Dulu perjalanan belanja online gampang digambar.
Orang sadar butuh sesuatu, buka Google, klik beberapa hasil, masuk marketplace atau website brand, bandingkan, lalu beli.
Sekarang ada satu layer baru di depan website.
Orang bisa bilang ke AI:
“Gue butuh laptop 14 inci buat kerja hybrid, ringan, baterai tahan, budget maksimal 18 juta, jangan terlalu gamer, dan kalau bisa gampang dibawa MRT.”
Sistem lalu menyaring kebutuhan, menjelaskan trade-off, membandingkan pilihan, dan kadang baru setelah itu mengirim pengguna ke halaman produk.
Artinya product discovery mulai terjadi sebelum customer masuk properti digital brand.
Buat marketer, ini bukan perubahan kecil.
Website tidak lagi selalu menjadi tempat pertama brand menjelaskan dirinya.
AI bisa menjadi perantara pertama.
Discovery berubah dari search result menjadi shortlist
Search tradisional memberi daftar.
AI shopping cenderung memberi jawaban.
Perbedaannya penting.
Kalau Google menampilkan sepuluh hasil, user masih punya ruang eksplorasi besar.
Kalau AI menyederhanakan menjadi tiga atau lima pilihan, brand yang tidak masuk shortlist kehilangan peluang lebih awal.
Pada Agustus 2026, Reuters melaporkan retailer besar semakin aktif mengejar visibility di AI shopping tools seperti ChatGPT dan Gemini. Mereka ingin ditemukan lewat interface AI, tetapi tetap berusaha membawa transaksi kembali ke properti sendiri supaya hubungan pelanggan dan data tidak hilang.
Ini menunjukkan AI shopping sudah bukan demo futuristik.
Retailer mulai memperlakukannya sebagai distribution channel nyata.
Bukan berarti semua transaksi pindah ke chatbot.
Justru banyak pemain tetap ingin checkout di website mereka.
Tapi tahap discovery sudah mulai bergeser.
Brand perlu dipahami sebelum dikunjungi
Kalau AI menjadi gatekeeper awal, pertanyaan penting berubah.
Bukan hanya:
“Apakah halaman produk gue ranking?”
Tapi:
“Apakah mesin memahami produk gue dengan benar?”
Apa kategori produknya?
Untuk siapa?
Berapa kisaran harganya?
Apa fitur utama?
Apa kompatibilitasnya?
Apa keterbatasannya?
Apakah tersedia di Indonesia?
Apa bedanya dengan alternatif?
Bagaimana review pengguna?
Kalau informasi ini tidak jelas, AI punya lebih sedikit bahan untuk memasukkan produk ke shortlist.
Ini alasan kenapa product data mulai sama pentingnya dengan creative.
Brand yang sangat jago bikin iklan tetapi katalog produknya berantakan bisa kalah di discovery layer.
Copy iklan membujuk.
Data produk membantu mesin memutuskan apakah produk relevan.
AI shopping membuat dua fungsi itu harus ketemu.
Product page bukan lagi halaman akhir funnel
Selama bertahun-tahun, product detail page atau PDP dianggap tempat conversion.
User sudah datang.
Sekarang PDP juga menjadi source.
AI search, shopping assistant, browser agent, merchant platform, dan search engine bisa mengambil fakta dari sana.
Maka struktur informasi perlu jauh lebih rapi.
Nama model.
Varian.
Ukuran.
Material.
Warna.
Harga.
Stok.
Garansi.
Return.
Compatibility.
Spesifikasi teknis.
Use case.
Semua harus mudah dipahami.
Kalimat marketing seperti “the ultimate companion for your lifestyle” tidak membantu kalau ukuran baterai, berat, dan port tidak jelas.
AI shopping mengurangi toleransi terhadap ambiguity.
Manusia juga.
Brand perlu memikirkan product page sebagai database yang kebetulan dibaca manusia.
Bukan berarti tampilannya harus kaku.
Design tetap penting.
Storytelling tetap penting.
Tapi facts harus punya struktur.
Pengguna datang lebih informed
Visitor yang dikirim AI bisa berbeda dari visitor biasa.
Mereka mungkin sudah tahu tiga kompetitor.
Sudah punya budget.
Sudah tahu feature utama.
Sudah bertanya soal kelemahan produk.
Mereka masuk website bukan untuk diperkenalkan dari nol.
Mereka masuk untuk validation.
“Bener nggak garansinya dua tahun?”
“Apakah bisa dipakai dengan perangkat gue?”
“Stok warna ini ada?”
“Service center di Jakarta ada di mana?”
“Return policy-nya gimana?”
Kalau website gagal menjawab pertanyaan seperti itu, AI discovery tidak banyak gunanya.
Funnel baru punya karakter seperti relay race.
AI menangani sebagian research.
Website mengambil baton untuk verification dan transaction.
Kalau baton jatuh, conversion hilang.
Product discovery menjadi lebih conversational
Keyword research klasik tetap berguna.
Tapi AI shopping menerima constraint yang jauh lebih kaya.
Pengguna bisa bilang:
“Sepatu lari buat telapak lebar.”
“Skincare tanpa fragrance yang nggak terlalu mahal.”
“Koper kabin yang rodanya kuat buat sering business trip.”
“Monitor buat MacBook tapi nggak perlu 4K.”
Ini bukan sekadar keyword.
Ini bundle preference.
Google sendiri pada 2026 memperluas penggunaan Merchant Center feed untuk campaign berbasis AI yang mencoba memahami conversational shopping intent.
Signal-nya jelas: product data harus mampu menjawab long-tail need.
Brand yang cuma mengoptimasi satu keyword utama berisiko kehilangan konteks.
Customer tidak berpikir dalam taxonomy marketing.
Mereka berpikir dalam masalah.
Data produk harus mampu menjembatani keduanya.
Review menjadi layer penting
Produk tidak hidup hanya dari spesifikasi resmi.
Review memberi real-world context.
Brand bilang laptop beratnya 1,2 kilogram.
Customer bilang charger-nya ternyata besar.
Brand bilang baterai tahan lama.
Customer bilang aman dari rumah sampai pulang kantor.
Brand bilang ukuran true to size.
Review bilang perlu naik satu nomor.
AI shopping bisa memakai review untuk menangkap nuance seperti ini.
Inilah kenapa review bukan lagi sekadar dekorasi sosial.
Review membantu mesin memahami bagaimana produk dipakai.
Tapi brand harus hati-hati.
Jangan manipulasi.
Fake review membuat dataset jelek.
Kalau AI menyimpulkan dari data palsu, expectation customer bisa rusak.
Jangka pendek mungkin visibility naik.
Jangka panjang return, complaint, dan distrust ikut naik.
Harga dan stok harus sinkron
Ada problem yang jauh lebih basic.
Kalau AI merekomendasikan produk dengan harga lama tetapi website menunjukkan angka berbeda, trust turun.
Kalau sistem bilang tersedia tetapi stok habis, user kecewa.
Kalau marketplace punya varian berbeda dengan website, ambiguity naik.
AI shopping membuat data freshness semakin penting.
Brand perlu punya source of truth.
Siapa yang mengelola harga?
Siapa yang memperbarui stok?
Bagaimana sinkronisasi merchant feed?
Bagaimana variant naming?
Bagaimana discontinued product ditandai?
Banyak problem AI visibility sebenarnya data operations problem.
Bukan content problem.
Marketer harus lebih dekat dengan commerce operations.
Jakarta bikin constraint shopping makin real
Lihat contoh pengguna yang tinggal di Jakarta.
Keputusan produk sering dipengaruhi hal sangat praktis.
Berat saat commute.
Ukuran apartemen.
Panas.
Hujan.
Service center.
Akses pengiriman same-day.
Ketersediaan di mall tertentu.
Compatibility listrik.
After-sales.
AI bisa menangkap constraint seperti ini kalau source publik punya informasinya.
Brand lokal punya peluang.
Mereka bisa menjelaskan konteks Indonesia lebih baik daripada product page global.
Misalnya air purifier.
Bukan hanya CADR.
Jelaskan ukuran ruangan.
Filter replacement.
Ketersediaan filter di Indonesia.
Konsumsi listrik.
Noise.
Service.
User jauh lebih terbantu.
AI juga punya bahan lebih baik untuk comparison.
Brand harus menjaga customer relationship
Ada tension menarik.
Brand ingin ditemukan AI.
Tapi jangan sampai seluruh relationship berhenti di AI.
Reuters pada 7 Agustus 2026 menyoroti retailer yang ingin memanfaatkan AI shopping traffic sambil mempertahankan transaction di website mereka sendiri.
Alasannya masuk akal.
Kalau transaksi terjadi di properti sendiri, brand punya akses lebih baik ke first-party data, loyalty program, support, dan repeat purchase.
Kalau semuanya dimediasi pihak ketiga, brand bisa kehilangan relationship.
Jadi strategi sehat bukan “serahkan semua ke AI”.
Strateginya:
mudah ditemukan AI, mudah dipahami AI, mudah diklik, lalu berikan pengalaman website yang cukup bagus supaya customer punya alasan tinggal.
Discovery bisa disewa.
Relationship harus dibangun.
Measurement juga berubah
Marketer perlu mulai memantau:
AI referral traffic, landing page yang paling sering menerima AI visitor, conversion rate, revenue per visit, new versus returning visitor, branded search, direct traffic, survey source discovery, dan prompt visibility.
Adobe pada 2026 juga melaporkan pertumbuhan kuat AI-driven retail traffic dan menyediakan tooling untuk mengamati referral dari AI citations dan menghubungkannya ke engagement serta conversion.
Ini belum berarti AI sudah menjadi channel terbesar.
Jauh dari itu untuk banyak bisnis.
Tapi growth rate dan intent membuatnya layak dipisahkan dari bucket “other”.
Kalau semua AI referral dilempar ke “referral”, marketer tidak belajar apa-apa.
Mulai kecil.
Track.
Lihat pattern.
Baru invest.
Jangan membuat website untuk bot saja
Ada risiko lain.
Karena terlalu fokus AI, brand membuat product page yang machine-readable tetapi manusia nggak betah.
Ini salah.
AI shopping akhirnya melayani manusia.
Product page harus tetap jelas, menarik, cepat, dan membantu.
Structured data bagus.
Spec table bagus.
Tapi foto real, demo, comparison, review, dan explanation tetap penting.
Brand perlu dual optimization.
Machine legibility.
Human confidence.
Keduanya bukan musuh.
Justru halaman terbaik biasanya bagus untuk dua-duanya.
Informasinya terstruktur, tetapi tidak kering.
Copy-nya persuasive, tetapi tidak menyembunyikan fakta.
Visualnya menarik, tetapi tidak misleading.
AI shopping bukan akhir website
Narasi “website akan mati” terlalu dramatis.
Yang lebih realistis adalah website berubah fungsi.
Dulu website sering menjadi pintu masuk.
Sekarang sebagian buyer datang setelah melewati layer AI.
Website menjadi destination untuk proof, transaction, service, dan relationship.
Itu malah membuat kualitas website lebih penting.
Kalau AI merekomendasikan brand lo tetapi website terasa tidak dipercaya, opportunity terbuang.
Kalau AI tidak merekomendasikan karena data publik buruk, website bahkan tidak sempat dikunjungi.
Dua-duanya perlu diperbaiki.
AI shopping mengubah product discovery sebelum user masuk website.
Brand yang siap bukan brand yang paling banyak bikin prompt hack.
Brand yang siap adalah brand yang punya product data rapi, evidence kuat, review real, harga sinkron, halaman jelas, dan relationship strategy setelah click.
AI mungkin mengubah siapa yang mengenalkan produk pertama kali.
Tapi pada akhirnya, customer tetap menilai apakah brand layak dipilih.
Ada satu implikasi lain yang perlu diperhatikan: brand category architecture. Kalau satu produk bisa cocok untuk beberapa use case, jangan menyembunyikan semuanya di satu deskripsi generik. Buat relasi yang jelas antara produk, kebutuhan, dan persona.
Misalnya satu backpack cocok untuk commuter, business travel, dan laptop 16 inci. Tiga use case itu bisa dijelaskan secara konkret tanpa membuat tiga halaman tipis yang copy-paste. AI mendapat context. User mendapat alasan.
Brand juga perlu mengaudit information parity antara website, marketplace, dan merchant feed. Kalau website bilang kapasitas 20 liter tetapi marketplace 18 liter, masalah kecil itu bisa memengaruhi trust. Data reconciliation adalah bagian dari marketing hygiene.
Semakin AI membantu comparison, semakin mahal inconsistency.
Brand yang paling siap bukan yang punya campaign AI paling futuristik. Justru yang punya katalog paling boring tetapi rapi sering lebih mudah diintegrasikan ke distribution baru.
Bacaan terkait
Artikel ini berada dalam Marketing & Advertising dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.