Arsip Tag: GEO

AEO vs SEO vs GEO 2026: Panduan Memilih Strategi yang Tepat untuk Brand Anda

Tinggalkan Balasan

Pelajari perbedaan AEO, SEO, dan GEO di 2026 serta cara memilih strategi yang tepat untuk brand Anda. Panduan praktis menghadapi tiga disiplin pencarian baru.

Selama lebih dari 20 tahun, “SEO” adalah satu-satunya istilah yang perlu diketahui marketer untuk memenangkan visibilitas di mesin pencari. Namun tahun 2026, lanskap itu telah pecah. Kini ada tiga disiplin berbeda yang harus dipahami: SEO, AEO, dan GEO. Bukan hanya sekadar istilah baru—ini adalah tiga cara berbeda untuk mendekati pencarian yang masing-masing memiliki tujuan, metrik, dan taktik yang berbeda.

Masalahnya: banyak marketer memperlakukan ketiganya seperti istilah yang dapat dipertukarkan, padahal tidak. SEO membantu Anda ditemukan di daftar tautan biru. AEO membantu Anda menjadi jawaban langsung di Google dan asisten suara. GEO membantu brand Anda direkomendasikan di ChatGPT, Gemini, dan Perplexity. Masing-masing memiliki peran yang berbeda, dan brand yang cerdas perlu memahami kapan menggunakan yang mana—atau lebih baik lagi, bagaimana mengintegrasikan ketiganya.

Artikel ini akan membedah perbedaan fundamental antara SEO, AEO, dan GEO di 2026, kapan harus memprioritaskan masing-masing, dan bagaimana membangun strategi terintegrasi yang memenangkan visibilitas di semua permukaan pencarian.

SEO 2026: The Volume Engine

Search Engine Optimization (SEO) adalah disiplin yang sudah dikenal: mengoptimalkan website agar muncul di hasil pencarian tradisional Google dan mesin pencari lainnya. Di 2026, SEO masih menjadi mesin volume utama—Google masih memproses miliaran pencarian per hari, dan secara keseluruhan, Google mengirimkan sekitar 190 kali lebih banyak traffic daripada semua platform AI digabungkan.

Apa yang Dikerjakan SEO di 2026

  • Technical fundamentals: site health, kecepatan, mobile-friendliness, crawlability

  • Keywords: riset dan optimasi kata kunci untuk berbagai intent

  • Backlinks: membangun otoritas domain melalui tautan berkualitas

  • Content volume: konten yang menjawab berbagai query di sepanjang funnel

Metrik SEO

  • Traffic volume: jumlah kunjungan organik dari Google

  • Keyword rankings: posisi di halaman hasil pencarian

  • CTR: persentase pengguna yang mengklik link Anda dari SERP

  • Conversion rate: sejauh mana traffic mengarah pada tindakan

Kekuatan SEO

Volume yang tidak tertandingi—rata-rata conversion rate sekitar 1.76%.

Keterbatasan SEO

SEO tidak menjamin Anda akan dikutip dalam jawaban AI atau direkomendasikan di platform AI-native. Di era zero-click search—sekitar 60% pencarian kini berakhir tanpa klik dan ketika AI Overview muncul, hanya 8% pengguna yang mengklik link tradisional—ranking saja tidak lagi cukup.

AEO 2026: The Answer Layer

Answer Engine Optimization (AEO) adalah disiplin untuk membuat konten Anda muncul sebagai jawaban langsung di Google AI Overviews, featured snippets, voice search, dan “People Also Ask”. Jika SEO membantu Anda muncul di halaman, AEO membantu Anda dikutip dalam jawaban.

Apa yang Dikerjakan AEO

  • Q&A formatting: struktur pertanyaan-jawaban yang jelas dengan heading berbasis pertanyaan

  • Direct answers: jawaban pendek dan deklaratif (40-60 kata) diikuti detail pendukung

  • Schema markup: FAQPage, HowTo, QAPage untuk membantu mesin memahami struktur

  • Question clusters: mengantisipasi seluruh rangkaian pertanyaan seputar satu topik

Metrik AEO

  • Featured snippet rate: seberapa sering konten Anda muncul di posisi nol

  • AI Overview appearance: seberapa sering brand Anda muncul dalam AI Overviews Google

  • Answer selection accuracy: apakah konten Anda dipilih sebagai jawaban

Kekuatan AEO

Memenangkan “answer layer” di Google dan voice search. Ketika dikutip di AI Overviews, CTR meningkat hingga 35%. Ini sangat efektif untuk top-of-funnel, pertanyaan berbasis intensi tinggi seperti “apa itu X” atau “bagaimana cara Y”.

Keterbatasan AEO

AEO terutama bekerja di dalam ekosistem Google. AEO tidak secara langsung mengatasi visibilitas di ChatGPT, Perplexity, atau Gemini—di mana mekanisme sitasi dan rekomendasi berbeda.

GEO 2026: The Recommendation Engine

Generative Engine Optimization (GEO) adalah disiplin untuk membuat brand Anda direkomendasikan dalam jawaban AI di ChatGPT, Gemini, Perplexity, Claude, dan platform AI-native lainnya. Berbeda dengan SEO dan AEO yang berfokus pada “ranking” atau “jawaban,” GEO berfokus pada citability dan rekomendasi brand.

Apa yang Dikerjakan GEO

  • Entity authority: membangun sinyal konsistensi brand di seluruh web

  • Citation density: data orisinal, statistik, dan kutipan yang dapat digunakan AI

  • Third-party presence: muncul di 4+ platform pihak ketiga meningkatkan peluang sitasi AI hingga 2.8x

  • Original research: data kepemilikan yang tidak bisa ditemukan di tempat lain

  • First-party buyer data: menggunakan pertanyaan pelanggan nyata untuk membentuk konten

Metrik GEO

  • Citation rate: seberapa sering brand Anda dikutip dalam jawaban AI

  • Brand mention frequency: seberapa sering brand disebut di ChatGPT, Gemini, Perplexity

  • Share of voice: persentase kemunculan brand dibanding kompetitor di AI search

  • Sentiment score: apakah AI mendeskripsikan brand secara positif

Kekuatan GEO

Traffic dari AI search memiliki conversion rate 10.5-15.9%—jauh lebih tinggi dari SEO (1.76%). Pengunjung AI search sudah “pre-qualified” karena mereka telah mendapatkan informasi awal dari percakapan AI sebelum mengunjungi website Anda. GEO adalah strategi kunci untuk mid-to-bottom funnel, terutama untuk B2B dan produk dengan siklus pembelian panjang.

Keterbatasan GEO

Volume masih rendah—hanya sekitar 0.21% dari total traffic web saat ini. GEO juga tidak menggantikan kebutuhan akan SEO sebagai volume engine.

Perbandingan Langsung: Kapan Menggunakan Apa

SEO

  • Kapan diprioritaskan: selalu—ini adalah fondasi non-negotiable untuk semua brand

  • Jenis konten: semua konten yang perlu ditemukan di Google

  • Funnel: top-of-funnel discovery, branded search

AEO

  • Kapan diprioritaskan: ketika brand perlu memenangkan “answer layer” di Google untuk pertanyaan spesifik

  • Jenis konten: FAQ, definisi, panduan how-to, perbandingan produk sederhana

  • Funnel: top-to-middle funnel, pertanyaan intensi tinggi

GEO

  • Kapan diprioritaskan: ketika brand perlu direkomendasikan di ChatGPT, Gemini, Perplexity untuk keputusan pembelian

  • Jenis konten: original research, studi kasus, perbandingan mendalam, thought leadership

  • Funnel: middle-to-bottom funnel, pertimbangan dan keputusan pembelian

Contoh Praktis

Bayangkan brand B2B software yang ingin terlihat untuk topik “marketing automation.”

SEO: Membangun 50+ halaman blog tentang marketing automation, keywords, backlinks, technical SEO. Tujuannya: ranking di Google untuk berbagai keyword terkait.

AEO: Membuat halaman “apa itu marketing automation” dengan jawaban 40 kata di awal, FAQ schema, heading berbasis pertanyaan. Tujuannya: muncul di featured snippet dan AI Overview saat pengguna bertanya “apa itu marketing automation”.

GEO: Menerbitkan laporan riset orisinal tentang “State of Marketing Automation 2026” dengan data proprietary, metodologi jelas, dan statistik yang dapat dikutip. Tujuannya: ChatGPT dan Gemini mengutip laporan tersebut saat menjawab “platform marketing automation terbaik untuk enterprise”.

Strategi Terintegrasi: Jangan Pilih Salah Satu

Kesalahan terbesar yang dilakukan brand adalah memperlakukan SEO, AEO, dan GEO sebagai pilihan “salah satu”. Padahal, ketiganya bekerja secara berlapis dan saling memperkuat.

GEO membutuhkan SEO sebagai fondasi teknis dan authority. Tanpa domain yang sehat dan backlink berkualitas, AI engine akan kesulitan mempercayai brand Anda. GEO tidak bekerja dalam ruang hampa—perlu technical authority yang dibangun melalui SEO.

GEO juga membutuhkan AEO untuk answer clarity. Struktur Q&A yang jelas, FAQ schema, dan jawaban langsung adalah sinyal yang sama-sama digunakan Google dan AI engine untuk memahami konten. Original research yang terstruktur dengan baik lebih mungkin dikutip daripada penelitian yang sulit dipahami AI.

Kerangka lima lapis yang direkomendasikan oleh praktisi SEO mencakup:

  1. Lapisan Fakta: Konsistensi informasi brand, entity clarity, structured data

  2. Lapisan Bukti: Case studies, data orisinal, sertifikasi industri

  3. Lapisan Jawaban: Konten Q&A yang siap diekstrak AI

  4. Lapisan Sitasi: Kehadiran di platform pihak ketiga (media, forum, community)

  5. Lapisan Pemantauan: Melacak brand mentions di semua AI platform

Setiap lapisan ini mendukung SEO, AEO, dan GEO secara bersamaan—bukan salah satunya.

Kesimpulan: Dari Click-Centric ke Visibility-Centric

SEO, AEO, dan GEO di 2026 bukanlah tiga disiplin yang terpisah—mereka adalah tiga dimensi dari strategi visibilitas yang sama. SEO adalah fondasi volume. AEO adalah answer layer yang membuat Anda dipilih di Google. GEO adalah recommendation engine yang membuat Anda direkomendasikan di AI search. Ketiganya saling memperkuat.

Sebelum menyusun strategi, pahami di mana audiens Anda mencari dan pada tahap mana mereka berada. Pengguna yang mencari “apa itu X” membutuhkan AEO. Pengguna yang membandingkan “X vs Y untuk enterprise” membutuhkan GEO dan SEO. Brand yang berhasil di 2026 akan membangun strategi yang mencakup ketiganya—dan tidak akan terjebak dalam perdebatan “mana yang lebih baik.”

RAG Optimization: Strategi Membuat Konten yang Mudah Ditemukan dan Dikutip oleh AI Retrieval System

Tinggalkan Balasan

Pelajari strategi RAG Optimization untuk membuat konten Anda mudah ditemukan dan dikutip oleh sistem retrieval AI seperti ChatGPT dan Perplexity. Panduan lengkap 2026.

Di era di mana ChatGPT, Perplexity, dan Gemini menjadi tujuan utama pencarian informasi, visibilitas konten Anda tidak lagi ditentukan oleh peringkat di halaman hasil pencarian. Visibilitas kini ditentukan oleh apakah konten Anda dapat ditemukan dan dikutip oleh sistem Retrieval-Augmented Generation (RAG).

RAG adalah arsitektur yang mendasari hampir semua AI search engine modern. Prosesnya sederhana namun brutal: sistem memecah konten menjadi potongan-potongan kecil (chunks), mengubahnya menjadi vektor numerik, lalu ketika pengguna mengajukan pertanyaan, AI mencari potongan yang paling relevan dan mensintesis jawaban darinya. Jika konten Anda tidak di-retrieve pada tahap ini, konten Anda tidak pernah muncul—sekualitas apa pun isinya.

Artikel ini akan membahas secara mendalam apa itu RAG Optimization, karakteristik konten yang “RAG-friendly”, teknik optimasi yang terbukti meningkatkan citation rate, serta cara mengukur keberhasilan strategi ini.

Apa Itu RAG Optimization dan Mengapa Ini Penting?

Memahami Arsitektur RAG

RAG (Retrieval-Augmented Generation) adalah pendekatan yang menggabungkan retrieval (pencarian dokumen) dengan generation (pembuatan teks oleh LLM). Dalam konteks AI search, alur kerjanya adalah:

  1. Chunking: Dokumen panjang dipecah menjadi potongan-potongan kecil (biasanya 200-500 kata)

  2. Embedding: Setiap chunk diubah menjadi vektor numerik yang merepresentasikan maknanya

  3. Retrieval: Ketika pengguna mengajukan pertanyaan, sistem mencari chunk dengan vektor paling mirip dengan vektor pertanyaan

  4. Synthesis: LLM mengambil chunk yang relevan dan menyusun jawaban, dengan atau tanpa menyebutkan sumbernya

Dalam proses ini, “kemenangan” terjadi di dua titik: retrieval (konten Anda terpilih dari jutaan dokumen) dan citation (AI memutuskan untuk mengutip konten Anda sebagai sumber). RAG Optimization adalah upaya sistematis untuk meningkatkan peluang kemenangan di kedua titik tersebut.

Mengapa RAG Optimization Menjadi Prioritas di 2026

Penelitian dari ACM Digital Library yang menganalisis 252.000 percobaan di enam LLM menemukan bahwa topical relevance dan posisi dalam daftar retrieval adalah pendorong terbesar konten dikutip. Ini berarti: konten Anda tidak hanya harus relevan, tetapi juga harus terstruktur sedemikian rupa sehingga sistem RAG dapat dengan mudah mencocokkannya dengan pertanyaan pengguna.

Lebih lanjut, studi dari The GEO Lab menunjukkan bahwa perubahan struktur semata—tanpa mengubah satu kata pun konten—dapat meningkatkan citation rate dari 37% menjadi 61%. Perbedaannya terletak pada gaya penulisan: naratif vs deklaratif, konteks di awal vs jawaban di awal.

Karakteristik Konten yang “RAG-Friendly”

1. Self-Contained Chunks (Potongan yang Berdiri Sendiri)

Sistem RAG tidak membaca seluruh artikel Anda secara utuh. Mereka mengekstrak potongan-potongan tertentu berdasarkan pertanyaan pengguna. Jika sebuah potongan bergantung pada informasi dari potongan lain—misalnya menggunakan kata “ini” atau “proses tersebut” tanpa menjelaskan apa yang dimaksud—potongan itu akan kehilangan makna ketika diekstrak sendiri.

Contoh buruk (dangling reference):

“Ini menawarkan beberapa keunggulan termasuk resolusi yang lebih cepat. Seperti yang telah dibahas sebelumnya, ini penting untuk situs dengan traffic tinggi.”

Contoh baik (self-contained):

“Anycast DNS menawarkan resolusi yang lebih cepat dengan merutekan query ke server terdekat. Anycast DNS meningkatkan keandalan melalui failover otomatis. Untuk situs dengan traffic tinggi, Anycast DNS mencegah single point of failure.”

2. Jawaban di Awal (BLUF – Bottom Line Up Front)

Eksperimen The GEO Lab membuktikan bahwa gaya deklaratif dengan jawaban di awal paragraf menghasilkan citation rate 24 poin persentase lebih tinggi dibandingkan gaya naratif yang menaruh jawaban di tengah atau akhir.

Alasannya: ketika jawaban adalah kalimat pertama, “semantic distance” antara vektor pertanyaan dan vektor chunk menjadi lebih pendek. Sistem RAG lebih mudah mencocokkan chunk dengan pertanyaan pengguna karena poin utama langsung terlihat.

3. Headings yang Kaya Konteks

Heading tidak boleh generik. “Manfaat” tidak cukup—gunakan “Manfaat Domain Privacy Protection” atau “Cara DNSSEC Memvalidasi Respons DNS”. Heading yang kaya konteks membantu sistem RAG memahami topik chunk bahkan sebelum membaca isinya.

4. Entity-Explicit (Menyebutkan Entitas Secara Eksplisit)

Setiap chunk harus menyebutkan nama entitas (produk, konsep, brand) yang dibahas di kalimat pembuka. “Ini meningkatkan visibilitas” tidak berarti apa-apa dalam isolasi. “Struktur konten yang dioptimasi untuk AI meningkatkan visibilitas passage-level di sistem RAG” berarti segalanya.

5. Evidence Density (Kepadatan Bukti)

MIT menemukan bahwa konten dengan “high evidence density”—berisi data spesifik, angka, dan logical connectives—memiliki tingkat recall 72% lebih tinggi dalam sistem RAG dibandingkan konten deskriptif biasa. Setiap klaim harus didukung oleh angka, tanggal, studi kasus, atau kutipan dari sumber otoritatif.

Teknik Optimasi RAG Retrieval

1. Strukturisasi dengan Heading Hierarchy yang Jelas

Dokumentasi teknis Aisera merekomendasikan penggunaan heading yang deskriptif dan konsisten, karena membantu indexer mengidentifikasi bagian mana yang relevan dengan pertanyaan spesifik. Gunakan H1 untuk judul utama, H2 untuk topik besar, H3 untuk subtopik, dan pastikan setiap heading menjelaskan isi bagian tersebut.

2. Chunking yang Dioptimasi untuk AI

Meskipun Anda tidak dapat mengontrol bagaimana AI memotong konten Anda, Anda dapat membuat potongan alami yang sudah berdiri sendiri. Idealnya, setiap bagian (di bawah satu heading H2 atau H3) memiliki:

  • Panjang 100-200 kata (sesuai window retrieval RAG)

  • Satu ide utama yang dijelaskan tuntas

  • Jawaban atas satu pertanyaan potensial

  • Bukti atau contoh yang mendukung

3. Schema Markup untuk Pemahaman Entity

Structured data bukan lagi hanya untuk rich snippet. Schema markup seperti TechArticle, QAPage, HowTo, dan ClaimReview membantu AI engine memahami struktur dan konteks konten Anda. Gunakan citation dan mentions dalam JSON-LD untuk menghubungkan konten Anda dengan sumber otoritatif dan entity di knowledge graph.

4. FAQ Section sebagai “Query Magnet”

Bagian FAQ dalam format tanya-jawab secara langsung mencocokkan pertanyaan pengguna dengan konten Anda. Ini membuat sistem RAG lebih mudah menemukan dan mengutip konten Anda untuk query spesifik.

5. Data Orisinal dan Angka Spesifik

Penelitian dan data orisinal adalah “unfair advantage” dalam RAG optimization. AI engine memberikan bobot lebih tinggi pada konten yang berisi angka spesifik, tanggal, dan informasi yang tidak bisa ditemukan di tempat lain.

Cara Mengukur Keberhasilan RAG Optimization

1. Citation Rate

Citation rate adalah persentase jawaban AI di mana konten Anda dikutip sebagai sumber. Eksperimen The GEO Lab menggunakan metrik ini untuk membandingkan efektivitas struktur konten. Anda dapat mengukurnya dengan menjalankan query serupa secara manual atau menggunakan alat seperti Ahrefs Brand Radar.

2. Answer Share

Answer share mengukur seberapa sering brand Anda muncul dalam jawaban AI, baik sebagai sumber yang dikutip maupun sebagai entity yang disebut. AthenaHQ 2026 benchmark menunjukkan rata-rata brand memiliki answer share 17.2%, sementara pemimpin pasar mencapai 56.7%.

3. Cross-Source Consistency

AI engine secara aktif membandingkan informasi dari berbagai sumber. Jika informasi brand Anda tidak konsisten di berbagai platform (misalnya, deskripsi produk berbeda di website dan di media), AI akan menurunkan trust score dan mengurangi prioritas retrieval. Ini berarti konsistensi informasi menjadi metrik penting RAG optimization.

Kesimpulan: RAG Optimization sebagai Fondasi GEO

RAG Optimization bukan sekadar tren SEO—ini adalah fondasi baru visibilitas di era AI search. Sistem RAG adalah gatekeeper yang menentukan konten mana yang masuk ke dalam jawaban AI dan mana yang diabaikan.

Strategi yang terbukti efektif:

  1. Tulis dalam self-contained chunks: setiap bagian harus berdiri sendiri

  2. Letakkan jawaban di awal: BLUF meningkatkan citation rate secara drastis

  3. Gunakan heading yang kaya konteks: bantu AI memahami topik setiap bagian

  4. Sebutkan entitas secara eksplisit: jangan gunakan pronoun tanpa referent yang jelas

  5. Tambahkan data dan angka: evidence density meningkatkan recall RAG

  6. Implementasikan schema markup: bantu AI memahami struktur konten Anda

Langkah awal yang bisa Anda lakukan hari ini:

  1. Audit artikel Anda: cari kata “ini”, “tersebut”, “proses ini” tanpa referent yang jelas

  2. Perbaiki heading generik menjadi heading yang spesifik dan kontekstual

  3. Pindahkan jawaban utama ke awal setiap bagian

Dengan mengoptimasi konten untuk sistem RAG, Anda tidak hanya meningkatkan peluang dikutip oleh AI—Anda memenangkan pertarungan visibilitas di era di mana AI menjadi pintu gerbang utama informasi.

Earned Media vs Owned Media: Mana yang Lebih Dipercaya AI dalam Menentukan Sumber Jawaban?

Tinggalkan Balasan

Pahami perbedaan earned media dan owned media dalam perspektif AI search. Pelajari strategi membangun kredibilitas brand agar direkomendasikan ChatGPT dan Gemini.

Selama bertahun-tahun, strategi pemasaran konten berfokus pada membangun owned media—website, blog, dan konten yang sepenuhnya berada di bawah kendali brand. Namun, lanskap pencarian telah berubah drastis dengan hadirnya AI generatif. ChatGPT, Gemini, dan Perplexity tidak lagi sekadar meranking halaman web; mereka mensintesis jawaban dari berbagai sumber, dan ternyata mereka lebih sering mengutip earned media dibandingkan konten dari website brand itu sendiri .

Fenomena ini menjadi krisis eksistensial bagi brand yang hanya mengandalkan owned media. Jika AI lebih percaya pada apa yang orang lain katakan tentang Anda daripada apa yang Anda katakan tentang diri sendiri, bagaimana strategi konten harus diubah? Artikel ini akan membahas secara mendalam perbedaan earned media dan owned media dalam perspektif AI search, mengapa AI menunjukkan bias terhadap earned media, serta strategi membangun kredibilitas agar brand Anda direkomendasikan oleh asisten AI.

Memahami Earned Media dan Owned Media dalam Konteks AI

Sebelum membahas preferensi AI, penting untuk mendefinisikan kedua jenis media ini dalam konteks mesin pencari generatif.

Definisi Owned Media

Owned media adalah semua aset konten yang sepenuhnya berada di bawah kendali brand Anda. Ini mencakup website perusahaan, blog, halaman produk, whitepaper, studi kasus, dan konten di akun media sosial resmi. Keunggulan owned media adalah Anda memiliki kendali penuh atas pesan, format, dan jadwal publikasi. Namun, kelemahannya adalah kredibilitasnya terbatas karena audiens tahu bahwa konten tersebut bersifat promosi dari brand itu sendiri .

Definisi Earned Media

Earned media adalah liputan, penyebutan, atau rekomendasi yang diperoleh brand dari pihak ketiga yang independen. Ini mencakup artikel di media berita, ulasan pelanggan di platform review, mention di forum seperti Reddit dan Quora, kolaborasi dengan influencer, serta penelitian atau laporan yang mengutip brand Anda . Earned media memiliki kredibilitas tinggi karena berasal dari sumber yang tidak memiliki kepentingan finansial langsung dengan brand .

Mengapa AI Lebih Sering Mengutip Earned Media?

Data dari berbagai penelitian menunjukkan pola yang konsisten: AI engine seperti ChatGPT dan Perplexity lebih cenderung mengutip earned media daripada owned media. Mengapa?

Prinsip “Sumber Independen” dalam Pelatihan LLM

Model bahasa besar (LLM) dilatih untuk memprioritaskan informasi dari sumber yang dianggap otoritatif dan independen. Dalam proses pelatihan, konten dari media berita terkemuka, publikasi industri, dan forum komunitas mendapatkan bobot lebih tinggi karena dianggap lebih objektif dibandingkan konten promosi dari brand itu sendiri .

Fenomena LLM Seeding

Ada konsep yang disebut LLM seeding: ketika konten brand secara organik muncul dan dikutip di platform berotoritas tinggi seperti Reddit, GitHub, atau publikasi industri, AI akan “belajar” bahwa brand tersebut adalah sumber yang kredibel . Sebaliknya, konten yang hanya ada di website brand tanpa sitasi eksternal cenderung diabaikan oleh AI.

Data: Brand dengan Earned Media 2.8x Lebih Sering Dikutip

Penelitian dari 5WPR menunjukkan bahwa brand yang hadir di empat atau lebih platform pihak ketiga—seperti media berita, forum, dan platform review—2.8 kali lebih sering dikutip oleh ChatGPT dibandingkan brand yang hanya mengandalkan owned media . Ini adalah bukti kuat bahwa AI “mempercayai” earned media sebagai indikator otoritas.

Platform Komunitas Menyumbang Hingga 48% Sitasi AI

Lebih mengejutkan lagi, hingga 48% sitasi dalam jawaban AI berasal dari platform komunitas seperti Reddit dan YouTube, bukan dari situs web brand langsung. Ini berarti, jika brand Anda hanya fokus pada owned media, AI akan lebih cenderung mengutip pengguna lain daripada konten Anda sendiri.

Strategi Membangun Earned Media yang Citable oleh AI

Membangun earned media bukan sekadar mendapatkan liputan, tetapi memastikan liputan tersebut dapat ditemukan dan dikutip oleh AI. Berikut strategi yang terbukti efektif.

1. Digital PR dan Thought Leadership

Digital PR adalah fondasi earned media di era AI. Tujuannya bukan hanya mendapatkan backlink, tetapi membangun reputasi sebagai otoritas di bidang Anda. Caranya:

  • Terbitkan penelitian orisinal atau laporan data yang relevan dengan industri Anda. Konten berbasis data 40% lebih mungkin dikutip oleh AI engine .

  • Tawarkan expert commentary kepada media dan publikasi industri. Pastikan kutipan Anda mengandung brand name dan solusi spesifik.

  • Publikasikan opini atau artikel tamu di media ternama. Pastikan artikel tersebut dioptimasi dengan structured data agar mudah di-crawl oleh AI.

2. Bangun Kehadiran di Forum dan Komunitas

Reddit, Quora, dan forum industri adalah sumber utama citasi AI . Strateginya bukan promosi, tetapi memberikan jawaban yang autentik dan membantu. Saat AI memproses diskusi ini, brand yang aktif dan bermanfaat akan lebih sering dikutip.

3. Kelola Ulasan di Platform Review

Ulasan di Google Business Profile, Trustpilot, atau platform industri adalah earned media yang sangat kuat. AI engine sering mengutip ulasan pelanggan sebagai bukti sosial ketika menjawab pertanyaan tentang kualitas produk atau layanan . Dorong pelanggan untuk memberikan ulasan dan tanggapi setiap ulasan dengan profesional.

4. Kolaborasi dengan Influencer dan Kreator

Video review dan unboxing di YouTube atau TikTok tidak hanya menjangkau audiens, tetapi juga menjadi sumber citasi AI. Konten visual ini sering muncul dalam jawaban AI untuk query yang bersifat “how-to” atau “review” .

5. Pastikan Earned Media Machine-Readable

Bahkan earned media terbaik tidak akan dikutip AI jika tidak machine-readable. Pastikan artikel di media atau platform review memiliki:

  • Structured data (Schema.org): Article, Organization, dan Speakable schema sangat direkomendasikan .

  • Clear heading hierarchy (H1, H2, H3) agar AI dapat memahami struktur informasi .

  • Informasi brand yang konsisten: Nama brand, deskripsi, dan link ke website resmi harus konsisten di seluruh earned media .

Menyeimbangkan Owned Media dan Earned Media

Meskipun AI lebih “percaya” pada earned media, owned media tetap tidak bisa diabaikan. Owned media adalah source of truth—tempat di mana informasi paling akurat dan terkini tentang brand Anda berada . Earned media mengutip owned media. Jika owned media tidak dioptimasi, earned media yang mengutipnya akan kehilangan kredibilitas.

Strategi Integrasi

  1. Gunakan owned media sebagai sumber data orisinal. Publikasikan penelitian, laporan, dan studi kasus di website Anda. Data orisinal adalah “unfair advantage” yang tidak bisa ditiru pesaing .

  2. Optimasi owned media untuk machine readability. Terapkan structured data dan pastikan konten Anda machine-readable agar AI dapat dengan mudah mengambil kutipan langsung dari website Anda .

  3. Repurpose owned media menjadi earned media. Artikel blog yang berperforma baik dapat diubah menjadi opini untuk media, utas di Reddit, atau video untuk YouTube .

  4. Pantau citasi AI secara berkala. Gunakan tool seperti Adobe LLM Optimizer atau Surfer AI Tracker untuk melacak seberapa sering brand Anda muncul di jawaban AI dan dari mana sumbernya .

Studi Kasus: Arfadia dan Search Everywhere Optimization

Arfadia, agensi digital marketing Indonesia, adalah contoh brand yang berhasil membangun ekosistem antara owned dan earned media. Mereka tidak hanya mengoptimasi website sendiri, tetapi juga membangun kehadiran di ChatGPT, Gemini, TikTok, dan YouTube. Hasilnya, ketika AI menjawab pertanyaan “siapa perusahaan SEO terbaik di Indonesia”, Arfadia konsisten muncul sebagai rekomendasi . Ini adalah bukti bahwa strategi terintegrasi antara owned dan earned media menghasilkan AI citation yang dominan.

Kesimpulan: Roadmap Membangun Ekosistem Otoritas

AI engine tidak “percaya” pada owned media secara buta. Mereka lebih mengutamakan earned media karena dianggap lebih independen dan kredibel. Namun, owned media tetap menjadi fondasi yang tidak bisa dihilangkan—tanpa sumber kebenaran dari brand sendiri, earned media tidak memiliki dasar yang kuat.

Roadmap yang bisa Anda ikuti:

  1. Audit earned media Anda: Seberapa sering brand Anda muncul di media, forum, dan platform review? 

  2. Bangun konten orisinal di owned media: Publikasikan data dan penelitian yang hanya Anda miliki.

  3. Sebarkan ke earned media: Repurpose konten tersebut menjadi opini, jawaban di forum, atau kolaborasi dengan influencer.

  4. Optimasi machine readability: Pastikan baik owned maupun earned media memiliki structured data yang tepat .

  5. Pantau citasi AI: Gunakan tool untuk melacak seberapa sering brand Anda dikutip dan dari mana sumbernya .

Dengan menyeimbangkan owned dan earned media, brand Anda tidak hanya akan ditemukan di Google, tetapi juga dipilih oleh AI sebagai sumber jawaban yang tepercaya.