llms.txt dan Data Terstruktur: Cara Memberi Tahu Mesin Siapa Anda

Bayangkan seorang tamu asing masuk ke kantor Anda dan bertanya kepada resepsionis: "Perusahaan ini bergerak di bidang apa, dan siapa yang bisa saya temui?" Resepsionis yang baik menjawab dalam dua kalimat. Resepsionis yang tidak siap mulai membuka-buka brosur dan menebak.

Mesin jawab AI di internet sering berada dalam posisi tamu itu terhadap situs Anda. Ada dua cara memberinya resepsionis yang baik: berkas llms.txt dan data terstruktur. Tulisan ini menjelaskan keduanya, cara kerjanya, dan apa yang tidak bisa dijanjikannya.

llms.txt adalah berkas ringkasan situs yang disiapkan untuk dibaca mesin jawab AI. Situs ini memilikinya di putuputrayasa.com/llms.txt. Sementara itu, data terstruktur (JSON-LD) adalah penanda di kode halaman yang menyatakan secara eksplisit siapa, apa, dan bagaimana kaitannya, memakai kosakata schema.org, supaya mesin tidak perlu menebak.

llms.txt: kartu nama untuk mesin

Anggap llms.txt seperti kartu nama. Isinya bukan seluruh isi situs, melainkan ringkasan: siapa Anda, apa yang ditawarkan, dan halaman mana yang penting. Berkasnya ditaruh di alamat tetap di situs, sehingga mesin yang ingin memahami situs Anda tahu ke mana harus melihat lebih dulu.

Situs ini memakainya sendiri. Anda bisa membuka putuputrayasa.com/llms.txt untuk melihat contoh nyata. Cara termudah belajar bentuknya adalah membaca berkas yang sudah tayang, lalu membandingkannya dengan situs Anda: apakah ringkasan serupa bisa Anda tulis dengan jujur dalam satu layar?

Menulis llms.txt sebenarnya latihan memilih. Anda dipaksa menjawab tiga pertanyaan sederhana. Apa bisnis Anda dalam satu kalimat? Halaman mana yang paling menjelaskannya? Hal apa yang tidak Anda tawarkan? Pertanyaan ketiga paling sering dilewati, padahal justru paling melindungi dari kesalahpahaman.

Ada satu kebiasaan yang saya sarankan: tulis ringkasan itu lebih dulu untuk manusia, baru pindahkan ke berkas. Bila seorang kenalan yang tidak mengenal usaha Anda bisa memahaminya, mesin pun lebih mudah memahaminya.

Data terstruktur: memberi label pada fakta

Halaman web ditulis untuk mata manusia. Manusia tahu bahwa angka di samping kata "Jadwal" adalah tanggal, dan nama di bawah foto adalah nama pendiri. Mesin tidak selalu tahu. Data terstruktur menyelipkan label di kode halaman: ini nama organisasi, ini orangnya, ini hubungannya.

Kosakatanya bernama schema.org, dan formatnya disebut JSON-LD. Anda tidak perlu menulisnya sendiri, tetapi Anda perlu memahami faktanya apa yang akan diberi label. Di situs ini, halaman istilah memancarkan penanda jenis DefinedTerm agar mesin menemukan definisi yang sama dengan yang dibaca manusia.

Lihat diagram di bawah. Sisi kiri adalah halaman yang hanya dibaca mesin sebagai teks bebas. Sisi kanan adalah halaman yang sama setelah faktanya diberi label.

Gambaran besarnya ada di grafik berikut. Ini ilustrasi, bukan data nyata: lebar jalurnya hanya menunjukkan bentuk alur. Satu kumpulan fakta pokok mengalir ke tiga tempat, yaitu halaman yang dibaca manusia, llms.txt, dan data terstruktur. Ketiganya harus selaras. Bila tiga tempat itu saling bertentangan, mesin kembali menebak, dan Anda kehilangan seluruh manfaatnya.

Satu hal yang perlu Anda waspadai: label yang salah lebih berbahaya daripada tanpa label. Bila data terstruktur menyatakan sebuah layanan tersedia padahal sudah tidak ditawarkan, Anda memberi kabar keliru dengan penuh percaya diri kepada mesin. Karena itu, setiap kali ada perubahan layanan, kontak, atau wilayah, perbarui ketiga tempat tadi sekaligus, dan tunjuk satu orang yang bertanggung jawab memeriksanya.

Kebiasaan sederhana yang membantu adalah membuat satu catatan "fakta pokok" yang menjadi satu-satunya sumber. Setiap perubahan dimulai dari catatan itu, lalu diturunkan ke halaman, llms.txt, dan data terstruktur. Dengan begitu tidak ada tiga versi kebenaran yang saling bertabrakan.

Apa yang ada buktinya, dan apa yang tidak

Mari jujur soal bukti. Data terstruktur punya dokumentasi dari penyedia mesin pencari. Google Search Central memuat beberapa contoh perusahaan yang memakai penanda ini pada halaman hasil yang tampil lebih kaya: Rotten Tomatoes melaporkan CTR 25 persen lebih tinggi, Food Network melaporkan kunjungan naik 35 persen, dan Nestle melaporkan CTR 82 persen lebih tinggi untuk halaman hasil kaya.

Bacalah dengan benar. Angka ini kelas B: disusun Google Search Central dari kasus perusahaan-perusahaan itu sendiri, dan membahas halaman hasil di mesin pencari Google, bukan mesin jawab AI. Itu bukan hasil layanan kami dan bukan janji untuk situs Anda.

Untuk llms.txt, saya tidak mengklaim apa pun tentang hasil. Situs ini memilikinya sebagai praktik, dan kami mengajarkan cara menyusunnya. Kami tidak menyebut berapa banyak mesin yang membacanya atau seberapa besar pengaruhnya, karena kami tidak punya angka yang bisa dilacak sumbernya. Bila ada pihak yang menjanjikan "pasti dikutip karena sudah punya llms.txt", abaikan janji itu.

Batasnya jelas, jadi ini yang tidak dijanjikan oleh kedua alat ini:

• Tidak menjamin peringkat atau trafik. GEO tidak menjanjikannya, dan dua alat ini bagian dari GEO.
• Tidak menggantikan isi yang baik. Label pada fakta yang salah hanya membuat kesalahan terbaca rapi.
• Tidak berdiri sendiri. Isi halaman, llms.txt, dan data terstruktur harus bercerita hal yang sama.

Sebagian orang bertanya apakah ini pekerjaan teknis yang hanya bisa dikerjakan pengembang. Sebagian iya, yaitu memasang berkas dan penanda di kode. Tetapi bahan bakunya, yaitu fakta pokok dan kalimat ringkasnya, adalah pekerjaan pemilik usaha. Pengembang tidak bisa menulis dengan benar apa yang menjadi inti bisnis Anda, karena ia tidak menjalani bisnis itu setiap hari.

Cara mengerjakannya, dan satu pelajaran NLP

Urutan yang masuk akal bagi pemilik usaha:

1. Tulis fakta pokok. Satu halaman berisi nama usaha, layanan, wilayah, kontak, dan hal yang tidak Anda tawarkan.
2. Rapikan halaman. Pastikan nama layanan sama di beranda, halaman layanan, dan halaman kontak.
3. Susun ringkasan llms.txt. Ambil dari fakta pokok tadi, bukan menulis ulang dari nol.
4. Minta pengembang memasang data terstruktur. Berikan fakta pokok yang sama sebagai bahan.
5. Periksa kesesuaian. Bandingkan ketiganya, dan perbaiki bila ada yang berbeda.

Pelajaran NLP yang berguna di sini adalah chunking: memecah informasi menjadi potongan kecil yang mudah dicerna. Ringkasan untuk mesin sebaiknya berupa potongan pendek, satu gagasan per potongan, bukan satu paragraf panjang yang bercampur. Potongan yang utuh lebih mudah diambil mesin, dan lebih mudah dibaca manusia juga. Bagi yang ingin melatihnya untuk pesan sehari-hari, ada Chunking: Memecah Pesan agar Sampai.

Konteks yang lebih luas ada di dua tulisan lain. Agar Mesin AI Mengutip Bisnis Anda membahas mengapa mesin perlu dibantu, dan SEO, AEO, GEO: Tiga Pintu Menuju Jawaban menempatkan semuanya dalam satu peta. Hubungannya dengan website yang bekerja seperti anggota tim, ada di Website Agentic dari Dapur ke Etalase.

Bila Anda ingin dibimbing menyusun keduanya dengan contoh nyata, Agentic GEO Masterclass mengajarkan cara menyusun llms.txt dan cara kerja data terstruktur.