Percepat kerja front office hotel bisnis dengan Claude Code: konfirmasi reservasi, FAQ, dan balasan ulasan

Jumat jam 19.00. Antrean check-in empat rombongan. Di saat yang sama, di dashboard situs reservasi masuk tiga pesan “Sarapan besok mulai jam berapa?”, satu permintaan ganti tipe kamar, dan satu ulasan bintang tiga dari tamu yang menginap kemarin.

Waktu saya ikut bantu jaga front office, jam-jam segini selalu bikin saya ingin punya tangan ketiga. Tamu di depan mata tak mau saya buat menunggu. Tapi kalau pesan dibiarkan, besok pagi yang belum dibaca sudah lewat sepuluh, dan balasan ulasan akhirnya telat tiga hari. “Tahu sih sibuk, tapi balasnya lama” — dan bintang berkurang satu lagi.

Lingkaran ini, saya rasa, adalah keseharian di lapangan hotel bisnis. Menambah orang itu susah. Tapi kalau sekadar percakapan rutin saja didraf oleh AI, front office bisa fokus pada “cek akhir dan kirim”. Hari ini saya tulis cara membangun sistemnya, dari sudut pandang pemilik dan staf front office.

Poin penting

Tiga hal yang paling menyita waktu di front office hotel bisnis — konfirmasi reservasi, FAQ, dan balasan ulasan — cocok diotomatiskan drafnya dengan Claude Code.
AI hanya sampai draf dan usulan pilihan. Tombol kirim, serta keputusan yang menyangkut keluhan, refund, dan data pribadi, selalu dipegang manusia.
Disediakan tiga template prompt siap copas, plus skrip uji untuk membuat draf balasan secara borongan dari CSV ulasan.
Nama tamu, nomor reservasi, dan data kartu tidak diberikan ke AI. Jadikan aturan agar tidak terjadi kebocoran.
Penghematan 30–40 menit per hari, kalau dihitung sebulan, jadi waktu yang lumayan. Waktu itu dialihkan ke pelayanan tamu dan penjualan.

Samakan dulu profil pembaca dan alur kerja saat ini

Pembaca yang saya bayangkan adalah pemilik atau leader di hotel bisnis berukuran 40–120 kamar, baik milik tunggal maupun chain kecil, yang menjalankan front office dengan 2–4 orang. Tidak ada staf khusus humas atau marketing. Reservasi datang campur dari OTA (situs reservasi seperti Traveloka, Agoda, atau Booking.com), reservasi langsung, dan telepon. Kira-kira bentuknya seperti ini.

Satu hari front office, kalau diuraikan kasar, jadi begini.

Pagi: cek reservasi check-in hari ini, kumpulkan catatan khusus (datang lebih awal, menginap beberapa malam, nama di kuitansi)
Siang: balas pesan OTA dan email, tangani pertanyaan bersifat FAQ
Sore–malam: layani check-in, pertanyaan tambahan, persiapan hari esok
Pagi berikutnya: cek dan balas ulasan

Dari semua ini, yang setiap kali ditulis dari nol adalah balasan FAQ di nomor “2” dan balasan ulasan di nomor “4”. Delapan puluh persen isinya hampir sama tiap kali. Tapi tetap ditulis tangan tiap kali. Di sinilah sasaran penghematan waktu.

Pengulangan dan keluhan yang sering terjadi

Sebelum masuk ke penghematan, saya uraikan jujur pengulangan kerja yang terjadi di lapangan. Di sinilah alasan untuk membangun sistemnya.

Balasan sebenarnya rutin, tapi ditulis ulang tiap kali, sehingga satu balasan butuh 3–5 menit. Saat jumlahnya banyak, kerja molor sampai malam.
Nada tulisan beda-beda tiap petugas. Ada yang sopan, ada yang singkat dingin, sehingga kesan hotel jadi tidak konsisten.
Balasan ulasan ditunda, akhirnya seminggu terbengkalai. Calon tamu baru melihat ini sebagai “penginapan yang lambat merespons”.
Saat ramai, balasan dibuat terburu-buru, lalu nomor reservasi atau nama tamu salah tempel ke pesan tamu lain. Ini sudah masuk kategori kecelakaan.

Yang terakhir tidak lucu. Makin banyak kerja manual, salah tempel dan salah kirim pasti terjadi. Justru karena itu, pembagian “draf oleh AI, cek dan kirim oleh manusia” jadi efektif.

Use case 1: draf pesan konfirmasi reservasi

Ini adegan mengirim pesan konfirmasi dan panduan untuk reservasi yang masuk dari OTA. Idealnya, panduan rutin soal jam check-in, parkir, jam sarapan, dan Wi-Fi ditambah satu kalimat khusus untuk reservasi itu (menyambut menginap beberapa malam, konfirmasi nama kuitansi, dan sebagainya).

Yang penting di sini: jangan masukkan nama tamu atau nomor reservasi asli ke AI. Biarkan AI hanya membuat “kerangka”, lalu informasi spesifik disisipkan sendiri oleh front office.

Template prompt (bisa langsung dicopas).

Kamu adalah staf front office hotel bisnis.
Buat draf pesan konfirmasi reservasi dengan ketentuan berikut.
Jangan masukkan nama spesifik (nama tamu, nomor reservasi); biarkan tetap sebagai slot isian seperti [Nama Tamu][Nomor Reservasi].

# Ketentuan hotel
- Check-in 15.00–01.00 / Check-out 10.00
- Sarapan 06.30–09.30 (restoran lantai 1, prasmanan)
- Parkir: first come first served, Rp50.000/malam, tidak bisa dipesan
- Wi-Fi: gratis di semua kamar, password tertera di balik kartu kamar

# Catatan khusus reservasi kali ini
- Menginap 2 malam / perlu konfirmasi nama di kuitansi

# Output
- Subjek dan isi pesan
- Nada sopan tapi tidak terlalu kaku. Ringkas 3–5 baris
- Akhiri dengan kalimat "Jika ada yang kurang jelas, jangan ragu menghubungi kami"

Draf yang kembali dari sini tinggal diisi slot-nya oleh front office, lalu dikirim. Yang tadinya 3 menit per pesan jadi 30 detik.

Use case 2: jadikan template balasan FAQ

“Apakah ada minimarket di dekat sini?”, “Apakah bisa check-in lebih awal?”, “Apakah kuitansi bisa dipisah?”. Pertanyaan seperti ini datang puluhan kali sebulan, tapi tiap kali ditulis tangan.

Di sini lebih cepat kalau Claude Code diberi 20–30 pola pertanyaan umum sekaligus, lalu diminta membuat kumpulan template jawaban. Kumpulan itu ditempel ke dokumen bersama internal, dan front office tinggal copas lalu sedikit menyesuaikan.

Kategori pertanyaan	Yang diserahkan ke AI	Yang wajib diputuskan manusia
Fasilitas, info sekitar	Seluruh draf jawaban	Verifikasi fakta jam buka dan libur terbaru
Early check-in / late check-out	Kerangka panduan dan tawaran biaya	Putusan bisa/tidak sesuai ketersediaan kamar hari itu
Kuitansi, pembayaran	Draf teks	Cek akhir nominal, nama, dan pemisahan
Keluhan, komplain	Hanya usulan teks penanganan awal	Kebijakan refund/permintaan maaf, layak kirim atau tidak

Lihat sisi kanan tabel. Verifikasi fakta dan keputusan akhir ada di tangan manusia. AI dengan santai menulis “kebohongan yang terdengar masuk akal”. Jarak ke minimarket maupun jam buka toko tetangga harus ditimpa dengan fakta lapangan, bukan ingatan AI. Yang satu ini tidak bisa ditawar.

Kalau cara dasar memakai Claude Code masih bikin ragu, baca dulu Pengantar Claude Code untuk non-engineer dan Panduan memulai Claude Code; langkah-langkah berikutnya akan jauh lebih mudah dicerna.

Use case 3: draf balasan ulasan secara borongan

Inilah yang paling terasa dampaknya. Melihat jumlah bintang dan isi ulasan, lalu menulis balasan yang memuat rasa terima kasih, permintaan maaf, dan rencana perbaikan, dengan nada yang sesuai karakter hotel. Tulus sekaligus cepat. Dua hal ini sulit dipadukan kalau dikerjakan manual.

Maka, kumpulkan ulasan yang masuk minggu itu ke dalam CSV, lalu minta Claude Code (atau AI generatif) membuat drafnya borongan. Front office membaca draf, menambahkan satu-dua baris ucapan terima kasih atau fakta khusus, lalu mengirim.

Template prompt agar nada tetap stabil.

Kamu membalas ulasan sebagai manajer hotel kami.
Patuhi nada dan batasan berikut.

# Nada
- Pertama, terima kasih. Lalu, sebutkan isi ulasan secara spesifik. Terakhir, ajak untuk berkunjung kembali.
- Untuk ulasan buruk, jangan beralasan; tunjukkan niat perbaikan dalam satu kalimat. Jangan minta maaf berlebihan.
- 3–4 kalimat per balasan. Agar tidak terkesan template, ambil satu kata dari isi ulasan dan sebutkan.

# Larangan
- Jangan singgung nama asli tamu, nomor kamar, atau nomor reservasi
- Jangan janjikan hal yang belum pasti (misalnya memastikan "pasti akan diperbaiki")

# Input
Bintang: 3
Isi: "Lokasi bagus, tapi suara kamar sebelah agak terdengar"

# Output
Hanya teks balasan

Makin rendah penilaiannya, balasan template malah jadi bumerang. Cukup dengan mengambil kata “suara terdengar” dan menyinggungnya, kesan pembaca berubah cukup banyak.

Yang diserahkan ke AI dan yang wajib diputuskan manusia

Saya tegaskan garis pembagian yang berlaku untuk ketiga use case di atas. Tanpa garis ini, kemudahan ditebus dengan bertambahnya kecelakaan.

Yang boleh diserahkan ke AI

Membuat draf pesan rutin, FAQ, dan balasan ulasan
Menyeragamkan gaya dan nada, menyodorkan beberapa pilihan
Meringkas ulasan panjang, menyaring poin pentingnya

Yang wajib diputuskan manusia

Cek akhir sebelum menekan tombol kirim (ini sama sekali tidak diserahkan ke AI)
Penentuan kebijakan untuk keluhan, refund, dan penanganan masalah
Putusan bisa/tidaknya terkait ketersediaan kamar, harga, dan stok
Cek benar/salah informasi faktual (jam buka, jarak, fasilitas)

Kriteria saat ragu itu sederhana. “Kalau salah, cukup minta maaf selesai, atau ada uang dan kepercayaan yang bergerak?” Kalau yang kedua, manusia yang pegang. Cukup ingat ini, kecelakaan besar bisa dicegah.

Siap copas: buat draf balasan borongan dari CSV ulasan

Use case 3 di atas saya buat agar bisa dijalankan sendiri. Ini skrip uji untuk menempel ulasan mingguan ke CSV, lalu membuat draf balasan sekaligus. Bisa berjalan asal ada Node.js dan API key Anthropic.

Pertama, CSV input (reviews.csv). Headernya cukup bintang dan isi. Kolom nama tamu atau nomor reservasi tidak dibuat. Ini cara paling sederhana dan paling pasti agar data pribadi tidak masuk ke AI.

star,body
3,Lokasi bagus tapi suara kamar sebelah agak terdengar
5,Dekat dari stasiun dan sarapannya enak
4,Bersih tapi check-in menunggu agak lama

Skrip utamanya (review-reply.mjs).

import Anthropic from "@anthropic-ai/sdk";
import { readFile, writeFile } from "node:fs/promises";

const client = new Anthropic();

// Pembacaan CSV sangat sederhana (untuk uji, anggap isi tidak mengandung koma)
const raw = await readFile(new URL("./reviews.csv", import.meta.url), "utf8");
const rows = raw.trim().split("\n").slice(1).map((line) => {
  const i = line.indexOf(",");
  return { star: line.slice(0, i).trim(), body: line.slice(i + 1).trim() };
});

const system =
  "Kamu adalah manajer hotel kami. Pertama ucapkan terima kasih, ambil satu kata dari isi ulasan dan singgung, lalu akhiri dengan ajakan berkunjung kembali. " +
  "3-4 kalimat. Jangan singgung nama tamu atau nomor kamar. Untuk penilaian rendah, jangan beralasan; tunjukkan niat perbaikan dalam satu kalimat.";

const out = [];
for (const r of rows) {
  const res = await client.messages.create({
    model: process.env.ANTHROPIC_MODEL || "claude-sonnet-4-6",
    max_tokens: 400,
    system,
    messages: [{ role: "user", content: `Bintang: ${r.star}\nIsi: ${r.body}\nKeluarkan hanya teks balasan.` }],
  });
  const reply = res.content.find((b) => b.type === "text")?.text ?? "";
  out.push(`[Bintang ${r.star}] ${r.body}\n-> ${reply}\n`);
  console.log(out.at(-1));
}

await writeFile(new URL("./replies.txt", import.meta.url), out.join("\n"), "utf8");
console.log(`Berhasil menulis ${rows.length} draf ke replies.txt.`);

Menjalankannya cukup ini saja.

npm install @anthropic-ai/sdk
export ANTHROPIC_API_KEY=sk-ant-xxxxx
node review-reply.mjs

Draf akan tersusun di replies.txt. Front office tinggal membukanya, menambahkan ucapan terima kasih khusus, lalu mengirim. Untuk 20 balasan ulasan seminggu, yang tadinya satu jam menyusut jadi 15 menit. Yang ingin menaikkan akurasi prompt lebih jauh, Penerapan lanjutan prompt engineering juga membantu.

Apa yang berubah sebelum dan sesudah penerapan

Angka berubah tergantung skala hotel, jadi ini sekadar perkiraan. Saya letakkan estimasi kasar dari yang saya coba di hotel kecil.

Pekerjaan	Sebelum (per item)	Sesudah (per item)
Pesan konfirmasi reservasi	3 menit	30 detik
Balasan FAQ	4 menit	1 menit
Balasan ulasan	5 menit	1,5 menit

Andai sehari ada 10 konfirmasi reservasi, 8 FAQ, dan 4 ulasan, totalnya kira-kira hemat 30–40 menit. Dikalikan 20 hari kerja, jadi 10–13 jam. Artinya setengah hari lebih kerja satu staf front office menjadi luang setiap bulan.

Kalau dengan waktu luang itu balasan ulasan bisa keluar di hari yang sama, ini juga berdampak ke penjualan. Tingkat dan kecepatan balasan langsung memengaruhi kesan di OTA. Lebih dari sekadar hemat waktu, nilai sebenarnya yang saya rasakan adalah pekerjaan yang dulu tidak sempat dikerjakan kini bisa dikerjakan.

Catatan keamanan dan data pribadi

Di balik kemudahan, kalau bagian ini meleset, kepercayaan bisa hilang dalam sekejap. Tetapkan aturan minimal dan bagikan ke seluruh front office.

Nama asli tamu, nomor reservasi, nomor telepon, dan data kartu tidak ditempel ke kolom input AI. Gantikan dengan slot isian (seperti [Nama Tamu]).
Jika memasukkan data kerja ke layanan AI gratis untuk umum, pastikan dari ketentuan layanan apakah input tidak dipakai untuk pelatihan. Pilih paket bisnis atau pengaturan yang tidak memakai data untuk pelatihan.
API key di skrip jangan ditulis langsung di PC bersama. Berikan lewat environment variable. Saat ada karyawan keluar, ganti kuncinya.
Output AI wajib dibaca manusia sebelum dikirim. Jangan rancang pengiriman otomatis. Ini benteng terakhir.

Otoritas perlindungan data pribadi pun menuntut tujuan penggunaan yang jelas dan pengelolaan keamanan untuk data pribadi. Pakai AI atau tidak, industri penginapan memang sejak awal adalah gudang data pribadi. Momen memasukkan AI ini pas untuk sekalian membenahi aturan internal. Acuan praktik global bisa dilihat di pedoman privasi OECD.

Cara menuliskan aturan dalam dokumen dan menjalankannya bersama tim bisa mengacu ke Cara menulis CLAUDE.md (aturan proyek). Dengan menuliskan informasi yang boleh dan tidak boleh diberikan ke AI dalam satu file, keputusan tidak akan goyah meski ada anggota baru.

Pertanyaan umum

T. Kalau diserahkan ke AI, balasannya jadi terkesan mesin, ya? J. Dengan mengikat prompt “ambil satu kata dari isi ulasan dan singgung”, kesan template hilang cukup banyak. Meski begitu, kalau front office menambah satu baris di akhir, sisi manusiawinya jauh lebih terasa. Realistisnya: 80% draf, 20% sentuhan akhir oleh manusia.

T. Apakah staf yang tidak terbiasa komputer bisa pakai? J. Kalau hanya copas template prompt lalu menyisipkan informasi spesifik, tidak butuh keahlian khusus. Untuk skripnya, minta tolong orang yang paham di awal saja, lalu operasionalnya disederhanakan jadi “buka file dan copas”, maka tetap jalan.

T. Apakah balasan keluhan boleh diserahkan ke AI? J. Sampai usulan draf boleh diserahkan, tapi soal dikirim atau tidak dan kebijakannya wajib diputuskan manusia. Refund dan permintaan maaf adalah keputusan manajemen. Lebih aman membaginya: AI penyaji pilihan, manusia pengambil keputusan.

T. Apakah bisa untuk ulasan dan pertanyaan berbahasa Inggris? J. Bisa. Cukup tambahkan “balas dalam bahasa Inggris” ke prompt. Makin banyak tamu mancanegara di hotel bisnis, makin besar manfaat bisa mengeluarkan draf multibahasa secara instan.

Hasil yang benar-benar saya coba

Di sebuah hotel bisnis kecil milik kenalan, saya minta menjalankan skrip balasan ulasan di atas untuk satu minggu (17 ulasan). Yang ingin saya pastikan ada dua: “apakah nada untuk penilaian rendah tetap utuh” dan “apakah data pribadi tidak tercampur tanpa sengaja”.

Dari empat ulasan berpenilaian rendah, tiga di antaranya menghasilkan draf yang nyaris bisa dikirim apa adanya. Satu sisanya butuh menyinggung situasi khusus fasilitas, dan di sini front office menambah dua baris untuk merampungkan. Sesuai harapan, bagian yang perlu disentuh manusia terpisah dengan jelas.

Soal data pribadi, desain “sejak awal tidak membuat kolom nama dan nomor reservasi di CSV” terbukti efektif. Kalau tidak diberikan, tidak akan bocor. Sederhana, tapi inilah yang paling pasti.

Perubahan yang terasa: balasan ulasan berubah dari “pekerjaan tiga hari kemudian” menjadi “satu tugas yang selesai di hari itu juga”. Hilangnya beban psikologis memikirkan teks balasan dari nol ternyata yang paling besar pengaruhnya. Daripada menyuruh AI mengerjakan semuanya pintar-pintar, tarik garis tegas: draf oleh AI, cek dan kirim oleh manusia. Inilah bentuk yang paling cocok dengan lapangan hotel bisnis, kembali saya rasakan kali ini.

Kalau sudah sampai tahap ingin merapikan template sesuai kerja hotel Anda sendiri dan menetapkan aturan operasional bersama tim, lewat pelatihan dan konsultasi penerapan kita bisa membuat pintu masuk desainnya bersama. Yang ingin lebih dulu menggerakkan tangan sendiri untuk merasakan, mulailah dari materi dan PDF gratis.