TL;DR: Dalam audit terhadap 100 listing di ChatGPT, Perplexity, dan Gemini, citation rate naik dari 12% untuk listing yang hanya berisi prose menjadi 71% untuk listing dengan data geo terstruktur lengkap. Tiga sinyal yang paling menggerakkan angka adalah koordinat geo terverifikasi, field nearby context, dan konsistensi NAP lintas platform.
Selama dua minggu pertama April 2026 kami menjalankan audit terkontrol terhadap 100 listing berbasis lokasi untuk menjawab satu pertanyaan: seberapa besar sebetulnya data geo terstruktur mengubah tingkat AI assistant mengutip sebuah listing?
Jawabannya, singkatnya, adalah sekitar enam kali lipat antara bucket terendah dan tertinggi. Berikut metodologi lengkap, hasil per bucket, serta implikasi praktis bagi siapa saja yang sedang mengoptimasi listing untuk AI search.
Metodologi
Listing. 100 listing lintas empat vertical: 30 vacation rental, 25 boutique hotel, 25 restoran independen, dan 20 atraksi lokal. Geografi mencakup 14 kota Eropa untuk membatasi bias pasar tunggal. Semua listing memiliki homepage aktif dan terindeks, serta setidaknya satu kehadiran direktori pihak ketiga.
Set kueri. Lima belas template prompt discovery-intent per listing, mencakup discovery generik ("hotel boutique yang tenang di Porto"), discovery berbasis fitur ("hotel di Porto yang walkable ke metro"), dan named recall ("apakah Casa do Vale guesthouse yang bagus di Porto"). Setiap template dijalankan segar, tanpa conversation history, di session yang bersih.
Model. ChatGPT (kelas GPT-5), Perplexity, Gemini. Setiap prompt dijalankan sekali per model, menghasilkan 45 respons per listing dan 4.500 respons total.
Penilaian. Sebuah respons dihitung sebagai sitasi jika listing muncul sebagai linked source, disebut secara eksplisit di jawaban, atau keduanya. Kecocokan nama parsial diperiksa manual untuk menolak false positive.
Bucketing. Setiap listing dinilai MapAtlas AEO Checker terhadap 29 sinyal terstruktur, lalu dikelompokkan ke dalam empat bucket kelengkapan. Threshold bucket ditetapkan sebelum penilaian dimulai.
Hasil Utama
Gap citation rate antara bucket terbawah dan teratas lebih besar dari yang kami duga.
Sumber: MapAtlas benchmark, April 2026, n=100 listing, 4.500 respons.
Bucket terbawah, yaitu listing dengan prosa kaya tapi tanpa structured data, mencapai citation rate 12%. Bucket teratas, yaitu listing dengan Place schema lengkap, koordinat geo terverifikasi, field nearby-context, FAQ schema, dan NAP konsisten antar platform, mencapai 71%.
Rincian per Sinyal
Untuk memahami sinyal individu mana yang menggerakkan hasil bucket teratas, kami menjalankan feature-ablation analysis. Untuk setiap dari enam sinyal berbobot tertinggi, kami membandingkan citation rate listing yang memiliki sinyal dengan yang tidak, sambil menjaga variabel lain kira-kira konstan.
| Sinyal | Dengan sinyal | Tanpa sinyal | Lift |
|---|---|---|---|
JSON-LD Place lengkap dengan geo | 58% | 19% | 3.1x |
| Data POI terdekat terverifikasi | 62% | 24% | 2.6x |
| Field transit-proximity | 54% | 22% | 2.5x |
| FAQ schema dengan pertanyaan lokasi | 49% | 26% | 1.9x |
| Konsistensi NAP di 3+ platform | 56% | 21% | 2.7x |
| External identifier (Wikidata / Place ID) | 51% | 27% | 1.9x |
Sumber: MapAtlas benchmark, April 2026.
Empat takeaway dari tabel ini:
- Koordinat geo adalah lift tunggal terkuat. Blok Place tanpa
geohanya sedikit lebih baik daripada tidak ada schema sama sekali. - Nearby context hampir sama kuatnya. Kedekatan ke POI yang disebutkan dan transit adalah prediktor sitasi terbesar kedua.
- FAQ schema membantu, tapi lebih kecil dibanding sinyal spesifik lokasi. FAQ yang menjawab pertanyaan lokasi ("seberapa jauh metro terdekat") mengungguli FAQ operasional generik dengan margin besar.
- External identifier punch above their weight. Merekonsiliasi listing ke Wikidata QID atau Google Place ID hampir melipatgandakan citation rate di ablation, kemungkinan karena memungkinkan sistem AI melakukan deduplikasi antar sumber.
Perbedaan per Vertical
Besaran efek tidak seragam antar vertical. Vacation rental, yang mulai dari baseline terlemah, menunjukkan absolute gain terbesar dari structured data. Landmark, yang sudah terwakili dengan baik di training data, menunjukkan yang terkecil.
| Vertical | Bucket bawah | Bucket atas | Gap |
|---|---|---|---|
| Vacation rental | 7% | 68% | +61 |
| Boutique hotel | 14% | 74% | +60 |
| Restoran independen | 13% | 69% | +56 |
| Atraksi lokal | 18% | 72% | +54 |
Sumber: MapAtlas benchmark, April 2026.
Vacation rental adalah kemenangan paling jelas. Listing yang tadinya tidak terlihat bisa menjadi sumber yang konsisten dikutip hanya melalui structured data saja. Efeknya lebih lemah, meski tetap signifikan, untuk venue yang sudah punya representasi publik yang kuat.
Apa yang Sebenarnya Dilakukan Model
Selama review kualitatif terhadap 200 respons, satu pola berulang muncul. Ketika sebuah listing punya structured data lengkap, assistant cenderung mengutip fakta spesifik: waktu tempuh jalan kaki ke stasiun, jumlah restoran dalam radius 300 meter, nama lingkungan, jam buka. Ketika listing yang sama di-strip dari structured data-nya, assistant entah menghilangkannya sama sekali atau mendeskripsikannya dalam istilah generik.
Ini sejalan dengan cara model retrieval-augmented cenderung berperilaku. Mereka lebih suka mengutip sumber yang menjawab pertanyaan dengan fakta konkret dan bisa diverifikasi. Prosa yang menggambarkan listing sebagai "tenang dan walkable" kalah dari field terstruktur yang menyatakan "walk score 92, rata-rata noise index 18 dB." Versi kedua lebih mudah di-extract, lebih mudah dibandingkan dengan kueri user, dan lebih mudah di-attribute.
Apa yang Memindahkan Listing dari Bucket 1 ke Bucket 4
Berdasarkan ablation, empat perubahan menjelaskan sebagian besar lift:
1. Tambahkan blok JSON-LD Place atau LodgingBusiness lengkap dengan koordinat geo. Koordinat yang cocok dengan alamat pos, external identifier canonical, dan semua field Schema.org yang diperlukan. Panduan structured data Google untuk local business sendiri mendaftar field yang paling berbobot. Lihat JSON-LD schema untuk sitasi AI local business untuk detail per field.
2. Perkaya listing dengan nearby context terverifikasi. Waktu tempuh jalan kaki ke stasiun transit terdekat, jumlah restoran dan cafe sekitar, POI yang disebutkan dalam radius tertentu. MapAtlas GeoEnrich menghasilkan ini dalam skala besar dari sumber terverifikasi sehingga bisa ditanam baik di schema maupun copy halaman.
3. Publikasikan FAQ schema spesifik lokasi. Pertanyaan yang langsung memetakan ke cara user merangkai kueri lokasi. Lihat FAQ spesifik lokasi untuk AI search.
4. Reconcile NAP antar platform. Homepage listing, Google Business Profile, dan setidaknya satu direktori pihak ketiga harus menampilkan nama, alamat, dan telepon yang sama. Konsistensi NAP untuk AI search membahas mekanismenya.
Catatan Penting
Benchmark ini bersifat indikatif, bukan definitif. Tiga batasan yang perlu disebut:
- Ukuran sampel. 100 listing cukup untuk melihat efek besar, tapi tidak cukup untuk meresolusi perbedaan halus.
- Model drift. AI assistant di-update sering. Angka absolut akan bergeser; urutan relatif antar sinyal lebih stabil.
- Komposisi kueri. Template kami condong ke discovery intent. Kueri transaksional ("booking kamar di Porto malam ini") dirutekan berbeda dan tidak masuk scope.
Poin yang lebih luas bukan soal presisi angka tunggal manapun. Poinnya adalah bahwa gap antara listing terstruktur dan tidak terstruktur itu besar, terukur, dan sebagian besar bisa ditutup lewat pekerjaan yang berada dalam kendali pemilik listing.
Ukur Baseline Anda Sendiri
MapAtlas AEO Checker menilai sebuah listing terhadap 29 sinyal yang sama yang digunakan di benchmark ini. Jalankan pada properti Anda yang berperforma tertinggi, lalu pada yang terlemah. Delta skornya biasanya cocok dengan delta seberapa sering masing-masing dimunculkan oleh AI assistant dalam praktik.
Citation rate menjadi padanan organic ranking untuk generasi user yang search lewat AI. Listing yang menang adalah listing yang memberi model sesuatu untuk di-extract. Sisanya hanya prosa yang akan diabaikan model dengan sopan.
Bacaan terkait:
- Mengapa AI assistant berhalusinasi soal alamat
- SEO dulu keyword-to-keyword, sekarang database-to-database
- FAQ spesifik lokasi untuk AI search
- Cek skor visibilitas AI Anda secara gratis
Pertanyaan yang Sering Diajukan
Apa itu AI citation rate?
AI citation rate adalah proporsi kueri user relevan di mana sebuah AI assistant menyertakan listing tertentu dalam sumber yang dikutip atau menyebut listing itu secara eksplisit di jawabannya. Ini adalah setara organic ranking versi AI search, namun diukur pada level jawaban, bukan level halaman hasil. Listing dengan citation rate 40% muncul di dua dari setiap lima jawaban relevan lintas assistant yang diuji.
Bagaimana benchmark ini dilakukan?
Kami memilih 100 listing lintas empat vertical: vacation rental, boutique hotel, restoran independen, dan atraksi lokal. Setiap listing di-query 15 kali melalui ChatGPT, Perplexity, dan Gemini menggunakan template standar pertanyaan discovery-intent. Respons dinilai berdasarkan apakah listing muncul sebagai sumber yang dikutip atau rekomendasi yang disebutkan namanya. Listing kemudian di-bucket berdasarkan kelengkapan structured data-nya, yang diukur oleh MapAtlas AEO Checker.
Sinyal apa yang paling berpengaruh pada citation rate?
Tiga sinyal paling menggerakkan angka: keberadaan blok JSON-LD Place atau LodgingBusiness lengkap dengan koordinat geo, nearby context terverifikasi seperti waktu tempuh transit dan kedekatan ke POI yang disebutkan, serta konsistensi NAP antara Google Business Profile, homepage listing, dan setidaknya satu direktori pihak ketiga. Listing yang mendapat skor tinggi di ketiganya punya citation rate kira-kira enam kali lebih tinggi dibanding listing yang mendapat skor rendah di ketiganya.
Apakah deskripsi prosa saja membantu?
Sedikit saja. Deskripsi prosa panjang yang mengandung kata kunci lokasi namun tanpa structured data menghasilkan baseline citation rate sekitar 12%. Menambahkan markup Schema.org tanpa field geo terverifikasi menaikkan angka ke sekitar 28%. Menambahkan nearby context terverifikasi dan data NAP konsisten menaikkannya lebih jauh, hingga sekitar 71% untuk bucket berskor tertinggi. Kualitas prosa penting untuk kepercayaan user setelah sebuah listing dikutip, namun efeknya terbatas pada apakah listing itu dikutip sejak awal.
Bagaimana cara mengukur citation rate saya sendiri?
Jalankan URL listing Anda lewat MapAtlas AEO Checker gratis di mapatlas.eu/ai-seo-checker. Checker ini menilai 29 sinyal yang sama yang digunakan dalam benchmark ini dan menandai sinyal mana yang hilang. Kombinasikan skor tersebut dengan prompt manual berkala di ChatGPT, Perplexity, dan Gemini untuk melacak seberapa sering listing Anda muncul dari waktu ke waktu.
