Marketer terbiasa memilih medan perang.
Brand mau menang di harga?
Highlight harga.
Mau menang di fitur?
Bikin comparison.
Mau terlihat premium?
Atur visual dan positioning.
Masalahnya, ketika AI agent ikut membantu orang memilih, marketer tidak selalu tahu kriteria mana yang sedang diberi bobot paling besar.
User bisa bilang:
“Cari vacuum cordless yang ringan, nggak berisik, gampang servis di Indonesia, budget maksimal lima juta, dan gue tinggal di apartemen kecil.”
Dalam satu kalimat, ada lima constraint.
Harga.
Berat.
Noise.
After-sales.
Living context.
Marketer mungkin selama ini sibuk menjual suction power.
AI agent bisa menilai berdasarkan hal lain.
Itulah tantangan baru.
Brand dibandingkan dengan criteria yang dibentuk user, bukan campaign.
AI shopping memang dirancang untuk constraint
ChatGPT Shopping pada 2026 secara eksplisit membantu user membandingkan produk berdasarkan kebutuhan, preferensi, budget, dan trade-off.
OpenAI juga menjelaskan bahwa factor seperti harga, review, feature, availability, dan metadata merchant dapat ikut memengaruhi bagaimana produk ditampilkan atau dibandingkan, tergantung kebutuhan user.
Google juga memperluas fondasi agentic commerce dengan product data, cart, inventory, dan shopping graph.
Artinya comparison semakin dinamis.
Tidak ada satu “ranking factor” universal yang bisa dioptimasi marketer.
Untuk user A, harga paling penting.
Untuk user B, durability.
Untuk user C, shipping.
Untuk user D, brand familiarity.
Produk yang menang bisa berbeda.
Ini jauh lebih dekat ke real decision-making daripada keyword ranking tunggal.
Hidden criteria sebenarnya datang dari customer
Kriteria itu bukan sepenuhnya misterius.
Banyak berasal dari kebutuhan customer yang selama ini tidak didokumentasikan brand.
Sales tahu.
Customer service tahu.
Review tahu.
Forum tahu.
Marketer kadang tidak tahu karena terlalu fokus campaign.
Misalnya orang membeli coworking space.
Brand bicara interior dan networking.
Customer mungkin lebih peduli:
jarak dari MRT, meeting room availability, noise, jam akses, parkir, invoice, dan apakah tamu gampang masuk.
AI agent bisa memasukkan semua detail itu kalau user menyebutnya.
Brand yang tidak mempublikasikan fakta tersebut jadi sulit dibandingkan.
Masalahnya bukan agent terlalu pintar.
Masalahnya brand terlalu miskin data.
Comparison page harus lebih jujur
Brand suka comparison yang hasilnya sudah ditentukan.
Tabelnya dibuat supaya sendiri menang semua kolom.
Customer tahu permainan itu.
AI juga bisa mencari source lain.
Comparison yang lebih berguna justru menjelaskan trade-off.
Brand A cocok untuk siapa.
Brand B cocok untuk siapa.
Produk sendiri kuat di mana.
Lemah di mana.
Kapan buyer sebaiknya memilih alternatif.
Ini terasa kontraintuitif untuk marketing.
Tapi honesty meningkatkan trust.
AI agent yang harus membantu user membuat keputusan butuh nuance.
Kalau brand hanya punya claim “terbaik untuk semua”, informasinya tidak membantu.
Tidak ada produk terbaik untuk semua constraint.
Ada produk paling cocok untuk konteks tertentu.
Marketer perlu mengubah positioning dari superlative ke fit.
Review membuka hidden criteria
Brand mungkin punya 20 spec.
Customer menemukan spec nomor 21.
Misalnya earbud.
Brand fokus driver dan codec.
Review bicara apakah nyaman dipakai helm.
Laptop.
Brand fokus processor.
Review bicara charger terlalu berat untuk commute.
Skincare.
Brand fokus ingredients.
Review bicara pump susah dipakai saat produk tinggal sedikit.
Detail seperti ini bisa masuk ke AI comparison.
Karena AI shopping dapat merangkum review publik, voice of customer menjadi input decision layer.
Brand sebaiknya tidak takut.
Gunakan review sebagai research.
Cluster recurring topic.
Lihat attribute yang tidak pernah masuk PDP.
Perbaiki product information.
Hidden criteria lama-lama menjadi visible.
Data produk harus granular
Kalau product data cuma punya tiga field, agent tidak punya banyak bahan.
Nama.
Harga.
Foto.
Cukup untuk katalog sederhana.
Tidak cukup untuk decision kompleks.
Brand perlu attribute yang relevan.
Weight.
Dimension.
Compatibility.
Battery.
Material.
Certification.
Warranty.
Service area.
Stock.
Return policy.
Shipping.
Package content.
Tidak semua produk butuh field sama.
Buat taxonomy per category.
Semakin granular data, semakin besar chance produk bisa dievaluasi untuk constraint spesifik.
Ini bukan keyword stuffing.
Ini structured reality.
Marketing perlu bekerja dengan product team
AI agent memperlihatkan gap organisasi.
Marketing punya copy.
Product punya facts.
Sales punya objection.
Support punya complaint.
E-commerce punya catalog.
Semua data terpisah.
Agent tidak peduli struktur perusahaan.
Ia mencari jawaban.
Brand perlu menyatukan knowledge.
Satu source of truth.
Product information management.
FAQ.
Comparison.
Policy.
Review insight.
Case study.
Kalau informasi tersebar dan bertentangan, comparison lemah.
Ini kenapa AI visibility bukan proyek content team saja.
Ia data governance.
Customer constraint Jakarta sangat lokal
Bayangin orang cari stroller.
Di negara lain, kriterianya bisa car-friendly.
Di Jakarta, sebagian orang mungkin peduli apakah mudah masuk lift apartemen, dilipat untuk bagasi taksi, atau cukup ringan saat naik turun trotoar.
Cari laptop?
Commute MRT membuat berat charger relevan.
Cari air purifier?
Ukuran apartemen dan biaya filter penting.
Cari motor listrik?
Service point dan charging jadi constraint.
Local context mengubah ranking.
Brand global yang hanya punya spec universal bisa kalah dari brand lokal yang menjelaskan fit lebih baik.
Marketer Indonesia punya advantage kalau mau mendokumentasikan real context.
Price bukan selalu criteria terbesar
Brand sering perang diskon karena harga mudah diukur.
AI comparison bisa memperlihatkan bahwa customer punya banyak preference lain.
Durability.
Convenience.
Privacy.
Warranty.
Support.
Delivery.
Compatibility.
Environmental factor.
Trust.
Kalau produk kalah harga tetapi menang total fit, agent tetap bisa merekomendasikan.
Ini opportunity untuk premium brand.
Jangan mencoba terlihat murah kalau memang tidak.
Jelaskan value.
Apa yang didapat?
Apa risk yang berkurang?
Apa service tambahan?
Apa lifetime cost?
Agentic comparison bisa membantu user melihat total value lebih jelas, kalau datanya tersedia.
Marketer tidak bisa mengontrol weight sepenuhnya
Ini bagian yang harus diterima.
User menentukan prompt.
Platform menentukan system.
Model menentukan interpretation.
Source menentukan evidence.
Marketer hanya mengontrol sebagian input.
Jadi jangan mengejar control penuh.
Fokus ke legibility.
Buat produk mudah dipahami.
Buat data accurate.
Buat trade-off clear.
Buat review genuine.
Buat policy accessible.
Buat proof.
Semakin baik information environment, semakin kecil risiko produk disalahpahami.
AI agent bukan media placement yang bisa diatur creative-nya sepenuhnya.
Ia decision interface.
Brand harus layak dipilih dalam decision interface itu.
Monitoring perlu berbasis scenario
Kalau ingin tahu bagaimana agent membandingkan brand, jangan cuma prompt generic.
Buat scenario.
Budget buyer.
Premium buyer.
Privacy buyer.
Beginner.
Expert.
Jakarta.
Surabaya.
Small business.
Enterprise.
Setiap scenario punya criteria berbeda.
Lihat brand muncul di mana.
Tidak perlu menang semua.
Yang penting sesuai positioning.
Brand premium tidak harus masuk query “termurah”.
Brand beginner tidak harus menang query “fitur enterprise paling lengkap”.
Fit yang konsisten lebih sehat daripada visibility universal.
Scenario testing juga membantu product marketing.
Kalau brand selalu kalah karena satu constraint penting, mungkin ada product gap.
Bukan communication gap.
AI monitoring bisa menjadi product research.
Criteria yang tidak terlihat bisa menjadi inovasi
Ini sisi positif.
Agentic comparison bisa mengungkap apa yang user sebenarnya cari.
Kalau banyak query meminta “mudah repair”, brand bisa memperkuat service network.
Kalau orang terus bertanya “bisa integrasi dengan WhatsApp nggak”, product team tahu priority.
Kalau budget selalu disandingkan dengan privacy, ada segment baru.
Marketer bisa mengumpulkan prompt pattern secara agregat dari customer conversation, support, sales, dan AI monitoring.
Jangan melanggar privasi.
Cari pattern, bukan mengintip individu.
Pattern bisa menjadi input roadmap.
AI agent membuat market language lebih eksplisit.
Website harus menjawab “fit”, bukan cuma “feature”
Feature page bilang apa yang produk punya.
Fit page menjelaskan siapa yang terbantu.
Misalnya:
“Cocok untuk tim 10 sampai 50 orang yang tidak punya admin IT khusus.”
“Kurang ideal kalau butuh customization enterprise mendalam.”
Kalimat seperti ini powerful.
User tahu posisi.
Agent juga.
Marketing biasanya takut menulis “kurang ideal”.
Tapi limitation adalah signal confidence.
Produk matang tahu boundary.
Brand yang mengakui boundary lebih mudah dipercaya daripada brand yang mengklaim cocok untuk semua.
Pada akhirnya, AI agent tidak menciptakan kriteria dari ruang hampa.
Ia menangkap constraint user dan informasi yang tersedia.
Yang terlihat “hidden” bagi marketer sering sebenarnya sudah lama terlihat oleh customer.
Mereka membahasnya di review.
Di sales call.
Di group chat.
Di complaint.
Di forum.
AI hanya membawa criteria itu ke comparison layer dengan lebih cepat.
Jadi solusi bukan mencari formula rahasia agent.
Solusinya kembali ke kerja paling dasar dan paling susah: pahami customer, dokumentasikan produk dengan jujur, dan buat evidence yang cukup untuk keputusan.
Kalau marketer melakukan itu, hidden criteria tidak terasa terlalu menakutkan.
Mereka berubah menjadi hal yang seharusnya sejak dulu menjadi pusat marketing: alasan nyata kenapa seseorang memilih.
Ada satu konsekuensi lain: marketer perlu menyimpan attribute yang dulu dianggap “terlalu kecil”. Berat charger, jam support, waktu setup, compatibility, return window, sampai ukuran packaging bisa tiba-tiba jadi decision criteria.
Tidak semua harus ditaruh di headline.
Tapi harus tersedia di source.
Agentic shopping memperbesar nilai long-tail facts. User bebas membawa constraint yang tidak pernah masuk campaign brief.
Brand yang punya data granular lebih siap menghadapi pertanyaan granular.
Brand juga perlu sadar criteria bisa berubah sepanjang percakapan. User awalnya bilang harga penting, lalu setelah melihat opsi ternyata lebih peduli warranty. Agent menyesuaikan.
Marketing static persona tidak selalu menangkap behaviour seperti ini.
Decision journey fluid.
Information architecture harus cukup fleksibel untuk mengikuti.
Satu cara praktis menghadapi situasi ini adalah membuat decision matrix internal. Ambil sepuluh customer scenario nyata lalu tulis criteria yang biasanya menentukan pilihan. Bukan untuk memanipulasi agent, tapi untuk melihat apakah website punya jawaban.
Kalau criteria “service center” penting tetapi tidak pernah dijelaskan, perbaiki.
Kalau “privacy” sering muncul tetapi policy sulit ditemukan, rapikan.
Kalau “total cost” lebih penting daripada sticker price, buat calculator atau comparison.
Agentic era pada akhirnya menghargai perusahaan yang mengerti decision structure customer.
Itu pekerjaan product marketing klasik, hanya sekarang output-nya dibaca manusia dan machine sekaligus.
Bacaan terkait
Artikel ini berada dalam Marketing & Advertising dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.