Cara Mengukur Visibilitas Brand di AI dengan Benar: Pelajaran dari Riset RADAR

Cara mengukur visibilitas brand di AI yang benar dimulai dari satu pertanyaan sederhana: angka ini sebenarnya menghitung apa? Banyak perusahaan kini menerima laporan skor “AI visibility”, yaitu seberapa sering brand mereka muncul di ChatGPT, Gemini, atau Google AI Mode, lalu langsung membandingkannya dengan kompetitor. Riset yang terbit di Fundamental and Applied Management Journal (Vol. 4 No. 3, 2026) menunjukkan bahwa cara membaca seperti ini mudah menyesatkan. Penyebabnya, angka-angka visibilitas AI sering dihitung dari dasar yang berbeda-beda.

Apa yang dimaksud dengan visibilitas brand di AI?

Visibilitas AI yang teramati (observable AI visibility) adalah pola kemunculan sebuah entitas, baik brand, perusahaan, maupun tokoh, beserta sumber yang dikutip dalam jawaban AI generatif, di bawah kondisi audit yang dinyatakan secara eksplisit. Definisi ini dirumuskan Dedy Budiman dalam paper berjudul “Recognition, Authority, Discovery, Asset Citation, and Reach (RADAR): A Governed Diagnostic Measurement Specification for Observable AI Visibility”. Poin pentingnya, kemunculan di jawaban AI bukan bukti bahwa AI “mengenal”, “memercayai”, atau “lebih menyukai” sebuah brand. Kemunculan itu hanyalah fakta yang teramati pada kondisi tertentu.

Kondisi audit menjadi penting karena jawaban AI tidak stabil. Vaidya dan Saini (2026) dalam jurnal MethodsX menguji 20 input identik yang masing-masing diulang lima kali dengan pengaturan yang sama, dan tetap menemukan variasi makna serta struktur jawaban. Grossman dan rekan (2026) menganalisis 11.500 query dalam konferensi ACM SIGIR dan menemukan tumpang tindih sumber yang rendah antara Google Search, AI Overviews, dan Gemini. Artinya, satu tangkapan layar jawaban AI tidak cukup untuk dijadikan dasar pengukuran.

Kenapa satu skor visibilitas AI bisa menyesatkan?

Kemunculan saat orang mengetik nama brand, kemunculan saat orang bertanya tentang kategori umum, jumlah sitasi, kepemilikan sumber, dan keluasan jangkauan adalah besaran yang berbeda. Masing-masing punya objek ukur, himpunan peluang, dan pembagi sendiri. Menggabungkan semuanya dalam satu dashboard bisa menghasilkan perbandingan kompetitor yang keliru dan mengarahkan anggaran ke masalah yang salah.

Logikanya mirip laporan penjualan. Angka total yang mencampur pelanggan baru dan pelanggan lama bisa terlihat sehat, padahal menyembunyikan masalah akuisisi. Riset RADAR memberi contoh nyata. Tiga audit organisasi di Indonesia mencatat tingkat kemunculan brand 100%, 55,6%, dan 83,1%. Sekilas angka itu tampak seperti peringkat. Namun ketiga audit dirancang dengan struktur peluang yang berbeda, sehingga angkanya tidak boleh dibandingkan pada satu skala.

Apa itu framework RADAR untuk mengukur AI visibility?

RADAR adalah spesifikasi pengukuran diagnostik yang memecah visibilitas AI menjadi lima pertanyaan terpisah tentang satu entitas fokus. Recognition melihat kemunculan dan representasi brand pada query yang menyebut nama brand. Authority melihat perlakuan evaluatif terhadap brand dalam jawaban AI, dengan prasyarat ketat sebelum boleh dihitung. Discovery melihat kemunculan brand pada query kategori yang tidak menyebut merek. Asset Citation melihat sitasi dan sifat sumber yang terkait brand, termasuk apakah sumber itu milik brand sendiri. Reach melihat keluasan representasi brand lintas kondisi audit yang sudah ditetapkan.

Setiap domain wajib menyatakan objek ukur, himpunan peluang, pembagi, target besaran deskriptif, kondisi audit, level identitas sumber, dan batas tafsirnya. Kelima domain tidak berbagi pembagi yang sama. Karena itu RADAR sengaja tidak meringkasnya menjadi satu skor universal, dan hasilnya dibaca sebagai profil.

Sebelum membaca laporan visibilitas AI apa pun, ajukan lima pertanyaan berikut:

• Apa yang sebenarnya dihitung?
• Dari peluang kemunculan yang mana?
• Apa pembaginya?
• Di platform, sesi, dan putaran apa?
• Pada level identitas sumber apa?

Apa temuan riset RADAR pada brand di Indonesia?

Dedy Budiman, peneliti doktoral di Universitas Prasetiya Mulya, menguji konsekuensi pengukuran ini pada tiga dataset audit dari tiga organisasi Indonesia yang dianonimkan. Setiap organisasi diaudit di Google AI Mode, ChatGPT, dan Gemini dalam tiga putaran. Totalnya ada 405 jawaban AI dengan 1.139 kemunculan sitasi. Ketiga kasus dipilih secara purposif sebagai ilustrasi, bukan sebagai sampel yang mewakili seluruh perusahaan Indonesia.

Temuan pertama menyangkut kepemilikan sumber. Porsi sitasi yang terbukti berasal dari aset milik organisasi sendiri hanya 1,6% sampai 11,8%. Yang lebih penting, 79% sampai 89% sitasi berstatus Unknown, artinya kepemilikannya tidak dapat dipastikan. Sisa di luar porsi milik sendiri karenanya tidak boleh langsung dilabeli “sumber pihak ketiga” atau “earned media”. Mengubah status Unknown menjadi pihak ketiga sama saja dengan menambahkan bukti yang tidak pernah diamati.

Temuan kedua menyangkut level identitas sumber. Sitasi yang sama bisa dihitung per halaman, per hostname, atau per domain. Pada salah satu dataset, 681 sitasi mengerucut menjadi 220 halaman, 105 hostname, dan 89 domain. Ketika satuan hitung digeser dari halaman ke domain, indeks konsentrasi HHI naik dari 0,014 menjadi 0,054, sementara jumlah efektif sumber turun dari sekitar 123 menjadi sekitar 32. Pola yang sama muncul di ketiga dataset. Sumbernya tetap sama, yang berubah adalah satuan ukurnya. Karena itu, laporan yang menyebut sumber AI tentang brand Anda “sangat beragam” atau “terkonsentrasi” tanpa menyebut levelnya belum bisa ditafsirkan.

Bagaimana manajer menggunakan RADAR untuk diagnosis?

Nilai praktis RADAR ada pada diagnosis sebelum tindakan. Kemunculan yang rendah pada query bermerek menunjukkan masalah representasi entitas. Kemunculan yang rendah pada query kategori menunjukkan masalah penemuan kategori. Sitasi aset milik sendiri yang lemah menunjukkan masalah aset dan asal-usul sumber. Jangkauan yang sempit lintas kondisi menunjukkan cakupan yang terbatas. Keempat diagnosis ini memakai pembagi yang berbeda, sehingga tidak bisa diperingkat pada satu skala dan masing-masing menuntut investasi yang berbeda.

Riset ini juga jujur tentang batasnya. RADAR bukan indeks universal yang sudah tervalidasi, bukan model sebab-akibat, dan bukan alat untuk memeringkat platform AI. Domain Authority masih membutuhkan validasi empiris. Riset ini juga belum menyatakan intervensi mana yang pasti berhasil. Yang ditawarkan RADAR adalah disiplin pengukuran: setiap angka harus datang bersama syarat dan batas tafsirnya.

Mengukur visibilitas brand di AI dengan benar bukan soal mengejar satu angka tertinggi. Intinya adalah memastikan setiap angka bisa dipertanggungjawabkan sebelum anggaran dikeluarkan. Bagi perusahaan yang mulai serius dengan AI visibility, pertanyaan yang paling berharga bukan “berapa skor kita?”, melainkan “skor ini menjawab pertanyaan diagnostik yang mana?”.

Beberapa pertanyaan berikut paling sering muncul ketika perusahaan mulai mengaudit kehadiran brand mereka di AI.