Apa yang Sebenarnya Terjadi di Balik “Item yang Mungkin Anda Suka”: Dua Sisi Rekomendasi AI

Hanya dalam lima menit browsing, sudah ada tiga item di keranjang belanja saya—semua berkat "rekomendasi AI." Padahal awalnya saya cuma ingin mencari satu kemeja, tapi saran "Anda mungkin juga suka ini" malah membawa saya ke sebuah kardigan dan syal. Saat menyadari bahwa 35% pendapatan Amazon berasal dari algoritma rekomendasi (McKinsey), semuanya jadi masuk akal, bukan?

Bagaimana Algoritma Membaca Pikiranmu

Mengapa rekomendasi AI terasa sangat akurat hingga terkadang bikin merinding? Apakah ia benar-benar bisa membaca pikiranmu?

Sebenarnya, ia tidak membaca pikiran—melainkan membaca perilakumu.

AI mengumpulkan tiga jenis sinyal utama. Pertama, sinyal perilaku: apa yang kamu klik, berapa lama kamu melihat sebuah produk, apa yang kamu cari, dan apa yang akhirnya kamu beli. Puluhan titik data dikumpulkan hanya dalam satu sesi saja. Kedua, atribut produk: warna, bahan, fit, merek, dan rentang harga. Ketiga, informasi kontekstual: waktu, cuaca, lokasi, dan perangkat yang kamu gunakan.

Dengan menggabungkan ketiga faktor ini, AI menghitung probabilitas kamu menyukai sebuah Item tertentu. Ia mengidentifikasi apa yang disukai oleh orang-orang dengan pola perilaku serupa—sebuah proses yang disebut collaborative filtering.

Baru-baru ini, teknologi ini berkembang lebih jauh dengan hadirnya AI percakapan. AI kini dapat memahami pertanyaan dalam bahasa sehari-hari seperti, "Apa yang harus aku pakai untuk brunch santai di akhir pekan?" dan memberikan rekomendasi yang sesuai konteks. Penelitian menunjukkan bahwa pendekatan ini menghasilkan tingkat kepuasan pelanggan yang lebih tinggi daripada metode tradisional.

Meskipun teknologinya mengesankan, masalah sebenarnya terletak di tempat lain.

Desain di Balik Kemudahan

Semakin akurat rekomendasi AI di platform belanja, semakin banyak pula yang kita beli. Ini bukan kebetulan; ini memang disengaja secara desain.

Pertimbangkan metrik keberhasilan utama bagi algoritma rekomendasi: tingkat konversi—persentase rekomendasi yang berujung pada pembelian. Tujuan algoritma adalah untuk meningkatkan angka ini. Dengan kata lain, ia dioptimalkan untuk membuatmu "membeli," bukan untuk memberi tahu apa yang benar-benar kamu butuhkan.

Beberapa taktik psikologis tertanam dalam sistem ini:

Filter Bubble. AI secara konsisten menunjukkan gaya yang sudah kamu sukai. Meski terasa nyaman, hal ini bisa membuat gayamu stagnan dan mengurangi kesempatan untuk mencoba sesuatu yang baru.

Urgency Framing (Menciptakan Rasa Mendesak). Pesan-pesan seperti "penawaran terbatas 24 jam," "3 orang sedang melihat ini," atau "stok menipis" memaksa kita mengambil keputusan cepat. Item yang mungkin akan kamu lewatkan jika punya waktu untuk berpikir, akhirnya berakhir di keranjang belanja karena rasa urgensi tersebut.

Pengumpulan Data Pasif. Data dikumpulkan dari segala hal, mulai dari berapa detik kamu melihat sebuah Item hingga seberapa cepat kamu melakukan scrolling. Data ini dimasukkan kembali ke dalam algoritma untuk membuat Feed yang semakin "sulit ditolak."

Ini tidak sepenuhnya buruk. Rekomendasi yang bagus dapat membantumu menemukan merek baru atau menemukan Item yang benar-benar kamu butuhkan. Namun, ada perbedaan besar antara memahami cara kerja sistem ini dengan sekadar mengikutinya secara buta.

Saat kamu memahami mekanismenya, kamu bisa membangun filtermu sendiri.

Lemari Anda sebagai Filter

AI di platform belanja tahu apa yang kamu "beli," tapi ia tidak tahu apa yang kamu "miliki." Ia tidak tahu berapa kali kamu telah memakai pakaian tertentu, apakah kamu sudah punya sesuatu yang mirip, atau apakah Item baru ini benar-benar serasi dengan sisa pakaian di lemarimu.

Di sinilah data Lemari digitalmu berperan sebagai filter.

Saat melihat sebuah rekomendasi, buka Lemari digitalmu dan tanyakan pada diri sendiri: "Apakah aku sudah punya rajutan yang mirip di Lemari?" "Jika aku membeli ini, bisakah aku membuat setidaknya 3 Outfit berbeda dengan baju yang sudah ada?" "Apakah aku sudah punya cukup koleksi di Kategori ini?"

Untuk menjawab pertanyaan-pertanyaan ini, kamu butuh data nyata tentang isi lemarimu. Jika hanya mengandalkan ingatan, mudah sekali terjebak dalam pikiran, "Sepertinya aku belum punya yang seperti ini."

Sementara AI platform dirancang untuk membuatmu "membeli," data Lemari kamu dirancang untuk membantumu "menentukan apakah kamu benar-benar membutuhkannya." Saat kamu menggunakan keduanya bersama-sama, kamu akhirnya bisa mencapai konsumsi yang sadar dan mandiri.

Tentu saja, melakukan hal ini secara manual setiap saat sangatlah merepotkan. Kamu butuh pendekatan yang lebih sistematis.

Aturan 5 Detik untuk Rekomendasi

Kamu tidak perlu melakukan analisis mendalam untuk setiap rekomendasi. Coba saja cek 5 detik ini:

"Apakah aku masih akan memikirkan hal ini 48 jam dari sekarang?"

Belanja impulsif biasanya ditandai dengan rasa urgensi "saat ini juga." Dengan memberikan waktu jeda 48 jam, barang yang benar-benar kamu butuhkan akan tetap ada di pikiranmu, sementara keinginan impulsif akan memudar dengan sendirinya.

Menambahkan satu langkah lagi akan membuatnya jauh lebih efektif: "Bisakah aku memadukan Item ini dengan setidaknya 3 Item yang sudah ada di Lemari saya?" Hanya simpan Item yang lolos tes ini sebagai kandidat pembelian. Jika kamu tidak bisa membayangkan setidaknya 3 Outfit, kemungkinan besar barang tersebut hanya akan berakhir menumpuk di pojok lemari tanpa pernah dipakai.

Hanya dengan dua langkah ini—jeda 48 jam dan tes 3 outfit—kamu bisa menyaring sebagian besar pembelian yang tidak perlu.

Rekomendasi AI adalah alat yang hebat, tapi alat hanya berguna bagi mereka yang tahu cara menggunakannya. Saat kamu memahami cara kerja algoritma dan menggunakan data Lemari sendiri sebagai filter, AI tidak lagi menjadi sesuatu yang membuatmu "beli lebih banyak," melainkan sesuatu yang membantumu "beli lebih baik."

❓ FAQ

Q: Apakah saya harus mengabaikan rekomendasi AI sepenuhnya?
A: Tidak. Rekomendasi AI sangat berguna untuk menemukan hal-hal baru. Namun, penting untuk membiasakan diri mencocokkan rekomendasi tersebut dengan data Lemari kamu untuk memutuskan apakah kamu "benar-benar membutuhkannya."

Q: Bagaimana cara keluar dari filter bubble?
A: Sesekali, sengajalah mencari gaya di luar preferensi biasanya, atau lihat Outfit teman untuk mencari inspirasi. Menggunakan fitur Penataan Gaya AI di Acloset untuk mendapatkan saran kombinasi baru juga merupakan cara yang bagus untuk bereksperimen.

Q: Bisakah saya memfilter rekomendasi AI di dalam Acloset?
A: Karena Acloset merekomendasikan Outfit berdasarkan Lemari yang sudah kamu miliki, sarannya berfokus pada seberapa cocok suatu barang dipadukan dengan pakaianmu yang sudah ada. Ini secara fundamental berbeda dari rekomendasi berbasis penjualan di kebanyakan platform belanja.

Referensi & Sumber:

McKinsey & Company, "The State of Fashion," 2024-2025
ThredUp, "Resale Report," 2025
WRAP UK, "Valuing Our Clothes," 2023

Diterbitkan oleh Tim Majalah Acloset.