onderzoeksstructuur
Eén AI-antwoord zegt weinig. Daarom meten we een patroon.
AI-antwoorden kunnen veranderen per model, formulering en moment.
Daarom onderzoekt het Agentability Framework niet één losse prompt. We meten meerdere relevante koopvragen, in meerdere AI-modellen en over meerdere runs.
Zo ontstaat een beter beeld van hoe AI jouw organisatie vindt, begrijpt en aanbeveelt.
90 core observations
De kern van een volledig Agentability onderzoek.
6 koopvragen Vijf zonder bedrijfsnaam. Eén mét.
×
5 AI-modellen ChatGPT, Gemini, Claude, Perplexity en Grok.
×
3 runs Om verschil tussen losse antwoorden zichtbaar te maken.
=
90 Core Observations Die 90 metingen zijn de vaste kern van het onderzoek.
Ik kijk verder dan een vermelding
Genoemd worden is niet hetzelfde als aanbevolen worden
Daarom onderzoek ik vier dingen:
Word je gevonden? Komt jouw organisatie überhaupt in beeld?
Hoe prominent ben je? Sta je bovenaan, ergens in de lijst of slechts terloops genoemd?
Klopt het beeld? Begrijpt AI wie je bent, wat je doet en voor wie?
Word je aanbevolen? Word je alleen genoemd of daadwerkelijk als geschikte keuze geadviseerd?
Ik controleer het patroon
Eén goed antwoord kan toeval zijn. Daarom kijk ik ook of uitkomsten terugkomen als ik de vraag herhaal en overeind blijven wanneer dezelfde koopvraag anders wordt geformuleerd.
Zo maak ik zichtbaar welke patronen sterk zijn en welke uitkomsten nog te wisselvallig zijn om stevige conclusies aan te verbinden.
Van meten naar verbeteren
De metingen laten zien wat er gebeurt.
Daarna onderzoek ik waarom jouw organisatie niet goed genoeg in beeld komt, verkeerd wordt begrepen of onvoldoende wordt aanbevolen.
Dat doe ik binnen vijf gebieden:
•Identiteit; •Relaties; •Context; •Autoriteit; •Actualiteit.
Daaruit volgt wat er concreet moet worden verbeterd.