AI Shopping untuk Brand Indonesia: Persiapan yang Bisa Dilakukan Sekarang

Di sebuah meeting commerce yang sangat mungkin terjadi di Jakarta, pertanyaannya biasanya bukan lagi, “Kapan AI shopping masuk Indonesia?”

Pertanyaannya mulai bergeser.

“Kalau buyer sudah nanya ke AI sebelum buka marketplace, kita kebaca nggak?”

Orang marketing mungkin langsung bicara visibility. Tim e-commerce kepikiran feed. Tim IT bertanya soal API. Finance ingin tahu measurement. Founder cuma ingin jawaban sederhana: apa yang harus dibereskan sekarang, sebelum semua orang panik karena satu kompetitor tiba-tiba lebih sering muncul di jawaban AI?

Itu justru titik awal yang sehat.

Brand Indonesia tidak perlu menunggu semua fitur AI commerce tersedia secara penuh di setiap negara, merchant, atau kategori untuk mulai siap. Sebagian fondasi yang dibutuhkan bukan teknologi eksotis. Banyak yang justru berupa pekerjaan operasional yang selama ini sering dianggap “nanti aja”: identitas produk yang konsisten, harga yang akurat, stok yang benar, variasi yang tidak berantakan, kebijakan pengiriman yang jelas, serta hubungan antara brand, seller, dan produk yang bisa dipahami mesin maupun manusia.

Pada Agustus 2026, arah industrinya sudah cukup terlihat. OpenAI memiliki dokumentasi Agentic Commerce dan product feeds yang menjelaskan penggunaan data terstruktur agar ChatGPT dapat memahami katalog, termasuk title, description, image, price, availability, dan seller context. Onboarding feed di ekosistem tersebut masih tersedia untuk approved partners, jadi ini bukan alasan untuk mengklaim bahwa semua merchant Indonesia sudah bisa menyalakan fitur yang sama hari ini.

Namun arah infrastrukturnya jelas.

AI shopping membutuhkan data commerce yang jauh lebih disiplin daripada sekadar halaman produk yang terlihat cantik.

Mulai dari satu pertanyaan sederhana: produk kita sebenarnya punya identitas yang jelas?

Ambil contoh hipotetis sebuah brand lokal skincare.

Di website namanya “Hydra Calm Barrier Serum 20 ml”.

Di marketplace A tertulis “Hydracalm Serum Barrier Repair Original 20ml”.

Di marketplace B menjadi “HC Serum Biru 20 ML”.

Di sistem ERP internal, SKU-nya mungkin HCB-020-B.

Di feed affiliate, brand field-nya justru nama holding company.

Bagi manusia yang sudah kenal brand-nya, semua itu masih bisa dipahami. Bagi sistem yang mencoba mencocokkan produk lintas sumber, variasi tersebut menambah ambiguity.

Marketing bisa bilang, “Tapi kan orang ngerti.”

Data engineer di ujung meja mungkin menjawab, “Orang ngerti karena punya konteks. Mesin belum tentu punya konteks yang sama.”

Di era AI shopping, itu bukan debat kosmetik.

Product identity memengaruhi kemampuan sistem membedakan produk, variant, offer, seller, dan availability. Karena itu pekerjaan pertama bukan mengejar badge “AI ready”, tetapi membuat satu canonical product dictionary.

Untuk setiap produk utama, minimal ada identitas yang stabil: brand, nama produk, SKU atau identifier internal, GTIN bila memang tersedia dan relevan, variant, ukuran, warna, material atau spesifikasi penting, serta URL yang benar-benar mengarah ke produk tersebut.

Jangan mengarang identifier hanya demi terlihat lengkap. Kalau produk tidak memiliki GTIN, jangan membuat nomor fiktif. Ketepatan lebih penting daripada kelengkapan palsu.

Harga dan stok harus dianggap sebagai data hidup

AI shopping punya satu risiko yang tidak terlalu terasa pada artikel editorial: datanya bisa basi dalam hitungan jam.

Harga promo berubah.

Stok cabang habis.

Variant tertentu masih tersedia, variant lain tidak.

Marketplace punya flash sale.

Website sendiri belum tersinkron.

Kalau sebuah AI menyebut produk dengan harga Rp299.000 sementara checkout menunjukkan angka berbeda, user tidak peduli departemen mana yang salah. Yang mereka lihat adalah pengalaman yang tidak konsisten.

Karena itu brand perlu memetakan “source of truth” harga dan availability.

Tanyakan:

Sistem mana yang paling otoritatif untuk harga?

Sistem mana yang paling cepat mengetahui stok berubah?

Apakah website menarik data dari sumber yang sama dengan marketplace?

Berapa lama delay sinkronisasi?

Apakah variant-level availability tersedia?

Apa yang terjadi saat stok tinggal nol tetapi cache belum diperbarui?

Pertanyaan seperti ini jauh lebih penting daripada membuat presentasi 40 slide tentang “AI commerce strategy”.

OpenAI sendiri menempatkan price dan availability sebagai elemen inti product feed. Dokumentasi mereka juga menekankan kebutuhan feed yang regularly refreshed. Artinya, secara praktis, freshness bukan garnish. Ia bagian dari keakuratan.

Brand Indonesia yang punya ribuan SKU sebaiknya mulai mengklasifikasikan data berdasarkan volatility.

Nama brand relatif stabil.

Deskripsi produk berubah sesekali.

Harga bisa berubah harian.

Stok dapat berubah dalam menit.

Promo memiliki waktu mulai dan berakhir.

Semua field tidak harus diperlakukan dengan ritme update yang sama.

Pisahkan brand dari seller

Ini sangat penting untuk pasar Indonesia karena distribusi kita messy.

Satu produk bisa dijual oleh official store, distributor resmi, reseller, marketplace seller, dan toko independen. Kadang buyer mengenal mereknya tetapi tidak tahu siapa merchant yang benar-benar menjual.

AI commerce membutuhkan pemisahan konsep yang rapi.

Brand menjawab: produk ini merek siapa?

Manufacturer menjawab: siapa yang memproduksi?

Seller menjawab: siapa yang menawarkan produk?

Merchant of record menjawab: siapa yang benar-benar menerima pembayaran dan bertanggung jawab atas transaksi tertentu?

Empat peran itu bisa sama, bisa berbeda.

Kalau brand menjual direct-to-consumer, strukturnya mungkin sederhana. Kalau brand beroperasi melalui distributor dan puluhan seller, seller context menjadi jauh lebih penting.

Di sinilah brand perlu duduk bareng dengan tim marketplace, legal, dan channel sales.

“Official seller kita yang aktif sekarang siapa aja?”

“Yang sudah putus kontrak masih pakai label authorized nggak?”

“Data cabang yang ditutup masih nongol di mana?”

“Return policy di official store sama nggak dengan reseller?”

Pertanyaan ini terlihat operational banget. Justru itu gunanya.

AI tidak menghapus kekacauan commerce. Ia bisa memperbesar konsekuensi kekacauan tersebut karena sistem mencoba menyatukan banyak sumber menjadi satu jawaban.

Rapikan product page sebelum mengejar feed canggih

Ada kecenderungan begitu mendengar product feed, semua orang ingin bicara API.

Padahal halaman produk sendiri tetap penting.

OpenAI Shopping Research, misalnya, menjelaskan bahwa hasil shopping research dapat membaca situs retail publik dan mengutip sumber. Product feed adalah jalur penting, tetapi bukan izin untuk membiarkan product page menjadi sampah informasi.

Halaman produk yang sehat sebaiknya menjawab hal yang memang dicari buyer.

Apa produk ini?

Untuk siapa?

Apa variant-nya?

Berapa harga saat ini?

Tersedia atau tidak?

Apa spesifikasi pentingnya?

Apa yang termasuk dalam paket?

Bagaimana pengiriman?

Bagaimana retur?

Apakah ada limitation tertentu?

Apakah klaim produk punya dasar?

Untuk kategori yang sensitif seperti kesehatan, jangan mengubah deskripsi menjadi kumpulan klaim medis yang tidak terverifikasi hanya karena ingin terlihat authoritative.

Machine-readable bukan berarti bebas overclaim.

Justru semakin terstruktur informasinya, semakin penting governance terhadap apa yang ditulis.

Bangun policy layer, bukan cuma catalog layer

Bayangkan buyer berkata kepada AI:

“Cari sepatu lari lokal di bawah Rp1,5 juta yang bisa diretur kalau ukurannya salah.”

Ini bukan sekadar query produk.

Ada price constraint.

Ada category.

Ada implied fit concern.

Ada return requirement.

Kalau brand punya produk yang cocok tetapi return policy-nya hanya ada dalam screenshot Instagram Story Highlight dua tahun lalu, sistem akan kesulitan memverifikasi.

Policy perlu menjadi first-class information.

Return.

Refund.

Exchange.

Warranty.

Shipping.

Delivery estimate.

Payment restriction.

Geographic availability.

Membership benefit.

Promotion terms.

Minimum purchase.

Semakin AI bergerak dari discovery ke decision dan action, detail seperti ini makin penting.

Brand sebaiknya membuat inventory kebijakan dan mengecek apakah informasinya konsisten di website, marketplace, customer service script, dan dokumen publik.

Jangan ukur AI shopping dengan satu angka

Skenario lain di meeting.

Head of performance menunjukkan dashboard.

“AI traffic naik 28 persen.”

CEO bertanya, “Terus?”

Ruangan hening.

Karena traffic bukan strategi.

Persiapan AI shopping harus sejak awal memisahkan beberapa layer measurement.

Discovery: apakah produk muncul dalam research atau recommendation?

Accuracy: apakah nama, price, variant, seller, dan availability dijelaskan dengan benar?

Traffic: apakah user datang ke website atau marketplace?

Action: apakah user add-to-cart, checkout, atau menjalankan langkah komersial lain yang dapat diukur?

Revenue: apakah transaksi benar-benar terjadi?

Paid: apakah exposure datang dari iklan?

Organic: apakah produk ditemukan tanpa paid placement?

OpenAI pada 2026 secara eksplisit menyatakan ads terpisah dan tidak memengaruhi jawaban organik. Jadi kalau nanti tim commerce menyatukan paid impression dengan organic product visibility, dashboard akan kelihatan bagus tetapi decision-making-nya rusak.

Persiapkan data lineage

Brand besar biasanya punya masalah lain: tidak ada yang tahu angka tertentu datang dari mana.

Harga di feed A datang dari middleware.

Middleware mengambil dari ERP.

ERP punya override cabang.

Website punya cache.

Marketplace punya promo sendiri.

Lalu orang bertanya, “Kenapa AI bilang Rp499.000?”

Jawabannya berubah jadi forensic investigation.

Karena itu data lineage perlu didokumentasikan.

Tidak harus fancy.

Mulai dengan diagram sederhana:

PIM atau ERP → catalog service → website → marketplace/feed → AI commerce surface.

Tandai siapa owner setiap layer, ritme update, dan mekanisme correction.

Kalau harga salah, siapa memperbaiki?

Kalau produk discontinued tetapi masih muncul, sistem mana yang harus diubah?

Kalau seller tidak lagi authorized, siapa yang menghapus?

AI readiness tanpa ownership cuma menciptakan spreadsheet baru.

Apa yang bisa dilakukan brand Indonesia dalam 30 hari?

Tidak perlu menunggu integrasi resmi apa pun.

Minggu pertama, audit 50 produk paling penting. Fokus pada produk high-revenue, high-margin, high-search-demand, atau flagship.

Minggu kedua, buat canonical product dictionary dan cek perbedaan antara website, marketplace utama, feed existing, dan sistem internal.

Minggu ketiga, audit price, availability, shipping, return, warranty, dan seller identity.

Minggu keempat, bangun monitoring sederhana. Jalankan query shopping yang relevan di beberapa AI surface yang memang tersedia bagi tim, catat hasil, sumber, tanggal, dan error yang ditemukan.

Jangan mengklaim audit itu sebagai gambaran seluruh pengguna AI. Ini sample-based observation.

Tujuannya menemukan pola.

Apakah produk hilang?

Apakah nama salah?

Apakah variant tertukar?

Apakah sumber lama lebih dominan?

Apakah official page kalah jelas dibanding reseller?

Dari sini backlog menjadi konkret.

Persiapan AI shopping sebenarnya terdengar tidak glamor

Ini mungkin bagian yang paling penting.

Ketika dunia bicara agentic commerce, product feeds, AI shopping research, dan checkout di dalam conversational interface, pekerjaan terbaik untuk banyak brand Indonesia justru tidak dimulai dari demo yang flashy.

Ia dimulai dari data yang bersih.

Catalog yang konsisten.

Policy yang bisa ditemukan.

Seller identity yang jelas.

Availability yang hidup.

Product page yang bisa diverifikasi.

Measurement yang tidak mencampur paid dengan organic.

Dan owner yang tahu harus bertindak ketika data salah.

AI commerce bisa berkembang cepat, tetapi kesiapan brand tidak perlu menunggu tombol beta muncul di dashboard.

Kalau fondasinya sudah sehat, setiap jalur baru lebih mudah diadopsi.

Kalau fondasinya berantakan, AI hanya memberi cara baru bagi kekacauan lama untuk terlihat oleh buyer.