Jujur saja, sebelum mengerjakan AI Telegram Bot ini, saya tidak benar-benar membayangkan bahwa sebuah chat sederhana di Telegram bisa menjadi pintu masuk ke data bisnis yang cukup kompleks.
Biasanya, kalau bicara tentang business intelligence, yang langsung terbayang adalah dashboard. Isinya grafik, tabel, filter, angka-angka dan banyak menu yang harus dibuka satu per satu.
Dashboard memang membantu. Namun, di lingkungan sebesar Telkom, masalahnya sering kali bukan karena datanya tidak ada.
Masalahnya justru: data terlalu banyak, tersebar, dan tidak selalu mudah diakses dengan cepat.
Kadang satu informasi ada di dashboard. Data lain ada di database. Data lain lagi ada di tools internal. Akhirnya, untuk menjawab satu pertanyaan sederhana, tim di lapangan harus membuka beberapa aplikasi hanya untuk menyimpulkan satu hal.
Padahal pertanyaannya mungkin cuma sesederhana:
“Berapa penjualan di area X hari ini?”
Dari keresahan itulah, saya membangun Catalyst AI. Singkatnya, ini adalah AI Telegram Bot yang membantu pengguna mengakses data bisnis Telkom lewat chat.
Keutamaan Catalyst AI ada di kecepatannya memangkas proses pencarian data. Pengguna tidak perlu membuka banyak dashboard, tidak perlu paham SQL, dan tidak perlu mencari data dari beberapa tools berbeda. Cukup bertanya lewat Telegram, lalu sistem membantu mengambil data yang relevan dan merangkumnya menjadi jawaban yang lebih mudah dipahami.
Idenya simpel: kalau orang sudah terbiasa bertanya lewat chat, kenapa akses data perusahaan tidak dibuat senatural itu juga?
Kalau dipikir-pikir, AI memang pelan-pelan mengubah cara kita bekerja, bukan cuma dari sisi coding, tapi juga dari cara kita mengakses informasi.
Masalahnya Bukan Data Tidak Ada
Yang menarik, semakin besar sebuah organisasi, semakin banyak juga data yang dihasilkan.
Seperti halnya di Telkom, data bisnis bisa berkaitan dengan revenue, sales, customer profile, churn prediction, dan masih banyak lagi. Semua data ini penting. Tapi kalau tersebar di banyak tempat, pengguna butuh effort besar untuk menggabungkannya.
Bagi kita yang terbiasa dengan hal teknis, mungkin ini masih bisa diakali. Buka database, cek struktur tabel, tulis query SQL, ambil data, lalu analisis.
Tapi bagi rekan-rekan di bagian bisnis? Proses seperti itu jelas tidak ideal.
Mereka tidak butuh tahu query SQL-nya seperti apa dan datanya disimpan di tabel mana. Mereka cuma butuh jawaban yang cepat untuk mengambil keputusan.
Misalnya:
“Revenue area ini naik atau turun?”
“Customer mana yang perlu diprioritaskan?”
“Performa bulan ini gimana?”
Pertanyaannya sederhana. Tapi proses mencari jawabannya bisa panjang.
Di sinilah Catalyst AI berperan sebagai “penerjemah”. Pengguna bertanya dengan bahasa sehari-hari, sistem menerjemahkannya menjadi kebutuhan data, lalu hasilnya disusun menjadi jawaban yang lebih enak dibaca.
Cara Kerjanya Sebenarnya Gimana?
Sederhananya, Catalyst AI bekerja dalam tiga tahap yang saling nyambung.
Pertama, sistem memahami pertanyaan pengguna. Misalnya, ketika pengguna bertanya:
“Berapa sales area Bali?”
Sistem perlu menangkap bahwa topiknya adalah sales, dan area yang dimaksud adalah Witel Bali.
Kedua, sistem mengambil data yang sesuai dari database. Ini bagian yang paling seru. Di sini konsep text-to-SQL digunakan. Sistem mengubah bahasa manusia tadi menjadi query database secara otomatis. Jadi, pengguna tidak perlu menyentuh kode sama sekali.
Ketiga, sistem menyusun jawaban akhir. Dari database tidak langsung dikirim mentah-mentah ke pengguna. AI merangkumnya kembali agar informasinya ringkas dan tidak kaku.
Jadi dari sisi pengguna, prosesnya sederhana.
Ketik pertanyaan. Tunggu sebentar. Jawaban muncul.
Teknologi yang Digunakan
Untuk urusan teknologi, saya menggunakan kombinasi yang cukup modern dan ringan.
Backendnya menggunakan Hono.js dan berjalan di atas Bun, pilihan yang pas karena sangat ringan dan kencang.
Untuk “otak” AI-nya, saya menggunakan Qwen (Large Language Model) yang bertugas memahami teks dan menyusun jawaban. Kalau tertarik dengan pembahasan LLM dan AI, artikel Kebangkitan AI Lokal di Perangkat Kita, dan Kenapa Kamu Wajib Tahu! bisa jadi bacaan lanjutan yang masih nyambung.
Semuanya bermuara di PostgreSQL sebagai gudang datanya, dengan Drizzle ORM untuk memastikan komunikasi antara kode dan database tetap rapi.
Kalau diringkas, Telegram menjadi pintu masuk pengguna. Backend mengatur alurnya. Qwen memahami pertanyaan. PostgreSQL menyimpan datanya. Drizzle ORM membantu proses pengambilan data.
Bagian paling penting dari bot ini adalah kemampuannya mengubah teks natural menjadi query database yang akurat. Saya menggunakan Qwen LLM karena efisiensinya dalam memahami instruksi terstruktur.
Prosesnya kurang lebih seperti ini:
Saya memberikan konteks berupa skema tabel ke Qwen. Qwen menentukan apakah pengguna sedang bertanya tentang sales, revenue, atau hal lainnya. Lalu, Qwen menghasilkan SQL yang kemudian dieksekusi oleh backend.
Contoh sederhananya, ketika pengguna bertanya: “Berapa sales Bali?”, sistem akan memprosesnya menjadi:
{
"intent": "sales",
"area": "witel",
"area_name": "BALI"
}Dari situ, backend tahu data apa yang perlu dicari.
Kalau dibuat lebih sederhana, proses pengambilan datanya bisa dibayangkan seperti ini:
SELECT *
FROM sales_connectivity_witel
WHERE witel = 'BALI';Tentu di sistem aslinya prosesnya tidak sesederhana satu query saja. Sistem masih harus memilih tabel yang tepat, membaca konteks pertanyaan, mencocokkan area, dan memastikan data yang diambil memang relevan.
Tantangan: Saat AI Terlihat Terlalu Percaya Diri
Dari luar, kelihatannya simpel: tanya, lalu jawab. Tapi kenyataannya, tantangan terbesarnya adalah kepercayaan.
Dalam dunia bisnis, jawaban yang terdengar meyakinkan belum tentu benar. Saya sempat menemui kasus di mana query SQL-nya sukses, tapi datanya memang kosong di database. Lucunya (atau seramnya), AI kadang tetap mencoba menjawab seolah-olah datanya ada.
Nah, ini bahaya. Kalau AI sampai mengarang angka atau insight, pengguna bisa salah mengambil keputusan.
Di sinilah saya belajar memberikan aturan tegas: Kalau data kosong, bilang kosong. Jangan mengarang.
Masalah seperti ini mengingatkan saya pada artikel ✅ Saya Cuma Ubah Satu Baris, dan AI Bot Saya Langsung Berhenti Ngaco, karena sama-sama menunjukkan bahwa AI perlu batasan yang jelas supaya tidak terlalu bebas menjawab.
Belum lagi urusan Telegram. Telegram punya aturan formatting sendiri. Salah satu karakter saja tidak ter-escape, pesan bisa gagal terkirim dengan error “can’t parse entities”.
Rasanya gemas sekali ketika backend sudah benar, AI sudah pintar, tapi jawaban gagal muncul hanya karena masalah sepele di tampilan chat.
Di situ saya sadar, debugging AI Telegram Bot itu beda rasanya. Masalahnya bisa datang dari mana saja. Kadang dari prompt, kadang dari data, kadang dari output AI, bahkan kadang dari platform tempat jawaban dikirim.
Semuanya saling nyambung.
Baca juga: Seorang User Bikin Chatbot AI Saya Error Cuma Gara-Gara Satu Input — Ini Yang Sebenarnya Terjadi
Kenapa AI Telegram Bot Jauh Lebih Membantu?
Menurut saya, nilai terbesar dari bot ini adalah memangkas jarak antara manusia dan data.
Dashboard tetap penting untuk analisis mendalam yang butuh visualisasi luas. Tapi untuk pertanyaan-pertanyaan taktis yang butuh jawaban dalam hitungan detik, chat adalah juaranya.
Apalagi Catalyst AI bisa paham konteks. Kalau pengguna bertanya “Gimana performanya?” setelah menanyakan sebuah area, bot tahu bahwa “performa” yang dimaksud masih berkaitan dengan area tersebut.
Buat pengguna, hal seperti ini mungkin terlihat kecil. Tapi dari sisi pengalaman, ini yang membuat chatbot terasa lebih natural dan tidak kaku seperti form.
Penutup: Dari Dashboard ke Chat
Membangun Catalyst AI memberikan saya perspektif baru bahwa AI dalam sistem bisnis tidak cukup hanya pintar, tapi harus bisa dipercaya dan enak dipakai.
Era di mana data hanya bisa diakses oleh orang-orang yang paham SQL pelan-pelan mulai berubah. Sekarang, data mulai bisa diakses lewat percakapan.
Dari dashboard ke chat, dari query manual ke bahasa sehari-hari, dan dari data yang tersebar ke jawaban yang lebih cepat.
Kalau akses data bisa dibuat semudah bertanya lewat Telegram, mungkin business intelligence tidak lagi terasa sebagai sesuatu yang “jauh” dan rumit bagi pengguna.
Semuanya cukup dimulai dari satu pesan sederhana:
“Berapa penjualan kita hari ini?”
