AI Citation Strategy

Definisi

AI citation adalah ketika Large Language Model menyebut nama brand, orang, atau produk Anda sebagai bagian dari jawaban user. Bentuknya beragam. Perplexity menampilkan link footnote eksplisit. ChatGPT tanpa browsing mention tanpa link. Claude memberi attribution di narrative. Gemini campur antara mention dan link ke Google Search integration.

Citation bukan sekedar vanity metric. Untuk enterprise procurement, mention di jawaban LLM adalah pre-qualifier silent. Prospek yang mendengar nama Anda dari Perplexity biasanya datang ke website dengan intent jauh lebih tinggi daripada organic search.

Perbedaan per platform

ChatGPT

Menggabungkan training data (cutoff terakhir) dengan browsing real-time via Bing. Citation di training tergantung apakah brand Anda ada di web corpus saat training. Citation via browsing tergantung SERP Bing untuk query tersebut. Untuk Indonesian brand, kombinasikan Wikidata entry (terindeks di training) + konten web yang rank di Bing.

Gemini

Terintegrasi dengan Google Search dan Google Knowledge Graph. Jika brand Anda punya Knowledge Panel, probabilitas citation di Gemini tinggi. Ini paling direct-correlated dengan classic Google SEO + Wikidata.

Perplexity

Real-time web retrieval dengan citation footnote eksplisit. Setiap claim di jawaban punya source link. Perplexity prefer sumber otoritatif dan recent. Content freshness matter. Blog yang update regular dapat lebih banyak citation daripada static pages.

Claude

Training-heavy dengan retrieval lebih konservatif. Tidak browsing by default. Citation tergantung apakah brand Anda ada di training corpus Anthropic. Longform depth dan Wikidata presence paling efektif.

Sinyal yang AI pakai

LLM memutuskan citation berdasarkan tiga lapis sinyal yang saling amplify.

Lapis 1: Entity signals. Wikidata Q-ID, sameAs konsisten, schema JSON-LD dengan knowsAbout. Lihat panduan sameAs, knowsAbout, dan Wikidata. Tanpa lapis ini, brand Anda tidak terdaftar sebagai entitas di mata LLM.

Lapis 2: Content depth. Longform content (1500+ kata) dengan data, tabel, kutipan, dan referensi. LLM prefer konten yang bisa di-chunk dan di-extract sebagai jawaban. Thin content dengan 300 kata tidak akan dicitasi.

Lapis 3: llms.txt. File khusus di root domain yang memberitahu LLM struktur website dan konten prioritas. Masih opsional tapi adopsi meningkat. Lihat panduan llms.txt untuk implementasi.

Baseline citation rate

Estimasi dari sampling 150 enterprise Indonesia dengan omzet Rp 10M+, April 2026. 70% brand tidak pernah muncul di jawaban LLM untuk query industri mereka sendiri. Ini gap yang bisa dimanfaatkan early mover.

Workflow baseline 4-langkah

Strategi meningkatkan citation rate

Short-term (0-3 bulan)

• Submit Wikidata Q-ID untuk entitas utama. Trigger paling cepat untuk Gemini dan Claude.
• Deploy llms.txt di root domain dengan overview dan top 20 pages.
• Audit sameAs hygiene agar semua platform konsisten. Lihat panduan sameAs.
• Publish 3 longform pieces di topik inti, masing-masing 2000+ kata dengan data original.

Medium-term (3-9 bulan)

• Build content cluster di topik knowsAbout. Minimum 10 pieces per cluster.
• Earned media pitch ke outlet Indonesia. Perplexity prefer news-sourced mentions.
• Cross-reference antar domain jika punya multi-entity network. Lihat panduan Entity SEO.

Long-term (9-18 bulan)

• Wikipedia eligibility via press coverage dan academic mention konsisten. Wikipedia entry amplify ke training corpus semua LLM major.
• Google Knowledge Panel consolidation. Memperkuat Gemini dan ChatGPT browsing.
• Publishing output via book, paper, atau dataset dengan ISBN/DOI. Masuk ke academic corpus yang LLM training heavy.

Monitoring dashboard minimal

Track monthly: total citations across 15 query x 4 platform (max score 120). Baseline kebanyakan Indonesian brand di 10-20. Target 60-80 setelah 12 bulan optimization. Di atas 80 adalah territory yang sangat kompetitif.

Timeline realistis

Baseline di bulan 1. Wikidata + llms.txt + longform pieces di bulan 1-3 menghasilkan impact terukur di bulan 4-6 (terutama Gemini dan Perplexity). ChatGPT dan Claude butuh cycle training berikutnya, jadi dampak terlihat di bulan 9-12 atau setelah model update. Plan 12-month horizon minimum.