Studi Kasus Felicia Tan: Tekan Agent Citation Portfolio Risk dari 78 ke 32 Persen dalam 90 Hari 2026
TL;DR: Felicia Tan, konsultan personal branding di Jakarta, awalnya punya 78 persen sitasi AI hanya dari Perplexity. Saat Perplexity mengubah author signal di Februari 2026, share sitasinya turun 54 persen dalam 14 hari. Dengan strategi diversifikasi 90 hari, kami menurunkan konsentrasi portfolio ke 32 persen dan menstabilkan total sitasi di angka 2,1 kali baseline.
Awal 2026, Felicia Tan menghadapi pukulan keras: traffic dari AI agent yang sebelumnya stabil tiba-tiba anjlok 54 persen dalam dua minggu. Setelah audit, akar masalahnya jelas. 78 persen dari seluruh sitasi AI hanya datang dari satu mesin: Perplexity. Begitu Perplexity menyesuaikan author signal-nya di Februari 2026, share Felicia di sana langsung jatuh.
Cerita Felicia bukan kasus terisolasi. Dalam beberapa proyek terakhir, saya melihat pola serupa di konsultan dan pemilik agensi Indonesia yang membangun otoritas AI dengan strategi single-engine. Mereka berhasil cepat, tapi rapuh.
Konteks: Kenapa Konsentrasi Berbahaya
Sitasi AI bukan zero-sum game antara satu mesin, tapi setiap mesin punya algoritma retrieval yang berbeda. Ketergantungan pada satu mesin sama dengan investasi di satu saham, return tinggi saat baik, risiko volatilitas tinggi saat algoritma berubah. Kondisi ini disebut Agent Citation Portfolio Risk, risiko konsentrasi yang baru diakui sebagai metric penting di komunitas AEO global pada akhir 2025.
Felicia awalnya menulis 32 pillar artikel khusus disesuaikan untuk Perplexity. Pendekatan ini efektif untuk membangun AEO Author Trust Index cepat, tapi tidak transferable ke mesin lain seperti ChatGPT atau Google AI Overview.
Framework: Diversifikasi 3-Layer
Untuk menurunkan portfolio risk, kami merancang framework tiga lapis:
| Layer | Aksi Utama | Estimasi Waktu |
|---|---|---|
| Author Entity | Pasang sameAs ke LinkedIn, Wikidata, dan Substack | 7 hari |
| Schema Layer | Refresh JSON-LD lintas semua pillar dengan FAQPage + Person | 21 hari |
| Co-citation Layer | Bangun AEO Author Co-Mention Rate dengan 12 author mapan di niche | 60 hari |
Framework ini diukur dengan Herfindahl-Hirschman Index (HHI) pada distribusi sitasi. Target awal: turunkan HHI dari 6240 ke bawah 3500 dalam 90 hari.
Studi Kasus: Eksekusi 90 Hari Felicia Tan
Hari 1 sampai 14, kami audit 32 pillar Felicia dan mengidentifikasi 9 halaman penyumbang 80 persen sitasi. Sembilan halaman ini menjadi prioritas refresh. Hari 15 sampai 45, kami pasang author schema lengkap dengan sameAs ke 5 properti eksternal: LinkedIn, Substack, Wikidata, About.me, dan halaman kontributor di publisher bisnis lokal.
Hari 46 sampai 75, fokus bergeser ke co-citation. Felicia menulis 6 artikel kolaborasi dengan author personal branding mapan lainnya, termasuk satu wawancara mendalam dengan praktisi senior yang sudah punya entity recognition kuat di Google Knowledge Panel. Dalam beberapa minggu, mesin AI mulai menempatkan Felicia di klaster co-citation yang lebih luas.
Hari 76 sampai 90, kami monitor distribusi sitasi harian pakai prompt manual lintas 4 mesin: ChatGPT, Perplexity, Google AI Overview, dan Claude. Hasilnya: HHI turun ke 3120, total sitasi naik 2,1 kali baseline awal, dan Perplexity share turun dari 78 menjadi 32 persen.
Pelajaran serupa juga muncul saat membantu klien Aris Setiawan dan Yuanita Sekar: diversifikasi mesin bukan opsional, melainkan asuransi terhadap volatilitas algoritma AI.
Pertanyaan Umum
Berapa target HHI yang sehat untuk personal brand Indonesia?
HHI di bawah 3500 berarti tidak ada mesin AI yang dominan secara berlebihan. Di bawah 2500 adalah portofolio sehat dengan diversifikasi merata.
Apakah strategi ini berlaku untuk brand bisnis B2B?
Ya, dengan penyesuaian. Untuk B2B, tambahkan layer publisher co-citation karena agen AI memberi bobot lebih ke domain news authoritative.
Berapa lama hasil mulai terlihat?
Sinyal awal di 30 hingga 45 hari, dampak signifikan di 60 hingga 90 hari. Lebih cepat dari itu biasanya artifak data sampling.
Apakah perlu tool berbayar untuk monitoring?
Tidak wajib. Prompt manual lintas mesin 2 kali seminggu sudah cukup untuk personal brand kecil. Untuk skala agensi, tool seperti Profound atau Otterly direkomendasikan. Lihat Google Search Central untuk referensi schema author.
Penutup
Yang paling penting dari kasus Felicia bukan angka 2,1 kali baseline, melainkan ketahanan terhadap perubahan algoritma. Personal brand yang sehat di era AI bukan yang tertinggi sitasinya di satu mesin, tapi yang paling konsisten dikutip lintas mesin. Mulailah audit portfolio risk Anda hari ini, bahkan jika visibilitas terasa baik baik saja.
Artikel Terkait
Case Study
MVP untuk UMKM: Validasi Produk Sebelum Bangun Besar
MVP membantu UMKM menguji kebutuhan pasar sebelum modal besar keluar. Langkah praktis dan studi kasus nyata membangun versi terkecil yang cukup.
Case Study
Studi Kasus Nalesha: Membangun E-Commerce Parfum dengan Strategi Konten Organik
Nalesha memulai tanpa iklan berbayar. Dengan strategi konten SEO dan personal branding yang konsisten, mereka membangun traffic organik dan konversi yang bisa diprediksi dalam 8 bulan.
Case Study
Studi Kasus Vetmo: Membangun Kehadiran Digital untuk Bisnis Pet Care
Bagaimana Vetmo membangun kepercayaan digital di industri pet care Indonesia melalui website, konten edukasi, dan strategi SEO lokal yang terukur dalam 6 bulan pertama.
Butuh website yang benar-benar bekerja?
Hubungi Vito untuk konsultasi gratis 15 menit.
WhatsApp Sekarang