Hoe word je het logische antwoord voor AI-modellen?
Je wordt het logische antwoord wanneer AI vijf lagen begrijpt: wie je bent, met wie je werkt, in welke context je past, waarom je geloofwaardig bent en of dat beeld actueel is.
14 min leestijd
Waarom zichtbaar worden simpel is maar het logische antwoord zijn niet?
Zichtbaarheid betekent dat je aanwezig bent. Het logische antwoord zijn betekent dat je wordt gekozen. Die twee zijn fundamenteel anders, en alleen het tweede heeft commerciële waarde.
Zichtbaarheid kost tijd, geld en vakmanschap, en de mechanismen zijn inmiddels redelijk bekend. Je publiceert, adverteert, optimaliseert en bouwt bereik op. Je kunt meten hoeveel mensen je bericht zagen of op je website klikten.
Maar aanwezig zijn is iets anders dan geselecteerd worden.
Bij generatieve AI verschuift een deel van de selectie naar voren. Wie een vraag stelt aan ChatGPT, Perplexity of Gemini, vraagt vaak niet om een lijst met websites maar om een aanbeveling. Het model formuleert een antwoord dat al een bepaalde keuze of volgorde bevat.
De aanbeveling vindt dan plaats vóór de klik. Een bedrijf dat in die eerste selectie ontbreekt, kan commercieel uit beeld raken zonder ooit een bezoeker op de website te hebben verloren. Die bezoeker is er namelijk nooit geweest.
En hier begint het moeilijke deel. Want een model moet niet alleen weten dát je bestaat. Het moet begrijpen wie je bent, wat je werkelijk doet, voor wie je relevant bent en welk bewijs jouw positie ondersteunt. Als één van die schakels ontbreekt, blijft de aanbeveling uit of pakt ze verkeerd uit.
Volume is geen positionering. Herhaling is geen bewijs. Meer zichtbaarheid lost die problemen niet vanzelf op, soms maakt het de verwarring juist groter.
Wat is het verschil tussen een identiteitstest en een aanbevelingstest?
Veel bedrijven testen hun positie met de vraag: 'Wat weet je over [bedrijfsnaam]?' Als het model een redelijke beschrijving geeft, lijkt dat goed nieuws. Maar je hebt de naam al in de vraag gezet. Het model hoeft niet te bepalen wie relevant is, alleen informatie aan de naam te koppelen. Dat is een identiteitstest, geen aanbevelingstest. De commercieel interessante vraag is een andere: welke partij kan in deze specifieke situatie het beste helpen, en waarom? Zonder dat je jouw naam in de vraag zet. Pas als jouw naam dan verschijnt, kom je in beeld bij iemand die je mogelijk nog helemaal niet kende.
Hoe werkt de selectie in AI-modellen anders dan in zoekmachines?
Bij zoekmachines kiest de gebruiker zelf uit een lijst opties. Bij AI-modellen vindt de aanbeveling plaats vóór de klik: het model formuleert al een antwoord met een bepaalde volgorde of voorkeur.
Jarenlang was digitale zichtbaarheid een kwestie van verschijnen op het juiste moment. Iemand zocht in Google naar een accountant, een communicatiebureau of een specialist. De zoekmachine presenteerde een rij mogelijkheden, en de gebruiker maakte daarna zelf de selectie.
Bij generatieve AI verschuift een deel van die selectie naar voren.
Wie een vraag stelt aan ChatGPT, Perplexity, Gemini of Claude, vraagt zelden om een lijst met websites. De vraag gaat om uitleg, richting of een concrete aanbeveling. Het model brengt informatie bij elkaar en formuleert een antwoord dat al een bepaalde keuze of volgorde bevat.
De aanbeveling vindt dan plaats vóór de klik.
Een bedrijf dat in die eerste selectie ontbreekt, kan commercieel uit beeld raken zonder ooit een bezoeker op de website te hebben verloren. Die bezoeker is er namelijk nooit geweest.
Dat verandert wat er op het spel staat. Vroeger verloor je een klik. Nu mis je de overweging volledig.
Waarom een gunstig antwoord nog geen vaste positie is
AI-modellen zijn niet volledig stabiel in hun antwoorden. Een kleine wijziging in de vraagformulering kan een andere uitkomst geven. Het ene model raadpleegt andere bronnen dan het andere. Wat vandaag verschijnt, hoeft volgende maand niet hetzelfde te zijn. Één screenshot bewijst dat een aanbeveling op dat moment mogelijk was. Het zegt nog niets over hoe breed, bestendig of herhaalbaar die positie is.
Waarom is 'Wat weet je over mijn bedrijf?' de verkeerde testvraag?
Die vraag test alleen of AI je herkent als je de naam al geeft. Aanbevelingswaardigheid bewijs je pas wanneer je naam verschijnt zonder dat je hem in de vraag zet.
Veel ondernemers testen hun AI-zichtbaarheid met een simpele zoekopdracht: ze typen hun bedrijfsnaam in en kijken wat het model teruggeeft. Als het antwoord redelijk klopt, voelt dat als goed nieuws.
Maar je hebt de naam al in de vraag gezet. Het model hoeft niets te selecteren. Het hoeft alleen informatie te koppelen aan de naam die je zelf aanreikte.
Dat is een identiteitstest, geen aanbevelingstest.
De commercieel interessante vraag ziet er anders uit: welke partij kan mij in deze specifieke situatie het beste helpen, en waarom? Zonder jouw bedrijfsnaam erin. Zo'n vraag noem ik een ongemerkte vraag: een vraag waarbij het model de naam zelf moet aandragen of helemaal niet. Dan moet het model zelf de verbinding leggen tussen een probleem, een categorie, een doelgroep en een geloofwaardige aanbieder.
Pas wanneer jouw naam in zo'n antwoord verschijnt, kom je in beeld bij iemand die jou mogelijk nog helemaal niet kende. Dat is het verschil tussen herkend worden en overwogen worden. Tussen een digitaal visitekaartje en een commerciële aanbevelingspositie.
Wat is een ongemerkte vraag en waarom telt die zwaarder?
Een ongemerkte vraag beschrijft alleen een situatie, een probleem of een behoefte, zonder dat de naam van een bedrijf of persoon erin voorkomt. Het model moet dan zelf bepalen welke partij relevant is. Verschijn je in dat antwoord, dan ben je niet alleen herkend maar ook overwogen. Dat is de positie die commercieel verschil maakt.
Wat zijn de vijf onderzoekslagen die bepalen of AI je aanbeveelt?
AI beveelt je aan wanneer vijf lagen kloppen: Identiteit, Relaties, Context, Autoriteit en Actualiteit. Ontbreekt er één, dan blijft de aanbeveling uit of pakt die verkeerd uit.
Binnen het Agentability Framework van Jonkman Strategie is een aanbeveling het eindresultaat van vijf onderzoekslagen die samen bepalen of een AI-model jou als logische keuze ziet. Niet als vijf losse checkboxes, maar als vijf schakels in één keten. Als er één ontbreekt, kan de aanbeveling uitblijven of verkeerd uitpakken, ook als de andere vier in orde zijn.
Bedrijven merken dit het vaakst op het moment dat het hen verbaast. Ze zijn online aanwezig, ze publiceren regelmatig en toch verschijnt hun naam niet als een AI-model wordt gevraagd wie het beste kan helpen bij een specifiek probleem. Het model weet dan misschien wel wie ze zijn, maar begrijpt niet wanneer ze relevant zijn, voor wie ze werken of waarom ze geloofwaardig zijn in die situatie.
Dat zijn precies de vragen die de vijf lagen beantwoorden.
Identiteit: weet AI precies wie je bent?
De eerste laag is de meest basale, maar ook de meest onderschatte. Weet een AI-model wie er achter het bedrijf zit, welke diensten er worden aangeboden en hoe die diensten worden omschreven? Een onduidelijke of tegenstrijdige identiteit leidt tot vage antwoorden. Het model kan je dan herkennen bij je naam, maar plaatst je in de verkeerde categorie zodra iemand een omschrijving in plaats van een naam gebruikt.
Relaties: word je gekoppeld aan de juiste mensen en organisaties?
AI-modellen bouwen hun begrip van een bedrijf mede op uit de verbanden die ze leggen tussen namen, organisaties, klanten, locaties en partners. Word je gekoppeld aan de juiste klanten en sectoren, of aan relaties die jaren geleden relevant waren? Verkeerde of verouderde koppelingen kunnen ervoor zorgen dat een model je buiten de relevante context plaatst bij precies de vragen waarvoor jij de aangewezen partij bent.
Context: begrijpt AI wanneer je relevant bent?
Context gaat over de situaties en vragen waarbij jouw expertise past. Een model kan weten dat je accountant bent, maar niet begrijpen dat je je specifiek richt op bedrijfsopvolging bij familiebedrijven. Zonder die context past het model je toe op algemene vragen en laat het je links liggen bij de specifieke vraag waarvoor je het meeste waarde hebt. Specialisme zonder contextbegrip levert geen aanbeveling op.
Autoriteit: verschijnt je naam ook zonder dat iemand ernaar vraagt?
Dit is de laag die het verschil maakt tussen herkend worden en overwogen worden. Word je alleen beschreven als iemand jouw bedrijfsnaam in de vraag zet, of verschijnt jouw naam ook bij ongemerkte vragen, vragen waarbij de klant alleen het eigen probleem beschrijft? Autoriteit in AI-context betekent dat je naam uit zichzelf opduikt als logisch antwoord, zonder dat die naam als zoekopdracht is meegegeven.
Actualiteit: klopt het beeld dat naar voren komt nog?
De vijfde laag is de meest verraderlijke, omdat bedrijven er zelden actief aan werken. Diensten veranderen, mensen vertrekken, positioneringen verschuiven. Maar het digitale beeld verandert niet vanzelf mee. Een AI-model kan een organisatie correct hebben begrepen op basis van bronnen van twee jaar geleden, terwijl het aanbod en de doelgroep sindsdien volledig zijn bijgesteld. Meer zichtbaarheid helpt dan niet. Actualisering wel.
Waarom is één screenshot geen bewijs van een sterke positie?
Eén gunstig AI-antwoord bewijst dat de aanbeveling op dat moment mogelijk was, maar zegt niets over de breedte, sterkte of bestendigheid van die positie.
Iemand stelt één vraag aan ChatGPT, ziet de eigen bedrijfsnaam verschijnen en maakt daar direct een screenshot van. Het LinkedIn-bericht is snel geschreven: kijk, wij worden aanbevolen door AI. Dat is leuk. Maar het is geen betrouwbaar onderzoek.
AI-antwoorden zijn niet volledig stabiel. Een kleine wijziging in de vraag kan een andere uitkomst geven. Twee modellen kunnen andere bronnen, verbanden of selectiecriteria gebruiken. Een antwoord van vandaag hoeft volgende maand niet hetzelfde te zijn. "Een screenshot is nog geen positie."
Precies daarom werkt Jonkman Strategie binnen de Blueprint-meting niet met één model, één vraag of één meetmoment. Zes verschillende vragen, vijf AI-modellen en drie meetdagen leveren per meetgolf negentig afzonderlijke metingen op. De uitkomsten worden beoordeeld langs de vijf onderzoekslagen van het Agentability Framework van Jonkman Strategie.
Niet omdat een groot getal een methode automatisch betrouwbaar maakt. Wel omdat variatie pas zichtbaar wordt wanneer je systematisch meet. "Een methode haalt de onzekerheid niet uit AI. Een goede methode maakt die onzekerheid zichtbaar." Pas dan onderscheid je toeval van een terugkerend patroon, en een terugkerend patroon van een structureel probleem.
Hoe bouw je aanbevelingswaardigheid op in plaats van alleen zichtbaarheid?
Aanbevelingswaardigheid ontstaat wanneer meerdere onderdelen elkaar bevestigen: een heldere identiteit, controleerbaar bewijs, actuele informatie en een positionering die specifiek genoeg is om aan een concrete vraag te koppelen.
Een deel van je zichtbaarheid kun je inkopen. Met een groter advertentiebudget verschijn je vaker. Met meer publicaties creëer je meer digitale ingangen. Maar aanbevelingswaardigheid ontstaat niet door één kanaal harder aan te zetten.
Die ontstaat wanneer meerdere onderdelen elkaar bevestigen. Je website zegt helder wat je doet. Je cases laten zien dat je het hebt gedaan. Klanten en partners plaatsen je in de juiste context. Externe bronnen ondersteunen je expertise. Je aanbod is actueel. En als ergens onjuiste of verouderde informatie staat, wordt die gecorrigeerd.
Dat kost meer werk dan een campagne starten. Het vraagt keuzes. Soms moet er zelfs informatie worden verwijderd. Soms blijkt een populaire omschrijving te breed. Soms is de expertise wel aanwezig in de organisatie, maar ontbreekt ieder controleerbaar bewijs buiten de eigen verkoopteksten.
Dat zijn geen technische SEO-problemen en ook geen problemen die je oplost met een zogenaamd geheim promptrecept. Het zijn positioneringsproblemen die digitaal zichtbaar worden.
Volume is geen positionering. Herhaling is geen bewijs. En een zoekwoord vaak genoeg gebruiken, maakt een claim nog niet waar. Wie op iedere pagina iets anders belooft, voor iedere doelgroep een andere identiteit aanneemt en oude diensten online laat staan, bouwt geen autoriteit op. Dat is ruis.
Het Agentability Framework van Jonkman Strategie werkt daarom met vijf onderzoekslagen: identiteit, relaties, context, autoriteit en actualiteit. Die vijf lagen zijn geen verzameling trucjes om een model te manipuleren. Ze maken zichtbaar of het digitale beeld van een organisatie compleet, begrijpelijk en geloofwaardig genoeg is om tot een aanbeveling te kunnen leiden.
Als je wilt dat AI jou aanbeveelt, moet het logisch zijn om jou aan te bevelen. De zin is simpel. Het werk erachter niet.
Waarom meer content het probleem zelden oplost
De eerste reactie op een zichtbaarheidsprobleem is vaak: meer publiceren. Meer blogs, meer landingspagina's, meer berichten. Dat kan helpen, maar alleen wanneer die content een ontbrekend onderdeel van het digitale beeld versterkt. Tien sterke publicaties die een duidelijke expertise en doelgroep ondersteunen, kunnen waardevoller zijn dan honderd algemene artikelen die net zo goed door iedere concurrent geschreven hadden kunnen worden. Het doel is niet om het internet zo vol mogelijk te zetten met je eigen naam. Het doel is een helder, onderbouwd en actueel patroon te bouwen rondom die naam.
Positionering is bepalen wanneer je de meest logische keuze bent
Niemand is in elke situatie het logische antwoord. Een bedrijf dat probeert alles voor iedereen te zijn, maakt het voor klanten én AI moeilijker om te begrijpen wanneer het juist wél gekozen moet worden. Een goede aanbevelingspositie is daarom altijd specifiek. Niet 'wij willen worden genoemd als accountant', maar 'wij willen een logische aanbeveling zijn voor groeiende familiebedrijven in Noord-Nederland die begeleiding zoeken bij bedrijfsopvolging.' Die versmalling voelt spannend, maar creëert juist een duidelijker verband tussen expertise en een concrete vraag uit de markt.
Veelgestelde vragen
Wat is het verschil tussen zichtbaar zijn en het logische antwoord zijn?
Zichtbaar zijn betekent dat AI je herkent als je je eigen naam noemt. Het logische antwoord zijn betekent dat AI jou zelf aandragen als iemand een probleem beschrijft zonder jouw naam te noemen. Dat vereist vijf samenhangende lagen informatie in plaats van alleen herkenning.
Hoe meet je of je het logische antwoord bent?
Je meet dat met ongemerkte vragen. Vragen waarin jouw naam nergens voorkomt, zodat AI die naam zelf moet aandragen of helemaal niet. Jonkman Strategie gebruikt zes vragen, vijf modellen en drie meetdagen voor negentig afzonderlijke metingen.
Waarom helpt meer content niet altijd?
Volume is geen positionering en herhaling geen bewijs. Tien sterke publicaties die een duidelijke expertise en doelgroep ondersteunen, zijn waardevoller dan honderd algemene artikelen die ook door concurrenten geschreven hadden kunnen zijn.
Wat zijn de vijf onderzoekslagen van het Agentability Framework?
Identiteit, Relaties, Context, Autoriteit en Actualiteit. Deze lagen maken zichtbaar of het digitale beeld van een organisatie compleet, begrijpelijk en geloofwaardig genoeg is om tot een aanbeveling te kunnen leiden.
Hoe voorkom je dat AI je in de verkeerde categorie plaatst?
Door ervoor te zorgen dat je identiteit, doelgroep en expertise consistent en feitelijk juist gekoppeld zijn in alle digitale bronnen. Een specialist kan bekend zijn, maar vooral gekoppeld worden aan een dienst die al twee jaar niet meer wordt aangeboden.