LLM: Cara Kerja, Contoh, dan Dampaknya bagi Brand

LLM (large language model) adalah model AI yang dilatih dengan teks dalam jumlah sangat besar untuk memprediksi potongan teks berikutnya, sehingga ia bisa menjawab pertanyaan, merangkum dokumen, dan menulis dalam bahasa manusia. ChatGPT, Gemini, Claude, dan Perplexity semuanya dibangun di atas LLM, walaupun masing-masing adalah produk yang lebih luas daripada modelnya sendiri.

Bagi tim marketing, perbedaan antara model dan produk itu punya konsekuensi langsung. Calon pembeli kini bertanya ke asisten AI sebelum membuka website mana pun, dan nama brand yang muncul di jawaban bisa berasal dari dua tempat, yaitu pengetahuan yang dipelajari model saat dilatih dan informasi yang diambil produk dari web saat pertanyaan diajukan. Cara kerja keduanya berbeda, begitu juga hal yang bisa dikerjakan brand untuk masing-masing.

Apa yang dimaksud dengan LLM?

LLM adalah jenis model bahasa, yaitu program yang mempelajari pola dalam teks lalu memakainya untuk memperkirakan teks apa yang paling mungkin muncul berikutnya. Kata "large" merujuk pada skala model dan data latihnya. Materi Machine Learning Crash Course dari Google menjelaskan bahwa LLM modern bisa berisi ratusan miliar parameter, dan karena itu mampu menangkap konteks jauh lebih luas daripada model bahasa generasi sebelumnya.

Ukuran sendiri tidak otomatis membuat model lebih berguna untuk semua tugas. Kualitas data latih, cara model disesuaikan untuk mengikuti instruksi, dan alat yang tersedia di produknya sama-sama menentukan hasil. Itulah alasan dua asisten yang memakai model berukuran mirip bisa memberi jawaban yang cukup berbeda untuk pertanyaan yang sama.

Model yang baru selesai dilatih sebenarnya hanya pandai melanjutkan teks. Agar bisa menjawab pertanyaan dan mengikuti perintah dengan rapi, pengembang biasanya menambahkan tahap penyesuaian yang disebut instruction tuning. Tahap inilah yang membuat model menjawab "Hotel apa yang cocok untuk keluarga?" dengan daftar saran, alih-alih menulis kelanjutan kalimat yang tidak diminta.

Posisi LLM di antara istilah AI lain bisa digambarkan sebagai lingkaran bertingkat. AI adalah bidang yang paling luas. Machine learning adalah cara membuat sistem belajar dari data. Deep learning adalah bagian machine learning yang memakai jaringan saraf berlapis, dan LLM adalah model deep learning yang dikhususkan untuk bahasa. Sebagian besar LLM saat ini memakai arsitektur bernama Transformer, yang menimbang hubungan antarbagian kalimat untuk memahami konteks.

Cara LLM menyusun jawaban dari token ke token

LLM menyusun jawaban sedikit demi sedikit, dengan memperkirakan potongan teks berikutnya berdasarkan semua teks yang sudah ada di depannya. Prosesnya bisa diikuti dalam tiga tahap.

Teks dipecah menjadi token

Model tidak membaca huruf atau kalimat seperti manusia. Teks lebih dulu dipecah menjadi token, yaitu satuan kecil yang bisa berupa satu kata utuh, potongan kata, atau bahkan satu karakter. Kalimat "Hotel mana yang cocok untuk keluarga?" mungkin dipecah menjadi enam token, mungkin juga lebih, tergantung tokenizer yang dipakai model. Karena itu jumlah token tidak sama dengan jumlah kata, dan kata berbahasa Indonesia sering terpecah menjadi beberapa token.

Model memproses seluruh konteks

Setiap token diubah menjadi angka, lalu model menghitung seberapa besar pengaruh token lain terhadap makna token tersebut. Mekanisme ini disebut self-attention. Kata "cocok" dalam kalimat tadi, misalnya, ditimbang bersama "hotel" dan "keluarga", sehingga model menangkap bahwa yang dicari adalah hotel yang sesuai untuk keluarga.

Jawaban ditulis bertahap

Setelah memproses konteks, model menghitung kemungkinan untuk token berikutnya, memilih satu, menambahkannya ke teks, lalu mengulang proses yang sama. Google menyebut LLM pada dasarnya sebagai mekanisme pelengkapan otomatis yang bisa melengkapi ribuan token secara berurutan. Jawaban panjang yang terlihat utuh di layar sebenarnya dibangun dari ratusan perhitungan kecil semacam ini.

Proses ini juga menjelaskan satu hal yang sering disalahpahami. Model tidak mengambil jawaban jadi dari sebuah database yang berisi kalimat-kalimat lengkap. Ia menyusun jawaban baru setiap kali, berdasarkan pola yang ia pelajari dan konteks yang sedang tersedia.

Karena setiap langkah berupa pilihan di antara beberapa kemungkinan, pertanyaan yang sama bisa menghasilkan jawaban yang sedikit berbeda jika diajukan dua kali. Contoh di materi Google memperlihatkan model memberi peluang hampir setara untuk dua kalimat lanjutan yang maknanya mirip. Bagi tim marketing, ini berarti satu tangkapan layar jawaban AI tidak cukup untuk menyimpulkan posisi brand.

Perbedaan training, inference, dan pencarian web

Training, inference, dan pencarian web adalah tiga proses berbeda, dan memahami perbedaannya adalah cara paling cepat untuk mengerti kenapa sebuah brand muncul atau tidak muncul di jawaban AI.

Training adalah proses ketika model belajar dari kumpulan teks besar. Selama tahap ini, nilai parameter model terus disesuaikan sampai model pandai memprediksi teks. Hasil training bersifat tetap sampai model dilatih ulang atau diperbarui oleh pengembangnya, jadi informasi yang terbit setelah data latih dikumpulkan tidak ada di dalam "ingatan" model tersebut.

Batas waktu itu sering disebut knowledge cutoff. Kalau brand Anda meluncurkan produk baru atau mengganti harga setelah tanggal tersebut, model tanpa akses pencarian web tidak akan mengetahuinya, sebagus apa pun halaman yang sudah Anda terbitkan.

Inference adalah saat model dipakai untuk menjawab. Pada tahap ini model tidak belajar hal baru secara permanen. Ia hanya memakai apa yang sudah dipelajari, ditambah teks yang diberikan di dalam percakapan.

Pencarian web adalah fitur produk yang berada di luar model. Saat fitur ini aktif, produk mengambil halaman yang relevan dari web, lalu memberikannya ke model sebagai konteks tambahan sebelum jawaban disusun. Pola umum ini disebut retrieval-augmented generation atau RAG, dan penjelasan RAG dari AWS menekankan bahwa cara ini menambahkan informasi terbaru tanpa perlu melatih ulang model. OpenAI menjelaskan bahwa ChatGPT memutuskan sendiri kapan perlu mencari di web berdasarkan pertanyaan pengguna, dan pengguna juga bisa memintanya secara manual.

Konsekuensinya bagi brand cukup jelas. Halaman yang Anda terbitkan hari ini tidak langsung mengubah isi model ChatGPT. Halaman itu baru bisa memengaruhi jawaban lewat jalur pencarian, yaitu ketika produk mengambilnya sebagai sumber, atau lewat training berikutnya yang waktunya ditentukan sepenuhnya oleh pengembang model.

Apakah ChatGPT sama dengan LLM?

ChatGPT bukan sebuah LLM. ChatGPT adalah produk yang memakai satu atau beberapa LLM, lalu menambahkan antarmuka percakapan, riwayat chat, pencarian web, dan berbagai alat lain di atasnya. Perbedaan ini penting karena kemampuan yang terlihat oleh pengguna sering berasal dari produk, tidak dari modelnya.

Lapisan	Yang dimaksud	Contoh	Dari mana informasinya
Model (LLM)	Mesin yang menghasilkan teks dari pola yang dipelajari	Model GPT, Gemini, Claude	Data latih, ditambah konteks yang diberikan
Aplikasi chatbot	Produk percakapan yang dibangun di atas model	ChatGPT, Gemini app, Claude.ai	Model, instruksi sistem, riwayat percakapan, dan alat yang aktif
Pengalaman AI search	Jawaban yang disusun dari hasil pencarian web dan menampilkan sumber	ChatGPT search, Perplexity, Google AI Overviews dan AI Mode	Halaman web yang diambil saat itu, dirangkum oleh model

Perplexity adalah contoh yang jelas. Perplexity menggambarkan dirinya sebagai answer engine yang meriset web secara real-time, menampilkan sitasi di dalam jawaban, dan menjalankan beberapa model AI sekaligus. Di Google, dokumentasi fitur AI Search menyebut AI Overviews dan AI Mode menampilkan tautan ke situs pendukung, dan keduanya bisa menjalankan beberapa pencarian terkait sekaligus untuk menyusun satu jawaban. Ketiganya memakai LLM, tetapi jalur informasinya berbeda.

Produk juga bisa berganti model tanpa banyak pemberitahuan kepada pengguna, dan satu produk bisa menawarkan beberapa mode sekaligus, misalnya mode cepat, mode berpikir lebih lama, atau mode riset. Ketika Anda mencatat jawaban AI tentang kategori Anda, nama produk saja belum cukup. Catat juga mode yang dipakai, apakah pencarian web aktif, dan tanggal pengecekannya, supaya perbandingan dari bulan ke bulan tetap adil.

Kapan jawaban LLM perlu dicurigai

Jawaban LLM perlu diperiksa setiap kali isinya akan dipakai sebagai dasar keputusan, karena model bisa menyusun kalimat yang lancar dan meyakinkan tetapi keliru. Google mencatat bahwa LLM bisa berhalusinasi, artinya prediksinya sering mengandung kesalahan, dan model juga bisa membawa bias dari data latihnya.

Kesalahan biasanya datang dari empat sumber. Model bisa mengisi celah informasi dengan tebakan yang terdengar masuk akal. Informasinya bisa sudah usang karena data latih dikumpulkan sebelum perubahan terjadi. Konteks yang diberikan bisa kurang, misalnya ketika pertanyaan tidak menyebut lokasi atau rentang waktu. Ada juga kemungkinan model salah menafsirkan sumber yang ia ambil, sehingga kalimat di jawaban tidak persis sama dengan isi halaman yang dikutip.

Pemeriksaan sederhana berikut cukup untuk sebagian besar kebutuhan marketing.

1. Tandai klaim yang spesifik, seperti angka, nama produk, harga, atau tanggal.
2. Buka sumber yang disebutkan, dan jangan berhenti pada judul tautannya.
3. Cek tanggal terbit atau pembaruan sumber tersebut.
4. Pastikan sumber itu benar-benar menyatakan hal yang ditulis di jawaban, dengan konteks yang sama.

Gaya bahasa yang yakin tidak bisa dijadikan tanda bahwa jawaban itu benar. Model menulis dengan nada yang sama meyakinkannya, baik ketika informasinya tepat maupun ketika keliru.

Risiko ini juga berlaku untuk informasi tentang brand Anda sendiri. Asisten AI bisa menyebut harga lama, fasilitas yang sudah tidak ada, atau cabang yang sudah tutup. Kalau jawabannya mengutip sumber, langkah pertamanya adalah memeriksa halaman yang dikutip itu. Sering kali kesalahannya berasal dari halaman pihak ketiga yang belum diperbarui, atau dari halaman resmi Anda sendiri yang memuat informasi berbeda-beda di tempat yang berbeda.

Dua jalur brand masuk ke jawaban AI

Brand bisa muncul di jawaban AI lewat dua jalur yang disederhanakan, yaitu pengetahuan yang dipelajari model saat training dan informasi yang diberikan ke model saat percakapan berlangsung, termasuk halaman yang diambil lewat pencarian web.

Jalur pertama terbentuk dari seberapa sering dan seberapa konsisten brand Anda dibicarakan di teks yang masuk ke data latih. Brand yang lama dikenal dan dibahas dengan cara yang seragam lebih mudah "diingat" model. Jalur kedua lebih dinamis. Saat produk mencari di web, halaman yang relevan, mudah dibaca, dan bisa diakses crawler punya peluang diambil sebagai sumber. OpenAI, misalnya, memisahkan dua crawler. OAI-SearchBot dipakai untuk menampilkan situs di fitur pencarian ChatGPT, sedangkan GPTBot dipakai untuk mengumpulkan konten yang mungkin digunakan dalam training model. Pengaturan keduanya di robots.txt berdiri sendiri.

Saat membaca jawaban AI, ada tiga hal yang sebaiknya dibedakan. Brand mention berarti nama brand disebut. Rekomendasi berarti brand disarankan sebagai pilihan untuk kebutuhan pengguna. Citation berarti halaman tertentu ditautkan sebagai sumber, dan halaman itu bisa milik brand sendiri atau milik pihak lain yang membahas brand tersebut.

Contoh hipotetis berikut menunjukkan perbedaannya. Seorang ibu di Surabaya bertanya ke asisten AI, "Hotel mana di Yogyakarta yang cocok untuk liburan keluarga dengan anak kecil?" Jawabannya mungkin menyebut lima hotel, merekomendasikan dua di antaranya karena punya kolam anak dan kamar keluarga, lalu menautkan sebuah artikel portal wisata dan halaman sebuah situs pemesanan sebagai sumber. Dalam situasi ini, hotel ketiga sampai kelima hanya disebut, dua hotel pertama direkomendasikan, dan tidak satu pun website hotel yang dikutip. Tim marketing hotel pertama bisa saja senang karena brandnya direkomendasikan, padahal penjelasan tentang fasilitasnya datang dari halaman pihak lain yang tidak ia kendalikan.

Bagian yang bisa dikerjakan tim marketing

Tim marketing tidak bisa mengatur isi model, tetapi bisa memperbaiki informasi yang tersedia untuk model dan produk AI. Pekerjaannya terbagi ke empat bidang, dan keempatnya meningkatkan peluang tanpa menjamin brand akan disebut.

Informasi publik yang akurat menjadi bidang pertama. Nama brand, deskripsi, produk, harga, lokasi, dan jam operasional perlu sama di website, profil bisnis, dan direktori. Informasi yang saling bertentangan memaksa sistem memilih salah satu, dan pilihannya belum tentu yang benar.

Bidang kedua adalah konten pihak pertama yang berguna. Halaman yang menjawab pertanyaan nyata calon pembeli secara langsung, lengkap dengan detail yang bisa diperiksa, lebih layak diambil sebagai sumber daripada halaman yang hanya berisi slogan. Panduan Google tentang fitur generative AI di Search menekankan konten yang orisinal dan membantu, dan menyatakan bahwa praktik SEO dasar tetap berlaku. Kerangka kerjanya kami jelaskan di panduan optimasi visibilitas brand di jawaban AI, dan perbedaan pekerjaannya dengan SEO biasa ada di artikel beda SEO, GEO, dan AEO.

Akses teknis adalah bidang ketiga. Halaman yang diblokir di robots.txt, atau isinya baru muncul setelah JavaScript dijalankan, sulit diambil oleh crawler AI. Cara memeriksanya ada di artikel mengecek apakah AI crawler bisa membaca halaman Anda.

Di bidang teknis ini juga beredar banyak saran yang belum tentu perlu. Untuk Google Search, panduan yang sama menyatakan bahwa markup khusus untuk AI dan pemecahan konten menjadi potongan kecil tidak diperlukan agar halaman tampil di fitur AI. Halaman yang bisa diindeks dan memenuhi syarat tampil dengan snippet sudah memenuhi syarat teknisnya, sehingga energi tim lebih baik dipakai untuk isi dan akurasi halaman.

Bidang terakhir menyangkut liputan dari pihak luar yang kredibel. Ulasan independen, liputan media, dan pembahasan di komunitas yang relevan membentuk cara brand Anda dibicarakan, dan sumber seperti itu bisa muncul sebagai citation di jawaban AI, seperti pada contoh hotel di atas. Hubungan antara keempat bidang ini dan pekerjaan SEO sehari-hari dibahas di artikel tentang hubungan AI dan pekerjaan SEO.

Mengukur posisi brand Anda hari ini

Langkah pertama yang paling berguna adalah melihat apa yang sudah muncul sekarang, sebelum mengubah apa pun. Latihan kecil berikut bisa dikerjakan tim marketing dalam satu sore.

1. Pilih satu kategori produk yang paling penting bagi bisnis Anda.
2. Tulis 10 sampai 20 pertanyaan yang benar-benar diajukan calon pembeli, tanpa menyebut nama brand Anda.
3. Ajukan pertanyaan yang sama ke beberapa asisten, misalnya ChatGPT, Gemini, dan Perplexity, lalu catat produk dan mode yang dipakai, termasuk apakah pencarian web aktif.
4. Untuk setiap jawaban, catat brand yang disebut, brand yang direkomendasikan, dan halaman yang dikutip sebagai sumber.
5. Ulangi dengan pertanyaan dan pengaturan yang sama beberapa minggu kemudian.

Hasil latihan ini adalah gambaran awal, belum ukuran visibilitas untuk seluruh pasar. Jawaban AI berubah dari waktu ke waktu dan dari satu pengguna ke pengguna lain, jadi satu kali pengecekan hanya menunjukkan potret sesaat. Cara mengubahnya menjadi metrik yang bisa dipantau berkala, seperti porsi jawaban yang menyebut brand Anda dibanding kompetitor, kami bahas di artikel pangsa pasar yang diukur dari pangsa jawaban, dan pemantauannya bisa dijalankan otomatis lewat Visibility Dashboard.

Kalau Anda ingin tahu apakah brand Anda sudah muncul ketika calon pembeli bertanya ke AI, tim AI Search bisa menjalankan pengecekan itu untuk kategori Anda lewat AI Visibility Audit gratis, lengkap dengan sumber yang membentuk jawabannya.