AI Bisa Membandingkan Harga untuk Kita, Tapi Apakah Rekomendasinya Netral?

Ada satu workflow belanja yang semua orang kenal: lihat barang, buka tiga marketplace, cari toko resmi, cek promo, bandingkan ongkir, baca review, lalu baru sadar harga termurah ternyata varian berbeda. AI shopping assistant datang dengan janji sederhana: biar sistem yang mengurus bagian ribet itu.

Di Indonesia pada Maret 2026, Google memperluas pengalaman penemuan produk berbasis AI di Gemini dalam Bahasa Indonesia, termasuk kemampuan mencari produk dengan bahasa sehari-hari, membandingkan harga, dan memberi rekomendasi. Secara global, Google juga memperluas fondasi agentic commerce lewat Shopping Graph, Universal Cart, price tracking, dan berbagai fitur shopping berbasis AI. OpenAI punya shopping research di ChatGPT yang memang dirancang untuk keputusan dengan banyak constraint, trade-off, preferensi, dan budget.

Semua ini menarik karena perbandingan harga adalah problem yang cocok untuk AI. Data banyak, pilihan banyak, atribut sering membingungkan, dan manusia gampang capek. Tetapi begitu AI mulai bilang “ini pilihan terbaik buat lo”, pertanyaan berikutnya harus muncul: terbaik menurut siapa?

Netralitas recommendation bukan hal yang sederhana. Sistem bisa saja tidak menerima bayaran langsung untuk memilih produk tertentu, tetapi hasil tetap dipengaruhi oleh data apa yang tersedia, merchant mana yang terindeks, produk mana yang punya informasi lengkap, bagaimana ranking bekerja, wilayah pengguna, stok, review, personalisasi, dan tujuan desain platform.

Jadi kita perlu memisahkan dua pertanyaan. Pertama, apakah recommendation adalah iklan? Kedua, apakah recommendation bebas dari bias sistem? Jawabannya bisa “bukan iklan” tetapi tetap “tidak sepenuhnya netral”.

OpenAI menjelaskan bahwa iklan dipisahkan dari shopping research. Pengalaman tersebut dirancang untuk membantu pengguna mengeksplorasi dan membandingkan produk. Itu useful distinction. Tetapi bahkan sistem organik tetap harus menentukan apa yang muncul dulu, atribut apa yang dianggap penting, dan bagaimana menimbang review yang bertentangan.

Google juga punya ekosistem commerce yang sangat besar. Shopping Graph berisi puluhan miliar listing produk dan terus diperbarui. Kelebihannya adalah coverage dan freshness. Tantangannya, tidak semua merchant punya kualitas feed yang sama. Brand besar yang punya structured product data rapi bisa lebih mudah dipahami daripada toko kecil yang informasinya berantakan.

Bayangin lo mau beli air purifier untuk apartemen di Jakarta. Kalau bilang “yang terbaik”, AI harus menebak definisi terbaik. Harga termurah? CADR paling tinggi? Filter mudah dicari? Suara rendah? Hemat listrik? Cocok untuk kamar kecil? After-sales lokal? Ada sensor PM2.5? Tanpa constraint, recommendation pasti membawa asumsi.

Karena itu cara terbaik memakai AI shopping bukan meminta ranking universal. Beri konteks yang bisa diuji. “Budget maksimal tiga juta, kamar 20 meter persegi, filter replacement harus gampang dibeli di Indonesia, noise penting karena dipakai saat tidur.” Sekarang sistem punya objective yang lebih jelas.

Masalah harga juga tricky. Harga online berubah cepat. Promo platform, voucher akun, kartu kredit, bundling, flash sale, dan ongkir bisa membuat angka yang dilihat satu pengguna berbeda dari pengguna lain. Bahkan OpenAI mengingatkan bahwa harga dan availability bisa keliru dan sebaiknya diverifikasi di merchant. Jadi AI cocok untuk shortlist dan monitoring, tetapi final checkout tetap perlu cek sumber aktual.

Ada pula persoalan sponsored placement. Banyak platform e-commerce hidup dari iklan. Kalau interface menggabungkan hasil organik dan sponsored recommendation, label harus jelas. Pengguna sebaiknya membedakan “direkomendasikan sistem karena relevan” dan “ditampilkan karena placement komersial”. Kalau labelnya samar, trust turun.

Personalization menambah kompleksitas. Kalau AI tahu lo sering membeli brand tertentu, sistem bisa menganggap itu preference dan merekomendasikannya lagi. Ini nyaman tetapi bisa menciptakan loop. Kita jadi jarang melihat alternatif baru. Sesekali minta “jangan gunakan histori brand gue” atau “beri opsi yang berbeda dari pilihan biasanya” bisa membantu.

Review juga bukan sumber kebenaran tunggal. Review marketplace bisa sangat berguna, tetapi kualitasnya bervariasi. Ada review setelah unboxing, ada yang setelah enam bulan, ada yang membahas seller bukan produknya, ada yang incentivized, dan ada yang tidak relevan dengan varian. AI yang merangkum review harus memisahkan signal dan noise. Pengguna tetap perlu membaca beberapa review asli ketika keputusan mahal.

Harga termurah pun tidak selalu menjadi deal terbaik. Merchant resmi mungkin lebih mahal tetapi garansi jelas. Seller lain murah tetapi retur ribet. Produk impor bisa murah tetapi adaptor atau layanan servis berbeda. AI recommendation yang hanya mengoptimalkan angka paling kecil justru bisa misleading.

Di Indonesia, perbandingan juga perlu memperhitungkan availability lokal. Produk yang viral di Amerika belum tentu masuk resmi. Ada model dengan nama berbeda. Ada garansi distributor. Ada fitur software yang belum tersedia di region tertentu. Jadi recommendation global harus ditarik kembali ke konteks Indonesia.

AI shopping assistant punya potensi bagus untuk menormalkan total cost of ownership. Misalnya printer murah tetapi tinta mahal. Vacuum murah tetapi filter sulit dicari. Kamera murah tetapi lens ecosystem mahal. Electric device murah tetapi servis terbatas. Kalau sistem bisa menghitung bukan hanya harga beli, keputusan konsumen jadi lebih matang.

Tetapi data seperti ini tidak selalu terstruktur. Brand jarang menulis “biaya kepemilikan dua tahun”. AI perlu menyusun dari banyak sumber dan bisa salah. Karena itu minta alasan recommendation. Jangan puas dengan “pilihan terbaik”. Tanyakan: “kenapa?”, “apa kekurangannya?”, “apa biaya setelah pembelian?”, “apa alternatif termurah dengan trade-off paling kecil?”

Cara ini mengubah AI dari oracle menjadi analyst. Lo tidak meminta satu jawaban final, tetapi memakai sistem untuk mengeksplorasi skenario.

Brand juga perlu sadar bahwa recommendation AI akan memaksa informasi produk lebih transparan. Kalau spesifikasi, harga, garansi, varian, dan kompatibilitas tidak jelas, mesin sulit membandingkan. Dalam jangka panjang, merchant yang datanya lebih bersih bisa punya advantage discovery.

Apakah itu berarti brand bisa “mengoptimasi” AI supaya selalu direkomendasikan? Tidak sesederhana itu. Recommendation yang sehat bergantung pada suitability terhadap query. Produk mahal tidak seharusnya menang untuk orang yang budget-nya rendah. Produk powerful tidak otomatis cocok untuk orang yang butuh ringan. Brand yang mencoba memaksakan positioning universal akan bentrok dengan sifat comparison yang contextual.

Pengguna juga sebaiknya menguji recommendation dengan counterfactual. “Kalau gue naikkan budget 20 persen, apa berubah?” “Kalau garansi tidak penting, pilihannya apa?” “Kalau prioritas gue durability, bukan fitur, mana yang menang?” Kalau jawabannya berubah secara masuk akal, reasoning-nya lebih informative.

Pada akhirnya netralitas absolut sulit dicapai karena setiap sistem punya data, objective, dan coverage. Yang realistis adalah transparency dan control. Pengguna perlu tahu kenapa sesuatu direkomendasikan, mana yang sponsored, sumber apa yang dipakai, dan bagaimana mengubah constraint.

AI bisa membuat perbandingan harga jauh lebih efisien. Ia bisa menghapus pekerjaan buka dua puluh tab dan menyatukan informasi yang tersebar. Tetapi jangan outsource judgment sepenuhnya. Gunakan AI untuk mempersempit pasar, bukan menggantikan akal sehat.

Kalau recommendation terasa terlalu pasti, justru challenge. Minta kelemahan. Minta alternatif. Cek harga akhir. Pastikan varian sama. Lihat garansi. Untuk barang mahal, buka situs resmi dan merchant sebelum bayar.

Belanja dengan AI seharusnya membuat kita lebih informed, bukan lebih pasif. Sistem yang bagus membantu mengurangi noise. Keputusan tetap milik kita.

Ada satu bias lain yang jarang dibahas: availability bias dari data yang paling mudah dibaca mesin. Produk dengan halaman rapi, feed lengkap, foto bagus, dan review banyak punya peluang lebih besar masuk perbandingan dibanding barang niche yang datanya tipis. Ini bukan selalu favoritisme platform. Kadang sistem memang punya bukti lebih banyak untuk satu produk. Tetapi bagi pengguna, hasil akhirnya tetap bisa terasa seperti pasar hanya terdiri dari brand yang datanya paling kuat.

Kategori fashion menunjukkan masalah berbeda. Harga dan spesifikasi tidak cukup. Fit, bahan, warna asli, dan rasa saat dipakai sangat subjektif. AI bisa mempersempit pilihan, tetapi belum bisa sepenuhnya menggantikan pengalaman fisik. Hal yang sama berlaku untuk parfum, kursi kerja, kasur, atau sepatu. Recommendation harus diperlakukan sebagai shortlist, bukan keputusan final.

Ada juga risiko false precision. Sistem bisa menyusun tabel perbandingan yang terlihat sangat rapi, sehingga kita menganggap semua kolom setara dan akurat. Padahal satu spesifikasi mungkin berasal dari situs resmi, satu dari merchant, satu dari review lama, dan satu lagi hasil inferensi. Presentasi yang clean tidak otomatis berarti uncertainty-nya kecil. Untuk keputusan mahal, minta sumber atau cek fakta utama.

Konsumen juga bisa memakai strategi sederhana untuk menguji bias recommendation: minta sistem membuat shortlist tanpa mempertimbangkan brand popularity, lalu bandingkan dengan shortlist normal. Atau minta produk lokal, produk paling mudah diservis, dan produk dengan total cost terendah secara terpisah. Kalau selalu keluar nama yang sama tanpa alasan kuat, ada baiknya riset manual.

Untuk brand dan merchant, transparansi data akan menjadi kompetitif. Kalau harga berubah, feed harus cepat diperbarui. Kalau satu varian habis, jangan biarkan listing seolah masih tersedia. Kalau garansi hanya berlaku untuk channel tertentu, jelaskan. AI comparison yang bagus membutuhkan data yang bisa dipercaya, dan konsumen akan makin sensitif terhadap perbedaan antara recommendation dan kenyataan checkout.

Netralitas akhirnya bukan kondisi hitam-putih. Yang lebih realistis adalah sistem yang memberi pilihan, menjelaskan alasan, memisahkan iklan, memungkinkan pengguna mengubah constraint, dan tidak menyembunyikan uncertainty. Kalau AI membantu kita melihat trade-off dengan lebih jelas, ia sudah memberi value besar tanpa harus berpura-pura menjadi hakim objektif yang tahu produk terbaik untuk semua orang.

Kalau lo ingin keputusan lebih fair, bandingkan recommendation dari dua sumber berbeda. Tidak harus setiap pembelian, tetapi untuk barang mahal pendekatan ini berguna. Satu AI bisa kuat di data produk, yang lain mungkin menemukan review atau merchant berbeda. Kalau dua sistem mengarah ke kesimpulan serupa dengan alasan yang masuk akal, confidence naik. Kalau hasilnya jauh berbeda, itu tanda bahwa constraint atau data perlu diperiksa lagi. Perbedaan hasil bukan selalu bug, bisa jadi masing-masing sistem melihat pasar dari coverage dan ranking yang berbeda.

Untuk pembelian penting, sedikit skeptis justru sehat. Tanyakan ulang asumsi, cek merchant, dan pastikan produk yang dibandingkan benar-benar varian yang sama.