AI membuat setiap merek terdengar sama karena tim menanyakan hal serupa kepada model yang serupa, dan model menjawab dengan bahasa yang paling mungkin untuk kategori itu. Itulah homogenisasi konten AI. Solusinya bukan prompt yang lebih cerdik, melainkan masukan yang berbeda: data kategori yang menunjukkan apa yang sudah dikatakan kompetitor, dilema audiens mana yang belum dimiliki siapa pun, dan apa yang pernah berhasil untuk audiens ini.
Poin penting
- Homogenisasi adalah sifat dari keseluruhan kumpulan konten, bukan dari satu karya mana pun: setiap postingan bisa tampak bagus sementara kategorinya konvergen.
- Ia berasal dari model yang sama, brief yang sama, dan volume yang meningkat, yang semuanya menarik output ke arah jawaban yang paling mungkin.
- Mengambil data kategori yang nyata sebelum menghasilkan konten memberi model sesuatu yang spesifik untuk dibedakan dan sesuatu yang spesifik untuk dikatakan.
- Anda dapat mengukur konvergensi dengan uji sederhana, mulai dari uji tukar merek hingga skor kemiripan dari waktu ke waktu.
Apa itu homogenisasi konten AI?
Homogenisasi konten AI adalah kecenderungan konten berbantuan AI bergeser menuju ide, struktur, dan frasa yang sama di banyak merek. Hal ini dapat diukur sebagai kemiripan antar-output yang meningkat, meskipun setiap output secara terpisah dinilai baik.
Bukti paling jelas datang dari studi oleh Anil Doshi dan Oliver Hauser yang diterbitkan di Science Advances. Penulis yang dapat memanfaatkan ide dari AI menghasilkan cerita yang dinilai 8.1% lebih tinggi dalam kebaruan dan 9% lebih tinggi dalam kegunaan, tetapi cerita yang memakai satu ide AI menjadi 10.7% lebih mirip satu sama lain dibandingkan cerita yang ditulis tanpa AI. Seperti kata Doshi, “ada risiko kehilangan kebaruan kolektif” (University of Exeter).
Itulah jebakan bagi tim pemasaran. Setiap peninjau menyetujui draf yang lebih baik dari rata-rata, dan tidak ada yang melihat kategori secara keseluruhan, di mana semua draf yang lebih baik dari rata-rata kini terdengar serupa.
Mengapa AI membuat setiap merek terdengar sama?
Karena model yang sama, yang diberi jenis brief yang sama, mengembalikan titik tengah dari distribusi yang sama. Tiga kekuatan mendorong ke arah itu sekaligus.
Model yang sama condong pada yang paling mungkin
Model bahasa dilatih untuk menghasilkan teks yang mungkin. Saat diminta membuat iklan perawatan kulit atau postingan fintech dengan sedikit bahan lain, ia mengembalikan frasa yang paling sering dilihatnya untuk kategori itu. Secara statistik, ia mengarah ke modus, dan setiap merek yang memakai model yang sama mengarah ke modus yang sama.
Brief yang sama menghapus perbedaan
Sebagian besar brief ditulis dari norma kategori: persona yang sama, manfaat yang sama, ajakan bertindak yang sama. Model tidak dapat menambahkan pembeda yang tidak ada dalam masukannya, sehingga brief generik menghasilkan output generik sebagus apa pun modelnya.
Volume melipatgandakan efeknya
Perangkat generatif telah membuat varian menjadi murah. Tim teknik Meta melaporkan bahwa lebih dari satu juta pengiklan menggunakan perangkat generative AI mereka untuk membuat lebih dari 15 juta iklan dalam sebulan, dan membangun mesin pengambilan Andromeda untuk menangani volume materi kreatif iklan yang bertumbuh pesat (Engineering at Meta). Lebih banyak varian dari masukan yang sama menambah volume tanpa menambah keragaman.
Apa yang ditunjukkan data SOMIN tentang keseragaman?
Percakapan pemasaran yang kami pantau mulai menyebut masalah ini secara langsung. Empat sinyal menonjol di workspace SOMIN.
- Di workspace optimalisasi iklan kami, mesin insight menghasilkan insight “Keaslian adalah penawar homogenisasi” untuk dilema konsumen tentang diferensiasi merek, dengan angle berdasarkan teori homogenisasi budaya: merek yang mengandalkan templat dan format AI yang serupa kehilangan suara mereka sendiri. Basis buktinya kecil, 11 postingan, tetapi ringkasan dilema di baliknya eksplisit tentang konten buatan AI yang menghasilkan pesan yang seragam.
- Di workspace konten kreatif kami, yang mengikuti merek-merek perangkat konten AI, sebuah studi perspektif atas 108 postingan (27 September hingga 27 Oktober 2025) menemukan bahwa konten perangkat itu sendiri membahas kejenuhan konten AI berkualitas rendah yang mempersulit koneksi autentik, di samping tekanan bagi tim untuk memublikasikan dengan kecepatan yang belum pernah ada sebelumnya.
- Di workspace riset audiens kami, studi whitespace pemasaran selama 30 hari atas 151 postingan (Oktober 2026) mengelompokkan 22 postingan di bawah dilema keaslian dan koneksi, termasuk krisis kepercayaan di kalangan pengguna Gen Z yang terkait dengan konten buatan AI dan kepalsuan yang dikurasi.
- Momen kebenaran yang dihasilkan model SOMIN mencakup pikiran “Jika kita tidak menemukan angle yang unik, kita berisiko menjadi tak terlihat oleh audiens kita.” Itu adalah pembacaan model atas persona, bukan kutipan, tetapi menggambarkan biaya komersialnya dengan baik.
Bagaimana data konteks melawan homogenisasi?
Ia mengubah apa yang menjadi syarat bagi model. Ketika model membaca data kategori yang nyata sebelum menulis, jawaban yang paling mungkin tidak lagi rata-rata kategori; melainkan jawaban yang paling mungkin untuk merek ini, kompetitor ini, dan audiens ini.
Inilah topik makalah SIGIR 2026 SOMIN, “SOMIN: Agentic AI for Automating Professional Visibility and Countering Content Homogenization” (ACM SIGIR 2026). Makalah itu menjelaskan agentic AI berbasis retrieval-augmented yang membantu para profesional menulis konten LinkedIn yang khas, termasuk publikasi otomatis. Prinsipnya, yang dirangkum di halaman riset kami, adalah agen mengambil data konteks yang nyata sebelum menulis, sehingga konten tetap khas alih-alih konvergen ke output generik yang sama.
Dalam praktiknya, empat jenis konteks yang diambil melakukan sebagian besar pekerjaannya.
- Apa yang sudah dikatakan kompetitor. Setelah proposisi yang padat masuk ke dalam konteks, model dapat diminta untuk menghindarinya.
- Dilema yang berbukti. Dilema audiens yang spesifik dan berbukti memberi model alasan untuk mengatakan sesuatu yang khusus.
- Bukti milik merek sendiri. Kebenaran produk dan klaim yang hanya dapat dibuat merek ini, menurut definisi, tidak ada dalam rata-rata kategori.
- Riwayat kinerja. Pemenang dan pecundang di masa lalu menjadi jangkar bagi karya baru pada apa yang pernah ditanggapi audiens ini.
Gagasan yang sama mengalir melalui agen Social Media Manager kami, yang memantau apa yang diterima di sebuah kategori dan menulis dengan suara merek itu sendiri; agen ini sudah menjalankan LinkedIn SOMIN sendiri.
Bagaimana Anda tahu apakah konten Anda mulai konvergen?
Ukurlah, jangan diperdebatkan. Pemeriksaan di bawah ini berkisar dari uji sepuluh menit hingga metrik berkelanjutan.
| Pemeriksaan | Cara menjalankannya | Yang diungkapkannya |
|---|---|---|
| Uji tukar merek | Ganti nama merek Anda dengan nama kompetitor pada sepuluh iklan atau postingan terakhir Anda | Jika sebagian besar masih terbaca wajar, berarti copy-nya generik untuk kategori |
| Kemiripan diri dari waktu ke waktu | Buat embedding postingan terbaru Anda dan lacak rata-rata kemiripan berpasangannya bulan demi bulan | Garis yang naik berarti output Anda sendiri sedang konvergen |
| Kemiripan dengan kompetitor | Bandingkan embedding postingan Anda dengan postingan kompetitor pada periode yang sama | Apakah Anda bergeser menuju pusat kategori |
| Cakupan angle | Beri tag pada setiap konten menurut dilema dan angle, lalu bandingkan dengan cakupan kompetitor | Apakah Anda berdesakan di beberapa angle yang sama |
| Jejak bukti | Hitung konsep yang tertaut ke postingan, ulasan, hasil uji, atau kebenaran produk | Konsep yang tidak dapat dilacak biasanya yang generik |
Jika Anda menggunakan Claude, pemberi skor keragaman konten di plugin Marketing Mondays gratis kami menilai seberapa beragam kreatif sebuah merek, dari 0 hingga 100, dibandingkan para kompetitornya.
Apakah konten yang dihomogenisasi merugikan hasil?
Ia melemahkan dua hal yang menjadi tujuan konten: ditemukan dan dipilih. Platform pencarian dan iklan menghargai konten yang menambah sesuatu, dan audiens mengabaikan apa yang sudah pernah mereka lihat.
Panduan Google jelas bahwa konten buatan AI tidak dilarang dengan sendirinya, tetapi menggunakan AI untuk membuat banyak halaman tanpa menambah nilai bagi pengguna dapat melanggar kebijakan spam mereka tentang penyalahgunaan konten dalam skala besar (Google Search Central). Di media sosial berbayar, iklan yang tampak seperti milik semua orang memberi sistem penayangan dan pemirsa sedikit alasan untuk memilihnya. Panduan kami tentang rekayasa konteks untuk pemasaran membahas cara membangun masukan yang mencegah hal ini.
FAQ
Apa itu homogenisasi konten AI?
Itu adalah kecenderungan konten berbantuan AI dari berbagai merek untuk konvergen pada ide dan frasa yang sama, karena model yang serupa menerima brief yang serupa dan mengembalikan jawaban yang paling mungkin untuk kategori itu.
Mengapa ChatGPT menulis hal yang sama untuk setiap merek?
Tanpa konteks yang spesifik, model mengisi kekosongan dengan apa yang lazim untuk kategori itu. Setiap merek yang memberinya brief serupa menerima jawaban serupa.
Bisakah prompt yang lebih baik mengatasi keseragaman AI?
Hanya sebagian. Pilihan kata mengubah nada, tetapi output yang berbeda membutuhkan masukan yang berbeda: data kompetitor, dilema audiens yang berbukti, bukti merek, dan riwayat kinerja.
Bagaimana mengukur keragaman konten?
Lacak kemiripan postingan Anda sendiri dari waktu ke waktu dan terhadap kompetitor menggunakan text embedding, beri tag konten menurut angle untuk melihat cakupan, dan jalankan uji tukar merek pada iklan terbaru.
Apakah konten buatan AI buruk untuk SEO?
Tidak dengan sendirinya. Kekhawatiran Google adalah konten berskala besar yang tidak menambah nilai bagi pengguna, sehingga halaman berbantuan AI membutuhkan informasi orisinal, akurasi, dan tujuan yang jelas.
Jalankan uji tukar merek pada sepuluh iklan terakhir Anda minggu ini. Jika lebih dari beberapa yang lolos dari pertukaran, mulailah memberi perangkat Anda data kategori sebelum mereka menulis, dan lacak kemiripan bulan demi bulan agar Anda bisa melihat perubahannya.
