Merchant Reputation di AI: Sumber Data Apa yang Mungkin Membentuk Kepercayaan

“Seller ini rating-nya tinggi. Berarti AI pasti lebih percaya, kan?”

Pertanyaan seperti itu terdengar sederhana, tetapi justru berbahaya kalau dijawab terlalu cepat.

Di AI commerce, kata “percaya” sering dipakai seolah ada satu skor rahasia yang menentukan apakah sebuah merchant akan direkomendasikan, ditampilkan, dibandingkan, atau dilewati. Padahal ekosistemnya jauh lebih messy. Ada data produk, identitas seller, kebijakan toko, ketersediaan stok, review, histori transaksi, data pihak ketiga, halaman resmi, dan mungkin sinyal platform yang tidak pernah dibuka secara publik.

Jadi titik awal yang lebih sehat bukan “berapa trust score kita?”, melainkan “data apa saja yang secara nyata tersedia bagi sistem, dan mana yang bisa diverifikasi?”

Itu beda mindset.

OpenAI, misalnya, pada spesifikasi product feed Agentic Commerce saat ini meminta dan menerima banyak field yang tidak hanya bicara soal nama produk. Ada seller_name, seller_url, seller privacy policy, terms of service, return policy, review count, star rating, store review count, store star rating, serta sejumlah performance signal. Dokumentasinya juga menjelaskan bahwa merchant info membantu attribution dan memberi pengguna jalan untuk meninjau kredensial seller.

Fakta ini penting. Tetapi kita tidak boleh melompat dari “field tersedia” menjadi “field X adalah ranking factor dengan bobot Y”. Dokumentasi publik tidak memberi kita formula seperti itu.

Karena itu merchant reputation di AI lebih aman dipahami sebagai lapisan evidence, bukan satu angka mistis.

Reputation bukan cuma rating

Bayangkan dua seller menjual produk identik.

Seller A punya rating 4,9 dari 120 review.
Seller B punya rating 4,7 dari 12.000 review.

Mana yang lebih dipercaya AI?

Tidak ada jawaban universal yang bisa kita klaim tanpa mengetahui mekanisme platform. Bahkan manusia pun akan membaca konteksnya berbeda. Ada yang melihat rating absolut. Ada yang melihat volume review. Ada yang mengecek review terbaru. Ada yang membuka return policy. Ada yang memastikan seller memang official store. Ada yang melihat apakah harga terlalu murah untuk masuk akal.

AI yang membantu keputusan belanja secara rasional juga membutuhkan konteks serupa.

Itulah mengapa reputation sebaiknya dipisahkan menjadi beberapa kelas data.

Pertama, identity evidence.

Siapa merchant-nya? Nama legal atau nama dagangnya apa? Domain mana yang resmi? Siapa yang menjadi seller of record? Kalau marketplace terlibat, siapa yang menerima order, siapa yang fulfill, dan siapa yang bertanggung jawab ketika ada masalah?

Spesifikasi OpenAI bahkan membedakan seller_name dan marketplace_seller dalam konteks tertentu. Detail ini menunjukkan bahwa identitas penjual bukan sekadar label kosmetik.

Kedua, policy evidence.

Apakah merchant punya kebijakan pengembalian yang jelas? Berapa jendela return? Apakah exchange diterima? Di mana terms dan privacy policy dipublikasikan? Apakah halaman tersebut masih aktif dan konsisten dengan pengalaman checkout?

Kebijakan yang jelas tidak otomatis membuat merchant “lebih tinggi” di AI. Tetapi kebijakan yang ambigu jelas membuat proses verifikasi dan keputusan pembelian menjadi lebih sulit.

Ketiga, review evidence.

OpenAI Product Feed saat ini menyediakan field untuk review_count, star_rating, store_review_count, store_star_rating, dan review entries. Itu bukti bahwa review dapat menjadi bagian dari data commerce yang dibawa ke sistem. Tetapi lagi-lagi, keberadaan field tidak memberi lisensi untuk menyatakan bahwa “rating 4,8 pasti meningkatkan ranking.”

Yang bisa dikatakan lebih aman adalah review menyediakan context yang relevan untuk kredibilitas dan keputusan pengguna.

Keempat, operational evidence.

Produk tersedia atau tidak? Harga sesuai atau tidak? Seller bisa memenuhi pesanan ke lokasi user atau tidak? Apakah data stok sering salah? Apakah kebijakan yang ditulis sama dengan yang terjadi saat transaksi?

Reputation yang bagus di halaman profil tetapi buruk pada execution akhirnya rapuh.

Sistem AI commerce makin dekat dengan state dunia nyata. Artinya kualitas reputasi tidak bisa hanya dibangun dengan copy.

Sumber resmi dan sumber independen punya fungsi berbeda

Tim brand kadang punya refleks seperti ini:

“Kalau website resmi sudah bilang kita terpercaya, harusnya cukup.”

Tidak selalu.

Website resmi memang sumber utama untuk fakta yang hanya bisa dinyatakan merchant sendiri, misalnya kebijakan, alamat operasional, katalog, garansi, syarat layanan, atau identitas perusahaan. Tetapi untuk klaim reputasi, sumber independen sering punya fungsi berbeda.

Kalau brand menulis “kami terpercaya”, itu claim.

Kalau pelanggan menulis pengalaman transaksi, itu testimony.

Kalau regulator mencatat izin tertentu, itu regulatory evidence.

Kalau platform marketplace menampilkan status official store, itu platform evidence.

Kalau media menulis profil perusahaan, itu editorial evidence.

Semua kelas sumber ini tidak identik dan tidak boleh dicampur menjadi satu jenis proof.

GEO.or.id lebih berguna jika mengajarkan organisasi membuat source map daripada mengejar satu vanity metric.

Buat tabel sederhana:

Claim apa yang ingin diverifikasi?
Sumber resminya apa?
Sumber independennya apa?
Seberapa fresh?
Siapa pemilik data?
Apakah ada konflik?
Apa limitation-nya?

Misalnya claim: “Toko menerima return dalam 30 hari.”

Sumber utama seharusnya policy merchant, bukan review pelanggan tiga tahun lalu.

Claim: “Banyak pelanggan puas.”

Sumber yang lebih relevan mungkin data review teragregasi dengan metodologi yang jelas, bukan kalimat marketing di homepage.

Claim: “Seller adalah distributor resmi.”

Sumber yang kuat bisa berbeda, tergantung industrinya. Bisa ada daftar partner dari principal, dokumen otorisasi, atau halaman resmi brand.

Trust selalu claim-specific.

Masalah terbesar sering bukan reputasi buruk, tetapi reputasi yang tidak konsisten

Ada merchant yang sebenarnya legitimate tetapi datanya berantakan.

Nama toko di marketplace berbeda jauh dari nama perusahaan.
Domain resmi memakai brand baru.
Halaman About masih memakai legal entity lama.
Return policy menyebut 14 hari.
FAQ menyebut 30 hari.
Checkout menampilkan “no return”.
Google Business Profile menunjukkan nomor telepon berbeda.
Instagram memakai alamat lama.

Manusia yang teliti akan bingung.

Mesin juga mendapat evidence conflict.

Ini salah satu area paling nyata dalam trust engineering: bukan membuat lebih banyak pujian tentang brand, melainkan mengurangi kontradiksi yang tidak perlu.

Ada percakapan internal yang sering lebih penting daripada kampanye reputation management.

“Nomor customer service yang benar yang mana?”

“Yang website.”

“Marketplace pakai nomor lain.”

“Itu nomor tim lama, tapi masih aktif.”

“Return policy kita 14 atau 30 hari?”

“Depends kategori.”

“Di halaman publik nggak ada pengecualiannya.”

Di titik ini problem-nya bukan AI.

Problem-nya governance data merchant.

AI hanya membuat inkonsistensi itu lebih kelihatan.

Freshness adalah bagian dari reputation

Reputation punya dimensi waktu.

Review yang sangat lama bisa masih berguna untuk histori, tetapi mungkin tidak menggambarkan operasi sekarang. Kebijakan return bisa berubah. Seller bisa pindah gudang. Legal entity bisa berganti. Store rating bisa berubah. Product quality bisa membaik atau memburuk.

Karena itu organisasi perlu membedakan permanent identity data dengan volatile operational data.

Nama legal mungkin jarang berubah.
Harga bisa berubah setiap jam.
Alamat cabang bisa berubah beberapa kali setahun.
Rating bergerak terus.
Return policy bisa berubah karena campaign atau kategori.

Satu jadwal update untuk semua data tidak masuk akal.

Buat freshness class.

Class A, realtime atau near realtime: stok, harga, fulfillment availability.

Class B, frequently changing: promosi, rating agregat, jam operasional tertentu.

Class C, policy: return, shipping, terms, privacy, garansi.

Class D, identity: legal name, domain resmi, company identifiers.

Kemudian tentukan owner dan revalidation cadence.

Trust yang tidak dirawat akan decay karena realitas berubah sementara data publik diam.

Apa yang sebaiknya diuji, bukan diasumsikan

Merchant yang serius di AI commerce sebaiknya membuat observatory kecil.

Ambil query nyata:

“Apakah seller X terpercaya untuk beli laptop?”
“Bagaimana return policy toko X?”
“Apakah toko X official?”
“Mana seller yang lebih aman untuk produk Y?”
“Apakah toko X punya garansi resmi?”

Jalankan pada beberapa AI surface yang relevan.

Catat:

jawaban,
sumber yang dikutip,
fakta yang benar,
fakta yang salah,
source conflict,
missing evidence,
timestamp,
locale,
login state bila relevan,
versi atau surface yang diuji.

Ulangi.

Tujuannya bukan mencari satu skor “AI Trust 87/100” lalu masuk presentasi direksi.

Tujuannya mengetahui pola.

Misalnya AI berulang kali mengambil alamat dari direktori lama.
Atau return policy diambil dari marketplace, bukan website resmi.
Atau seller identity sering tertukar dengan brand bernama mirip.
Atau review source yang dipakai selalu berasal dari satu platform.

Itu actionable.

Apa yang tidak boleh dilakukan

Jangan membeli review palsu untuk menciptakan reputation signal.

Jangan membuat puluhan situs pseudo-independen yang isinya hanya memuji merchant sendiri.

Jangan menulis angka kepuasan pelanggan tanpa metodologi.

Jangan mengubah structured data menjadi tempat memasukkan claim yang tidak terlihat atau tidak benar di halaman.

Jangan menyimpulkan “AI percaya kita” hanya karena satu prompt menghasilkan jawaban positif.

Jangan menghapus limitation dari evidence.

Trust yang dibangun dari manipulasi source justru menciptakan liability saat ecosystem makin bagus melakukan cross-check.

Merchant reputation sebagai sistem

Cara paling sehat melihat merchant reputation di AI adalah sebagai graph evidence.

Node pertama: merchant identity.

Node kedua: product and offer data.

Node ketiga: policy.

Node keempat: customer evidence.

Node kelima: independent verification.

Node keenam: operational performance.

Edge di antara node itu adalah consistency.

Kalau semua node mengatakan hal berbeda, graph lemah.

Kalau semua node hanya berasal dari merchant sendiri, graph kurang independen.

Kalau sumber independennya banyak tetapi stale, graph juga bermasalah.

Kalau review bagus tetapi checkout sering gagal, trust experience tidak match dengan trust narrative.

Jadi pekerjaan merchant bukan “membuat AI percaya”. Itu framing yang terlalu manipulatif dan terlalu menyederhanakan sistem.

Pekerjaan yang lebih defensible adalah membuat fakta tentang merchant mudah diverifikasi, konsisten, current, dan punya provenance.

Dari sana, masing-masing platform akan mengambil keputusan berdasarkan sistemnya sendiri.

Limitation yang harus tetap diingat

Tidak ada dokumentasi publik yang memberi formula universal tentang bagaimana seluruh AI engine menghitung merchant reputation. OpenAI mengungkap sejumlah field commerce yang relevan untuk seller context, review, return, dan performance, tetapi itu bukan bukti bahwa setiap field punya bobot ranking tertentu. Platform lain memiliki arsitektur dan kebijakan berbeda.

Karena itu setiap claim tentang “faktor kepercayaan AI” harus diberi label dengan disiplin:

Fakta platform, kalau didokumentasikan.
Observasi, kalau terlihat dari testing.
Hipotesis, kalau masih perlu diuji.
Interpretasi, kalau itu framework analisis.

Batas ini justru membuat pembahasan lebih kredibel.

Pada akhirnya merchant reputation di era AI tidak jauh dari prinsip bisnis yang sudah lama berlaku: identitas harus jelas, janji harus konsisten, kebijakan harus bisa dibaca, pengalaman harus sesuai janji, dan bukti sebaiknya tidak hanya datang dari mulut sendiri.

Yang berubah adalah skala pembacanya.

Sekarang bukan hanya manusia yang mencoba merangkai semua potongan itu.

Mesin juga ikut membaca.