Dua keluarga indikator untuk mengukur dampak LLM
Mengukur GEO (Generative Engine Optimization, optimasi untuk mesin generatif) berarti memantau tempat merek Anda dalam jawaban ChatGPT, Perplexity, Gemini, Copilot, atau AI Overviews Google. Seluruh perangkat ini bertumpu pada satu perbedaan sederhana. Indikator kehadiran mengukur tempat itu dalam jawaban: bergerak cepat dan mengarahkan pekerjaan sehari-hari. Indikator hasil mengukur efek nyata pada bisnis: prospek, pendaftaran, penjualan, dengan jeda berminggu-minggu. Yang pertama membenarkan upaya, yang kedua membenarkan anggaran. Keduanya diperlukan.
Indikator kehadiran: pemantauan prompt
Pemantauan prompt berarti menjalankan ulang setiap hari, di beberapa model, sebuah pustaka pertanyaan yang mewakili bisnis dan tujuan produk Anda, lalu mencatat apa yang dikatakan jawaban tentang merek Anda. Jika Anda menjual perangkat lunak faktur elektronik, misalnya, itulah pertanyaan yang diajukan seorang direktur keuangan sebelum memilih: “perangkat lunak faktur elektronik apa yang cocok untuk UKM?”, “solusi mana yang sesuai dengan reformasi?”. Ambil dari pertemuan penjualan, tiket dukungan, dan kueri Search Console yang dirumuskan ulang dalam bahasa alami. Pisahkan prompt yang menyebut nama merek Anda: prompt itu hampir selalu menyebut Anda dan menggelembungkan semua skor.
Alat pemantau prompt, seperti Peec, Profound, atau Otterly, mengotomatiskan pengumpulan ini dan mencatat tiga data dalam setiap jawaban: sebutan (merek Anda disebut namanya), peringkat (tempat merek Anda di antara merek-merek yang dikutip jawaban), dan kutipan (halaman yang ditampilkan model sebagai sumber, baik milik Anda maupun pihak ketiga).
Dari sebutan dan peringkatnya, saya menurunkan lima indikator. Kutipan akan dipakai lebih lanjut di bawah, sebagai bacaan kualitatif.
| Indikator | Perhitungan | Apa artinya |
|---|---|---|
| Pangsa suara | Sebutan Anda dibagi sebutan seluruh merek yang dipantau, termasuk merek Anda | Kinerja Anda dibanding yang lain. Tidak bermakna bisnis dengan sendirinya, tetapi trennya memvalidasi upaya Anda, atau tidak. |
| Visibilitas | Proporsi prompt yang dijalankan tempat Anda disebut | Cakupan Anda atas ruang lingkup yang ditentukan pustaka prompt. Indikator kemudi yang baik. |
| Posisi | Peringkat rata-rata sebutan Anda di antara merek yang dikutip, hanya pada prompt tempat Anda muncul | Disebut pertama kemungkinan besar mencerminkan kredibilitas lebih tinggi. Dibaca sendiri, ia menyanjung: menghilang dari prompt tempat peringkat Anda buruk justru memperbaikinya. |
| Sebutan berbobot | Rata-rata kebalikan peringkat atas semua prompt, termasuk yang absen, dalam skala 100 (rumus di bawah tabel) | Menggabungkan cakupan dan peringkat dalam satu angka. Dipantau setiap hari, inilah indikator kemudi, yang paling bicara di antara semuanya. |
| Pangsa suara berbobot | Sebutan berbobot Anda dibagi jumlah sebutan berbobot seluruh merek yang dipantau | Bobot Anda dalam jawaban dibanding pasar, cakupan dan peringkat digabungkan. Lebih kaya daripada pangsa suara klasik, dan saling melengkapi. |
Sebutan berbobot layak diberi rumus, karena dialah yang mengarahkan pekerjaan. Untuk setiap prompt, sebutan Anda bernilai kebalikan peringkatnya: 1 jika disebut pertama, 0,5 kedua, 0,33 ketiga, 0 jika absen. Rata-rata nilai ini atas seluruh pustaka, dikalikan 100, menghasilkan indikatornya. Contoh dengan 100 prompt: disebut pertama 30 kali, kedua 20 kali, ketiga 10 kali, dan absen dari 40 lainnya, yakni 30 × 1 + 20 × 0,5 + 10 × 0,33 + 40 × 0 = 43,3 poin atas 100 prompt, jadi sebutan berbobot 43 dari 100. Ke-40 ketidakhadiran itu berbobot: inilah yang membedakan indikator ini dari posisi. Hitunglah model demi model sebelum merata-ratakannya: ChatGPT dan Perplexity tidak memeringkat Anda dengan cara yang sama, dan selisih di antara keduanya sering mengajarkan sesuatu.
Tambahkan dua bacaan kualitatif. Kutipan dahulu: halaman yang dikutip memengaruhi narasi model. Temukan mana yang berhasil dan gunakan untuk membenarkan investasi atau menetapkan prioritas tindakan: utas diskusi mana yang perlu dipengaruhi lebih dulu, kreator video mana yang perlu dihubungi. Amati juga kutipan para pesaing. Lalu sentimen: cara model membicarakan Anda. Jika Anda rutin memasok pihak ketiga yang akan membicarakan merek Anda, pantau efek setiap peristiwa, seperti sertifikasi baru, pada sentimen keseluruhan atau per produk.
Empat sumber pelengkap: mesin pencari, log, panel, AI Overviews
Keempat sumber ini tidak mengukur kehadiran maupun hasil: mereka menerangi mekanisme di antara keduanya, apa yang dibaca robot, apa yang ditampilkan mesin pencari, dari mana pengunjung datang. Periksalah sekali sebulan, atau ketika suatu angka pemantauan prompt bergerak tanpa alasan yang terlihat.
| Sumber | Manfaatnya |
|---|---|
| Data mesin pencari | Bing Webmaster Tools dan Google Search Console masing-masing menerbitkan data tentang tempat halaman Anda dalam jawaban yang mereka hasilkan, Copilot di satu sisi, AI Overviews dan AI Mode di sisi lain. Terutama berguna untuk membenarkan alokasi anggaran, atau mendalami hal tertentu. |
| Log server | Saring robot LLM di log Anda dan pisahkan dua keluarga: robot pelatihan dan pengindeksan (GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot), yang memasok model dan indeksnya, dan robot jawaban (ChatGPT-User, Perplexity-User, Claude-User), yang membaca sebuah halaman saat model menyusun jawaban. Yang kedua membuktikan, halaman demi halaman, bahwa Anda menjadi sumber. Dan ketika Anda merilis perbaikan teknis agar model lebih memahami situs, di sinilah efeknya di sisi perayapan terbaca. |
| Data pihak ketiga | Beberapa panel, seperti Similarweb, memperkirakan berapa bagian pengunjung Anda yang juga memakai ChatGPT atau Perplexity pada hari yang sama, dan berapa kunjungan yang dikirim setiap asisten kepada Anda dibanding pesaing. Perkiraan yang perlu kehati-hatian, tetapi sudut pandangnya, eksternal dan komparatif, berharga. |
| Pemantauan AI Overviews | Alat pemantau peringkat Anda (Semrush, Ahrefs, atau SE Ranking menyediakannya) menunjukkan, kata kunci demi kata kunci, apakah AI Overview muncul dan apakah situs Anda dikutip di dalamnya. Indikator kemudi yang baik untuk mengukur efek perubahan pada situs: konten baru, format baru. |
Indikator hasil: dampak nyata pada prospek Anda
Deklaratif dahulu. Pertanyaan “dari mana Anda mengenal kami?” mengukur dampak bisnis yang sebenarnya, dan putusannya sering berbeda dari model atribusi. Tanpanya Anda melewatkan skenario paling umum: seseorang membaca rekomendasi di LLM, mengetik merek Anda di Google, mengklik tautan berbayar atau organik. Tidak ada model atribusi yang melihat rantai itu.
Lalu analitik. Di GA4, buat grup kanal khusus “LLM” yang ditentukan oleh ekspresi reguler pada sumber sesi: chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai, chat.mistral.ai. Tanpanya, kunjungan ini tenggelam dalam kanal “Referral”. Ketika pengunjung datang dengan mengklik tautan dalam jawaban, Anda bisa mengatribusikannya. Angka ini adalah batas bawah: klik dari AI Overviews dan AI Mode masuk sebagai lalu lintas organik Google, tak terbedakan dari SEO klasik, dan aplikasi seluler para asisten sering tidak mengirim perujuk sama sekali, kunjungan itu jatuh ke lalu lintas langsung. Lengkapi dengan cookie: jika prospek mengunjungi situs Anda, mampir ke LLM, lalu kembali, laporan Jalur konversi menampilkan persinggahan itu sebagai titik kontak perantara, apa pun model atribusi yang dipilih.
Terakhir, sinyal tidak langsung. Kenaikan tak terjelaskan pada lalu lintas merek dan lalu lintas langsung sering mencerminkan skenario yang sama dengan deklaratif: rekomendasi yang dibaca, lalu pencarian. Analisis transkrip panggilan tim penjualan Anda setiap hari untuk menemukan prospek yang menyebut LLM sebagai sumber; otomatisasi kecil sudah cukup, sebuah skrip yang mengajukan satu pertanyaan saja kepada model atas setiap transkrip, “apakah prospek mengatakan menemukan merek ini lewat AI?”, dan mencentang sebuah bidang di CRM ketika jawabannya ya. Dan pantau studi deklaratif, publik maupun berbayar, yang mendokumentasikan cara orang mencari: selalu mencerahkan.
| Sinyal | Apa yang ditangkap | Batasannya |
|---|---|---|
| Deklaratif | Kanal nyata tempat prospek mengenal Anda | Bergantung pada ingatan dan kejujuran responden |
| Analitik (GA4) | Klik langsung dari jawaban LLM | Buta pada rekomendasi yang diikuti pencarian merek, dan pada klik tanpa perujuk |
| Sinyal tidak langsung | Lalu lintas merek, transkrip penjualan, studi | Korelasi, tidak pernah bukti dengan sendirinya |
Menyatukan semuanya, dan dari mana memulai
Mata rantai terakhir paling sederhana, asalkan urutannya dipatuhi. Hari pertama, pasang apa yang gratis dan riwayatnya tidak bisa dikejar: pertanyaan “dari mana Anda mengenal kami?” di formulir dan grup kanal LLM di GA4. Minggu pertama, bangun pustaka prompt dan mulai pemantauan. Bulan pertama, sambungkan sumber-sumber pelengkap.
Selanjutnya, kumpulkan semua data ini di satu tempat, spreadsheet sudah cukup pada awalnya, dan serahkan kepada asisten AI, Claude dalam kasus saya, analisis mingguan, dengan ringkasan singkat tren yang dikirim lewat pesan Slack. Tiga ritme pembacaan: sebutan berbobot setiap hari, oleh orang yang mengerjakannya; ringkasan setiap minggu, oleh tim pemasaran; kehadiran dan hasil berdampingan setiap kuartal, di hadapan manajemen, karena perbandingan inilah yang menentukan anggaran. Pengukuran hanya berharga jika ada yang membacanya setiap minggu.
Pada 2026, dampak LLM terhadap perolehan prospek tidak terbaca di dasbor jadi mana pun. Ia dibangun ulang indikator demi indikator, kehadiran di satu sisi, hasil di sisi lain, sampai kedua kurva menceritakan kisah yang sama: sebutan berbobot naik pada satu kuartal, proporsi prospek yang menyebut AI sebagai sumber naik pada kuartal berikutnya. Selama keduanya berbeda arah, Anda tahu ke mana harus mencari: kehadiran tanpa hasil, Anda dikutip pada prompt yang tidak mendatangkan pembeli Anda; hasil tanpa kehadiran, pustaka Anda tidak mencakup apa yang sebenarnya mereka tanyakan.
Pertanyaan umum
Analisis lain tentang pengukuran GEO dan pencarian generatif tersedia di artikel-artikel jurnal.