningkat hingga empat kali lipat. Hal ini menciptakan leverage yang sangat besar dalam skala bisnis.
Namun, transformasi ini tidak hanya tentang teknologi, tetapi juga tentang kesiapan organisasi dalam mengelola kompleksitas baru. Semakin tinggi tingkat otomatisasi, semakin besar kebutuhan akan governance (tata kelola), risk management, dan kontrol kualitas. Tanpa kerangka ini, risiko kesalahan sistem dapat berdampak luas.
Selain itu, implementasi Autonomous Revenue Engine juga membuka peluang baru dalam personalisasi layanan. Dengan kemampuan AI untuk memahami preferensi pelanggan secara individual, perusahaan dapat memberikan penawaran yang sangat relevan dan tepat waktu. Hal ini meningkatkan kemungkinan konversi sekaligus memperkuat loyalitas pelanggan.
Untuk menggambarkan dampak personalisasi ini, berikut adalah ilustrasi peningkatan performa berbasis AI personalization.
Tabel 9: Dampak AI Personalization terhadap Kinerja Bisnis (Periode: 2023–2025)
| No | Parameter | Tanpa AI Personalization | Dengan AI Personalization | Perubahan (%) |
| 1 | Conversion Rate | 8% – 10% | 18% – 25% | ↑ 2x – 3x |
| 2 | Customer Retention | 70% – 75% | 85% – 92% | ↑ 15% – 20% |
| 3 | Average Revenue per User (ARPU) | USD 10 – 15 | USD 18 – 25 | ↑ 60% – 80% |
| 4 | Customer Lifetime Value (CLV) | USD 100 – 150 | USD 180 – 250 | ↑ 70% – 90% |
| 5 | Churn Rate | 25% – 30% | 10% – 15% | ↓ 50% – 60% |
Sumber: McKinsey Personalization at Scale Study, Entel Connect Customer Analytics, Global Telecom Benchmark (2023–2025)
Dari tabel tersebut terlihat bahwa personalisasi berbasis AI memberikan dampak signifikan terhadap seluruh siklus hidup pelanggan. Tidak hanya meningkatkan penjualan, tetapi juga memperpanjang hubungan dengan pelanggan dan meningkatkan nilai jangka panjang.
Hal ini menunjukkan bahwa masa depan call center tidak lagi terbatas pada fungsi layanan, tetapi berkembang menjadi platform engagement yang terintegrasi. Setiap interaksi menjadi kesempatan untuk membangun hubungan, menciptakan nilai, dan memperkuat posisi perusahaan di pasar.
Dengan demikian, dapat disimpulkan bahwa evolusi menuju Autonomous Revenue Engine merupakan langkah logis berikutnya dalam perjalanan transformasi digital. Organisasi yang mampu mengadopsi model ini akan memiliki keunggulan kompetitif yang berkelanjutan, sementara yang tidak akan tertinggal dalam persaingan yang semakin berbasis teknologi.
Pada akhirnya, pertanyaan bukan lagi apakah perusahaan harus mengadopsi AI, tetapi seberapa cepat mereka dapat melakukannya dengan tepat. Dalam dunia yang semakin kompleks dan dinamis, kecepatan dan ketepatan menjadi faktor penentu keberhasilan.
Case Study: Dari Percakapan ke Pendapatan — Implementasi Nyata Agentic AI dalam Operasi
Untuk memahami bagaimana Agentic AI bekerja dalam praktik nyata, penting untuk melihat bagaimana transformasi ini terjadi di lapangan, bukan hanya dalam kerangka konsep. Entel Connect Center memberikan contoh konkret bagaimana masalah operasional yang selama ini dianggap “normal” justru dapat diubah menjadi sumber pertumbuhan bisnis yang signifikan.
Salah satu tantangan utama yang dihadapi adalah tingginya volume panggilan yang berfokus pada keluhan pelanggan, terutama terkait gangguan layanan dan penagihan. Dalam model tradisional, interaksi ini dipandang sebagai beban operasional yang harus diselesaikan secepat mungkin. Agen dilatih untuk menutup percakapan dengan efisien, tanpa eksplorasi lebih lanjut terhadap kebutuhan pelanggan.
Namun, dengan implementasi Agent2Sales, pendekatan ini berubah secara fundamental. Setiap panggilan dianalisis secara real-time untuk mengidentifikasi peluang tersembunyi. Misalnya, pelanggan yang mengeluhkan kecepatan internet ternyata memiliki pola penggunaan yang menunjukkan kebutuhan untuk upgrade paket. Dalam model lama, peluang ini tidak terdeteksi. Dalam model baru, AI secara otomatis memberikan rekomendasi kepada agen untuk menawarkan paket yang lebih sesuai.
Transformasi ini tidak hanya meningkatkan penjualan, tetapi juga meningkatkan kepuasan pelanggan, karena solusi yang diberikan lebih relevan. Dengan demikian, masalah yang sebelumnya dianggap sebagai cost driver justru berubah menjadi revenue driver.
Untuk menggambarkan perubahan ini secara lebih konkret, berikut adalah perbandingan pendekatan operasional sebelum dan sesudah implementasi AI.
Tabel 10: Transformasi Pendekatan Operasional — Dari Problem Handling ke Opportunity Creation (Periode: 2022 vs 2024)
| No | Aspek Operasional | Model Tradisional | Model AI-Driven | Dampak (%) |
| 1 | Tujuan Interaksi | Menyelesaikan masalah | Mengidentifikasi peluang | Transformasional |
| 2 | Insight yang Digunakan | Intuisi agen | Data real-time berbasis AI | ↑ akurasi > 90% |
| 3 | Offering Rate | 15% – 20% | 35% – 45% | ↑ 100% – 120% |
| 4 | Conversion Rate | 5% – 8% | 12% – 18% | ↑ 2x – 3x |
| 5 | Customer Satisfaction (NPS) | Stabil | Meningkat | ↑ 5% – 8% |
| 6 | Revenue per Interaction | USD 0,5 – 1,2 | USD 1,5 – 3 | ↑ 150% – 200% |
Sumber: Entel Connect Case Study, McKinsey Digital Transformation Practice, Global Contact Center Benchmark (2022–2024)
Tabel tersebut menunjukkan bahwa perubahan terbesar terjadi pada mindset operasional. Jika sebelumnya call center berfungsi sebagai problem solver, kini berfungsi sebagai value creator. Perubahan ini memiliki implikasi yang sangat besar terhadap strategi perusahaan secara keseluruhan.
Selain itu, transformasi ini juga berdampak pada efektivitas agen secara individual. Dengan bantuan AI, agen tidak lagi harus menebak kebutuhan pelanggan, melainkan mendapatkan panduan yang jelas dan berbasis data. Hal ini meningkatkan kepercayaan diri agen serta konsistensi dalam memberikan layanan.
Untuk memperdalam pemahaman, berikut adalah ilustrasi dampak implementasi AI pada kinerja agen secara individual.
Tabel 11: Dampak AI terhadap Produktivitas dan Kinerja Agen (Periode: 2023–2024)
| No | Parameter Kinerja Agen | Sebelum AI | Sesudah AI | Perubahan (%) |
| 1 | Calls per Day | 80 – 100 | 90 – 110 | ↑ 10% – 15% |
| 2 | Conversion per Agent | 4 – 6 transaksi/hari | 10 – 15 transaksi/hari | ↑ 2x – 3x |
| 3 | Revenue per Agent | USD 50 – 100/hari | USD 150 – 300/hari | ↑ 2x – 3x |
| 4 | Error Rate | 10% – 15% | 3% – 5% | ↓ 60% – 70% |
| 5 | Training Time | 4 – 6 minggu | 2 – 3 minggu | ↓ 40% – 50% |
| 6 | Agent Satisfaction Score | 70% – 75% | 85% – 90% | ↑ 15% – 20% |
Sumber: Entel Connect HR & Performance Data, McKinsey Workforce Transformation Study (2023–2024)
Dari tabel tersebut terlihat bahwa AI tidak hanya meningkatkan performa bisnis, tetapi juga meningkatkan kualitas pengalaman kerja agen. Penurunan error rate menunjukkan bahwa keputusan yang diambil menjadi lebih akurat, sementara peningkatan agent satisfaction menunjukkan bahwa teknologi membantu, bukan membebani.
Lebih jauh lagi, transformasi ini juga membuka peluang untuk replikasi di berbagai industri lain. Model yang sama dapat diterapkan pada sektor perbankan, asuransi, transportasi, hingga infrastruktur layanan publik. Intinya bukan pada industrinya, tetapi pada prinsip bahwa setiap interaksi pelanggan adalah sumber nilai yang dapat dioptimalkan.
Dengan demikian, case study ini menunjukkan bahwa keberhasilan implementasi AI tidak hanya bergantung pada teknologi, tetapi pada kemampuan organisasi untuk mengubah cara mereka melihat masalah. Ketika masalah dilihat sebagai peluang, dan AI digunakan sebagai alat untuk mengidentifikasi peluang tersebut, maka transformasi yang terjadi bukan hanya operasional, tetapi strategis.
Kesimpulan Strategis: Dari Cost Center ke Intelligent Revenue Platform
Perjalanan Entel Connect Center menunjukkan bahwa transformasi digital yang sesungguhnya tidak hanya tentang adopsi teknologi, tetapi tentang redefinisi peran organisasi dalam menciptakan nilai. Call center yang sebelumnya dianggap sebagai cost center kini berubah menjadi intelligent revenue platform yang mampu menghasilkan pendapatan secara konsisten.
Transformasi ini terjadi melalui 3 (tiga) tahapan utama. Tahap pertama adalah visibilitas data, di mana seluruh percakapan dapat dianalisis. Tahap kedua adalah aktivasi insight, di mana data digunakan untuk menghasilkan rekomendasi tindakan. Tahap ketiga adalah otomasi keputusan, di mana sistem mampu menjalankan tindakan secara mandiri.
Ketiga tahapan ini menciptakan sebuah model operasional baru yang lebih adaptif, lebih efisien, dan lebih produktif. Dalam model ini, AI bukan hanya alat bantu, tetapi menjadi bagian integral dari strategi bisnis. Perusahaan yang mampu mengintegrasikan AI ke dalam operasi mereka akan memiliki keunggulan kompetitif yang signifikan.
Untuk merangkum seluruh transformasi ini, berikut adalah tabel strategis yang menggambarkan perubahan utama.
Tabel 12: Ringkasan Transformasi Strategis Call Center Berbasis AI (Periode: 2022–2025)
| No | Dimensi | Sebelum Transformasi | Sesudah Transformasi | Dampak Utama |
| 1 | Peran Call Center | Cost Center | Revenue Generator | Transformasional |
| 2 | Penggunaan Data | Terbatas | 100% dianalisis | Insight maksimal |
| 3 | Pengambilan Keputusan | Manual | AI-assisted / autonomous | Lebih cepat & akurat |
| 4 | Model Operasional | Reaktif | Proaktif & prediktif | Lebih adaptif |
| 5 | Struktur Biaya | Fixed | Variable & scalable | Efisiensi tinggi |
| 6 | Nilai Bisnis | Rendah | Tinggi | Revenue meningkat |
Sumber: Sintesis Analisis McKinsey, Entel Connect Transformation Program, Global AI Adoption Study (2022–2025)
Tabel tersebut menegaskan bahwa transformasi ini bukan sekadar peningkatan incremental, melainkan perubahan fundamental dalam cara organisasi beroperasi. Dampak yang dihasilkan tidak hanya bersifat operasional, tetapi juga strategis dan finansial.
Pada akhirnya, pelajaran utama dari studi ini adalah bahwa AI memiliki potensi untuk mengubah cara perusahaan melihat dan mengelola bisnis mereka. Namun, potensi tersebut hanya dapat diwujudkan jika diiringi dengan perubahan mindset, struktur organisasi, dan cara mengukur keberhasilan.
Penutup: Dari Data ke Keputusan — Fajar Baru Kepemimpinan Berbasis AI
Transformasi yang ditunjukkan oleh Entel Connect Center pada dasarnya bukan hanya tentang teknologi, melainkan tentang perubahan cara berpikir organisasi dalam melihat data, manusia, dan nilai. Selama bertahun-tahun, data percakapan pelanggan dipandang sebagai artefak operasional—sesuatu yang harus dikelola, tetapi tidak secara aktif dimanfaatkan. Namun, dengan hadirnya Agentic AI, data tersebut berubah menjadi aset strategis yang mampu menggerakkan keputusan bisnis secara real-time.
Perubahan ini membawa implikasi besar terhadap kepemimpinan. Dalam model tradisional, keputusan sering kali diambil berdasarkan pengalaman dan intuisi, yang meskipun penting, memiliki keterbatasan dalam menghadapi kompleksitas modern. Dalam model baru, keputusan didukung oleh data yang dianalisis secara menyeluruh, memungkinkan pemimpin untuk bertindak dengan tingkat presisi yang lebih tinggi. Ini bukan berarti intuisi menjadi tidak relevan, tetapi intuisi kini diperkuat oleh evidence (bukti berbasis data).
Lebih jauh lagi, peran pemimpin juga mengalami pergeseran. Jika sebelumnya fokus pada kontrol dan pengawasan, kini fokus beralih pada orkestrasi sistem yang kompleks, di mana manusia dan mesin bekerja secara sinergis. Pemimpin tidak lagi harus mengetahui semua detail operasional, tetapi harus mampu memastikan bahwa sistem yang ada berjalan dengan optimal dan selaras dengan tujuan strategis organisasi.
Dalam konteks ini, Agentic AI menjadi katalis yang mempercepat evolusi organisasi menuju intelligent enterprise, yaitu organisasi yang mampu belajar, beradaptasi, dan mengambil keputusan secara dinamis. Perusahaan yang mampu mencapai tahap ini akan memiliki keunggulan kompetitif yang sulit ditiru, karena keunggulan tersebut tidak hanya terletak pada teknologi, tetapi pada cara organisasi mengintegrasikan teknologi tersebut ke dalam DNA mereka.
Refleksi Strategis: Apa yang Dapat Dipelajari oleh Perusahaan Lain
Pelajaran utama dari transformasi ini adalah bahwa masalah operasional yang selama ini dianggap sebagai beban sebenarnya dapat menjadi sumber peluang jika dilihat dengan perspektif yang tepat. Call center yang penuh dengan keluhan pelanggan, misalnya, sebenarnya merupakan sumber insight yang sangat kaya mengenai kebutuhan pasar. Dengan bantuan AI, insight tersebut dapat diidentifikasi, dianalisis, dan diubah menjadi peluang bisnis.
Namun, keberhasilan ini tidak terjadi secara otomatis. Diperlukan kombinasi antara teknologi yang tepat, strategi implementasi yang matang, serta perubahan budaya organisasi yang mendalam. Tanpa salah satu dari elemen tersebut, transformasi akan berjalan tidak optimal.
Selain itu, penting juga untuk memahami bahwa AI bukan solusi instan. Implementasi yang sukses membutuhkan waktu, eksperimen, dan iterasi. Dalam kasus Entel Connect, dibutuhkan beberapa bulan hingga organisasi mencapai tingkat adopsi yang optimal. Hal ini menunjukkan bahwa kesabaran dan konsistensi menjadi faktor kunci dalam perjalanan transformasi.
Untuk memberikan gambaran akhir yang lebih terstruktur, berikut adalah ringkasan faktor keberhasilan implementasi Agentic AI.
Tabel 13: Critical Success Factors Implementasi Agentic AI (Periode: 2023–2025)
| No | Faktor Kunci | Deskripsi | Dampak terhadap Kinerja | Kontribusi (%) |
| 1 | Data Availability | Data lengkap & terintegrasi | Insight lebih akurat | 20% – 25% |
| 2 | Technology Infrastructure | Cloud & AI capability | Skalabilitas tinggi | 15% – 20% |
| 3 | Change Management | Adopsi oleh manusia | Produktivitas meningkat | 20% – 25% |
| 4 | Real-Time Analytics | Kecepatan insight | Respons cepat | 15% – 20% |
| 5 | Leadership Commitment | Dukungan manajemen | Arah strategis jelas | 10% – 15% |
| 6 | Continuous Learning | Iterasi & improvement | Sustain performance | 10% – 15% |
Sumber: McKinsey AI Transformation Framework, Entel Connect Program Review, Global AI Adoption Benchmark (2023–2025)
Tabel tersebut menunjukkan bahwa keberhasilan implementasi AI tidak hanya bergantung pada teknologi, tetapi pada kombinasi berbagai faktor yang saling melengkapi. Data dan teknologi hanya menjadi fondasi, sementara faktor manusia dan kepemimpinan menjadi penentu keberhasilan jangka panjang.
Menariknya, kontribusi terbesar justru berasal dari aspek change management dan data availability, yang menunjukkan bahwa transformasi AI pada dasarnya adalah transformasi organisasi, bukan sekadar transformasi teknologi. Hal ini menjadi pengingat penting bagi para pemimpin bahwa investasi terbesar bukan hanya pada sistem, tetapi pada manusia dan proses.
Penegasan Akhir: Masa Depan Dimulai dari Cara Kita Melihat Masalah
Jika ada satu pesan utama yang dapat diambil dari keseluruhan perjalanan ini, maka pesan tersebut adalah bahwa masa depan bisnis tidak ditentukan oleh teknologi yang digunakan, tetapi oleh cara organisasi memandang dan memanfaatkan teknologi tersebut. AI hanyalah alat, tetapi cara kita menggunakannya akan menentukan apakah alat tersebut menjadi pembeda atau sekadar pelengkap.
Dalam dunia yang semakin kompleks, kemampuan untuk mengubah masalah menjadi peluang menjadi semakin penting. Agentic AI memberikan kemampuan tersebut dalam skala yang sebelumnya tidak mungkin dicapai oleh manusia saja. Dengan kemampuan untuk menganalisis, memahami, dan bertindak secara simultan, AI membuka jalan bagi model bisnis yang lebih adaptif dan lebih responsif.
Perusahaan yang mampu mengadopsi pendekatan ini tidak hanya akan menjadi lebih efisien, tetapi juga lebih relevan dalam memenuhi kebutuhan pelanggan yang terus berubah. Sebaliknya, perusahaan yang tetap bertahan pada model lama akan menghadapi risiko tertinggal dalam persaingan yang semakin berbasis data dan teknologi.
Pada akhirnya, transformasi ini bukan tentang menggantikan manusia dengan mesin, tetapi tentang menciptakan kolaborasi yang lebih cerdas antara keduanya. Di titik inilah, kita melihat lahirnya bentuk baru organisasi—yang tidak hanya digital, tetapi juga intelligent.
Referensi
- The Machine Age of Customer Service, Erik Brynjolfsson, MIT Press, 2018
- Prediction Machines: The Simple Economics of Artificial Intelligence, Ajay Agrawal, Joshua Gans, Avi Goldfarb, Harvard Business Review Press, 2018
- Human + Machine: Reimagining Work in the Age of AI, Paul R. Daugherty, H. James Wilson, Harvard Business Review Press, 2019
- Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World, Marco Iansiti, Karim R. Lakhani, Harvard Business Review Press, 2020
- The Age of AI: And Our Human Future, Henry A. Kissinger, Eric Schmidt, Daniel Huttenlocher, Little, Brown and Company, 2021
- Working with AI: Real Stories of Human-Machine Collaboration, Thomas H. Davenport, Steven M. Miller, MIT Press, 2022
- All-in on AI: How Smart Companies Win Big with Artificial Intelligence, Thomas H. Davenport, Nitin Mittal, Harvard Business Review Press, 2023
- The Coming Wave: Technology, Power, and the Twenty-first Century’s Greatest Dilemma, Mustafa Suleyman, Crown Publishing, 2023
- The State of AI in 2024: Generative AI’s Breakout Year, McKinsey Global Institute, McKinsey & Company, 2024
- Enterprise AI Transformation: From Insight to Action, McKinsey Digital & QuantumBlack, McKinsey Insights, 2025
