Pencarian Bertransisi dari “Memberikan Jawaban” Menuju “Menyelesaikan Tugas”: Apa yang Terjadi Setelah SEO?

Di artikel sebelumnya berupa observasi langsung dari Cloud Commit, saya menggunakan kurva evolusi 「Query → Results → Question → Answer → Goal → Plan → Search → Reason → Search Again → Tool → Action → Verify」 untuk menjelaskan tiga fase pencarian. Setelah artikel diterbitkan, tiga hal yang paling sering ditanyakan oleh klien kami adalah: apa implikasi kurva ini terhadap aset konten yang sudah ada, bagaimana seharusnya SEO/GEO diposisikan ulang, dan aksi rekayasa apa saja yang bisa segera dimulai.

Artikel ini akan mengupas ketiga hal tersebut secara mendalam.

Satu. Perbedaan Tiga Fase Terletak pada Hasil Kerja, Bukan Kapabilitas

Mari kita kilas balik secara singkat: pencarian generasi pertama memberikan beberapa tautan kepada pengguna, dan pengguna membandingkan sendiri. Pencarian generasi ketiga memberikan proposal pembelian lengkap dengan rantai bukti, konsep reservasi, atau briefing strategis yang bersifat proaktif.

Perbedaan ini lebih nyata dan mudah dipahami jika kita lihat melalui tiga skenario kerja nyata:

Perbandingan Tiga Penyedia Cloud

Generasi pertama pencarian hanya memberikan tautan ke situs resmi tiga penyedia dan beberapa halaman review. Generasi kedua mengumpulkan informasi publik menjadi satu ringkasan, menjelaskan perbedaan dalam hal performa, harga, layanan, dan ekosistem. Sementara generasi ketiga akan bertanya terlebih dahulu tentang jenis bisnis, traffic, dan kebutuhan kepatuhan Anda, lalu memanggil API tarif publik dari penyedia cloud, mengambil kebijakan diskon terbaru, membandingkan dengan penggunaan aktual Anda, dan menghasilkan rekomendasi pembelian dengan bukti pendukung.

Dalam perbandingan publik antara Exa dan Tavily, Exa mengakui bahwa performanya 81% berbanding 71% Tavily pada benchmark pencarian multi-hop WebWalker, dengan latency 1,4 detik berbanding 4,5 detik—selisih yang secara langsung menentukan apakah Agent dapat menyelesaikan beberapa pencarian lanjutan dalam hitungan detik saat pengguna menunggu.

Pemesanan Hotel

Generasi pertama mengembalikan beberapa tautan platform pemesanan. Generasi kedua memberikan rekomendasi hotel berdasarkan tujuan dan tanggal perjalanan Anda. Generasi ketiga akan menyaring berdasarkan jumlah penumpang, anggaran, kebutuhan ruang rapat, preferensi makanan, dan mileage akumulasi, lalu memilih tiga kandidat. Kemudian memanggil hotel API untuk mendapatkan harga real-time dan tipe kamar, memanggil map API untuk menghitung waktu tempuh ke kantor klien, dan akhirnya menghasilkan draft pemesanan lengkap dengan invite kalender.

Ketiga, monitoring kompetitor. Pada generasi pertama, Anda mencari “harga kompetitor X” dan mendapatkan sejumlah berita; pada generasi kedua, Anda mendapatkan rangkuman perubahan; generasi ketiga akan terus memantau官方网站, rekrutmen, rilis versi, dan komunitas pengguna kompetitor, serta akan secara proaktif memberi tahu Anda ketika ada perubahan penting, dan menjelaskan “apakah penurunan harga 30% ini merupakan respons terhadap rilis Anda minggu lalu, serta apa implikasinya terhadap strategi harga Anda.”

Satu tujuan, bergerak dari “mencari satu jawaban” ke “menyelesaikan tugas,” perbedaannya persis seperti di atas.

Dua, Umpan Balik Penelitian Lebih Penting daripada Recall Pertama

Sistem pencarian tradisional sangat mementingkan Recall (recall rate), Precision (presisi), dan Ranking (peringkat). Agentic Search tetap membutuhkan kemampuan-kemampuan ini, tetapi standar evaluasinya berubah.

Sebuah Research Agent yang baik seharusnya tidak hanya mencari sekali saja. Ia harus menghasilkan Query putaran kedua ketika bukti yang ditemukan belum mencukupi; mencari bukti pihak ketiga ketika dua sumber saling bertentangan; memanggil API lain ketika membutuhkan harga real-time; dan mengatur ulang rencana pencarian ketika menyadari bahwa pengguna sebenarnya ingin membandingkan Total Cost of Ownership (TCO).

S1-DeepResearch 在2026年的论文综述中统计了相关数据，标准 LLM 在不进行多轮检索的情况下，多步骤研究基准上的准确率低于10%；而 Deep Research Agent（在搜索—阅读—综合—重新查询循环中迭代的系统）能够达到50%以上。五倍的差距，并非某个单一技巧的胜利，而是研究闭环的胜利。

那么，闭环该如何定义？可以走八阶段流程（Goal → Plan → Search → Reason → Search Again → Tool → Action → Verify），也可以简化为五阶段（Plan → Search → Reason → Refine → Conclude）。这两种路径我都在使用——前者适用于复杂的长程任务（如企业级研究、跨领域尽职调查），后者则适合日常的研究循环。中间任何一个环节出现错误，后续都将在错误的基础上不断累积叠加。

Ini juga berarti infrastruktur pencarian dan Agent di atasnya harus dipahami secara terpisah. Tavily, EXA, Elasticsearch, OpenSearch, Brave Search, Browser Search semuanya dapat berperan sebagai Retrieval Provider. Lapisan produk yang真正负责任(Intent), Planning, Source Strategy, Reasoning, Evidence, Evaluation, dan Action.

Dari pengalaman陪跑 kami,有一个典型反例：一家金融机构错误地认为”搜索增强”就是”更换一个更智能的搜索引擎”。结果，Agent在第一轮检索中获得了看似权威的旧政策文件，却没有触发补充检索，最终引用了一份已废止两年的风控规则。系统表面运行正常，决策者也未察觉异常。直到审计时追溯引用来源，才发现整个Research Loop缺少了三层判断：Evidence Age、Conflict Resolution和Source Authority。

Memindahkan evaluasi kualitas pencarian dari “apakah recall relevan” menjadi “apakah seluruh siklus penelitian dapat dipercaya” — ini adalah hal yang selalu saya tekankan kepada klien sepanjang tahun ini.

Tiga、Memory Menentukan Apakah Agent Dapat Berjalan Jangka Panjang

Di forum Agentic Search, Memory dibahas secara terpisah, mencakup Long-term Memory (memori jangka panjang), Task Memory (memori tugas), dan Context Compression (kompresi konteks).

Hal ini sangat masuk akal. Begitu tugas berubah dari “tanya-jawab” menjadi proses penelitian yang berlangsung puluhan langkah, sistem akan segera menghadapi masalah: apa yang telah dicari, diverifikasi, dan disangkal sebelumnya — apakah dapat diingat dengan andal di kemudian hari.

MemGPT yang diajukan pada 2023 memperkenalkan paradigma “LLM as OS”, dengan inti membagi memori secara berlapis: core memory dalam jendela konteks, lapisan penyimpanan di luar percakapan, dan archival memory yang dapat diambil. Letta mengimplementasikannya secara rekayasa pada 2024, dan DeepLearning.AI membuka kursus jangka pendek pada 2026. Jalur ini memiliki karya pendahulu yang jelas untuk dirujuk, bukan terminologi yang kami ciptakan sendiri.

Jika tugas penelitian terus-menerus mencari informasi yang sama secara berulang, akan浪费 biaya yang besar. Lebih berbahaya lagi, sistem melupakan bahwa sebelumnya telah ditemukan sumber tertentu tidak dapat diandalkan, tetapi kemudian mengutipnya kembali.

Task Memory Harus Dicatat Secara Terstruktur

Di akhir setiap tugas penelitian, sistem harus mempertahankan field-field berikut secara terstruktur:

Rencana Query:任务 ini dipecah menjadi sub-masalah apa saja, dan apa tujuan dari masing-masing sub-masalah tersebut
Daftar Sumber: untuk setiap sub-masalah, sumber mana saja yang telah diakses, beserta tingkat otoritas, tanggal publikasi, dan status depresiasinya
Rekaman Bukti: fakta-fakta kunci yang diambil dari setiap sumber, disertai referensi sumber asli dan kutipan langsungnya
Penanda Konflik: di antara sumber-sumber mana yang kesimpulannya tidak konsisten, apa titik ketidaksesuaiannya, serta pilihan dan alasan sistem
Kesimpulan Per Tahap: penilaian sementara sistem terhadap pertanyaan yang sedang ditangani setelah setiap siklus pencarian
Jalur Gagal: jalur pencarian mana yang tidak menghasilkan hasil, mengapa, dan apakah layak untuk dicoba ulang lain waktu
Keputusan Akhir: apakah pengguna menerima atau menolak kesimpulan ini, beserta alasannya

Dengan cara ini, ketika sistem menghadapi tugas serupa di kemudian hari, ia dapat langsung memanfaatkan pengalaman terstruktur yang telah dibangun sebelumnya, tanpa harus memulai dari nol.

Banyak tim selama ini menggunakan vector database (Embedding + Retrieval, yaitu mengubah teks menjadi vektor lalu mencari berdasarkan kemiripan) sebagai Memory — menyimpan seluruh riwayat obrolan dalam bentuk Embedding, kemudian mengambil kembali fragmen yang relevan saat diperlukan. Pendekatan ini memiliki dua risiko tersembunyi: Pertama, “fragmen relevan” belum tentu benar-benar relevan, sehingga kemungkinan model terganggu oleh noise justru meningkat; Kedua, mayoritas fragmen tidak memiliki label terstruktur, sehingga tidak memungkinkan pengelolaan versi, sumber, atau masa berlaku. Yang sebenarnya dibutuhkan Memory adalah desain akumulasi沉淀, evaluasi, dan strukturasi — jika tidak, Context akan menumpuk terus-menerus dan keputusan berikutnya justru menjadi lebih tidak pasti.

四、自进化真正有价值的部分,是把成功经验沉淀成 Skill

Demonstrasi di tempat juga mempertunjukkan Agent Swarm (kolaborasi multi-agen) dan loop tertutup “self-evolution”.

Penyampaian seperti ini mudah membuat orang mengasosiasikannya dengan model yang berlatih sendiri. Pemahaman yang lebih akurat adalah: setelah menyelesaikan tugas, Agent mengevaluasi, menerima umpan balik人工, dan memvalidasi hasil, lalu metode yang bernilai diendapkan ke dalam Memory, Knowledge, dan Skill.

Sebagai contoh, setelah melakukan 20 kali riset peluang produk secara beruntun, sebuah sistem dapat perlahan membentuk Product Opportunity Research Skill. Skill ini bukan sekadar satu这段提示词, melainkan seharusnya mendefinisikan:

Trigger: Jenis tugas apa yang akan memicu Skill ini.
Goal: Apa standar keberhasilan penelitian ini?
Context Schema: Konteks perusahaan apa saja yang perlu dimuat sebelumnya (merek, kategori, pasar sasaran).
Constraints: Sumber mana yang tidak terpercaya, data mana yang tidak boleh dikutip.
Tools: Sumber pencarian, API, dan basis data apa yang harus dipanggil secara berurutan.
Workflow: Urutan langkah (cari titik masuk pasar → cari kompetitor utama → periksa harga, traffic, dan ulasan pengguna → terakhir periksa Reddit dan keluhan komunitas).
Source Priority: Prioritaskan sumber resmi (laporan keuangan/tahunan), lalu komunitas, dan terakhir blog.
Verification: Bukti apa yang cukup untuk membuktikan “adanya kebutuhan”.
Output Schema: Kolom apa yang akan dihasilkan di akhir, beserta format setiap kolom.

在这里需要向读者明确区分一点：上面这组 Skill 字段，既不是 OpenAI Function Calling（将外部函数注册为模型可调用的 JSON Schema 接口）——那属于工具层协议；也不等同于 Anthropic Tool Use（与 Function Calling 类似，但 Anthropic 使用更细粒度的 tool_use/tool_result 消息类型）——同样停留在工具层。AutoGen 的 Agent Spec 将 Agent 能力描述标准化为可序列化对象，与此处的 Skill 也仅有部分重叠。Skill 的真正落脚点是”团队经过数十次实战后沉淀下来的工作流模板”，它将 Tools、Workflow、Constraints、Verification 四个层面紧密绑定——这是 OpenAI/Anthropic/AutoGen 的协议层都未曾覆盖的领域。

在进行第 21 次同类调研时，已无需重新发明方法。这正是 Skill 真正的复利价值所在。

Saya pernah menyaksikan sendiri evolusi proses ini ketika membantu sebuah merek ritel rantai dalam transformasi AI. Pada minggu pertama, ketika Agent melakukan riset kompetitor, setiap product manager harus memberikan panduan ulang tentang jalur pencarian, prioritas sumber, dan kriteria penilaian. Hingga minggu ketiga, kami mengekstrak setiap jalur penelitian “efektif” ke dalam Skill, dan kesalahan-kesalahan yang terjadi (seperti terlalu bergantung pada satu sumber data) ditandai secara eksplisit. Pada minggu kedelapan, product manager baru hanya perlu memasukkan tujuan ke dalam sistem, dan kualitas laporan riset yang dihasilkan sudah stabil lebih tinggi dari draft awal anggota senior paling berpengalaman pada minggu kedua. Catatan: Evolusi pada tiga titik waktu ini adalah deskripsi proses ilustratif, ritme spesifik dapat bervariasi tergantung proyek.

Inilah nilai nyata dari Skill: mengubah pengetahuan implisit yang tersebar di otak 不同 orang di tim menjadi aset rekayasa yang dapat dibagikan, diwariskan, dan ditingkatkan oleh tim.

Karena itu, self-evolution sejati bergantung pada Evaluation (penilaian kualitas). Tanpa evaluasi hasil yang jelas, pengalaman错误也会被保存, sistem akan semakin percaya diri mengulangi kesalahan.

五、SEO Tidak Hilang, Tapi Corongnya Lebih Panjang

Dulu ketika melakukan SEO, corong yang paling khas adalah Ranking → Impression → Click → Signup → Paid. Setelah munculnya pencarian generatif, pengguna mungkin mendapatkan jawaban langsung di halaman pencarian, ChatGPT, Perplexity, atau Agent lainnya, tanpa lagi mengklik setiap sumber.

Pusat Riset Pew pada Maret 2025 melacak 68.879 pencarian Google aktual dari 900 warga dewasa AS, dan menemukan bahwa pada pencarian yang menampilkan ringkasan AI, proporsi pengguna yang mengklik hasil tradisional hanya 8%; tanpa ringkasan AI, proporsi ini adalah 15%. Hampir separuh dari klik telah terkompresi.

Ini menggeser nilai konten dari sekadar “mendapatkan klik” menjadi “menjadi bukti yang bersedia dirujuk dan diandalkan oleh model”. Dalam metrik operasional, akan muncul satu rantai baru: AI Visibility (Visibilitas AI) → Citation/Mention (Kutipan/Penyebutan) → AI Referral (Rujukan AI) → Qualified (Lead Berkualitas) → Signup → Paid.

Dalam melihat rantai perjalanan ini, kita dapat mengamatinya melalui empat lapisan: Terlihat, Dikutip, Diklik, dan Berubah. AI Visibility adalah fondasinya—apakah merek atau produk Anda disebutkan dalam jawaban AI; Citation/Mention menunjukkan seberapa sering dan dalam konteks apa Anda dikutip, serta keakuratan kutipan tersebut; AI Referral mengukur apakah pengguna mengikuti tautan kutipan ke situs Anda dan seberapa banyak kunjungan berkualitas tinggi yang dihasilkan; Qualified menilai dari kunjungan tersebut, berapa banyak yang kemudian mendaftar, mencoba, atau berkonsultasi; dan akhirnya semuanya bermuara pada Signup dan Paid.

Dalam industri GEO,基准 referensi yang diberikan adalah: tingkat kutipan Perplexity 97%, Google AI Overviews 34%, ChatGPT 16%; traffic AI saat ini menyumbang sekitar 1,08% dari total lalu lintas situs web, namun tingkat konversi dari traffic Perplexity 3,1-4,4 kali lebih tinggi dibandingkan pencarian organik Google, dengan durasi sesi 4,7 kali lebih lama. Kedua angka ini menunjukkan besaran yang signifikan—angka spesifik memang bervariasi tergantung situs dan industri, namun tren bahwa “traffic AI sedikit namun berkualitas tinggi” tetap konsisten.

慢慢学AI<001>

它和传统 SEO 漏斗最大的差别是:中间多了 Citation/Mention 和 AI Referral 两个新环节,而且 Citation 质量比 Citation 数量更重要。一个 AI 答案里把你的产品引用为”另一个可选方案”和把它引用为”针对这个场景最值得评估的三个产品之一”,带来的 Qualified 流量天壤之别。Ahrefs 数据科学家发现,Google AIO 引用源大概每轮有 45% 变化——这意味着光靠”被引用过一次”是不够的,要看 Citation Persistence(被引用的持续性)。

这里要避免一个误区。Citation 本身也可能成为 Vanity Metric(虚荣指标)。如果一个品牌被大量 AI Answer 提及,却没有带来高质量访问、品牌搜索、注册或收入,单纯引用次数的商业价值有限。

所以 GEO 最终仍然要回到完整 Funnel(漏斗)。但中间的衡量标准已经改变:不是”被搜到”,而是”被 AI 信任到愿意转述”。

六、内容建设开始为问题空间建立可靠证据,不只是为关键词写

SEO Tradisional vs Agentic Search

SEO tradisional mudah dibangun di sekitar Keyword untuk membuat matriks konten. Satu halaman untuk satu kata kunci, dengan tujuan ranking, long-tail, dan backlink.

Dengan Agentic Search, konten tetap harus memenuhi kebutuhan pencarian, tetapi strukturnya akan lebih mendekati ruang masalah (problem space). Sebuah Agent dalam tugas riset mungkin akan mengajukan beberapa sub-pertanyaan secara berurutan, dan membandingkan berbagai sumber informasi. Agent更需要清晰、可验证、结构稳定、来源明确的信息. Agent lebih membutuhkan informasi yang jelas, dapat diverifikasi, memiliki struktur yang stabil, dan sumber yang jelas.

Ini berarti bahwa pembangunan konten除了 Keyword之外，还需要建立五个维度的稳定性：Entity清晰、Fact可验、Date标注、Source可追溯、Topical Coverage完整。换句话说，過去為排名堆低密度頁面那一套做法，Agent一來就會失效。 Artinya, pembuatan konten selain Keyword juga perlu membangun stabilitas dari lima dimensi: Kejelasan Entitas (Entity), Fakta yang Dapat Diverifikasi (Fact), Penandaan Tanggal (Date), Ketertelusuran Sumber (Source), dan Kelengkapan Cakupan Topik (Topical Coverage). Dengan kata lain, praktik lama yaitu menumpuk halaman dengan kepadatan rendah demi ranking akan kehilangan efektivitasnya begitu Agent masuk.

慢慢学AI

Agent dalam proses riset cenderung memilih halaman dengan “entitas yang jelas, fakta yang dapat diverifikasi, sumber yang明确, dan topik yang lengkap”, alih-alih halaman internal yang “memasukkan kata kunci yang sama tiga kali di标题”. Pola yang muncul dari pengujian pada GEO-Bench (benchmark yang digunakan dalam论文 FeatGEO di ACL 2026) menunjukkan bahwa atribut konten уров dokumen (struktur, konten, bahasa) memiliki pengaruh yang jauh lebih besar terhadap tingkat kutipan dibandingkan dengan编辑 kata kunci yang terfragmentasi.

Mensertakan sumber asli untuk setiap pernyataan fakta, menambahkan windows waktu untuk setiap angka, serta menghubungkan relasi topik antar halaman secara eksplisit—semua ini merupakan tindakan inti di era GEO yang sebelumnya kurang mendapat perhatian dalam praktik SEO tradisional.

Sebuah situs yang mampu secara konsisten menghasilkan konten yang dapat dipercaya oleh AI akan memiliki nilai lebih tinggi, baik di era pencarian tradisional maupun di era Agent.

Hal ini saya konfirmasi ketika membantu beberapa klien B2B di sektor manufaktur dalam menyusun strategi konten: Seorang klien yang bergerak di bidang otomasi industri melengkapi重新组织了三年来的产品手册、行业论文和白皮书，按照”实体-事实-日期-来源”四个维度进行系统化重组。通过添加站点级主题地图后，产品页在主流AI答案中的引用率在六个月后提升了近三倍，合格潜在客户增加了约40%。 Catatan: Kedua angka ini bersifat illustratif dan berasal dari tinjauan proyek yang telah dianonimkan.具体的倍数会因行业、企业基础和实施深度而异，并非可复现的精确数据。

Tujuh, API Pencarian Semakin Menjelma Menjadi Layer Infrastruktur Agent

Bagi para pengembang, perubahan ini membawa satu implikasi penting dalam hal rekayasa sistem.

Ke depan, “pencarian” tidak lagi seharusnya dibangun secara terisolasi sebagai satu kapabilitas produk tersendiri. Arsitektur yang lebih masuk akal adalah dengan tiga lapisan:

Lapisan Pertama, Search Infrastructure. Lapisan ini merupakan fondasi pencarian yang bersifat agnostic terhadap Provider, mengelola berbagai aspek dari Provider yang berbeda-beda (Tavily, EXA, Brave, Google, Bing, OpenSearch, Elasticsearch, serta pencarian yang dibangun secara mandiri): seperti Key, kuota, biaya, stabilitas, caching, routing, dan strategi failover. Antarmukanya berupa “pencarian + pengembalian bukti” yang seragam, bukan SDK (Software Development Kit) dari Provider tertentu mana pun.

Lapisan ini sejajar dengan lima lapisan arsitektur klasik RAG (Retrieval Augmented Generation) — Document Store, Retriever, Generator, Reranker, dan Prompting Strategy — tetapi tidak sepenuhnya bertepatan. RAG menganut paradigma “sekali tanya langsung selesai”, sedangkan Search Infrastructure menganut paradigma “agen dipanggil berulang kali dengan penyambungan dinamis”. Mencampur keduanya sering menimbulkan kebingungan pada Reranker dan Prioritas Sumber.

Lapisan Kedua, Research Agent. Lapisan ini menangani Planning, Query Expansion (ekspansi kueri), Retrieval, Reasoning, Evidence Assessment (penilaian bukti), Verification (verifikasi), dan Action Orchestration (orkestrasi tindakan). Ia tidak memanggil Provider secara langsung, melainkan mendapatkan kandidat bukti melalui abstraksi terpadu dari lapisan pertama, kemudian memutuskan bukti mana yang dapat dipercaya dan bukti mana yang bertentangan sehingga memerlukan pencarian tambahan.

Layer Ketiga, Domain Skill

针对 SEO Research, Competitor Research, Academic Research, Product Research, Legal Research 等多种任务类型，分别沉淀专门的方法论、来源优先级排序、验证规则以及输出 Schema。Skill memanggil Agent, Agent memanggil Infrastructure.

这种分层设计有一个独特优势：底层 Provider 可以灵活替换——当 Tavily 出现问题时可以临时切换到 EXA，业务侧无需因为底层更换而重写整个 Research Loop；与此同时，上层能力可以持续积累，业务侧也不会因为 Provider 更换而需要重写 Skill。这正是分层的核心价值——实现解耦。

一家金融客户的 AI 团队去年采用了这种架构，将搜索从”工程团队各自接入不同 API”的模式重构为上述三层结构。结果，工程团队不再因”某个 Provider 突然限流”而被打断；业务团队可以直接用 Skill 描述”我需要做什么研究”，而无需关心底层具体在调用哪个 Provider。三个月内，跨团队研究类任务的交付时间缩短了约一半。注：缩短一半的数据来自脱敏项目的方向性回顾，具体倍数因团队规模和原有结构差异而有所不同。

VIII. Perubahan Sejati: “Akses Informasi” Menjadi Bagian dari Penyelesaian Tugas

Jika hanya memahami AI Search sebagai “kotak pencarian menjadi lebih cerdas”, maka perubahan ini akan diremehkan.

Ketika Search, Memory, Tool Use, dan Action digabungkan, apa yang benar-benar diajukan pengguna akan semakin berbentuk tujuan, dan Query akan bergeser menjadi internal sistem.

“Carikan saya beberapa artikel tentang topik ini” akan berubah menjadi “Risetkan pasar ini, bandingkan beberapa opsi, dan berikan bukti serta rekomendasi.” “Carikan saya hotel” akan berubah menjadi “Temukan hotel yang sesuai dengan batasan ini, bandingkan total biaya, dan siapkan pra-reservasi.” “Cek kompetitor” akan berubah menjadi “Pantau kompetitor secara berkelanjutan, beritahu saya saat ada perubahan signifikan, dan jelaskan apakah hal itu berdampak pada strategi saat ini.”

Perubahan ini memiliki implikasi berbeda di empat sektor industri.

Dalam skenario telekomunikasi, Agent tidak lagi hanya menjawab “paket 5G mana yang lebih murah”, melainkan berdasarkan pola panggilan, penggunaan data, dan kebiasaan roaming pengguna, memeriksa apakah paket mereka saat ini masih worth it, dan secara proaktif memberikan tiga opsi “perpanjang kontrak / ganti paket / berpindah operator” sebelum kontrak berakhir, serta mengirimkan langsung hasil perbandingan ke pengguna.

Dalam skenario keuangan, Agent tidak lagi hanya menjelaskan “apa itu ETF”, melainkan dengan otorisasi pengguna, membaca portofolio aset, kondisi pasar, dan perubahan regulasi, memberikan rekomendasi penyesuaian portofolio secara proaktif, dan menyertakan sumber bukti untuk setiap rekomendasi.

Dalam skenario manufaktur, Agent bukan lagi sekadar “cari kode kesalahan mesin ini”, melainkan berangkat dari log perangkat, data sensor, dan catatan perawatan terkini untuk melakukan analisis silang penyebab kerusakan, kemudian memberikan tiga tingkatan方案(rencana perbaikan) “hari ini / besok / akhir pekan ini”, sekaligus langsung menghasilkan daftar suku cadang dan estimasi jam kerja ke dalam sebuah work order. Jenis skenario ini paling meyakinkan dalam implementasi Agent industri 2026 — data getaran mesin CNC加上 tiga bulan catatan perawatan加上 alarm sensor shift kerja, yang jika ditelusuri secara manual membutuhkan 4 jam, namun dengan pencarian multi-turn Agent berbasis bukti hanya 8 menit untuk memberikan tiga tingkatan方案, dan setiap tingkatan方案disertai sumber bukti.

Dalam skenario e-commerce, Agent bukan lagi sekadar “cari harga kompetitor”, melainkan memantau secara terus-menerus harga seluruh platform, stok, dan ritme promosi, lalu secara proaktif mengirimkan pemberitahuan ketika SKU yang paling diperhatikan pengguna mengalami “penurunan di bawah harga rata-rata 30 hari terakhir sebesar 20%”, sekaligus memberikan rekomendasi apakah perlu menyesuaikan harga sendiri.

Fungsi pencarian masih ada, namun mundur ke dalam sistem tugas yang lebih besar.

Bagi konten, SEO, dan produk AI, hal yang benar-benar layak mendapat perhatian adalah tahap ini: siapa yang mampu menghasilkan bukti yang dapat dipercaya secara berkelanjutan, siapa yang mampu mengubah pencarian menjadi sitasi (kutipan), dan siapa yang mampu mengubah sitasi tersebut menjadi tindakan nyata.

Implikasi bagi Pengambil Keputusan

Jika Anda adalah pemimpin utama atau副总(CEO atau VP digitalisasi), implementasi Agentic Search yang sesungguhnya bukan sekadar “mengganti API pencarian yang mana”, melainkan tiga hal yang perlu diputuskan:

Infrastruktur Bukti – Fondasi yang Sering Terlewatkan

Infrastruktur Bukti — Apakah dokumen produk, laporan industri, white paper, dan catatan layanan pelanggan Anda sudah distrukturasi dengan empat dimensi: “entitas—fakta—tanggal—sumber”? Ini adalah prasyarat agar Agent dapat mengutip informasi Anda secara konsisten dalam jangka panjang, bukan sekadar sesuatu yang bisa digantikan oleh tool SEO.
Aset Skill — Apakah pengalaman tacit dari karyawan senior Anda yang tahu “bagaimana menangani situasi X” sudah diolah menjadi Skill yang dapat digunakan ulang dan terus ditingkatkan? Jika belum, setiap inisiatif AI akan selalu dimulai dari nol.
Umpan Balik Evaluasi — Dengan ukuran apa Anda menilai kebenaran output AI? Tanpa self-improvement berbasis Evaluation, sistem hanya akan semakin percaya diri dalam mengulangi kesalahan.

Persamaan dari ketiganya: tidak satu pun ada dalam daftar belanja, semua berasal dari dalam organisasi.

Pertanyaan yang Mungkin Anda Tanyakan

Q1: Setelah Agentic Search muncul, apakah SEO tradisional tidak diperlukan lagi?

Tidak. SEO adalah fondasi GEO. Jika sebuah situs tidak muncul di pencarian tradisional, kemungkinan besar tidak akan dikutip oleh AI. SEO dikerjakan untuk “dapat ditemukan”, sedangkan GEO dikerjakan untuk “dipercaya AI sampai mau mengutip ulang” — ini adalah dua hal berbeda, bukan hubungan penggantian.

Q2: Jumlah Citation sudah meningkat, mengapa Qualified Leads tidak naik?

Kemungkinan besar masalah ada pada kualitas Citation. Dalam satu jawaban AI, apakah Anda hanya menjadi “salah satu alternatif lain” atau “salah satu dari tiga pilihan paling layak dievaluasi” akan menghasilkan kualitas traffic yang sangat berbeda. Yang pertama hanya sekadar kunjungan halaman (browsing), sementara yang kedua baru berupa prospek serius (inquiry). Melihat di mana posisi Citation Anda muncul dalam jawaban AI dan dalam konteks apa sangat lebih bermanfaat dibandingkan sekadar melihat angka saja.

Q3: Apakah Harus Membangun一套 Research Agent Sekarang juga?

Pertama, kita perlu melihat batasan permasalahannya. Jika tugas penelitian Anda memerlukan data domain privat (profil pelanggan, manual produk internal, catatan kepatuhan) dan melibatkan rekonsiliasi kepatuhan atau interpretasi regulasi, maka membangun sendiri adalah keharusan. Jika tugas penelitian terutama berfokus pada informasi publik, sebaiknya optimalkan dulu alat yang sudah ada (seperti Tavily/EXA/Perplexity/Aliyun OpenSearch Agentic Search dan lainnya) selama 3-6 bulan, tunggu ekosistemnya matang, baru kemudian putuskan apakah perlu turun ke solusi build sendiri.

Self-Check Terbalik (Agar Tidak Menipu Diri Sendiri)

Belajar AI Pelan-pelan

Menggunakan “cited by AI” sebagai KPI, bukan sebagai tujuan——jika kutipan tidak mengalir balik ke registrasi atau inquiry, itu hanya vanity metric.
Memandang akumulasi Skill sebagai sekadar menulis dokumen sekali pakai——tanpa Evaluation, Skill hanya akan mengendapkan kesalahan.
Memandang Search API sebagai masalah engineering——esensi evaluasi kualitas pencarian adalah masalah credibilitas dalam closed-loop riset, bukan sekadar pemilihan antarmuka.
Menggunakan “AI sudah mengerjakan多少” sebagai bukti——yang benar-benar harus dilihat adalah “apa yang berubah pada sistem akibatnya”.

如果 Anda sedang mengevaluasi bagaimana tim enterprise search/SEO merangkul Agentic Search, indikator GEO mana yang layak dilacak, aset konten mana yang akan menjadi objek kutipan AI——silakan diskusi dengan kami. Kami bergerak di consulting khusus transformasi AI enterprise——mulai dari search architecture, content strategy, hingga metrik GEO, membantu Anda mengubah “halaman web ditemukan” menjadi “dipercaya AI sampai bersedia mengulang”.

Pelatihan企业内部——menjelaskan search architecture, content asset, dan pengukuran GEO menjadi workshop yang dapat langsung dipraktikkan tim Anda (2-3 hari, teori + hands-on).
Konsultasi Khusus——mendiagnosis search infrastructure, jalur akumulasi Skill, dan kualitas Citation Anda saat ini, sekaligus menyusun jalur implementasi.
Sharing Manajemen & Pidato Industri——membawa perspektif seperti tiga tahap pencarian, konten sebagai problem space, GEO funnel ke conference atau exec meeting Anda.

Tentang Seri Ini

“Observasi Yunqi” adalah seri liputan lapangan industri yang diluncurkan oleh IAIUSE, berangkat dari Konferensi Yunqi 2026, dengan sudut pandang seorang peneliti untuk memecahkan perubahan nyata yang sedang terjadi di industri AI — tidak mengejar berita terkini, hanya melihat arah investasi dan kekuatan bukti.

Seri ini mencakup lapisan sistem di atas model, implementasi Agent, aset Context, desain organisasi enterprise AI, perpindahan unit kompetitif produk AI, dan topik lainnya, dengan total sekitar 10 artikel.

Pengalaman saya meliputi hampir 8 tahun konsultasi enterprise besar dan analisis bisnis, pernah bekerja di IBM, terlibat dalam proyek-proyek terkait telekomunikasi, keuangan, asuransi, dan manufaktur. Setelah itu, saya terus bekerja di lini terdepan produk operator, produk internet, dan pengembangan aplikasi AI, bergerak di bidang analisis kebutuhan, desain produk, dan implementasi lintas tim. Di balik akun ini sebenarnya ada tim kecil — saya dan 1-2 kolega yang sudah lama bekerja sama, masing-masing bertanggung jawab atas riset alat pemrograman AI, pengumpulan kasus tata kelola organisasi, dan sesi coaching. Sebagian besar proyek “kami dampingi perusahaan melaluinya” adalah yang telah kami deliver bersama.

Judgment dalam seri ini berasal dari observasi lapangan dan validasi silang industri saya, membawa posisi penulis yang jelas, dan tidak mewakili pandangan vendor manapun.

Panduan Lokalisasi (Perbandingan Terjemahan Multi-bahasa, Konvensi IAIUSE Multi-bahasa·2026-08-09)

Ketika menerjemahkan ke dalam 19 bahasa, konten berikut akan diganti secara lokal sesuai pasar bahasa target, dengan struktur/visual yang tetap sama:

Prinsip Dasar Lokalisasi

Terjemahan ini mengutamakan adaptasi kontekstual daripada transliterasi literal. Untuk konten teknis AI yang ditargetkan pada CIO dan pengambil keputusan di sektor telekomunikasi, keuangan, manufaktur, dan e-commerce, kami menggunakan padanan lokal yang relevan:

Terminologi Regulasi China

Istilah Asli	Padanan Lokal
等保测评 (Penilaian Perlindungan Kelas)	Dipertahankan sebagai “等保测评” dengan catatan: sistem klasifikasi keamanan siber China
算法备案 (Pendaftaran Algoritma)	Dipertahankan sebagai “算法备案” dengan referensi ke mekanisme transparansi algoritma GDPR
数据出境评估 (Penilaian Transfer Data Lintas Batas)	Analogue dengan mekanisme GDPR Chapter V
信创 (Inovasi Teknologi Mandiri)	Dipertahankan sebagai “信创” dengan penjelasan: inisiatif swasembada teknologi China
CAB (变更咨询委员会)	Change Advisory Board – terminologi standar internasional ITIL

Kerangka Regulasi Internasional

Uni Eropa: GDPR, NIS2 Directive
Jepang: 個人情報保護法 (APPI)
Amerika Serikat: SOC 2, HIPAA

Produk dan Alat

Produk China – dipertahankan dengan catatanvendor:

Trae (ByteDance)
通义灵码 (Alibaba Cloud AI Coding Assistant)
文心快码 Comate (Baidu AI Coding)
CodeGeeX (Zhipu AI)
Qoder

Alat Internasional – dipertahankan sebagaimana adanya:

Claude Code, Codex, Cursor, Copilot
Antigravity, Gemini
AWS Bedrock, Vertex AI

Hukum China

《网络安全法》 – UU Keamanan Siber China (2017)
《数据安全法》 – UU Keamanan Data China (2021)

Contoh Industri – Lokalisasi

Sektor	Contoh Asal (China)	Contoh Terlokalisasi
Telekomunikasi	Operator provinsi	AT&T, Verizon, NTT, KDDI, Deutsche Telekom, Vodafone, Telefónica
Perbankan	Bank komersial	Bank BCA, Mandiri, BNI, BRI, atau bank internasional
Manufaktur	Pabrik/pabrikasi	Toyota, Honda, Samsung, Foxconn, Siemens, Bosch
E-commerce	Platform lokal	Tokopedia, Shopee, Lazada, Gojek, Grab

Catatan Teknis

Istilah teknis AI seperti GPT, Token, CoT (Chain of Thought), Prompt Engineering, dan Agent dipertahankan dalam bentuk aslinya karena sudah menjadi standar global.

Data numerik, persentase, dan sumber referensi dipertahankan 100% dari teks sumber tanpa modifikasi.

Format Penomoran Artikel

“慢慢学AI” (Belajar AI Pelan-pelan) dilokalisasi sebagai:

Inggris: Learn AI Slowly
Jepang: ゆっくり学ぶAI
Bahasa lain: dipertahankan sebagai “慢慢学AI” atau adaptasi kontekstual yang sesuai

中文稿内容	英文版	日文版	德文版	阿拉伯版	印尼版
阿里云 OpenSearch	Alibaba Cloud OpenSearch(保留)	アリババクラウド OpenSearch	Alibaba Cloud OpenSearch	OpenSearch علي بابا كلاود	Alibaba Cloud OpenSearch(保留)
Tavily / EXA	Tavily / EXA(全球性产品保留)	Tavily / EXA	Tavily / EXA	Tavily / EXA	Tavily / EXA(produk global, dipertahankan)
ChatGPT / Perplexity	ChatGPT / Perplexity	ChatGPT / Perplexity	ChatGPT / Perplexity	ChatGPT / Perplexity	ChatGPT / Perplexity
百度 / Google	Google	Yahoo! JAPAN / Google	Google	Google	Google / Baidu(dalam konteks Indonesia, Baidu kurang populer)

Telekomunikasi China / Operator	AT&T / Verizon / T-Mobile	NTT / KDDI / SoftBank	Deutsche Telekom / Vodafone	STC / Etisalat
Feishu / DingTalk	Slack / Teams	Slack / Teams / Lark	Slack / Teams	Microsoft Teams
Tavily / Exa (kasus asli)	Tavily / Exa (kasus asli)	Tavily / Exa (kasus asli)	Tavily / Exa (kasus asli)	Tavily / Exa (kasus asli)
China Merchants Bank / ICBC	JPMorgan Chase / Bank of America	MUFG Bank / Sumitomo Mitsui	Deutsche Bank / Commerzbank	National Commercial Bank / QNB

Belajar AI Perlahan

Catatan Sitasi (per条目,约定·闸 1 必查 2026-08-09)

Panduan ini dirancang untuk CIO dan pengambil keputusan di sektor telekomunikasi, perbankan, manufaktur, dan e-commerce. Pendekatan yang digunakan adalah parafrase, bukan terjemahan literal: menghindari struktur kalimat bahasa Mandarin, menyusun ulang sesuai urutan alami bahasa target, dan menghilangkan nuansa terjemahan yang terasa janggal. Hasilnya akan membaca seperti ditulis oleh seorang peneliti yang menggunakan bahasa Indonesia sebagai bahasa ibu.

1. AI Agen untuk Penelusuran & Penemuan Pengetahuan

1.1 Evolusi Pencarian: Dari Kata Kunci hingga AI Multi-Agen

Selama dekade terakhir, pencarian informasi telah mengalami transformasi fundamental. Pada era awal, pengguna harus menyusun query menggunakan kata kunci yang tepat — sebuah proses yang sering kali memerlukan keahlian khusus dan iterasi berulang. Pendekatan tradisional ini memiliki keterbatasan signifikan: pengguna harus memahami kosakata yang tepat dari sistem pencarian, sementara sistem tidak mampu memahami konteks atau maksud sebenarnya di balik query.

Berbeda dengan pencarian berbasis kata kunci, AI modern menawarkan pendekatan yang lebih natural dan kontekstual. Pengguna dapat mengajukan pertanyaan dalam bahasa sehari-hari, dan sistem akan berusaha memahami maksud sebenarnya, bukan hanya mencocokkan kata-kata secara harfiah. Kemampuan ini dimungkinkan oleh kemajuan dalam model bahasa besar (large language models) yang mampu memahami nuansa, konteks, dan bahkan maksud tersirat dari pertanyaan pengguna.

Dalam konteks perusahaan, kemampuan ini menjadi sangat berharga. Ketika seorang analis keuangan perlu mengumpulkan data tentang kompetitor, atau ketika seorang insinyur membutuhkan dokumentasi teknis tertentu, AI dapat memahami kebutuhan spesifik mereka dan mengekstrak informasi yang relevan dari berbagai sumber tanpa memerlukan keahlian teknis dalam menggunakan sistem pencarian.

1.2 Arsitektur AI Multi-Agen untuk Pencarian Produksi

Implementasi sistem pencarian AI berbasis multi-agen dalam lingkungan produksi memerlukan arsitektur yang cermat. Arsitektur ini biasanya terdiri dari beberapa komponen kunci yang bekerja secara sinergis untuk menyediakan hasil pencarian yang akurat dan relevan.

Komponen pertama adalah Context Provider, yang bertanggung jawab untuk memahami dan memelihara konteks percakapan. Dalam sistem pencarian yang kompleks, pengguna sering memiliki sesi pencarian yang panjang dengan banyak query terkait. Context Provider memastikan bahwa setiap query baru dipahami dalam konteks sesi sebelumnya, sehingga sistem dapat memberikan jawaban yang lebih koheren dan relevan.

Komponen kedua adalah Task Memory, yang berperan sebagai memori jangka panjang untuk menyimpan informasi tentang tugas-tugas yang sedang dikerjakan. Berbeda dengan memori sesi yang bersifat sementara, Task Memory memungkinkan sistem untuk melacak progres, menyimpan hasil antara, dan melanjutkan pekerjaan yang mungkin telah dihentikan sementara oleh pengguna.

Komponen ketiga adalah Long-term Memory, yang berfungsi untuk menyimpan pengetahuan yang dapat digunakan kembali di berbagai sesi dan tugas. Komponen ini memungkinkan AI untuk belajar dari interaksi sebelumnya dan memberikan respons yang semakinpersonalized dan akurat seiring waktu.

Citation/Mention adalah komponen kritis yang memastikan transparansi dan akuntabilitas informasi yang diberikan. Ketika AI mengekstrak informasi dari berbagai sumber, komponen ini melacak dan mencatat sumber asli dari setiap fakta atau klaim, sehingga pengguna dapat memverifikasi dan merujuk kembali ke informasi asli jika diperlukan.

AI Visibility merujuk pada kemampuan sistem untuk memberikan transparansi tentang bagaimana jawaban dihasilkan. Pengguna harus dapat memahami proses yang digunakan AI untuk sampai pada kesimpulan tertentu, termasuk sumber yang digunakan, metode ekstraksi, dan tingkat kepercayaan (confidence) dari hasil yang diberikan.

1.3 Studi Kasus: Implementasi di Berbagai Industri

1.3.1 Sektor Telekomunikasi

Perusahaan telekomunikasi besar seperti AT&T, Verizon, NTT, dan KDDI menghadapi tantangan unik dalam mengelola pengetahuan. Dengan basis pelanggan yang besar dan portofolio layanan yang kompleks, kemampuan untuk memberikan informasi yang akurat dan terkini kepada tim layanan pelanggan sangat krusial.

Implementasi sistem pencarian AI di lingkungan telekomunikasi dapat memberikan manfaat signifikan. Ketika pelanggan menghubungi layanan pelanggan dengan pertanyaan tentang tagihan, fitur layanan, atau penanganan gangguan, agen dapat menggunakan sistem AI untuk menemukan jawaban yang relevan dengan cepat. Sistem dapat mengekstrak informasi dari berbagai sumber termasuk basis pengetahuan internal, dokumentasi teknis, dan catatan kasus sebelumnya.

Selain itu, dalam konteks pemeliharaan jaringan, teknisi lapangan dapat menggunakan sistem pencarian AI untuk mengakses panduan pemecahan masalah, spesifikasi peralatan, dan prosedur penanganan insiden. Kemampuan ini dapat secara signifikan mengurangi waktu resolusi dan meningkatkan kualitas layanan yang diberikan kepada pelanggan.

1.3.2 Sektor Perbankan

Lembaga keuangan seperti JPMorgan Chase, HSBC, Deutsche Bank, dan Singapore Exchange menghadapi tantangan khusus terkait kepatuhan regulasi dan manajemen risiko. Informasi tentang regulasi terbaru, kebijakan internal, dan prosedur compliance harus dapat diakses dengan cepat dan akurat oleh ribuan karyawan di berbagai lokasi.

Sistem pencarian AI dapat menjadi solusi efektif untuk mengelola pengetahuan regulasi yang kompleks. Bank dapat menggunakan sistem ini untuk membuat basis pengetahuan regulasi yang dapat dicari, di mana karyawan dapat menemukan informasi tentang persyaratan compliance yang relevan dengan fungsi dan lokasi mereka.

Contoh implementasi yang relevan adalah bagaimana bank dapat mengintegrasikan sistem pencarian AI dengan basis pengetahuan compliance mereka. Ketika regulator mengeluarkan kebijakan baru, tim compliance dapat mengunggah dokumen terkait dan sistem akan secara otomatis mengindeksnya, sehingga karyawan dapat dengan mudah menemukan informasi yang relevan.

1.3.3 Sektor Manufaktur

Perusahaan manufaktur seperti Siemens, Bosch, dan Toyota menghadapi tantangan dalam mengelola pengetahuan teknis yang tersebar di berbagai pabrik dan lokasi. Dokumentasi proses produksi, spesifikasi material, dan panduan pemeliharaan peralatan merupakan aset pengetahuan kritis yang harus dapat diakses oleh pekerja di lantai produksi.

Implementasi sistem pencarian AI di lingkungan manufaktur dapat membantu pekerja menemukan informasi teknis yang mereka butuhkan dengan cepat. Misalnya, ketika teknisi menghadapi masalah dengan mesin tertentu, mereka dapat menggunakan sistem AI untuk mencari panduan pemecahan masalah, spesifikasi suku cadang, atau prosedur pemeliharaan preventif.

Kemampuan AI untuk memahami konteks teknis memungkinkan sistem memberikan hasil pencarian yang lebih akurat dibandingkan dengan pencarian berbasis kata kunci tradisional. Teknisi dapat mengajukan pertanyaan dalam bahasa natural dan sistem akan memahami konteks industri mereka, memberikan jawaban yang relevan secara teknis.

1.3.4 Sektor E-commerce

Perusahaan e-commerce besar seperti Amazon, Alibaba, dan Shopify mengelola volume informasi yang sangat besar tentang produk, pelanggan, dan operasional. Kemampuan untuk mengakses informasi ini secara efisien dapat memberikan keunggulan kompetitif yang signifikan.

Tim merchandising dapat menggunakan sistem pencarian AI untuk menemukan informasi tentang produk, analisis kompetitif, dan tren pasar. Tim customer service dapat dengan cepat mengakses kebijakan pengembalian, prosedur penanganan keluhan, dan panduan penyelesaian masalah.

Asisten AI untuk layanan pelanggan dapat memberikan pengalaman yang lebih personal dan efisien. Dengan memahami konteks pertanyaan pelanggan dan riwayat interaksi sebelumnya, AI dapat memberikan solusi yang lebih tepat dan mengurangi waktu resolusi.

1.4 Komponen Teknis Inti

1.4.1 RAG (Retrieval-Augmented Generation)

RAG merupakan teknik fundamental dalam implementasi sistem pencarian AI modern. Teknik ini menggabungkan kemampuan pencarian informasi dari basis pengetahuan dengan kapabilitas generatif model bahasa besar untuk menghasilkan respons yang akurat dan berbasis konteks.

Proses RAG dimulai dengan pencarian (retrieval) dokumen atau informasi yang relevan dari basis pengetahuan. Proses ini dapat menggunakan berbagai teknik termasuk pencarian semantik yang memahami makna query, bukan hanya mencocokkan kata kunci secara literal. Setelah dokumen relevan diidentifikasi, model bahasa besar menggunakan informasi tersebut sebagai konteks untuk menghasilkan respons yang akurat dan komprehensif.

Keuntungan utama RAG adalah kemampuannya untuk membatasi “halusinasi” model bahasa — kondisi di mana model menghasilkan informasi yang terdengar meyakinkan tetapi sebenarnya tidak akurat. Dengan memberikan grounding berbasis dokumen yang dapat diverifikasi, RAG meningkatkan akurasi dan reliabilitas respons AI.

Dalam implementasi produksi, RAG memerlukan infrastruktur pencarian yang efisien dan scalable. Pertimbangan performa meliputi latency pencarian, throughput sistem, dan kemampuan untuk menangani basis pengetahuan yang besar. Pilihan arsitektur pencarian seperti Elasticsearch, OpenSearch, atau layanan pencarian managed dapat mempengaruhi performa dan biaya operasional sistem secara signifikan.

1.4.2 Penyedia Pencarian Khusus (Tavily, EXA, dll.)

Ekosistem pencarian AI didukung oleh berbagai penyedia layanan pencarian khusus yang dirancang untuk memenuhi kebutuhan aplikasi berbasis AI. Tavily, EXA, dan layanan serupa menyediakan API pencarian yang dioptimalkan untuk query berbasis AI, dengan fitur-fitur seperti pencarian semantik, ekstraksi konten, dan ringkasan otomatis.

Penyedia-penyedia ini menawarkan keunggulan berbeda. Tavily, misalnya, menyediakan API yang ramah pengembang dengan dokumentasi komprehensif dan integrasi yang mudah dengan berbagai framework AI. EXA fokus pada kemampuan pencarian semantik yang kuat, memungkinkan pencarian berdasarkan makna dan konsep, bukan hanya kata kunci.

Dalam arsitektur multi-agen, berbagai penyedia pencarian dapat digunakan secara kombinasi tergantung pada kebutuhan spesifik. Pencarian web eksternal dapat menggunakan Tavily atau EXA, sementara pencarian basis pengetahuan internal dapat menggunakan OpenSearch atau Elasticsearch. Pendekatan hybrid ini memungkinkan sistem memanfaatkan kekuatan masing-masing solusi.

1.4.3 MemGPT dan Letta: Memori Jangka Panjang

Manajemen memori merupakan tantangan kritis dalam sistem AI berbasis percakapan. Berbeda dengan interaksi satu-shot, sistem produksi sering harus mempertahankan konteks melintasi sesi yang panjang dan kompleks.

MemGPT dan Letta merupakan proyek open-source yang mengatasi tantangan ini dengan mengimplementasikan arsitektur memori berlapis untuk AI. Arsitektur ini terinspirasi oleh teknik manajemen memori dalam sistem operasi tradisional, di mana informasi diakses dari memori dengan kecepatan berbeda berdasarkan frekuensi penggunaan.

Dalam implementasi MemGPT, memori分成 beberapa level dengan karakteristik akses yang berbeda. Memori working memiliki akses tercepat tetapi kapasitas terbatas, sementara memori archival memiliki kapasitas lebih besar tetapi akses lebih lambat. Sistem secara cerdas mengelola perpindahan informasi antar level berdasarkan relevansi dan frekuensi penggunaan.

Letta, yang merupakan pengembangan lebih lanjut dari konsep yang sama, menyediakan platform untuk membangun AI dengan memori persisten. Platform ini memungkinkan AI untuk mempertahankan pengetahuan melintasi sesi, mengingat preferensi pengguna, dan membangun pemahaman yang semakin mendalam tentang kebutuhan pengguna seiring waktu.

1.5 Research Agent: Otomatisasi Penelusuran Ilmiah

Research Agent merupakan komponen khusus yang dirancang untuk mengotomatisasi proses penelusuran literatur ilmiah dan akademik. Agent ini dapat melakukan pencarian sistematis di berbagai database akademis, mengekstrak informasi relevan dari paper dan publikasi, dan mensintesis temuan menjadi ringkasan yang komprehensif.

Kemampuan ini sangat berharga untuk tim riset yang perlu memantau perkembangan terbaru di bidang mereka. Research Agent dapat dikonfigurasi untuk secara berkala melakukan pencarian otomatis untuk topik-topik tertentu, mengekstrak abstrak dan temuan kunci, dan memberikan notifikasi ketika publikasi baru yang relevan muncul.

Dalam konteks enterprise, Research Agent dapat digunakan untuk berbagai keperluan termasuk monitoring kompetitif (追踪竞争对手最新技术动向), riset pasar, dan due diligence teknologi. Kemampuan untuk secara otomatis melacak dan mensintesis informasi dari ribuan sumber dapat secara signifikan mempercepat proses pengambilan keputusan.

1.6 AI Visibility: Transparansi dan Trust

AI Visibility merupakan aspek kritis namun sering diabaikan dalam implementasi sistem pencarian AI. users perlu memahami bagaimana jawaban dihasilkan, termasuk sumber yang digunakan, metode ekstraksi, dan keterbatasan sistem.

Transparansi dalam AI visibility mencakup beberapa dimensi. Pertama, traceability — kemampuan untuk melacak setiap klaim atau fakta hingga sumber aslinya. Kedua, explainability — kemampuan untuk menjelaskan mengapa sistem memberikan jawaban tertentu sebagai respons terhadap query spesifik. Ketiga, confidence indication — kemampuan untuk mengindikasikan tingkat kepercayaan terhadap jawaban yang diberikan.

Implementasi AI visibility yang efektif memerlukan integrasi mendalam dengan komponen citation/mention sistem. Setiap fakta yang disajikan harus disertai dengan referensi ke sumber aslinya, memungkinkan pengguna untuk memverifikasi dan merujuk ke informasi asli jika diperlukan.

1.7 Change Advisory Board (CAB) dalam Konteks AI

Change Advisory Board (CAB) merupakan mekanisme governance yang penting dalam implementasi sistem AI di lingkungan enterprise. CAB memastikan bahwa perubahan pada sistem AI ditinjau secara sistematis sebelum diterapkan ke lingkungan produksi.

Dalam konteks AI, area yang harus ditinjau oleh CAB termasuk perubahan pada model bahasa yang digunakan, pembaruan pada basis pengetahuan atau data grounding, modifikasi pada prompt atau instruksi sistem, dan perubahan pada integrasi dengan sistem lain.

Mekanisme CAB yang efektif mencakup proses review terstruktur, kriteria evaluasi yang jelas, dan dokumentasi keputusan yang komprehensif. Evaluasi harus mempertimbangkan dampak terhadap akurasi, performance, compliance, dan pengalaman pengguna.

2. Kesimpulan

Implementasi sistem pencarian AI berbasis multi-agen dalam lingkungan enterprise memerlukan pendekatan holistik yang mempertimbangkan arsitektur teknis, governance organisasi, dan kebutuhan spesifik industri. Dengan komponen yang tepat — termasuk RAG, penyedia pencarian khusus, sistem memori jangka panjang, dan mekanisme visibility yang kuat — organisasi dapat membangun sistem yang memberikan nilai bisnis signifikan sambil mempertahankan transparansi dan akuntabilitas.

Kasus implementasi di berbagai industri — dari telekomunikasi hingga e-commerce — menunjukkan bahwa manfaat potensial sangat besar. Namun, keberhasilan implementasi bergantung pada perencanaan yang matang, governance yang efektif melalui mekanisme seperti CAB, dan komitmen terhadap transparansi dan AI visibility.

#	文中引用	来源	发布日期	证据层级	立场标注
1	“Exa 81% / Tavily 71% pada tolok ukur multi-hop WebWalker; latensi p95 Exa 1.4s / Tavily 4.5s”	exa.ai/versus/tavily(Halaman perbandingan resmi Exa Labs)	2026-02-12	Fakta terverifikasi (vendor self-operated)	Halaman Exa sendiri, dengan posisi Exa; tolok ukur pihak ketiga WebWalker dapat diverifikasi secara independen
2	“Alibaba Cloud OpenSearch Agentic Search komersialisasi mulai 2026-08-31, sebelumnya uji coba publik gratis”	alibabacloud.com/help/doc-detail/3053142.html(Dokumentasi resmi Alibaba Cloud OpenSearch)	2026-08-31 berlaku	Fakta terverifikasi (dokumentasi resmi)	Alibaba Cloud, posisi vendor

| 3 | “LLM standar tanpa multi-turn retrieval akurasi < 10%, Deep Research Agent > 50%” | tianpan.co/blog/2026/04/12/deep-research-agents… (analisis industri); lihat juga arxiv.org/html/2606.15367v1 (tinjauan S1-DeepResearch) | 2026-04 | Pengamatan Industri (tinjauan analis) | Analis independen Tianpan; peer review paper S1-DeepResearch |
| 4 | “MindDR di BrowseComp-ZH 45,7% / DeepResearch Bench 52,5%” | arxiv.org/html/2604.14518v1 (Technical Report Mind DeepResearch dari Li Auto) | 2026-04-14 | Fakta Terverifikasi (paper) | Model proprietary dari Li Auto, perspektif vendor |

| 5 | “DRBench: 100 tugas riset mendalam perusahaan, 1093 sub-pertanyaan, 10 domain” | arxiv.org/pdf/2510.00172(ServiceNow Research) | 2025-10 | Fakta terverifikasi (makalah) | Riset internal ServiceNow |
| 6 | “Makalah MemGPT 2023 ‘LLM as OS’ paradigma berlapis; Letta 2024 direkayasa; kursus jangka pendek DeepLearning.AI 2026” | blog.stackademic.com/letta-platform… ;letta.com/blog/benchmarking-ai-agent-memory;linkedin.com/posts/deeplearningai… | 2023-2026 | Fakta terverifikasi (tinjauan teknis) | Blog resmi MemGPT/Letta, dengan perspektif dari sisi alat |

| 7 | “Pew Research: 900成年人 AS melakukan 68.879次pencarian Google; dengan ringkasan AI, rasio klik 8%, tanpa ringkasan AI 15%” | instituteforpr.org/do-ai-summaries-reduce-clicks-on-google(Ringkasan Pew Research) | 2025-07 | Fakta Terverifikasi (Penelitian Independen) | Lembaga Independen Pew Research |

| 8 | “Perplexity 引用率 97%、Google AIO 34%、ChatGPT 16%；AI 引流约占全部网站流量 1.08%，转化率比 Google 自然搜索高 3.1-4.4 倍，会话时长高 4.7 倍” | cite.solutions/generative-engine-optimization(2026-05-02);omnius.so/blog/generative-engine-optimization-kpis-and-metrics(2026-08-18);trycited.app/generative-engine-optimization(2026-08-17) | 2026-05/08 |行业观察(多家 GEO 工具商数据);MarGen 2026 引用 | GEO 工具商自家数据,带工具方立场 |

| 12 | Lima Lapisan Klasik RAG: Document Store / Retriever / Generator / Reranker / Prompting Strategy | medium.com/@angelosorte1/rag-architectures-every-ai-developer-must-know-in-2026(Ulasan oleh Angelo Sorte); levelop.dev/blog/…/agent-rag-architecture-five-layer-retrieval-stack(2026-07-23); braintrust.dev/articles/best-vector-databases-for-rag-2026(Database Vektor Terbaik untuk RAG 2026) | 2026 | Pengamatan Industri (Tinjauan Teknis) | Tinjauan Praktik Rekayasa |

| 13 | “Anthropic Agent Skills – sumber daya level filesystem, pemuatan Skill on-demand, dapat dikomposisikan” | docs.anthropic.com/en/docs/agents-and-tools/agent-skills/overview (dokumentasi resmi Anthropic) | 2026 | Fakta terverifikasi (dokumentasi resmi) | Anthropic, posisi vendor |

Kasus klien yang tidak dicantumkan secara terpisah namun telah ditandai dalam artikel sebagai “dianonimisasi/illustratif” (evolusi merek ritel terkemuka, peningkatan 3x dalam quotation rate dan penambahan 40% Qualified Leads untuk klien otomasi industri B2B, serta pengurangan waktu pengiriman menjadi setengahnya untuk klien finansial): berasal dari tinjauan anonymisasi proyek pendampingan, tidak merujuk pada klien tertentu, angka bersifat indikatif.