Artikel · Solusi Pena

Bagikan ke:
Ringkasan
Jawaban singkat: Mengukur reputasi jawaban AI berarti memantau tiga hal secara berkala dengan set pertanyaan tetap: seberapa sering institusi disebut, dengan nada apa, dan seberapa jauh narasinya menyimpang dari narasi resmi. Penakita menempatkan pengukuran ini sebagai perluasan Communication Intelligence. Mengejar "peringkat satu" di ChatGPT justru mengukur hal yang tidak pernah diam di tempatnya.
Peringkat di jawaban AI tidak berguna sebagai ukuran reputasi karena posisinya tidak stabil. Mesin jawaban seperti ChatGPT atau Google AI Overviews menyusun ulang jawabannya setiap kali ditanya. Hasilnya bisa berbeda antarpertanyaan, antarwaktu, dan antarpengguna. Angka yang berubah setiap kali dicek tidak bisa dipakai untuk memantau perkembangan, apalagi dilaporkan ke direksi.
Sering terjadi, tim komunikasi diminta "mengecek posisi kita di ChatGPT". Seseorang mengetik satu pertanyaan, menangkap layar, lalu tangkapan layar itu masuk ke bahan rapat. Minggu berikutnya orang lain mengetik pertanyaan serupa dan mendapat jawaban yang berbeda. Rapat pun habis untuk memperdebatkan tangkapan layar mana yang benar.
Kami melihat akar kebingungannya pada cara pandang. Banyak organisasi memperlakukan jawaban AI sebagai versi baru halaman hasil pencarian, yaitu daftar yang bisa didaki. Jawaban AI bukan papan peringkat, melainkan kanal distribusi persepsi: tempat publik menerima cerita tentang institusi Anda yang sudah diringkas oleh pihak yang tidak Anda kendalikan. Kalau kanalnya bekerja seperti media, ukurannya juga harus seperti ukuran media, yaitu siapa yang disebut, bagaimana disebutnya, dan apakah ceritanya benar.
Untuk mengukur reputasi jawaban AI, Penakita memakai Kerangka 3 Lapis Persepsi AI, yaitu pembacaan berulang atas jawaban mesin AI melalui tiga lapis: Frekuensi, Nada, dan Akurasi Narasi. Ketiga lapis ini diukur dengan set pertanyaan yang sama dari waktu ke waktu. Karena itu yang terbaca adalah pola, bukan kebetulan satu kali bertanya.
Frekuensi menjawab seberapa sering institusi Anda muncul ketika publik menanyakan topik yang relevan dengan mandat atau bisnis Anda. Nada menjawab apakah penyebutan itu positif, netral, atau negatif. Akurasi Narasi menjawab apakah yang diceritakan selaras dengan narasi resmi atau sudah menyimpang. Perbedaannya dengan metrik pencarian lama terlihat jelas bila disandingkan:
| Aspek | Metrik SEO lama | Kerangka 3 Lapis Persepsi AI |
|---|---|---|
| Pertanyaan utama | Di urutan berapa kita muncul? | Seberapa sering, dengan nada apa, dan seberapa akurat kita diceritakan? |
| Satuan ukur | Posisi halaman | Pola penyebutan dari set pertanyaan tetap |
| Stabilitas | Relatif stabil per kata kunci | Berubah per jawaban, jadi dibaca sebagai tren |
| Yang dilindungi | Trafik ke website | Persepsi dan kepercayaan publik |
| Pemilik masalah | Tim digital | Corporate Communication dan Sekretaris Perusahaan |
| Keputusan yang dihasilkan | Optimasi halaman | Perbaikan narasi dan sumber fakta resmi |
Tabel ini juga menunjukkan pergeseran pemilik masalahnya. Begitu ukurannya berpindah dari posisi ke persepsi, urusan jawaban AI berpindah dari meja tim digital ke meja pemilik narasi institusi.
Narasi institusi terus menyimpang di jawaban AI karena dua penyebab yang perlu dipisahkan: narasi resmi yang lemah dan sumber luar yang lebih kuat. Kedua penyebab ini menghasilkan gejala yang sama, yaitu cerita yang keliru atau usang, tetapi obatnya berbeda. Tanpa memisahkannya, tim komunikasi akan mengobati gejala dan heran mengapa masalahnya kembali.
Lapis Akurasi Narasi adalah lapis yang paling sering terlewat. Sebuah institusi bisa sering disebut dengan nada positif, padahal fakta yang diceritakan sudah tidak berlaku. Contohnya struktur organisasi lama, program yang sudah selesai, atau angka kinerja tahun lalu. Dashboard sentimen akan mencatatnya sebagai kabar baik.
Di sinilah kami meminjam logika Gap Score dari praktik Communication Intelligence kami, yaitu mengukur jarak antara narasi resmi dan apa yang disampaikan pihak lain. Dalam konteks AI, "pihak lain" itu adalah mesin jawaban. Setelah jaraknya terukur, kami menelusuri asal penyimpangan. Bila website, laporan tahunan, dan siaran pers sendiri saling bertentangan atau tidak diperbarui, sumber masalahnya ada pada narasi resmi. Bila sumber resmi sudah rapi tetapi cerita lama dari pihak ketiga masih mendominasi, masalahnya ada pada distribusi.
Kasus Google AI Overviews memperlihatkan seberapa cepat narasi buatan mesin bisa keluar jalur. Forbes melaporkan bahwa pada Mei 2024 Google membatasi fitur ringkasan AI di mesin pencarinya setelah fitur itu menyarankan pengguna memakai lem di piza dan memakan batu. Jawaban-jawaban itu viral di media sosial. Kepala pencarian Google, Liz Reid, menyampaikan lewat blog resmi bahwa cakupan fitur diperkecil dan pagar pengaman ditambah, sambil mengakui ada jawaban yang aneh dan tidak akurat. CNBC kemudian melaporkan Reid mengatakan kepada staf bahwa Google tidak akan selalu menemukan kesalahan. Pembuat sistemnya sendiri mengakui kesalahan akan tetap lolos. Karena itu, institusi tidak bisa menunggu mesinnya diperbaiki. Yang bisa dikendalikan institusi bukan mesinnya, melainkan kekuatan dan konsistensi sumber fakta yang dibaca mesin itu.
Peluang institusi disebut akurat oleh mesin jawaban AI meningkat ketika sumber fakta resminya konsisten, mutakhir, dan mudah ditemukan. Kami sengaja tidak menjanjikan cara pasti "masuk ChatGPT". Cara mesin memilih sumber tidak sepenuhnya terbuka, dan setiap pihak yang menjanjikan kepastian teknis sedang menjual sesuatu yang belum bisa dibuktikan.
Prinsip yang menurut kami layak dipegang tim Corporate Communication ada empat:
Ada trade-off yang perlu diakui. Bagi institusi yang jarang ditanyakan publik, misalnya entitas yang kecil, sangat teknis, atau baru berdiri, investasi pada pemantauan AI belum tentu sepadan. Pekerjaan paling berdampak bagi mereka adalah merapikan sumber fakta resmi lebih dulu. Pemantauan baru berguna setelah ada narasi resmi yang layak dijadikan patokan.
AI perception audit dalam Communication Intelligence berposisi sebagai perluasan audit persepsi dan pertahanan pencarian, bukan disiplin yang berdiri terpisah. Fondasinya tetap sama: membaca percakapan, menilai persepsi, dan menjaga hasil pencarian. Bedanya hanya pada kanal yang dibaca, yaitu cerita tentang institusi yang disusun ulang oleh mesin, bukan oleh manusia.
Pembagian kerjanya bisa dirumuskan sederhana. Monitoring menjawab APA yang sedang dibicarakan publik. Audit persepsi menjawab MENGAPA publik memandang institusi dengan cara tertentu. Pemeriksaan jawaban AI menjawab BAGAIMANA institusi diceritakan ulang oleh mesin kepada orang yang belum pernah berinteraksi langsung dengannya. Lapis ketiga ini yang paling sering membentuk kesan pertama, dan paling jarang diperiksa.
Karena berposisi sebagai perluasan, temuannya juga harus masuk ke alur keputusan yang sudah ada. Penyimpangan narasi yang ditemukan di jawaban AI perlu dibahas di forum yang sama dengan hasil audit persepsi dan pemantauan isu, bukan dalam laporan terpisah yang tidak pernah dibuka.
Dampak 6–12 bulan ke depan bagi institusi yang belum mengukur reputasinya di jawaban AI adalah selisih yang terus melebar antara narasi resmi dan cerita yang diterima publik. Calon mitra, regulator, jurnalis, dan pencari kerja makin sering memulai riset dari mesin jawaban. Cerita yang usang akan menjadi kesan pertama yang harus diluruskan belakangan.
Kabar baiknya, langkah awalnya murah. Dalam satu kuartal, tim Anda bisa menyusun set pertanyaan tetap dari pertanyaan yang benar-benar diajukan publik, menetapkan narasi resmi sebagai patokan, lalu menjalankan pembacaan pertama untuk ketiga lapis. Hasil pertama ini menjadi baseline. Pada pembacaan berikutnya, setiap penyimpangan bisa ditelusuri ke sumbernya: narasi resmi yang perlu dirapikan, atau distribusi yang perlu diperkuat.
Bagi direksi, nilai terbesarnya ada pada bahasa laporannya. Laporan tidak lagi berbunyi "kita peringkat berapa", tetapi "di bagian mana cerita kita menyimpang dan siapa yang memperbaikinya". Institusi yang lebih dulu memiliki baseline akan bereaksi berdasarkan data saat jawaban AI keliru, sementara yang lain bereaksi berdasarkan tangkapan layar.
Frekuensinya sebaiknya mengikuti ritme perubahan narasi institusi, misalnya bulanan atau kuartalan, dan selalu memakai set pertanyaan yang sama. Pengecekan acak kapan saja justru menghasilkan data yang tidak bisa dibandingkan. Saat ada aksi korporasi atau isu besar, pembacaan tambahan layak dijalankan.
Belum tentu. Jawaban bisa bernada positif tetapi memuat fakta usang atau keliru, sehingga publik menerima gambaran yang salah tentang institusi Anda. Karena itu lapis Akurasi Narasi perlu diukur terpisah dari nada.
GEO untuk toko online umumnya mengejar trafik dan penjualan. Bagi perusahaan korporat dan institusi publik, taruhannya adalah kepercayaan dan ketepatan narasi di mata pemangku kepentingan. Ukurannya bergeser dari kunjungan ke persepsi.
Idealnya fungsi yang memegang narasi resmi, yaitu Corporate Communication atau Sekretaris Perusahaan, dengan dukungan tim digital untuk urusan teknis. Bila pengukuran ini diletakkan hanya di tim digital, perbaikannya cenderung berhenti di halaman web dan tidak menyentuh narasi.
Bila Anda ingin melihat bagaimana institusi Anda diceritakan ulang oleh mesin jawaban AI dan di bagian mana narasinya mulai bergeser, tim Penakita terbuka untuk berdiskusi atau memulainya lewat Communication Audit.