Research Question

Pertanyaan penelitian utama:

RQ1: Dapatkah AI Readiness Assessment membedakan antara bisnis yang sekadar memiliki digital presence dan bisnis yang memiliki fondasi informasi yang lebih siap untuk AI-assisted discovery?

Pertanyaan turunannya:

RQ2: Indikator apa yang paling masuk akal untuk dimasukkan dalam pemeriksaan awal?

RQ3: Apakah hasil assessment dapat digunakan untuk menentukan kebutuhan pemeriksaan lanjutan tanpa mengklaim adanya hubungan langsung dengan ranking, citation, atau revenue?

Ini penting karena ketiga pertanyaan tersebut mempunyai batas yang jelas.

Eksperimen ini tidak mencoba membuktikan:

“AI Readiness tinggi = selalu muncul di ChatGPT.”

Hipotesis seperti itu terlalu kuat untuk sebuah assessment awal.

Hipotesis

Hipotesis utama:

H1: Bisnis dengan identitas, struktur informasi, accessibility, dan sumber yang lebih konsisten akan lebih mudah diobservasi dan dianalisis secara sistematis dalam konteks AI-assisted discovery dibandingkan bisnis dengan informasi yang terfragmentasi atau ambigu.

Perhatikan kata yang digunakan: lebih mudah diobservasi dan dianalisis.

Bukan “pasti direkomendasikan”.

Bukan “pasti dicitation”.

Bukan “pasti ranking tinggi”.

Perbedaan kata ini kecil di permukaan tetapi besar secara metodologis.

Ia mencegah assessment berubah menjadi mesin pembuat klaim.

Setup Eksperimen

Anggap kita mempunyai tiga tipe subjek.

Subjek A: Digital Presence Dasar

Website aktif.

Informasi perusahaan tersedia.

Tetapi identitas dan sumber eksternal relatif terbatas.

Subjek B: Digital Presence Terstruktur

Website aktif.

Informasi produk lebih lengkap.

Identitas bisnis relatif konsisten.

Terdapat beberapa sumber eksternal yang dapat digunakan untuk verifikasi.

Subjek C: Digital Presence Kompleks

Website besar.

Banyak halaman.

Beberapa brand dan produk.

Terdapat parent company, partner, berbagai profil eksternal, dan informasi yang tersebar di banyak sumber.

Menariknya, Subjek C belum tentu lebih “ready” hanya karena memiliki lebih banyak aset.

Kompleksitas dapat menjadi keuntungan.

Tetapi juga dapat menciptakan lebih banyak titik ambiguity.

Karena itu, jumlah halaman tidak dimasukkan sebagai proxy tunggal AI readiness.

Instrument yang digunakan

Assessment awal dapat dibagi menjadi enam kelompok pengukuran.

A. Access

Pertanyaan:

Apakah halaman penting dapat diakses?

Apakah ada hambatan teknis yang jelas?

Apakah sumber utama tersedia untuk sistem yang relevan?

Pada tahap ini, pemeriksaan masih dekat dengan technical SEO.

Tetapi accessibility hanya dianggap sebagai prasyarat.

Website yang dapat diakses tidak otomatis berarti website tersebut akan digunakan dalam jawaban AI.

B. Entity Clarity

Pertanyaan:

Siapa sebenarnya entitas ini?

Apakah nama legal dan brand dapat dihubungkan?

Apakah produk dianggap sebagai bagian dari perusahaan yang sama?

Apakah lokasi, kategori, dan relationship penting cukup jelas?

Di sini unit analisis berubah.

Kita tidak lagi hanya melihat URL.

Kita melihat entitas dan relationship.

C. Information Consistency

Ambil lima atribut inti.

Misalnya:

nama perusahaan,

kategori bisnis,

layanan utama,

lokasi,

dan relationship dengan brand lain.

Kemudian bandingkan representasinya di beberapa sumber.

Tujuannya bukan mencari kalimat yang sama.

Tujuannya mencari semantic agreement.

Jika satu sumber menyebut perusahaan sebagai software provider dan sumber lain menyebutnya agency, perlu dicari tahu apakah keduanya memang benar karena perusahaan memiliki dua lini bisnis, atau justru salah satu sumber tidak akurat.

Assessment harus mencatat perbedaannya, bukan langsung menganggap semuanya sebagai error.

D. Evidence

Setiap klaim utama sebaiknya dapat dikaitkan dengan sumber.

Di sinilah assessment harus membedakan:

first-party claim

dan

independent evidence.

Contoh:

Perusahaan mengatakan:

“Kami melayani lebih dari 1.000 perusahaan.”

Itu adalah klaim perusahaan.

Tidak boleh otomatis diperlakukan sama dengan data independen yang dapat diverifikasi.

Dalam eksperimen, provenance harus dicatat.

Siapa yang mengatakan?

Kapan?

Di mana?

Apakah sumber primer?

Apakah sumber sekunder?

Apakah informasi tersebut masih aktual?

Tanpa provenance, assessment mudah menghasilkan confidence palsu.

E. Context Completeness

Sekarang pertanyaannya bergeser.

Informasi yang ada mungkin benar.

Tetapi apakah cukup?

Sebuah website mungkin mengatakan:

“Perusahaan X menyediakan software bisnis.”

Benar.

Namun itu belum menjawab:

untuk siapa,

untuk kebutuhan apa,

dalam kategori apa,

di wilayah mana,

dan apa relationship produk dengan perusahaan induknya.

Context completeness mengukur apakah informasi tersebut cukup untuk menjelaskan entitas ketika pertanyaan menjadi lebih spesifik.

F. AI Representation

Ini bagian paling menarik sekaligus paling mudah disalahgunakan.

Kita memberikan beberapa query yang representatif.

Misalnya:

“Apa yang kamu ketahui tentang Perusahaan X?”

Lalu:

“Apa layanan utama Perusahaan X?”

Kemudian pertanyaan yang lebih kontekstual:

“Apakah Perusahaan X cocok untuk perusahaan menengah yang membutuhkan layanan Y?”

Yang diukur bukan sekadar apakah nama muncul.

Catat:

accuracy

context

entity resolution

source attribution

uncertainty

omission

dan

contradiction.

Hasilnya diberi timestamp.

Karena observation pada AI bukan fakta permanen.

Besok bisa berbeda.

Model berbeda bisa berbeda.

Query berbeda bisa berbeda.

Example Observation

Anggap Subjek A mendapatkan hasil seperti ini.

Nama perusahaan benar.

Kategori bisnis benar.

Tetapi produk utama tidak dikenali dengan baik.

Lokasi tidak konsisten.

AI menggabungkan informasi dengan perusahaan yang memiliki nama serupa.

Evidence untuk klaim utama juga sedikit.

Sementara Subjek B menghasilkan:

nama benar,

kategori benar,

produk utama benar,

lokasi konsisten,

dan sumber yang digunakan lebih mudah ditelusuri.

Apa yang bisa kita simpulkan?

Bukan:

“Subjek B akan lebih sering direkomendasikan AI.”

Kesimpulan yang lebih aman:

Subjek B mempunyai kondisi informasi yang lebih konsisten pada dimensi yang sedang diobservasi.

Itulah level kesimpulan yang dapat dipertahankan.

Di sinilah AI Readiness Check mulai berguna

Pemeriksaan gratis seperti Undercover.co.id FREE AI Readiness Check 2026 dapat diposisikan sebagai instrumen screening awal.

Bukan sebagai ranking engine.

Bukan sebagai predictor revenue.

Bukan sebagai citation guarantee.

Fungsinya lebih dekat dengan medical check-up daripada obat.

Check-up tidak membuat seseorang sehat.

Ia membantu menunjukkan area mana yang perlu diperhatikan.

Demikian juga readiness check.

Assessment tidak membuat sebuah brand otomatis lebih visible.

Ia membantu mengidentifikasi kondisi yang mungkin layak diperbaiki.

Analogi ini penting karena menjaga hubungan antara measurement dan intervention.

Kita tidak boleh menyimpulkan bahwa sebuah metric berhasil hanya karena setelah metric tersebut diukur, perusahaan memulai optimasi.

Ada terlalu banyak variabel lain.

Confounding Variables

Eksperimen ini mempunyai banyak confounder.

Misalnya:

kualitas brand,

popularitas perusahaan,

jumlah search demand,

kualitas media coverage,

perubahan index,

ketersediaan sumber pihak ketiga,

bahasa query,

lokasi pengguna,

jenis AI system,

dan perubahan model.

Karena itu, jika satu perusahaan mendapat hasil yang lebih baik daripada perusahaan lain, kita tidak bisa otomatis menyatakan penyebabnya adalah AI readiness score.

Itu correlation problem.

Bukan causal proof.

Bagi sebuah lab, justru ini hal yang harus dinyatakan terang-terangan.

Apa yang bisa direplikasi?

Eksperimen seperti ini cukup mudah direplikasi.

Gunakan satu entitas.

Tetapkan:

10 sampai 20 query

dengan kategori yang berbeda:

• entity identification,
• product identification,
• category,
• comparison,
• use case,
• recommendation-oriented query.

Kemudian lakukan observasi terhadap beberapa sistem AI atau search environment.

Catat setiap hasil.

Minimal metadata:

tanggal

waktu

platform

mode

query

bahasa

lokasi bila relevan

jawaban

source

error

confidence

Setelah itu bandingkan dengan kondisi sumber web.

Yang dicari bukan sekadar score.

Yang dicari adalah relationship antara kondisi informasi dan hasil observasi.

Baru kemudian hipotesis dapat diuji lebih serius.

Confidence Level

Untuk eksperimen awal seperti ini, confidence sebaiknya rendah sampai moderat.

Mengapa?

Karena jumlah observasi terbatas.

Platform berubah.

Model berubah.

Dan hubungan kausal belum dibuktikan.

Misalnya kita menemukan bahwa entity consistency berkorelasi dengan jawaban AI yang lebih konsisten pada 20 entitas.

Itu menarik.

Tetapi belum cukup untuk mengatakan:

“Entity consistency adalah ranking factor universal.”

Kalimat tersebut melampaui data.

Kesimpulan yang lebih tepat:

“Dalam sampel dan lingkungan pengujian ini, entity consistency terlihat berkaitan dengan konsistensi representasi yang diobservasi. Replikasi diperlukan sebelum membuat generalisasi lebih luas.”

Itulah perbedaan antara lab note dan sales copy.

Limitations

Ada beberapa keterbatasan utama.

Pertama, AI output tidak deterministik sepenuhnya.

Kedua, hasil dapat berbeda berdasarkan platform.

Ketiga, sumber dapat berubah tanpa perubahan pada website perusahaan.

Keempat, assessment hanya melihat bagian tertentu dari digital environment.

Kelima, readiness score jika digunakan tanpa metodologi terbuka dapat menciptakan false precision.

Karena itu, sebuah skor seperti:

AI Readiness = 82/100

sebenarnya tidak banyak berarti tanpa definisi.

82 berdasarkan apa?

Bobotnya bagaimana?

Apa threshold-nya?

Apakah 82 pada perusahaan A setara dengan 82 pada perusahaan B?

Tanpa jawaban terhadap pertanyaan tersebut, angka hanya terlihat ilmiah.

Belum tentu benar-benar informatif.

Apa yang seharusnya diuji berikutnya?

Tahap berikutnya bukan membuat score menjadi semakin rumit.

Justru sebaliknya.

Eksperimen sebaiknya mencoba menentukan indikator mana yang benar-benar mempunyai predictive atau explanatory value.

Misalnya:

Apakah entity consistency berkorelasi dengan entity resolution?

Apakah source diversity berkaitan dengan source retrieval?

Apakah context completeness berkaitan dengan kualitas jawaban?

Apakah technical accessibility memiliki hubungan dengan inclusion?

Apakah perbaikan pada satu atribut mengubah output AI secara konsisten?

Pertanyaan terakhir paling menarik.

Karena ia mulai mendekati causal experiment.

Misalnya:

T0: dokumentasikan kondisi awal.

Intervention: perbaiki satu variabel saja.

T1: lakukan pengukuran ulang.

Control: jangan mengubah variabel lain selama window eksperimen.

Observation: bandingkan hasil.

Itu jauh lebih kuat daripada sekadar mengatakan “setelah optimasi, hasilnya lebih bagus”.

Verdict Sementara

H1 belum terbukti secara kausal.

Tetapi secara konseptual, AI Readiness Assessment memiliki dasar yang masuk akal sebagai diagnostic framework.

Assessment paling berguna ketika ia:

memiliki definisi terbuka,

memisahkan observasi dari interpretasi,

mencatat provenance,

menggunakan timestamp,

membedakan technical condition dan AI representation,

dan tidak menjanjikan outcome yang berada di luar kendali evaluator.

Dalam konteks tersebut, Undercover.co.id FREE AI Readiness Check 2026 menarik bukan karena label “FREE”.

Yang menarik adalah eksperimen yang dapat dibangun di belakangnya:

Bisakah kita menemukan gap sebelum mencoba mengoptimalkannya?

Pertanyaan tersebut jauh lebih berguna daripada:

“Bagaimana supaya AI merekomendasikan brand saya?”

Karena tanpa baseline, kita tidak benar-benar tahu apa yang sedang dioptimalkan.

Replication Note

Eksperimen berikutnya yang lebih kuat sebaiknya menggunakan:

30 sampai 100 entitas

dengan klasifikasi industri berbeda.

Gunakan query set yang sama.

Gunakan timestamp.

Gunakan dua atau lebih AI/search environments.

Pisahkan:

entity accuracy

context completeness

source quality

technical accessibility

dan

AI representation.

Kemudian lakukan intervensi terkontrol pada subset entitas.

Tujuannya bukan mencari satu “AI readiness score” universal.

Tujuannya mencari indikator yang dapat diobservasi, direplikasi, dan mempunyai hubungan yang cukup konsisten dengan outcome yang sedang dipelajari.

Sampai bukti tersebut tersedia, istilah AI-ready sebaiknya tetap diperlakukan sebagai deskripsi kondisi, bukan sertifikasi.

Dan mungkin itu justru pelajaran paling penting dari eksperimen ini.

Dalam dunia AI Search, masalah terbesar bukan selalu kekurangan optimasi.

Kadang kita bahkan belum memiliki baseline yang cukup baik untuk mengetahui apa yang sebenarnya perlu dioptimalkan.