Bagaimana Asisten AI Memutuskan Bisnis Mana yang Direkomendasikan

Empat tahap antara sebuah prompt dan sebuah nama

Prompt seperti “saya sebaiknya pakai siapa untuk renovasi interior kantor di Manchester?” bukan kueri pencarian. Sebelum apa pun diambil, asisten memutuskan apakah ia perlu web sama sekali, lalu memekarkan permintaan itu menjadi beberapa pencarian konkret — biasanya campuran istilah kategori, pengubah lokasi, dan kata bermuatan maksud seperti “terbaik”, “ulasan”, atau “bandingkan”. OpenAI menggambarkan pencarian ChatGPT sebagai penggabungan modelnya dengan informasi dari web dan mengembalikan tautan ke sumber, alih-alih menjawab murni dari data pelatihan (OpenAI).

Pengambilan mengembalikan kumpulan kandidat: biasanya beberapa lusin URL, dan hanya segelintir yang muat di konteks kerja. Itu lalu disaring — sebagian sumber diperlakukan andal untuk klaim komersial, sebagian diabaikan, sebagian dikecualikan karena penerbitnya memblokir crawler. Pencarian web Anthropic untuk Claude, misalnya, mengembalikan jawaban dengan kutipan ke halaman yang dipakai (Anthropic), yang berarti sumbernya menanggung beban dan bisa diperiksa.

Lalu datang langkah yang tak pernah dipikirkan kebanyakan bisnis: pemetaan entitas. Asisten harus memutuskan bahwa “Northgate Interiors”, “Northgate Interiors Ltd”, dan kontraktor tanpa nama yang digambarkan sebuah artikel majalah dagang adalah perusahaan yang sama — atau bukan. Terakhir, sintesis: model menuliskan dua sampai lima nama dalam bentuk prosa, dengan urutan yang dibentuk oleh seberapa kuat dan seberapa konsisten tiap kandidat muncul dalam bukti yang diambil.

Tiap tahap adalah saringan. Anda bisa saja bisa dirayapi, punya ulasan bagus, dan benar-benar pilihan terbaik, tetapi tetap kalah di pemetaan entitas. Mendiagnosis saringan mana yang mencoret Anda lebih berguna daripada nasihat umum apa pun tentang “mengoptimalkan untuk AI”.

Tahap 1: pengambilan — bisa diambil dulu, baru bisa ditemukan

Tak ada yang berarti di hilir kalau pengambilannya gagal. Tiap asisten memakai crawler dan indeksnya sendiri, dan masing-masing menerbitkan agen pengguna yang terlibat: OpenAI mendokumentasikan OAI-SearchBot untuk menampilkan situs di pencarian ChatGPT bersama GPTBot untuk pelatihan (OpenAI), dan memblokir yang satu bukanlah memblokir yang lain. Sebuah robots.txt yang ditulis pada 2023 untuk mencegah pelatihan AI sering sekaligus menahan bot pencarian — pengucilan yang ditimbulkan sendiri dan tak bisa diperbaiki oleh pekerjaan konten sebanyak apa pun.

Indeks di balik asisten sama pentingnya. Google menyatakan fitur AI dalam Penelusuran memakai sistem dan pengindeksan yang sama dengan Penelusuran itu sendiri, dan panduannya pun panduan Search Essentials yang sama (Google Search Central). Microsoft Copilot mewarisi indeks Bing, jadi panduan webmaster Bing tentang keterbacaan crawler, URL kanonis, dan kualitas konten adalah buku aturan yang berlaku (Panduan Webmaster Bing). Perplexity menjalankan pengambilannya sendiri dan mengutip sumber secara inline, serta membangun hubungan komersial dengan penerbit lewat Publishers Program-nya (Perplexity).

Lalu ada ketaksesuaian kueri. Asisten mencari dengan kosakata pengguna, bukan kosakata pemasaran Anda. Bisnis yang menggambarkan dirinya menawarkan “solusi ruang kerja terintegrasi” tak terlihat oleh pemekaran “kontraktor interior kantor Manchester”, “perusahaan interior komersial Inggris”, dan “firma interior kantor terbaik”. Bahasa kategori yang lugas di halaman layanan Anda, dengan kata-kata yang sama seperti yang dipakai pembeli, itulah yang membuat sebuah halaman bisa diambil untuk kueri yang benar-benar dijalankan.

Yang Anda kendalikan di sini: akses crawler, keterindeksan di tingkat halaman, kebaruan halaman kunci, dan apakah istilah Anda cocok dengan rumusan pencarian yang mungkin dihasilkan asisten.

Tahap 2: kelayakan sumber — halaman pihak ketiga biasanya memilih daftar pendeknya

Begitu dokumen diambil, semuanya tak setara. Asisten sangat bersandar pada halaman yang terbaca sebagai penilaian independen — direktori, platform ulasan, media dagang, artikel perbandingan, daftar anggota asosiasi, profil marketplace — karena halaman-halaman itulah yang memuat daftar pilihan yang saling bersaing. Situs vendor sendiri bagus untuk menegaskan detail dan buruk sebagai bukti keunggulan; “kami penyedia terkemuka” adalah klaim yang sudah dilatih untuk didiskon oleh model.

Karena itu daftar pendek praktisnya sering sudah terbentuk sebelum situs Anda dibaca sama sekali. Kalau lima artikel kurasi tentang kategori Anda menyebut delapan perusahaan dan Anda tak ada di satu pun, kumpulan kandidat asisten ya kedelapan itu. Situs Anda lalu diambil hanya untuk memperkaya nama yang sudah muncul, atau tak diambil sama sekali. Ketimpangan ini tak nyaman tetapi bisa ditindaklanjuti: meraih satu baris di halaman yang sudah berperingkat untuk “X terbaik di Y” membawa Anda lebih jauh daripada satu lagi penulisan ulang beranda.

Konsistensi lintas sumber bekerja sebagai sinyal kepercayaan kedua. Ketika enam halaman independen menggambarkan Anda dengan cara yang sama — spesialisasi sama, kota sama, ukuran klien sama — model memperlakukan deskripsi itu sebagai fakta yang sudah selesai. Ketika mereka bertentangan, model berhati-hati, dan entitas yang dihati-hatikan tersingkir dari jawaban pendek karena butuh kata-kata untuk dijelaskan.

Kebaruan lebih penting daripada dugaan kebanyakan tim. Asisten lebih menyukai dokumen bertanggal terkini untuk pertanyaan komersial, jadi entri direktori 2019 dengan nomor telepon mati lebih buruk daripada tak ada entri sama sekali. Mengaudit di mana Anda muncul, dan membenahi profil basi, adalah pekerjaan tak menarik dengan efek langsung pada pengambilan. Sisi pengukurannya kami bahas di visibilitas AI.

• Halaman yang membentuk daftar pendek: kurasi kategori, daftar “terbaik”, artikel perbandingan dan alternatif, platform ulasan, direktori industri, dan daftar anggota asosiasi.
• Halaman yang menegaskan detail: halaman layanan, halaman harga, studi kasus, halaman tentang kami, dan data terstruktur.
• Halaman yang merugikan Anda: profil usang dengan kontak keliru, pencatatan ganda yang telantar, dan halaman yang menggambarkan lini layanan yang tak lagi Anda tawarkan.

Tahap 3: pemetaan entitas — menjadi satu bisnis yang tak ambigu

Model kini punya tumpukan sebutan dan harus menyatukannya menjadi entitas. Di sinilah nama yang nyaris identik, penggantian merek, operasi multi-lokasi, dan struktur perusahaan induk menimbulkan kerugian senyap. Kalau bukti tentang perusahaan Anda terbelah ke tiga identitas setengah jadi, tak satu pun dari ketiganya tampak cukup kuat untuk direkomendasikan, padahal jumlahnya akan cukup.

Identitas yang terbaca mesin adalah perbaikan termurah yang tersedia. Dokumentasi data terstruktur Google untuk bisnis lokal merinci properti yang menggambarkan sebuah bisnis fisik — nama, alamat, telepon, jam buka, koordinat, kisaran harga (Google Search Central) — dan properti sameAs dari Schema.org ada justru untuk menautkan halaman Anda ke rujukan kanonis bagi entitas yang sama, seperti profil resmi atau halaman basis pengetahuan (Schema.org). Mengisinya memberi tiap crawler pernyataan yang sama dan tak ambigu tentang siapa Anda.

Sisanya adalah disiplin. Pakai satu pola nama hukum dan nama dagang di mana-mana. Pertahankan kata kategori yang sama di tag judul, profil direktori, dan deskripsi LinkedIn Anda. Pastikan alamat dan nomor telepon di pencatatan pihak ketiga cocok dengan situs Anda huruf demi huruf. Kalau Anda punya banyak lokasi, beri tiap lokasi halaman terindeks sendiri dengan data terstrukturnya sendiri alih-alih satu halaman bermenu tarik-turun.

Asisten juga memetakan entitas lewat kemunculan bersama: merek, teknologi, sertifikasi, dan jenis klien yang muncul dekat nama Anda. Kalau tak ada apa pun dalam bukti yang diambil yang menghubungkan Anda dengan layanan spesifik dalam prompt, Anda dipetakan sebagai perusahaan generik di industri Anda — bisa diambil, tetapi tak pernah menjadi jawaban atas pertanyaan spesifik.

Tahap 4: sintesis — bagaimana daftar pendek menjadi sebuah kalimat

Pada sintesis, model mungkin memegang 5.000 sampai 20.000 kata teks yang diambil dan harus menghasilkan 120. Pemampatan menentukan segalanya. Kandidat yang didukung pernyataan eksplisit dan bisa dikutip akan selamat; kandidat yang menuntut penyimpulan dipangkas, karena model tak punya ruang untuk berdebat.

Posisi di dalam konteks yang diambil punya efek terukur. Liu dan rekan-rekannya menunjukkan bahwa model bahasa memakai informasi paling baik ketika ia muncul di awal atau akhir sebuah masukan panjang, dengan akurasi menurun kentara saat bagian yang relevan berada di tengah (Liu dkk., “Lost in the Middle”). Secara praktis, itu menghargai struktur konten: klaim yang dinyatakan di kalimat pertama sebuah bagian halaman, atau di tabel perbandingan yang jelas berlabel, jauh lebih mungkin selamat dari pemampatan daripada klaim yang sama di paragraf sembilan.

Bentuk jawabannya juga mengikuti bentuk sumbernya. Kalau dokumen yang diambil berupa artikel perbandingan, Anda mendapat perbandingan. Kalau berupa halaman ulasan, Anda mendapat nada. Kalau sebuah sumber sudah membingkai sebuah pasar sebagai “tiga opsi kelas perusahaan dan dua opsi hemat”, asisten cenderung mereproduksi bingkai itu dan menyelipkan nama ke dalamnya. Siapa yang menulis bingkai yang terambil punya pengaruh lebih besar daripada siapa yang menulis salinan penjualan terbaik.

Terakhir, model butuh alasan untuk menyebut Anda. “Cocok untuk industri teregulasi karena sertifikasi ISO 27001-nya” adalah kalimat yang bisa diangkat dan dipertahankan asisten. “Peraih penghargaan dan berorientasi pelanggan” tidak. Menerbitkan penyarat spesifik yang bisa diverifikasi — sektor, ukuran transaksi, geografi, kepatuhan, integrasi, waktu pengerjaan — memasok pembeda yang membuat Anda layak dikutip.

Mengapa prompt yang sama memberi jawaban berbeda di tiap asisten

Penyimpangan itu struktural, bukan acak. Copilot menjawab dari indeks Bing; fitur AI Gemini berjalan di sistem dan pengindeksan Penelusuran Google (Google Search Central); Perplexity mengambil lewat tumpukannya sendiri dan mengutip inline; Claude mencari di web dan melekatkan kutipan pada klaim yang ditariknya (Anthropic); pencarian ChatGPT menggabungkan model dengan informasi web dan menautkan keluar (OpenAI). Indeks berbeda memuat dokumen berbeda, disegarkan pada jadwal berbeda. Pertanyaan sama, bukti berbeda.

Di atas itu ada empat sumber variasi lagi. Pemekaran kueri berbeda, jadi pencarian yang benar-benar dijalankan tak sama. Pengambilan sampel membuat pembangkitan tak deterministik, sehingga asisten yang sama bisa menghasilkan urutan berbeda dua kali berturut-turut. Pelokalan menggeser hasil menurut negara dan kota yang disimpulkan. Dan personalisasi — riwayat obrolan atau fitur ingatan — bisa memiringkan jawaban seorang pengguna ke merek yang pernah mereka bicarakan.

Konsekuensi operasionalnya: satu pemeriksaan sekali jalan hampir tak memberi tahu apa pun. Untuk tahu apakah Anda direkomendasikan, Anda butuh set prompt bermuatan maksud pembeli yang sama dijalankan berulang, di berbagai asisten, dari wilayah tempat Anda berjualan, dengan sumber yang dikutip ditangkap tiap kali. Itulah yang dilakukan Growli: kami melacak sebutan, perbandingan, dan rekomendasi per asisten, menunjukkan dari sumber mana jawabannya dibangun, dan mengubah kesenjangannya menjadi daftar perbaikan berurut — lihat cara kerjanya.

Diagnosisnya mengikuti empat tahap yang sama. Tak pernah terambil di mana pun? Curigai akses crawler atau ketaksesuaian kueri. Terambil tetapi tak pernah disebut? Curigai kelayakan sumber atau keambiguan entitas. Disebut tetapi digambarkan keliru? Ada satu sumber basi tertentu yang menang, dan ia bisa dikenali dari kutipannya.

Apa yang sebenarnya bisa Anda pengaruhi, tahap demi tahap

Nyaris tak ada di pipeline ini yang menanggapi bujukan, dan hampir semuanya menanggapi bukti. Pekerjaannya terbelah rapi per tahap, dan layak dikerjakan berurutan alih-alih semuanya sekaligus.

Di pengambilan, tuasnya teknis dan kebahasaan: izinkan crawler pencarian yang Anda inginkan (dengan memeriksa agen pengguna terdokumentasi tiap platform), jaga halaman komersial kunci tetap terindeks dan terkini, dan pakai kata kategori lugas yang diketik pembeli Anda. Di kelayakan sumber, tuasnya eksternal: masuklah ke kurasi dan direktori yang sudah berperingkat untuk prompt kategori Anda, benahi profil basi, dan pastikan deskripsi independen tentang Anda saling sepakat.

Di pemetaan entitas, tuasnya struktural: satu pola penamaan, detail kontak yang cocok di mana-mana, data terstruktur LocalBusiness atau Organization, dan tautan sameAs ke profil kanonis Anda. Di sintesis, tuasnya redaksional: nyatakan fakta penyarat di kalimat pertama sebuah bagian, terbitkan konten berbentuk perbandingan dengan tabel, dan beri model pembeda yang bisa diverifikasi sehingga aman dikutip.

Tak satu pun dari itu trik, dan tak satu pun permanen. Indeks disegarkan, pesaing menerbitkan, dan asisten mengubah perilaku pengambilan tanpa pengumuman, jadi putaran pengukuran sama pentingnya dengan perbaikannya. Bisnis yang direkomendasikan secara konsisten adalah yang basis buktinya mudah ditemukan, mudah dipercaya, dan mustahil dikacaukan dengan milik orang lain.

FAQ