AI-aanbevelingen: 0,1 punt kantelt de keuze voor je merk

Een taalmodel kiest jouw merk niet omdat het jouw merk is. Het kiest jouw merk als er verder niets te kiezen valt. Dat is geen mening meer, het is gemeten: in een experiment met 670 vergelijkingen waarin alleen de merknaam verschilde werd het echte merk elke keer aanbevolen, terwijl negen gecontroleerde nepmerken met exact dezelfde specificaties nul keer werden genoemd. Bij eerlijke behandeling zou elk product ongeveer 10% moeten scoren.

Dat klinkt als slecht nieuws voor iedereen die geen marktleider is. Het tegenovergestelde is waar. Zodra er ook maar iets te kiezen valt, verdampt het voordeel van de bekende naam bijna volledig. In dezelfde studie kantelt de keuze bij een waarderingsverschil van 0,075 punt, en verklaart merkidentiteit nog maar 1,2% van de variatie in de rangschikking.

Dat verschuift waar positionering over gaat. Niet "waarom zijn wij anders" in bijvoeglijke naamwoorden, maar: welk verschil kan een machine naast dat van je concurrent leggen en aflezen. De vijf onderzoeken hieronder zijn allemaal gratis en openbaar, en ze wijzen dezelfde kant op.

Hoeveel weegt je merknaam als een AI een product aanbeveelt?

Weinig, zodra er iets anders te vergelijken valt. De onderzoekers ontleedden over 14.395 aanbevelingen waar de variatie in de rangschikking vandaan kwam. De uitkomst is streng:

Die 1,2% is niet nul, en daar zit precies de nuance. Bij identieke informatie is die 1,2% álles wat er is, en dan wint de bekende naam onvoorwaardelijk. De auteurs noemen merkvoorkeur daarom letterlijk een tiebreaker: hij telt het zwaarst als het model niets anders heeft om op te varen. En dat is vaker het geval dan je zou willen, want de meeste productpagina's in een categorie zeggen ongeveer hetzelfde.

Dat is hetzelfde mechanisme dat we bij mensen al kennen. Een koper die twee opties ziet die op papier niet van elkaar verschillen, valt terug op herkenning. Het verschil is dat een model geen geduld heeft en geen gevoel: het pakt het eerste harde verschil dat het kan lezen. Wij schreven eerder over wie jouw merk beschrijft als agenten meelezen. Dit onderzoek voegt daar de verhouding aan toe. De beschrijving telt. De meetbare feiten eromheen tellen veel harder.

Let op de reikwijdte. Dit is een laboratoriumopstelling met verzonnen merken en specificaties die in de vraag worden meegegeven, geen meting van echte webshops. Het vertelt je hoe een model afweegt, niet hoeveel omzet dat verschuift.

Waar ligt het kantelpunt precies?

Bij het kleinste verschil dat de onderzoekers konden verzinnen. Over 9.220 vergelijkingen testten ze wat er nodig is om een onbekend merk te laten winnen van een echt merk. Bij volledig identieke productgegevens won het onbekende merk in 3,6 tot 6,0% van de gevallen. Bij het kleinste geteste voordeel sprong dat naar 64 tot 80%.

Dat kleinste voordeel is een van deze drie:

De auteurs vatten het zelf samen als: minder dan het gat tussen twee opeenvolgende tienden van een sterwaardering is genoeg om het hele merkvoordeel op te heffen. Dat is een verschil dat je in een screenshot niet ziet en in een spreadsheet nauwelijks.

Er zit een tegenwerping in hetzelfde onderzoek die je erbij moet lezen, anders klopt het beeld niet. In een andere opzet, waarin een nepmerk juist bétere specificaties kreeg over 2.769 pogingen, koos het model alsnog in ongeveer 96% van de gevallen het echte merk. Twee schijnbaar tegengestelde uitkomsten, één verklaring: het type signaal maakt uit. Een lossere claim over specificaties weegt licht. Een cijfer dat als vergelijkbare grootheid naast de concurrent staat, zoals een waardering of een prijs, weegt zwaar mee. Het model vergelijkt liever getallen dan beweringen.

Daar volgt een praktische regel uit. Zet je onderscheid in een grootheid die naast die van je concurrent past. Niet "uitzonderlijk duurzaam", maar het getal waarop je duurzamer bent. Niet "veel tevreden klanten", maar het aantal beoordelingen en de waardering, zichtbaar op de pagina en in je gestructureerde data. Dat is hetzelfde argument dat we maken over listings waarin het merk vóór de tactiek komt, alleen nu met een drempelwaarde eronder.

En er is een modelverschil dat je moet kennen als je test: het ene model is veel makkelijker te kantelen dan het andere. In deze opstelling was Claude het hardnekkigst en waren GPT en Gemini aanzienlijk beweeglijker. Test je op één model, dan meet je dat model.

Waarom is AI-vriendelijk schrijven een toegangsticket en geen voorsprong?

Zodra je concurrent hetzelfde doet, is het weg. Dat is geen theorie, dat staat als tabel in hetzelfde paper. De onderzoekers lieten stap voor stap meer uitdagers autoriteitstaal gebruiken en maten hoe vaak de marktleider overeind bleef, over 4.745 geldige pogingen:

Lees die tabel van boven naar beneden en je ziet een dal: het begint hoog, stort in, en klimt daarna terug tot vlak onder het oude niveau. Eén uitdager die zijn tekst op orde brengt, vernietigt het monopolie van de marktleider. Zodra iedereen dezelfde taal spreekt, verliest die taal zijn onderscheidend vermogen en valt het model terug op wat het dan nog over heeft: merkherkenning. De marktleider wint aan het eind dus niet omdat hij beter is geworden, maar omdat het onderscheid is weggepoetst.

Twee dingen volgen hieruit, en ze spreken elkaar niet tegen. Ten eerste: niet meedoen is geen optie. Over alle 4.745 pogingen kregen de niet-geoptimaliseerde merken nul aanbevelingen. Nul. Ten tweede: er valt geen strategie op te bouwen. De eerste die het doet verdient in deze meting een payoff van +0,802, en bij algemene adoptie zakt dat naar +0,007. Dat is de definitie van een inhaalrace, niet van een voorsprong.

Wat dan wel duurzaam is, is precies wat niet kopieerbaar is: echte beoordelingen, echte specificaties, echte vermeldingen bij onafhankelijke bronnen. De basishygiëne van je pagina's hoort erbij, en die staat in de zeven elementen van een categoriepagina die AI kan lezen. Maar noem het geen strategie.

Nog iets dat we hardop moeten benoemen. Het onderzoek test ook verzonnen bewijsclaims als tactiek, en meet dat die werken. Wij doen dat niet, en dat is geen fraaie zin voor onderaan een pagina. Een verzonnen claim die een model overtuigt, is een claim die een klant later ontdekt. Wij schreven eerder waarom AI-content je rankings kost als de inhoud niet klopt; hetzelfde geldt hier, alleen zijn de gevolgen groter omdat een aanbeveling met gezag wordt uitgesproken.

Welke pagina's worden geciteerd, en waarom die?

De best gestructureerde pagina, niet de bekendste naam. Dat is een ander niveau van hetzelfde spel: eerst moet een engine jouw pagina als bron gebruiken, daarna pas telt wat erop staat. Een tweede onderzoek keek precies daarnaar. De auteurs verzamelden de citaties die drie engines gaven op 70 productgerichte vragen en legden de geciteerde URL's langs een raamwerk van zestien kwaliteitspijlers. Elke pagina kreeg daar één score uit, tussen 0 en 1. De uitkomst per engine:

De samenhang is stevig: pagina-kwaliteit voorspelt citatie met een odds ratio van 4,2. De pijlers die er het sterkst uit springen zijn metadata en versheid, semantische HTML, en gestructureerde data. Dat zijn geen creatieve keuzes. Dat is bouwwerk.

De onderzoekers geven zelfs een werkdrempel: een score van 0,70 of hoger in combinatie met minstens twaalf pijlertreffers. Dat is bruikbaarder dan het advies "maak je content AI-vriendelijk", omdat je er een pagina langs kunt leggen en kunt zien of je eronder zit.

Het verschil tussen die engines is het praktische deel. Perplexity citeert gemiddeld veel lager scorende pagina's, wat betekent dat de lat daar lager ligt. Voor een klein Nederlands merk is dat de realistische eerste ingang, terwijl Brave en Google pas meedoen als het fundament klopt. Hoe je dat fundament legt, staat in GEO voor webshops.

Ook hier de beperking erbij: zeventig vragen, één branche, Engelstalig, en de auteurs noemen hun eigen opzet observationeel. Het mechanisme mag je meenemen, de exacte percentages niet.

Waar halen AI-zoekmachines hun bewijs vandaan?

Niet bij jou. AI-zoekmachines halen hun bewijs bij partijen waar jij niet over gaat. Een onderzoek uit Toronto liet 1.000 productvragen los op AI-zoekmachines en op Google, en classificeerde elke geciteerde bron als merk-eigen, onafhankelijk of sociaal. Van één categorie publiceren ze beide kanten volledig, auto's in Canada:

Bij software en consumentenelektronica geven ze alleen de AI-kant: 74,2 procent en 77,6 procent onafhankelijk. Van software weten we wel dat Google daar juist het merk voortrekt, met 53,8 procent merk-eigen bronnen. De volgorde is bij AI-zoekmachines dus onafhankelijk boven merk boven sociaal, en bij Google precies andersom.

Bij kleine merken is het extremer: daar citeerde ChatGPT in deze meting 95,1% onafhankelijke bronnen. Je eigen website is dus het fundament, maar hij is zelden het bewijs.

Er zit nog een tweede bevinding in die voor Nederland belangrijker is dan de eerste. De onderzoekers vertaalden honderd vragen naar vijf talen en zagen dat de overlap in geciteerde domeinen tussen talen laag was: het model schakelt per taal over naar een ander stelsel van bronnen. Dat is voor ons de belangrijkste regel uit dit onderzoek, en meteen de meest onzekere. Nederlands zat niet in de test. Wat je mag aannemen is het mechanisme: als het bronnenstelsel per taal verschuift, dan bepalen Nederlandstalige onafhankelijke bronnen je zichtbaarheid op Nederlandstalige koopvragen. Wat je niet mag aannemen is dat die ruimte leeg staat. Dat moet je per categorie zelf tellen, en dat is precies wat wij doen voordat we er een euro aan uitgeven.

Praktisch verandert dat wat je inkoopt. Niet een linkbuildingpakket, maar een kaart van de Nederlandse domeinen die in jouw categorie daadwerkelijk worden geciteerd, plus de route daarheen. Wat dat oplevert aan meetbaar verkeer is een apart verhaal, en dat staat in AI-verwijzingen meten in GA4.

De citeerregel erbij, en die is hier scherper dan bij het vorige onderzoek: dit meet de Verenigde Staten en Canada. Dat het bronnenstelsel per taal verschuift mag je meenemen. Welke Nederlandse domeinen het zijn, weet niemand, want niemand heeft het geteld.

Waarom bestaat "de AI-aanbeveling" niet?

Omdat de modellen het grotendeels oneens zijn met elkaar. Een vierde meting legde 250 merkloze categorievragen voor aan drie modellen, vijf keer per vraag, goed voor 3.750 antwoorden over vijftig merken in vijf branches. De uitkomst die elk zichtbaarheidsrapport raakt: de modellen waren het maar in 41,6% van de gevallen eens over welk merk het best werd aanbevolen.

Met andere woorden: in bijna zes van de tien categorieën staat er een ander merk bovenaan zodra je naar een ander model kijkt. Een rapport dat je "je ChatGPT-score" verkoopt, meet dus vooral ChatGPT.

Twee andere cijfers uit dezelfde meting zijn goed nieuws voor uitdagers. De concentratie is matig, niet winner-takes-all: de gemeten ongelijkheid blijft ruim onder de drempel waarboven één partij het veld domineert. En in 8,0% van de vragen is er helemaal geen duidelijke leider. Dat zijn categorieën waar niemand de standaardkeuze is en waar je dus iets te claimen hebt.

Voor onze eigen manier van werken heeft dit één harde consequentie. Een merkaudit die AI-zichtbaarheid meet, meet minimaal drie modellen, met herhalingen per vraag, en rapporteert de spreiding in plaats van één getal. Doe je dat niet, dan lever je een momentopname van één model en noemt de klant dat later terecht onbetrouwbaar.

Waarom is een AI-vermelding meer waard dan de klik erachter?

Je verliest klikken. Ongeveer de helft. De enige meting in dit dossier die op echt menselijk klikgedrag rust in plaats van op modeluitvoer komt van Pew, dat het surfgedrag van 900 Amerikanen volgde over 68.879 unieke zoekopdrachten. Lees hem met de beperking erbij: dit is Amerikaans, alleen Google, en de data komt uit april 2025.

De kans op een klik halveert dus ongeveer, en de bronlinks ín de samenvatting worden vrijwel niet gebruikt. Dat leidt tot de belangrijkste operationele conclusie van dit hele stuk: de vermelding zelf is de opbrengst, niet de klik. Stuur je rapportage daarop bij, anders meet je een daling terwijl je wint. Wat dat betekent voor je bezoekersaantallen schreven we eerder in agentic search en je webshopverkeer.

Nog een cijfer dat je contentplanning raakt: de kans op een AI-samenvatting hangt sterk aan de lengte van de vraag. Bij één of twee woorden gebeurde het in 8% van de zoekopdrachten, bij tien woorden of meer in 53%. Korte trefwoorden trekken die laag dus nauwelijks aan; volzin-vragen wel. Dat is precies de vorm waarin wij onze kennisbankartikelen opbouwen, en het is de reden dat we koppen als vraag formuleren.

Hoe test je dit zelf in een uur?

Door het na te doen in het klein. Je hebt geen tool nodig en geen budget, alleen een lijstje vragen en discipline in het noteren. Wij doen dit bij elke merkscan en het levert vrijwel altijd iets op dat de klant niet wist.

Stap een: schrijf vijf koopvragen op zoals een klant ze stelt, in hele zinnen. Niet "beste bureaustoel" maar "welke bureaustoel is het beste voor iemand die acht uur per dag thuis werkt en rugklachten heeft". Die vorm is geen stijlkeuze: de kans dat er een AI-antwoord verschijnt loopt met de lengte van de vraag mee omhoog.

Stap twee: stel elke vraag aan drie modellen, en stel hem vijf keer. Dat laatste voelt overdreven en is het niet. Deze modellen zijn niet deterministisch, dus één antwoord is een steekproef van één. Noteer per keer welke merken worden genoemd en in welke volgorde.

Stap drie: noteer per antwoord welke bronnen worden aangehaald. Tel hoeveel daarvan van merken zelf komen en hoeveel van onafhankelijke partijen. Dat verhoudingsgetal is je echte werklijst, want het zegt waar de aanbeveling wordt opgebouwd.

Stap vier: leg jouw productpagina naast die van de twee merken die het vaakst worden genoemd, en zoek het eerste harde verschil dat een machine kan lezen. Waardering, aantal beoordelingen, prijs, een specificatie in gestructureerde data. Staat dat verschil er niet, dan heb je je antwoord: er is niets te kiezen, en dan wint de bekendste naam.

Wat je hierna hebt is geen score maar een lijst. Vijf vragen, drie modellen, vijftien antwoorden per vraag, en per vraag een bronverdeling. Dat is precies de opzet die de onderzoeken hierboven op grote schaal gebruiken, en het is in een uur te doen voor één categorie. De meeste bureaus verkopen je liever een dashboard. Deze telling is nauwkeuriger, want hij gaat over jouw categorie in het Nederlands, en dat is precies de ruimte waar de gepubliceerde metingen niets over zeggen.

Wat wij hiermee doen

Drie dingen, en ze zijn alle drie saaier dan een tool met een score.

Het eerste is het machineleesbare verschil. In elk merktraject zoeken we naar het onderscheid dat als grootheid naast de concurrent past en zetten we dat op de pagina en in de gestructureerde data. Geen bijvoeglijke naamwoorden, wel een getal, een certificaat, een garantietermijn, een materiaalspecificatie. Dat is de vertaling van positionering naar iets wat een machine kan vergelijken, en het is de enige interventie in dit hele artikel waarvan we een drempelwaarde kennen.

Het tweede is de kaart van onafhankelijke bronnen. Welke Nederlandse domeinen worden in jouw categorie door de engines geciteerd, welke daarvan zijn bereikbaar, en wat is de volgorde. Dat is werk voor onze SEO-dienstverlening en het vervangt het klassieke linkbuildingverhaal.

Het derde is de meetregel: drie modellen, herhalingen, spreiding rapporteren. Geen enkel getal zonder de bandbreedte eromheen. Dat is minder verkoopbaar en veel bruikbaarder.

Wat we niet doen: verzonnen claims, want dat is aantoonbaar effectief en precies daarom een grens. En we beloven geen positie in een AI-antwoord. De modellen zijn het maar in 41,6% van de gevallen eens over het topmerk, en het bronnenstelsel verschuift per taal. Positie verschilt dus per model en per taal, en hoe stabiel hij over tijd is, heeft niemand gemeten. Wat we wel kunnen doen, is het fundament leggen waarop die positie überhaupt mogelijk is. Wil je weten waar je merk nu staat, neem contact op en we lopen je categorie langs.

Eén ding kunnen wij niet meten en niemand anders ook. Geen van deze vijf onderzoeken deed een Nederlandse categorie. Wij draaien die telling nu per klant, en zodra er genoeg categorieën liggen publiceren we de meting hier. Tot die tijd geldt het mechanisme, niet het percentage.