Dari Product Search ke Product Decision: Bagaimana AI Mengubah Funnel

Dulu funnel e-commerce relatif gampang digambar di slide.

Awareness.
Search.
Klik.
Browse.
Compare.
Add to cart.
Checkout.

Realitas tentu tidak pernah serapi diagram, tetapi setidaknya website dan marketplace masih menjadi tempat utama ketika buyer ingin memahami produk lebih dalam.

Sekarang satu percakapan dengan AI bisa menyerap beberapa tahap sekaligus.

User tidak selalu mengetik nama produk.

Ia bisa bilang:

“Cari laptop untuk anak kuliah arsitektur, budget maksimal Rp18 juta, jangan terlalu berat, baterai oke, dan kalau bisa RAM-nya masih bisa di-upgrade.”

Dalam satu prompt, AI diminta melakukan pekerjaan yang dulu tersebar di banyak query, tab browser, forum, YouTube, marketplace, dan percakapan dengan teman.

Itulah perubahan penting dari product search ke product decision.

AI tidak hanya membantu menemukan item. Ia makin sering menjadi layer yang menyusun kebutuhan, mengurangi pilihan, menjelaskan trade-off, dan dalam skenario agentic tertentu bahkan membantu membawa user ke transaksi.

Namun perubahan ini sering dibahas terlalu bombastis.

“Search funnel mati.”

“Website tidak dibutuhkan.”

“AI mengambil alih seluruh customer journey.”

Klaim seperti itu terlalu absolut.

Yang lebih masuk akal adalah melihat funnel sedang dikompresi dan di-recompose.

Beberapa tahap pindah ke answer surface. Beberapa tetap hidup di website. Beberapa kembali muncul pada checkout. Dan peran sumber data menjadi lebih penting karena AI harus mengambil keputusan dengan evidence yang cukup.

Search menemukan kandidat, decision menyusun alasan

Product search tradisional biasanya mengoptimalkan retrieval.

Query masuk.
Sistem mengembalikan daftar produk.
User menyaring.

Product decision membutuhkan lebih dari relevance terhadap keyword.

Ia membutuhkan constraint satisfaction.

Budget.
Size.
Use case.
Compatibility.
Availability.
Return policy.
Seller.
Delivery.
Preference.
Risk.

Contoh sederhana:

“Sepatu lari di bawah Rp2 juta.”

Itu search.

“Sepatu lari di bawah Rp2 juta untuk latihan 10K, kaki agak lebar, pengin cushioning tapi jangan terlalu berat, size 43 ready, dan bisa return kalau tidak pas.”

Itu sudah lebih dekat ke decision problem.

AI punya advantage natural dalam menerjemahkan bahasa manusia menjadi kumpulan constraint. Tetapi kualitas decision tetap bergantung pada data yang tersedia.

Kalau width tidak ada.
Kalau weight salah.
Kalau stok stale.
Kalau return policy ambigu.
Kalau variant tidak konsisten.

jawaban yang terlihat pintar bisa tetap salah secara operasional.

Karena itu era product decision bukan era di mana content tidak penting.

Justru content dan commerce data harus lebih precise.

Funnel bukan lagi urutan halaman

Marketing terbiasa mengukur funnel lewat page sequence.

Landing page lalu category page lalu PDP lalu cart.

AI membuat journey yang tidak selalu terlihat sebagai urutan halaman milik brand.

User bisa melakukan discovery dan comparison di ChatGPT.
Lalu membuka dua merchant.
Kembali ke AI untuk bertanya soal spesifikasi.
Masuk marketplace untuk cek review.
Kembali lagi ke website brand untuk garansi.
Lalu checkout di merchant lain.

Jika tim hanya melihat session di website, mereka mungkin melihat satu kunjungan singkat ke halaman garansi dan menyimpulkan user “low engagement”.

Padahal user sudah hampir membeli.

Ini mengubah cara kita membaca intent.

Page depth tidak selalu sama dengan decision depth.

AI bisa membuat user datang ke website pada tahap yang jauh lebih matang.

Sebaliknya, AI juga bisa mengurangi traffic untuk pertanyaan yang sudah terjawab di answer surface.

Jadi evaluasi funnel harus melihat outcome, bukan nostalgia terhadap jumlah klik.

AI menjadi comparison layer

Salah satu perubahan paling besar adalah comparison bisa terjadi sebelum user melihat product grid merchant.

“Bandingkan A, B, dan C.”

AI dapat menyusun tabel fitur.
Menjelaskan siapa cocok untuk use case apa.
Menunjukkan kelemahan.
Memilih shortlist.

Bagi brand, ini berarti product data harus mampu bertahan dalam comparison context.

Nama fitur yang keren tetapi tidak jelas artinya kurang membantu.

“HyperBoost Smart Performance Engine” mungkin bagus untuk campaign.

Tetapi buyer ingin tahu:

berapa watt,
berapa kapasitas,
berapa berat,
kompatibel dengan apa,
berapa lama garansi,
apa limitation-nya.

AI decision layer memberi reward praktis pada information gain, bukan sekadar copy density.

Ini bukan klaim ranking factor.

Ini consequence dari task.

Sistem yang harus membandingkan butuh atribut yang comparable.

Kalau satu brand mengatakan “ringan” dan pesaing mencantumkan 1,23 kg, data pesaing lebih mudah dipakai untuk comparison spesifik.

Bukan karena AI “suka angka” secara magis, tetapi karena constraint menjadi lebih jelas.

Discovery bisa dimulai dari masalah, bukan kategori

Marketplace taxonomy biasanya memaksa user masuk kategori.

Laptop.
Running shoes.
Air purifier.
CRM software.

Manusia tidak selalu berpikir begitu.

Mereka berpikir:

“Gue gampang alergi kalau kamar berdebu.”
“Tim sales gue sering lupa follow-up lead.”
“Bokap susah baca layar kecil.”
“Gue butuh koper yang masih aman buat kabin.”

AI bisa mengubah problem statement menjadi candidate product classes.

Ini membuka peluang besar, tetapi juga menuntut brand menjelaskan use case dengan benar.

Kalau website hanya berisi spesifikasi tanpa konteks penggunaan, entity produk bisa lengkap tetapi decision usefulness rendah.

Sebaliknya, jika website hanya storytelling tanpa spesifikasi, AI punya context tetapi sulit memverifikasi constraint.

Keduanya dibutuhkan.

Product decision membutuhkan dual layer:

factual layer,
use-case layer.

Factual layer menjawab apa produknya.

Use-case layer menjawab kapan produk relevan, untuk siapa, dan trade-off apa yang perlu diketahui.

Review berubah dari social proof menjadi decision evidence

Review biasanya dipasang untuk menaikkan conversion.

Di AI-assisted decision, review juga bisa menjadi sumber pattern.

User bisa bertanya:

“Keluhan yang paling sering muncul apa?”

“Orang dengan kaki lebar bilang size-nya gimana?”

“Apakah customer sering complain battery drop?”

OpenAI Product Feed saat ini bahkan menyediakan field review_count, star_rating, reviews, Q&A, store review count, dan store star rating. Itu menunjukkan review dan Q&A dapat menjadi bagian dari structured commerce context dalam ekosistem tersebut.

Tetapi review tetap harus dibaca hati-hati.

Volume tidak sama dengan representativeness.
Rating tidak sama dengan product fit.
Review lama bisa tidak relevan setelah redesign.
Review marketplace bisa mencampur seller issue dengan product issue.

AI yang baik seharusnya membedakan itu.

Merchant yang baik juga seharusnya membantu dengan data yang jelas.

Product decision adalah multi-source problem

Brand sering berharap official website menjadi satu-satunya source of truth.

Untuk spesifikasi resmi, itu masuk akal.

Tetapi buyer decision menyentuh hal yang mungkin tersebar:

manufacturer specs,
merchant price,
marketplace availability,
review platform,
independent testing,
regulatory database,
community discussion,
professional recommendation.

AI dapat menggabungkan beberapa sumber.

Ini membuat source conflict lebih kelihatan.

Manufacturer bilang berat 1,2 kg.
Marketplace bilang 1,4 kg.
Review menyebut charger menambah 400 gram.

Apa yang dimaksud “berat”?

Unit produk saja atau package?

Data modeling kecil seperti ini bisa mengubah recommendation.

Karena itu brand perlu belajar menulis atribut dengan scope.

Net weight.
Shipping weight.
Device only.
With battery.
With adapter.

Semakin decision-oriented query, semakin mahal ambiguity.

Agentic commerce memperpendek jarak dari recommendation ke action

OpenAI Agentic Commerce Protocol memberi contoh evolusi yang nyata. Product feeds dipakai agar ChatGPT memahami catalog, price, availability, seller context, dan data terkait. Agentic Checkout memungkinkan checkout berjalan di dalam UI ChatGPT untuk partner yang memenuhi integrasi, sementara merchant tetap memegang order, payment, settlement, refund, compliance, dan sistem commerce-nya.

Ini penting karena decision dan action mulai berdekatan.

Dalam funnel lama:

recommendation salah mungkin menghasilkan bounce.

Dalam funnel agentic:

recommendation yang salah bisa membawa item salah lebih jauh ke checkout.

Karena itu final state harus authoritative.

Harga perlu dicek lagi.
Stok perlu dicek lagi.
Shipping perlu dihitung lagi.
Discount perlu diterapkan lagi.
Total perlu dikonfirmasi lagi.

OpenAI Checkout Spec sendiri mengharuskan merchant mengembalikan cart state yang kaya dan authoritative pada flow checkout.

Pelajarannya lebih luas daripada satu platform.

Discovery data membantu shortlist.
Transaction data menentukan realitas final.

Jangan gunakan cached discovery state sebagai kebenaran transaksi.

Measurement ikut berubah

Kalau AI melakukan discovery dan comparison sebelum website visit, attribution model akan semakin berisik.

Tim marketing perlu memisahkan beberapa layer measurement.

AI mention.
AI citation.
AI recommendation.
Referral.
Product detail visit.
Add to cart.
Checkout start.
Order.

Tidak semua platform menyediakan semua metric.

Jadi jangan membuat dashboard seolah semuanya measurable secara presisi.

Gunakan label confidence.

Observed directly.
Inferred.
Self-reported.
Platform-provided.
Modeled.

Contohnya, user survey “bagaimana Anda menemukan kami?” bisa memberi insight tentang AI-assisted discovery, tetapi bukan ground truth sempurna.

Referral dari AI bisa terlihat, tetapi tidak mencakup journey tanpa klik.

Prompt testing bisa menunjukkan visibility, tetapi bukan conversion volume.

Measurement yang matang menerima blind spot.

Apa yang harus berubah di product content

Pertama, product title harus membantu identification, bukan hanya campaign naming.

Kedua, variant relationship harus jelas.

Ketiga, spesifikasi harus punya unit dan scope.

Keempat, compatibility perlu eksplisit.

Kelima, limitation jangan disembunyikan.

Keenam, return, shipping, warranty, dan seller information harus mudah ditemukan.

Ketujuh, use case harus konkret.

Kedelapan, Q&A sebaiknya menjawab decision blockers nyata.

Kesembilan, price dan availability harus punya freshness workflow.

Kesepuluh, jangan membuat structured data berbeda dari halaman yang dibaca manusia.

Tidak ada satu item di atas yang menjamin recommendation AI.

Tetapi semuanya mengurangi friction dalam memahami produk.

Brand harus berhenti hanya bertanya “bagaimana masuk hasil AI?”

Pertanyaan yang lebih strategis:

“Kalau AI harus memilih apakah produk kita cocok untuk user tertentu, apakah data yang tersedia cukup untuk membuat keputusan yang benar?”

Itu quality test yang jauh lebih keras.

Contoh decision packet

Bayangkan brand menjual air purifier.

Product page yang search-oriented mungkin fokus pada:

nama produk,
harga,
foto,
HEPA,
coverage.

Decision packet yang lebih matang menambah:

coverage berdasarkan kondisi pengujian,
CADR,
noise level pada mode berbeda,
filter replacement interval,
replacement filter availability,
consumable cost,
dimensi,
berat,
power consumption,
compatible room scenario,
limitations,
warranty,
return policy,
stock,
seller identity.

Sekarang AI, manusia, atau comparison engine punya informasi lebih lengkap untuk menjawab:

“Cocok nggak buat kamar 3×4 yang dipakai tidur?”

Itu bukan sekadar optimization.

Itu product communication yang lebih dewasa.

Funnel baru tetap punya manusia di dalamnya

Ada kecenderungan membicarakan AI commerce seolah user ingin menyerahkan semua keputusan ke mesin.

Tidak selalu.

Pada pembelian murah, user mungkin nyaman dengan automation tinggi.

Pada laptop kerja Rp30 juta, user mungkin ingin explanation.

Pada produk kesehatan, finansial, atau kategori risiko tinggi, human judgment dan regulation menjadi jauh lebih penting.

Funnel harus adaptive terhadap risk.

Semakin tinggi consequence, semakin penting:

source visibility,
explanation,
confirmation,
policy,
identity,
limitation.

AI tidak menghapus trust building.

Ia memindahkan sebagian trust building ke tahap sebelum user berinteraksi langsung dengan brand.

Dari traffic-centric ke decision-centric

Perubahan paling besar mungkin bukan teknologi checkout.

Perubahannya ada pada unit kompetisi.

Dulu brand berebut klik.

Sekarang pada sebagian journey, brand juga berebut masuk consideration set yang disusun AI.

Itu tidak berarti klik tidak penting.

Klik tetap penting ketika user perlu melihat detail, bukti, konfigurasi, legal terms, atau menyelesaikan action.

Tetapi sebelum klik terjadi, decision framing bisa sudah terbentuk.

Brand A dianggap premium.
Brand B dianggap value.
Brand C dianggap paling cocok untuk pemula.
Brand D tidak masuk shortlist karena data availability tidak jelas.

Kalau tim baru mulai memperbaiki narrative setelah user masuk website, mungkin sudah terlambat untuk sebagian journey.

Karena itu product strategy di AI era perlu memperluas pertanyaan.

Bukan hanya:

Apakah halaman ranking?
Apakah CTR bagus?
Apakah conversion rate naik?

Tetapi juga:

Apakah product entity dipahami?
Apakah comparison attributes cukup?
Apakah source conflict rendah?
Apakah policy bisa diverifikasi?
Apakah availability fresh?
Apakah AI menjelaskan trade-off dengan benar?
Apakah brand masuk shortlist untuk query buyer-intent yang relevan?

Jawaban atas pertanyaan itu tidak selalu tersedia dari satu tool.

Butuh observasi, testing, commerce data, dan user research.

Itulah realitasnya.

AI mengubah funnel bukan dengan menghapus tahapan lama secara seragam, tetapi dengan memindahkan sebagian pekerjaan keputusan ke percakapan sebelum klik.

Product search masih ada.

Yang berubah adalah apa yang terjadi setelah kandidat ditemukan.

AI makin mampu bertanya: “Dari semua opsi ini, mana yang paling masuk akal untuk orang ini, dengan constraint ini, pada kondisi sekarang?”

Dan ketika pertanyaannya sudah sampai sana, brand tidak cukup hanya ditemukan.

Brand harus bisa dijelaskan, dibandingkan, diverifikasi, dan dipilih dengan alasan yang benar.