AI Class

AI Agent Workflow Automation untuk Riset User Interview dengan n8n: Dari Rekaman → Insight → Tiket Product (Tanpa Nunggu Mingguan)

· 8 menit baca

AI Agent Workflow Automation untuk Riset User Interview dengan n8n: Dari Rekaman → Insight → Tiket Product (Tanpa Nunggu Mingguan)

AI Agent Workflow Automation itu kerasa “wah” bukan saat kamu bikin chatbot, tapi saat kamu berhenti jadi tukang rangkum interview. Kalau kamu pernah ngejar-ngejar rekaman Zoom, nyari highlight penting, terus debat internal “ini beneran pain point atau cuma opini satu orang?”, kamu tahu problemnya: insight user itu mahal, tapi prosesnya sering lambat dan bocor konteks.

Padahal ritme product dev sekarang (apalagi tim kecil, indie hacker, atau founder) butuh feedback loop cepat: hari ini interview, besok sudah ada action items di backlog. Di artikel ini kita akan bangun pipeline yang real: rekaman/voice note → transkrip → ringkasan → ekstraksi pain point & request → clustering → prioritas → auto-create ticket pakai n8n automation + AI Agent + integrasi API.

Kenapa AI Agent Workflow Automation penting buat riset (bukan cuma buat “ringkas”)

Bedanya “pakai LLM untuk summarization” vs AI Agent Workflow Automation adalah si agent punya tujuan dan langkah kerja. Summarizer cuma mengubah bentuk informasi. Agent mengubah informasi jadi keputusan dan aksi di workflow kamu.

Dalam konteks riset user interview, agent bukan hanya membuat ringkasan. Dia harus bisa:

  • Menstandarkan output (format insight konsisten antar interviewer).
  • Mendeteksi sinyal vs noise (keluhan kecil vs masalah berulang).
  • Menghubungkan insight ke domain product (fitur, modul, persona, stage funnel).
  • Mengubah insight jadi tiket (dengan acceptance criteria, severity, dan link evidence).

Aha moment-nya: nilai terbesar AI di riset bukan “menulis ringkasan”, tapi “mengompresi waktu dari percakapan ke backlog”. Itu yang bikin tim kamu terasa 2–3x lebih cepat tanpa nambah headcount.

Konsep inti: AI Agent Workflow Automation sebagai “interview compiler”

Anggap interview itu source code mentah: banyak komentar, filler words, dan konteks implicit. Yang kamu butuhkan adalah compiler:

  • Input: audio/video, notes, chat log
  • Parser: transkripsi + segmentasi topik
  • Semantic analyzer: intent, pain point, user goal, constraint
  • Optimizer: dedup, cluster, prioritas
  • Codegen: ticket, doc PRD, update roadmap, ping Slack

Itulah AI Agent Workflow Automation: pipeline yang bikin output riset bisa langsung dipakai eksekusi, bukan sekadar disimpan di Notion.

Arsitektur AI Agent Workflow Automation di n8n (high level)

Kita akan desain workflow yang tahan dipakai produksi, bukan demo:

  • Trigger: file audio/video masuk ke Google Drive/Dropbox/S3, atau voice note WhatsApp/Telegram.
  • Transcribe: STT (Whisper/OpenAI/Deepgram) + normalisasi speaker.
  • AI Agent extraction: prompt chaining untuk keluarkan insight terstruktur (JSON).
  • Evidence linking: simpan timestamp kutipan penting + URL rekaman.
  • Clustering & dedup: gabungkan insight mirip dari banyak interview.
  • Prioritization: skor berbasis frequency, severity, revenue impact, persona.
  • Action: buat ticket (Jira/Linear/GitHub Issues), update Notion/Confluence, kirim Slack summary.
  • Human-in-the-loop: approval step untuk hal sensitif / high impact.

Breakdown teknis: workflow n8n automation step-by-step

Bagian ini kita bikin konkret. Kamu bisa copy struktur node-nya dan adaptasi.

1) Trigger: file interview masuk (AI Agent Workflow Automation)

  • Google Drive Trigger: “Watch for new files” pada folder /User Interviews/Incoming
  • Atau Webhook dari uploader internal (misalnya dari aplikasi Next.js kamu)

Best practice: enforce naming convention di awal, misal: 2026-05-04__persona-seller__topic-onboarding__interviewer-raka.mp4. Ini bikin downstream prompt lebih akurat.

2) Pre-processing: ambil metadata + buat job record

  • Set node: ekstrak tanggal, persona, topik dari nama file
  • DB node (Postgres/Supabase/Airtable): insert interview_jobs status = queued

Kenapa perlu job record? Karena STT bisa lama. Kamu butuh idempotency dan bisa retry tanpa bikin tiket dobel.

3) Transkripsi (STT) via integrasi API

Opsi praktis:

  • OpenAI Whisper (mudah, akurat untuk Indo campur Inggris)
  • Deepgram (bagus untuk diarization + streaming)

Di n8n, biasanya pakai HTTP Request node ke endpoint transcribe. Output minimal yang kamu simpan:

  • full transcript text
  • per-segment transcript (timestamp start/end)
  • speaker label (kalau ada)

Trik produksi: simpan transcript mentah ke object storage + simpan pointer URL di DB. Jangan simpan semua ke Notion—nanti berat dan mahal secara operasional.

4) Normalisasi transcript: “rapihin dulu sebelum pinter”

Sebelum panggil AI Agent, lakukan normalisasi:

  • hapus filler berlebihan (eh, anu) kalau mengganggu
  • standarkan label speaker: USER vs INTERVIEWER
  • chunking per 1–2 menit untuk menghindari context overflow

Ini penting karena banyak orang langsung lempar transcript 60 menit ke LLM, lalu heran outputnya random.

5) AI Agent extraction: keluarkan insight dalam JSON

Di sini kita pakai LLM sebagai agent “extractor”. Output jangan paragraf. Wajib JSON biar bisa diorkestrasi.

Contoh schema JSON yang enak dipakai:

{
  "interview_id": "...",
  "persona": "seller|buyer|admin|ops",
  "top_findings": [
    {
      "type": "pain_point|feature_request|workaround|confusion",
      "statement": "...",
      "severity": 1,
      "frequency_hint": "single|repeated|strong",
      "evidence": [{"quote": "...", "t_start": 123, "t_end": 140}],
      "affected_stage": "activation|retention|payment|support",
      "suggested_solution": "...",
      "assumptions": ["..."],
      "open_questions": ["..."]
    }
  ],
  "jobs_to_be_done": ["..."],
  "objections": ["..."],
  "metrics_impacted": ["conversion", "time_to_value"],
  "summary_5_lines": "..."
}

Implementasinya di n8n:

  • Split in Batches untuk chunk transcript
  • LLM node / HTTP Request ke model pilihan
  • Merge hasil chunk → satu JSON final (gunakan reducer prompt)

Guardrail penting: gunakan instruction “return ONLY valid JSON” + tambahkan node validasi JSON (Function node) untuk auto-retry kalau parse gagal.

6) Clustering & dedup lintas interview (biar insight nggak spam)

Ini bagian yang sering dilupakan. Kalau kamu langsung bikin tiket per interview, backlog jadi kuburan.

Strategi yang workable:

  • Ambil setiap statement lalu buat embedding
  • Simpan ke vector store (Supabase pgvector / Pinecone / Qdrant)
  • Untuk statement baru: cari top-k similar (cosine similarity)
  • Kalau similarity > threshold (mis. 0.84), anggap “existing cluster” → update cluster count + tambah evidence
  • Kalau tidak ada, buat cluster baru

Dengan ini, AI Agent Workflow Automation kamu mulai punya memori organisasi: “pain point ini muncul di 7 interview terakhir”. Itu yang bikin prioritas jadi objektif.

7) Prioritization: bikin skor yang masuk akal (bukan feeling)

Kamu bisa mulai sederhana dengan weighted score:

  • Frequency (berapa kali muncul di cluster)
  • Severity (dari agent + bisa dikalibrasi)
  • Revenue impact (mapping persona/stage ke nilai bisnis)
  • Effort (opsional, bisa diisi belakangan oleh engineer)

Contoh formula:

priority_score = (frequency * 0.4) + (severity * 0.4) + (biz_impact * 0.2)

Insight: lebih baik skor “cukup benar tapi konsisten” daripada rubric super kompleks yang tidak pernah dipakai.

8) Action: auto-create ticket + update docs

Di tahap ini, workflow automation beneran terasa.

  • Jira/Linear/GitHub: buat issue dengan template:
  • Title: [Persona][Stage] Pain: ...
  • Description: problem statement + evidence quotes + link transcript + suggested solution
  • Labels: persona, stage, type
  • Custom fields: priority_score

Tambahkan juga:

  • Notion/Confluence: update halaman “Research Digest Minggu Ini”
  • Slack: kirim ringkasan 5 baris + top 3 new clusters + ticket links

9) Human-in-the-loop: approval sebelum bikin “PR besar”

Untuk perubahan mahal (mis. payment flow), tambahkan node approval:

  • Slack interactive message: Approve / Edit / Reject
  • Kalau Edit: buka form (Tally/Typeform) untuk koreksi statement
  • Setelah approve baru create ticket

Ini bikin AI Agent Workflow Automation kamu aman dipakai tim tanpa rasa takut “AI bikin keputusan liar”.

Use case real: tim SaaS B2B kecil (3 orang) yang kejar retention

Misal kamu punya SaaS invoice untuk UMKM. Setiap minggu kamu interview 5 user churned. Problem klasik:

  • Rekaman numpuk, insight telat
  • Engineer nggak percaya “katanya user bilang…” karena tidak ada evidence
  • Founder keburu pindah fokus sebelum pola kebaca

Workflow yang kita bangun menghasilkan output seperti ini:

  • Hari Senin sore: 5 rekaman masuk
  • Senin malam: transcript + highlight quote otomatis tersedia
  • Selasa pagi: Slack summary muncul + 2 cluster baru terdeteksi
  • Selasa siang: 3 ticket otomatis dibuat (1 butuh approval karena impact payment)
  • Rabu: kamu sudah ship quick fix copy + tracking event baru

Aha moment: riset bukan lagi “aktivitas dokumentasi”, tapi jadi mesin backlog yang jalan sendiri. Ini vibe coding yang beneran produktif: build cepat, ukur cepat, iterasi cepat.

Insight & strategi (bagian paling penting): bikin agent kamu “berpikir seperti PM”, bukan seperti penulis ringkasan

1) Paksa output terstruktur supaya workflow automation bisa ngapa-ngapain

Kalau output masih narasi, kamu akan balik lagi jadi tukang copas. AI Agent Workflow Automation menang saat output berupa field yang bisa dipakai untuk routing, scoring, dan integrasi API.

2) Simpan evidence (quote + timestamp) atau insight kamu akan ditolak engineer

Engineer itu skeptis by default (dan itu bagus). Beri mereka:

  • kutipan verbatim
  • timestamp
  • link rekaman

Dengan evidence, diskusi berubah dari “percaya nggak percaya” jadi “solusi apa yang paling murah untuk memperbaiki ini”.

3) Clustering dulu, ticket belakangan

Ini game changer. Jangan auto-ticket setiap temuan. Auto-ticket hanya ketika cluster melewati threshold:

  • muncul ≥ 3 kali dalam 2 minggu, atau
  • severity tinggi (mis. blocking pembayaran) walau baru 1 kali

Hasilnya backlog bersih, fokus, dan ada data frequency.

4) Treat prompt seperti code: versioning + evaluasi

Kalau prompt berubah, kualitas extraction berubah. Simpan:

  • prompt_version per job
  • sample transcript + expected JSON (golden set)

Lalu bikin workflow kecil untuk regression test prompt. Ini bukan teori—ini cara biar agent kamu stabil saat dipakai tim.

5) Multimodal input itu real: voice note WhatsApp lebih sering daripada Zoom recording

Banyak tim Indonesia risetnya via chat/voice note. Jadi pastikan pipeline kamu menerima:

  • WhatsApp voice note (via provider API)
  • Telegram voice
  • Google Meet/Zoom recording

Vibe coding tip: mulai dari satu channel dulu (mis. Drive folder), tapi desain data model yang siap menerima channel lain.

Penutup: build “Research-to-Backlog Engine” kamu minggu ini

Kalau kamu mau ngerasain efek paling nyata dari AI Agent Workflow Automation, riset user interview adalah playground yang sempurna: datanya kaya, repeatable, dan langsung nyambung ke revenue/retention.

Challenge buat kamu:

  • Ambil 2 rekaman interview terakhir
  • Bangun workflow n8n versi minimal: Drive Trigger → STT → JSON extraction → Slack summary
  • Tambahkan satu upgrade: evidence timestamp atau auto-create ticket

Kalau sudah jalan, baru naik level: clustering + priority scoring + approval flow. Dari situ kamu bukan cuma “pakai AI”, tapi mengorkestrasi AI jadi sistem—dan itu skill yang kepake untuk build SaaS cepat dengan AI.

Artikel terkait