AI Class

Bangun AI Agent Kualifikasi Lead di WhatsApp dengan n8n: Template Produksi + Checklist

· 8 menit baca

Bangun AI Agent Kualifikasi Lead di WhatsApp dengan n8n: Template Produksi + Checklist

Leads masuk deras dari iklan, tapi dibalasnya besok sore. Akhirnya dingin. Ini masalah klasik yang bisa diselesaikan dengan AI Agent yang jalan 24/7 langsung di WhatsApp. Bukan sekadar chatbot, tapi agen yang paham konteks, menilai kualitas lead, dan otomatis push ke CRM + booking meeting. Dan ya—semua bisa kamu orkestrasi dengan n8n automation dalam hitungan jam.

Kenapa AI Agent di WhatsApp bikin “lead bocor” berhenti?

  • Kecepatan respons: 5 menit pertama menentukan. AI Agent balas dalam detik, bukan jam.
  • Konsistensi kualifikasi: Admin beda-beda. AI Agent pakai scoring rule yang sama, disiplin, konsisten.
  • Integrasi API ujung-ke-ujung: dari WhatsApp Cloud API → n8n → LLM → CRM (Pipedrive/HubSpot) → Google Calendar. No copy–paste manual.
  • Workflow automation: state machine percakapan, guardrail, dan fallback ke manusia kalau kasus rumit.

Konsep AI Agent untuk Kualifikasi Lead (tanpa teori yang bikin ngantuk)

Pikirkan AI Agent sebagai SDR junior yang:

  • Tahu tujuan: apakah lead layak follow-up? Kalau ya, jadwalkan meeting. Kalau tidak, parkir rapi di CRM.
  • Pakai state machine: greet → profil → kebutuhan → budget → timeline → keberatan → hasil.
  • Kerja dengan bukti: setiap jawaban disimpan sebagai evidence terstruktur (bukan hanya ringkasan bebas).
  • Model campuran: model kecil untuk klasifikasi, model besar hanya saat perlu. Hemat biaya, cepat.

Aha moment: perlakukan percakapan sebagai data pipeline, bukan sekadar chat. Simpan potongan informasi penting (lokasi, anggaran, kebutuhan) sebagai kolom, bukan hanya sebagai paragraf ringkasan.

Arsitektur Workflow AI Agent di n8n

  • Inbound: Webhook n8n menerima pesan dari WhatsApp Cloud API (Meta). Verifikasi signature.
  • Memory: Ambil/Update konteks dari database (Supabase/Postgres). Simpan: nama, kota, use-case, budget, timeline, score, stage, consent, dan jejak percakapan.
  • Reasoning: Node LLM untuk memutuskan pertanyaan berikutnya + mengekstrak entitas dari jawaban (structured output JSON).
  • Scoring: Node fungsi n8n hitung skor (0–100) berdasarkan rules. Contoh: kota prioritas +20, budget ≥ X +30, timeline ≤ 2 minggu +25.
  • Action:
    • Kirim respons ke WhatsApp (text + interactive list/button).
    • Kalau qualified: buat deal di CRM, buat event di Google Calendar, kirim undangan.
    • Kalau ragu: escalate ke agent manusia via Slack/Inbox.
  • Observability: log token, biaya, latensi, dan outcome. Simpan prompt + output untuk audit.

Setup langkah demi langkah AI Agent di n8n

1) Prasyarat

  • Akun Meta untuk WhatsApp Cloud API (app live + template message disetujui).
  • n8n (Cloud atau self-host). Aktifkan encryption key, buat kredensial HTTP.
  • Provider LLM (OpenAI/Anthropic) + opsi model lokal untuk klasifikasi cepat.
  • Database (Supabase/Postgres) untuk memory.
  • CRM (HubSpot/Pipedrive) + Google Calendar untuk scheduling.

2) Data model minimal

  • leads: wa_number, name, city, use_case, budget, timeline_weeks, score, status (new/qualified/disqualified), last_stage, created_at, updated_at.
  • conversations: lead_id, message_id, role (user/agent), text, evidence_json, tokens, cost, ts.
  • consents: lead_id, purpose, channel, version, ts, proof.

3) Entry point: Webhook + verifikasi

  • Buat Workflow n8n dengan node Webhook (POST) untuk menerima update dari WhatsApp.
  • Tambahkan Function node untuk verifikasi signature (X-Hub-Signature-256) dari Meta.
  • Idempotency: pakai message_id sebagai kunci. Simpan di DB; skip jika sudah diproses.

4) Memory load + pembentukan konteks

  • Node Postgres/Supabase: ambil profil lead berdasarkan wa_number.
  • Kalau tidak ada: buat record lead baru (status=new, score=0, last_stage=greet).
  • Bentuk context object: {name, city, use_case, budget, timeline_weeks, last_stage, last_question}.

5) Prompting dengan output terstruktur

  • Pakai node LLM di n8n dengan instruksi sistem ringkas:
    • Peran: SDR ramah, bahasa Indonesia natural, kalimat singkat.
    • Tujuan: kumpulkan 5 sinyal (use_case, budget, timeline, lokasi, urgensi), ajukan 1 pertanyaan per langkah.
    • Format keluaran: JSON dgn field action, reply_text, extracted_entities, next_stage, risk_flags.
    • Rules: jangan janji yang tidak pasti; arahkan meeting kalau score prediksi ≥ 70; tawarkan pilihan tombol.
  • Gunakan JSON schema agar output selalu bisa diparse. Jika parsing gagal, retry dengan prompt “format-only”.

6) Scoring dan keputusan

  • Node Function: implementasi scoring sederhana berbasis aturan.
    • Contoh: budget ≥ 10 juta (+30), timeline ≤ 2 minggu (+25), kota JABODETABEK (+20), use_case termasuk daftar prioritas (+15), respons cepat (+10).
    • Tambahkan negative signals: “mau lihat-lihat dulu” (−10), “budget belum ada” (−20).
  • Update lead.score + last_stage di DB.
  • Kondisi: jika score ≥ 70 → jalur meeting; 40–69 → nurture; < 40 → disqualify sopan.

7) Kirim balasan WhatsApp (text + tombol)

  • Gunakan node HTTP Request ke endpoint WhatsApp Cloud API untuk mengirim message.
  • Kalau ajakan meeting: gunakan interactive buttons (misal: “Jadwalkan 15 menit”, “Lihat katalog”).
  • Setiap pesan disimpan ke tabel conversations dengan evidence_json agar bisa diaudit.

8) Integrasi CRM + Calendar (jalur qualified)

  • Buat Deal otomatis di Pipedrive/HubSpot: title, value (estimasi dari budget), source=WhatsApp, tags=AI-Agent.
  • Generate link scheduling (Google Calendar) atau langsung membuat event jika lead pilih slot.
  • Kirim konfirmasi ke WhatsApp + email (opsional), plus reminder H-1 dan H-2 jam via n8n scheduler.

9) Escalation ke manusia

  • Jika risk_flags berisi permintaan di luar kebijakan, langsung escalate ke Slack/Inbox internal lengkap dengan rekam percakapan + rekomendasi tanggapan.
  • Berikan agent manusia tombol “ambil alih” yang menandai status lead dan menonaktifkan respons otomatis sementara.

10) Observability, biaya, dan keamanan

  • Logging: simpan tokens_in/out, model, latency, error_code. Buat dashboard sederhana di Supabase + Metabase.
  • Biaya: gunakan model kecil untuk ekstraksi entitas/klasifikasi; model besar hanya saat menyusun respons kompleks.
  • Keamanan: redaksi PII saat persisten; enkripsi kolom sensitif; berlakukan policy-as-code untuk output (mis. larang diskon otomatis tanpa approval).

Contoh Use Case Real: Brand Furniture — AI Agent kualifikasi dan booking

Brand furniture D2C menjalankan iklan Instagram → WhatsApp. Masalah: admin kewalahan, banyak chat “hai kak” tak ditindak. Setelah implementasi AI Agent di n8n:

  • Langkah 1: greet + tanya kebutuhan (ruangan apa, gaya, ukuran). Agent otomatis minta foto ruangan, lalu mengekstrak ukuran yang disebut.
  • Langkah 2: tanya budget range + timeline. Jika timeline ≤ 2 minggu dan budget memadai, score langsung melonjak.
  • Langkah 3: jika cocok, tawarkan meeting 15 menit via Google Meet. AI Agent mengirim 3 opsi waktu; lead cukup tap tombol.
  • Langkah 4: AI Agent membuat deal di Pipedrive + event Calendar. Semua percakapan + evidence disimpan.

Hasil setelah 14 hari:

  • Waktu respons rata-rata turun dari 3 jam → 9 detik.
  • Rate meeting-booked naik 2,1x (karena ajakan meeting muncul tepat saat minat memuncak).
  • Admin fokus ke closing, bukan screening — beban kerja berkurang ±60%.
  • Data kualifikasi di CRM jadi rapi, memudahkan follow-up dan analitik kampanye.

Strategi & Insight: bikin AI Agent tahan produksi

  • Evidence over summary: simpan setiap fakta sebagai pasangan kunci-nilai + sumber. Hindari mengandalkan ringkasan panjang yang sulit diverifikasi.
  • Fast-path vs deep-path:
    • Fast-path: pakai aturan deteministik untuk kasus jelas (budget nol → disqualify sopan).
    • Deep-path: pakai LLM untuk kasus abu-abu dengan pertanyaan klarifikasi.
  • RAG ringan untuk konsistensi: muat FAQ produk ke vector store. Saat ada pertanyaan spesifik, ambil 3 snippet relevan sebagai grounding. Ini menurunkan halusinasi.
  • UI WhatsApp itu tombol: manfaatkan interactive list/buttons buat mengurangi friksi dan token. Contoh: pilihan “budget range”, “deadline”, “kota”.
  • Policy-as-code: sebelum kirim jawaban, lint output lewat validator. Larang kata-kata sensitif, pastikan tidak memberi komitmen yang melanggar kebijakan.
  • Cost-aware orchestration:
    • Ekstraksi entitas: model kecil (inexpensive).
    • Generasi respons: model besar hanya saat perlu.
    • Kompresi memory: simpan ringkasan per tahap + evidence, bukan seluruh chat setiap kali.
  • Reliability:
    • Pakai retry with jitter untuk API eksternal (CRM/Meta).
    • Outbox pattern + idempotency key untuk mencegah duplikasi event.
    • Timeout dan circuit breaker untuk LLM yang lambat.
  • Human-in-the-loop: sediakan satu klik “Takeover” + template balasan rekomendasi. Jadikan AI Agent asisten, bukan pengganti total.
  • Metrics yang benar: track SQO rate, meeting show-up, revenue per conversation, bukan sekadar CSAT.
  • Vibe coding dulu, baru rapi: rakit POC cepat di n8n (1–2 jam), tes ke 10 chat real, iterasi prompt + scoring, baru kemudian stabilkan arsitektur.

Template Prompt & Skema Output untuk AI Agent

  • System brief: “Kamu adalah SDR untuk brand X. Kumpulkan 5 sinyal: lokasi, use-case, budget, timeline, urgensi. Hanya tanya 1 hal per pesan. Bahasa Indonesia, sopan, ringkas.”
  • Output JSON: {"reply_text": string, "next_stage": string, "extracted_entities": {"city": string, "use_case": string, "budget": number, "timeline_weeks": number, "urgency": string}, "risk_flags": string[], "suggested_score_delta": number}
  • Guardrails: “Jangan sebut diskon, jangan minta data sensitif, bila tidak yakin, minta klarifikasi dengan pilihan tombol.”

Checklist Produksi AI Agent di n8n

  • Webhook diverifikasi signature + idempotency aktif.
  • DB schema siap + indeks di wa_number dan created_at.
  • Prompt displit: role, policy, task, format. Ada format-only retry.
  • Model mix ditentukan + limit token per langkah.
  • RAG opsional terpasang untuk FAQ produk.
  • CRM + Calendar integrasi dites end-to-end.
  • Escalation ke manusia via Slack + tombol Takeover.
  • Logging biaya/latensi dan dasbor metrik dasar.
  • Policy-as-code validator sebelum kirim jawaban.
  • Backup & dead-letter queue untuk pesan gagal.

Biaya dan Performansi: realistisnya berapa?

  • LLM: dengan model campuran, rata-rata < 200 token per interaksi; biaya per chat qualified biasanya di kisaran ratusan rupiah.
  • n8n: self-host di VPS kecil cukup; scale horizontal bila webhook ramai (pakai queue).
  • WhatsApp Cloud API: biaya per sesi percakapan dari Meta + template message; pantau kategori pesan untuk optimasi.

Ekstensi Lanjutan

  • Geo-intelligence: hitung estimasi ongkir/lead time berdasarkan kota (API logistik).
  • Dynamic pricing: rekomendasi paket produk berdasarkan budget + stok (Integrasi API katalog).
  • Multibahasa: deteksi bahasa otomatis, switch prompt, dan simpan preferensi bahasa di profile.

Penutup + Call to Action: saatnya rilis AI Agent versi kamu

Kalau selama ini WhatsApp kamu cuma jadi “kotak masuk” yang kebanjiran chat, jadikan dia mesin kualifikasi dengan AI Agent + n8n automation. Mulai dari POC 2 jam: pasang webhook, 1 prompt, 5 sinyal, 1 aturan skor, dan 1 aksi (booking meeting). Setelah itu iterasi cepat pakai vibe coding sampai stabil. Begitu jalan, kamu akan merasa: “Kenapa nggak dari kemarin?”

Butuh template n8n + skema DB + contoh prompt? Ambil struktur di artikel ini, lalu sesuaikan brand kamu. Next step: tambahkan RAG ringkas, policy-as-code, dan dashboard metrik. Happy building — dan jangan lupa share hasilnya ke komunitas!

Artikel terkait