Search Makin Personal: Dua Orang Bisa Mendapat Jawaban yang Berbeda

Dua orang duduk di meja yang sama di coffee shop Cipete. Mereka memakai layanan pencarian yang sama, menanyakan topik yang mirip, dan hasilnya tetap bisa berbeda.

Ini bukan bug. Ini arah perkembangan search.

Selama bertahun-tahun, personalisasi sebenarnya sudah ada. Lokasi, bahasa, histori pencarian, perangkat, dan berbagai sinyal lain bisa memengaruhi hasil. Orang di Jakarta dan orang di Surabaya tidak selalu melihat urutan yang sama ketika mencari restoran, dokter, atau layanan lokal.

Tetapi AI Search membawa personalisasi ke level yang lebih conversational dan kontekstual.

Pada 2026, Google memperluas konsep Personal Intelligence dalam ekosistem AI-nya. Dalam eksperimen tertentu di Amerika Serikat, pengguna yang memilih untuk mengaktifkannya dapat menghubungkan konteks dari layanan seperti Gmail dan Google Photos ke AI Mode untuk mendapatkan rekomendasi yang lebih personal. Google juga terus mengembangkan Search yang bisa memahami follow-up, konteks percakapan, dan constraint yang jauh lebih spesifik dibanding query pendek tradisional.

Fitur tertentu belum tentu tersedia dengan cara yang sama di Indonesia, jadi jangan dibaca seolah semua akun di Jakarta otomatis memakai email pribadi untuk hasil Search. Tetapi arah produknya jelas: search bergerak dari “jawaban terbaik secara umum” menuju “jawaban yang paling relevan untuk situasi gue”.

Itu perubahan besar buat pengguna dan brand.

Dulu kita membayangkan SERP sebagai papan skor

SEO klasik membuat banyak orang terbiasa dengan gagasan bahwa ranking adalah posisi objektif.

“Keyword ini kita nomor tiga.”

Kalimat itu terdengar pasti. Padahal bahkan di search tradisional, hasil bisa berbeda berdasarkan lokasi, perangkat, bahasa, waktu, dan personalisasi.

Dengan AI, ketidakseragaman itu makin besar karena prompt sendiri lebih kaya.

Coba bandingkan dua pertanyaan berikut.

“Rekomendasi tempat dinner di Jakarta Selatan.”

“Cari tempat dinner di Jakarta Selatan buat ngobrol sama calon investor, empat orang, jangan terlalu berisik, ada menu non-alkohol yang serius, parkir gampang, dan jangan terlalu jauh dari SCBD.”

Pertanyaan kedua membawa konteks yang jauh lebih spesifik. Sistem tidak hanya mencari kategori “restoran”. Ia harus menimbang suasana, lokasi, kebutuhan pertemuan, akses, dan preferensi.

Kalau pengguna kemudian berkata, “Yang tadi terlalu formal, cari yang lebih santai,” konteks percakapan ikut membentuk hasil berikutnya.

Search berubah dari satu query menjadi sesi reasoning.

Dua pengguna bisa punya intent yang kelihatannya sama, tapi sebenarnya beda

Ambil contoh sederhana: “laptop terbaik untuk kerja”.

Seorang desainer mungkin memprioritaskan layar, GPU, RAM, dan compatibility software.

Seorang konsultan yang tiap hari pindah antara Kuningan, Sudirman, dan meeting klien mungkin lebih peduli baterai, bobot, webcam, keyboard, dan kemampuan presentasi.

Seorang mahasiswa mungkin menjadikan harga sebagai constraint utama.

Kalau AI mengetahui constraint tersebut melalui prompt atau konteks yang diizinkan pengguna, rekomendasi ideal memang seharusnya berbeda.

Memberikan satu daftar “10 laptop terbaik” untuk semua orang justru terasa kurang pintar.

Personalisasi pada dasarnya adalah usaha mengurangi informasi yang tidak relevan.

Masalahnya, ketika personalisasi makin dalam, kita kehilangan sedikit transparansi tentang dunia yang dilihat orang lain.

Brand tidak lagi bisa mengasumsikan semua calon pelanggan melihat cerita yang sama.

Search menjadi seperti personal shopper

Cara termudah memahami perubahan ini adalah membandingkannya dengan staf toko yang bagus.

Kalau lo masuk toko sepatu dan bilang “gue butuh sneakers”, staf belum punya cukup informasi.

Setelah dia tahu lo banyak jalan kaki, kaki agak lebar, budget Rp2 juta, tidak suka warna mencolok, dan mau dipakai commute MRT tiap hari, shortlist berubah.

AI Search mencoba melakukan hal serupa dalam skala digital.

Ia mengumpulkan constraint dari percakapan, konteks, lokasi, preferensi yang diberikan, dan mungkin sumber personal lain jika pengguna secara eksplisit memberi izin pada fitur tertentu.

Semakin kaya konteks, semakin sempit ruang rekomendasi.

Buat pengguna, ini nyaman.

Buat brand, ini membuat visibility jauh lebih situasional.

Brand bisa relevan untuk satu profil pengguna, tetapi tidak untuk profil lain.

Misalnya hotel di Menteng mungkin sangat cocok untuk business traveler yang punya meeting di pusat kota, tetapi kalah relevan bagi keluarga yang memprioritaskan akses ke tempat wisata tertentu dan kamar besar.

Tidak ada yang salah dengan hotelnya. Konteksnya berbeda.

“Ranking satu” jadi konsep yang makin rapuh

Kalau jawaban AI bergantung pada konteks, bagaimana cara mengatakan sebuah brand ranking nomor satu?

Untuk pertanyaan yang sangat faktual, mungkin masih mudah. Tetapi untuk rekomendasi, comparison, dan decision support, satu posisi universal semakin sulit didefinisikan.

Brand A bisa direkomendasikan untuk pengguna yang sensitif harga.

Brand B untuk enterprise.

Brand C untuk pemula.

Brand D untuk pengguna yang sudah punya ecosystem tertentu.

Semua bisa “menang” dalam konteks berbeda.

Karena itu measurement AI visibility sebaiknya tidak hanya menjalankan satu prompt lalu mengambil screenshot dan menyatakan kemenangan.

Kita perlu menguji banyak variasi query.

Persona berbeda. Constraint berbeda. Tahap funnel berbeda. Lokasi berbeda. Use case berbeda.

Misalnya perusahaan software akuntansi tidak cukup mengecek “software akuntansi terbaik Indonesia”. Mereka juga perlu melihat pertanyaan seperti “untuk UMKM baru”, “untuk perusahaan multi-cabang”, “yang integrasi inventory”, “untuk bisnis jasa”, “yang mudah dipakai owner non-finance”, dan seterusnya.

Tujuannya bukan memanipulasi AI agar menyebut brand. Tujuannya memahami di konteks mana brand memang punya product-market relevance.

Personalisasi bisa menguntungkan brand niche

Ada sisi positif yang sering dilewatkan.

Search massal cenderung menguntungkan pemain besar karena satu halaman harus relevan untuk audiens luas. AI yang lebih personal bisa membuka jalan bagi brand niche yang sangat cocok untuk kebutuhan tertentu.

Bayangkan sebuah studio pilates kecil di Jakarta Selatan yang tidak punya budget marketing sebesar jaringan gym nasional.

Untuk query generik “gym terbaik Jakarta”, ia mungkin tidak punya peluang besar.

Tapi ketika pengguna bertanya “kelas reformer pilates kecil dekat Fatmawati, bukan gym besar, cocok untuk pemula dan ada sesi pagi sebelum kerja”, relevansi lokal dan spesifik bisa menjadi keunggulan.

AI Search pada dasarnya punya kemampuan lebih baik untuk long-tail intent semacam itu.

Ini membuat kualitas informasi detail menjadi sangat penting.

Kalau website studio cuma berkata “pilates premium untuk hidup lebih sehat”, sistem tidak tahu apakah ada kelas pemula, jadwal pagi, jumlah peserta, tipe equipment, atau akses lokasi.

Brand niche hanya bisa menang pada konteks niche kalau mesin memahami detail niche-nya.

Personalisasi juga bisa menciptakan filter bubble versi baru

Semakin sistem belajar apa yang kita suka, semakin gampang ia memberi lebih banyak hal serupa.

Ini nyaman untuk shopping dan entertainment, tetapi bisa bermasalah dalam konteks yang membutuhkan perspektif luas.

Kalau pengguna selalu memilih sumber dengan pandangan tertentu, Search yang terlalu personal berpotensi mempersempit exposure terhadap alternatif.

Dalam rekomendasi produk, pengguna mungkin terus diarahkan ke estetika atau brand yang sama.

Dalam belajar, mereka mungkin mendapat penjelasan yang selalu mengikuti asumsi lama mereka.

Dalam berita atau isu publik, personalisasi berlebihan bisa memperkuat selective exposure.

Karena itu personalisasi tidak selalu identik dengan kualitas.

Kadang hasil terbaik justru perlu sedikit friction: pandangan berbeda, sumber yang tidak biasa kita baca, atau rekomendasi yang menantang preferensi awal.

Desain search yang sehat harus menemukan keseimbangan antara relevance dan diversity.

Privasi menjadi bagian dari kualitas produk

Semakin personal sebuah AI, semakin sensitif data yang mungkin digunakan.

Kalender bisa mengungkap jadwal. Email bisa berisi transaksi, pekerjaan, keluarga, atau informasi finansial. Foto mengandung lokasi dan hubungan sosial. Riwayat pencarian menunjukkan kekhawatiran yang mungkin tidak pernah kita ucapkan ke orang lain.

Karena itu personalization bukan sekadar fitur UX. Ia juga keputusan privasi.

Google menekankan bahwa Personal Intelligence pada produk tertentu bersifat opt-in dan pengguna punya kontrol terhadap aplikasi yang terhubung. Prinsip ini penting secara lebih luas: sistem seharusnya tidak menganggap data pribadi sebagai bahan baku bebas hanya karena hasilnya bisa dibuat lebih relevan.

Pengguna perlu memahami apa yang terhubung, untuk tujuan apa, dan bagaimana mematikannya.

Buat orang yang pekerjaannya sensitif, pertanyaan “apakah rekomendasi ini worth it?” harus selalu berjalan bareng dengan “data apa yang gue tukar untuk mendapatkannya?”

AI personal yang sangat bagus tetapi opaque soal data bukan trade-off yang ringan.

Brand juga harus berhenti mengejar semua orang

Era personal search memaksa perusahaan lebih jujur tentang siapa yang sebenarnya cocok dengan produk mereka.

Kalau semua landing page berkata “untuk semua bisnis”, mesin tidak punya alasan kuat untuk memahami segmentasi.

Lebih berguna jika perusahaan menjelaskan use case secara spesifik.

Cocok untuk siapa. Tidak cocok untuk siapa. Minimum requirement. Kisaran biaya. Skala pengguna. Integrasi. Lokasi layanan. Batasan. Alternatif.

Informasi seperti ini mungkin terasa kurang agresif dari sisi marketing karena brand harus mengakui bahwa produknya bukan untuk semua orang.

Tetapi justru itu membuat rekomendasi lebih presisi.

AI tidak membutuhkan brand yang mengklaim “nomor satu untuk semuanya”. Ia membutuhkan fakta untuk menentukan kapan brand A lebih cocok daripada brand B.

Dalam jangka panjang, positioning yang jelas bisa lebih valuable daripada coverage generik.

Dua orang bisa melihat dua internet yang berbeda

Bayangkan dua pekerja di Jakarta bertanya tentang tempat tinggal ideal.

Orang pertama kerja di Thamrin lima hari seminggu, tidak punya mobil, suka hidup dekat transportasi publik, dan tinggal sendiri.

Orang kedua kerja remote, punya dua anak, membutuhkan sekolah dekat rumah, punya mobil, dan lebih mementingkan ruang dibanding commute.

Kalau AI memberikan rekomendasi kawasan yang sama kepada keduanya, personalisasinya gagal.

Yang satu mungkin diarahkan ke area dengan akses MRT dan aktivitas kota. Yang lain mungkin mendapat pilihan kawasan yang lebih family-oriented dan punya rumah lebih besar.

Tidak ada satu “kawasan terbaik Jakarta”. Yang ada adalah kawasan terbaik untuk constraint tertentu.

Search personal membuat relativitas seperti ini lebih eksplisit.

Itu berarti konten masa depan perlu dibangun untuk membantu mesin memahami trade-off, bukan sekadar membuat ranking list absolut.

Artikel “10 kawasan terbaik” kurang informatif dibanding penjelasan tentang commute, harga relatif, karakter lingkungan, transportasi, fasilitas keluarga, dan tipe hunian untuk berbagai profil.

Context-rich content lebih cocok dengan context-rich search.

Measurement marketing juga harus menerima probabilitas

Tim marketing suka angka yang pasti. Ranking 2. CTR 4,3 persen. Traffic 100 ribu. Conversion 2 persen.

AI visibility lebih sulit karena output bisa probabilistik.

Jawaban hari ini bisa berbeda besok. Akun berbeda bisa menghasilkan variasi. Prompt kecil yang berubah bisa menggeser shortlist. Context window percakapan memengaruhi respons.

Jadi pengukuran harus memakai sampling, bukan satu observasi.

Jalankan banyak query yang mewakili pengguna nyata. Catat frekuensi brand muncul. Lihat konteks rekomendasinya. Bandingkan dengan kompetitor. Ulangi secara periodik.

Yang dicari adalah pola, bukan screenshot cantik.

Kalau brand muncul dalam 65 dari 100 buyer queries relevan selama beberapa periode, itu jauh lebih informatif daripada satu prompt viral yang kebetulan menyebut brand di posisi pertama.

Search personal membuat marketing lebih dekat ke probabilistic measurement.

Lebih ribet, tetapi lebih realistis.

Pengguna perlu belajar mempertanyakan rekomendasi personal

Dari sisi pengguna, semakin AI terasa “ngerti gue”, semakin gampang kita menurunkan kewaspadaan.

Rekomendasi yang terasa sangat relevan bisa dianggap otomatis benar.

Padahal personalisasi hanya salah satu lapisan. Sistem masih bisa salah memahami konteks, memakai informasi lama, mengabaikan opsi baru, atau membuat inferensi yang tidak kita maksud.

Kalau keputusan kecil, risikonya mungkin cuma beli barang yang kurang cocok.

Kalau keputusan besar seperti kesehatan, karier, keuangan, pendidikan, atau properti, pengguna tetap perlu memeriksa sumber dan alternatif.

AI yang personal seharusnya membantu kita menyaring dunia, bukan menggantikan judgement.

Search 2026 makin jauh dari ide bahwa semua orang berdiri di depan rak hasil pencarian yang sama.

Sekarang raknya bisa disusun ulang untuk tiap orang, bahkan untuk tiap percakapan.

Buat pengguna, hasilnya bisa terasa jauh lebih relevan.

Buat brand, ini berarti visibility tidak lagi satu posisi yang bisa dipaku ke dashboard.

Buat masyarakat, ini membawa pertanyaan baru tentang privasi, diversity, transparency, dan siapa yang menentukan apa yang kita lihat.

Dua orang bisa mengetik pertanyaan mirip dan mendapat jawaban berbeda. Tantangannya bukan membuat semua jawaban kembali sama.

Tantangannya memastikan perbedaan itu muncul karena konteks yang benar, data yang digunakan secara bertanggung jawab, dan informasi yang cukup beragam untuk memberi pengguna pilihan nyata.