U Mobile Bangun AiDaH di Amazon Bedrock: Tiket Telko Turun 84%

Kenapa Urusan Telko Bikin AI Biasa Kewalahan?

Di industri telekomunikasi, masalah pelanggan itu jarang banget yang sifatnya tunggal. Pas ada pelanggan komplain nggak bisa beli paket data add-on, misalnya, masalah aslinya biasanya ada di koordinasi sistem di belakang layar.

Staf customer service mesti narik log antarmuka buat cari kode error, ngecek API business support system (BSS) buat status eligibilitas kartu, terus buka panduan kebijakan internal. Semua langkah itu dikerjakan manual lewat aplikasi dan portal yang beda-beda sebelum mereka ngetik satu kata pun balasan ke pelanggan. Ujung-ujungnya, tiket dilempar ke tim IT backend dan pelanggan nunggu makin lama.

Alat otomasi atau chatbot AI biasa cuma bisa bantu staf nulis draf kalimat yang lebih rapi. Chatbot model lama nggak bisa ngebuka banyak sistem sekaligus, nganalisis hasilnya, apalagi ngusulin tindakan perbaikan nyata. Buat nutup celah ini, Divisi Sistem Informasi (ISD) U Mobile bareng AWS dan AWS Partner Axrail mutusin buat ngebangun arsitektur agentic AI bernama AiDaH (AI-Driven Agentic Helpdesk).

Perjalanan dari Bot Pengetahuan Jadi Platform Agen AI

U Mobile nggak langsung bikin sistem raksasa dalam semalam. Mereka pakai prinsip mikir besar tapi mulai dari yang kecil. Dimulai akhir 2025, U Mobile bikin pilot awal dengan dua agen penguji dan Amazon Bedrock Knowledge Bases buat Retrieval Augmented Generation (RAG).

Masuk kuartal pertama 2026, mereka ngebawa 4 agen online buat bantu helpdesk IT internal dengan 20 skenario operasional. Di pertengahan 2026, sistemnya makin matang dengan rute tiga tingkat dan 6 agen. Puncaknya pada kuartal ketiga 2026, AiDaH resmi dipakai 50 staf call center L2 dan cabang dengan 8 agen spesialis yang nanganin lebih dari 150 skenario operasional terdokumentasi.

Bedanya kerasa banget pas di lapangan. Kalau pakai asisten AI biasa buat urusan kuota nggak jalan di luar negeri, staf cuma dapet saran teks troubleshooting terus tetep harus ngecek status roaming manual. Tapi bareng AiDaH, sistem langsung ngecek setelan roaming pelanggan, verifikasi kelayakan kuota internasional, dan nemuin titik gagalnya secara mandiri. Begitu titik masalah ketemu, AiDaH langsung ngeracik rencana perbaikan: layanan mana yang harus di-reset, konfigurasi apa yang perlu dikirim, sampai apakah perlu bikin tiket jaringan. Staf support tinggal ngecek, setuju, dan eksekusi jalan.

Dalam satu kasus nyata, ada pelanggan ngeluh gagal beli add-on. AiDaH langsung ngelacak error bertuliskan "Subscriber has pending order". Ternyata, pelanggan itu udah nyoba beli 30 kali lebih lewat berbagai channel selama tiga hari, dan semuanya ketahan sama pesanan gantung yang sama. AiDaH ngeluarin akar masalah sekaligus solusinya dalam satu jawaban singkat. Bayangin berapa jam kerja tim support yang dihemat buat satu kasus kayak gini.

Pola agen otonom yang terhubung ke sistem backend begini mirip dengan implementasi di sektor ritel, seperti yang pernah kita ulas pas Circle K pakai Amazon Bedrock buat triase insiden DevOps.

Arsitektur Enam Layer AiDaH di Amazon Bedrock

AiDaH dibangun di atas arsitektur berlapis yang jalan di AWS Region Asia Pasifik (Singapura). Menariknya, staf nggak perlu buka aplikasi web baru yang ribet. Mereka cukup interaksi langsung lewat Microsoft Teams yang udah jadi alat kerja harian.

Dari diagram arsitektur di atas, platform ini dipecah jadi enam lapisan utama:

1. Staff Interface: Staf ngakses AiDaH lewat Microsoft Teams atau portal web yang dilindungi AWS WAF dan Amazon CloudFront, dengan backend AWS Lambda dan REST API.
2. Orchestration: Otak perutean yang jalan di Amazon Bedrock AgentCore. Setiap request bakal dicek keamanannya dulu (role-based access control, validasi identitas, dan guardrails). Sistem ini dirancang super hemat: sekitar 70% permintaan diselesaikan pakai pencocokan kata kunci tanpa manggil model AI, 20% diklasifikasikan oleh model ringan, dan cuma 10% yang masuk ke model orkestrator penuh.
3. Specialist Agents: Ada 8 agen spesialis yang nanganin CRM, manajemen masalah pelanggan, portabilitas nomor (MNP), operasi order dan SIM, monitoring infrastruktur, analitik big data, biaya cloud, sampai operasi keuangan. Mereka saling ngobrol pakai protokol Agent2Agent (A2A).
4. Gateways and Backend APIs: Fitur AgentCore Gateway ngebuka sistem backend U Mobile ke para agen lewat antarmuka Model Context Protocol (MCP). Di belakang gateway, ada AWS Lambda dan server MCP yang nerjemahin perintah agen jadi panggilan sistem nyata.
5. Data and Knowledge: Amazon Bedrock Knowledge Bases dipakai buat nambatkan jawaban agen ke dokumen resmi pakai vector store Amazon OpenSearch Serverless. AgentCore Memory nyimpen konteks obrolan lintas sesi, sementara Amazon DynamoDB nyimpen metadata sesi dan aturan izin enam tingkat.
6. Operational Systems: Sistem operasional on-premises dan cloud U Mobile dihubungkan lewat AWS Transit Gateway dan AWS Site-to-Site VPN dengan terowongan terenkripsi IPsec tanpa terekspos ke internet publik.

Fitur-fitur utama Amazon Bedrock AgentCore yang dipakai di AiDaH dirangkum dalam tabel berikut:

Rahasia Keamanan: Dari Landing Zone Sampai Data Masking

Ngebangun AI yang punya akses ke data pelanggan, penagihan, dan infrastruktur jaringan telko jelas nggak bisa main-main. U Mobile ngejalanin strategi keamanan dua arah: ngecek fondasi AWS Landing Zone dan masang pengaman bawaan di Amazon Bedrock AgentCore.

Sebelum AiDaH dibawa ke skala produksi, tim U Mobile bareng AWS ngelakuin Well-Architected Security Review di Landing Zone mereka. Mereka masang proteksi AWS Control Tower guardrails dan service control policies (SCP) di AWS Organizations, merapikan federasi identitas terpusat, sampai ngumpulin temuan keamanan di AWS Security Hub.

Di lapisan aplikasi, staf masuk lewat federasi Microsoft Entra ID. AgentCore Identity ngeluarin token jangka pendek, dan Amazon Cognito ngurus otorisasi OAuth di tingkat gateway. Jadi, agen AI cuma bisa buka data yang emang boleh dilihat sama staf yang manggil. Data sensitif pelanggan langsung di-masking (disamarkan) di level gateway sebelum dikirim ke model AI, lengkap dengan filter Amazon Bedrock Guardrails.

Semua proses ini dicatat rapi lewat AgentCore Observability ke Amazon CloudWatch Logs dan AWS CloudTrail. Kunci enkripsi data saat diam maupun bergerak dikelola penuh oleh AWS Key Management Service (AWS KMS).

Mengukur Kematangan AI: Lompat ke Level 7

Biar punya tolok ukur yang jelas di seluruh perusahaan, U Mobile ngadopsi model kompetensi AI 8 level yang diadaptasi dari standar TM Forum Autonomous Networks. Jenjangnya kelihatan jelas di tabel ini:

Cuma butuh waktu sembilan bulan dari pilot pertama buat U Mobile nembus Level 7. Target jangka panjang mereka berikutnya adalah Level 8, di mana sistem jaringan bisa memulihkan diri sendiri (self-healing) pas ada gangguan sebelum sempat dikeluhkan pelanggan.

Hasil Nyata: Tiket Masalah Jaringan Anjlok 84,5 Persen

Adopsi teknologi canggih nggak bakal ada artinya kalau nggak ngasilin dampak bisnis nyata. Berdasarkan pengukuran internal U Mobile dari Januari sampai September 2026, volume tiket keluhan bulanan turun drastis di tiga kategori besar:

• Tiket provisioning dan jaringan: Anjlok sampai 84,5 persen.
• Pertanyaan umum (general inquiries): Turun 81,6 persen.
• Masalah tagihan dan charging: Berkurang 48,7 persen.

Kunci keberhasilannya bukan cuma di kode program, tapi di pendekatan perilaku staf. ISD U Mobile sadar kalau nyuruh orang ninggalin kebiasaan lama itu susah. Karena itu, mereka nyediain directed prompting berupa template pertanyaan terstruktur. Staf nggak dibiarin bengong mikirin mau nanya apa ke AiDaH, tapi langsung dikasih contekan cara nanya status port-in atau ngecek tagihan. Survei internal nunjukin skor kemudahan pakai AiDaH tembus 4,6 dari skala 5.

Buat percepatan koding agennya sendiri, tim U Mobile pakai Kiro, yaitu IDE agen berbasis spec-driven development dari AWS. Tiap ada domain operasional baru, spesifikasi kebutuhan, skema tool MCP, dan aturan hak akses ditulis dan di-review dulu di Kiro sebelum kodenya di-generate. Jalur CI/CD mereka jalan otomatis pakai AWS CodePipeline, AWS CodeBuild, Amazon ECR, GitLab, dan SonarQube.

Kalau kamu pengin nyobain rancang prompt terstruktur atau bikin alur kerja agen cerdas buat tim bisnismu sendiri, kamu bisa belajar langkah-langkah praktisnya lewat kelas AI untuk Pemilik Bisnis & UMKM.

Contoh Prompt Operasional Telko Siap Pakai

Buat kamu yang lagi nyiapin asisten AI operasional di kantor, directed prompting model U Mobile ini bisa banget ditiru. Berikut contoh format prompt terstruktur buat ngecek kendala layanan pelanggan:

Kamu adalah agen AI operasional layanan pelanggan. Tugasmu menganalisis kendala transaksi kuota berdasarkan data berikut: Nomor Pelanggan: {MSISDN}Keluhan: Pelanggan gagal membeli paket add-on data.Log Error: {ERROR_CODE_SNIPPET}Riwayat Transaksi: {TRANSACTION_HISTORY_3_DAYS} Lakukan langkah ini:1. Identifikasi apakah ada pesanan tertunda (pending order) atau tagihan yang memblokir akun.2. Tentukan akar masalah secara ringkas tanpa jargon teknis berlebihan.3. Susun rekomendasi aksi perbaikan langkah-demi-langkah yang perlu dikonfirmasi oleh agen support sebelum dieksekusi ke sistem.

Dampak dan Pelajaran Penting Buat Bisnis di Indonesia

Keberhasilan U Mobile ngebuktiin kalau otomasi telko AI dan multi-agen bukan lagi sekadar eksperimen laboratorium. Buat perusahaan telekomunikasi, fintech, maupun logistik di Indonesia, studi kasus ini ngasih beberapa pelajaran berharga:

1. Integrasi Sistem Lama Nggak Perlu Bongkar Total: Lewat standar Model Context Protocol (MCP), sistem warisan yang ada di server on-premises bisa dihubungkan ke agen AI modern tanpa perlu nulis ulang seluruh arsitektur backend.
2. Kepatuhan Privasi Data: Di Indonesia, adanya UU Pelindungan Data Pribadi (UU PDP) nuntut perlindungan data sensitif nasabah. Pola data masking di level gateway yang diterapin U Mobile cocok banget dijadiin standar biar identitas pribadi pelanggan nggak bocor ke model AI publik.
3. Optimasi Biaya Komputasi: Pola 70-20-10 milik AiDaH patut dicontoh. Jangan lempar semua chat ke model frontier berbayar mahal. Sebanyak 70 persen masalah sebenernya bisa diberesin lewat pencocokan kata kunci deterministik gratis.

Kalau bisnismu lagi ngebangun integrasi agen serupa dan butuh fleksibilitas gonta-ganti model bahasa besar buat uji coba performa, kamu bisa manfaatin Classai Router. Dengan satu API key yang kompatibel sama SDK OpenAI maupun Anthropic, kamu bisa langsung nyobain model cerdas kayak claude-sonnet-5.5 (Rp3.600 / Rp18.000 per 1 juta token) atau model hemat gpt-4o-mini (Rp945 / Rp3.750 per 1 juta token) tanpa ribet gonta-ganti kode backend.