Di perusahaan logistik, banyak waktu tim customer service habis untuk pertanyaan yang mirip. Paket sudah sampai mana, kenapa belum dikirim, kapan tiba. Di belakangnya, tim admin mengetik ulang data dari surat jalan, invoice vendor, dan bukti serah terima ke sistem. Saat ada kiriman bermasalah, laporannya tersebar di grup WhatsApp driver, email gudang, dan catatan supervisor.
AI untuk perusahaan logistik paling berguna di pekerjaan seperti ini, yaitu pekerjaan berulang yang datanya sebenarnya sudah ada di sistem Anda. Artikel ini membahas empat use case yang realistis, data dan sistem yang terlibat, risiko yang perlu dijaga, serta cara memulainya tanpa proyek besar.
Menjawab pertanyaan status kiriman
Pertanyaan status adalah titik awal yang paling masuk akal. Pelanggan ritel atau pengirim B2B menanyakan nomor resi lewat WhatsApp, email, atau portal. Petugas membuka TMS atau sistem tracking, membaca status terakhir, lalu mengetik jawaban. Polanya sama setiap kali.
Asisten AI bisa mengambil status langsung dari sistem melalui API, lalu menyusun jawaban dalam bahasa yang wajar. Misalnya, "Kiriman dengan resi tersebut sudah tiba di hub Semarang pagi ini dan dijadwalkan diantar besok." Kuncinya ada di sumber data. AI tidak boleh menebak status. Kalau data tidak ditemukan atau statusnya janggal, asisten harus mengatakan itu dan meneruskan percakapan ke petugas.
Untuk pelanggan korporat, asisten yang sama bisa menjawab pertanyaan yang lebih luas, misalnya daftar kiriman bulan ini yang belum diterima. Di sini hak akses menjadi penting. Setiap pelanggan hanya boleh melihat kiriman miliknya sendiri.
Ekstraksi data dari surat jalan dan invoice
Banyak perusahaan ekspedisi dan distributor masih menerima dokumen dalam bentuk foto atau PDF hasil scan. Surat jalan yang ditandatangani penerima, invoice dari vendor trucking, nota BBM, sampai struk tol. Admin lalu mengetik ulang nomor dokumen, tanggal, nama penerima, jumlah koli, dan nilai tagihan.
AI bisa membaca dokumen tersebut dan mengubahnya menjadi data terstruktur. Hasilnya dicocokkan dengan data di sistem, misalnya jumlah koli di surat jalan dibandingkan dengan jumlah koli di order. Kalau cocok, data masuk. Kalau tidak cocok, atau tulisan tangan sulit dibaca, dokumen ditandai untuk diperiksa admin.
Peran admin tetap ada. Pekerjaannya bergeser dari mengetik semua dokumen ke memeriksa dokumen yang bermasalah, yang jumlahnya biasanya jauh lebih sedikit. Untuk invoice vendor, pencocokan dengan tarif kontrak juga bisa membantu tim keuangan menemukan selisih sebelum tagihan dibayar.
Ringkasan kiriman bermasalah
Setiap hari ada kiriman yang terlambat, alamat yang salah, barang rusak, atau penerima yang tidak ada di tempat. Informasinya datang dari banyak arah, mulai dari catatan driver, laporan gudang, hingga komplain pelanggan. Supervisor sering harus membaca puluhan pesan untuk tahu apa yang sebenarnya terjadi.
AI bisa merangkum kejadian ini menjadi satu laporan pagi. Isinya daftar kiriman bermasalah, penyebab yang dilaporkan, siapa yang menangani, dan kasus yang belum ada tindak lanjutnya. Supervisor tidak perlu membaca semuanya dari awal dan bisa langsung menentukan prioritas.
Ringkasan ini juga berguna untuk melihat pola. Kalau keterlambatan di rute tertentu muncul setiap minggu, itu masalah operasional yang perlu dibahas, dan datanya sudah tersusun rapi untuk rapat.
Draf kabar untuk pelanggan
Saat kiriman bermasalah, pelanggan sebaiknya diberi kabar sebelum mereka bertanya. Menulis pesan yang sopan dan jelas tanpa menjanjikan hal yang belum pasti butuh waktu, apalagi kalau jumlahnya banyak.
AI bisa menyiapkan draf pesan berdasarkan data kejadian. Isinya apa yang terjadi, langkah yang sedang diambil, dan perkiraan waktu baru kalau sudah ada. Petugas membaca, menyesuaikan, lalu mengirim. Untuk kasus sensitif seperti barang hilang atau klaim asuransi, pesan sebaiknya selalu ditulis atau disetujui oleh orang yang berwenang.
Memulai AI untuk perusahaan logistik
Semua use case di atas bergantung pada data yang sudah Anda punya, seperti TMS atau WMS, sistem tracking, ERP atau software akuntansi, dan arsip dokumen. Kalau sistem-sistem ini belum saling terhubung, langkah pertama mungkin justru integrasi sistem, baru kemudian AI.
Beberapa risiko yang perlu disiapkan sejak awal:
- Nama, alamat, dan nomor telepon penerima termasuk data pribadi yang dilindungi UU PDP (Undang-Undang Pelindungan Data Pribadi). Batasi data yang dikirim ke model dan pilih penyedia AI dengan kebijakan data yang jelas.
- AI bisa salah membaca dokumen. Tetapkan aturan pencocokan dan batas kapan dokumen wajib diperiksa manusia.
- Asisten yang menjawab pelanggan harus mengambil status dari sistem, tidak dari ingatannya sendiri.
- Janji kepada pelanggan, seperti kompensasi atau tanggal tiba yang baru, tetap diputuskan oleh tim.
- Catat setiap jawaban dan hasil ekstraksi agar kesalahan bisa dilacak dan diperbaiki.
Cara memulai yang paling aman adalah memilih satu alur, misalnya ekstraksi surat jalan untuk satu cabang. Ukur berapa dokumen yang terbaca benar dan berapa yang perlu dikoreksi selama beberapa minggu. Setelah hasilnya stabil, perluas ke cabang lain atau ke use case berikutnya.
Diskusi dengan tim Averoa
Averoa membantu perusahaan menghubungkan AI ke aplikasi dan proses yang sudah berjalan, dari asisten chat hingga ekstraksi dokumen, dengan guardrail dan kontrol biaya sejak awal. Kalau Anda ingin membahas alur mana yang paling cocok dimulai di perusahaan Anda, gambaran layanannya ada di halaman Integrasi AI.
