Setiap beberapa minggu, pencarian AI menghadirkan objek teknis baru untuk peta jalan pemasaran: llms.txt, Markdown, MCP, protokol agen baru, atau daftar periksa kesiapan lainnya. Argumen terbaru Search Engine Journal menyatakan bahwa format-format ini berada di hilir masalah yang sebenarnya: kebanyakan organisasi masih belum memiliki sumber terkelola untuk fakta produk, kebijakan, keahlian, perbandingan, dan bukti pengambilan keputusan yang dapat digunakan kembali oleh setiap kanal. Perilaku Google sendiri menguatkan hal itu: Google memperingatkan agar tidak memakai trik sitemap yang merekayasa sinyal perayapan, sementara AI Mode sudah berganti model cukup cepat hingga membuat pengujian visibilitas satu kali tidak stabil. Keunggulan yang bertahan lama bukanlah menjadi yang pertama mengadopsi setiap format baru, melainkan membangun infrastruktur pengetahuan, pengukuran, dan perdagangan kanonis yang dapat menerbitkan informasi di mana saja.
| Kabar Harian Beecommercer |
| Tanggal: Kamis, 3 September 2026 |
| Dipersembahkan oleh: beecommercer.com |
Tema hari ini jelas: AI menciptakan mekanisme penyampaian baru lebih cepat daripada kemampuan kebanyakan perusahaan untuk menciptakan pengetahuan yang andal.
Protokol baru dapat membuat informasi lebih mudah diambil oleh mesin. Namun, protokol tidak dapat menciptakan perbandingan yang tidak ada, menyelaraskan harga yang saling bertentangan, menjelaskan pelanggan mana yang tepat untuk suatu produk, atau menentukan kebijakan mana yang berlaku di pasar tertentu.
Karena itu, pertanyaan strategis bagi operator e-commerce dan pemasaran bergeser dari ‘Format AI mana yang kita perlukan?’ menjadi ‘Apakah kita memiliki satu sumber tepercaya untuk fakta dan bukti yang diperlukan oleh setiap format?’
Mari kita bahas.
BERITA UTAMA
Protokol Bukanlah Strategi
Bill Hunt dari Search Engine Journal berpendapat bahwa industri berulang kali memperlakukan format penyampaian AI baru seolah-olah setiap format memerlukan strategi baru. Contohnya mencakup llms.txt, MCP, Markdown, perluasan Schema, dan berbagai format baru lain yang berorientasi pada agen.
Teknologi-teknologi ini menjalankan tugas yang berbeda, tetapi menimbulkan godaan organisasi yang sama: para eksekutif melihat audit kesiapan baru, mendengar bahwa perusahaan belum memiliki protokol terbaru, lalu mengalihkan sumber daya pemasaran dan rekayasa sebelum bertanya apakah informasi dasarnya sudah lengkap.
Artikel tersebut memperkenalkan konsep berguna bernama Cakupan Keputusan. Produk dapat memiliki spesifikasi unggul, tetapi tetap tidak memiliki bukti yang diperlukan sistem AI untuk memutuskan apakah produk itu layak masuk daftar pilihan.
Permintaan untuk resor tepi pantai ramah keluarga yang ‘terbaik’, misalnya, bukanlah satu atribut. Jawabannya dapat bergantung pada lokasi, konfigurasi kamar, kesesuaian untuk keluarga, fasilitas, harga, ketersediaan, ulasan, dan kompromi. Jika merek hanya dapat membuktikan empat dari lima kriteria yang penting, menerbitkan empat fakta yang sama melalui protokol lain tidak menciptakan kriteria kelima yang hilang.
Itulah perbedaan penting antara publikasi dan kapabilitas. Schema dapat menjelaskan hubungan, tetapi tidak dapat menentukan seperti apa seharusnya hubungan itu. MCP dapat mengekspos sumber daya, tetapi tidak dapat menyelesaikan informasi bertentangan yang dimiliki tim berbeda. llms.txt dapat mengarahkan sistem ke konten, tetapi tidak dapat menciptakan keahlian yang tidak pernah didokumentasikan perusahaan.
Model yang direkomendasikan Hunt sederhana: bangun basis kanonis satu kali, lalu publikasikan ke mana saja. Fakta produk, kebijakan, keahlian, kriteria keputusan pelanggan, dan bukti pendukung harus berada dalam sumber terkelola yang dapat memasok halaman web, Schema, Merchant Center, API, Markdown, MCP, atau format apa pun yang nantinya berguna.
Hal ini sangat relevan bagi e-commerce karena kebenaran produk tersebar di berbagai sistem. Situs pemasaran mungkin memiliki pemosisian, PIM memiliki atribut, ERP memiliki inventaris dan data komersial, layanan pelanggan mengetahui keberatan yang terus berulang, sedangkan feed marketplace memuat representasi lain lagi.
Jika setiap protokol AI menjadi salinan pengetahuan lain yang dikelola secara manual, setiap pembaruan akan menimbulkan masalah sinkronisasi. Pendekatan yang lebih siap menghadapi masa depan adalah memperbaiki lapisan pengetahuan dan membuat format dapat saling dipertukarkan.
| Intisari untuk operator: Berhentilah membuat daftar pekerjaan kesiapan AI yang hanya berisi protokol. Pilih keputusan pelanggan yang paling penting — untuk siapa produk ditujukan, alternatif mana yang dikalahkannya, kompromi apa yang penting, apakah ukurannya sesuai, kapan dapat dikirim, dan kebijakan mana yang berlaku — lalu tentukan bukti otoritatif untuk setiap keputusan. Bangun dan kelola pengetahuan tersebut satu kali. Tambahkan llms.txt, MCP, Markdown, Schema, feed, atau API hanya ketika semuanya menyediakan jalur penyampaian baru yang berguna. |
PERGESERAN
Google terus menghargai sinyal stabil sementara AI Mode berubah di balik pengujian
John Mueller dari Google menolak teknik sitemap yang dirancang untuk memaksa perayapan harian. Teknik itu menambahkan parameter stempel waktu baru ke URL sitemap turunan setiap hari agar mesin pencari melihat URL baru, alih-alih mengandalkan nilai lastmod standar milik sitemap.
Mueller menyebut pendekatan itu ide yang buruk karena memberi sinyal bahwa URL kanonis sitemap terus berubah. Sarannya tetap sama: gunakan URL yang bersih dan stabil serta nilai lastmod yang akurat.
Pelajarannya berlaku lebih luas daripada sitemap. Sistem pencarian dibangun berdasarkan sinyal yang stabil. Merekayasa perubahan tidak menciptakan kesegaran yang berguna ketika konten dasarnya tidak berubah.
Pada saat yang sama, Google menambahkan Gemini 3.8 Flash ke AI Mode bagi pelanggan Google AI Pro dan Google AI Ultra di seluruh dunia pada hari peluncuran model tersebut.
Ini merupakan peluncuran Flash ketiga Google dalam enam minggu. Search Engine Journal mencatat bahwa siapa pun yang membandingkan kutipan AI Mode dari Gemini 3.7 Flash pada pertengahan Agustus dengan Gemini 3.8 Flash sekarang tidak sedang menguji sistem pengambilan dan pemberian jawaban yang sama.
Hal itu menciptakan masalah pengukuran penting bagi visibilitas AI. Kenaikan atau penurunan kutipan dapat mencerminkan perubahan konten, perubahan model, variasi prompt, perbedaan pengambilan informasi, atau semuanya sekaligus.
Karena itu, Search Engine Journal menyarankan agar nama model dicatat dalam setiap pengujian AI Mode. Detail operasional kecil ini penting karena satu periode pelaporan kini dapat mencakup beberapa versi model.
Jika dipadukan, kedua berita itu menawarkan perbandingan yang berguna. Jangan memanipulasi sinyal teknis yang stabil agar terlihat lebih baru. Sebaliknya, dokumentasikan sistem yang benar-benar berubah dan memengaruhi pengukuran Anda.
| Intisari untuk operator: Pertahankan URL sitemap yang stabil dan gunakan lastmod hanya ketika konten berubah secara bermakna. Untuk melacak visibilitas AI, catat mesin, versi model, prompt, tanggal, lokasi, dan tingkatan akun sebisa mungkin. Sistem pengukuran yang mengabaikan perubahan model dapat mengubah volatilitas platform menjadi kesimpulan SEO yang keliru. |
LAPISAN OPERASIONAL
Tumpukan pengukuran memerlukan beberapa jawaban karena tidak ada satu metrik yang dapat menjelaskan pertumbuhan
Episode terbaru Ads Decoded dari Google berfokus pada pembangunan tumpukan pengukuran yang mencakup atribusi, pengujian inkrementalitas, dan pemodelan bauran pemasaran, bukan meminta satu alat memberikan jawaban akhir.
Google mencatat bahwa pemasar sering menghadapi sinyal yang bertentangan dari atribusi waktu nyata, pengujian inkrementalitas berkala, dan MMM. Jawabannya bukan memilih angka yang paling menguntungkan; setiap metode menjawab pertanyaan yang berbeda.
Atribusi berguna untuk pengoptimalan cepat dan memahami perjalanan pelanggan. Inkrementalitas menanyakan apa yang akan terjadi tanpa media tersebut. MMM membantu menjelaskan kontribusi kanal secara lebih luas dalam periode yang lebih panjang dan ketika pelacakan tingkat pengguna tidak lengkap.
Pembahasan itu juga menyoroti Qualified Future Conversions, yang berupaya menangkap perjalanan pembelian yang lebih panjang dengan memperkirakan hasil komersial di masa depan setelah interaksi iklan.
Menurut metafora Google, media lebih menyerupai menanam benih daripada langsung memanen setiap konversi. Gagasan ini berguna bagi merek yang tergoda mengoptimalkan semuanya demi ROAS jangka pendek, tetapi metrik prediktif tetap harus dicocokkan dengan pendapatan nyata di kemudian hari.
Data awal Shopify tentang perdagangan AI menunjukkan mengapa pengukuran berlapis ini penting. Pada Q1 2026, sesi rujukan AI tumbuh lebih dari 8 kali lipat dibandingkan tahun sebelumnya, pesanan rujukan AI tumbuh hampir 13 kali lipat, dan pengunjung yang tiba di halaman produk dari AI mencatat konversi hampir 50% lebih baik daripada pengunjung dari pencarian organik, dengan nilai pesanan rata-rata 14% lebih tinggi.
Kanal rujukan AI masih jauh lebih kecil daripada pencarian organik, dan sebagian penemuan yang dimediasi AI masih diklasifikasikan sebagai organik dalam analitik. Artinya, satu laporan rujukan meremehkan peran AI, tetapi juga memudahkan orang melebih-lebihkan arti sebuah kanal kecil yang tumbuh cepat.
Pertanyaan pengukuran yang benar bukanlah apakah lalu lintas AI ‘lebih baik daripada SEO’. Pertanyaannya adalah apakah kanal itu bersifat tambahan, inkremental, menguntungkan, dan layak mendapat investasi lebih besar seiring pertumbuhan volumenya.
| Intisari untuk operator: Bangun tumpukan pengukuran dengan tugas yang terpisah. Gunakan atribusi untuk pengoptimalan harian, inkrementalitas untuk keyakinan kausal, dan MMM untuk alokasi yang lebih luas. Lacak rujukan AI sebagai segmen tersendiri, tetapi bandingkan dengan kualitas pelanggan, margin kontribusi, pembelian berulang, dan permintaan terbantu. Metrik prediksi konversi masa depan adalah masukan yang berguna, bukan pendapatan yang sudah dibukukan. |
3 HAL TENTANG SKALA PERDAGANGAN, TEKNOLOGI IKLAN, DAN PENCARIAN AI
1. Flabelus menunjukkan bentuk nyata ‘membangun basis satu kali’ dalam perdagangan
Shopify menghadirkan studi kasus Flabelus yang menggambarkan merek alas kaki yang meningkatkan pendapatannya lebih dari 200 kali lipat sejak tahun penuh pertamanya berjualan secara daring dan kini mengoperasikan 47 toko di 14 negara di atas fondasi perdagangan yang sama.
Flabelus memulai bisnis daring di Spanyol pada 2020, lalu berekspansi ke ritel fisik, lebih banyak pasar, mata uang, metode pembayaran, aplikasi khusus, dan kebutuhan regional. Kini merek itu melayani pelanggan di lebih dari 40 negara dan mengatakan tidak pernah mengganti platform.
Detail operasional yang penting adalah kanal daring dan ritel berjalan di bawah entitas toko yang sama. Tim ritel, ekspansi, dan komunikasi pun mendapat satu tampilan penjualan tanpa perlu menyatukan laporan dari sistem yang terpisah.
Merek tersebut juga menggunakan aplikasi khusus ketika platform standar tidak memenuhi suatu kebutuhan, sementara penerjemahan produk, impor, ekspor, retur, dan pelaporan tetap terhubung ke sistem inti yang sama.
Inilah versi perdagangan dari arsitektur pengetahuan: pertahankan fondasi yang cukup stabil sehingga ekspansi menjadi persoalan konfigurasi dan perluasan, alih-alih membangun ulang bisnis inti setiap beberapa tahun.
| Intisari untuk operator: Saat mengevaluasi platform, tanyakan apa yang terjadi pada skala 10x: lebih banyak toko, mata uang, gudang, aturan regional khusus, retur, terjemahan, dan pelaporan. Tujuannya bukan meniadakan penyesuaian, melainkan memiliki inti stabil dengan cukup banyak titik perluasan agar pasar baru tidak membutuhkan sumber kebenaran baru. |
2. Google terhindar dari pemecahan bisnis teknologi iklan, tetapi langkah perbaikan perilaku tetap berlaku
Reuters melaporkan bahwa seorang hakim federal AS menolak permintaan Department of Justice untuk memaksa Google menjual bursa iklan AdX miliknya, meskipun putusan sebelumnya menyatakan Google telah menekan persaingan secara ilegal di sebagian pasar teknologi iklan penerbit.
Hakim Leonie Brinkema menerima langkah perbaikan perilaku alih-alih divestasi struktural. Google mengusulkan sejumlah langkah, termasuk menyediakan akses penawaran waktu nyata kepada para pesaing; putusan terperinci diperkirakan keluar setelah materi rahasia disunting.
Kasus ini penting bagi pemasar karena Google berperan di berbagai lapisan periklanan digital: permintaan, lelang, teknologi penerbit, pengukuran, dan inventaris pencarian.
Putusan pengadilan itu mengurangi kemungkinan penataan ulang struktural dalam waktu dekat, tetapi tidak menghapus pertanyaan mendasar tentang persaingan dan transparansi.
| Intisari untuk operator: Jangan mengubah putusan hukum menjadi prediksi strategi media. Simpan catatan kampanye, pendapatan, CRM, dan inkrementalitas secara mandiri agar ekonomi kanal tetap dapat dipahami ketika aturan lelang atau akses platform berubah. Integrasi platform menciptakan kemudahan; pengukuran independen menciptakan daya tawar. |
3. Kisah perdagangan AI Shopify bersifat tambahan, bukan pengganti pencarian
Sebuah artikel investor Yahoo Finance tentang evolusi perdagangan berbasis AI di Shopify membingkai strategi Shopify saat ini di sekitar penemuan dan perdagangan berbantuan AI, sementara perusahaan terus memosisikan Shop dan platform pedagangnya sebagai tujuan terpadu untuk permintaan dan transaksi.
Data perdagangan Shopify sendiri memberikan bukti operasional yang lebih berguna: lalu lintas AI tumbuh cepat dan cenderung datang dengan intensi pembelian yang lebih kuat, tetapi pencarian organik masih mengirimkan jauh lebih banyak sesi dibandingkan seluruh platform AI yang dilacak jika digabungkan.
Karena itu, peluang perdagangan AI saat ini bersifat tambahan. Pembeli mungkin menggunakan ChatGPT, Gemini, atau asisten lain untuk melakukan riset, tetapi produk yang sama tetap mendapat manfaat dari pencarian organik yang kuat, halaman produk yang jelas, data terstruktur, ulasan, dan checkout yang andal.
Agentic Storefronts dan Universal Commerce Protocol dari Shopify dirancang agar pedagang dapat menyediakan harga, atribut, dan ketersediaan waktu nyata kepada sistem AI tanpa harus mengelola feed produk terpisah untuk setiap platform baru.
| Intisari untuk operator: Perlakukan perdagangan AI sebagai kanal permintaan lain yang dibangun di atas kebenaran produk yang sama. Ukur secara terpisah, tetapi jangan pecah model operasinya. Katalog, inventaris, harga, konten produk, dan kebijakan layanan pelanggan yang sama harus mendukung Google, pencarian organik, asisten AI, marketplace, dan etalase milik sendiri. |
DI LUAR JAM KERJA
Bangun Sekali, Ukur dengan Konteks, Terbitkan di Mana Pun Pelanggan Berada
Semua berita hari ini menentang refleks yang sama: mengira antarmuka baru sebagai strategi baru.
File llms.txt bukanlah arsitektur pengetahuan. Model Flash baru bukan bukti bahwa konten Anda berubah. Parameter sitemap bukan kesegaran. Prediksi konversi masa depan bukan pendapatan yang sudah dibukukan. Rujukan perdagangan AI bukan alasan untuk meninggalkan pencarian organik.
Platform akan terus berubah. Nama model akan terus berubah. Protokol, feed, API, dan standar agen baru akan bermunculan.
Lapisan yang bertahan lama adalah bagian yang dikendalikan organisasi: fakta produk, bukti pelanggan, kebijakan, keahlian, inventaris, harga, definisi pengukuran, dan sistem yang menjaga semuanya tetap tersinkronisasi.
Itulah sebabnya baris paling sederhana dalam kumpulan sumber hari ini mungkin menjadi yang paling berguna:
Bangun basis sekali. Terbitkan di mana saja.
Tim Beecommercer