Artikel · Catatan Pena
Bagikan ke:
Ringkasan
Jawaban singkat: Risiko terbesar bagi reputasi perusahaan di AI adalah kesenjangan narasi yang bernada netral sehingga lolos dari monitoring sentimen. Kesenjangan ini hanya terbaca lewat AI Perception Audit, yaitu uji berulang yang dicocokkan dengan fakta resmi. Penakita memakai kerangka tiga lapis ini untuk membaca persepsi institusi. Bertanya sekali ke ChatGPT tidak cukup karena jawabannya selalu berubah.
Reputasi perusahaan di AI perlu diaudit karena mesin jawaban mulai menjadi pintu masuk informasi. Stakeholder seperti jurnalis, calon mitra, atau investor semakin mungkin bertanya ke sana sebelum membuka website resmi. Jawaban yang mereka terima bisa menjadi kesan pertama yang tidak ditulis tim komunikasi Anda. Kesan itu bisa akurat, usang, atau keliru. Tanpa pengujian, Anda tidak tahu mana yang terjadi.
Data yang tersedia sejauh ini baru mengukur konsumen berita umum, bukan jurnalis atau investor secara khusus. Reuters Institute Digital News Report 2025 mencatat 7% responden memakai chatbot AI untuk mencari berita setiap minggu. Di kelompok usia di bawah 25 tahun, angkanya naik menjadi 15%. Persentase ini masih kecil. Pembacaan kami, yang bukan implikasi langsung dari data tersebut, adalah bahwa kebiasaan ini berpeluang terbawa ketika generasi muda itu masuk ke dunia kerja, termasuk ke meja redaksi, tim analis, dan ruang pengadaan.
Kami menyebut metodenya AI Perception Audit: uji berulang terhadap mesin jawaban AI, dicocokkan dengan fakta resmi, lalu dipetakan kesenjangan narasinya. Definisi ini sengaja kami buat sempit. Audit ini tidak bertujuan mendongkrak trafik atau "menang" di hasil pencarian AI. Tujuannya membaca risiko reputasi yang selama ini tidak masuk radar siapa pun.
Panduan optimasi AI search yang beredar umumnya membahas cara agar merek muncul dan mendatangkan pengunjung. Panduan semacam itu berguna bagi pemasar, tetapi persoalan seorang Sekretaris Perusahaan berbeda. Ia perlu memastikan mesin AI menyebut nama direksi yang benar, mandat yang tepat, dan program yang memang sedang berjalan. Yang dipertaruhkan adalah kebenaran fakta, bukan peringkat.
Jawaban AI tentang institusi sering keliru karena asisten AI memang belum andal menyajikan informasi. Studi EBU dan BBC yang dirilis 22 Oktober 2025 melibatkan 22 media publik di 18 negara dan menilai lebih dari 3.000 jawaban ChatGPT, Copilot, Gemini, dan Perplexity. Hasilnya, 45% jawaban memiliki minimal satu masalah signifikan.
Rinciannya lebih menarik daripada angka utamanya. Sebanyak 31% jawaban bermasalah pada sumber, sementara 20% bermasalah pada akurasi. Artinya, persoalan yang paling sering muncul bukan sekadar mesin mengarang fakta. Mesin juga salah memilih sumber, salah mengutip, atau tidak jelas merujuk dari mana. Studi itu menilai jawaban seputar berita, bukan profil perusahaan. Meski begitu, kami menduga mekanisme kegagalannya serupa: mesin merangkum apa pun yang paling mudah dijangkaunya.
Bayangkan skenario ini. Halaman profil direksi belum diperbarui setelah RUPS. Laporan program terbaru hanya tersedia sebagai PDF puluhan halaman. Sementara itu, artikel pihak ketiga dari beberapa tahun lalu tetap mudah dibaca dan dikutip. Dalam kondisi seperti ini, wajar bila mesin AI merangkum sumber yang paling mudah diaksesnya.
Anggapan umum menyalahkan AI yang "berhalusinasi". Menurut pembacaan kami, penjelasan itu terlalu nyaman. Masalahnya jarang karena AI berbohong, melainkan karena institusi tidak menyediakan sumber fakta yang bisa dibaca mesin. Penelitian Aggarwal dkk. tentang Generative Engine Optimization, yang diterima di KDD 2024, menunjukkan strategi konten dapat menaikkan visibilitas di jawaban mesin generatif hingga 40%, meski efeknya bervariasi per domain. Konten yang terstruktur dan konsisten lebih berpeluang dikutip. Temuan ini sejalan dengan tesis yang mendasari ekosistem kami: jarak antara kualitas institusi dan persepsi publik lebih sering lahir dari masalah distribusi dan akses daripada masalah kualitas.
Prompt uji adalah lapis pertama dalam Kerangka 3 Lapis AI Perception Audit. Lapis ini berisi daftar pertanyaan terstruktur yang mewakili cara stakeholder sungguhan bertanya tentang institusi Anda. Prompt uji yang baik dikelompokkan per kategori, dijalankan berulang, dan diuji di lebih dari satu mesin AI karena jawaban mesin tidak pernah tetap.
Untuk cek reputasi perusahaan di ChatGPT dan mesin sejenis, kami menyarankan enam kategori berikut:
Kategori terakhir paling mudah terlewat. Di kategori inilah sebuah institusi bisa hilang tanpa pernah disebut keliru. Yang paling berbahaya dari jawaban AI sering bukan kalimat yang salah, melainkan nama Anda yang tidak pernah muncul.
Lapis ini menuntut disiplin teknis. Jalankan setiap prompt beberapa kali dalam sesi berbeda, catat versi mesin dan tanggalnya, lalu simpan jawabannya apa adanya. Tanpa catatan itu, audit berikutnya tidak punya pembanding.
Konsistensi fakta di jawaban AI dicek dengan menyandingkan setiap jawaban terhadap lembar fakta resmi, yaitu daftar nama direksi, program, dan angka yang sudah dipublikasikan institusi. Lapis kedua ini mengubah kesan "kok jawabannya aneh" menjadi temuan yang bisa diklasifikasi, diprioritaskan, dan dilaporkan ke pimpinan.
Lembar fakta resmi tidak perlu rumit. Format paling sederhana memuat empat kolom.
| Fakta | Sumber resmi | Tanggal pembaruan | Pemilik data |
|---|---|---|---|
| Susunan direksi saat ini | Halaman profil manajemen | Diisi setelah setiap RUPS | Sekretaris Perusahaan |
| Program unggulan dan cakupannya | Laporan tahunan dan halaman program | Diisi setelah laporan terbit | Unit pengelola program |
| Mandat dan struktur kepemilikan | Halaman profil institusi | Diisi saat struktur berubah | Sekretaris Perusahaan |
Kolom pemilik data dan tanggal pembaruan sering dianggap administratif. Justru dua kolom itu yang menentukan apakah selisih segera diperbaiki atau terus berputar tanpa penanggung jawab.
Setiap selisih lalu dikelompokkan ke dalam empat kelas. Jawaban keliru menyebut fakta yang salah. Jawaban usang menyebut fakta yang dulu benar, misalnya direksi periode sebelumnya. Jawaban hilang melewatkan program utama. Jawaban tercampur menempelkan atribut entitas lain yang namanya mirip. Fakta usang biasanya selesai dengan pembaruan halaman resmi, sedangkan fakta tercampur menuntut penegasan identitas di seluruh kanal.
Lapis ini tidak murah. Pengecekan konsistensi fakta memakan tenaga manual dan mustahil berjalan tanpa pemilik data internal yang jelas. Kemungkinan besar, temuan pertama sebuah AI Perception Audit justru ada di dalam rumah: institusi belum pernah memiliki lembar fakta resmi.
Kesenjangan narasi AI berbeda dari sentimen negatif media sosial. Jawaban AI bisa bernada netral, bahkan sopan, tetapi salah fakta, usang, atau menghapus narasi utama institusi. Monitoring sentimen mengukur emosi publik, sedangkan audit persepsi AI mengukur akurasi dan kelengkapan cerita yang beredar. Keduanya menjawab pertanyaan berbeda.
| Aspek | Monitoring sentimen media sosial | AI Perception Audit |
|---|---|---|
| Objek | Percakapan publik di platform | Jawaban mesin AI atas prompt uji |
| Sinyal utama | Nada positif, netral, negatif | Akurasi, kebaruan, kelengkapan fakta |
| Nada temuan | Sering emosional dan terlihat | Sering netral dan tidak mencolok |
| Kecepatan terdeteksi | Cepat bila volume naik | Tidak terdeteksi tanpa uji sengaja |
| Arah perbaikan | Respons, klarifikasi, engagement | Perbaikan sumber fakta resmi |
Perbedaan ini membuat banyak tim merasa aman padahal belum tentu. Dashboard mereka hijau, tetapi jawaban AI yang netral namun menghilangkan program utama Anda tidak akan pernah memicu alarm sentimen mana pun. Lapis ketiga, peta kesenjangan narasi, menyandingkan narasi utama yang ingin dikenal institusi dengan narasi yang benar-benar muncul di jawaban AI. Dari peta itu, tim melihat narasi mana yang tenggelam dan sumber mana yang perlu dibenahi lebih dulu.
Dampak kesenjangan narasi AI dalam 6–12 bulan ke depan kami perkirakan makin terasa seiring kemungkinan meluasnya kebiasaan memakai AI sebagai riset awal sebelum rapat, wawancara, atau keputusan kemitraan. Gartner pada Februari 2024 memprediksi volume mesin pencari tradisional turun 25% pada 2026 akibat chatbot AI. Itu prediksi, bukan hasil yang sudah terukur.
Apa pun angka akhirnya, arah bagi praktik AI PR Indonesia cukup jelas: kesenjangan narasi yang dibiarkan hari ini berisiko menjadi kesan pertama yang terus diulang. Langkah taktisnya tidak rumit. Pertama, tetapkan pemilik audit. Posisi paling tepat menurut kami adalah Corporate Communication bersama pengelola website, karena temuan audit hampir selalu berujung pada perbaikan halaman resmi. Kedua, tentukan ritme. Sebagai titik mulai, bukan standar baku, audit per kuartal cukup wajar, ditambah audit ulang setelah pergantian direksi, perubahan nama atau struktur, dan peluncuran program besar. Ketiga, perbaiki sumbernya. Terbitkan halaman fakta resmi yang ringkas, terstruktur, dan tersedia sebagai teks, bukan hanya PDF.
Pendekatan ini punya batas. Tidak ada institusi yang bisa mengendalikan jawaban AI; yang bisa dilakukan adalah membaca, mengukur, dan memperbaiki sumber fakta yang dirujuknya. Saran ini juga kurang mendesak bagi institusi yang jarang ditanyakan publik atau tidak berhadapan langsung dengan investor, media, dan mitra. Bagi institusi semacam itu, satu audit dasar sudah memadai sebelum memutuskan ritme berikutnya.
Tidak cukup. Jawaban AI berubah antarsesi dan antarmesin, sehingga satu jawaban hanya memberi potret sesaat. Jalankan prompt yang sama berulang kali dan catat hasilnya agar polanya terlihat.
Studi EBU dan BBC atas lebih dari 3.000 jawaban menemukan 45% di antaranya memiliki minimal satu masalah signifikan. Masalah sumber muncul di 31% jawaban dan masalah akurasi di 20%. Angka ini cukup menjadi alasan untuk menguji, bukan mengasumsikan.
Kami menyarankan Corporate Communication sebagai pemilik, bersama pengelola website dan unit pemilik data resmi. Tim komunikasi membaca narasinya, tim website memperbaiki sumbernya, dan pemilik data memastikan faktanya valid.
Periksa dulu apakah halaman resmi Anda sudah memuat direksi terbaru dalam format teks yang mudah dibaca. Fakta usang biasanya berakar pada sumber resmi yang belum diperbarui atau kalah mudah diakses dibanding artikel lama.
Tidak. Social listening membaca emosi dan percakapan publik, sedangkan AI Perception Audit membaca akurasi dan kelengkapan narasi di mesin jawaban. Keduanya saling melengkapi karena masing-masing menangkap risiko yang tidak terlihat oleh yang lain.
Jika Anda ingin tahu bagaimana mesin AI menggambarkan institusi Anda dan dari mana kesenjangannya berasal, tim Penakita terbuka untuk berdiskusi melalui sesi Communication Audit.
