GEO dan AI SEO tanpa Mitos: Apa yang Benar-Benar Berhasil

Merek sampai ke jawaban ChatGPT, Gemini, Perplexity, dan AI Overview terutama lewat dua jalur yang saling bersinggungan, dan GEO adalah pekerjaan pada keduanya:

1. Lewat pencarian. Saat menjawab, model mencari di web dan mengutip sebagian halaman yang ditemukannya. Di sini berlaku hal yang sama seperti di SEO: akses untuk robot, indeks, visibilitas pada kata kunci dan variannya, serta potongan teks yang menjawab pertanyaan tanpa perlu membaca sisa halaman. Efeknya, seperti di SEO, terlihat setelah berminggu-minggu atau berbulan-bulan.
2. Lewat memori model. Model menjawab dari apa yang dipelajarinya sebelum pelatihan berakhir, dan memori itu juga memengaruhi merek mana yang disebutnya saat ia mencari di web. Di sini yang penting adalah apa yang ditulis orang lain tentang merek dan satu deskripsi merek yang konsisten di banyak sumber. Kecepatan perubahan memori belum saya ukur, jadi dalam horizon satu kuartal saya tidak menjanjikan apa pun.

Sebagian besar “trik GEO” tidak punya bukti, dan sebagian saya uji pada data saya sendiri. File llms.txt dan data terstruktur tidak punya bukti bahwa keduanya mendatangkan kutipan. Lebih banyak heading tidak membawa halaman ke top 3 dalam uji saya. Uji apakah posisi pada subkueri memprediksi kutipan lebih baik daripada posisi pada kata kunci utama tidak memberi kesimpulan apa pun, dan kesimpulan pertama saya dari uji itu terbantah oleh pemeriksaan silang. Bukti untuk setiap kalimat ini ada di bawah.

Apa itu GEO, dan apa saja nama lainnya?

GEO adalah pekerjaan agar merek muncul dalam jawaban yang dibuat oleh AI: di AI Overview dan Mode AI Google, di ChatGPT, Gemini, Perplexity, dan Copilot. Pekerjaan yang sama punya beberapa nama, dan perbedaan di antaranya sebagian besar bersifat pemasaran:

Nama GEO berasal dari penelitian ilmiah, dan fondasi seluruh pekerjaan ini sama dengan di SEO. GEO berasal dari makalah ilmiah November 2023 yang diterima di konferensi KDD 2024. Penulisnya, Pranjal Aggarwal dan rekan-rekan, menunjukkan pada kumpulan uji mereka sendiri bahwa perubahan pada konten bisa meningkatkan visibilitas sumber dalam jawaban generatif hingga 40% (arXiv). Google menulis di dokumentasinya bahwa optimasi untuk pencarian generatif tetap SEO (Google Search Central). Cyrus Shepard dari Zyppy menjawab serupa atas pertanyaan apakah perusahaan butuh strategi GEO tersendiri:

Orang juga tidak punya satu nama untuk pekerjaan ini, dan itu terlihat di hasil Google. Pertanyaan “Jak nazywa się pozycjonowanie w AI?” (“Apa nama optimasi untuk AI?”) muncul di bagian “Orang juga bertanya” pada hasil Polandia, padanannya pada hasil dari Jerman, Spanyol, dan Finlandia, sedangkan “What is AI SEO called now?” muncul pada hasil dari AS, Swedia, dan Singapura. Pertanyaan tentang beda GEO (atau LLMO) dan SEO muncul di 9 dari 27 pasar yang diperiksa, dari Brasil sampai Jepang.

Nama yang dominan bergantung pada pasar. Di Jepang 72% dari sekitar 16.730 pencarian per bulan tentang topik ini adalah LLMO, dan frasa “llmo” sendiri punya sekitar 12.100 pencarian, lebih banyak daripada “ai seo” di AS (sekitar 6.600). Di Jerman dan Prancis GEO dominan (64% dan 66%), di Korea Selatan 83%. Di Polandia 58% dari sekitar 2.265 pencarian per bulan adalah AI SEO bersama frasa “ai seo” dan istilah berbahasa Polandia (“pozycjonowanie ai”, “pozycjonowanie w ai”), sedangkan GEO 32%. Di AS AI SEO dan GEO bersaing ketat: 42% dan 39% dari sekitar 25.400 pencarian, dan di Spanyol seri (44% dan 44%). Di Ceko tidak ada permintaan untuk nama mana pun dalam data.

Frasa “ai seo” bermakna ganda, jadi pangsa AI SEO saya perlakukan sebagai batas atas. Untuk “ai seo” Google menampilkan, di samping tulisan tentang optimasi untuk AI, juga alat AI dan panduan cara melakukan SEO dengan bantuan AI: di AS itu lebih dari separuh hasil di top 10, di Denmark sedikitnya 6 dari 8. AI Overview untuk frasa itu di AS dan Denmark tetap menjelaskan AI SEO sebagai optimasi untuk jawaban AI, jadi Google memperlakukannya sebagai nama pekerjaan ini. Tanpa satu frasa itu GEO unggul di 25 dari 26 pasar blog saya, dan di Jepang tersisa LLMO. Di Polandia istilah berbahasa Polandia yang tidak ambigu (“pozycjonowanie ai”, “pozycjonowanie w ai”) punya total sekitar 580 pencarian per bulan, sedangkan GEO sekitar 725. Alat AI untuk SEO akan saya bahas dalam tulisan tersendiri.

Frasa “aeo” sendiri tidak saya hitung, karena di Polandia terutama berarti sertifikat bea cukai, dan di AS sebagian hasilnya adalah harga saham jaringan pakaian American Eagle. Pada “aeo” di Google Polandia tiga dari empat hasil pertama adalah situs kementerian keuangan. Frasa dengan nama lengkap, misalnya “answer engine optimization”, saya hitung di seri “Lainnya”.

Setiap versi bahasa tulisan ini memakai nama yang dicari orang di pasar bersangkutan. Versi Jepang bicara tentang LLMO, versi Jerman dan Prancis tentang GEO, dan versi Polandia tentang “pozycjonowanie w AI” dan AI SEO. Versi Indonesia memakai GEO, karena di Indonesia GEO menyumbang 55% dari sekitar 1.025 pencarian per bulan tentang topik ini, sedangkan AI SEO 37%.

Bagaimana AI memilih sumber jawabannya?

Model menjawab dari pencarian atau dari memori, dan hal itu menentukan apa saja yang bisa Anda ubah. Saat mencari di web, model memecah pertanyaan menjadi beberapa kueri, mengambil hasilnya, memilih potongan teks dari hasil itu, dan mengutip sebagian. Google menyebutnya di dokumentasi “query fan-out”: sistem mengirim banyak pencarian terkait tentang subtopik dan dari berbagai sumber (Google Search Central). Saat model tidak mencari, ia menjawab dari apa yang dipelajarinya selama pelatihan, dan di situ posisi halaman di Google tidak mengubah apa pun.

Kedua jalur itu bersinggungan, karena memori model juga memengaruhi jawaban yang dibuat setelah model mencari di web. Dan Petrovic dari Dejan menulis bahwa sebutan merek dalam isi jawaban bertumpu terutama pada pengetahuan model yang sudah ada, dan satu halaman nyaris tidak menggesernya (Dejan, 7 Juli 2026). Karena itu kedua jalur saya ukur terpisah, tetapi saya kerjakan bersamaan.

Seberapa sering model mencari di web bergantung pada modelnya: dalam uji saya dari 10 sampai 94 kata kunci dari 94. Saya memeriksanya lewat API pada 94 kata kunci dari proyek yang saya jalankan, dalam bahasa Inggris dan Polandia, pada malam 3 ke 4 Oktober 2026 dan sekali lagi pagi harinya. Dalam tulisan tentang strategi SEO saya menjelaskan efek yang sama pada lima pertanyaan panduan, di sini pada kumpulan yang lebih besar.

• 93 dari 94Sebanyak itu Gemini 2.5 Flash memakai mesin pencari pada putaran pertama (pada putaran kedua 94 dari 94).Uji saya lewat API, 3-4.10.2026
• 71 dari 94Sebanyak itu Gemini 3.5 Flash mencari (pada putaran kedua 69 dari 94).Uji saya lewat API, 3-4.10.2026
• 25 dari 84Sebanyak itu Gemini 3.1 Pro mencari (10 panggilan berakhir dengan kesalahan batas; pada putaran kedua 32 dari 94).Uji saya lewat API, 3-4.10.2026
• 10 dari 94Sebanyak itu Gemini 3.8 Flash mencari (pada putaran kedua 15 dari 94). Pada kata kunci lainnya ia menjawab dari memori.Uji saya lewat API, 3-4.10.2026

Dalam konfigurasi ini Gemini Flash versi yang lebih baru mencari lebih jarang, tetapi Gemini 3.1 Pro tidak cocok dengan pola itu. Pro bernomor versi lebih lama daripada 3.5 Flash, namun mencari lebih jarang darinya. Ini satu keluarga model dan satu konfigurasi API, bukan aplikasi Gemini yang dilihat pengguna, jadi angka-angka ini saya anggap sinyal, bukan aturan. Namun cukup untuk memeriksa di setiap pengukuran pada berapa pertanyaan model memang mencari.

Memori model tentang merek baru Polandia ternyata berlubang, dan sebagian model mengarang deskripsinya. Dalam proyek yang sama sekitar 500 jawaban atas pertanyaan tentang merek-merek yang saya tangani dinilai secara buta oleh model terpisah. Salah satu merek baru Polandia dalam kumpulan itu tidak dikenal oleh satu pun model yang diperiksa, dan pada 9 dari 12 jawaban tentangnya deskripsinya karangan. Persentase karangan bergantung pada modelnya: dari 5% sampai 77% jawaban tentang semua merek. Jawaban dinilai satu model penilai, jadi selisih di bawah sekitar 10 poin persentase saya anggap derau.

Domain yang sama bisa terlihat di satu jalur dan tidak terlihat di jalur lain. Salah satu situs dikutip di Mode AI Google pada 10 dari 13 pasang kata kunci, sedangkan dalam jawaban model tanpa pencarian tidak muncul sekali pun (0 dari 13). Itu satu domain dan 13 pasang, jadi ilustrasi, bukan aturan.

Fenomena terkait terlihat dalam penelitian skala lebih besar. Dan Petrovic melaporkan penelitian Google Research pada 13 model dan 2.150 fakta dari Wikipedia: model terdepan seperti Gemini 3 Pro dan GPT-5 menyimpan 95-98% pengetahuan itu dalam bobotnya, tetapi tidak bisa memanggil kembali 26-34% darinya (Dejan, 17 Agustus 2026). Itu fakta ensiklopedis, bukan pengetahuan tentang merek, tetapi kesimpulan untuk merek mirip: keberadaan informasi dalam data pelatihan tidak menjamin model akan menyebutkannya.

Bagaimana agar muncul di jawaban AI lewat pencarian?

Di jalur pencarian berlaku hal yang sama seperti di SEO, dengan satu perbedaan. Google menulis bahwa untuk masuk ke AI Overview dan Mode AI, halaman harus ada di indeks dan bisa tampil di hasil dengan cuplikan teks, tanpa persyaratan teknis tambahan (Google Search Central). Perbedaannya, model mengajukan beberapa kueri sekaligus, sehingga halaman yang hanya terlihat pada satu kata kunci utama punya lebih sedikit peluang dikutip daripada halaman yang terlihat juga pada variannya. ChatGPT sendiri punya robot pencarian (dijelaskan di bawah), jadi visibilitas di Google tidak berpindah langsung ke sana.

Akses untuk robot AI

Robot mesin pencari AI bisa terblokir tanpa sepengetahuan pemilik situs. Firewall atau pengaturan di jaringan pengiriman konten (CDN) bisa memblokirnya, sering kali baru setelah jumlah permintaan melewati ambang tertentu, jadi satu pengujian tidak membuktikan apa-apa. Saya memeriksa serangkaian permintaan dengan nama robot Google, OpenAI, Perplexity, dan Anthropic, lalu membandingkan respons server dengan yang diterima peramban biasa.

Memblokir pelatihan model adalah keputusan lain daripada memblokir pencarian. OpenAI memisahkan peran ini: GPTBot mengumpulkan konten yang bisa masuk ke pelatihan model, sedangkan OAI-SearchBot menentukan kehadiran di hasil pencarian ChatGPT. OpenAI menulis bahwa situs yang memblokir OAI-SearchBot tidak akan ditampilkan dalam jawaban pencarian ChatGPT, dan blokir terhadap GPTBot tidak mengubahnya (OpenAI). Demikian pula Google-Extended mengatur pemakaian konten oleh model Gemini, tetapi menurut Google tidak memengaruhi kehadiran maupun posisi di pencarian (Google Search Central). Siapa yang memblokir semua robot AI dengan satu sakelar bisa kehilangan kehadiran di pencarian ChatGPT yang sebenarnya tidak ingin ia lepaskan.

Posisi pada kata kunci dan subkueri

Saya tidak tahu apakah posisi yang lebih tinggi menambah peluang dikutip, karena data saya tidak memberi kepastian. Dalam tulisan tentang strategi SEO, di peta hipotesis, saya menjelaskan artikel yang pada lima kata kunci yang sangat mirip dikutip di AI Overview hanya pada satu, dan itu pada kata kunci tempat ia berada paling rendah. Subkueri disusun oleh model dan bisa berbeda pada setiap jawaban, jadi tidak ada satu daftar tetap “subkueri untuk kata kunci X”. Pada kumpulan 94 kata kunci saya, model menghasilkan dalam satu putaran 493 subkueri berbeda, rata-rata lebih dari lima per kata kunci.

Saya menguji apakah posisi pada subkueri memprediksi kutipan lebih baik daripada posisi pada kata kunci utama, dan hasil pertama saya tidak lolos pemeriksaan. Pada pasangan kata kunci-halaman dari proyek yang saya jalankan, saya menuliskan aturannya sebelum menghitung hasil. Ukurannya adalah area di bawah kurva ROC (AUC), yaitu seberapa baik sinyal memisahkan halaman yang dikutip dari yang tidak (0,5 setara lemparan koin, 1 pemisahan tanpa kesalahan). Subkueri dinyatakan menang jika areanya lebih besar sedikitnya 0,10. Pada 29 pasangan yang disisihkan untuk uji AI Overview selisihnya 0,44, jadi uji “lulus”.

Pemeriksaan silang menunjukkan bahwa saya membandingkan dua pengukuran dengan ketelitian berbeda. Peninjau yang menghitung ulang semuanya dari nol menghasilkan angka saya persis sama, tetapi menyadari bahwa posisi pada kata kunci utama saya ambil dari satu pengambilan hasil Google, sedangkan kutipan dari lima. Setelah posisi dihitung dari lima pengambilan yang sama, selisihnya turun menjadi 0,04, dengan interval dari -0,28 sampai +0,36. Jadi saya tidak membuktikan bahwa subkueri lebih baik daripada posisi, dan tidak pula bahwa lebih buruk. Kedua sinyal memberi informasi, jadi saya bekerja dengan keduanya.

Posisi dari satu pengambilan DataForSEO ternyata undian satu dari beberapa varian hasil. Ketika saya mengambil 94 kata kunci yang sama tiga kali dengan selang sekitar satu jam, dua pengambilan kata kunci yang sama punya median sedikit alamat bersama di top 10: indeks Jaccard, yaitu ukuran kesesuaian dua himpunan dari 0 sampai 1, bernilai 0,14-0,15. Sebagian varian kemungkinan adalah hasil yang tidak dilihat manusia di peramban, karena pada 5 kata kunci peramban cocok dengan salah satunya. AI Overview sendiri stabil: kehadirannya cocok antarpengambilan di 97-99%. Karena itu posisi dari alat ini sekarang saya hitung sebagai pangsa dari sekitar 10 pengambilan yang dikirim bersamaan. Alat lain tidak saya periksa dengan cara ini.

Potongan teks yang menjawab secara mandiri

Model biasanya memakai bukan seluruh halaman, melainkan potongan yang menjawab kuerinya. Karena itu saya menulis agar setiap potongan bisa dipahami tanpa sisa halaman: jawaban di kalimat pertama di bawah heading, angka konkret dengan penyebut dan tanggal, nama alih-alih “ini” dan “itu”. Setiap paragraf dalam tulisan ini dimulai dengan kalimat berisi kesimpulan justru karena alasan itu. Ini praktik menulis yang baik dan membantu juga manusia, bukan teknik terpisah untuk AI.

Itu tidak berarti konten perlu dipotong-potong atau heading diperbanyak. Google menulis terus terang bahwa tidak ada keharusan membagi konten menjadi potongan kecil agar AI lebih memahaminya (Google Search Central). Saya juga memeriksa apakah lebih banyak heading membantu masuk top 3. Pada 632 halaman dari top 10 untuk 119 kueri berbahasa Inggris dari ceruk perangkat lunak untuk perusahaan (AS, 26 September 2026), rasio odds sebesar 0,95 (interval kepercayaan 95%: 0,81-1,12), dan setelah memperhitungkan panjang teks 1,00. Pangsa halaman di top 3 hampir sama pada tiga kelompok dari jumlah heading terkecil sampai terbesar: 32%, 34%, dan 32%. Itu uji yang sama dengan yang saya jelaskan dalam tulisan tentang strategi SEO: satu ceruk dan satu hari pengukuran. Namun cukup agar saya tidak menambah heading demi memperbaiki posisi: heading harus mengatakan tentang apa potongan di bawahnya.

Kueri Polandia, subkueri Inggris

Pada kumpulan saya, sebagian subkueri untuk pertanyaan berbahasa Polandia ternyata berbahasa Inggris. 81 dari 277 subkueri yang dihasilkan untuk kata kunci Polandia tidak memiliki ciri bahasa Polandia. Misalnya pertanyaan Polandia tentang peringkat produk dalam satu kategori berubah menjadi kueri berbahasa Inggris dengan tahun di dalamnya. Itu heuristik kasar pada satu kumpulan, tetapi cukup agar pada merek Polandia saya memeriksa juga apa yang dikatakan sumber berbahasa Inggris tentangnya.

Bagaimana agar masuk ke memori model?

Memori model tidak bisa Anda ubah hanya lewat situs sendiri: yang menentukan adalah apa yang ditulis orang lain tentang Anda. Model belajar dari kumpulan teks besar yang dikumpulkan sebelum pelatihan berakhir. Jika tentang suatu merek terutama ia sendiri yang menulis, sedangkan sumber orang lain sudah tua atau saling bertentangan, model akan mengulang gambaran yang tua atau bertentangan itu. Saya tidak punya pengukuran seberapa cepat memori model diperbarui. Saya berasumsi baru pada versi berikutnya, jadi dalam horizon satu kuartal saya tidak menjanjikan apa pun.

Pada merek saya sendiri, saya melihat kedua sumber kesalahan sekaligus. Gemini menggambarkan saya masih bekerja pada pemberi kerja dari beberapa tahun lalu, dan rogala.pro sebagai situs “dalam pembangunan”. Dua deskripsi yang paling sering diulang model tentang saya berasal harfiah dari biografi saya di situs industri yang tampil tinggi di Google untuk nama saya. Pemberi kerja itu tidak disebut sebagai tempat kerja saya sekarang oleh satu pun dari 26 halaman yang saya periksa di hasil untuk nama saya, jadi kesalahan itu kemungkinan besar ada di memori model. Saya akan memeriksanya dengan pertanyaan yang sama setelah biografi itu diperbarui.

Apa yang diingat model tentang suatu merek bisa Anda periksa sendiri, tanpa alat visibilitas AI. Ajukan pertanyaan tentang merek tanpa akses ke pencarian, paling pasti lewat API tanpa alat pencarian. Tanyakan apa yang dikerjakan merek itu, untuk siapa, dan sejak kapan beroperasi, setiap pertanyaan tiga kali. Lalu bandingkan jawabannya dengan fakta dan catat terpisah mana yang mutakhir, mana yang usang, dan mana yang karangan.

Sebutan tanpa definisi merek yang konsisten hanya mengulang deskripsi lama, jadi saya mulai dari identitas. Urutan saya:

• satu definisi merek, sama di situs, di profil, dan di biografi pada situs orang lain;
• data terstruktur dengan pengenal yang saya periksa secara manual;
• entri di basis pengetahuan seperti Wikidata, hanya jika ada sumber yang mengonfirmasinya;
• baru setelah itu sebutan dan publikasi di tempat yang disunting orang lain.

Pengenal harus dibuka dan dibaca sebelum masuk ke kode situs. Pada 5 Oktober 2026 saya menyadari bahwa pengenal Knowledge Graph yang sejak hari sebelumnya ada di data terstruktur rogala.pro mengarah ke panel aktor dengan nama yang sama. Selama sekitar sehari situs saya menyatakan kepada mesin pencari bahwa saya seorang aktor. Pemeriksaannya hanya semenit: alamat google.com/search?kgmid= dengan pengenal di belakangnya menunjukkan siapa pemilik sebenarnya.

Wikidata tidak memberi tempat untuk klaim tanpa sumber. Wikidata mensyaratkan sumber untuk informasi tentang orang yang masih hidup, jadi di sana tidak bisa dinyatakan spesialisasi yang tidak pernah ditulis siapa pun selain Anda. Karena itu pada diri sendiri saya mulai dari publikasi di tempat yang disunting orang lain, bukan dari entri di basis data.

Apa yang benar-benar berhasil dalam GEO, dan mana yang mitos?

Klaim tentang GEO saya bagi menurut kekuatan buktinya. Terdokumentasi berarti dikonfirmasi dokumentasi mesin pencari, dan pengukuran saya adalah hasil dari satu konfigurasi yang saya ulangi. Terbantah dan tidak terbukti adalah yang saya uji pada data sendiri dan yang tidak bertahan atau tidak memberi kesimpulan apa pun. Tanpa bukti adalah saran populer yang tidak ditopang pengukuran, kadang malah ditopang bukti sebaliknya.

Tidak ada bukti bahwa file llms.txt dan versi halaman dalam Markdown membantu masuk ke jawaban AI. Google menulis bahwa untuk hadir di pencariannya tidak perlu membuat file baru untuk mesin, file teks untuk AI, markup, ataupun Markdown (Google Search Central). Ketika pada Juli 2026 saya memeriksa 10 domain dari portofolio saya, tidak satu pun menyajikan versi Markdown kepada agen AI. Di rogala.pro setiap halaman sejak 8 Oktober punya versi Markdown dan file llms.txt, dan sampai 8 November saya mengukur di log server apakah ada yang mengunduhnya. Di Polandia frasa “llms txt” punya sekitar 720 pencarian per bulan, jadi topik ini akan saya bahas tersendiri.

Data terstruktur menggambarkan merek kepada mesin pencari, tetapi tidak ada bukti bahwa data itu mendatangkan kutipan. Google menulis bahwa data terstruktur tidak diwajibkan dalam pencarian generatif dan tidak ada markup schema.org khusus yang harus ditambahkan (Google Search Central). Matt Buxbaum dari Seer Interactive menganalisis 8.500 kata kunci dengan AI Overview dan 6.354 halaman yang meraih kutipan pertama di dalamnya: schema dan sinyal E-E-A-T paling lemah kaitannya dengan kemenangan, dan halaman dengan markup FAQ dan HowTo terbanyak tampil sekitar 10 kali lebih buruk (Seer Interactive, 28 Mei 2026). Itu korelasi, jadi saya tidak tahu apakah markup merugikan, tetapi data ini tidak saya baca sebagai bukti manfaat. Data terstruktur saya pakai untuk menggambarkan entitas (siapa, apa, di mana, dengan pengenal apa), karena untuk itulah ia ada. Uji saya sendiri tentang pengaruhnya terhadap jawaban AI belum selesai.

Sebutan dan kutipan adalah dua hal berbeda, dan banyak laporan mencampurkannya. Petrovic membedakan tiga kejadian: halaman yang diambil sistem sebagai bahan jawaban, kutipan, yaitu halaman yang ditampilkan sebagai sumber, dan sebutan, yaitu nama merek dalam isi jawaban yang dibaca dan diingat pengguna (Dejan, 7 Juli 2026). Merek bisa dikutip tanpa disebut dalam teks, dan disebut tanpa halamannya dikutip. Karena itu kedua hal ini saya ukur terpisah dan tidak saya jumlahkan menjadi satu “skor visibilitas di AI”.

Bagaimana memeriksa apakah GEO berhasil?

Tanpa kondisi awal Anda tidak bisa mengaitkan efek dengan perubahan apa pun, jadi saya mencatatnya sebelum perbaikan pertama. Kondisi awal (baseline) memuat pertanyaan yang ditulis persis apa adanya, nama dan versi model, tanggal, dan pasar. Pertanyaan saya susun dari data permintaan dan Search Console, dan sebagian besar tidak memuat nama merek, karena nama dalam pertanyaan sendiri sudah memberi petunjuk jawaban kepada model. Kumpulan pertanyaan dari dua kelompok posisi saya jelaskan dalam tulisan tentang strategi SEO.

Lima hal saya ukur terpisah, karena masing-masing bisa bergerak ke arah berbeda:

1. Sebutan merek dalam isi jawaban.
2. Kutipan halaman sebagai sumber.
3. Apakah model memang mencari di web, yaitu pencarian dan memori secara terpisah.
4. Trafik dari asisten AI di analitik, yang selalu merupakan batas bawah, karena sebagian kunjungan datang tanpa informasi sumber.
5. Trafik dari Google pada periode yang sama, supaya perubahan untuk AI tidak terjadi dengan mengorbankan hasil biasa.

Jawaban chatbot bersifat acak, jadi satu pertanyaan saya ajukan tiga kali sekaligus. AI Overview stabil dan untuknya satu pengambilan cukup. Angka dari alat visibilitas AI selalu saya baca bersama penyebutnya: itu pangsa dalam kumpulan pertanyaan saya, bukan “pangsa pasar AI” yang tidak diketahui siapa pun.

Apa yang saya lakukan di situs saya sendiri, dan apa yang belum saya ketahui?

Saya berbicara tentang AI dalam pencarian di depan publik sejak 2016, tetapi merek saya sendiri belum ada di jawaban AI, dan dari situlah eksperimen saya dimulai. Kondisi awal 26 Juli 2026: rogala.pro tidak punya satu pun kutipan di salah satu dari 7 permukaan AI yang diperiksa di Ahrefs untuk Polandia, dan dalam 6 pemeriksaan di tiga platform, pada pertanyaan tanpa nama saya, tidak ada model yang menyebut saya. Saat ditanya tentang saya dengan nama, model mengulang deskripsi beberapa tahun lalu. Itu satu pengukuran dan tanpa ChatGPT, karena alat yang saya pakai untuk mengumpulkan jawaban tidak mengembalikan hasil untuknya, jadi saya anggap titik awal, bukan bukti.

Urutan pekerjaan mengikuti data: identitas dulu, baru jangkauan. Saya merapikan satu definisi di profil (di LinkedIn dalam 30 versi bahasa), memeriksa pengenal di data terstruktur (dari situlah insiden aktor), dan membangun situs serta blog dalam 27 bahasa dengan versi Markdown. Jangkauan, yaitu publikasi dan sebutan di media orang lain, baru datang setelah itu.

Saya belum tahu apakah ini berhasil. Pengukuran ulang pertama jawaban AI saya jadwalkan mulai 1 November 2026, dan hasil pengukuran file Markdown akan ada setelah 8 November. Hasilnya akan saya tambahkan ke tulisan ini, juga jika hasilnya nol.

Pertanyaan yang paling sering diajukan tentang GEO

Dari mana sebaiknya mulai?

Tiga langkah pertama tidak memakan biaya selain waktu. Periksa apakah robot mesin pencari AI bisa mengakses situs Anda. Ajukan tiga kali sekaligus beberapa pertanyaan yang diajukan pelanggan Anda, tanpa nama merek Anda, dan catat siapa yang disebut dan siapa yang dikutip. Baca apa yang dikatakan hasil Google tentang merek Anda saat dicari namanya saja, karena model memakai sumber yang sama. Jika hasilnya mengejutkan Anda, itu topik yang baik untuk konsultasi.