Ada perubahan dalam cara orang mencari jawaban dan pergeseran ini berimplikasi langsung pada pekerjaan peneliti. Ketika mahasiswa atau sesama peneliti memiliki pertanyaan tentang topik yang Anda kuasai, mereka kini semakin jarang membuka Google Scholar atau mengetuk pintu ruang kerja Anda. Mereka lebih sering mengetikkan pertanyaan tersebut ke ChatGPT atau Google AI Overviews dan menerima jawaban yang sudah dirangkum, lengkap dengan sumber yang dipilih oleh mesin, bukan oleh mereka sendiri.
Jika hasil riset Anda tidak termasuk dalam sumber yang dipilih mesin tersebut, penelitian Anda berisiko tidak pernah sampai kepada pembaca yang sebenarnya membutuhkan informasi itu—bahkan ketika penelitian tersebut telah diterbitkan dalam jurnal bereputasi tinggi. Dalam ekosistem seperti ini, publikasi ilmiah tidak lagi hanya berhadapan dengan persoalan visibilitas dalam mesin pencari akademik, tetapi juga dengan persoalan apakah suatu penelitian dapat ditemukan, diambil, dipilih, dan kemudian digunakan oleh sistem AI generatif untuk menghasilkan jawaban.
Karena itu, upaya peneliti untuk meningkatkan visibilitas penelitian melalui berbagai kanal digital menjadi semakin relevan. Komunikasi sains, translasi pengetahuan, dan distribusi informasi melalui platform digital dapat membantu memperluas kemungkinan sebuah penelitian ditemukan dan digunakan di luar komunitas akademik. Namun, siapa yang sebenarnya menentukan penelitian mana yang lebih terlihat dan kemudian digunakan oleh AI generatif?
Data baru, tapi perlu dibaca dengan hati-hati
Sebuah laporan yang dirilis Meltwater bersama LinkedIn mengklaim telah menganalisis 9,5 juta jawaban dari enam model AI, yaitu Copilot, Google AI Mode, Google AI Overviews, Claude Sonnet 4, ChatGPT-5, dan Gemini 2.5 Pro, untuk melihat situs mana yang paling sering dijadikan rujukan dalam topik-topik profesional.
Sebagai catatan, laporan ini bukan riset akademik yang ditinjau sejawat (peer-reviewed), melainkan laporan industri yang disusun oleh perusahaan intelijen media dan diterbitkan di blog pemasaran LinkedIn, Meltwater. Metodologinya pun bertumpu pada alat kepemilikan bernama Meltwater GenAI Lens yang tidak dibuka untuk publik, sehingga tidak bisa direplikasi atau diaudit secara independen.
Namun begitu, saya lebih tertarik menguji klaim-klaim dalam laporan itu yang perlu disandingkan dengan literatur akademik independen, agar implikasinya bagi peneliti yang ingin karyanya sampai kepada sejawat, mahasiswa, dan praktisi tetap jujur secara bukti.
Apa yang laporan itu klaim, dan apa yang dikuatkan riset akademik
Dalam laporannya, Meltwater menyebutkan ada lima pola yang membuat LinkedIn unggul di antara platform media sosial dan jejaring lainnya.
- LinkedIn disebut sebagai sumber kedua paling sering dikutip oleh AI untuk pertanyaan bisnis, setelah YouTube, dengan pangsa kutipan yang naik 26% dalam empat pekan pengamatan.
- 75% kutipan berasal dari profil individu, bukan halaman resmi perusahaan, sehingga pakar/ahli perorangan lebih sering dirujuk daripada akun institusi.
- Konten yang terstruktur rapi, dengan subjudul, poin-poin, dan angka konkret, jauh lebih sering dikutip: seluruh artikel paling banyak dikutip dalam sampel mereka memakai daftar berpoin, dan 92% memakai subjudul yang jelas.
- LinkedIn unggul jauh dibanding platform sejenis lain untuk topik-topik profesional.
- Konten yang segar dan orisinal jauh lebih sering muncul sebagai rujukan dibandingkan dengan konten lama atau hasil bagikan ulang.
Nah, bagaimana lima klaim ini dapat diuji sebagai pola yang sejalan dengan temuan riset empiriknya? Dalam studi awal tentang Generative Engine Optimization (GEO: cara menata konten agar lebih mungkin dikutip oleh mesin jawaban AI), diuji secara sistematis berbagai strategi penulisan pada ratusan pertanyaan lintas topik. Para peneliti menemukan bahwa menambahkan kutipan sumber, kutipan langsung, dan statistik konkret dapat meningkatkan visibilitas konten pada jawaban AI hingga lebih dari 40%. Temuan ini menguatkan klaim laporan Meltwater soal pentingnya struktur dan kekonkretan data.
Apa yang dipaparkan oleh temuan Meltwater tentang LinkedIn tentang profil pakar/ahli individu juga selaras dengan bidang yang sudah lama dikaji, yaitu knowledge translation: proses menyalurkan bukti ilmiah agar benar-benar digunakan oleh praktisi dan masyarakat. Sejumlah tinjauan sistematis di bidang kesehatan menunjukkan bahwa akun personal pakar yang aktif dan konsisten di media sosial cenderung lebih efektif menyalurkan bukti dibandingkan dengan akun institusi yang formal dan jarang diperbarui.
Sebuah studi terhadap lebih dari 8.500 peneliti terapan di Jerman juga menemukan korelasi antara keaktifan di Twitter (X)/LinkedIn dan indikator bibliometrik seperti visibilitas dan keterhubungan antarpeneliti. Menulis sebagai pribadi yang punya keahlian terbukti relevan bagi penyebaran bukti sejak sebelum AI generatif hadir. AI hanya menambah satu saluran baru pada pola yang sudah dikenal.
Tapi ada peringatan penting yang laporan itu tidak sebut
Sebuah studi awal di Arxiv tahun 2024 menemukan bahwa model bahasa besar (Large Language Models) tidak hanya meniru pola sitasi manusia. Mereka memperkuatnya dengan bias yang lebih tajam terhadap karya yang sudah banyak dikutip. Fenomena Matthew effect: yang sudah populer makin mudah ditemukan, sementara karya baru atau karya dari peneliti yang belum dikenal makin sulit muncul. Sehingga keunggulan penggunaan LinkedIn oleh pakar individu atas akun institusi dalam laporan Meltwater tidak serta-merta dapat dirasakan oleh semua individu secara rata. Bisa jadi yang benar-benar diuntungkan adalah individu yang sudah punya modal reputasi sejak awal dan persona kepakaran yang sudah unggul sebelumnya. Kompleksitas ini yang perlu dikritisi dalam laporan mereka.
Kekhawatiran ini diperkuat oleh studi lain tentang penggunaan LinkedIn oleh akademisi di Inggris, yang menemukan bahwa keaktifan tinggi di platform tersebut terkonsentrasi pada profesor senior laki-laki dari institusi bersumber daya lebih baik dan berorientasi pada kerja sama industri, sementara peneliti perempuan dan peneliti dari universitas berpendanaan terbatas justru kurang terwakili. Studi yang sama menyimpulkan bahwa data keaktifan LinkedIn “berisiko menggambarkan riset akademik secara tidak proporsional” jika dijadikan ukuran dampak.
Belum lagi jika kita mengajukan pertanyaan lain seputar penggunaan bahasa selain bahasa Inggris, misalnya bahasa Indonesia atau lainnya. Ada kemungkinan besar data ini bertumpu pada permintaan berbahasa Inggris dari konteks pasar Global Utara, karena mesin AI mempunyai kecenderungan untuk menguatkan sumber yang sudah “dominan” secara global.
Jadi, apa yang sebaiknya dilakukan peneliti?
Ada beberapa langkah yang masuk akal, bukan sebagai taktik “mengakali algoritma”, melainkan sebagai perpanjangan wajar dari praktik komunikasi sains yang memang sudah lama dianjurkan.
- Pertama, sesekali tulis ringkasan bertutur jelas dari hasil riset sendiri di ruang publik, dengan subjudul, poin-poin, dan angka konkret, sebagai pelengkap, bukan pengganti, publikasi di jurnal bereputasi. Ini konsisten dengan tuntutan banyak pemberi dana riset yang kini mewajibkan ringkasan bahasa awam (plain language summary) di samping artikel ilmiah.
- Kedua, pertimbangkan menulis atas nama pribadi sebagai akademisi, dengan jabatan dan afiliasi yang jelas di profil, di samping unggahan resmi institusi. Bukan untuk membangun citra pribadi, tetapi karena suara pakar yang teridentifikasi tampaknya lebih mudah dilacak, baik oleh pembaca manusia maupun mesin.
- Ketiga, perbarui tulisan lama dengan data terbaru alih-alih membiarkannya diam bertahun-tahun. Sumber yang segar lebih mungkin dirujuk baik oleh AI maupun oleh sejawat yang mencari informasi terkini.
- Keempat, dorong jurnal, fakultas, dan pemberi dana di Indonesia untuk secara sengaja mendukung diseminasi berbahasa Indonesia dan Inggris sekaligus, alih-alih menyerahkannya sepenuhnya pada inisiatif individu. Jika penemuan bukti ilmiah lewat AI generatif menjadi kanal utama baru, kesenjangan bahasa dan sumber daya yang sudah ada berisiko diperlebar, bukan dipersempit, oleh teknologi ini, kecuali ada upaya sadar untuk mengoreksinya.
Jadi, apakah setelah melakukan ini, riset-riset Anda akan lebih mudah ditemukan oleh mesin AI yang kini menjadi perantara utama bagi sirkulasi pengetahuan? Bagaimana usaha kita untuk mengurangi ketimpangan translasi pengetahuan? Diskusi ini masih terus menarik untuk dibicarakan karena perlombaan platform mesin AI semakin menjadi-jadi hingga detik ini. Bagaimana menurut Anda sebagai peneliti?
