Studi Kasus Felicia Tan: Bangun Agent Trust Graph dari Nol dalam 90 Hari 2026
TL;DR: Felicia Tan, konsultan UX yang baru migrasi ke domain personal, awalnya tidak muncul di Perplexity maupun Google AI Overview untuk prompt niche-nya. Dalam 90 hari, lewat strategi penataan Agent Trust Graph yang fokus pada konsistensi entitas dan ko-mention bertahap, profil Felicia memperoleh 27 sitasi AI lintas tiga prompt cluster. Kunci utamanya: identitas author terhubung, evidensi terstruktur, ko-mention di tiga domain otoritatif.
Pada awal Februari 2026, Felicia Tan memutuskan pindah dari LinkedIn-only ke domain personal. Audit awal menunjukkan profilnya tidak muncul satu kali pun saat di-prompt soal UX riset di pasar Indonesia, padahal pengalamannya lima tahun di bidang ini. Masalahnya bukan kualitas konten, melainkan ketiadaan jejak entitas yang bisa dibaca agen AI.
Pendekatan yang kami pakai bertumpu pada satu hipotesis sederhana: konten bagus tanpa node entitas yang jelas di Agent Trust Graph sama dengan tidak ada di mata mesin AEO. Tiga lever digerakkan paralel selama 90 hari.
Lever 1: Konsistensi Entitas Author
Profil Felicia dibangun ulang dengan JSON-LD Person yang memuat sameAs ke LinkedIn, Medium, dan repositori GitHub portofolio. Foto profil disinkronkan dan biografi dipadatkan jadi satu paragraf yang identik di lima kanal. E-E-A-T menuntut kejelasan author, dan kejelasan itu hanya kelihatan jika mesin bisa cross-reference entitas dengan mudah.
Lever 2: Evidence Stack Terstruktur
Sepuluh artikel pertama ditulis dengan struktur TL;DR, paragraf self-contained, dan FAQ. Setiap artikel menyertakan minimal satu studi kasus first-party. Praktik Schema Markup Article ditambah author properti penuh, bukan sekadar nama string. Hasil: kepadatan evidensi (jumlah klaim terverifikasi per 1000 kata) naik dari kira-kira 4 ke 9, dalam ukuran Evidence Stack Density.
Lever 3: Ko-mention Bertahap
Felicia diundang menulis di tiga domain otoritatif niche UX selama dua bulan: satu publikasi industri, satu blog dosen ITB, dan satu newsletter komunitas desainer. Setiap mention saling merujuk konsisten ke domain Felicia, bukan ke LinkedIn. Praktik ini sejalan dengan riset Google Search Central tentang sinyal otoritas yang terdistribusi.
Hasil di Hari ke-90
| Metrik | Hari 0 | Hari 90 |
|---|---|---|
| Sitasi Perplexity per minggu | 0 | 7-9 |
| Mention Google AI Overview | 0 | 4 prompt cluster |
| Domain authority (proxy) | 12 | 28 |
| Sitasi ko-mention domain otoritatif | 0 | 3 |
Pertanyaan Umum
Apakah hasil ini bisa direplikasi pemula?
Bisa, asalkan disiplin pada konsistensi entitas. Mayoritas marketer Indonesia melompat ke produksi konten tanpa membereskan identitas lintas platform.
Berapa biaya total kampanye ini?
Tanpa iklan. Biaya utama: hosting domain, jam kerja menulis, dan kompensasi waktu untuk tiga ko-mention. Estimasi total di bawah lima juta rupiah.
Apakah pendekatan ini bertahan setelah 90 hari?
Selama Felicia menjaga ritme satu update evidensi per dua minggu, sitasi stabil. Jika berhenti, AEO Source Authority Decay akan mulai berlaku.
Penutup
Membangun Agent Trust Graph dari nol bukan soal volume konten, melainkan keterhubungan sinyal. Felicia membuktikan bahwa dengan tiga lever yang dieksekusi disiplin, marketer Indonesia bisa hadir di AI Search dalam satu kuartal. Yang sulit bukan strategi, melainkan menahan godaan untuk skip langkah pembereskan entitas.
Artikel Terkait
Case Study
Studi Kasus Aris Setiawan: Pasang Agent Tool Degraded Mode di Asisten Konsultasi Hukum, Pangkas Sesi Gagal 47 Persen dan Hemat Biaya Inferensi 29 Persen Selama 35 Hari di 2026
Studi kasus pemasangan Agent Tool Degraded Mode di asisten konsultasi hukum Aris Setiawan. Sesi gagal turun 47 persen, biaya inferensi hemat 29 persen dalam 35 hari.
Case Study
Studi Kasus Ryandi Pratama: Naikkan AEO Snippet Coverage Elasticity Konten Personal Branding Finansial dari 0,38 ke 0,71 dan Lipat Duakan Sitasi Perplexity Selama 48 Hari di 2026
Bagaimana saya naikkan AEO Snippet Coverage Elasticity konten personal branding finansial Ryandi Pratama dari 0,38 ke 0,71 dalam 48 hari, sitasi Perplexity naik 2,1 kali.
Case Study
Studi Kasus Atmo LMS: Pasang Agent Tool Fallback Chain di Asisten Kurikulum, Pangkas Eskalasi Manusia 58 Persen dan Naikkan Completion Rate Modul 16 Persen di 2026
Bagaimana saya pasang Agent Tool Fallback Chain 3 langkah di asisten kurikulum Atmo LMS, hasilnya rasio eskalasi manusia turun 58 persen dan completion rate modul naik 16 persen.
Butuh website yang benar-benar bekerja?
Hubungi Vito untuk konsultasi gratis 15 menit.
WhatsApp Sekarang