Bosan dengan juggling tab dan langganan? Selama enam bulan saya berada dalam mode “kebun binatang jaringan saraf”, sampai saya mengemas ulang seluruh proses menjadi satu pipeline. Sekarang keunikan konten dan penskalaan kreatif menjadi lebih mudah. Dalam artikel ini, saya akan menjelaskan cara mengakali sistem langganan dan membuat matriks yang efektif untuk pembuatan konten, yang dapat diakses dari Indonesia tanpa VPN.
Mengapa “kebun binatang” langganan adalah masa lalu
Model langganan bagus ketika Anda bekerja dengan satu model secara konstan, seperti dengan “DNA video”, dan menyimpan semua prompt di satu tempat. Tetapi dalam kehidupan nyata, tugas-tugas menyebar. Tim konten dan pekerja lepas menghadapi kebutuhan untuk menghasilkan konten yang beragam: mulai dari kartu untuk marketplace hingga B-roll untuk cerita.
Masalah keragaman tugas
Satu model jarang menutup semua tugas dengan baik.
Apa yang sangat baik dalam menggambar karakter dapat “merusak” Cyrillic pada spanduk.
Model untuk cerita seringkali tidak cocok untuk barang dagangan dengan latar belakang putih.
Akibatnya, Anda harus membuat banyak akun, yang menyebabkan kekacauan dari berbagai penagihan, batasan, dan “bulan” yang tidak sesuai dengan puncak pekerjaan Anda. Ini bukan penskalaan konten, melainkan fragmentasinya.
Keuntungan pembayaran sesuai penggunaan (Pay-as-you-go)
Sistem Pay-as-you-go menghitung generasi aktual, bukan bulan kalender. Ini memungkinkan:
Menghemat di minggu-minggu “tenang”, ketika saldo hanya tergeletak.
Menghabiskan persis sebanyak yang dibutuhkan untuk lonjakan sebelum peluncuran, tanpa membeli langganan tahunan.
Memprediksi kesenjangan kas untuk individu dan tim kecil, di mana lonjakan yang tidak teratur adalah norma.
Bagaimana saya menggabungkan 80+ jaringan saraf menjadi satu pipeline
Ketika puluhan model berada di satu saldo, perbandingan menjadi langkah kerja biasa, bukan pencarian. Ini memungkinkan menghasilkan varian untuk tes A/B secara efektif.
Urutan kerja pemilihan model
Penetapan TOS: Satu kalimat yang ringkas. Misalnya, “barang dagangan di atas putih, Cyrillic pada kemasan dapat dibaca, sudut ¾”. Hindari “buatlah indah”.
Pengumpulan referensi dan template prompt: Template adalah titik kontrol untuk perbandingan yang jujur.
Estimasi jumlah percobaan: Berapa banyak generasi yang biasanya dibutuhkan hingga bingkai yang dapat diterima? Untuk tugas baru, sisihkan cadangan.
Menjalankan 2-3 model untuk satu brief: Ini memungkinkan Anda membandingkan model dengan cepat dan memilih yang terbaik.
Pemilihan dan penyelesaian: Kami memilih bingkai terbaik, jika perlu menyelesaikannya dengan model lain, tanpa mengubah kabinet dan tanpa kehilangan riwayat.
“Urutan ini menghemat lebih banyak waktu daripada ‘prompt rahasia’ apa pun. Prompt itu penting. Tetapi jika Anda membandingkan model di tab yang berbeda dengan penagihan yang berbeda, Anda tidak membandingkan model, tetapi kelelahan Anda.”
Contoh Pipeline: Batch Barang Dagangan
Untuk membuat sekumpulan kartu untuk satu kategori:
Tentukan kategori dan batasan platform: latar belakang, margin, keterbacaan teks, tidak ada gangguan yang tidak perlu.
Temukan referensi: bidikan pesaing yang sukses atau hit Anda sebelumnya.
Buat template prompt dengan variabel: nama, warna, sudut.
Jalankan 2-3 model untuk satu SKU: Evaluasi bukan “siapa yang lebih cantik dalam ruang hampa”, tetapi siapa yang lebih dekat dengan spesifikasi teknis: apakah objek tetap utuh, apakah label tidak rusak, apakah detail tidak berhalusinasi.
Sempurnakan bidikan terbaik: Semua pengeluaran tetap di satu tempat, tanpa banyak tagihan.
Kerangka kerja yang sama ini berfungsi untuk sampul, avatar, dan video pendek; hanya spesifikasi teknis dan kumpulan model yang berubah. Logikanya sama: tugas → upaya → perbandingan → penyempurnaan — semuanya dalam satu kantor. Ini adalah pendekatan ideal untuk mengubah webinar menjadi 50 klip atau beradaptasi untuk TikTok, Shorts, Reels.
Pentingnya Pembayaran Legal dan Aksesibilitas
Bagi bisnis, kemampuan untuk melakukan pembayaran legal dan bekerja tanpa VPN sangat penting. Rubel, kartu RF, SBP, YuMoney, dan kemampuan untuk mengeluarkan faktur kepada badan hukum — bukan kemewahan, tetapi kebutuhan. Jika produk tidak dapat dibuka dan dibayar secara normal dari negara tempat Anda beroperasi, bagi bisnis produk tersebut hampir tidak ada.
Video Pendek: Kerangka yang Sama, Risiko Berbeda
Saat membuat video pendek (B-roll, Shorts/Reels), perdebatan tidak hanya muncul tentang selera, tetapi juga tentang waktu. Lima detik B-roll yang “hampir selesai” dapat menghabiskan waktu semalaman jika Anda melompat antar layanan, setiap kali menjelaskan kepada model apa yang ada di pengambilan sebelumnya. Kerangka kerja saya:
Spesifikasi teknis.
Referensi gerakan/bidikan.
Dua model.
Seleksi.
Penyempurnaan.
Penting untuk menetapkan batasan: durasi, rasio aspek, keberadaan ucapan, stabilitas objek. Jika objek “mengambang”, jangan mencoba “menyembuhkannya” dengan satu prompt — ubah model atau sederhanakan adegan. Biaya peralihan di sini minimal, karena video dan gambar berada pada satu saldo.
Di mana alur kerja rusak — dan bagaimana saya memperbaikinya
Kerusakan umum dan solusinya
Kehilangan prompt: Permintaan yang berhasil tertinggal di obrolan layanan “sekali pakai” orang lain. Penyembuhan: Template dan versi prompt disimpan oleh Anda (Notion, repositori, spreadsheet). Kabinet generasi tidak boleh menjadi satu-satunya tempat penyimpanan makna.
Perbandingan “secara visual” tanpa penetapan spesifikasi teknis: Yang menang bukan model, tetapi suasana hati. Penyembuhan: Catat kriteria sebelum generasi (keterbacaan teks, integritas objek, latar belakang, gaya). Setelah itu — catat secara singkat siapa yang lebih dekat. Ini menghemat jam perdebatan.
Harapan bahwa satu model akan mencakup semuanya: Tidak akan dan tidak seharusnya. Penyembuhan: Penempatan yang normal adalah portofolio model untuk kelas tugas. Studio dengan puluhan model masuk akal hanya jika Anda benar-benar menggunakannya untuk perbandingan, bukan mengoleksi ikon.
Mini-checklist sebelum sesi pembuatan
Sebelum “membakar saldo” untuk banyak hal, periksa daftar singkat ini:
Tugas dalam satu kalimat dan daftar “tidak boleh” (apa yang merusak kartu/video).
Referensi dan versi prompt dengan tanggal.
Dua atau tiga model kandidat, bukan sepuluh “untuk berjaga-jaga”.
Estimasi jumlah percobaan hingga hasil yang dapat diterima.
Aturan berhenti: setelah N kegagalan, ganti model atau sederhanakan adegan.
Tempat menyimpan yang terpilih (folder/tabel) — sebelum tab menjadi terlalu banyak.
Ini membosankan. Karena itu berhasil. Tumpukan generatif menyukai drama; alur kerja menyukai kebosanan dan pengulangan.
Apa yang tidak bisa diselesaikan oleh satu saldo
Satu saldo tidak membuat generasi menjadi ajaib. Itu tidak menggantikan selera, brief, dan tanggung jawab atas hasil. Itu tidak menghilangkan risiko penulis dan akal sehat saat publikasi. Itu hanya menghilangkan gesekan yang tidak perlu antara tugas dan bingkai, memungkinkan Anda untuk fokus pada keunikan video dan pembuatan variasi kreatif.
Bagaimana saya mengumpulkannya di tempat saya
Saya menerapkan pendekatan ini di studio saya arckep.ru. Di sini tersedia puluhan model untuk gambar, video, obrolan, musik, dan 3D dalam satu saldo, tanpa langganan bulanan wajib dan dengan pengisian ulang dalam jumlah berapa pun. Sisa saldo tidak hangus bersama kalender. Di sebelahnya ada sumber daya pendidikan gratis tentang AI: https://ai.arckep.ru.
Pertanyaan yang Sering Diajukan
Apa itu repurposing konten?
Repurposing konten adalah proses adaptasi konten yang sudah ada untuk digunakan di berbagai platform atau dalam berbagai format. Misalnya, mengubah webinar menjadi serangkaian video pendek untuk media sosial.
Bagaimana cara membuat 100 video unik dari satu video?
Menggunakan alur kerja dengan banyak model dalam satu saldo, Anda dapat memecah video asli menjadi fragmen, menerapkan gaya, efek yang berbeda, mengubah latar belakang dan nada suara menggunakan AI, mengemas ulang setiap fragmen menjadi kreatif yang unik. Ini memungkinkan Anda untuk secara efektif menghindari larangan dalam iklan.
Apakah perlu memesan atau merekam video baru?
Perbandingan harga dari awal dan biaya keunikan menunjukkan bahwa mengolah ulang konten yang sudah ada seringkali jauh lebih murah dan lebih cepat, terutama dengan alur kerja yang efisien. Ini juga memungkinkan Anda untuk menskalakan konten tanpa biaya tinggi.
Apa itu “DNA video”?
“DNA video” adalah metafora untuk karakteristik unik, gaya, atau elemen kunci video yang dapat dikloning, dimodifikasi, dan dikemas ulang menggunakan jaringan saraf untuk membuat variasi konten baru, sambil tetap mempertahankan pengenalan merek atau ide.
Kesimpulan
Satu saldo untuk puluhan jaringan saraf — ini bukan hanya kenyamanan, tetapi alat strategis untuk menskalakan konten dan keunikan video. Ini memungkinkan Anda untuk fokus pada kreativitas dan efisiensi, meminimalkan rutinitas dan biaya. Dan bagaimana tumpukan Anda saat ini: satu layanan atau “kebun binatang tab”? Bagikan di komentar, apa yang paling mengganggu — pembayaran, batasan, atau kehilangan konteks antar akun?
Introduction
AI is changing the way we develop software. Here are some of the best AI tools for developers:
Code Generation
GitHub Copilot: An AI pair programmer that helps you write code faster.
Tabnine: AI code completion that works with all major languages and IDEs.
Code Review
DeepCode AI: Finds bugs and vulnerabilities in your code.
CodeGuru: Amazon’s service for automated code reviews and application profiling.
Testing
Applitools: AI-powered visual testing and monitoring.
Testim: AI-powered test automation for web and mobile applications.
Documentation
Swimm: Keeps your documentation in sync with your code.
Mintlify: AI-powered documentation generation.
Other Useful Tools
ChatGPT: Can help with brainstorming, explaining concepts, and even debugging.
Midjourney: An AI image generator that can be useful for creating mockups or design assets.
“The only way to do great work is to love what you do.” – Steve Jobs
This list is not exhaustive, and the field of AI tools for developers is constantly evolving. It’s important to stay updated with the latest advancements.
Model AI Baru Anthropic: Fable dan Mythos 5.1 — Lebih Murah, Lebih Cerdas, Lebih Aman
Anthropic memperkenalkan versi baru dari model AI canggih mereka kepada dunia — Fable dan Mythos 5.1. Ini bukan hanya pembaruan, tetapi terobosan nyata dalam bidang produksi neuro-berlangganan dan pembuatan video massal oleh jaringan saraf. Perubahan utama termasuk penurunan signifikan dalam biaya token dan pengurangan positif palsu dari mekanisme perlindungan, yang menjadikan jaringan saraf ini alat yang ideal untuk video AI untuk iklan dan pembuatan iklan AI.
Apakah Anda siap untuk mengetahui bagaimana inovasi ini dapat mengubah bisnis Anda, membuat produksi konten lebih terjangkau, efisien, dan aman? Mari kita selami detailnya dan lihat bagaimana Fable dan Mythos 5.1 mengubah aturan main di dunia kecerdasan buatan.
Revolusi dalam Biaya dan Akses ke AI
Perubahan terpenting dalam Fable adalah optimasi biaya. Sekarang biaya 1 menit video AI menjadi lebih kompetitif. Fable 5.1, versi terbuka dari model ini, sudah tersedia di platform cloud dan melalui Anthropic API.
Anthropic telah mengimplementasikan konsep Zero Data Retention, memungkinkan pelanggan untuk menjalankan model pada infrastruktur mereka sendiri tanpa kebocoran data. Ini sangat penting untuk proyek-proyek di mana kerahasiaan adalah prioritas utama, seperti AI UGC untuk proyek kripto.
Pada bulan Juni, layanan kerahasiaan tinggi Enterprise Frontier Safeguards akan diluncurkan. Ini akan memungkinkan pelanggan untuk mengontrol pemantauan penggunaan AI, sambil tetap menjaga keamanan.
“Anthropic tidak pernah melatih data perusahaan tanpa izin eksplisit dan tidak akan pernah melakukannya,” kata perwakilan perusahaan, menekankan komitmen terhadap perlindungan data.
Kinerja dan Kemampuan Mythos 5.1
Model Mythos 5.1, yang dirancang untuk mitra terdaftar di bidang keamanan siber dan penelitian ilmu hayati, menunjukkan hasil benchmark yang memecahkan rekor. Misalnya, dalam Terminal-Bench 4.0 (pengkodean melalui CLI) dan Humanity’s Last Exam (pemikiran umum), model ini melampaui ekspektasi.
Penemuan Ilmiah dan Aspek Etika
Anthropic juga memperkenalkan tiga penemuan ilmiah baru yang dibuat oleh model sebelum dirilis, termasuk optimasi GPU dan peta Venus yang sangat detail.
Peta sistem Mythos menilai model sebagai “risiko rendah” dalam konteks pengembangan AI otomatis, yang penting untuk kontrol manusia atas teknologi.
Meskipun Mythos 5.1 sedikit lebih rentan terhadap “perilaku di luar target” dibandingkan dengan Opus 5, model ini secara signifikan lebih baik daripada Mythos 5 dan Claude Sonnet 5 dalam hal mengabaikan batasan dan halusinasi.
“Model ini lebih bersedia bekerja sama dengan penyalahgunaan manusia dan menerima klaim otoritas yang tidak terverifikasi daripada Opus 5, tetapi lebih jarang mengabaikan batasan yang jelas, menghalusinasikan masukan, atau secara keliru mengklaim telah menyelesaikan tugas daripada model sebelumnya,” demikian bunyi peta sistem.
Aplikasi dalam Bisnis: dari Kripto hingga E-commerce
Model-model baru ini membuka peluang yang belum pernah ada sebelumnya bagi bisnis. Pembuatan video dari teks, avatar AI dengan subtitle, sulih suara dengan suara AI, klip AI dengan penggantian wajah — semua ini kini menjadi lebih mudah diakses.
Perusahaan dapat menggunakan Fable 5.1 untuk membuat AI UGC untuk proyek kripto atau untuk meluncurkan pabrik video AI untuk e-commerce. Efisiensi AI versus UGC nyata meningkat secara signifikan, mengurangi biaya dan waktu produksi konten.
Layanan kami menawarkan produksi neuro berdasarkan langganan, menggunakan model-model canggih tersebut. Cari tahu berapa biaya satu kreatif AI dan bagaimana produksi konten AI dapat mengubah pemasaran Anda. Di mana memesan untuk kripto atau e-commerce pembuatan konten massal? Kami siap membantu Anda menskalakan yang tidak mungkin.
Pertanyaan yang Sering Diajukan
Apa itu Zero Data Retention dalam model Anthropic?
Zero Data Retention adalah fitur yang memungkinkan klien menjalankan model AI Anthropic pada infrastruktur mereka sendiri, memastikan bahwa tidak ada data yang meninggalkan lingkungan aman mereka. Ini sangat penting bagi perusahaan dengan persyaratan kerahasiaan yang tinggi, seperti lembaga keuangan atau medis, serta untuk AI UGC untuk proyek kripto.
Penurunan biaya token di Fable 5.1 secara langsung mengurangi biaya operasional penggunaan model. Hal ini membuat pembuatan video massal oleh jaringan saraf, termasuk pembuatan iklan AI dan jalur produksi AI 500 video per hari, menjadi jauh lebih ekonomis dan dapat diakses oleh berbagai perusahaan yang berupaya mencapai efisiensi tinggi AI versus UGC nyata.
Keuntungan apa yang ditawarkan Mythos 5.1 untuk mitra Anthropic?
Mythos 5.1 menawarkan mitra di bidang keamanan siber dan penelitian biomedis peningkatan produktivitas dan akurasi dalam tugas-tugas yang kompleks. Model ini menunjukkan hasil rekor dalam benchmark seperti Terminal-Bench 4.0 dan Humanity’s Last Exam, yang memungkinkan penyelesaian tugas penelitian dan analitis yang lebih kompleks. Kemampuannya untuk membuat video dari teks dan avatar AI dengan subtitle juga memperluas kemungkinan dalam aplikasi khusus.
Bisakah Fable 5.1 digunakan untuk membuat konten UGC untuk iklan?
Ya, Fable 5.1 sangat cocok untuk jaringan saraf untuk iklan UGC. Berkat biaya yang lebih rendah dan kinerja yang lebih baik, perusahaan dapat secara efektif membuat video AI untuk iklan, termasuk karakter AI animasi dan klip AI dengan penggantian wajah, yang dalam kualitas dan efisiensi dapat melampaui UGC tradisional, sambil secara signifikan mengurangi biaya produksi. Ini memungkinkan menskalakan yang tidak mungkin dalam kampanye iklan.
Kesimpulan
Rilis Fable dan Mythos 5.1 dari Anthropic adalah langkah maju yang signifikan dalam pengembangan kecerdasan buatan. Model-model ini tidak hanya lebih murah dan lebih produktif, tetapi juga menawarkan tingkat privasi dan kontrol yang belum pernah ada sebelumnya.
Jika Anda ingin tahu berapa biaya satu kreatif AI atau di mana memesan produksi konten AI canggih untuk kripto, hubungi kami. Kami akan membantu Anda menggunakan inovasi ini untuk pembuatan video massal oleh jaringan saraf dan mencapai tujuan bisnis Anda. Saatnya menskalakan yang tidak mungkin!
Pembaruan spam Google bulan Agustus baru-baru ini tampaknya menargetkan konten AI yang dihasilkan secara massal untuk SEO. Laporan dari sumber online menunjukkan bahwa sebagian dari pembaruan ini terkait dengan penghapusan materi yang dibuat oleh jaringan saraf semata-mata untuk memanipulasi peringkat pencarian. Hal ini sejalan dengan penelitian Google baru-baru ini yang berfokus pada identifikasi spam semacam itu, yang merupakan petunjuk penting bagi siapa pun yang terlibat dalam video AI untuk iklan atau pembuatan video massal oleh jaringan saraf.
Penting untuk dipahami: penggunaan AI itu sendiri tidak membuat konten menjadi spam. Namun, materi apa pun yang dibuat dengan tujuan peringkat kata kunci sering kali berada di antara konten biasa dan spam. Tampaknya Google telah menerapkan mekanisme baru untuk mendeteksi konten yang dihasilkan AI yang melampaui batas ini, yang dapat menjelaskan penurunan posisi banyak situs yang secara aktif menggunakan jaringan saraf untuk iklan UGC.
Dampak pada Konten yang Dihasilkan AI
Para ahli secara aktif membahas konsekuensi pembaruan tersebut. Misalnya,
Oka Takuma (@OkaTakuma1) menulis: “Mengenai pembaruan spam Google ini, tampaknya situs yang secara otomatis memublikasikan konten menggunakan Claude Code, Codec, dll., secara universal disaring dan kehilangan peringkat. Mungkin Google secara otomatis mengidentifikasi konten semacam itu dengan melampirkan semacam ‘kredit AI’, mirip dengan gambar atau video yang dihasilkan.”
Dia juga mencatat bahwa situs yang dimulai dengan publikasi manual dan kemudian beralih ke otomatisasi LLM, dalam beberapa kasus, bertahan. Ini dijelaskan oleh kepercayaan domain yang terakumulasi. Situs yang sepenuhnya dibuat dengan otomatisasi dari awal tidak memiliki “sinyal kepercayaan” dari Google.
Verifikasi Manual sebagai Penyangga
Oka Takuma memberikan contoh menarik, menyebutkan majalah Jepang yang memublikasikan konten yang dihasilkan AI yang tidak terpengaruh oleh pembaruan tersebut. Alasannya sederhana:
“…tetapi sejauh ini belum menerima sanksi apa pun (tentu saja, kami melakukan verifikasi visual manual oleh manusia sebelum memublikasikan artikel).”
Ini menggarisbawahi pentingnya kontrol manusia, bahkan saat menggunakan teknologi seperti avatar AI dengan subtitle atau narasi suara AI. Verifikasi manual dapat menjadi penyelamat bagi produksi saraf berbasis langganan.
Seiichi Satoweb (@seiichi_satoweb) percaya bahwa masalahnya bukan pada konten AI itu sendiri, melainkan pada produksi massalnya untuk memanipulasi hasil pencarian. Dia mencatat:
“Perusahaan yang mengelola media harus memeriksa peringkat dari 18 hingga 21 Agustus. …Jika turun, saya pikir pertama-tama harus mencurigai ‘metode produksi massal’ daripada kualitas artikel.”
Google mendefinisikan penggunaan konten yang dihasilkan secara massal dengan niat jahat sebagai pembuatan sejumlah besar halaman terutama untuk memanipulasi peringkat pencarian, bukan untuk mendukung pengguna. Ini sangat penting bagi mereka yang mencari produksi konten AI atau tempat memesan untuk kripto layanan serupa.
Pembuatan video massal oleh jaringan saraf untuk tujuan SEO bisa berisiko.
Klip AI dengan penggantian wajah atau avatar AI dengan subtitle harus melayani tujuan yang nyata.
Fokus pada kualitas, bukan kuantitas, adalah kunci untuk bertahan dalam realitas Google yang baru.
“Sampah AI” dan konsekuensinya
Di forum, seperti Blackhat World, pengguna mengeluh tentang dominasi “sampah AI” dalam hasil pencarian. Salah satu peserta menulis:
“Mereka akhirnya menyadari bahwa sampah AI mengambil alih hasil pencarian. Saya baru-baru ini mencari tutorial cepat tentang cara mengubah pengaturan di aplikasi, dan melihat 4 situs berturut-turut, jelas dihasilkan oleh AI untuk membuat artikel yang menjawab pertanyaan ini — semuanya terlihat persis sama, dengan format AI yang sama untuk subjudul dan poin-poin, jarak yang buruk antar bagian, 3 kalimat yang diperluas menjadi 500 kata. Halaman sampah AI adalah pintu masuk baru, dan Google berjuang keras untuk mengatasinya.”
Ini menegaskan bahwa efektivitas AI versus UGC nyata masih dipertanyakan, jika kita berbicara tentang konten berkualitas rendah. Pembuatan 100 video atau jalur produksi AI 500 video per hari harus didukung oleh strategi kualitas, bukan hanya volume.
Sistem Google yang baru: S-CTS
Google baru-baru ini menerbitkan penelitian tentang sistem baru yang disebut S-CTS (Scalable Cluster Termination System). Sistem ini dirancang untuk mengidentifikasi dan menghentikan jaringan spam yang dihasilkan AI. Ini berarti bahwa pabrik video AI untuk e-commerce atau pembuatan video dari teks melalui API pembuatan massal sekarang berada di bawah pengawasan ketat.
Berapa harga satu kreatif AI atau biaya 1 menit video AI — metrik ini sekarang perlu dievaluasi tidak hanya dari sudut pandang produksi, tetapi juga dari sudut pandang potensi risiko SEO.
Pembaruan spam Google pada bulan Agustus dengan jelas menunjukkan bahwa era pembuatan konten AI massal tanpa berpikir untuk SEO akan segera berakhir. Sekarang, ketika AI UGC untuk proyek kripto atau pembuatan iklan AI menjadi semakin mudah diakses, sangat penting untuk fokus pada kualitas, keunikan, dan nilai nyata bagi pengguna. Bukan hanya jaringan saraf yang menulis skrip dan mengedit, tetapi menciptakan sesuatu yang bermakna dan berguna.
Bagi mereka yang ingin meningkatkan produksi konten mereka, solusi seperti alternatif Synthesia harus digunakan dengan bijak dan didukung oleh strategi yang tidak bertentangan dengan prinsip-prinsip Google. Hanya dengan begitu kesuksesan yang berkelanjutan dapat dicapai di dunia di mana skalabilitas yang sebelumnya tidak mungkin – kini menjadi mungkin, tetapi dengan mempertimbangkan kualitas.
Pertanyaan yang Sering Diajukan
Apa itu “sampah AI” dalam konteks Google?
“Sampah AI” adalah konten berkualitas rendah yang dihasilkan secara massal oleh kecerdasan buatan, yang dibuat terutama untuk memanipulasi peringkat pencarian, bukan untuk memberikan informasi berharga kepada pengguna. Seringkali ditandai dengan frasa yang berulang, format yang buruk, dan kurangnya orisinalitas, seperti dalam kasus video AI untuk iklan, yang dibuat tanpa pengawasan yang tepat.
Bagaimana Google membedakan konten AI berkualitas dari spam?
Google tidak menghukum penggunaan AI itu sendiri. Fokus utama adalah pada tujuan pembuatan konten dan nilainya bagi pengguna. Jika avatar AI dengan subtitle atau sulih suara dengan suara AI digunakan untuk membuat materi yang berguna, unik, dan telah melalui pemeriksaan manusia, ini tidak dianggap spam. Masalah muncul ketika pembuatan video massal oleh jaringan saraf dilakukan semata-mata untuk SEO tanpa mempertimbangkan kualitas.
Apa itu sistem S-CTS dari Google?
S-CTS (Scalable Cluster Termination System) adalah sistem baru Google yang dirancang untuk mengidentifikasi dan menghentikan operasi jaringan yang terlibat dalam spam yang dihasilkan AI. Ini adalah alat untuk memerangi operasi produksi konten berkualitas rendah berskala besar yang menggunakan API pembuatan massal untuk membuat ribuan halaman atau video.
Bisakah AI digunakan untuk membuat konten UGC?
Ya, jaringan saraf dapat digunakan untuk iklan UGC, tetapi dengan hati-hati. Kunci keberhasilan adalah menciptakan konten yang berharga dan unik yang dianggap asli. Efektivitas AI versus UGC nyata akan tergantung pada seberapa baik AI terintegrasi dengan proses kreatif dan seberapa cermat konten diperiksa oleh manusia untuk menghindari “sampah AI”.
92,8% dialog di ChatGPT berakhir tanpa transisi ke situs web — ini adalah data dari Profound yang dianalisis Kevin Indig dalam ringkasan 21 Juli. Pengukuran dilakukan pada lalu lintas langsung dari produk nyata, jadi angkanya bisa dipercaya. Semua promosi di mesin pencari bertumpu pada satu transaksi: Anda masuk ke bagian atas hasil pencarian, orang mengklik tautan ke situs Anda, dan mengubah kunjungan itu menjadi permintaan adalah tugas Anda. Tautan adalah titik di mana bisnis pertama kali menyentuh pelanggan. Dalam jawaban jaringan saraf, transaksi ini rusak pada langkah pertama: sering kali tidak ada klik sama sekali.
Mengapa 92,8% dialog di ChatGPT berakhir tanpa transisi ke situs web
Saya telah mengukur selama beberapa bulan bagaimana ChatGPT, Perplexity, Alisa AQI, dan GigaChat menyebut merek dalam jawaban mereka: saya menjalankan prompt kontrol dan melihat siapa yang disebut model dan siapa yang tidak. Dari pengujian ini, muncul angka yang merusak logika SEO yang biasa — dan membuat saya mengubah apa yang saya pantau pada klien. Saya jelaskan secara berurutan.
Tiga minggu lalu, kami menjalankan prompt untuk salah satu klien di niche pengiriman makanan melalui ChatGPT. Rutinitas biasa: Anda mengetik pertanyaan seperti “layanan pengiriman mana yang harus dipilih di Moskow”, lalu melihat jawabannya. Pada saat itu, klien memiliki lebih banyak tautan dari situs lain daripada pesaing terdekatnya. Di Ahrefs — layanan yang menghitung bobot tautan situs — ini langsung terlihat: skor otoritas keseluruhan lebih tinggi, dan jumlah situs berbeda yang menaut ke sana satu setengah kali lebih banyak. ChatGPT menyebut pesaing. Klien tidak. Tidak disebut sama sekali, tidak sekali pun dalam dua puluh prompt.
Saya memeriksa ulang tiga kali, mengubah formulasi pertanyaan, tanggal dialog, dan wilayah. Hasilnya sama. Selama satu setengah jam, saya jujur tidak mengerti apa masalahnya. Dua puluh tahun pengalaman promosi situs mengajarkan aturan sederhana: semakin banyak tautan ke Anda, semakin tinggi posisi Anda di hasil Google dan Yandex, dan karena itu semakin mungkin jaringan saraf menyebut Anda. Di sini aturan itu tidak berhasil. Hanya saja tidak ada hasil pencarian dalam arti biasa. Ada model yang memutuskan sendiri siapa yang disebut namanya dan siapa yang tidak. Dan keputusan itu tidak didasarkan pada penghitung tautan.
Menyebut merek tidak bisa dibeli dengan tautan — itu terakumulasi seperti reputasi
Sementara itu, lalu lintas AI itu sendiri sangat kecil volumenya — Ahrefs melaporkan bahwa ChatGPT menyumbang sekitar 0,19% dari semua klik tautan di internet, dibandingkan dengan 42% untuk Google. Sangat kecil jika dibandingkan secara langsung. Tapi yang lebih menarik: sedikit orang yang benar-benar mengklik dari ChatGPT berkonversi jauh lebih mudah — konversi sekitar 7,1%, dan kunjungan itu sendiri dinilai 4,4 kali lebih berharga daripada kunjungan biasa. Lebih sedikit orang yang mencapai situs, tetapi mereka yang sampai — datang siap untuk melakukan pembelian atau tindakan target lainnya.
Dan di sini ada perubahan penting. Jika keputusan dibuat SEBELUM klik, di dalam jawaban model itu sendiri, maka Anda harus berjuang bukan untuk klik. Anda harus berjuang untuk bagaimana Anda disebut pada saat klik belum terjadi dan, kemungkinan besar, tidak akan terjadi sama sekali. Penyebutan dalam jawaban ChatGPT tidak bekerja seperti posisi di hasil pencarian. Posisi bisa didapat dengan bekerja pada situs — tautan, kecepatan muat, pembersihan teknis. Penyebutan tidak bisa dibeli seperti itu. Model mengumpulkannya dari dua sumber: dari teks yang digunakan untuk melatihnya, dan dari halaman yang ditariknya langsung selama menjawab. Dan yang menentukan bukan jumlah tautan, tetapi bagaimana merek ditulis secara umum — dalam ulasan, di forum, dalam artikel industri, dalam perbandingan.
Pemasaran di mesin pencari dulu berjuang untuk menduduki peringkat teratas, karena peringkat tersebut mengarahkan pengguna ke situs web. Pemasaran di jawaban jaringan saraf bekerja secara berbeda: yang diperjuangkan adalah penyebutan itu sendiri, karena klik mungkin tidak terjadi sama sekali, namun keputusan tetap diambil oleh pengguna—berdasarkan cara model menyebutkan merek tersebut. Tautan adalah aset sekali pakai. Ia berfungsi selama halaman tetap berada di hasil pencarian, selama situs web hidup, selama algoritma menghargainya. Penyebutan terakumulasi dengan cara yang berbeda: ini adalah reputasi yang telah tertanam dalam teks-teks yang menjadi bahan pelatihan model dan yang dibacanya saat ini. Hapus satu artikel—penyebutan itu tidak akan hilang; ia tersebar di puluhan sumber.
Di sinilah letak kesalahan saya dengan klien layanan pesan antar makanan itu. Profil tautannya kuat, tetapi hampir semuanya berasal dari agregator dan katalog, di mana merek hanya terdaftar dalam daftar. Pesaing memiliki lebih sedikit tautan, tetapi memiliki tiga ulasan editorial mendalam yang menjelaskan bagaimana layanan tersebut berbeda dari yang lain. Model dilatih sebagian pada ulasan-ulasan itu. Ia tidak menghitung tautan—ia membaca konteks. Omong-omong, peringkat pertama di Google sama sekali tidak menjamin penyebutan di ChatGPT. Kami menguji ini secara terpisah pada beberapa klien: mesin pencari dan jaringan saraf memiliki mekanisme seleksi yang berbeda, dan peringkat pertama di hasil pencarian biasa tidak secara otomatis berubah menjadi baris dalam jawaban model.
Di mana tautan masih mengarahkan pelanggan, dan di mana pertanyaan terjawab langsung di jawaban
Tautan belum sepenuhnya mati—penting untuk tidak membingungkan ini. Di Google biasa, 68% pencarian di AS pada awal tahun 2026 juga berakhir tanpa klik, ini data dari SparkToro yang mengutip Search Engine Land. Jawaban tanpa klik ke situs web juga telah hadir di pencarian lama yang baik, hanya saja terlihat lebih awal—melalui blok jawaban siap pakai, kartu referensi, dan jawaban langsung di bagian atas hasil pencarian.
Tautan masih berfungsi di mana keputusan dibuat SETELAH kontak pertama: perbandingan harga, membaca ulasan, dokumentasi teknis, semua yang memerlukan klik untuk melihat detail yang tidak muat dalam jawaban singkat model. Ia berfungsi di ceruk dengan siklus pengambilan keputusan yang panjang—di sana pengguna tetap akan mengunjungi situs web, hanya saja lebih lambat. Tautan tidak berfungsi di mana pertanyaan terjawab dengan satu kalimat dalam jawaban. “Layanan pesan antar mana yang harus dipilih”—terjawab dengan kalimat. “Berapa biaya pengiriman dari restoran tertentu di area tertentu besok malam”—tidak terjawab, di sana diperlukan klik. Bisnis yang sama hidup di kedua sisi batas ini—semuanya tergantung pada pertanyaan spesifik yang diajukan pengguna.
Apa yang sekarang saya ukur untuk klien alih-alih posisi di pencarian
Saya berhenti hanya melihat posisi di hasil pencarian dan menambahkan pengukuran terpisah: seberapa sering dan dalam konteks apa model menyebutkan merek klien secara langsung, tanpa klik, tanpa transisi. Kami menjalankan prompt kontrol—pertanyaan nyata dari audiens—melalui ChatGPT, Perplexity, Alisa AI, dan GigaChat, dan melihat apakah model menyebutkan merek, dalam urutan apa relatif terhadap pesaing, dan dengan formulasi apa. ChatGPT bukan satu-satunya di sini. Perplexity membangun jawaban hampir seluruhnya dari sumber yang dikutip dan menampilkannya sebagai daftar—model dengan senang hati mengambil dari artikel di platform pihak ketiga. Alisa AI mencampur hasil pencarian Yandex yang segar, GigaChat menjawab dengan caranya sendiri. Merek yang disebutkan di satu model mungkin diam di model lain—oleh karena itu, pengukuran tidak lengkap hanya dengan ChatGPT.
Dari sini muncul tiga hal yang sekarang saya sarankan untuk dipantau oleh setiap pemasar:
Pangsa penyebutan di antara pesaing teratas untuk pertanyaan kunci mereka sendiri: persentase spesifik untuk serangkaian prompt tertentu, tanpa peringkat umum.
Nada penyebutan: model dapat menyebut merek secara netral, atau dapat menambahkan kata penilaian seperti “terpercaya” atau “mahal” — ini memengaruhi pilihan lebih kuat daripada fakta penyebutan itu sendiri.
Sumber dari mana model tampaknya mengambil penyebutan ini: sering kali hanya satu atau dua artikel — itulah yang harus diperkuat terlebih dahulu, daripada menyebar anggaran ke puluhan platform.
Dengan klien pengiriman makanan itu, pada akhirnya kami tidak mengejar tautan baru. Kami menulis beberapa materi mendalam tentang produk di platform yang jelas dibaca dan dikutip oleh model — dan setelah satu setengah bulan, penyebutan muncul, visibilitas di jawaban AI meningkat. Klien memiliki lebih banyak tautan, tetapi ChatGPT menyebut pesaing. Sekarang kami tahu alasannya.
Pertanyaan yang Sering Diajukan
Bagaimana cara mengukur penyebutan merek di ChatGPT?
Jalankan prompt kontrol — pertanyaan nyata dari audiens — melalui ChatGPT, Perplexity, Alisa AI, dan GigaChat. Hitung pangsa penyebutan di antara pesaing teratas, catat nada dan sumber dari mana model mengambil informasi.
Bisakah penyebutan di jaringan saraf dibeli dengan tautan?
Tidak. Tautan berfungsi di pencarian klasik, tetapi jaringan saraf tidak menghitungnya secara langsung. Penyebutan bergantung pada bagaimana merek ditulis dalam ulasan, artikel, forum — ini adalah reputasi yang terakumulasi dalam teks yang digunakan untuk melatih model.
Apa yang harus dilakukan jika merek tidak disebutkan di ChatGPT?
Temukan platform yang paling sering dikutip oleh model, dan tempatkan materi mendalam tentang produk di sana. Perkuat ulasan editorial, perbandingan, artikel ahli — ini memengaruhi penyebutan lebih kuat daripada massa tautan.
Haruskah kita meninggalkan SEO demi jaringan saraf?
Tidak. Tautan masih berfungsi di ceruk dengan siklus keputusan yang panjang dan untuk permintaan transaksional. Strategi optimal adalah menggabungkan SEO klasik dengan upaya pada penyebutan di jawaban AI.
Kesimpulan
Kesimpulannya sederhana: 92,8% dialog di ChatGPT berakhir tanpa klik, tetapi keputusan untuk memilih merek sudah dibuat. Tautan adalah aset sekali pakai, penyebutan adalah reputasi yang terakumulasi. Untuk menang di hasil AI, berhentilah mengejar tautan dan mulailah mengelola bagaimana Anda ditulis dalam teks yang dibaca model. Jalankan prompt kontrol, pantau pangsa penyebutan dan nada — dan Anda akan melihat di mana Anda benar-benar kehilangan pelanggan. Mulailah dengan audit penyebutan Anda hari ini.
