Het eerste artikel op deze blog opende met een simpele constatering: steeds meer klanten stellen hun vraag aan een AI-assistent en krijgen één antwoord in plaats van tien links, en een merk dat in dat antwoord ontbreekt, wordt daar zelden vanzelf van op de hoogte gebracht. Een jaar later is die constatering niet minder waar geworden. Wat wel veranderde, is hoeveel plekken er inmiddels zijn waar die vraag gesteld wordt, en hoeveel preciezer een marketingteam inmiddels kan meten of het merk daar voorkomt. Dit artikel zet op een rij wat er het afgelopen jaar verschoof, en wat juist hetzelfde bleef.

Wat veranderde

Het aantal plekken waar een AI-antwoord het klassieke zoekresultaat vervangt of aanvult, is het afgelopen jaar gegroeid, en met dat aantal groeide ook het aantal assistenten dat een marketingteam serieus moet volgen. Waar één assistent aanvankelijk volstond als steekproef, is het inmiddels gebruikelijker om meerdere providers naast elkaar te meten, omdat ze niet dezelfde bronnen gebruiken en dus niet hetzelfde antwoord geven op dezelfde vraag. Ook regio werd een expliciete instelling in plaats van een aanname: een vraag die in de ene markt anders wordt beantwoord dan in de andere, is inmiddels iets waar apart naar gekeken wordt in plaats van dat één antwoord voor een hele taalregio wordt aangenomen. En bronvermelding — welke pagina's een antwoord voeden — werd zichtbaarder: waar een antwoord eerst alleen een uitspraak was, is nu vaker te zien waarop die uitspraak steunt. We noemen deze verschuivingen zoals ze uit onze eigen artikelen en releases van het afgelopen jaar blijken; een uitspraak over de bredere markt zonder die bron nemen we niet over.

Wat bleef

Onder al die verschuivingen bleef één patroon overeind: een merk dat in een AI-antwoord genoemd wordt, komt daar niet toevallig terecht. Het volgt uit bronnen die over het merk bestaan, uit de consistentie waarmee die bronnen hetzelfde beeld schetsen, en uit de aanwezigheid van het merk op de plekken waar een assistent zoekt wanneer hij een antwoord samenstelt. Dat was een jaar geleden al zo, en is het nog steeds. Wat er verandert is de laag eromheen — meer assistenten, meer regio's, meer zichtbare bronnen — niet het fundament eronder. Een team dat een jaar geleden begon met het op orde brengen van die drie dingen, heeft daar nog steeds baat bij, ongeacht welk model op dit moment het populairst is.

Wat we anders zijn gaan zeggen

Een jaar schrijven over dit onderwerp verandert ook hoe erover geschreven wordt. We zijn explicieter geworden over de leeftijd van een cijfer: een meting is een moment, geen doorlopende stroom, en een team dat dat niet weet, trekt sneller een verkeerde conclusie uit een verouderd getal. We zijn ook voorzichtiger geworden met cijfers uit de pers over hoeveel verkeer een AI-antwoord "kost": zulke cijfers verschillen sterk per bron en per meetmethode, en een percentage overnemen zonder de herkomst te kennen, doet uw eigen rapportage geen goed. De les die daaruit volgt is niet nieuw, maar wordt met elke maand duidelijker: minder beweren en meer meten levert op termijn een betrouwbaarder beeld op dan een stellige uitspraak die achteraf bijgesteld moet worden.

Waar u volgend jaar op let

Voor het komende jaar is de nuttigste vraag niet welk model zal winnen, want daar doen we geen voorspelling over zonder bron. De nuttigste vraag is of uw eigen meting is meegegroeid met de markt: volgt u nog altijd maar één assistent terwijl uw klanten er meerdere gebruiken? Is uw promptset nog dezelfde als een jaar geleden, terwijl de vragen van uw markt zijn meegeschoven met nieuwe producten of campagnes? En weet u nog hoe oud het laatste cijfer is dat in uw rapportage staat? Wie op die drie vragen een scherp antwoord heeft, staat er beter voor dan wie op een voorspelling wacht.

Er is nog een vierde vraag die het afgelopen jaar aan gewicht won: weet u nog uit welke bron een antwoord over uw merk komt, of neemt u een uitspraak van een assistent over zonder te weten waarop die steunt? Naarmate meer antwoorden hun bronnen tonen, wordt het ook makkelijker om die vraag te beantwoorden, en daarmee om gericht te werken aan de pagina's en profielen die zulke antwoorden voeden in plaats van te gissen naar wat een model "leuk vindt". Dat is misschien wel de belangrijkste praktische les van het afgelopen jaar: zichtbaarheid sturen begint bij weten waar een antwoord vandaan komt, niet bij het antwoord zelf beïnvloeden.

Een concreet voorbeeld

Het afgelopen jaar bracht een reeks functies die precies op deze verschuivingen aansluiten, zoals ze in de release notes van het platform staan: bronvermeldingen bij promptantwoorden sinds versie 1.6.0, regio per prompt sinds versie 1.8.0, een koppeling met AI-assistenten via MCP sinds versie 1.9.0, de freshness-aanduiding per kanaal sinds versie 1.11.0, en een assistent die rechtstreeks uit projectdata antwoordt sinds versie 1.12.0. Geen van deze functies is hier genoemd als aankondiging van wat nog komt — het zijn stuk voor stuk dingen die al gebruikt worden, en die illustreren dat de discipline die een jaar geleden nog nieuw aanvoelde, inmiddels een set concrete schermen en gewoontes heeft in plaats van alleen een idee.

Wat u nu kunt doen

Wilt u zien hoe een jaar aan gemeten data er in de praktijk uitziet? Vraag een demo aan.