Cara kami mengotomasi pesan tamu hotel dengan n8n + AI

Ini adalah contoh artikel. Tulisan ini dibuat untuk menguji desain blog PawBytes. Alur kerja di bawah adalah contoh umum, bukan studi kasus, dan angka apa pun hanya ilustrasi.

Tim front office hotel menjawab pertanyaan yang sama setiap hari: jam check-in, antar-jemput bandara, parkir, jam sarapan, late checkout. Pertanyaan datang lewat WhatsApp, email, dan inbox OTA, sering kali malam hari saat meja depan paling sibuk. Sebagian besar sudah punya jawaban yang benar di dokumen hotel itu sendiri.

Di PawBytes kami membangun otomasi untuk hotel, perusahaan travel, dan agensi pemasaran di Jakarta dan sekitarnya. Beginilah cara kami biasanya menangani pesan tamu, dengan n8n untuk alur datanya dan Dify untuk bagian AI.

Tujuannya: jawaban lebih cepat, bukan mengurangi orang

Tujuannya bukan menggantikan meja depan, melainkan mengambil alih pekerjaan menyusun balasan yang berulang supaya staf bisa fokus pada tamu yang memang butuh dilayani langsung. Kami menetapkan tiga aturan sebelum membangun apa pun:

• Setiap balasan AI berdasar pada informasi hotel sendiri, bukan tebakan.
• Apa pun soal uang, keluhan, atau permintaan khusus diteruskan ke manusia.
• Staf bisa melihat, mengubah, dan menyetujui balasan sebelum dikirim, setidaknya di awal.

Otomasi seharusnya membuat meja depan terasa lebih tenang, bukan membuat tamu merasa bicara dengan tembok.

Cara kerja alurnya

Alur ini punya empat langkah, dan masing-masing adalah kelompok node tersendiri di n8n sehingga bisa dipantau dan diubah secara terpisah.

1. Tangkap. Webhook menerima pesan dari kanal pesan dan merapikannya: nama tamu, kanal, bahasa, dan nomor booking bila ada.
2. Klasifikasi. n8n mengirim teks ke aplikasi Dify yang memberi label maksud pesan (misalnya check_in_time, transfer, complaint) dan mendeteksi bahasanya, biasanya Inggris atau Indonesia.
3. Draf. Untuk pertanyaan rutin, Dify menjawab dari basis pengetahuan yang disusun dari fact sheet, kebijakan, dan FAQ hotel. Balasan dikembalikan bersama sumber yang dipakai.
4. Tinjau dan kirim. Draf masuk ke inbox tim atau kanal Slack dengan tombol setujui dan ubah. Pesan yang sensitif tidak dibuatkan draf dan langsung diteruskan ke staf.

Sekilas langkah routing

Logika routing sengaja dibuat sederhana. Berikut versi ringkas node Code di n8n yang menentukan ke mana pesan dikirim:

// n8n Code node: routing berdasarkan intent (hanya contoh)
const humanOnly = ["complaint", "refund", "payment", "special_request"];
const { intent, confidence, language } = $json;

if (humanOnly.includes(intent) || confidence < 0.7) {
  return [{ json: { ...$json, route: "staff_queue" } }];
}
return [{ json: { ...$json, route: "ai_draft", replyLanguage: language } }];

Karena aturan ini ditulis sebagai kode biasa, tim hotel bisa membacanya, dan mengubah ambang batas tidak perlu melatih ulang apa pun.

Yang kami pantau setelah peluncuran

Setelah alur berjalan, kami meninjaunya bersama tim hotel selama beberapa minggu pertama. Sinyal yang berguna cukup sederhana:

• Seberapa sering staf mengubah draf AI sebelum mengirimnya, dan apa yang mereka ubah.
• Pertanyaan apa saja yang tidak bisa dijawab basis pengetahuan, agar fact sheet bisa diperbarui.
• Waktu respons di luar jam kerja dibandingkan sebelumnya (diukur per hotel, bukan dijanjikan di awal).

Kalau suntingan untuk satu jenis pertanyaan sudah jarang, tim boleh memilih untuk mengirim balasan itu secara otomatis. Keputusan itu tetap di tangan hotel.

Masalah yang sering muncul

Masalah yang umum biasanya bukan soal model AI-nya, melainkan soal data dan tanggung jawab: fact sheet yang usang, jam sarapan yang berubah bulan lalu, atau tidak ada yang bertanggung jawab atas antrean tinjauan pukul dua pagi. Kami merencanakan hal-hal itu sebelum menulis node pertama.

Ingin mencoba hal serupa?

Kalau tim Anda menangani pesan tamu dalam bahasa Inggris dan Indonesia dan ingin inbox yang lebih tenang, kami senang membahas seperti apa versi pertamanya untuk properti Anda. Sekali lagi, artikel ini adalah contoh untuk menguji tata letak blog.