Selama bertahun-tahun, internet sangat text-centric.
Search engine membaca halaman. SEO mengoptimalkan kata. Website menulis heading. Metadata menjelaskan isi. User mengetik query.
Gambar ada, video ada, audio ada, tapi mesin pencari tetap banyak bergantung pada teks yang mengelilinginya.
Sekarang situasinya bergeser.
Model AI makin multimodal. Mereka bisa membaca teks, melihat gambar, memahami screenshot, memproses audio, menonton bagian video, dan menggabungkan semua itu menjadi konteks.
Pada 2026, Google bahkan membuat Search bisa menerima campuran teks, gambar, file, video, dan tab browser dalam pengalaman AI Search. Gemini API File Search juga diperluas agar retrieval bisa bekerja pada data multimodal, bukan cuma teks.
Perubahan ini punya consequence besar.
Internet tidak lagi hanya “dibaca”.
Ia diamati.
Screenshot jadi dokumen
Coba pikirkan kebiasaan digital orang Indonesia.
Daripada copy text, kirim screenshot.
Harga produk? Screenshot. Chat? Screenshot. Error aplikasi? Screenshot. Tiket? Screenshot. Jadwal? Screenshot. Alamat? Screenshot.
Bagi search engine lama, screenshot itu relatif opaque kecuali OCR mengambil teks.
Bagi model multimodal, screenshot bisa dipahami sebagai layout.
Model melihat: judul, angka, tombol, posisi, ikon, warna, hubungan antar elemen.
Ini mengubah cara informasi dikonsumsi.
User nggak harus lagi menerjemahkan visual menjadi kata.
Dia bisa bilang: “Yang mana tombol buat refund?”
Atau: “Dari screenshot dashboard ini, apa yang kelihatan aneh?”
Atau: “Bandingkan dua menu ini.”
Untuk bisnis, artinya UI sendiri menjadi sumber informasi yang bisa dibaca AI.
Website bukan cuma kumpulan paragraph.
Layout punya makna.
Gambar produk bukan dekorasi lagi
E-commerce sudah lama memakai image recognition.
Tapi multimodal AI membawa experience berbeda.
User bisa memotret sepatu di Blok M lalu bertanya: “Ini model apa, ada alternatif yang mirip tapi lebih formal?”
Bisa memotret meja kerja: “Cari lampu yang cocok buat setup ini.”
Bisa upload foto ingredients: “Masak apa dengan bahan ini?”
Google sudah membawa multimodal search ke AI Mode sejak 2025 dan terus memperluasnya. Pada 2026, visual search makin bisa memecah banyak objek dalam satu gambar dan menghubungkannya ke pencarian.
Artinya discovery produk menjadi lebih visual.
Brand tidak hanya harus bisa ditemukan lewat nama.
Produknya perlu bisa dikenali dari bentuk, packaging, warna, konteks penggunaan, dan informasi visual lain.
Ini sangat relevan untuk kategori fashion, food, furniture, beauty, otomotif, dan travel.
User mungkin tidak tahu istilah yang benar.
Tapi dia bisa menunjukkan.
Video berubah dari konten menjadi database
YouTube, TikTok, Instagram, webinar, tutorial, podcast video.
Internet penuh informasi yang terkunci di timeline.
Dulu untuk mencari satu insight dari video 45 menit, manusia harus nonton atau mengandalkan transcript.
AI multimodal bisa mengubah video menjadi sesuatu yang searchable.
Ia bisa membaca frame. Mendengar suara. Menghubungkan ucapan dengan visual. Mencari momen tertentu.
Bayangin teknisi punya 200 video maintenance.
Daripada buka satu-satu: “Cari video yang menunjukkan cara mengganti valve tipe ini.”
Atau mahasiswa: “Di bagian mana dosen menjelaskan teori yang ada di slide ini?”
Atau marketing: “Cari semua bagian webinar bulan lalu yang membahas retention.”
Konten panjang berubah menjadi knowledge base.
Ini bukan sekadar convenience.
Nilai arsip digital naik.
Perusahaan yang punya ribuan jam meeting, training, demo, dan rekaman lapangan bisa mengekstrak insight yang dulu practically nggak bisa dicari.
Audio juga menjadi sumber informasi utama
Voice note adalah budaya kerja nyata.
Di Indonesia, banyak keputusan operasional terjadi lewat audio WhatsApp atau rekaman meeting.
Informasinya nggak masuk database.
Seorang sales bilang lewat voice note: “Klien minta revisi harga dan pengiriman minggu depan.”
Kalau nggak dicatat, knowledge hilang.
Multimodal AI memungkinkan audio ditranskripsi, diringkas, diklasifikasi, dan dikaitkan ke workflow.
Tapi ada risiko privacy besar.
Voice bukan cuma teks.
Suara bisa mengandung identitas, emosi, lingkungan, bahkan informasi orang lain yang tidak sadar direkam.
Semakin AI bisa membaca audio, semakin organisasi perlu aturan consent dan retention.
Kemampuan teknis tidak otomatis berarti semua audio boleh diproses.
Website akan dinilai bukan hanya dari copy
Kalau AI bisa melihat halaman seperti manusia, desain dan struktur bisa ikut menentukan pemahaman.
Misalnya halaman restoran.
Teks bilang: “Menu tersedia.”
Tapi menu sebenarnya hanya image scan buram.
User manusia masih bisa zoom.
AI mungkin kesulitan membaca harga atau kategori.
Atau halaman event punya poster cantik, tapi tanggal hanya tertulis di gambar tanpa alt text atau struktur.
Di era multimodal, AI mungkin bisa membaca poster.
Tapi bukan alasan meninggalkan struktur semantik.
Justru sistem terbaik memberi dua jalur: visual yang jelas untuk manusia, struktur yang jelas untuk mesin.
Ini penting untuk accessibility juga.
Heading. Alt text. Caption. Structured data. Transcript. File name. Context.
Multimodal bukan berarti SEO teknis mati.
Ia memperluas permukaan informasi yang bisa dipahami.
Internet menjadi collection of objects
Teks tradisional bekerja seperti halaman.
Multimodal AI melihat internet lebih seperti kumpulan objects dan relationships.
Foto hotel. Review. Peta. Video kamar. Harga. Tanggal. Menu sarapan. Lokasi. Suara ambience.
Semua bisa digabung.
User bertanya: “Hotel mana yang paling cocok buat gue kerja dua hari di Bandung, butuh meja beneran, dekat tempat makan, dan kamar jangan terlalu gelap?”
Jawaban terbaik mungkin tidak datang dari satu halaman.
AI menggabungkan: foto kamar, review, map, website hotel, video, harga, dan preference user.
Ini membuat retrieval jauh lebih kompleks.
Dan membuka pertanyaan baru: sumber mana yang dipercaya?
Kalau foto lama berbeda dengan kondisi sekarang, apa yang terjadi? Kalau video user lebih baru daripada website resmi? Kalau caption salah? Kalau visual dimanipulasi?
Multimodal juga memperluas problem verifikasi.
AI bisa memahami gambar, tapi gambar bisa bohong
Generative AI membuat visual lebih mudah dibuat.
Jadi pada saat AI makin jago membaca gambar, internet juga makin penuh gambar sintetis.
Ini paradox.
Kemampuan memahami visual naik. Kepercayaan terhadap visual mentah turun.
Foto produk bisa diedit. Screenshot bisa dipalsukan. Video bisa diubah. Voice bisa dikloning.
Artinya provenance menjadi penting.
Darimana file berasal? Kapan dibuat? Apakah ada metadata? Apakah sumber resmi? Apakah ada versi lain? Apakah kontennya konsisten?
Untuk jurnalisme, hukum, keamanan, atau bukti transaksi, AI tidak boleh sekadar “melihat lalu percaya.”
Sistem perlu verification layer.
Multimodal understanding bukan authentication.
Halusinasi visual tetap ada
Model bisa salah membaca gambar.
Bisa melewatkan teks kecil. Salah menghitung objek. Salah memahami diagram. Salah membaca tabel kompleks. Mengira sesuatu ada padahal tidak.
OpenAI sendiri masih mencantumkan keterbatasan dalam visual input, misalnya pada grafis, rotasi, spatial reasoning, atau detail tertentu.
Ini reminder penting.
Multimodal bukan mata manusia sempurna.
Ia probabilistic perception.
Kalau keputusan penting bergantung pada visual, lakukan verifikasi.
Misalnya foto kerusakan mesin. Scan hasil medis. Dokumen legal. CCTV. Bukti pembayaran.
AI bisa membantu menyorot.
Jangan otomatis dijadikan final authority.
Search akan semakin conversational dan visual
Google Search pada 2026 bergerak ke kotak pencarian yang jauh lebih fleksibel.
User bisa membawa file, gambar, video, atau tab.
Ini mengubah query.
Dulu user harus menyusun kata: “nama tanaman daun hijau garis putih.”
Sekarang cukup foto.
Dulu: “error Excel formula circular reference.”
Sekarang screenshot.
Dulu: “sepatu model seperti loafers tapi sol tebal.”
Sekarang upload foto lalu minta alternatif.
Query language tidak lagi harus verbal.
Pengguna bisa menunjuk.
Buat search, itu perubahan fundamental.
Manusia punya banyak cara berkomunikasi selain mengetik.
Multimodal membuat internet sedikit lebih dekat ke cara manusia benar-benar memahami dunia.
Brand harus mulai memikirkan machine-visible media
Kalau perusahaan ingin ditemukan AI, jangan hanya bertanya: “apakah artikel kami terindex?”
Tanya juga: apakah produk terlihat jelas? apakah gambar punya context? apakah video punya transcript? apakah diagram bisa dipahami? apakah PDF searchable? apakah tabel berbentuk data atau cuma screenshot? apakah file punya judul yang jelas?
Ini bukan trik algoritma.
Ini information architecture.
Misalnya sebuah klinik punya video edukasi bagus tapi tidak ada judul spesifik, transcript, atau penjelasan.
AI mungkin bisa memproses videonya.
Tapi sistem retrieval punya pekerjaan lebih berat.
Bandingkan dengan video yang: judul jelas, deskripsi jelas, chapter jelas, transcript tersedia, dan terkait ke halaman topik.
Struktur tetap membantu mesin memahami hubungan.
Multimodal tidak menghilangkan kebutuhan context.
Justru context makin penting karena jumlah modalitas bertambah.
Internet berikutnya lebih sedikit copy-paste
Salah satu pengalaman paling terasa adalah kita nggak perlu lagi menerjemahkan dunia ke bentuk teks sebelum meminta bantuan.
Foto receipt. Upload PDF. Share screen. Play audio. Kasih video.
AI mengurus interpretasi awal.
Ini mengurangi friction.
Di kantor Jakarta, seseorang bisa cukup screenshot dashboard penjualan dan bertanya: “Kenapa angka minggu ini kelihatan aneh?”
Di kampus, mahasiswa upload slide. Di toko, staf foto rak. Di rumah, orang foto mesin cuci. Di jalan, orang foto papan petunjuk.
Semua menjadi query.
Dan ketika semua bisa menjadi query, definisi search berubah.
Search bukan lagi kotak yang menunggu kata kunci.
Search menjadi cara AI memahami konteks yang sedang kita lihat.
Internet juga akan ditulis ulang untuk pembaca non-manusia
Selama ini publisher membayangkan dua audience: manusia dan search crawler.
Sekarang ada audience ketiga yang jauh lebih aktif: AI agent.
Agent mungkin membaca halaman, melihat gambar, mengekstrak tabel, mengikuti link, membuka PDF, menonton video, lalu menyusun jawaban untuk user.
Bukan berarti website harus ditulis untuk robot.
Justru sebaliknya.
Informasi harus makin jelas, konsisten, dan bisa diverifikasi.
Karena ketika AI membaca banyak modalitas sekaligus, contradiction lebih mudah terlihat.
Harga di gambar beda dengan teks? Tanggal di poster beda dengan halaman? Produk di video sudah discontinued tapi artikel masih bilang tersedia?
Semua itu menjadi data quality problem.
Masa depan multimodal bukan soal AI punya mata dan telinga.
Yang lebih besar adalah perubahan interface antara manusia dan internet.
Kita tidak lagi harus mengubah semua pengalaman menjadi keyword.
Kita bisa menunjukkan dunia apa adanya.
Foto. Suara. Video. Dokumen. Layar.
AI akan mencoba menghubungkan semuanya.
Dan ketika itu menjadi normal, internet yang paling berguna bukan yang paling banyak kata.
Internet yang paling berguna adalah yang informasinya paling mudah dipahami, diuji, dan dihubungkan, apa pun bentuk medianya.
Bacaan terkait
Artikel ini berada dalam AI dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.