AI Optimization dan Technical SEO: Mana yang Sama, Mana yang Baru

Ada dua tipe reaksi ketika tim SEO mendengar istilah AI Optimization.

Tipe pertama: “Ini SEO juga, cuma diganti nama.”

Tipe kedua: “SEO sudah lewat. Sekarang semuanya GEO.”

Dua-duanya terlalu simplistik.

Kalau website tidak bisa dicrawl, canonical berantakan, halaman utama gagal dirender, atau konten penting tidak terindeks, AI Optimization tidak punya fondasi yang sehat. Technical SEO tetap penting.

Tapi kalau kita berhenti di crawl, index, sitemap, Core Web Vitals, dan schema, kita juga belum menyelesaikan seluruh masalah visibility di era AI search.

Jadi pertanyaan yang lebih berguna bukan “SEO atau GEO?” melainkan: pekerjaan mana yang tetap sama, pekerjaan mana yang diperluas, dan pekerjaan mana yang benar-benar baru karena interface pencarian berubah?

Fondasi yang sama: accessibility mesin

Mari mulai dari area paling obvious.

Google Search masih membutuhkan halaman yang dapat ditemukan dan diakses crawler, lalu memiliki konten yang bisa diindeks. Dokumentasi resmi Google untuk AI features juga menegaskan bahwa praktik SEO fundamental tetap relevan untuk AI Overviews dan AI Mode.

Ini berarti pekerjaan technical SEO seperti robots.txt, status HTTP, redirects, canonical, XML sitemap, rendering, duplicate management, hreflang bila relevan, dan internal linking masih punya tempat.

Tidak ada jalur teleport ke AI visibility yang membuat halaman inaccessible tiba-tiba mudah dipahami.

Kalau JavaScript membuat konten utama baru muncul setelah interaksi tertentu, itu perlu diuji.

Kalau CDN menantang crawler dengan bot protection yang terlalu agresif, itu perlu diuji.

Kalau halaman produk punya tiga canonical berbeda karena bug template, itu perlu dibereskan.

Boring? Sedikit.

Penting? Sangat.

Yang berubah adalah daftar consumer mesin tidak lagi identik

Dulu banyak tim praktis berpikir “crawler” lalu otomatis membayangkan Googlebot.

Sekarang ekosistem lebih fragmented.

OpenAI, misalnya, mendokumentasikan crawler dengan fungsi yang berbeda. OAI-SearchBot digunakan untuk membantu surface website dalam search features ChatGPT, sementara GPTBot berkaitan dengan crawling yang dapat digunakan untuk pengembangan model. Fungsi dan policy-nya tidak identik.

Implikasinya untuk technical team cukup real.

Robots policy perlu disengaja.
WAF rules perlu memahami user agent dan verification.
Server logs perlu dipakai untuk melihat behaviour aktual.
Security tidak boleh dikorbankan hanya demi “AI crawler access”.

Ini bukan berarti semua bot harus di-allow.

Justru governance crawler menjadi salah satu lapisan baru yang harus dimasukkan ke technical operations.

Technical SEO bertanya: “Bisakah search engine mengakses halaman?”

AI Optimization menambahkan: “Mesin mana yang ingin kita layani, untuk fungsi apa, dengan policy apa, dan apakah infra kita memperlakukan mereka sesuai keputusan tersebut?”

Mirip, tetapi scope-nya meluas.

Yang sama: struktur informasi masih matters

Internal linking bukan penemuan GEO.

Hierarchy bukan penemuan GEO.

Descriptive title, heading yang masuk akal, anchor yang informatif, dan navigasi yang bisa diikuti juga bukan penemuan GEO.

Google sendiri terus menempatkan struktur teknis dan konten bernilai sebagai fondasi generative AI search mereka.

Jadi kalau ada vendor yang bilang, “Lupakan architecture, kita tinggal chunking halaman supaya LLM suka,” hati-hati.

Bahkan Google pada panduan generative AI Search 2026 secara eksplisit mengatakan tidak perlu special AI files atau markup untuk muncul di generative features Google, dan menyebut taktik seperti chunking demi AI sebagai sesuatu yang tidak perlu dikejar sebagai hack tersendiri.

Apakah konten yang terstruktur jelas membantu manusia dan mesin? Ya.

Apakah setiap paragraf harus dipotong menjadi format tertentu karena ada “rumus citation” universal? Belum ada dasar untuk menganggap itu hukum.

Bedakan usability dari superstition.

Yang diperluas: canonical bukan cuma URL

Dalam technical SEO, canonical sering dibahas sebagai sinyal URL: versi mana dari halaman duplikat yang seharusnya menjadi representatif.

Dalam AI Optimization, kita juga perlu memikirkan canonical fact.

Contoh sederhana.

Nama perusahaan di footer: PT Alpha Nusantara.
Nama di halaman About: Alpha Nusantara Indonesia.
Nama di Google Business Profile: Alpha Nusantara.
Nama di JSON-LD: PT Alpha Digital Nusantara.
LinkedIn: Alpha Nusantara Group.

Secara teknis, semua halaman bisa 200. Canonical URL bisa perfect. Sitemap clean.

Tetapi entity representation-nya messy.

AI Optimization menambah lapisan information consistency. Kita ingin mesin dan manusia menemukan fakta yang tidak saling bertabrakan.

Ini bukan pengganti URL canonicalization. Ini problem berbeda.

Dan biasanya penyelesaiannya melibatkan Content, Brand, Legal, Data, bukan hanya SEO engineer.

Yang sama: structured data harus akurat

Structured data tetap berguna.

Google menjelaskan bahwa structured data membantu mereka memahami isi halaman dan dapat membuat halaman eligible untuk rich result tertentu. Mereka juga memiliki quality guidelines: markup harus sesuai dengan konten dan tidak misleading.

Ini masih technical SEO territory.

Yang perlu dihindari adalah loncatan logika:

“Structured data membantu Google memahami halaman” lalu berubah menjadi “semakin banyak schema semakin besar kemungkinan dipilih AI.”

Tidak ada dasar resmi untuk membuat klaim kedua sebagai jaminan.

AI Optimization yang matang memakai structured data untuk explicitness, consistency, dan feature eligibility ketika relevan. Bukan sebagai dekorasi.

Schema seharusnya mencerminkan truth layer website, bukan menciptakan truth layer sendiri.

Yang baru: observation terhadap answer surface

SEO tradisional sangat nyaman dengan ranking.

Posisi 1.
Posisi 4.
CTR.
Impression.
Click.

AI answer surface membuat measurement lebih multidimensional.

Brand bisa disebut tanpa link.
Domain bisa dikutip tanpa brand disebut menonjol.
Satu jawaban bisa memakai beberapa sumber.
Citation bisa berubah ketika query diubah sedikit.
Sistem dapat menjawab pertanyaan kompleks tanpa mengikuti pola “10 blue links”.

Google pada 2026 menyediakan reporting khusus generative AI di Search Console, tetapi itu tidak otomatis memberi seluruh gambaran tentang bagaimana brand direpresentasikan di setiap jawaban, setiap query variation, atau channel lain.

Jadi muncul layer pekerjaan baru: observation.

Tim perlu punya query set, protocol pengujian, timestamp, engine, surface, country jika relevan, mention status, citation status, source URL, serta catatan perubahan.

Ini bukan technical SEO klasik.

Ini lebih dekat ke search intelligence dan model observation.

Yang baru: answer accuracy sebagai operational issue

Bayangkan user bertanya ke AI, “Apakah perusahaan X punya layanan Y?”

Jawabannya salah.

Technical SEO checklist bisa saja semuanya hijau.

Pertanyaan berikutnya bukan lagi hanya, “Page mana yang ranking?”

Kita perlu menelusuri source landscape:

Apakah website sendiri ambigu?
Apakah halaman lama masih online?
Apakah third-party source memuat info outdated?
Apakah product naming berubah?
Apakah canonical fact tidak jelas?
Apakah mesin mengambil konteks dari halaman yang sebenarnya tidak ditujukan sebagai source utama?

Di sini AI Optimization memasuki territory reputation, knowledge governance, dan correction workflow.

Kita tidak bisa menjamin model akan selalu benar.

Tapi organisasi bisa memperbaiki kualitas informasi publik yang tersedia dan membuat jalur koreksi lebih cepat.

Yang diperluas: log analysis

Technical SEO sudah lama memakai server logs untuk melihat crawler behaviour.

Di AI Optimization, log menjadi makin menarik karena kita punya lebih banyak crawler dan fungsi.

Bukan untuk mengejar vanity metric seperti “GPTBot crawl naik 42 persen berarti authority naik”. Itu kesimpulan yang tidak bisa dibuktikan hanya dari crawl volume.

Gunakan log untuk pertanyaan operasional:

Apakah crawler yang kita allow benar-benar bisa masuk?
URL mana yang diminta?
Apakah ada 403?
Apakah bot masuk ke infinite parameter space?
Apakah CDN memblokir request valid?
Apakah crawl membebani origin?
Apakah policy robots sesuai dengan konfigurasi infra?

Log memberi observasi jaringan. Bukan ranking score rahasia.

Yang baru: machine-actionability

Saat sistem AI hanya membaca dan merangkum, fokus kita banyak pada discoverability dan understandability.

Saat agent mulai melakukan tindakan, UX teknis punya dimensi tambahan.

Form field perlu label jelas.
Button perlu state yang masuk akal.
Error message perlu understandable.
Harga, availability, syarat, dan langkah transaksi perlu konsisten.
Authentication flow tidak boleh absurd.
Accessibility makin dekat dengan agent readiness.

Ini bukan berarti kita mendesain website “untuk robot” lalu mengorbankan manusia.

Kebalikannya.

Website yang semantic, accessible, predictable, dan punya interaction state yang jelas biasanya lebih nyaman untuk manusia juga.

AI Optimization tidak boleh menjadi alasan untuk membuat interface aneh demi crawler.

Yang tetap sama: jangan merusak keamanan

Ada satu pattern berbahaya: demi membuka akses ke AI bot, tim mematikan proteksi security terlalu luas.

Jangan.

Robots.txt bukan security control.
User-agent string bisa dipalsukan.
Sensitive area tetap harus dilindungi dengan access control yang benar.
Private data tidak boleh dipublikasikan hanya agar “machine-readable”.

OpenAI sendiri menyediakan informasi tentang crawler dan cara mengidentifikasi traffic mereka. Gunakan dokumentasi resmi dan koordinasikan dengan infra team.

AI visibility tidak worth it kalau harga yang dibayar adalah security incident.

Di mana batas kerja Technical SEO?

Secara praktis, Technical SEO tetap menjadi salah satu workstream inti AI Optimization, tetapi bukan keseluruhannya.

Technical SEO biasanya memimpin area seperti crawlability, indexability, rendering, redirects, canonical URLs, sitemaps, site architecture teknis, performance, structured data implementation, dan troubleshooting bot access.

AI Optimization menambahkan atau memperluas area seperti entity consistency, source corroboration, answer-surface observation, citation tracking, crawler governance lintas platform, knowledge governance, correction workflows, machine-actionability, dan measurement yang menghubungkan visibility ke business outcome.

Ada overlap besar.

Dan itu normal.

Disiplin baru jarang lahir dengan perbatasan rapi seperti negara di peta sekolah.

Yang perlu dihindari adalah perang istilah.

Kalau Technical SEO dan AI Optimization dikerjakan tim berbeda, buat shared backlog

Misalnya:

Engineering menemukan 404 pada canonical service pages.
SEO menemukan internal link tidak mengarah ke canonical page.
Brand menemukan naming produk tidak konsisten.
Legal menemukan claim lama sudah tidak boleh dipakai.
AI observation menemukan model sering mengambil source lama.
Analytics menemukan referral tidak ditag dengan baik.

Itu bukan lima proyek terpisah.

Bisa jadi semuanya bagian dari satu masalah representation.

Shared backlog membuat tim tidak sibuk memperbaiki symptom sendiri-sendiri.

Gunakan severity yang sama, owner yang jelas, dependency, dan definition of done.

Contoh definition of done yang buruk:

“Fix AI visibility.”

Contoh yang lebih usable:

“Canonical service page dapat diakses 200, terindeks, memiliki nama layanan yang sudah disetujui Brand, visible copy dan structured data konsisten, internal link dari hub terkait sudah mengarah ke URL canonical, dan halaman masuk observation set untuk empat minggu berikutnya.”

Itu bisa diuji.

Jangan menjadikan Technical SEO anak tiri

Di tengah hype AI, pekerjaan technical sering kelihatan kurang glamorous.

Tidak ada screenshot jawaban ChatGPT yang bisa diposting ke LinkedIn.
Tidak ada chart “citation share” yang bikin board langsung tertarik.
Hanya ada redirect, status code, log, rendering, sitemap, dan bug template.

Tapi kalau fondasinya pecah, semua layer di atasnya ikut noisy.

Pada saat yang sama, jangan berharap Technical SEO menyelesaikan problem yang sebenarnya bukan technical.

Kalau informasi perusahaan salah, bukan crawler yang harus disalahkan.
Kalau tidak ada evidence, bukan schema yang harus ditambah.
Kalau buyer tidak paham perbedaan tiga layanan, page speed bukan bottleneck utamanya.
Kalau AI menyebut data lama karena web penuh data lama, problemnya mungkin knowledge cleanup.

AI Optimization yang sehat melihat keseluruhan sistem.

Bukan SEO diganti.
Bukan SEO dibuang.

Technical SEO tetap fondasi. AI Optimization memperluas apa yang kita ukur, siapa yang kita libatkan, mesin apa yang kita layani, bagaimana fakta dikelola, dan bagaimana website berubah dari sekadar kumpulan halaman menjadi sumber informasi yang konsisten serta, makin sering, siap dipakai dalam workflow agentic.

Kalau mau dibuat singkat:

Yang sama adalah fondasi web.

Yang baru adalah medan operasinya.