Oleh: Eko Tjiptojuwono, SE, MM, MMPar.
Dulu, menjadi raja di halaman pertama Google adalah mimpi yang tampak mustahih bagi banyak pemasar. Selama hampir dua dekade, Search Engine Optimization (SEO) menjadi pedang bermata dua: menggiurkan karena potensi trafiknya, tetapi melelahkan karena algoritma yang terus berubah. Namun, kini lanskap itu bergeser. Bukan karena SEO mati—tapi karena sesuatu yang lebih besar lahir: Generative Engine Optimization (GEO). Dengan hadirnya fitur seperti Google AI Overviews, ChatGPT, dan Perplexity, cara audiens menemukan informasi tidak lagi bertumpu pada daftar biru berisi sepuluh tautan, melainkan pada jawaban langsung yang cerdas, personal, dan kontekstual.
Munculnya model bahasa besar (LLM) telah mengantarkan paradigma baru mesin pencari yang menggunakan model generatif untuk mengumpulkan dan meringkas informasi guna menjawab pertanyaan pengguna. … Meskipun pergeseran ini secara signifikan meningkatkan utilitas pengguna dan lalu lintas mesin pencari generatif, hal ini menimbulkan tantangan besar bagi pemangku kepentingan ketiga — pembuat situs web dan konten. … Untuk mengatasi hal ini, kami memperkenalkan Optimasi Mesin Generatif (GEO), paradigma baru pertama yang membantu pembuat konten dalam meningkatkan visibilitas konten mereka dalam respons mesin generatif (Aggarwal et.al, 2024).
Bayangkan Anda mencari “rekomendasi kopi terbaik untuk pagi hari”. Dulu, Anda akan disuguhi sepuluh artikel blog yang berdebat tentang mana merek yang paling SEO-friendly. Kini, cukup tanyakan ke ChatGPT atau Perplexity, dan dalam hitungan detik Anda mendapat jawaban ringkas, plus alasan logis di baliknya. Atau biarkan Google AI Overviews merangkum lima artikel teratas sekaligus—tanpa Anda perlu mengklik satu pun tautan. Inilah revolusi yang tak bisa diabaikan: mesin pencari berevolusi menjadi mesin generatif, dan pemasar yang cerdas tahu bahwa strategi keyword stuffing sudah ketinggalan zaman.
Lantas, apa sebedanya SEO dan GEO? SEO berfokus pada bagaimana membuat konten Anda ditemukan oleh robot perayap (crawler) melalui kata kunci, backlink, dan struktur teknis. Sebaliknya, GEO berfokus pada bagaimana membuat konten Anda dipilih oleh AI generatif sebagai sumber jawaban yang kredibel dan relevan. Di sini, algoritma tidak hanya membaca teks, tetapi juga memahami konteks, menilai kebaruan, dan membandingkan banyak sumber secara simultan. Dengan kata lain, GEO adalah seni menjadi referensi terpercaya bagi AI, bukan hanya bagi Googlebot.
Berdasarkan hasil empiris ini, kami merumuskan agenda GEO strategis. Kami memberikan panduan yang dapat ditindaklanjuti bagi para praktisi, menekankan kebutuhan penting untuk: (1) merekayasa konten agar mudah dipindai dan dibenarkan oleh mesin, (2) mendominasi media yang diperoleh untuk membangun otoritas yang dirasakan oleh AI (Chen et.al, 2025).
Mengapa pergeseran ini krusial? Karena perilaku pengguna telah berubah. Generasi sekarang—terutama Gen Z dan milenial—lebih percaya pada ringkasan AI daripada pada sepuluh tautan yang mereka curigai sebagai iklan terselubung. Studi terbaru menunjukkan bahwa lebih dari 40% pencarian di mesin generatif berakhir tanpa klik ke situs eksternal. Artinya, jika konten Anda tidak terpilih sebagai salah satu sumber yang disitasi AI, maka Anda invisible di mata konsumen, meskipun peringkat SEO Anda bagus.
Lalu, bagaimana cara mengoptimalkan konten untuk GEO? Rahasia pertama adalah otoritas dan kutipan. AI generatif seperti Perplexity dan Google AI Overviews sangat menghargai sumber yang sering dirujuk oleh sumber kredibel lainnya. Bukan sekadar backlink, tapi named entity recognition—seberapa sering brand atau pakar Anda disebut dalam konteks positif di berbagai platform. Jadi, bangun reputasi digital Anda dengan menjadi narasumber di media ternama, publikasikan riset orisinal, dan dorong mentions organik.
LLM dan agen generatif bergantung pada sumber berkualitas tinggi dan dapat diverifikasi. Penelitian menunjukkan bahwa ketika model AI memilih kutipan, jurnal yang ditinjau oleh rekan sejawat, basis data pemerintah, dan publikasi transparan lebih dipercaya (Ding, et al., 2025).
Kedua, struktur data yang ramah AI. Mesin generatif sangat menyukai konten yang terstruktur dengan schema markup yang jelas: FAQ, HowTo, QAPage, dan FactCheck. Dengan markup ini, AI tidak perlu menebak-nebak maksud Anda. Ia bisa langsung mengambil fakta inti, kutipan statistik, atau langkah-langkah prosedural dari halaman Anda. Ini mirip dengan memberikan peta jalan kepada AI—sehingga ia lebih mudah memilih konten Anda daripada pesaing yang hanya mengandalkan paragraf panjang tanpa struktur.
Struktur konten sangat memengaruhi bagaimana model bahasa besar memproses dan memprioritaskan informasi, … memungkinkan optimasi struktural yang ditargetkan, karena pola hierarkis tertentu dapat mengaktifkan mekanisme perhatian yang meningkatkan pengambilan dan pengutipan konten dalam respons generatif (Yu et.al., 2026).
Ketiga, bahasa yang natural dan berbasis maksud (intent). Jika SEO dulu memaksa kita menulis “sepatu lari terbaik untuk pria” sebanyak 12 kali dalam satu artikel, GEO sebaliknya: tulis seperti Anda sedang menjelaskan kepada teman. AI generatif modern dilatih dengan data percakapan manusia. Kalimat yang mengalir, menjawab pertanyaan secara langsung di awal paragraf, serta menggunakan variasi sinonim dan contoh konkret lebih disukai daripada repetisi kaku. Coba bandingkan: “Our running shoes have carbon plate technology” vs “Pernahkah lutut Anda terasa nyeri setelah lari 10K? Sepatu dengan carbon plate ini mendistribusikan tekanan secara merata.” Yang kedua lebih kaya konteks, dan itulah yang disukai AI.
Mesin Pencari Generatif … memanfaatkan pemrosesan bahasa alami untuk menguraikan maksud kueri, sehingga memungkinkan mereka untuk menghasilkan jawaban komprehensif daripada sekadar mengambil tautan. … Kami mengusulkan metode Optimasi Mesin Pencari Generatif Berbasis Niat yang Diperkuat Peran (G-SEO), yang menyediakan jalur optimasi terstruktur yang disesuaikan untuk skenario GSE. Metode kami memodelkan maksud pencarian melalui penyempurnaan reflektif di berbagai peran informasi, sehingga memungkinkan peningkatan konten yang ditargetkan (Chen, et al., 2025).
Keempat, jangan lupakan multimodalitas. ChatGPT dan Google AI Overviews kini mampu merespons dengan gambar, tabel, bahkan video pendek. Jika konten Anda hanya berupa teks, Anda kalah saing dengan yang menyertakan infografis ringkas atau video demo 30 detik. Optimalkan alt text dengan deskripsi bermakna, gunakan tabel perbandingan (alih-alih list panjang), dan pastikan setiap visual memiliki keterangan yang informatif. AI generatif akan mengekstrak data dari visual tersebut sebagai bukti pendukung jawabannya.
Multimodal Retrieval-Augmented Generation (MRAG) adalah paradigma komputasi yang mengintegrasikan pengambilan multimodal—yang mencakup teks, gambar, tabel, grafik, video, dan format tambahan—ke dalam proses generatif LLM (multimodal) besar (MLLM) (Multimodal Retrieval-Augmented Generation, 2025).
Akhir kata, peralihan dari SEO ke GEO bukanlah kiamat bagi pemasar konten, melainkan panggilan untuk menjadi lebih cerdas, autentik, dan berorientasi nilai. SEO tidak akan mati—ia akan menjadi fondasi teknis. Namun, pemenang di era AI adalah mereka yang mampu menjawab pertanyaan konsumen dengan cara yang lebih manusiawi, lebih terstruktur, dan lebih terpercaya. Jadi, mulailah audit konten Anda hari ini: apakah konten Anda layak dikutip oleh AI sebagai sumber terbaik? Jika belum, saatnya beranjak dari sekadar search engine menuju generative engine. Karena masa depan bukan tentang siapa yang paling atas di SERP, tapi siapa yang paling sering disebut dalam jawaban AI.
Referensi:
Aggarwal, P., V. Murahari, T. Rajpurohit, A. Kalyan, K. Narasimhan dan A. Deshpande, 2024. GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 1–12.
Chen, M., K. Chen, Y. Weng dan P. Hui, 2025. Generative Engine Optimization: How to Dominate AI Search. arXiv preprint, arXiv:2509.08919.
Chen, X., et al., 2025. Role-Augmented Intent-Driven Generative Search Engine Optimization. arXiv preprint, arXiv:2508.11158.
Ding, et al., 2025. Research on AI citation selection. arXiv preprint, arXiv:2501.01303.
Multimodal Retrieval-Augmented Generation, 2025. ACL Anthology, MAGMaR. Yu, J., Y. MuFeng, Y. Ding dan H. Sato, 2026. Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior. arXiv preprint,