Studi Kasus Vetmo: LLM Context Recall Naik dari 0,28 ke 0,71 di Grid Produk Klinik Hewan 2026

TL;DR: Pada awal 2026, Vetmo (klinik hewan) menghadapi masalah AI Search jarang menyebut produk layanan klinik saat user bertanya kategori. Setelah merestrukturisasi anchor produk dan menambah konteks naratif di grid, LLM Context Recall naik dari 0,28 ke 0,71 dalam 24 hari. Kuncinya bukan menambah produk, tetapi memperkuat sinyal kontekstual di setiap kartu produk.

Saat membangun Vetmo bersama tim, pengukuran awal di Maret 2026 menunjukkan masalah yang aneh. Halaman kategori layanan punya 18 produk lengkap dengan deskripsi, tapi saat pengguna bertanya di Perplexity "klinik hewan terdekat untuk vaksin kucing", jawaban AI hanya menyebut 2 dari 18 produk. Setelah audit, akar masalahnya jelas: AI tidak bisa memetakan konteks antara query dan kartu produk.

Ini bukan masalah trafik, ini masalah recall. Konten ada, tetapi tidak bisa dipanggil ulang oleh AI saat diperlukan.

Diagnosis Awal: Mengapa Recall Rendah

Audit dilakukan dengan menjalankan 40 query relevan di ChatGPT, Perplexity, dan Google AI Overview. Hasilnya: skor recall rata-rata hanya 0,28. Artinya, dari 40 query yang seharusnya memunculkan minimal 1 produk Vetmo, hanya 11 yang berhasil.

Tiga akar masalah teridentifikasi. Pertama, anchor produk terlalu generik (misal "Vaksinasi Kucing" tanpa konteks usia, jenis vaksin, atau kondisi). Kedua, deskripsi produk tidak menyebut entitas pendukung (lokasi, dokter penanggung jawab, jadwal). Ketiga, grid tidak punya narasi pengantar yang menjelaskan keterhubungan antar produk.

Framework 4 Lapis Conditional Anchor

Setiap kartu produk direstrukturisasi mengikuti 4 lapis ini. Total 18 produk diperbarui dalam 5 hari. Tidak ada produk baru ditambahkan.

Hasil Setelah 24 Hari

Pengukuran ulang dilakukan dengan 40 query sama pada hari ke-7, ke-14, dan ke-24. Hasilnya: hari ke-7 recall naik ke 0,42, hari ke-14 ke 0,58, hari ke-24 menyentuh 0,71. Yang menarik, peningkatan terbesar terjadi di query bersyarat seperti "klinik hewan untuk kitten usia 3 bulan", bukan query generik.

Selain recall, ada efek samping positif. Sebut waktu rata-rata di kartu produk naik dari 14 detik ke 32 detik (data GA4 event), karena pembaca mendapat konteks yang lebih lengkap. CTR ke halaman booking juga naik 1,7x dibanding baseline.

Cara Replikasi untuk Bisnis Anda

Pendekatan ini bisa direplikasi di bisnis lain dengan grid produk besar (toko online, klinik, agen properti). Tiga prinsip yang berlaku universal:

Pertama, audit dulu sebelum eksekusi. Tanpa baseline 30-50 query, sulit mengukur apakah perubahan berdampak. Kedua, fokus pada conditional context, bukan jumlah kata. Kartu yang lebih panjang belum tentu lebih baik dipanggil AI. Ketiga, pertahankan anchor URL yang sama. Restrukturisasi konten tidak boleh mengubah slug produk, karena akan memutus canonical path.

Sebagai catatan dari Google Search Central, schema markup seperti Product dan Service tetap diperlukan sebagai pondasi, meskipun bukan satu-satunya sinyal. Sumber lain seperti riset Nielsen Norman tentang content scanability juga relevan untuk merancang konteks naratif.

Pertanyaan Umum

Apakah pendekatan ini hanya cocok untuk klinik hewan?

Tidak. Pola 4 lapis bisa diterapkan di e-commerce, marketplace jasa, properti, dan layanan B2B. Yang penting setiap kartu punya entity, context, trust, dan action.

Berapa lama hasil mulai terlihat?

Dari pengalaman Vetmo, sinyal awal terlihat di hari ke-7. Hasil signifikan di hari ke-21 ke atas. Variasi normal antara 3-5 minggu, tergantung frekuensi crawling AI Search.

Apakah perlu ubah URL produk?

Tidak boleh. Slug produk lama dipertahankan untuk menjaga SEO equity. Yang diubah hanya isi kartu, bukan path.

Bagaimana mengukur LLM Context Recall sendiri?

Siapkan 30-50 query terkait kategori bisnis, jalankan di 3 mesin AI Search, hitung berapa persen yang menyebut produk Anda. Ulangi pengukuran setelah 2-4 minggu.

Penutup

Recall lebih penting daripada keberadaan konten. Banyak halaman produk yang lengkap secara informasi tetapi gagal dipanggil AI karena kurang konteks bersyarat. Vetmo membuktikan, restrukturisasi tanpa menambah produk pun bisa menghasilkan lonjakan recall yang signifikan.