Panduan LLM SEO: cara model bahasa besar memilih sumbernya, apa yang membuat sebuah bagian teks layak dikutip, akses crawler, konsistensi entitas, dan cara mengukur sebutan.

Singkatnya
LLM SEO adalah praktik membuat merek dan halaman Anda muncul dalam jawaban model bahasa besar seperti ChatGPT, Gemini, Claude, dan Perplexity. Model-model ini mengambil dari dua sumber: apa yang dipelajari selama pelatihan dan apa yang diambil dari web pada saat pertanyaan diajukan. Anda memengaruhi yang pertama lewat sebutan merek yang luas dan konsisten di seluruh web, dan yang kedua lewat halaman yang dapat di-crawl dengan bagian-bagian yang menjawab pertanyaan secara langsung, lengkap dengan fakta dan sumber. Setelah itu Anda mengukur, prompt demi prompt, apakah Anda dikutip.
Ingin tahu lebih banyak? Tanyakan kepada
Perilaku pencarian terbagi antara halaman hasil klasik dan jawaban percakapan, dan LLM SEO adalah nama yang dipakai kebanyakan pemasar untuk separuh pekerjaan yang kedua. Anda juga akan menemukannya disebut GEO (generative engine optimization), AEO, atau LLMO. Labelnya berbeda, mekanismenya sama, dan cukup konkret untuk dikerjakan secara metodis.
LLM SEO adalah rangkaian tindakan yang meningkatkan kemungkinan model bahasa menyebut, merekomendasikan, atau mengutip merek Anda saat menjawab sebuah pertanyaan. SEO klasik mengincar posisi dalam daftar sepuluh tautan. LLM SEO mengincar tempat di dalam jawaban hasil sintesis, di mana sering kali hanya tiga sampai lima merek atau sumber yang disebut.
Tujuannya punya dua bentuk, dan layak dipisahkan:
Sebuah merek bisa disebut tanpa dikutip (model mengenalnya dari pelatihan) dan dikutip tanpa direkomendasikan (halaman Anda dipakai sebagai sumber netral). LLM SEO yang baik menggarap keduanya.
Melalui dua saluran: memori parametrik yang terbentuk selama pelatihan, dan pengambilan langsung dari web ketika model mencari. Memahami saluran mana yang bekerja untuk suatu pertanyaan memberi tahu Anda tuas mana yang harus ditarik.
| Saluran | Cara kerja | Yang memengaruhinya | Kecepatan efek |
|---|---|---|---|
| Data pelatihan | Model mempelajari asosiasi dari cuplikan besar web, yang dibekukan pada batas pengetahuannya | Seberapa sering dan seberapa konsisten merek Anda dideskripsikan di banyak situs independen | Lambat: berbulan-bulan, hingga versi model berikutnya |
| Pengambilan langsung | Model mengirim kueri pencarian, mengambil beberapa halaman, dan menyusun jawabannya dari bagian teks yang diekstrak | Pengindeksan, akses crawler, peringkat untuk subkueri, kualitas bagian teks | Cepat: berhari-hari sampai berminggu-minggu setelah publikasi |
Pengambilan adalah mekanisme yang disebut retrieval-augmented generation (RAG). Ketika model mencari, ia sering memecah pertanyaan menjadi beberapa subkueri (query fan-out), mengambil hasil untuk masing-masing, dan menyimpan bagian teks yang paling tepat menjawab. Berperingkat baik di pencarian klasik untuk subkueri tersebut karena itu tetap menjadi salah satu prediktor terkuat untuk dikutip. Google menyatakan bahwa fitur AI-nya, seperti AI Overviews, bergantung pada indeks yang sama dan sistem kualitas yang sama dengan Search, dan bahwa tidak diperlukan markup khusus untuk muncul di dalamnya (Google Search Central).
Sebuah bagian teks dikutip ketika menjawab satu pertanyaan secara lengkap, berdiri sendiri, dengan fakta yang dapat diverifikasi. Model mengekstrak potongan beberapa kalimat, jadi potongan itu harus masuk akal tanpa sisa halaman.
Penelitian mendukung hal ini. Studi Princeton yang memperkenalkan istilah GEO menguji beberapa metode penulisan ulang dan menemukan bahwa menambahkan sumber, kutipan, dan statistik meningkatkan visibilitas dalam jawaban yang dihasilkan hingga sekitar 40% pada tolok ukur mereka (Aggarwal et al., GEO). Keyword stuffing, sebaliknya, tidak membantu.
Aturan praktisnya:
Anda bisa memeriksa bagaimana sebuah halaman terbaca oleh model dengan pemeriksa keterbacaan LLM gratis kami.
Karena model memercayai apa yang dikatakan banyak sumber independen dengan cara yang sama. Jika situs Anda, halaman LinkedIn, platform ulasan, direktori, dan artikel pers mendeskripsikan perusahaan Anda dengan nama, kategori, dan fakta kunci yang sama, model membentuk asosiasi yang stabil antara merek Anda dan kategori itu.
Deskripsi yang tidak konsisten (nama lama di satu situs, kategori berbeda di situs lain, harga usang di tempat lain) mengaburkan asosiasi itu dan meningkatkan risiko kesalahan dalam jawaban. Pekerjaannya tidak glamor tetapi efektif:
Inilah inti dari entity SEO, dan sering menjadi bagian yang hilang bagi merek yang situsnya sudah teroptimasi dengan baik tetapi tidak pernah muncul dalam daftar rekomendasi.
Dengan mengizinkan crawler yang mengambil halaman untuk jawaban langsung, menjaga halaman Anda dapat dirender tanpa JavaScript, dan tetap terindeks di mesin pencari yang dipakai model. Halaman yang tidak bisa diambil model tidak akan pernah dikutip, sebagus apa pun halaman itu.
| Crawler | Operator | Peran |
|---|---|---|
| OAI-SearchBot | OpenAI | Mengambil halaman untuk jawaban pencarian ChatGPT |
| GPTBot | OpenAI | Mengumpulkan konten untuk pelatihan model |
| ClaudeBot | Anthropic | Mengumpulkan konten untuk Claude |
| PerplexityBot | Perplexity | Mengindeks halaman untuk jawaban Perplexity |
| Google-Extended | Mengatur pemakaian konten untuk pelatihan Gemini; tidak memengaruhi Search atau AI Overviews |
Periksa robots.txt Anda, pengaturan bot pada firewall atau CDN (sebagian memblokir crawler AI secara bawaan), dan rendering sisi server untuk konten utama. Panduan kami tentang aturan robots.txt untuk crawler AI merinci direktifnya baris demi baris.
Dengan melacak daftar prompt yang tetap dari waktu ke waktu dan mencatat sebutan, kutipan, dan pesaing yang disebut menggantikan Anda. Tidak ada padanan untuk posisi peringkat, dan jawaban bervariasi dari satu percobaan ke percobaan berikutnya, jadi Anda mengukur tren pada sekumpulan pertanyaan, bukan satu hasil.
Menjalankannya secara manual cepat menjadi melelahkan, itulah sebabnya alat seperti pelacakan sebutan AI mengulang panel itu setiap minggu dan mendaftar sumber yang dikutip untuk setiap prompt.
LLM SEO bermuara pada tiga hal: dapat diakses oleh crawler, menulis bagian teks yang menjawab satu pertanyaan secara lengkap dengan fakta bersumber, dan memastikan bagian web lainnya mendeskripsikan merek Anda dengan cara yang sama seperti Anda. Lalu ukur pada panel prompt yang stabil, karena apa yang tidak Anda lacak tidak bisa Anda tingkatkan.
Sorank menjalankan ini secara autopilot: menulis dan menerbitkan artikel dengan jawaban lebih dulu setiap hari, melacak setiap minggu apakah ChatGPT, Gemini, Claude, atau Perplexity mengutip merek Anda, dan menunjukkan siapa yang dikutip menggantikan Anda. Anda bisa memulai dengan uji coba gratis 3 hari.

LLM SEO dibangun di atas SEO tradisional, bukan menggantikannya. AI yang mencari di web tetap mengandalkan halaman yang dapat di-crawl dan terindeks, sehingga kesehatan teknis dan otoritas tetap penting. Yang berubah adalah satuan persaingannya: AI mengutip bagian teks, bukan halaman, dan mereka menimbang seberapa konsisten situs lain mendeskripsikan merek Anda. Jawaban yang jelas, sumber, dan sebutan pihak ketiga memiliki bobot lebih besar.
Daftarkan 20 sampai 50 pertanyaan yang benar-benar diajukan pembeli Anda, jalankan di ChatGPT, Gemini, Perplexity, dan Claude, lalu catat apakah merek Anda muncul, di posisi berapa, dan sumber mana yang dikutip. Ulangi daftar yang sama setiap minggu atau bulan, karena jawaban bervariasi antar percobaan. Alat pelacak mengotomatiskan ini dan menunjukkan pesaing mana yang dikutip menggantikan Anda.
Memblokir crawler pelatihan seperti GPTBot menjaga konten Anda dari data pelatihan mendatang, tetapi tidak menghapus merek Anda dari jawaban dan dapat mengurangi kehadiran Anda dalam jangka panjang. Crawler pencarian seperti OAI-SearchBot atau PerplexityBot adalah yang mengambil halaman untuk jawaban langsung, dan memblokirnya membuat Anda tak terlihat dalam jawaban tersebut. Kebanyakan merek yang menginginkan visibilitas mengizinkan keduanya.
MEREKA MENCOBA SORANK SEBELUM ANDA
