Ketika AI Mengenal Selera Belanja Kita Lebih Baik daripada Marketplace

Ada satu fase dalam belanja online yang makin terasa aneh: lo belum tahu persis mau beli apa, tapi AI sudah bisa menebak arah yang kemungkinan cocok. Bukan karena dia punya indra keenam. Ia cuma punya konteks. Lo pernah bilang suka barang minimalis, tidak suka logo besar, budget biasanya sekian, kerja sering mobile, dan lebih pilih produk yang gampang diservis di Indonesia. Setelah beberapa percakapan, rekomendasinya jadi terasa lebih nyambung daripada homepage marketplace yang masih penuh banner generik.

Pada 2026, personalisasi belanja berbasis AI memang mulai naik level. OpenAI menjelaskan bahwa shopping research di ChatGPT dapat menggunakan memory jika fitur itu aktif, sehingga rekomendasi bisa mempertimbangkan hal yang sudah diketahui dari percakapan sebelumnya. Google juga memperluas penemuan produk berbasis AI di Indonesia dalam Bahasa Indonesia, dengan kemampuan memahami permintaan sehari-hari, membandingkan harga, dan memberi rekomendasi berdasarkan kebutuhan yang dijelaskan pengguna. Jadi shopping assistant tidak lagi sekadar search box yang bisa ngobrol. Ia mulai membangun model tentang preference.

Kalau dipikir, marketplace sebenarnya juga sudah mengenal kita sejak lama. Mereka tahu apa yang dicari, dilihat, dimasukkan ke cart, dibeli, dan kadang berapa lama kita berhenti di satu halaman. Bedanya, sinyal marketplace biasanya sangat behavior-heavy. AI conversational punya akses ke sinyal lain: alasan.

Lo bisa bilang, “gue suka desain clean, tapi jangan yang terlalu Apple-looking,” atau “gue butuh sneakers buat commute, bukan buat olahraga serius.” Kalimat seperti itu susah dimasukkan ke filter tradisional. AI bisa mengubah preferensi abstrak menjadi constraint yang lebih praktis.

Perbedaan ini makin kelihatan ketika produk yang dicari tidak punya nama kategori yang jelas. Misalnya lo butuh lampu meja buat apartemen kecil di Kuningan, cahaya hangat, tidak makan tempat, kabel jangan berantakan, dan desainnya tidak bikin meja terasa seperti setup gaming. Marketplace meminta lo memilih kategori lampu, harga, warna, mungkin rating. AI bisa mulai dari vibe dan usage context.

Inilah alasan shopping assistant berpotensi terasa lebih personal daripada marketplace. Marketplace biasanya mempersonalisasi feed berdasarkan apa yang pernah dilakukan. AI bisa mempersonalisasi rekomendasi berdasarkan apa yang pernah lo jelaskan.

Tetapi ini bukan berarti AI otomatis mengenal kita lebih benar. Manusia berubah. Preferensi belanja tidak permanen. Tahun lalu lo mungkin mengejar harga murah, sekarang lebih peduli durability karena sudah kapok beli dua kali. Dulu suka warna putih, sekarang bosan. Dulu tinggal sendiri, sekarang tinggal bersama pasangan dan keputusan rumah tangga jadi berbeda.

Memory yang terlalu percaya diri bisa berubah menjadi jebakan. Sistem menganggap preference lama masih berlaku lalu terus mempersempit pilihan. Personalization akhirnya berubah menjadi repetition.

Karena itu AI yang bagus seharusnya bisa ditantang. “Jangan pakai preferensi lama gue untuk keputusan ini.” “Kasih opsi yang beda dari biasanya.” “Anggap gue belum punya brand favorit.” Request semacam ini penting supaya sistem tidak membuat kita terjebak dalam versi lama diri sendiri.

Ada sisi lain yang lebih besar: shopping assistant bisa mengenal trade-off yang kita toleransi. Marketplace tahu kita membeli laptop 14 inci. AI mungkin tahu kenapa: karena sering naik MRT, tas kecil, dan tidak suka charger berat. Data “apa yang dibeli” dan “kenapa membeli” punya nilai berbeda.

Buat pengguna, ini bisa sangat membantu. Kalau setiap kali mencari gadget lo harus mengulang preferensi baterai, bobot, garansi resmi, dan budget, prosesnya melelahkan. Memory mengurangi repetition. Sistem bisa mulai dari konteks yang sudah ada lalu hanya bertanya apa yang berubah.

OpenAI sendiri menyebut bahwa shopping research dapat menggunakan hal yang sudah diketahui tentang pengguna untuk menyesuaikan hasil, selama memory aktif. Pengguna juga bisa mematikan atau menghapus memory. Ini boundary yang penting. Personalisasi seharusnya punya kontrol, bukan berjalan sebagai sesuatu yang tidak terlihat.

Masalah privasi jelas muncul. Preferensi belanja kelihatannya ringan, tetapi lama-lama bisa membentuk profil yang cukup intim. Produk bayi bisa menunjukkan fase hidup. Peralatan olahraga bisa mengisyaratkan kebiasaan. Buku, fashion, hadiah, dan barang rumah bisa menggambarkan relasi atau minat personal. Tidak semua orang nyaman jika semua preference disatukan menjadi satu model.

Di sinilah perlu dibedakan antara personalization yang membantu dan profiling yang terlalu jauh. Kalau AI ingat bahwa lo selalu minta produk dengan garansi resmi Indonesia, itu praktis. Kalau ia mulai membuat asumsi soal kondisi ekonomi, kesehatan, atau kehidupan pribadi tanpa diminta, itu problem.

Marketplace juga punya incentive komersial yang berbeda. Banyak platform mengoptimalkan conversion, basket size, dan engagement. AI assistant idealnya mengoptimalkan kecocokan terhadap kebutuhan pengguna. Tetapi jangan naif. AI product discovery juga hidup di ekosistem commerce, merchant feed, iklan, dan partnership. Transparansi tetap penting.

OpenAI menyatakan ads terpisah dari shopping research, sementara hasil shopping research bersifat organik. Meski demikian, pengguna tetap perlu memahami bahwa coverage produk bergantung pada data merchant, informasi publik, dan sumber yang dapat diakses. Produk bagus yang datanya buruk bisa kurang terlihat. Produk besar dengan feed rapi mungkin lebih mudah ditemukan.

Google punya keunggulan berbeda karena Shopping Graph dan ekosistem merchant yang sangat luas. Di Indonesia, kemampuan menemukan produk dengan bahasa natural membuat proses discovery lebih dekat ke percakapan. Tetapi di sana juga tetap ada batasan: harga berubah, stok berubah, dan listing berbeda antar merchant.

Jadi AI mengenal selera bukan berarti AI mengetahui pasar secara sempurna. Ada dua model yang harus benar sekaligus: model tentang lo dan model tentang produk. Kalau salah satu salah, rekomendasi tetap bisa meleset.

Contoh paling gampang adalah fashion. AI bisa tahu lo suka potongan oversize dan warna netral. Tetapi fit aktual sangat tergantung brand, bahan, proporsi tubuh, dan preferensi yang susah dinyatakan. Rekomendasi bisa terasa personal tetapi tetap harus diuji di dunia nyata.

Skincare lebih sensitif lagi. Preference seperti tekstur ringan atau fragrance-free boleh membantu filtering. Tetapi AI tidak seharusnya dianggap mendiagnosis kondisi kulit atau menggantikan profesional kesehatan. Personalisasi produk tidak sama dengan personalisasi medis.

Untuk barang rumah tangga, konteks lokal juga penting. Apartemen di Jakarta punya ruang dan listrik yang berbeda-beda. Produk yang populer secara global belum tentu cocok. Spare part, garansi, servis, dan ketersediaan lokal bisa jauh lebih penting daripada popularitas.

Buat brand, perubahan ini berarti segmentasi klasik mulai terasa kurang cukup. Umur, gender, dan kota tidak otomatis menentukan kebutuhan. AI bisa menyusun preference profile yang lebih granular: orang yang sering commute, tinggal di ruang kecil, menghindari maintenance rumit, dan lebih peduli after-sales daripada brand prestige.

Ini menguntungkan brand yang bisa menjelaskan produk dengan detail. Kalau produk punya material, ukuran, use case, compatibility, garansi, batasan, dan positioning yang jelas, AI punya lebih banyak bahan untuk mencocokkan produk dengan preference pengguna.

Brand yang hanya bilang “cocok untuk semua gaya hidup” justru memberi sedikit informasi. Personalization membutuhkan differentiation. Kalau semua produk mengklaim premium, stylish, dan berkualitas, tidak ada signal yang bisa dipakai.

Ada kemungkinan ke depan kita jarang membuka homepage marketplace. Kita masuk lewat assistant, menjelaskan kebutuhan, mendapatkan shortlist, lalu baru melihat listing. Marketplace tidak hilang, tetapi layer discovery pindah satu tingkat ke atas.

Ini bisa mengubah cara merchant membeli traffic. Dulu mereka mengejar posisi di search internal. Nanti mereka juga harus memastikan katalog bisa dipahami assistant. Data produk menjadi semacam bahasa baru antara merchant dan agent.

Namun pengguna tetap harus menjaga agency. Jangan karena AI “tahu selera gue” lalu semua keputusan menjadi autopilot. Ada nilai dalam eksplorasi, kejutan, dan pilihan yang tidak sesuai history. Kadang produk terbaik justru sesuatu yang sebelumnya tidak masuk pattern.

Cara sehat memakai personalization sederhana. Biarkan AI mengingat preference yang benar-benar stabil, seperti budget range, ukuran perangkat, atau kebutuhan garansi lokal. Untuk preference yang lebih cair, jelaskan ulang saat dibutuhkan. Dan sesekali minta alternatif yang berbeda.

Pada akhirnya, marketplace mengenal perilaku kita. AI mulai mengenal alasan di balik perilaku itu. Kombinasi keduanya bisa membuat shopping jauh lebih efisien, tapi juga jauh lebih personal daripada generasi e-commerce sebelumnya.

Yang perlu dijaga bukan cuma akurasi rekomendasi, tetapi hak kita untuk berubah pikiran. Assistant terbaik bukan yang selalu bilang “ini yang biasanya lo suka”. Assistant terbaik tahu kapan harus mengingat, kapan harus bertanya ulang, dan kapan memberi pilihan yang sama sekali tidak terduga.

Ada satu konsekuensi lain yang menarik buat cara kita memahami “selera”. Selera ternyata tidak selalu berbentuk brand favorit. Kadang lebih mirip pola keputusan. Seseorang bisa terus berganti merek tetapi konsisten memilih barang yang ringan, gampang dirawat, tidak mencolok, dan punya resale value bagus. Marketplace tradisional mungkin membaca histori brand. AI conversational lebih berpotensi menangkap pola lintas kategori. Orang yang selalu meminta tas ringan, laptop ringan, dan sepatu nyaman mungkin sebenarnya punya satu kebutuhan besar: mobilitas.

Pattern semacam ini bisa membuat recommendation terasa uncanny karena sistem melihat konsistensi yang bahkan tidak pernah kita tulis sebagai satu kalimat. Itu bisa useful, tetapi juga membuat pengguna perlu tahu dari mana personalisasi datang. Kalau sistem menyimpulkan preference tertentu, idealnya kita bisa mengoreksi: “iya, itu benar,” atau “nggak, itu cuma kebetulan.”

Buat commerce, transparency semacam ini akan penting. Recommendation yang mengatakan “gue memilih ini karena lo biasanya memprioritaskan portability dan garansi lokal” lebih mudah dipercaya daripada daftar produk yang muncul tanpa alasan. Reasoning tidak harus membuka seluruh mekanisme internal, tetapi pengguna butuh explanation yang cukup untuk mengaudit hasilnya.

Ada juga situasi di mana shared account atau shared device bisa merusak personalisasi. Satu akun dipakai pasangan, anak, atau tim kantor, lalu histori preference tercampur. AI bisa menganggap semua pilihan berasal dari orang yang sama. Kalau sistem semakin bergantung pada memory, identity separation akan menjadi kebutuhan praktis, bukan sekadar fitur akun.

Dan preference belanja punya horizon waktu. Ada preference yang stabil bertahun-tahun, ada yang cuma relevan minggu ini. Ukuran pakaian, budget proyek, kebutuhan rumah baru, atau hadiah untuk seseorang bisa berubah cepat. Sistem yang bagus harus memahami temporal context. Jangan menjadikan satu pencarian stroller sebagai identitas pengguna selamanya.

Kalau personalisasi berkembang dengan sehat, pengalaman belanja akan bergerak dari “algoritma menebak apa yang bikin lo klik” menjadi “assistant memahami apa yang sedang lo coba selesaikan”. Itu pergeseran penting. Objective-nya bukan sekadar engagement, tetapi decision quality. Dan kalau satu hari rekomendasinya sudah terlalu predictable, mungkin justru waktunya bilang: kasih gue sesuatu yang nggak gue sangka bakal suka.