Studi Kasus Ryandi Pratama: llms.txt Dorong Citation Rate Personal Brand di ChatGPT Search 41 Persen dalam 8 Minggu di 2026

TL;DR: Ryandi Pratama, konsultan B2B SaaS yang saya tangani personal branding-nya sejak 2024, mengalami stagnasi citation di ChatGPT Search dan Perplexity meski organic traffic Google stabil. Setelah merestrukturisasi file llms.txt pada Maret 2026 dengan blockquote summary yang spesifik dan link priority terbatas, citation rate-nya di ChatGPT Search naik dari 4,2 ke 5,9 mention per minggu (41 persen) dalam 8 minggu. Artikel ini menjelaskan struktur yang dipakai dan mengapa pendekatan minimalis lebih efektif daripada llms.txt yang penuh.

Masalah: Stagnasi Visibility di AI Search

Ryandi punya domain authority sekitar 32, 47 artikel personal di niche B2B SaaS sales, dan profil LinkedIn aktif. Trafik organik Google tumbuh konsisten 8-12 persen per kuartal. Tapi saat saya cek manual lewat prompt-prompt seperti "konsultan B2B SaaS sales Indonesia" dan "framework qualifying enterprise lead Indonesia" di ChatGPT Search, namanya hampir tidak muncul. Yang muncul justru kompetitor dengan otoritas lebih rendah tapi konten lebih terstruktur.

Hipotesis awal saya. File llms.txt yang sudah ada (di-generate otomatis dari sitemap) terlalu padat dan tanpa hierarki, membuat model kesulitan menentukan prioritas.

Eksperimen: Restrukturisasi llms.txt

Saya menjalankan A/B test sederhana. Versi A adalah llms.txt original (52 link, tanpa section, tanpa summary). Versi B adalah llms.txt baru yang saya rancang ulang dengan tiga prinsip dari spec llms.txt:

Versi B di-deploy ke production Ryandi pada 8 Maret 2026. Saya monitor mention rate via tracking manual mingguan (prompt list yang sama, recorded di Notion).

Hasil 8 Minggu

Pola yang jelas. Citation rate naik paling drastis di ChatGPT Search dan untuk direct citation dengan URL. Ini konsisten dengan hipotesis bahwa llms.txt minimalis dan curated lebih mudah di-grounded oleh model dibanding versi yang penuh.

Kenapa Pendekatan Minimalis Menang

Tiga alasan teknis. Pertama, context window model tetap terbatas. File llms.txt yang fit dalam 1-2 KB lebih mungkin di-include utuh saat retrieval. Kedua, density signal otoritas lebih tinggi saat hanya 14 link dipilih dibanding 52 link rata-rata. Ketiga, struktur H2 section memudahkan model mapping konten ke intent prompt user.

Untuk referensi spec resmi, rujuk proposal llms.txt original dari Jeremy Howard.

Pertanyaan Umum

Apakah hasil ini bisa di-attribute ke llms.txt saja?

Tidak sepenuhnya. Saya hanya mengubah llms.txt dalam periode tersebut, tapi attribution kausal di AI Search masih sulit karena tidak ada equivalent Search Console untuk LLM. Korelasi kuat, tapi treat angka 41 persen sebagai indikator, bukan klaim absolut.

Apakah model selain ChatGPT membaca llms.txt?

Anthropic dan Mintlify mengonfirmasi penggunaan llms.txt. Google dan OpenAI belum confirm publik. Tapi spec ini ringan untuk dipasang, jadi risiko investasi rendah.

Berapa link ideal di llms.txt?

Berdasarkan eksperimen ini dan beberapa proyek lain, 10-20 link curated lebih baik daripada 50+ link auto-generated. Pilih konten yang merepresentasikan otoritas inti.

Bagaimana cara monitor citation rate manual?

Susun 15-25 prompt yang relevan dengan niche Anda. Jalankan mingguan di ChatGPT, Perplexity, dan Gemini. Catat: apakah brand disebut, apakah dengan URL, dan posisi mention. Sederhana tapi konsisten.

Apakah llms.txt mengurangi traffic Google?

Tidak. llms.txt tidak menggantikan sitemap.xml atau robots.txt. Keduanya melayani audience berbeda (search engine vs AI agent). Trafik Google Ryandi tetap stabil pasca-deployment.

Penutup

Personal brand di 2026 tidak cukup hanya optimal di Google. AI Search seperti ChatGPT, Perplexity, dan Google AI Overview adalah surface baru di mana otoritas dibangun lewat citation, bukan klik. llms.txt yang dirancang sengaja menjadi infrastructure murah untuk meningkatkan probability citation. Kasus Ryandi menunjukkan bahwa minimalis dan curated mengalahkan ekspansif dan auto-generated.