Apakah bisnis Anda butuh chatbot RAG? Panduan keputusan, bukan pitch jualan

Kebanyakan artikel "kenapa bisnis Anda butuh AI" melewatkan bagian ketika AI justru bukan alat yang tepat. Artikel ini tidak. Kalau Anda sedang mempertimbangkan membangun chatbot RAG (retrieval-augmented generation) — yang menjawab dari dokumen Anda sendiri, bukan menebak — berikut cara mengeceknya, dan kira-kira berapa biayanya.

Kami sudah membangunnya untuk klien nyata: Maktabah AI, di dalam aplikasi Hikam Shughro, menjawab pertanyaan murni dari kitab rujukan lengkap dengan sitasi. Panduan ini adalah percakapan yang kami lakukan dengan calon klien sebelum proyek semacam itu — termasuk saat kami bilang RAG bukan pilihan yang tepat.

Tanda Anda benar-benar butuh RAG

• Jawaban ada di dokumen, bukan di tiga butir FAQ. SOP, manual kebijakan, katalog produk, kontrak, kitab rujukan — apa pun yang terlalu besar atau spesifik untuk dihafal manusia.
• Jawaban salah itu mahal. Customer support yang salah kutip garansi, HR yang salah menyebut kebijakan, sales yang salah baca spesifikasi — biaya kesalahan lebih besar dari biaya membangun retrieval dengan sitasi.
• Sumbernya sering berubah. Sistem RAG mengindeks ulang dokumen yang diperbarui; FAQ bot manual perlu ditulis ulang setiap kali ada perubahan.
• Anda perlu menunjukkan sumber jawaban. Industri teregulasi, sales B2B, atau tim mana pun yang sering ditanya "yakin?" diuntungkan oleh jawaban yang disertai sitasi.

Tanda Anda belum membutuhkannya

Kami lebih memilih mengatakan ini sebelum invoice keluar, bukan sesudahnya:

• Set pertanyaan Anda kecil dan stabil. Di bawah ~30 pertanyaan yang benar-benar berbeda dan jarang berubah — FAQ bot berbasis alur sederhana, atau bahkan halaman bantuan yang tertata rapi, sudah cukup dengan biaya jauh lebih kecil.
• Dokumen Anda berantakan atau belum ada. Kualitas retrieval dibatasi oleh kualitas sumber. Merapikan dokumen dulu adalah kerja nyata, dan mengerjakannya lebih dulu lebih murah daripada mengerjakannya dua kali.
• Anda butuh ini dalam hitungan hari, bukan minggu. Asisten RAG yang benar butuh ingestion, tuning retrieval, dan pengujian terhadap set pertanyaan sebelum rilis. Lihat bagaimana kami membangunnya. Kalau timeline tidak memungkinkan itu, katakan di awal.

Berapa biayanya (gambaran pasar, bukan penawaran)

Kami tidak memasang harga tetap di situs — cakupan proyek terlalu menentukan biaya untuk dijadikan satu angka yang jujur di halaman. Tapi riset pasar Indonesia yang sudah dipublikasikan memberi gambaran berguna: chatbot flow/FAQ sederhana biasanya mulai dari kisaran Rp5–15 juta untuk proyek sekali jalan, sementara chatbot berbasis LLM dengan knowledge base nyata (RAG) umumnya mulai dari Rp20 juta ke atas, dan bisa lebih tinggi lagi untuk set dokumen yang besar dan kompleks. Biaya model dan hosting yang berjalan di tahun pertama sering melebihi biaya pembangunan awal — anggarkan itu juga, bukan cuma biaya rilis.

Angka pastinya tergantung volume dokumen, seberapa rapi sumbernya, dan apa yang perlu diintegrasikan. Kami kasih kisaran nyata setelah percakapan discovery singkat — lihat model kerja sama kami — bukan sebelum kami memahami dokumen yang terlibat.

Pertanyaan yang selalu ditanyakan: apakah AI-nya bisa mengarang jawaban?

Ini pertanyaan yang tepat, dan jawabannya soal desain, bukan janji. Sistem RAG yang dibangun dengan benar hanya menjawab dari potongan dokumen yang diambil, dan menolak menjawab kalau tidak ada yang relevan — "tidak ditemukan di dokumen Anda" itu fitur, bukan bug. Kami bahas persis caranya di studi kasus Hikam Shughro: ingestion, retrieval, jawaban bersumber, dan tahap pengujian yang menangkap masalah ini sebelum rilis.

Cara memulai

Bawa dokumen yang paling sering ditanyakan tim atau pelanggan Anda — meski masih berantakan. Kami akan bilang jujur apakah RAG, alat pencarian yang lebih sederhana, atau otomatisasi biasa yang paling cocok, dan seperti apa kisaran realistisnya sebelum Anda berkomitmen apa pun. Mulai percakapannya.