Hallucination tentang Brand: Mana yang Harus Dikoreksi Lebih Dulu

“Ini semua salah. Kita benerin semuanya hari ini.”

Kalimat seperti itu terdengar tegas di ruang meeting. Masalahnya, ketika sebuah brand mulai memonitor jawaban AI secara serius, daftar error bisa cepat membesar. Nama layanan lama masih muncul. Harga tidak akurat. Jam operasional salah. AI mencampur dua perusahaan yang namanya mirip. Ada deskripsi founder yang kurang tepat. Ada satu jawaban yang bahkan menyebut produk yang tidak pernah dijual.

Kalau semuanya dimasukkan ke satu daftar bernama “hallucination”, tim akan segera kewalahan.

Pertanyaan yang lebih berguna bukan “berapa banyak jawaban yang salah?” tetapi “kesalahan mana yang paling berisiko jika dibiarkan?”

Di sinilah correction prioritization menjadi penting.

Hallucination bukan sekadar typo versi AI

OpenAI menggunakan istilah hallucination untuk pernyataan yang terdengar masuk akal tetapi faktanya salah. Dalam konteks brand, bentuknya bisa sangat beragam. Ada yang trivial, ada yang menyentuh keputusan transaksi, reputasi, bahkan keselamatan.

Misalnya sebuah coffee shop disebut tutup pukul 21.00 padahal sebenarnya 22.00. Itu tetap salah, tetapi dampaknya terbatas.

Bandingkan dengan klinik yang disebut menyediakan prosedur medis yang sebenarnya tidak dilakukan.

Atau platform investasi yang dikatakan memiliki izin tertentu padahal tidak.

Atau toko online yang disebut menawarkan return gratis 30 hari ketika kebijakan resminya berbeda.

Semua adalah error, tetapi risk profile-nya tidak sama.

Kalau tim memperlakukan semua error setara, resource akan habis untuk memperbaiki hal kecil sementara kesalahan yang benar-benar memengaruhi customer tetap hidup.

Mulai dari consequence, bukan ego brand

Ada kecenderungan manusiawi yang menarik. Tim sering paling cepat marah pada error yang terasa mempermalukan brand, bukan yang paling berbahaya bagi pengguna.

“AI bilang kita startup, padahal kita sudah 15 tahun.”

Kesal? Wajar.

Tapi kalau pada saat yang sama AI juga salah menyebut alamat kantor tempat pelanggan harus datang membawa dokumen asli, alamat harus naik prioritas.

Correction policy yang matang perlu memisahkan emotional annoyance dari user consequence.

Coba beri setiap error tiga pertanyaan sederhana:

Apakah kesalahan ini dapat membuat orang mengambil keputusan yang salah?

Apakah ada dampak finansial, legal, kesehatan, keamanan, atau transaksi?

Apakah informasi ini likely muncul pada pertanyaan buyer-intent atau high-stakes?

Kalau jawabannya ya, error tersebut layak masuk jalur cepat.

Tier 1: kesalahan yang dapat merugikan orang

Prioritas tertinggi seharusnya diberikan pada klaim yang bisa menghasilkan harm nyata.

Contohnya informasi medis, legal, finansial, keamanan, eligibility, izin, status sertifikasi, prosedur, harga yang memicu transaksi, kebijakan refund, lokasi layanan kritis, atau instruksi yang berpotensi membuat pengguna salah bertindak.

Untuk sektor kesehatan, keuangan, dan hukum, threshold-nya memang harus lebih ketat. NIST dalam profil risiko generative AI menempatkan confabulation atau konten salah sebagai salah satu risiko yang perlu dikelola. Prinsip praktisnya sederhana: makin besar konsekuensi sebuah klaim, makin kecil toleransi organisasi terhadap ketidakakuratan.

Bayangkan seseorang bertanya apakah sebuah klinik memiliki dokter spesialis tertentu. AI menjawab iya. Pengguna kemudian datang dari luar kota berdasarkan jawaban itu.

Ini bukan masalah “brand visibility”. Ini masalah expectation dan potensi harm.

Error semacam ini tidak seharusnya menunggu rapat content bulanan.

Tier 2: kesalahan yang mengubah keputusan pembelian

Di bawah high-stakes risk ada kategori yang sangat penting secara komersial: fakta yang memengaruhi buyer decision.

Harga.

Availability.

Fitur utama.

Service area.

Garansi.

Return policy.

Minimum order.

Paket layanan.

Integrasi produk.

Status cabang.

Kalau AI salah menjelaskan salah satu hal ini, pengguna dapat mengeliminasi brand sebelum masuk website.

Seorang procurement manager bertanya, “Apakah vendor ini mendukung SSO?” AI menjawab tidak, padahal fitur itu tersedia di paket enterprise.

Secara teknis tidak ada kerugian langsung. Tetapi brand mungkin hilang dari shortlist.

Karena itu, correction priority tidak boleh hanya fokus pada reputasi besar. Small factual errors di titik keputusan bisa punya commercial consequence yang besar.

Tier 3: entity dan identity confusion

Kategori berikutnya adalah kesalahan tentang siapa brand itu.

AI mencampur dua perusahaan.

Founder salah.

Nama legal salah.

Lokasi head office tertukar.

Brand dianggap anak perusahaan dari entitas yang tidak terkait.

Produk kompetitor dikaitkan ke perusahaan kita.

Kesalahan entity seperti ini sering terlihat “administratif”, tetapi sebenarnya fundamental. Kalau identitas dasarnya kabur, error lain dapat ikut berkembang di atas fondasi yang salah.

Tim perlu mengecek apakah problem berasal dari sumber internal yang kontradiktif, profil pihak ketiga, nama brand yang terlalu generik, domain lama, listing duplikat, atau halaman historis yang belum diberi konteks.

Bukan berarti kita bisa memaksa model mengadopsi satu identity graph tertentu. Yang bisa dilakukan adalah mengurangi ambiguity dalam evidence publik.

Tier 4: positioning dan deskripsi yang kurang presisi

Di level ini, AI mungkin tidak sepenuhnya salah, tetapi framing-nya outdated atau terlalu menyederhanakan.

Sebuah perusahaan yang dulu agency sekarang lebih fokus sebagai software company, tetapi AI masih menyebutnya agency.

Brand B2B yang sudah masuk enterprise masih digambarkan sebagai solusi untuk UMKM.

Perusahaan yang punya empat lini produk hanya dijelaskan dari satu produk paling populer.

Ini penting, terutama untuk positioning dan discoverability, tetapi urgensinya biasanya di bawah klaim yang memengaruhi keselamatan atau transaksi.

Correction-nya pun berbeda. Tidak selalu harus “menghapus informasi lama”. Kadang yang diperlukan adalah memperjelas evolution: dulu A, sejak tahun tertentu fokus utama bergeser ke B, sementara layanan C tetap tersedia.

History yang diberi konteks jauh lebih sehat daripada mencoba menghapus masa lalu seolah tidak pernah terjadi.

Tier 5: kosmetik, nuance, dan hal yang tidak mengubah keputusan

Ada juga kesalahan yang memang salah tetapi tidak perlu membajak seluruh workflow.

AI menyebut slogan lama.

Jumlah penghargaan kurang satu.

Warna kemasan disebut biru tua padahal navy.

Tahun kampanye brand salah satu tahun tetapi tidak memengaruhi layanan saat ini.

Tetap catat. Tetapi tidak perlu semua masuk emergency lane.

Kalau tim memiliki correction log, kategori ini bisa dibersihkan secara periodik.

Severity saja belum cukup, tambahkan frequency

Sekarang masuk bagian yang sering terlewat.

Error yang sangat parah tetapi muncul sekali dari 100 pengujian berbeda memiliki karakter berbeda dengan error menengah yang muncul berulang kali di banyak query dan platform.

Karena itu correction queue sebaiknya membaca setidaknya dua dimensi: severity dan frequency.

Misalnya:

Error A: alamat kantor salah, muncul 8 dari 10 pengujian.

Error B: founder salah, muncul 1 dari 20 pengujian.

Error C: harga lama, muncul 6 dari 10 pengujian.

Error D: slogan lama, muncul 10 dari 10 pengujian.

Kalau hanya menghitung frequency, slogan lama terlihat paling buruk. Kalau hanya severity, semua detail high-impact masuk satu kotak tanpa urutan.

Gabungan keduanya memberi peta yang lebih realistis.

Tambahkan satu dimensi lagi: reach

Satu kesalahan pada query yang hampir tidak pernah diajukan berbeda dari kesalahan pada query utama calon pelanggan.

Kita memang jarang memiliki volume query AI yang sepresisi search advertising. Karena itu jangan mengarang angka demand. Tetapi tim dapat membuat proxy berdasarkan customer interviews, search query data, sales call, support ticket, site search, dan pertanyaan yang memang sering muncul dalam proses pembelian.

Kalau calon pelanggan hampir selalu bertanya “berapa harga?” dan AI sering memberikan harga lama, priority-nya jelas.

Kalau error muncul pada pertanyaan obscure yang nyaris tidak relevan dengan bisnis saat ini, correction-nya bisa menunggu.

Correction bukan berarti mengirim pesan ke chatbot

Di sinilah ekspektasi perlu dibuat realistis.

Kita tidak memiliki tombol universal “edit jawaban AI tentang brand saya”. Platform berbeda punya mekanisme berbeda. Beberapa menyediakan feedback pada jawaban. Beberapa melakukan web retrieval. Beberapa menampilkan citation. Sebagian data mungkin berasal dari ekosistem pencarian atau sumber lain.

Maka correction program sebaiknya bekerja pada evidence layer yang memang dapat kita kontrol atau pengaruhi secara sah.

Periksa website resmi.

Periksa apakah halaman lama masih aktif tanpa konteks.

Periksa listing penting.

Periksa halaman partner.

Periksa profil bisnis.

Periksa sumber independen yang keliru dan punya kanal correction resmi.

Periksa apakah fakta baru benar-benar diterbitkan secara jelas, bukan hanya terselip di satu paragraf.

Dan jika platform menyediakan feedback untuk jawaban salah, gunakan sesuai mekanisme yang disediakan.

Jangan menyelesaikan hallucination dengan spam

Ketika melihat AI salah, godaan berikutnya adalah membuat puluhan halaman dengan kalimat yang sama, menyebar mention buatan, atau mencoba “membanjiri internet” dengan versi brand sendiri.

Strategi seperti ini bukan hanya questionable, tetapi juga bisa menghasilkan corpus yang makin berisik.

Google sendiri secara eksplisit menyarankan creator fokus pada konten helpful, reliable, people-first dan memperingatkan praktik scaled content yang tidak memberi nilai. Dalam panduan generative AI search, Google juga menyebut pencarian mention yang tidak autentik bukan pendekatan yang membantu.

Bagi brand, correction yang sehat berarti memperjelas fakta, bukan memproduksi synthetic consensus.

Buat correction log yang bisa diaudit

Sebuah correction log sederhana bisa memiliki kolom:

Tanggal ditemukan.

Platform.

Query.

Klaim salah.

Klaim yang benar.

Severity.

Frequency.

Buyer impact.

Source yang terlihat, bila tersedia.

Action yang dilakukan.

Tanggal re-test.

Status.

Dengan format seperti itu, tim berhenti berdebat berdasarkan screenshot acak.

“Kemarin ChatGPT bilang begini.”

“Gue coba tadi jawabannya beda.”

“Kok di akun saya malah benar?”

Variasi semacam itu bukan alasan untuk menyerah. Justru itu alasan mengapa testing harus repeatable dan dicatat.

Tujuan akhirnya bukan nol error

Ada satu ekspektasi yang perlu dibuang sejak awal: correction program bukan proyek untuk membuat AI tidak pernah salah lagi.

Model dan sistem retrieval berubah. Sources berubah. Query wording mengubah konteks. Informasi brand sendiri juga berubah. Bahkan riset model terkini masih mengakui hallucination sebagai problem yang belum hilang sepenuhnya.

Target yang lebih waras adalah menurunkan risiko.

Kesalahan kritis cepat ditemukan.

Fakta canonical mudah diverifikasi.

Sumber lama diberi konteks.

Entity confusion dikurangi.

Perubahan penting punya timestamp dan owner.

Jawaban diuji ulang secara berkala.

Di akhir meeting, tim tidak lagi berkata, “Kita harus koreksi semuanya dulu.”

Mereka punya urutan.

Yang membahayakan pengguna dikerjakan sekarang.

Yang memengaruhi transaksi masuk sprint berikutnya.

Yang mengacaukan identity diperbaiki sistematis.

Yang hanya kosmetik tetap dicatat, tetapi tidak mengambil alih agenda.

Itulah bedanya antara panik karena AI salah dan mengelola AI trust secara operasional.

Hallucination memang problem model. Tetapi bagi brand, respons terhadap hallucination adalah problem governance.

Dan governance yang bagus selalu dimulai dari kemampuan memilih apa yang harus dikerjakan lebih dulu.