Cara Membuat AI Membalas Email Pelanggan dengan n8n dan Ollama

Membalas email pelanggan itu dua pekerjaan yang menyamar jadi satu: memahami apa yang diminta, lalu menyusun jawaban yang pantas. Yang kedua ini yang makan waktu — memilih kata, menjaga nada, memastikan tidak ada yang terlewat. Sistem di tutorial ini membagi kerjanya dengan adil: AI membaca email masuk dan menyiapkan draft balasan yang sudah 80% jadi, manusia membaca, mengoreksi, dan menekan kirim. Waktu balas terpangkas besar, dan tidak satu pun kalimat keluar atas nama bisnis Anda tanpa mata manusia.

Kenapa draft otomatis lebih aman daripada kirim otomatis

Godaannya nyata: kalau AI sudah menulis balasannya, kenapa tidak sekalian dikirim? Karena matematika risikonya buruk. Model bahasa — lokal maupun API — sesekali salah paham, dan salah paham yang terkirim ke pelanggan adalah kerusakan nyata: janji yang tidak bisa ditepati, nada yang keliru untuk pelanggan yang marah, informasi harga yang ngawur. Draft menempatkan kesalahan itu di tempat yang tepat: di depan mata Anda, bukan di inbox pelanggan. Ongkosnya cuma satu klik "kirim" per email — jauh lebih murah daripada satu saja balasan otomatis yang salah alamat.

Prasyarat: n8n dengan credential Gmail (proses OAuth-nya sama dengan tutorial follow-up email) dan Ollama yang berjalan — pola koneksinya di sini. Ollama dipilih bukan kebetulan: email pelanggan berisi nama, keluhan, kadang data pesanan — kelas data yang paling masuk akal diproses di mesin sendiri.

Langkah 1: Tarik email masuk ke n8n

Pasang Gmail Trigger dengan filter yang sengaja disempitkan: hanya label INBOX, dan kalau alamat Anda menerima banyak email otomatis (notifikasi sistem, newsletter), tambahkan filter Gmail yang memberi label khusus — misalnya "pelanggan" — dan pantau label itu saja. Prinsip yang sama dengan semua pipeline AI: setiap item yang masuk ke model adalah biaya waktu proses, jadi saring semurah mungkin sedini mungkin.

Langkah 2: Kelompokkan email berdasarkan jenisnya

Sebelum menulis draft, minta model mengklasifikasi dulu — karena jenis email menentukan gaya jawaban. Node HTTP Request ke Ollama dengan prompt klasifikasi:

Kelompokkan email berikut ke SATU kategori:
TANYA_PRODUK / STATUS_PESANAN / KOMPLAIN / LAINNYA.
Jawab dengan satu kata kategori saja.

EMAIL:
{{ $json.snippet }}

Lalu node Switch membelokkan tiap kategori ke perlakuan berbeda: pertanyaan produk mendapat draft berbahan katalog; status pesanan mendapat draft berpola tetap; dan komplain tidak mendapat draft AI sama sekali — ia langsung diteruskan sebagai notifikasi prioritas ke tim. Pelanggan yang kecewa berhak atas kalimat yang dipikirkan manusia sejak kata pertama.

Langkah 3: Minta Ollama menyusun draft balasan

Untuk kategori yang aman, panggilan kedua ke Ollama menyusun draftnya:

Kamu asisten penulis draft untuk toko [nama toko].
Susun draft balasan email dalam bahasa Indonesia yang ramah dan ringkas.
Aturan:
- Jawab HANYA dari informasi di bagian BAHAN. Jangan mengarang
  harga, stok, atau janji waktu.
- Kalau informasi yang ditanya tidak ada di BAHAN, tulis
  [PERLU DILENGKAPI ADMIN] di tempat itu.
- Maksimal 5 kalimat. Tanpa tanda tangan.

BAHAN:
[ringkasan FAQ, jam operasional, kebijakan pengiriman Anda]

EMAIL PELANGGAN:
{{ $json.snippet }}

Penanda [PERLU DILENGKAPI ADMIN] adalah trik kecil yang bekerja keras: ia memberi model jalan keluar selain mengarang, dan memberi mata manusia titik fokus yang jelas saat mengoreksi.

Langkah 4: Simpan sebagai draft, bukan langsung kirim

Tutup dengan node Gmail → Draft → Create: draft balasan tercipta di thread email aslinya, menunggu di folder Draft. Ritme kerjanya berubah menjadi: buka Gmail, baca email pelanggan dengan draft yang sudah tersedia di sebelahnya, koreksi seperlunya, kirim. Di minggu pertama, hitung dua angka sederhana — berapa draft yang dipakai nyaris tanpa ubahan, dan berapa yang dirombak total. Rasio itu memberi tahu Anda dua hal sekaligus: apakah BAHAN di prompt perlu diperkaya, dan apakah sistem ini layak diperluas ke kategori berikutnya.

Email yang tidak boleh dijawab mesin

Garis yang kami tarik tegas di semua pemasangan untuk klien, dan sebaiknya Anda tarik juga: komplain dan pelanggan yang marah (nadanya harus dinilai manusia), apa pun yang menyangkut uang di luar pola normal — permintaan refund, sengketa tagihan, kesalahan transfer — serta email bernuansa hukum atau data pribadi sensitif. Untuk kelas ini, peran sistem berhenti di mendeteksi dan mengeskalasi cepat; kecepatan sampai ke manusia yang tepat justru adalah bentuk layanan terbaiknya.

Sistem draft ini satu keluarga dengan klasifikasi tiket support otomatis — tutorialnya terbit besok di blog ini. Dan kalau Anda ingin seluruh meja layanan pelanggan Anda — email, WhatsApp, form — dirancang sebagai satu sistem dengan pagar yang benar, itulah pekerjaan layanan AI automation kami.