AI mengubah riset media bukan terutama dengan membuatnya lebih cepat melainkan dengan membuatnya terus-menerus, mengubah persona dari dokumen sekali jadi menjadi model kerja yang diperbarui sistemnya, dan menggeser keunggulan data yang bertahan dari riset publik — kini murah bagi semua orang — ke data first-party dan memori Anda yang terakumulasi.
Saya sudah 18 tahun di perencanaan dan pembelian, dan selama sebagian besar waktu itu riset adalah sebuah proyek. Anda memesannya, Anda mendapat dek, Anda memakainya seperempat tahun, dan ia basi di sebuah folder. Orang yang mengerjakannya dengan baik adalah pembaca cepat dan penyintesis yang baik. AI mengubah seberapa berharga keterampilan itu, dan mengubah di mana keunggulannya berada. Biar saya ambil ketiga bagiannya bergantian — riset, persona, dan data — karena pergeserannya berbeda di tiap bagian.
Riset berhenti menjadi proyek
Irama lamanya berperiodik: studi kategori di Q1, pemindaian pesaing saat ada yang meminta, penyegaran audiens sebelum rencana tahunan. Masing-masing adalah peristiwa, dan di antara peristiwa tim berjalan dengan memori dan insting.
Tim AI-native menjalankan riset sebagai kemampuan tetap. Sinyal publik — pergeseran kategori, kreatif pesaing, permintaan pencarian, percakapan sosial — dikumpulkan dan dirangkum terus-menerus, sesuai jadwal alih-alih atas permintaan. Keluarannya bukan dek. Ini aliran yang dibaca timnya, seperti Anda membaca dasbor alih-alih memesan laporan.
Efek praktisnya adalah timnya tak pernah memulai dari nol pada sebuah kategori, karena kategorinya sudah terus dirangkum. Untuk sampai ke sana perlu kerja yang sama tidak mencoloknya dengan bagian kluster lainnya: sumber sinyalnya harus disambungkan, ringkasannya harus punya standar, dan seseorang harus memiliki interpretasinya. Model melakukan pembacaannya, bukan keputusannya.
Apa jadinya pekerjaan analis
Ketika sintesisnya terus-menerus dan mekanis, nilai analis bergeser dari menemukan jawaban ke memilih pertanyaan yang lebih baik.
Itu bukan pergeseran kecil, dan tidak nyaman bagi siapa pun yang identitasnya adalah menjadi orang yang tahu ke mana harus mencari. Di model lama kendalanya adalah pengambilan — menemukan angkanya, studinya, tolok ukurnya. Di model baru pengambilan hampir gratis, jadi keterampilan yang langka adalah pembingkaian: mengetahui pertanyaan mana yang benar-benar perlu dijawab bisnisnya, dan jawaban mana yang akan mengubah sebuah keputusan.
Saya pernah melihat tim membuat transisi ini dengan baik dan buruk. Yang melakukannya dengan baik memberi analis kursi dalam percakapan perencanaan, karena di situlah pertanyaan bagusnya berada. Yang melakukannya dengan buruk mengotomatiskan pengambilannya dan membiarkan analis mengerjakan pekerjaan yang sama lebih cepat, lalu heran kenapa orang mereka yang paling penasaran jadi bosan. Jika pengambilan adalah pekerjaannya, pekerjaannya hilang; jika penilaian adalah pekerjaannya, pekerjaannya baru jadi lebih menarik.
Persona menjadi model kerja
Dokumen persona adalah salah satu artefak paling diam-diam tak berguna di pemasaran. Ia disusun sekali, diilustrasikan dengan foto stok, dan tak pernah diperbarui, karena memperbaruinya mahal dan tak ada yang memilikinya.
Tim AI-native memperlakukan persona sebagai model kerja. Definisi audiensnya tinggal bersama datanya, dan sistemnya memperhalusnya seiring perilakunya berubah: segmen mana yang berkonversi, pesan apa yang mendarat, asumsi mana yang patah. Persona bukanlah hasil yang dikirim; ia adalah model yang bisa ditanyai yang berada di belakang perencanaan dan kreatif.
Konsekuensi strategisnya adalah persona berhenti menjadi proyek seni dan mulai menjadi alat keputusan. Alih-alih bertanya "apakah kampanye ini cocok dengan persona kita?" — percakapan yang biasanya berakhir dengan kesepakatan — Anda bisa bertanya ke model definisi audiens mana yang paling menjelaskan hasil kuartal lalu, dan mendapat jawaban yang berlandaskan apa yang benar-benar berjalan. Itu kualitas masukan yang berbeda untuk briefnya.
Keunggulan data bergeser ke lapisan proprietary
Inilah bagian yang benar-benar penting bagi strategi, dan mudah terlewat karena riset publiknya kini begitu mengesankan.
Jika AI bisa menyintesis web publik bagi siapa pun, maka riset publik tidak lagi menjadi keunggulan — ia komoditas. Tolok ukur kategori, kreatif pesaing, studi industri: semua yang punya alur kerja yang baik bisa merangkumnya. Keunggulannya tidak bisa tinggal di sana, karena tidak lagi langka.
Keunggulan yang bertahan bergeser ke apa yang tidak bisa dilanggani pesaing: data first-party Anda, hasil kampanye masa lalu Anda, hubungan pelanggan Anda, dan memori yang diakumulasi alur kerja Anda tentang apa yang berhasil. Model yang mengingat uji tahun lalu dan hasil tahun ini lebih berharga daripada model yang lebih pintar tanpa riwayat. Itu argumen yang sama yang saya buat soal kenapa memori AI lebih penting daripada pilihan model, diterapkan pada riset: yang berlipat ada di konteksnya, bukan di modelnya.
Riset lama vs riset AI-native
| Dimensi | Riset tradisional | Riset AI-native |
|---|---|---|
| Iramanya | Proyek periodik | Kemampuan tetap |
| Keluarannya | Sebuah dek | Aliran plus model |
| Pendorong biaya | Jam analis | Akses data dan tata kelola |
| Pekerjaan analis | Menemukan dan menyintesis | Membingkai pertanyaan dan menafsirkan |
| Persona | Dokumen statis | Model hidup di belakang perencanaan |
| Keunggulan | Sintesis yang lebih baik | Data proprietary dan memori |
| Mode gagal | Basi dan tak terpakai | Data tidak bersih dan kepemilikan tidak jelas |
Baca baris terakhirnya sebagai peringatan. Versi AI-native gagal di tempat yang berbeda dari yang tradisional — bukan karena basi, tapi karena memasok sistem yang cepat dan percaya diri dengan data yang tak ada yang membersihkan atau mengatakelolanya.
Tata kelola adalah prasyarat, bukan administrasi
Anda tidak bisa membangun lapisan memorinya sebelum memutuskan apa yang boleh dilihat model, apa yang boleh keluar dari sistem Anda, dan siapa yang memiliki jawabannya ketika ada yang salah.
Inilah kenapa tata kelola mendarat di jalur Strategi alih-alih di lampiran kepatuhan. Begitu Anda menghubungkan data first-party ke alur kerja riset atau perencanaan, Anda telah membuat sekumpulan keputusan tentang batas dan persetujuan — dan jika Anda menangguhkannya, Anda akan membangun ulang lapisannya nanti di bawah pengawasan pengacara, dengan biaya beberapa kali lipat. Tim yang memperlakukan tata kelola sebagai prasyarat bergerak lebih lambat selama dua pekan dan lebih cepat selama dua tahun.
Panduan Eksekusi lebih dalam soal sisi operasi ini, tapi poin strategisnya sederhana: lapisan proprietary adalah tempat keunggulannya berada, dan lapisan proprietary justru hal yang tidak boleh Anda tangani secara sembarangan.
Apa yang sebenarnya harus dilakukan tim in-house
Jika Anda memiliki data dan peta jalan Anda, urutannya luar biasa jelas.
- Sambungkan sumber sinyalnya untuk satu kategori atau satu audiens — bukan semuanya. Riset terus-menerus pada satu hal lebih berharga daripada riset sporadis pada sepuluh.
- Definisikan standar ringkasannya agar alirannya bisa dipercaya: sumber mana yang dihitung, sintesis yang baik seperti apa, siapa yang memvalidasinya.
- Dirikan persona sebagai model di belakang satu alur kerja — perencanaan atau kreatif — dan biarkan ia memperbarui dari hasil nyata.
- Putuskan batas data Anda sebelum menghubungkan data first-party, dan tuliskan siapa yang memiliki jawabannya ketika modelnya salah.
- Lindungi kursi analis dalam keputusannya, karena membingkai pertanyaan kini adalah pekerjaannya.
Jalur untuk tim in-house menyusun ini terhadap sisa model operasinya, dan Panduan Strategi menaruhnya dalam konteks seluruh jalurnya. Selesaikan satu tahap sebelum melebarkan ke berikutnya.
FAQ
Apakah AI menggantikan peneliti media?
Ia menggantikan separuh pengambilan dari pekerjaannya, yang merupakan sebagian besar jamnya. Ia tidak menggantikan pembingkaian pertanyaan atau penafsiran jawabannya. Peneliti yang berpindah ke separuh penilaian menjadi lebih berharga; yang dibayar untuk pengambilan bergerak lebih cepat lalu membutuhkan definisi ulang perannya.
Apakah persona masih berguna sama sekali?
Ya, tapi sebagai model kerja alih-alih dokumen. Persona yang diperbarui dari hasil kampanye nyata adalah alat keputusan. Persona yang disusun sekali dan tak pernah dikunjungi lagi adalah dekorasi, dan AI tidak menyelamatkannya — ia hanya membuat dekorasinya lebih murah diproduksi.
Apakah riset publik kini tak berharga?
Tidak, ia masukan yang berguna dan lebih cepat dari sebelumnya. Ia hanya tidak lagi menjadi keunggulan, karena semua orang punya akses ke sintesis yang sama. Keunggulannya berpindah ke data dan memori proprietary Anda, yang merupakan bagian yang tidak bisa ditiru pesaing dengan berlangganan alat yang sama.
Di mana tata kelola data cocok?
Sebagai prasyarat, sebelum Anda menghubungkan data first-party. Memutuskan apa yang boleh dilihat model, apa yang boleh keluar dari sistem Anda, dan siapa yang memiliki jawabannya adalah bagian dari desain riset sekarang, bukan renungan belakangan soal kepatuhan. Lewati dan Anda akan membangun ulang lapisannya nanti, di bawah pengawasan.
Versi singkat
AI membuat riset terus-menerus, mengubah persona menjadi model hidup, dan menggeser keunggulan yang bertahan ke data dan memori proprietary Anda. Pekerjaan analis bergeser dari pengambilan ke pembingkaian, dan tata kelola berhenti menjadi administrasi dan menjadi hal yang memungkinkan lapisan proprietary itu ada sama sekali. Model melakukan pembacaannya; Anda melakukan penilaiannya.
Saya masih belajar bidang ini di depan umum, dan saya telah salah soal di mana keunggulannya akan menetap lebih dari sekali. Tapi bagian ini bertahan: ketika sintesisnya gratis, hal yang langka adalah pertanyaan yang baik dan riwayat Anda sendiri.
Jika tim Anda pernah membuat pergeseran ini, saya ingin mendengar apa yang terjadi pada peran penelitinya — di situlah kisah sebenarnya biasanya berada.
Salam, Chandler
Artikel ini tersedia dalam bahasa Indonesia. Materi kursus (video, template, dan panduan pendamping) tersedia dalam bahasa Inggris, Jepang, Tionghoa Sederhana, dan Korea. Situs ini tersedia dalam 13 bahasa.