Dipilih dari software, topik, dan level “Kelas Agentic AI Tanpa Coding #49: Contoh Proyek Akhir: CS Toko Online, Pencatat Pesanan, dan Generator Konten”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Selamat datang kembali. Peta otomasi, cara mengukur dampak, dan rencana tiga puluh hari sudah siap. Sekarang saatnya menentukan proyek akhir Anda. Di episode ini kita membedah lima contoh proyek akhir: CS otomatis toko online, pencatat pesanan, generator konten, asisten administrasi kantor, dan agent laporan penjualan mingguan. Setelah itu, kita memilih proyek yang paling pas untuk Anda.
Langkah 1: Lima contoh, satu pola
Inilah lima contoh proyek akhir yang paling sering dipilih peserta. Pertama, CS otomatis toko online: menjawab pertanyaan pelanggan dua puluh empat jam, dan meneruskan keluhan ke manusia. Kedua, sistem pencatat pesanan: pesanan dari WhatsApp, Instagram, dan formulir masuk rapi ke satu spreadsheet. Ketiga, generator konten media sosial: dari ide sampai draf caption, dengan persetujuan sebelum diunggah. Keempat, asisten administrasi kantor untuk profesional seperti Dewi: merangkum email, mengatur jadwal, dan menyiapkan draf balasan. Kelima, agent laporan penjualan mingguan: data di Sheets berubah menjadi laporan yang siap dibaca setiap Senin pagi. Setiap contoh kita baca dengan pola yang sama. Pertama, masalah: apa yang sering salah, telat, atau terlewat. Kedua, alur: digambar ringkas di kanvas, cukup sampai enam node. Proyek akhir yang baik justru sederhana. Ketiga, alat: semuanya sudah Anda pelajari di Sesi 2 sampai 9. Tidak ada alat baru di episode ini. Keempat, hasil: apa yang berubah dan bisa diukur. Angka hasil yang tampil di episode ini adalah ilustrasi. Angka Anda sendiri diukur dengan cara di episode empat puluh tujuh. Saat menonton, coba bayangkan usaha atau pekerjaan Anda sendiri di setiap contoh. Bagian mana yang sama, dan bagian mana yang perlu diganti?
Langkah 2: Contoh 1: CS otomatis toko online
Contoh pertama, CS otomatis toko online. Masalahnya: Kopi Senja menerima puluhan chat pertanyaan yang sama setiap hari, dan chat malam tidak terjawab. Alurnya dimulai dari chat WhatsApp yang masuk. Chat diteruskan ke AI Agent CS yang berisi instruksi tetap dan gaya bahasa brand Kopi Senja, persis seperti asisten yang Anda buat di Sesi 3. Lalu ada node pemeriksa: perlu manusia atau tidak? Misalnya keluhan, atau pertanyaan yang tidak ada di FAQ. Kalau tidak perlu, jawaban langsung dikirim lewat WhatsApp. Kalau perlu, eskalasi ke Dimas. Inilah alur eskalasi dari Sesi 8. Di bawah agent, ada alat katalog dan FAQ di Sheets sebagai sumber pengetahuan, dan memori supaya agent ingat isi percakapan sebelumnya. Seluruh alur ini hanya tujuh node. Kalau Anda sudah menyelesaikan praktik Sesi 8, sebagian besar bagiannya sudah jadi. Proyek akhir tinggal merapikan pengetahuan, aturan eskalasi, dan pengukurannya. Hasilnya terlihat di WhatsApp. Pukul sepuluh malam, pelanggan bertanya apakah ada hampers tanpa gula untuk kado. Agent menjawab dari katalog: ada, versi tanpa gula Rp150.000. Pelanggan memesan dua paket dan bertanya ongkir. Agent menghitung dengan benar: dua paket Rp300.000, dan karena di atas Rp200.000, ongkir dalam kota gratis. Lalu pelanggan menyampaikan keluhan: kopi kemarin agak basi. Agent tidak berdebat dan tidak menjanjikan ganti rugi sendiri. Ia meminta maaf dan meneruskan keluhan ke Dimas. Hasilnya, pertanyaan terjawab dua puluh empat jam, dan admin hanya menangani kasus yang memang butuh manusia. Mari rangkum contoh pertama. Hasil pertama, pertanyaan pelanggan terjawab dua puluh empat jam, termasuk malam hari. Kedua, dalam ilustrasi ini sekitar tujuh puluh persen chat selesai tanpa campur tangan admin. Sisanya justru chat yang memang penting untuk ditangani manusia. Ketiga, keluhan ditangani manusia dalam waktu kurang dari satu jam di jam kerja. Alat yang dipakai: asisten dari Sesi 3, agent dengan memori dari Sesi 7, serta WhatsApp dan eskalasi dari Sesi 8.
Langkah 3: Contoh 2: sistem pencatat pesanan
Contoh kedua, sistem pencatat pesanan, kali ini digambar di Make. Masalahnya: pesanan datang dari banyak saluran, lalu Dimas menyalinnya manual. Sering salah ketik, kadang terlewat. Pemicu pertama, formulir pesanan. Pemicu kedua, chat WhatsApp atau DM Instagram yang berisi pesanan. Keduanya masuk ke satu langkah AI yang mengambil data penting dari teks bebas: nama, produk, jumlah, dan jam antar. Ini langkah AI yang Anda pelajari di Sesi 6. Data yang sudah rapi ditambahkan sebagai baris baru di Sheets pesanan, seperti alat update tabel di Sesi 7. Terakhir, pelanggan menerima ringkasan pesanannya untuk dicek ulang. Pelanggan ikut menjadi pemeriksa, sehingga salah catat cepat ketahuan. Hasilnya satu tabel pesanan. Rina dari formulir, Budi dari WhatsApp. Putri dari Instagram, dan Joko memesan lima cup kopi susu lewat WhatsApp. Kolom sumber membuat Laras tahu saluran mana yang paling ramai. Perhatikan baris Andi. Pesannya tidak jelas, jadi AI tidak menebak. Produk dan jumlah diisi tanda tanya, dan statusnya perlu dicek. Lebih baik ditandai daripada dicatat salah. Hasil yang diharapkan: semua pesanan di satu tempat, kesalahan catat turun, dan Dimas cukup mengecek baris yang ditandai. Angka penghematannya, seperti biasa, diukur sendiri dengan catatan satu minggu. Rangkuman alat contoh kedua. Pertama, pemicu formulir dan chat dari Sesi 6. Kedua, langkah AI yang mengambil data dari teks bebas, juga dari Sesi 6. Ketiga, alat tambah baris di Google Sheets dari Sesi 7. Lalu dua aturan pengaman. Data yang kurang ditandai perlu dicek, bukan ditebak. Aturan ini ditulis jelas di instruksi langkah AI. Dan konfirmasi ke pelanggan sebagai pemeriksaan ganda. Proyek ini cocok untuk peserta yang baru nyaman dengan workflow, karena belum perlu agent yang mengambil keputusan rumit.
Langkah 4: Contoh 3: generator konten media sosial
Contoh ketiga, generator konten media sosial. Masalahnya dialami Nadia, freelancer yang memegang akun beberapa UMKM. Setiap Senin ia kehabisan waktu menyiapkan konten untuk semua klien. Alurnya dipicu jadwal, setiap Senin pukul delapan. Agent periset mencari tren dan ide yang relevan minggu ini. Agent penulis mengubahnya menjadi empat draf caption, memakai template prompt dari Sesi 2. Agent pemeriksa mengecek harga, fakta, dan gaya brand. Inilah tim agent periset, penulis, pemeriksa dari Sesi 9. Terakhir, draf dikirim ke Telegram Nadia untuk minta persetujuan. Tidak ada konten yang terunggah tanpa persetujuan manusia. Untuk klien lain, Nadia cukup menduplikasi workflow ini dan mengganti panduan gaya brand serta daftar produknya. Satu pola, banyak klien. Hasilnya di Telegram Nadia. Pukul delapan lewat enam, bot melapor: draf empat posting Kopi Senja siap. Nadia tinggal membalas setuju, atau revisi dengan nomor dan catatan. Nadia melihat draf ketiga menyebut diskon yang belum disetujui Laras. Ia membalas: revisi tiga, jangan sebut diskon. Dalam satu menit, draf ketiga diperbaiki: promo diganti cerita gula aren dari petani lokal. Nadia membalas setuju. Empat posting pun dijadwalkan dari Selasa sampai Jumat. Hasilnya, draf siap setiap Senin pagi untuk setiap klien, dan Nadia hanya menghabiskan waktu untuk memeriksa dan memutuskan. Rangkuman contoh ketiga. Setiap Senin, tersedia empat draf posting untuk setiap klien. Waktu Nadia per klien, dalam ilustrasi ini, sekitar empat puluh lima menit untuk memeriksa dan merevisi, bukan setengah hari untuk menulis dari nol. Dan nol unggahan tanpa persetujuan. Alatnya template prompt dari Sesi 2 serta tim agent dan human in the loop dari Sesi 9. Kalau Anda sudah membuat pipeline konten di Sesi 9, proyek ini tinggal disempurnakan.
Langkah 5: Contoh 4: asisten administrasi kantor
Contoh keempat, asisten administrasi kantor untuk Dewi di CV Maju Bersama. Masalahnya: sekitar enam puluh email masuk setiap hari, dan pagi Dewi habis untuk memilah. Lihat kotak masuknya: email pelanggan, direksi, supplier, keuangan, dan buletin bercampur jadi satu. Salah satunya dari Toko Buku Pelita: pesanan lima puluh rim kertas A4 belum diterima, dan mereka menanyakan jadwal kirim. Email seperti ini perlu dijawab cepat, tetapi datanya harus dicek dulu. Tanpa asisten, Dewi harus membuka email ini, mengecek status pesanan, melihat kalender, lalu menulis balasan. Pekerjaan kecil, tetapi berulang puluhan kali sehari. Di sinilah asisten bekerja. Dewi memakai proyek Asisten Admin di Claude yang berisi instruksi tetap dan SOP kantor, seperti di Sesi 3. Ia meminta ringkasan email, draf balasan untuk Toko Buku Pelita, dan slot rapat dengan direksi. Lewat connector dari Sesi 5, asisten membaca Gmail. Lalu membaca Google Calendar Dewi untuk mencari slot kosong. Hasilnya ringkasan pagi yang rapi: permintaan direksi, pertanyaan Toko Buku Pelita, tiga tagihan jatuh tempo, dan slot Kamis pukul sepuluh. Perhatikan, asisten jujur bahwa jadwal kirim perlu dikonfirmasi ke gudang. Ia tidak mengarang tanggal. Dewi meminta undangan rapat dibuat sebagai draf, tidak langsung dikirim. Hasilnya, memilah email yang biasanya satu jam bisa selesai dalam beberapa menit, sementara keputusan dan pengiriman tetap di tangan Dewi. Kunci contoh keempat adalah pembagian tugas yang jelas. Membaca dan merangkum email dikerjakan asisten, Dewi cukup membaca ringkasannya. Draf balasan ditulis asisten, lalu Dewi mengedit dan mengirimnya sendiri. Undangan rapat dibuat asisten sebagai draf, Dewi yang memeriksa dan mengirim. Dan menjanjikan tanggal kirim sama sekali bukan tugas asisten. Itu wewenang Dewi setelah konfirmasi ke gudang. Pembagian seperti ini adalah penerapan izin akses yang aman dari Sesi 5.
Contoh kelima, agent laporan penjualan mingguan, proyek utama Dewi dari peta otomasinya. Masalahnya: setiap Senin, Dewi menghabiskan sekitar dua jam menyusun laporan untuk direksi. Alurnya dipicu jadwal setiap Senin pukul tujuh pagi. Jadwal memicu AI Agent analis, yang diberi instruksi untuk membandingkan penjualan dengan target dan menjelaskan penyebabnya. Agent memakai model AI sebagai otak, alat Sheets penjualan untuk data minggu ini, dan alat Sheets target per wilayah. Hasilnya dikirim sebagai draf ke email Dewi, bukan langsung ke direksi. Lihat status di atas: eksekusi terakhir Senin pukul tujuh, berhasil. Instruksi agent juga meminta ia menyebut sumber data dan menandai angka yang janggal, bukan menebak penyebabnya. Ini cara mencegah AI mengarang yang kita bahas di Sesi 9. Senin pukul tujuh lewat tiga, draf laporan sudah menunggu di kotak masuk Dewi, berlabel draf. Isinya ringkas: total penjualan naik enam persen, Jakarta dan Surabaya di sekitar target, dan Bandung delapan puluh tujuh persen karena dua pelanggan besar menunda pesanan. Semua angka ini contoh. Agent juga menandai hal yang perlu perhatian, yaitu stok kertas A4, dan menyebut sumber datanya. Dewi tinggal memeriksa, mengoreksi bila perlu, lalu meneruskannya ke direksi. Laporan yang biasanya dua jam kini cukup diperiksa dalam belasan menit. Rangkuman contoh kelima. Draf laporan siap pukul tujuh lewat tiga setiap Senin, sebelum Dewi tiba di kantor. Waktu Dewi untuk memeriksa sekitar lima belas menit dalam ilustrasi ini, dibanding sekitar dua jam menyusun sendiri. Dan tidak ada laporan yang terkirim ke direksi tanpa diperiksa. Alatnya workflow terjadwal dari Sesi 6 dan agent dengan alat Sheets dari Sesi 7. Pola yang sama cocok untuk rekap penjualan mingguan Kopi Senja, menang cepat di peta Laras.
Langkah 7: Memilih proyek Anda
Sekarang giliran Anda memilih. CS toko online cocok bila Anda menerima banyak chat dengan pertanyaan berulang. Tingkatnya menengah, dan rujukannya Sesi 3, 7, dan 8. Pencatat pesanan cocok bila pesanan datang dari banyak saluran. Tingkatnya mudah sampai menengah, dengan rujukan Sesi 6 dan 7. Generator konten cocok bila Anda rutin posting tetapi sering telat. Rujukannya Sesi 2 dan 9. Asisten admin kantor cocok bila Anda tenggelam di email dan jadwal. Ini yang paling mudah, karena cukup asisten dan connector dari Sesi 3 dan 5. Dan laporan mingguan cocok bila datanya sudah ada di Sheets tetapi laporannya masih disusun manual. Rujukannya Sesi 6 dan 7. Pengajar seperti Pak Hendra bisa memakai pola yang sama untuk rekap nilai mingguan murid. Bingung memilih? Pakai tiga syarat. Pertama, proyek itu ada di urutan atas peta otomasi Anda, dengan skor dampak kali kemudahan tertinggi. Kedua, bisa live dalam tiga puluh hari dengan alat yang sudah Anda kuasai. Kalau masih harus belajar alat baru, simpan untuk bulan berikutnya. Ketiga, dampaknya bisa diukur dengan salah satu dari tiga ukuran: jam kerja, biaya, atau respon pelanggan. Kalau ketiga syarat terpenuhi, itulah proyek Anda. Tidak harus salah satu dari lima contoh tadi. Proyek yang sederhana tetapi benar-benar dipakai jauh lebih berharga daripada proyek rumit yang tidak pernah live. Setelah memilih, tulis kartu proyek seperti ini. Blok masalah: pekerjaan apa, berapa jam per minggu, dan apa yang sering salah atau telat. Blok alur: pemicu, langkah AI, aksi, dan titik persetujuan, ditulis dengan panah dalam satu baris. Blok alat: asisten, connector, workflow, atau agent, beserta sesi tempat Anda mempelajarinya. Blok hasil: target dampak dalam tiga puluh hari, dan cara mengukurnya. Dan blok batasan: aksi apa yang wajib disetujui manusia, dan data apa yang tidak boleh keluar. Kartu ini menjadi kerangka presentasi Anda di episode terakhir. Simpan kartu proyek ini di dokumen yang sama dengan peta otomasi, dashboard dampak, dan rencana tiga puluh hari. Keempatnya adalah paket lengkap proyek akhir Anda.
Selesai!
Mari kita rangkum. Kelima contoh proyek memakai pola yang sama: masalah yang jelas, alur ringkas, alat dari sesi-sesi sebelumnya, dan hasil yang bisa diukur. Pilih proyek di urutan atas peta Anda yang bisa live dalam tiga puluh hari, lalu tulis kartu proyeknya. Di episode berikutnya, episode terakhir kelas ini, kita menyempurnakan proyek dengan checklist siap live, berlatih presentasi lima menit, dan membahas kriteria sertifikat. Sampai jumpa di episode lima puluh.
Latihan mandiri
Kerjakan sendiri setelah menonton supaya materinya benar-benar melekat.
Pilih satu dari lima contoh proyek, atau proyek Anda sendiri, yang paling sesuai dengan urutan teratas peta otomasi Anda.
Isi kartu proyek: masalah, alur, alat, hasil yang ditargetkan, cara mengukur, dan batasan keamanan.
Gambar alur ringkasnya di n8n atau Make, maksimal enam node, lalu jalankan sekali dengan data contoh.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.281 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
