Ketika Mesin Berbicara atas Nama Merek: Membaca Ulang Komunikasi Bisnis dan Pemasaran di Era AI Agent

Sebuah merek kini dapat menjawab ribuan pelanggan, menulis ratusan variasi iklan, dan menjadwalkan kampanye dalam satu malam, tanpa satu pun manusia terlibat. Itulah janji AI agent: sistem yang tidak sekadar menghasilkan teks, tetapi merencanakan, mengambil keputusan, dan bertindak atas nama organisasi. Narasi dominan di ruang rapat dan media bisnis hampir seragam: ini soal efisiensi. Artikel ini mengajukan tesis yang lebih tidak nyaman. Otomasi komunikasi yang dikejar tanpa kerangka relasional akan menukar kepercayaan jangka panjang dengan efisiensi jangka pendek. Teknologinya bukan masalah; yang bermasalah adalah asumsi bahwa komunikasi bisnis hanyalah soal pengiriman pesan.

Pergeseran yang Sering Disalahpahami

Chatbot berbasis aturan hanya menjalankan skrip. AI agent berbasis model bahasa besar dapat menafsirkan konteks, memilih langkah, dan memakai perangkat lain (CRM, surel, iklan digital) secara mandiri. Perbedaannya bukan sekadar kecepatan, melainkan delegasi agensi: ketika agen mengirim penawaran atau menolak keluhan, ia berbicara sebagai wajah organisasi. Karena itu setiap keputusan komunikasi otomatis adalah keputusan etis dan strategis sekaligus, bukan sekadar keputusan operasional.

Efisiensi Bukan Sinonim Komunikasi

Model transmisi Shannon dan Weaver (1949) memperlakukan komunikasi sebagai pemindahan sinyal dengan gangguan minimal. Dalam kerangka ini, AI hampir sempurna: pesan lebih cepat, lebih banyak, lebih tepat sasaran. Namun model ini sejak awal dikritik karena mengabaikan makna dan hubungan. Habermas (1984) membedakan tindakan strategis, yaitu komunikasi untuk memengaruhi pihak lain demi tujuan sendiri, dari tindakan komunikatif, yaitu komunikasi yang mengejar saling pengertian. Pemasaran berbasis AI yang mengoptimalkan konversi semata bergerak ke kutub pertama. Ia efektif, tetapi hubungan yang dibangun bersifat transaksional.

Di sinilah teori hubungan masyarakat Grunig dan Hunt (1984) relevan. Model two-way symmetrical menekankan dialog yang benar-benar mengubah kedua belah pihak. Agen AI yang hanya mengumpulkan data untuk memperhalus bujukan sebenarnya menjalankan model two-way asymmetrical: tampak dialogis, tetapi arah penyesuaiannya hanya satu. Pertanyaan nya adalah:

Apakah otomasi kita membuat organisasi lebih mendengar, atau sekadar lebih pandai membujuk?

Harga Sebuah Hubungan: Aversi Algoritma, Lembah Ganjil, dan Batas Otomasi

Teori media richness (Daft dan Lengel, 1986) menyatakan bahwa pesan yang ambigu atau emosional memerlukan media yang kaya, yaitu umpan balik cepat, isyarat ganda, dan kepekaan personal. Pesan rutin (status pesanan, jadwal) cocok diotomasi. Keluhan serius, negosiasi kontrak, atau krisis reputasi tidak. Kesalahan paling umum perusahaan adalah menyeragamkan semua interaksi ke dalam satu kanal otomatis demi penghematan, padahal kebutuhan kekayaan medianya berbeda.

Ada tiga bukti teoretis yang bisa Saya ajukan untuk memperkuat kehati-hatian ini:

• Komitmen dan kepercayaan. Morgan dan Hunt (1994) menunjukkan bahwa kepercayaan dan komitmen adalah variabel penengah utama dalam pemasaran relasional. Kepercayaan lahir dari keterbukaan dan konsistensi, bukan dari volume komunikasi.
• Aversi algoritma. Dietvorst, Simmons, dan Massey (2015) menemukan bahwa orang cenderung lebih cepat kehilangan kepercayaan pada algoritma setelah melihatnya salah dibandingkan pada manusia yang melakukan kesalahan serupa. Satu kesalahan agen AI yang viral dapat merusak reputasi lebih dalam daripada kesalahan staf manusia.
• Lembah ganjil (uncanny valley). Mori (1970) mengamati bahwa kemiripan dengan manusia meningkatkan rasa nyaman hingga titik tertentu, lalu menurun tajam ketika tiruannya nyaris, tetapi tidak sepenuhnya, meyakinkan. Agen yang berpura-pura menjadi manusia berisiko memicu rasa curiga, bukan kedekatan.

Menariknya, Reeves dan Nass (1996) lewat paradigma Computers Are Social Actors menunjukkan bahwa manusia secara naluriah memperlakukan media seperti aktor sosial. Artinya, pelanggan akan menerapkan norma kesopanan dan timbal balik pada agen AI. Mereka juga akan merasa dikhianati ketika norma itu dilanggar, misalnya saat agen menyamar sebagai manusia.

Pemasaran: Personalisasi atau Pengawasan?

Dari kacamata service-dominant logic (Vargo dan Lusch, 2004), nilai tidak dikirimkan dari perusahaan ke pelanggan, melainkan dikocreasikan bersama. AI yang membantu pelanggan menemukan solusi lebih cepat mendukung logika ini. Namun hiperpersonalisasi berbasis penambangan perilaku masuk ke wilayah yang oleh Zuboff (2019) disebut kapitalisme pengawasan: data pengalaman manusia dijadikan bahan mentah untuk memprediksi dan memodifikasi perilaku. Garis antara “relevan” dan “mengintai” ditentukan oleh persepsi pelanggan tentang kendali dan persetujuan, bukan oleh kecanggihan algoritma.

Ada pula paradoks produksi konten. Simon (1971) mengingatkan bahwa kelimpahan informasi menciptakan kelangkaan perhatian. Ketika AI membuat biaya produksi konten mendekati nol, pasar dibanjiri materi yang mirip satu sama lain. Dalam kondisi itu, keunggulan kompetitif bergeser dari kemampuan memproduksi ke kemampuan dipercaya dan dibedakan, yaitu sudut pandang yang orisinal, pengalaman nyata, dan akuntabilitas atas klaim. Merek yang menyerahkan seluruh suaranya kepada mesin berisiko kehilangan satu-satunya aset yang tidak dapat disalin pesaing: kredibilitas yang terverifikasi.

Perspektif tenaga kerja juga perlu dibicarakan. Hochschild (1983) memperkenalkan konsep emotional labor, yaitu kerja mengelola emosi demi layanan. Otomasi dapat meringankan beban itu, tetapi dapat pula memindahkan staf manusia ke posisi “penampung kasus tersulit” tanpa pelatihan dan penghargaan yang sepadan. Efisiensi yang tidak memperhitungkan hal ini hanya memindahkan biaya, bukan menghilangkannya.

Bagaimana dengan di Indonesia?

Edward T. Hall (1976) membedakan budaya berkonteks tinggi dan rendah. Banyak interaksi bisnis di Indonesia, terutama perdagangan lewat pesan instan, berciri konteks tinggi: kesantunan, basa-basi, dan kedekatan personal menjadi bagian dari transaksi itu sendiri. Agen AI yang dilatih pada pola komunikasi langsung dan efisien berisiko terdengar dingin atau tidak sopan. Lokalisasi sejati bukan sekadar terjemahan bahasa, tetapi penyesuaian register, tingkat formalitas, dan etika relasional.

Dari sisi hukum, Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi menuntut dasar pemrosesan yang sah dan hak subjek data atas data pribadinya. Sebagai pembanding, Uni Eropa melalui Regulation (EU) 2024/1689 (AI Act) memuat kewajiban transparansi agar orang mengetahui bahwa ia berinteraksi dengan sistem AI. Kewajiban ini (Pasal 50) berlaku efektif sejak 2 Agustus 2026, dan amendemen melalui Regulation (EU) 2026/1744 tidak menggeser tenggat transparansi tersebut. Terlepas dari ada tidaknya kewajiban setempat, praktik terbaik jelas mengarah ke sana: keterbukaan adalah strategi reputasi, bukan beban kepatuhan semata.

Kapan Harus Menyerah pada Mesin dan Kapan Mempertahankan Manusia?

Berdasarkan argumen di atas, organisasi dapat memakai tiga prinsip sederhana yang saya usulkan:

1. Transparansi identitas. Nyatakan dengan jelas bahwa lawan bicara adalah agen AI. Kejujuran ini melindungi kepercayaan (Morgan dan Hunt, 1994) dan menghindari lembah ganjil.
2. Pemetaan otomasi berdasarkan kekayaan pesan. Otomasikan pesan rutin; pertahankan manusia untuk pesan ambigu, emosional, atau berisiko tinggi (Daft dan Lengel, 1986). Sediakan jalur eskalasi ke manusia yang mudah ditemukan.
3. Akuntabilitas yang dapat ditelusuri. Tetapkan pihak manusia yang bertanggung jawab atas apa yang dikatakan agen, lengkap dengan audit log, tinjauan klaim, dan mekanisme koreksi publik.

Penutup

AI agent adalah alat yang sangat kuat, tetapi alat tidak menentukan sifat hubungan. Organisasi yang memandang komunikasi sebagai saluran akan memakai AI untuk berbicara lebih banyak. Organisasi yang memandangnya sebagai relasi akan memakai AI untuk mendengarkan lebih baik dan membebaskan manusia untuk percakapan yang paling bermakna. Pertanyaan strategis di era otomasi bukan “apa lagi yang bisa kita serahkan pada mesin?”, melainkan:

“Percakapan mana yang harus tetap menjadi tanggung jawab manusia, dan mengapa?”

Daftar Referensi

• Daft, R. L., & Lengel, R. H. (1986). Organizational information requirements, media richness and structural design. Management Science, 32(5), 554–571. https://doi.org/10.1287/mnsc.32.5.554
• Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126. https://doi.org/10.1037/xge0000033
• Grunig, J. E., & Hunt, T. (1984). Managing Public Relations. Holt, Rinehart and Winston.
• Habermas, J. (1984). The Theory of Communicative Action, Vol. 1. Beacon Press.
• Hall, E. T. (1976). Beyond Culture. Anchor Press.
• Hochschild, A. R. (1983). The Managed Heart: Commercialization of Human Feeling. University of California Press.
• Mori, M. (1970). Bukimi no tani [The uncanny valley]. Energy, 7(4), 33–35. Terjemahan Inggris: Mori, M., MacDorman, K. F., & Kageki, N. (2012). The uncanny valley [From the field]. IEEE Robotics & Automation Magazine, 19(2), 98–100. https://doi.org/10.1109/MRA.2012.2192811
• Morgan, R. M., & Hunt, S. D. (1994). The commitment-trust theory of relationship marketing. Journal of Marketing, 58(3), 20–38. https://doi.org/10.2307/1252308
• Reeves, B., & Nass, C. (1996). The Media Equation. CSLI Publications/Cambridge University Press.
• Shannon, C. E., & Weaver, W. (1949). The Mathematical Theory of Communication. University of Illinois Press.
• Simon, H. A. (1971). Designing organizations for an information-rich world. Dalam M. Greenberger (Ed.), Computers, Communications, and the Public Interest. Johns Hopkins Press.
• Vargo, S. L., & Lusch, R. F. (2004). Evolving to a new dominant logic for marketing. Journal of Marketing, 68(1), 1–17. https://doi.org/10.1509/jmkg.68.1.1.24036
• Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.
• Republik Indonesia. (2022). Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. https://peraturan.bpk.go.id/Details/229798/uu-no-27-tahun-2022
• European Union. (2024). Regulation (EU) 2024/1689 (Artificial Intelligence Act). Official Journal of the European Union, L, 12.7.2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj

Catatan Penulis: Jujur, merangkai tulisan ini butuh tenaga dan permenungan ekstra, bukan sekadar instan kayak ngetik prompt ke AI. Jadi, kalau artikel ini berhasil nemenin secangkir kopi Anda dan bikin cara pandang kita sedikit bergeser, apresiasi terbesar buat saya cukup dengan baca, ngobrol di kolom komentar, atau sekadar direnungkan sambil ngopi (bagi yang suka ngopi).