Ada satu kalimat dari Google pada April 2026 yang seharusnya bikin banyak retailer langsung buka Merchant Center.
Kalau product feed berantakan atau tidak lengkap, customer tidak akan bisa menemukan produk dengan baik di pengalaman shopping berbasis AI.
Blunt.
Dan logis.
AI tidak bisa merekomendasikan sesuatu yang tidak dipahaminya.
Brand sering terlalu fokus pada pertanyaan:
“Gimana biar AI mention produk gue?”
Padahal problem dasarnya mungkin bukan visibility.
Datanya bolong.
Nama produk ambigu.
Spec kosong.
Variant campur.
Harga tidak sinkron.
Stock stale.
Review tidak terhubung.
Return policy tidak jelas.
AI bukan cenayang.
Kalau informasi tidak ada, system punya dua pilihan.
Menebak.
Atau memilih produk lain yang datanya lebih lengkap.
Platform yang serius akan berusaha mengurangi tebakan.
Jadi kelengkapan data menjadi competitive advantage.
Di 2026, dua ecosystem besar bergerak jelas ke arah itu.
OpenAI Agentic Commerce Protocol memungkinkan merchant membagikan product feed dan promotion supaya catalog direpresentasikan lebih lengkap dan up-to-date di ChatGPT.
Google Universal Commerce Protocol memungkinkan agent mendapat real-time product information seperti pricing dan inventory.
Google Merchant Center juga menambah conversational attributes, termasuk jawaban pertanyaan umum, compatible accessories, dan substitutes.
Artinya product data tidak lagi cuma:
Nama.
Harga.
Foto.
Kategori.
Data harus mendekati cara manusia mengambil keputusan.
Contoh sederhana: air purifier.
Data minimal:
“Air Purifier Model X, Rp2.499.000.”
Data useful:
Coverage 45 meter persegi.
CADR.
Filter type.
Replacement interval.
Noise.
Power.
Dimension.
Weight.
App support.
Warranty.
Filter availability.
Harga replacement filter.
Kalau user bertanya:
“Cari purifier buat apartemen 40 meter, kamar tidur harus senyap, budget 3 juta.”
Produk dengan data minimal hampir tidak punya chance untuk dinilai dengan baik.
AI tidak tahu coverage.
Tidak tahu noise.
Produk mungkin sebenarnya perfect.
Tapi invisible secara semantic.
Ini problem yang menyebalkan.
Product quality bagus.
Data quality jelek.
Recommendation kalah.
Brand sering menyangka solution-nya content lebih banyak.
Belum tentu.
Yang dibutuhkan adalah attribute lebih lengkap.
Structured.
Accurate.
Consistent.
Ada perbedaan antara content quantity dan data completeness.
Seribu kata marketing copy tidak menggantikan satu field dimension yang hilang.
Untuk furniture, dimension adalah critical.
Untuk clothing, size.
Untuk electronics, compatibility.
Untuk food, ingredient dan allergen.
Untuk beauty, ingredient, texture, finish, skin concern.
Untuk automotive, model compatibility.
Untuk B2B, technical spec, certification, MOQ, lead time.
Setiap category punya decision data.
Brand harus map.
Apa 20 pertanyaan paling sering muncul sebelum purchase?
Jawab semuanya.
Itu starting point.
Customer service punya datanya.
Search query punya.
Marketplace Q&A punya.
Review punya.
Sales team punya.
Product team tinggal menggabungkan.
AI readiness sebenarnya proyek cross-functional.
Bukan SEO team sendirian.
Ada juga accuracy.
Complete tapi salah lebih buruk.
Harga Rp2 juta di feed, Rp2,5 juta di site.
Stock available di AI, sold out saat checkout.
Warranty 24 bulan di description, 12 bulan di policy.
User kecewa.
AI trust turun.
Platform akan memperbaiki ranking berdasarkan reliability seiring waktu.
Data freshness penting.
OpenAI pada 2026 menekankan product discovery yang lebih up-to-date.
Google UCP mengambil real-time pricing dan inventory.
Real-time menjadi expectation.
Brand perlu source of truth.
ERP.
PIM.
Commerce platform.
Apa pun.
Jangan manual update lima channel terpisah kalau volume besar.
Automation data lebih penting daripada automation copy.
Ada juga identifiers.
GTIN.
MPN.
SKU.
Brand.
Variant ID.
Identifier membantu system memahami bahwa listing di website, marketplace, dan review site merujuk produk yang sama.
Tanpa identifier, entity resolution bisa salah.
Review tercampur.
Harga compare salah.
Produk duplicate.
Google Merchant Center sudah lama mendorong identifier, dan di era AI nilainya makin besar.
Mesin perlu tahu identity sebelum recommendation.
Variant adalah area penuh masalah.
Sepatu size 42 stock.
Size 43 kosong.
AI bilang produk ada.
User butuh 43.
Checkout gagal.
Variant-level inventory diperlukan.
Laptop 8 GB dan 16 GB satu page.
Harga headline untuk 8 GB.
AI mengira 16 GB harga sama.
Conflict.
Data architecture harus detail.
Ini bukan hanya AI issue.
Customer juga selama ini kesal.
AI hanya memperbesar konsekuensi.
Ada juga compatible accessories.
Google conversational attributes 2026 memasukkan compatibility dan substitute.
Kenapa penting?
User tidak selalu cari product sendiri.
“Charger apa buat laptop ini?”
“Filter pengganti untuk purifier X?”
“Lens cocok buat camera Y?”
Kalau compatibility data tersedia, product bisa muncul di query adjacency.
Cross-sell menjadi semantic.
Bukan carousel random.
Ini lebih useful.
Substitute juga.
Kalau product out of stock, AI bisa mencari alternative.
Brand yang punya product family jelas bisa menjaga customer di ecosystem.
Misalnya model A discontinued.
Model B successor.
Tuliskan.
Jangan biarkan user tersesat.
Data lifecycle penting.
Produk punya versi.
Launch.
Update.
Discontinue.
Replacement.
AI perlu tahu.
Ada juga common questions.
Google mendorong retailer menambah jawaban pertanyaan umum ke product data.
Ini menarik karena FAQ selama ini dianggap content.
Sekarang bisa menjadi commerce attribute.
“Bisa dicuci mesin?”
“Bisa dipakai induction?”
“Support iPhone?”
“Garansi international?”
Jawaban bisa memengaruhi discovery.
Product team harus melihat FAQ sebagai structured knowledge.
Bukan sekadar halaman support.
Ada juga local availability.
OpenAI ACP menyebut arah ke local availability dan ETA.
Google UCP juga berkembang ke local commerce.
User bisa tanya:
“Ada sekarang dekat Senayan?”
Kalau brand punya store inventory data, AI bisa memberi answer.
Kalau tidak, brand kalah ke retailer yang punya.
Omnichannel data menjadi AI discovery asset.
Retailer fisik perlu digitize stock.
Ini challenging.
Tapi value-nya jelas.
Ada juga review data.
Produk tanpa review tidak otomatis buruk.
New product memang belum punya.
AI bisa tetap menggunakan spec dan brand trust.
Tapi confidence lebih rendah untuk experiential question.
“Nyaman?”
“Awet?”
Review membantu.
Brand perlu seed review secara ethical.
Early adopter.
Sampling dengan disclosure.
Post-purchase request.
Bukan fake review.
Data lengkap bukan berarti hanya official data.
Ecosystem evidence juga.
Ada problem completeness versus overload.
Jangan menaruh 200 attribute tanpa hierarchy.
Machine bisa membaca, tapi human overwhelmed.
Gunakan structured section.
Key specs.
Full specs.
FAQ.
Technical docs.
AI agent bisa mengambil detail yang dibutuhkan.
Human melihat yang relevant.
Information architecture.
Ada juga hidden data.
Some brand punya data lengkap tapi terkunci di PDF.
Machine mungkin bisa baca PDF, tapi discovery flow tidak selalu mengambil.
Lebih aman critical data ada di product page atau feed.
PDF untuk detail teknis tambahan.
Jangan membuat product information hostage file download.
Ada juga JavaScript.
Kalau product info baru muncul setelah complex rendering atau API yang blocked, crawler dan agent bisa gagal.
Technical accessibility tetap penting.
Search engine optimization basics masih relevan.
Server response.
Canonical.
Indexability.
Structured data.
Unique URL.
AI commerce tidak menghapus web engineering.
Ada satu myth: “AI kan bisa cari dari mana saja, jadi official site nggak penting.”
Salah.
Official site memberi canonical truth.
Kalau brand tidak menjelaskan produknya sendiri, AI terpaksa mengandalkan retailer, forum, marketplace, dan review.
Mereka bisa benar.
Bisa outdated.
Bisa salah.
Brand kehilangan control.
Official product page adalah kesempatan menyatakan facts yang bisa diverifikasi.
Bukan mengontrol seluruh narrative.
Tapi punya source.
Untuk UMKM, ini tidak berarti perlu PIM mahal.
Spreadsheet rapi sudah lebih baik daripada chaos.
Kolom.
SKU.
Nama.
Kategori.
Harga.
Stock.
Dimension.
Material.
Variant.
Warranty.
FAQ.
Update discipline.
Kalau catalog 50 produk, manual masih manageable.
Kalau 50 ribu, perlu system.
Scale menentukan tooling.
Prinsip sama.
Google pada Mei 2026 juga mengumumkan AI performance insights di Merchant Center untuk mengukur bagaimana brand tampil di AI surface.
Ini akan membuat data gap lebih visible.
Brand bisa melihat share of voice dan funnel insight.
Sebelum mengejar campaign, perbaiki feed.
Garbage in, invisible out.
Ada juga competitive effect.
Produk A punya semua data.
Produk B punya sedikit.
AI bisa lebih confident di A.
Walaupun B mungkin lebih bagus.
Ini berarti data quality bisa menjadi unfair advantage bagi brand yang lebih mature.
Platform perlu mencari balance agar brand kecil tidak dihukum hanya karena infrastructure terbatas.
Open standard dan simple feed integration bisa membantu.
Shopify merchant, misalnya, sudah terhubung ke ChatGPT melalui Shopify Catalog tanpa kerja tambahan individual untuk basic product representation.
Ini menurunkan barrier.
Tapi merchant tetap perlu mengisi catalog dengan benar.
Integration tidak memperbaiki data kosong.
AI recommendation bukan magic layer di atas commerce.
Dia sangat tergantung pada plumbing.
Product data.
Inventory.
Review.
Policy.
Identity.
Feed.
Website.
Semakin lengkap dan konsisten, semakin mudah mesin mengerti.
Jadi kalau produk tidak muncul di AI shopping, jangan langsung menyalahkan model.
Buka product page.
Lihat feed.
Tanya diri sendiri:
Kalau gue bukan orang dalam perusahaan, apakah gue benar-benar bisa memahami produk ini?
Kalau jawabannya belum, kemungkinan mesin juga punya problem yang sama.
Di era AI shopping, data lengkap bukan bonus.
Dia syarat untuk ikut pertandingan.
Ada satu cara audit cepat: pilih lima produk terlaris lalu minta orang yang bukan tim product mencari jawaban atas 15 pertanyaan umum hanya dari halaman publik. Catat yang tidak ketemu. Gap tersebut hampir pasti juga menjadi gap untuk AI.
Mulai dari top seller sebelum membereskan seluruh katalog. Improvement bertahap lebih realistis daripada proyek data besar yang tidak pernah selesai.
Produk bagus yang datanya kosong adalah produk yang meminta mesin menebak. Jangan bikin mesin menebak.
Produk bagus yang datanya kosong adalah produk yang meminta mesin menebak. Jangan bikin mesin menebak.
Produk bagus yang datanya kosong adalah produk yang meminta mesin menebak. Jangan bikin mesin menebak.
Produk bagus yang datanya kosong adalah produk yang meminta mesin menebak. Jangan bikin mesin menebak.
Produk bagus yang datanya kosong adalah produk yang meminta mesin menebak. Jangan bikin mesin menebak.
Bacaan terkait
Artikel ini berada dalam E-commerce & AI Shopping dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.