Pendahuluan: Kecerdasan Buatan di Persimpangan Harga B2B
Kecerdasan buatan semakin diandalkan untuk mengotomatiskan riset belanja perusahaan, termasuk membandingkan harga software B2B. Namun, realitanya tidak semulus yang dibayangkan. Sebuah studi terbaru dari Siteline menunjukkan bahwa agen AI seperti Claude justru gagal membaca informasi harga dari situs resmi vendor. Alih-alih mempercepat keputusan, agen-agen ini tersandung pada akses terbatas dan struktur data yang tidak ramah mesin. Kondisi ini menjadi peringatan serius bagi pelaku industri yang mulai mengandalkan AI dalam proses procurement.
Temuan Mengejutkan dari Uji Coba Siteline
Dalam eksperimennya, Siteline menguji 100 produk B2B teratas menggunakan agen Claude. Hasilnya mencengangkan: sebagian besar agen mengalami error saat mencoba mengambil data harga dari laman resmi. Banyak halaman yang menggunakan pemuatan sisi klien (client-side rendering) sehingga tabel harga yang tampak penuh di browser justru kosong di mata agen. Agen pun terpaksa bergantung pada informasi dari situs pihak ketiga yang seringkali tidak akurat atau tidak resmi. Temuan ini membongkar kelemahan fundamental dalam desain web modern yang tidak mengakomodasi agen AI.
Kendala Teknis: Mengapa Agen AI Gagal Membaca Tabel Harga?
Salah satu penyebab utama adalah rendering sisi klien yang tidak terdeteksi oleh crawler AI. Tabel rencana langganan yang dihasilkan oleh JavaScript seringkali hanya muncul setelah interaksi pengguna, sementara agen hanya menarik 15.000 hingga 20.000 token pertama dari halaman. Akibatnya, elemen harga yang berada di bawah ambang token tersebut tidak akan pernah terbaca. Selain itu, penggunaan tombol “Hubungi Sales” sebagai pengganti harga transparan menjadi penghalang mutlak karena agen tidak dapat melakukan kontak langsung. Kendala-kendala ini menciptakan blind spot besar bagi analisis berbasis AI.
Contoh Nyata: FullStory, Databricks, dan Jalan Buntu ‘Hubungi Sales’
Studi ini menyoroti beberapa kasus spesifik yang menggambarkan masalah dengan jelas. Situs FullStory, misalnya, sama sekali tidak menampilkan angka harga pada halaman produknya, sehingga agen Claude tidak menemukan data apa pun. Databricks menetapkan tarif $0,95 per run yang seharusnya transparan, namun kalkulator harganya tersembunyi di balik mekanisme yang tidak dapat diakses oleh agen dan justru mengarahkan ke pihak ketiga. Tombol “Hubungi Sales” yang lazim digunakan vendor B2B berubah menjadi jalan buntu bagi agen pembeli, yang pada akhirnya dapat merekomendasikan kompetitor dengan harga publik. Situasi ini menunjukkan betapa desain konvensional menghambat otomatisasi pembelian.
Dampak Negatif pada Pembeli dan Vendor B2B
Kegagalan agen AI membaca harga tidak hanya merugikan pembeli, tetapi juga vendor yang kehilangan peluang penjualan. Agen yang tidak menemukan harga cenderung menganggap produk tidak transparan atau bahkan tidak layak, dan otomatis menyarankan alternatif lain. Bagi perusahaan yang mengandalkan model penjualan berbasis konsultasi, ini menjadi ancaman serius karena calon pelanggan potensial bisa beralih sebelum berinteraksi dengan tim sales. Di sisi lain, pembeli kehilangan efisiensi dan berisiko membuat keputusan berdasarkan informasi parsial dari sumber tidak resmi. Ketergantungan pada AI yang belum sempurna justru menciptakan siklus frustrasi di kedua belah pihak.
Rekomendasi Perbaikan dari Perspektif Teknis
Siteline memberikan sejumlah rekomendasi praktis untuk mengatasi masalah ini. Pertama, vendor perlu menerapkan rendering sisi server (SSR) agar struktur harga langsung tersedia dalam HTML awal yang dapat diindeks oleh agen. Detail harga dan fitur utama sebaiknya ditempatkan di bagian atas halaman, dalam jangkauan token yang dipindai agen. Selain itu, penyediaan data terstruktur seperti JSON-LD atau markup schema akan membantu agen memahami konteks harga tanpa harus mengurai antarmuka visual. Langkah-langkah ini tidak hanya membantu agen AI, tetapi juga meningkatkan SEO secara umum karena mesin pencari konvensional pun menyukai konten yang mudah dirayapi.
Peran llms.txt dan Kontroversi Dukungan Google
Salah satu usulan yang muncul adalah penggunaan file llms.txt sebagai standar baru untuk menginstruksikan agen AI tentang struktur konten. Meskipun konsep ini menarik, dukungan dari raksasa seperti Google masih belum jelas dan panduan yang diberikan pun berbeda-beda. Beberapa praktisi meragukan efektivitasnya karena belum ada bukti independen yang menunjukkan peningkatan signifikan. Namun, dalam jangka panjang, adopsi protokol semacam ini bisa menjadi jembatan antara web manusia dan web mesin. Untuk saat ini, fokus tetap pada optimalisasi teknis fundamental yang sudah terbukti.
Kesimpulan: Saatnya Bisnis Beradaptasi dengan Agen AI
Studi Siteline menjadi panggilan bangun bagi industri B2B untuk merancang ulang halaman harga mereka dengan mempertimbangkan agen AI sebagai audiens baru. Kegagalan membaca harga bukanlah masalah sepele, melainkan cerminan kesenjangan antara perkembangan AI dan infrastruktur web yang ada. Dengan menerapkan rendering server-side, menempatkan informasi kunci di awal halaman, dan mungkin mempertimbangkan llms.txt di masa depan, vendor dapat memastikan produk mereka tetap kompetitif di era agen otonom. Masa depan pembelian B2B sangat mungkin dikuasai oleh AI; saatnya berbenah sebelum pasar sepenuhnya dikendalikan oleh mesin.
