Auditing AI Together: Riset Brand Convergence dan Struktur Sitasi Google AI Mode
A Distributed Human-Auditor Study of Brand Convergence and Citation Structure in Google AI Mode
Apa yang diteliti dalam Auditing AI Together?
Penelitian ini mengaudit seberapa konsisten Google AI Mode menampilkan brand dan sumber kepada pengguna yang berbeda. Sebanyak 32 guru SMK dari enam pulau menjalankan protokol yang sama dalam kondisi incognito dan single-run, menghasilkan 512 observasi tingkat prompt dan 2.104 sitasi terklasifikasi.
Studi ini berfokus pada pertanyaan yang semakin penting bagi perusahaan: ketika konsumen meminta rekomendasi kategori kepada AI, brand apa yang muncul, seberapa konsisten kemunculannya, dan sumber apa yang digunakan AI sebagai dasar jawaban?
Bagaimana penelitian ini dilakukan?
Sumber: Budiman (2026), Auditing AI Together, Abstract dan Bagian 3.
Apa temuan utama audit Google AI Mode?
Brand menunjukkan konvergensi lintas auditor
Mean pairwise Jaccard convergence index tercatat 0,476. Angka ini mengukur kesamaan himpunan brand yang diterima auditor independen, bukan stabilitas antareksekusi.
Tidak ditemukan perbedaan signifikan Jawa–Sumatra
Kesepakatan antarwilayah sebesar 0,483 dan dalam wilayah sebesar 0,473. Perbedaannya tidak signifikan pada permutation test 5.000 iterasi (p = 0,76).
Ada stable core dan variable tail
Tiga brand developer utama muncul pada 31 dari 32 auditor atau 97%. Ketidaksepakatan lebih banyak muncul pada brand yang kurang dominan di bagian ekor.
Konvergensi berbeda menurut kategori
Exterior paint dan ceramics mencapai 0,61, sedangkan mortgage simulation mencapai 0,32. Pola ini konsisten dengan perbedaan tingkat konsolidasi kategori, tetapi bukan uji kausal market maturity.
Marketplace menjadi lapisan informasi AI
Marketplace dan platform memasok 20,5% dari seluruh sitasi. Dalam konteks Indonesia, portal properti dan e-commerce berfungsi bukan hanya sebagai kanal transaksi, tetapi juga sebagai sumber informasi AI.
Sumber sitasi tersebar luas
Domain terbesar hanya menyumbang 5,9%, sedangkan 52,2% sitasi berada di luar 20 domain teratas. Ekosistem sumber lebih menyerupai long tail daripada oligopoli beberapa domain.
Sumber: Budiman (2026), Bagian 4, hlm. 9–12.
Apa arti temuan ini bagi brand Indonesia?
AI visibility tidak cukup dibangun melalui website resmi saja. Dalam snapshot penelitian ini, Google AI Mode menggunakan kombinasi sumber pihak ketiga, website milik brand, social media, serta marketplace dan platform.
“Understanding not only whether brands are visible but how that visibility is structured becomes an increasingly central question for research and strategy alike.”
— Dedy Budiman, Auditing AI Together, Conclusion, p. 18
Apa itu Distributed Human-Auditor Design?
Distributed Human-Auditor Design adalah pendekatan audit yang melibatkan banyak pengguna nyata untuk menjalankan protokol yang sama dari perangkat, jaringan, dan lokasi masing-masing. Pendekatan ini memungkinkan peneliti mengukur kesamaan atau perbedaan keluaran AI lintas pengguna—sesuatu yang tidak dapat diamati secara memadai melalui satu operator saja.
1. Protokol bersama
Auditor menerima prompt dan tata cara pelaksanaan yang sama.
2. Eksekusi terdistribusi
Query dijalankan secara independen dari akses nyata yang berbeda.
3. Analisis konvergensi
Kumpulan brand dibandingkan dengan pairwise Jaccard similarity.
Metode ini merupakan penerapan crowdsourced/collaborative algorithm audit pada generative search; paper tidak mengklaim sebagai pencipta pertama seluruh tradisi crowdsourced auditing.
Apa itu MOSE Framework?
MOSE adalah adaptasi kerja dari PESO untuk menganalisis sumber yang dikutip AI dalam ekosistem digital yang marketplace-centric. Framework ini memisahkan marketplace dan platform dari earned media agar perannya tidak hilang dalam klasifikasi umum.
Marketplace/Platform
Portal listing dan platform transaksi seperti portal properti dan e-commerce.
Owned
Website atau domain resmi milik brand yang sedang dibahas.
Social
Platform social media dan user-generated content.
Earned
Media, situs ulasan, blog, akademik, pemerintah, dan sumber pihak ketiga.
MOSE ditawarkan sebagai working adaptation. Validitasnya perlu diuji pada engine, sektor, negara, dan proses klasifikasi lain.
Bagaimana paper ini memperkuat AIVOCUS?
AIVOCUS
Menjadi payung konseptual untuk memahami mekanisme visibilitas, arsitektur optimasi, pengukuran, dan dimensi etika.
SCOPE
Dapat digunakan untuk memilih, menyusun, membekukan, dan memvalidasi prompt audit. SCOPE belum diuji secara formal dalam paper ini.
RADAR
Menerjemahkan audit menjadi Recognition, Authority, Discovery, Asset Citation, dan Reach. Brand convergence dapat menjadi salah satu indikator Reach.
PANDU
Menghubungkan Position, Audit, Navigate, Deploy, dan Upgrade. Paper terutama memberi dasar bagi tahap Audit dan Navigate.
Batas akademik: paper membantu menentukan apa yang perlu diamati dan diukur, tetapi tidak menguji apakah penerapan AIVOCUS menyebabkan peningkatan visibility atau hasil bisnis.
Apa keterbatasan penelitian ini?
- Merupakan snapshot pada Mei 2026, bukan pengukuran longitudinal.
- Hanya mengaudit Google AI Mode, bukan perbandingan lintas engine.
- Berfokus pada 13 kategori terkait properti di Indonesia.
- Setiap auditor menjalankan satu kali eksekusi per prompt.
- Perbandingan wilayah yang memadai hanya Jawa dan Sumatra.
- Convergence index adalah ukuran konsensus, bukan personalization metric langsung.
- MOSE merupakan adaptasi kerja dan belum menjadi model tervalidasi lintas konteks.
- Temuan bersifat deskriptif; penelitian ini bukan causal test atas intervensi AIVO.
Pertanyaan tentang riset AI Visibility ini
Apakah penelitian ini membuktikan Google AI Mode tidak melakukan personalisasi geografis?
Tidak. Penelitian hanya menemukan bahwa dalam perbandingan Jawa–Sumatra pada prompt kategori nasional, tingkat kesepakatan antarwilayah tidak berbeda signifikan dari tingkat kesepakatan dalam wilayah.
Apakah hasilnya berlaku untuk seluruh Indonesia?
Tidak dapat disimpulkan demikian. Walaupun auditor berasal dari enam pulau, hanya Jawa dan Sumatra yang memiliki jumlah auditor memadai untuk perbandingan regional.
Mengapa marketplace dipisahkan dari earned media?
Marketplace dan portal listing memiliki fungsi penemuan dan transaksi yang berbeda dari media editorial. Pemisahan tersebut membantu melihat peran platform sebagai lapisan informasi dalam ekosistem digital Indonesia.
Apakah MOSE sudah menjadi framework yang tervalidasi?
Belum. MOSE ditawarkan sebagai adaptasi kerja dari PESO dan masih perlu direplikasi serta diuji pada sektor, engine, dan negara lain.
Bagaimana perusahaan dapat menggunakan penelitian ini?
Perusahaan dapat menggunakannya sebagai dasar untuk mengaudit konsistensi kemunculan brand, posisi core atau tail, struktur sumber MOSE, dan sebaran domain yang membentuk representasi brand dalam jawaban AI.
Di mana paper lengkap dapat dibaca?
Paper lengkap tersedia melalui halaman resmi SSRN.
Bagaimana cara mengutip paper ini?
Dedy Budiman, M.Pd.
Dedy Budiman adalah sales trainer, mahasiswa doktoral Universitas Prasetiya Mulya, serta peneliti sales, consumer behavior, dan AI-assisted consumer information search. Ia mengembangkan AIVOCUS Framework dan metode audit untuk membantu brand Indonesia memahami bagaimana mereka ditemukan, dikutip, dan direkomendasikan oleh AI.
Baca profil lengkap Dedy Budiman atau pelajari artikel terkait tentang AI Citation Gap Indonesia 2026.