Hoe meet je AI-zichtbaarheid betrouwbaar? Het Agentability Framework uitgelegd

Steeds meer koopbeslissingen beginnen bij een AI-model. Niet met een zoekopdracht als 'accountant Amsterdam', maar met een vraag als: welke drie adviesbureaus kunnen een middelgroot familiebedrijf helpen bij een complexe bedrijfsopvolging, en waarom zijn zij passend?

Een AI-model selecteert dan organisaties en geeft daar argumenten bij. Het kan een bedrijf aanbevelen, negeren, verkeerd categoriseren of op basis van verouderde informatie beschrijven.

Het Agentability Framework, het werkmodel binnen Jonkman Strategie, onderzoekt die zichtbare uitkomsten systematisch. Niet als eenmalige steekproef, maar als herhaalbare meting met bevroren vragen, een vaste modelset en handmatige codering van ieder antwoord.

De grens van wat het framework meet is daarbij bewust scherp gesteld. Hoe een AI-model intern 'denkt' is niet inzichtelijk en wordt niet geclaimed. Wat wel systematisch wordt vastgelegd: welke organisaties worden genoemd, op welke positie, met welke argumenten, op basis van welke bronnen, en of dat patroon stabiel is over meerdere dagen en modellen. Een losse vermelding in ChatGPT is nog geen sterke AI-positie.

De keuze voor een modelset is geen technische bijzaak. Het is een methodische beslissing die directe gevolgen heeft voor de vergelijkbaarheid van scores over tijd.

In de oorspronkelijke opzet maakte Manus deel uit van de set. Eerder in 2026 werd dat model verwijderd, omdat de weging in de bereikgewogen score niet langer methodisch te verdedigen viel. Er was geen gepubliceerd bereik waarop de plek in de weging overtuigend kon worden gebaseerd.

Dat had een consequentie. De gewichten van de overgebleven modellen moesten opnieuw worden berekend. Een volledige meting ging daardoor van 108 naar 90 afzonderlijke metingen. Scores uit de oude opzet zijn niet rechtstreeks vergelijkbaar met scores uit de nieuwe methode.

Een methode die je niet durft aan te passen wanneer je een onderdeel niet meer voldoende kunt onderbouwen, is geen methode. Dan is het marketing met cijfers.

De vijf huidige modellen, ChatGPT, Gemini, Claude, Perplexity en Grok, zijn elk een eigen antwoordomgeving. Ze kunnen bij exact dezelfde vraag tot andere organisaties, argumenten en bronnen komen. Die variatie is geen fout in de meting. Het is juist de informatie.

Dit onderscheid levert de meest waardevolle diagnose op.

De vijf ongemerkte vragen onderzoeken verschillende koopsituaties: een brede categorievraag, een concrete klantbehoefte, een afgebakend specialisme, een complex scenario met meerdere criteria en een overwegingsvraag rond reputatie en bewijs. De naam van de opdrachtgever staat er niet in. Ze simuleren wat een potentiële klant aan een AI-model vraagt zonder de naam al te kennen.

De zesde vraag is gemerkt. Daarin wordt de naam van de organisatie expliciet genoemd. Die vraag onderzoekt of het model de kernactiviteiten, diensten, doelgroep, locaties, relaties en marktpositie correct kan beschrijven.

In de praktijk blijkt dat die twee soorten vragen fundamenteel verschillende beelden kunnen opleveren. Bij een B2B-organisatie die eerder werd gemeten, werd de organisatie bij de gemerkte vraag overwegend correct en positief herkend. Dat leek op het eerste gezicht gunstig. Maar de ongemerkte koopvragen lieten een heel ander beeld zien: in 84 van de 90 antwoorden werd de organisatie helemaal niet genoemd.

Je bent dan wel bekend, maar nog geen logische aanbevelingskandidaat. Als je alleen de gemerkte vraag had gesteld, had je mogelijk geconcludeerd dat de AI-zichtbaarheid behoorlijk op orde was. De ongemerkte vragen bewezen het tegendeel.

Codering vindt altijd plaats voordat scores worden vergeleken. Zo wordt voorkomen dat de eerdere score onbewust de beoordeling van nieuwe antwoorden beïnvloedt.

De vijf lagen brengen elk een ander aspect van de aanbevelingspositie in beeld.

Identiteit onderzoekt of het model de juiste organisatie herkent: naam, kernactiviteiten, locatie en primaire aanbod. Verwart het model de organisatie met een ander bedrijf of een andere persoon?

Relaties kijkt of het model de juiste diensten, mensen, merken en markten aan de organisatie koppelt. Een bedrijf kan bekend zijn en toch structureel aan de verkeerde dienst worden verbonden.

Context beoordeelt of de organisatie bij de concrete situatie past volgens het model, inclusief specialisme, doelgroep en geografische context.

Autoriteit meet of de organisatie spontaan op een shortlist verschijnt, of zij daadwerkelijk wordt aanbevolen en of daarvoor concrete, juiste en vraag-relevante argumenten worden gegeven.

Actualiteit controleert of de informatie nog klopt. Worden er oude medewerkers, verdwenen diensten, eerdere locaties of een verouderde positionering genoemd?

Naast de twee Agentability Scores, een ongewogen en een gewogen variant, levert de meting ook een Commercial Recommendation Benchmark op. Die laat zien welke andere organisaties binnen exact dezelfde koopvragen worden opgehaald, op welke posities, met welke argumenten en via welke bronnen.

Dit is waar de meting zijn praktische waarde bewijst.

Wordt een organisatie niet goed herkend? Dan kan een canonieke entiteitsbeschrijving nodig zijn, aangevuld met consistente naamvoering en heldere organisatiegegevens op de belangrijkste profielen en pagina's.

Wordt de verkeerde dienst of doelgroep gekoppeld? Dan moeten dienst, probleem, doelgroep en koopsituatie explicieter met elkaar worden verbonden in de beschikbare content.

Wordt de organisatie wel genoemd, maar zonder overtuigende reden? Dan ontbreekt niet de zichtbaarheid, maar het bewijs. Denk aan concrete cases, onderbouwde expertise, externe bronnen en onafhankelijke vermeldingen.

Verschijnt de organisatie maar in één model of op één meetdag? Dan is de positie waarschijnlijk nog niet stabiel. Bronspreiding, relationele bevestiging en actualiteit zijn dan belangrijker dan het publiceren van nog een algemeen blog.

Staat er verouderde informatie in de antwoorden? Dan moet eerst worden vastgesteld via welke bronroute die informatie wordt gevoed. Alleen de eigen website aanpassen is niet altijd voldoende.

De interventie volgt dus uit de diagnose. Niet andersom.

De vragen zijn vooraf bevroren en blijven woordelijk gelijk. De meetcondities en modelset worden zo goed mogelijk constant gehouden. Eventuele veranderingen in een model, interface of webfunctie worden zichtbaar gerapporteerd in de vergelijking.

De effectmeting laat onder meer zien of de organisatie vaker spontaan wordt genoemd, of zij op hogere posities verschijnt, of aanbevelingen sterker worden gemotiveerd, welke lagen zijn verbeterd, of feitelijke fouten zijn verdwenen, of nieuwe bronnen zichtbaar worden gebruikt en of concurrenten nog steeds op dezelfde argumenten winnen.

Daar hoort een harde grens bij. Het is aantoonbaar dat de gemeten score ná de interventies is veranderd. Wat niet automatisch bewezen kan worden, is dat iedere verandering uitsluitend door de interventies is veroorzaakt. AI-modellen veranderen. Bronnen veranderen. Concurrenten publiceren nieuwe informatie. Een opdrachtgever kan buiten het afgesproken plan zelf aanpassingen uitvoeren.

Die beperkingen horen niet in de kleine lettertjes. Ze horen bij de conclusie. Dat is de reden waarom Jonkman Strategie ze standaard opneemt in de rapportage, niet als disclaimer maar als onderdeel van een eerlijke methodebeschrijving.