Cara Mengetahui Apakah Brand Benar-benar Terlihat di ChatGPT, Gemini, dan Perplexity

Satu screenshot bukan audit.

Kalimat itu sebaiknya ditempel di ruang kerja siapa pun yang mulai mengukur AI visibility.

Karena pola yang sama terus berulang.

Seorang founder mengetik nama industrinya di ChatGPT.
Brand muncul.
Screenshot disimpan.

Besok marketing manager mencoba query sedikit berbeda di Gemini.
Brand hilang.

Siang hari analyst membuka Perplexity.
Brand muncul sebagai citation, tetapi tidak masuk rekomendasi.

Lalu tiga orang punya tiga kesimpulan berbeda.

“Kita kuat.”
“Kita hilang.”
“Kita cuma jadi source.”

Semuanya bisa benar.

Masalahnya adalah unit pengukurannya tidak jelas.

AI visibility bukan satu posisi yang tinggal dicek sekali.

Ia perlu diperlakukan seperti observasi berulang.

Mulai dari definisi: terlihat itu maksudnya apa?

Sebelum membuka platform, tentukan dulu level yang ingin diukur.

Brand mention:
nama brand muncul.

Owned citation:
website brand dipakai sebagai source.

Third-party citation:
source pihak ketiga tentang brand dipakai.

Recommendation:
brand masuk pilihan atau shortlist.

Referral:
user mengklik menuju website.

Action:
AI membantu user melakukan sesuatu yang terkait brand.

Kalau tidak membuat definisi, orang akan menyebut semua hal “visibility”.

Padahal business value-nya berbeda.

Brand yang sering dikutip sebagai sumber edukasi belum tentu direkomendasikan sebagai vendor.

Brand yang direkomendasikan belum tentu mendapat link.

Brand yang mendapat link belum tentu mendapat lead.

Langkah pertama: buat query universe dari buyer, bukan dari ego brand

Jangan mulai dari:
“Siapa brand terbaik di Indonesia?”

Itu terlalu luas.

Buat pertanyaan yang benar-benar mungkin ditanyakan buyer.

Misalnya B2B software:

“Apa yang perlu dibandingkan ketika memilih HRIS untuk 300 karyawan?”

“Rekomendasikan HRIS Indonesia yang punya approval bertingkat dan support implementasi.”

“Bandingkan vendor A, B, dan C untuk perusahaan multi-cabang.”

“Software apa yang cocok kalau payroll masih spreadsheet dan tim HR cuma tiga orang?”

Ada query informational.
Problem-aware.
Category.
Comparison.
Recommendation.
Transaction.

Campur secara proporsional.

Untuk audit awal, 30–50 query yang bagus jauh lebih berguna daripada 500 query generik.

Langkah kedua: kunci wording

AI sensitif terhadap phrasing.

“CRM terbaik”
dan
“CRM yang paling cocok untuk tim sales 20 orang di Indonesia”

bisa menghasilkan jawaban berbeda.

Kalau setiap minggu analyst mengganti wording, perubahan hasil tidak bisa dibedakan dari perubahan query.

Jadi simpan canonical query.

Boleh punya variasi.

Tetapi variation harus disengaja.

Contoh:

Q01A: “Rekomendasikan software payroll untuk perusahaan 200 orang di Indonesia.”

Q01B: “Apa pilihan payroll software yang masuk akal untuk bisnis 200 karyawan di Indonesia?”

Sekarang kita tahu dua phrasing masih berada di intent family yang sama.

Langkah ketiga: pisahkan platform

Jangan menggabungkan ChatGPT, Gemini, dan Perplexity menjadi satu test.

Mereka punya surface, retrieval, model, source presentation, dan personalization yang berbeda.

ChatGPT Search dapat menampilkan inline citation dan source panel.

OpenAI juga memberi publisher cara mengukur referral tertentu dari ChatGPT.

Perplexity secara eksplisit menampilkan cited sources dalam answer experience dan pada 2026 bahkan menambah beberapa label source untuk membantu user memahami tipe atau reputasi sumber tertentu.

Gemini adalah assistant Google dengan kemampuan yang dapat menggunakan web information dalam beberapa experience, tetapi context dan source presentation dapat berbeda berdasarkan mode dan feature.

Jadi buat sheet terpisah.

ChatGPT.
Gemini.
Perplexity.

Jangan mulai dari skor gabungan.

Langkah keempat: catat kondisi test

Minimal:

tanggal,
jam,
bahasa,
lokasi,
device,
account state,
plan,
model atau mode jika terlihat,
query,
hasil.

Kenapa account state penting?

Personalization bisa memengaruhi response.

Conversation history bisa memberi context.

Memory bisa memengaruhi assistant.

Kalau ingin baseline yang lebih bersih, gunakan kondisi yang konsisten.

Misalnya fresh chat.

Jangan menjalankan Q01 setelah sepuluh pertanyaan yang semuanya sudah menyebut brand.

Itu contamination.

Kalau audit public visibility, usahakan session tidak membawa brand ke context sebelum query.

Langkah kelima: jangan hanya memberi skor yes/no

Untuk setiap response, catat beberapa field.

Mention:
0/1.

Citation owned:
0/1.

Citation third party:
0/1.

Recommendation:
0/1.

Position in shortlist:
observational, bukan ranking resmi.

Accuracy:
correct / mixed / wrong.

Tone:
positive / neutral / cautionary.

Reason:
atribut apa yang digunakan untuk memilih.

Competitors:
siapa yang muncul.

Ini membuat data lebih kaya.

Contoh:

Query: “Vendor payroll untuk 300 karyawan.”

ChatGPT:
mention yes.
owned citation no.
third-party citation yes.
recommended yes.
reason: local compliance + implementation support.
accuracy: mixed.

Sekarang tim tahu pekerjaan berikutnya.

Bukan cuma “muncul”.

Langkah keenam: simpan citation

Kalau AI memberi source, capture URL.

Source map sangat berguna.

Kita bisa melihat:
owned domain sering dipakai untuk apa?
media tertentu sering menjadi source?
directory tertentu?
review site?
forum?
government?

Kemudian pisahkan authoritative primary source dan secondary commentary.

Ini membantu evidence strategy.

Misalnya brand sering direkomendasikan berdasarkan review lama pihak ketiga yang masih menyebut fitur discontinue.

Itu risk.

Tim perlu memperbaiki web evidence, bukan memanipulasi model.

Langkah ketujuh: ulangi

AI output bersifat probabilistic dan dynamic.

Satu query hari Senin bisa berubah Jumat.

Source index berubah.
Model berubah.
Retrieval berubah.
Web berubah.

Jadi jangan menyebut satu observation sebagai permanent ranking.

Untuk high-value query, ulangi beberapa kali dalam periode.

Misalnya weekly.

Atau tiga run pada waktu berbeda untuk baseline.

Jangan berlebihan sampai biaya audit lebih besar daripada insight.

Tujuan repeated test adalah membedakan signal dari kebetulan.

Kalau brand muncul 9 dari 10 run, itu lebih kuat daripada satu screenshot.

Kalau muncul 1 dari 10, visibility masih unstable.

Langkah kedelapan: bedakan AI answer visibility dan platform generative exposure

Google sekarang punya first-party Generative AI performance report di Search Console untuk generative features Google Search dan Discover.

Itu platform data.

ChatGPT publisher bisa melihat referral tertentu melalui analytics ketika link membawa utm_source=chatgpt.com.

Perplexity dan Gemini punya bentuk observability yang berbeda.

Artinya tidak semua platform dapat diukur dengan metric yang sama.

Jangan memaksa symmetry.

Untuk Google:
ada platform impression data.

Untuk ChatGPT:
ada referral plus observational query testing.

Untuk Perplexity:
citation observation dan referral analytics jika identifiable.

Untuk Gemini:
observational testing dan downstream analytics sesuai data yang tersedia.

Audit yang jujur boleh punya data kosong.

Lebih baik kosong daripada angka palsu.

Langkah kesembilan: ukur accuracy, bukan hanya visibility

Ini bagian yang sering dilupakan.

Brand muncul banyak.

Tapi AI berkata harga salah.

Atau produk lama.

Atau lokasi tutup.

Atau founder lama.

Apakah itu visibility yang bagus?

Tidak.

Buat Accuracy Error Rate.

Contoh kategori:
identity error.
product error.
price error.
policy error.
location error.
comparison error.

Kalau visibility tinggi tetapi error rate tinggi, priority-nya bukan menambah mention.

Priority-nya correction.

Langkah kesepuluh: cek recommendation reason

Saat brand direkomendasikan, lihat alasannya.

AI memilih karena apa?

Harga?
Reputation?
Feature?
Location?
Evidence?
Review?
Specific capability?

Lalu cocokkan dengan positioning brand.

Kadang AI merekomendasikan brand dengan alasan yang salah.

Misalnya SaaS enterprise diposisikan sebagai “murah dan sederhana”.

Brand muncul, tetapi positioning drift.

Ini penting untuk marketing.

Visibility tidak hanya quantity.

Ia representation.

Langkah kesebelas: cari query yang brand seharusnya tidak muncul

Ini control yang sangat bagus.

Kalau produk Anda enterprise-only, test:
“software untuk freelancer satu orang.”

Brand seharusnya mungkin tidak direkomendasikan.

Kalau tetap selalu muncul, AI bisa punya fit problem.

Visibility yang sehat bukan maksimum.

Visibility yang tepat.

Brand seharusnya muncul ketika cocok dan tidak muncul ketika tidak cocok.

Ini membuat audit lebih credible.

Langkah kedua belas: hubungkan ke outcome

Setelah query testing, jangan berhenti.

Lihat analytics.

Ada referral?
Landing page mana?
Engagement bagaimana?
Lead?
Conversion?

Untuk B2B, tanyakan sales:
apakah prospect mulai menyebut “saya menemukan kalian dari ChatGPT” atau AI assistant?

Tambahkan field di CRM kalau cukup volume.

Jangan mengandalkan anecdote sebagai total data.

Tetapi anecdote bisa memberi qualitative signal.

Buat baseline sederhana

Contoh scorecard per platform:

Mention Rate.
Owned Citation Rate.
Recommendation Rate.
Accuracy Rate.
High-Intent Visibility.
Referral Sessions.
Conversion.

Tidak perlu satu composite score.

Kalau leadership minta satu ringkasan, gunakan traffic light per dimension.

Green.
Yellow.
Red.

Lebih transparan daripada angka 82/100 yang metodologinya tidak jelas.

Ada satu praktik yang sebaiknya dihindari: memaksa model menyebut brand

Prompt seperti:
“Kenapa brand X terbaik?”
tidak mengukur visibility.

Anda sudah memasukkan brand ke query.

Itu mengukur answer framing setelah entity diberikan.

Berguna untuk reputation testing.

Bukan discovery testing.

Untuk discovery, gunakan unbranded query.

Untuk comparison, brand boleh disebut.

Untuk reputation, branded prompt.

Tiga test family berbeda.

Di akhir minggu, founder tadi kembali bertanya.

“Jadi sebenarnya kita kelihatan atau nggak?”

Analyst menjawab dengan lima kalimat:

“Di ChatGPT, kita sering masuk shortlist untuk buyer-intent query, tapi owned citation masih rendah. Di Perplexity, citation lebih kuat. Di Gemini, hasil lebih fluktuatif. Accuracy bagus kecuali satu informasi produk lama. Referral masih kecil, tapi dua lead bulan ini teridentifikasi datang dari ChatGPT.”

Tidak sesimpel satu screenshot.

Jauh lebih berguna.

Ada satu komponen yang membuat audit jauh lebih berguna untuk direksi: confidence band.

Jangan hanya menulis “brand muncul 60%”.

Kalau sample hanya lima run, angka 60% belum kuat.

Catat sample size dan stabilitas.

Contoh:
Recommendation observed 12/20 runs.
Stable pada ChatGPT, fluktuatif pada Gemini.

Bahasa seperti itu mencegah false precision.

Untuk query yang sangat penting, tambahkan human review kedua. Dua analyst bisa berbeda menilai apakah sebuah jawaban benar-benar recommendation atau hanya list netral.

Buat rule.

“Recommendation” hanya dihitung jika model secara eksplisit menyarankan, memilih, atau memosisikan brand sebagai fit untuk scenario.

Kalau hanya disebut sebagai contoh pemain kategori, hitung Mention.

Definisi sebelum audit mengurangi bias setelah melihat hasil.

Dan ketika dashboard dibandingkan bulan ke bulan, jangan mengganti definisi metric diam-diam. Kalau taxonomy berubah, beri break pada series. Measurement AI yang muda sangat mudah terlihat naik hanya karena cara menghitungnya berubah.

Karena tujuan audit bukan membuktikan bahwa brand “menang AI”.

Tujuannya mengetahui:
di mana brand ditemukan,
bagaimana brand direpresentasikan,
source apa yang membentuk jawaban,
dan apakah visibility itu punya nilai bisnis.

Kalau empat hal itu bisa dijawab secara repeatable, kita sudah punya measurement system.

Bukan sekadar koleksi screenshot.