Een klant met een vraag opent tegenwoordig niet altijd meer een zoekmachine. Hij typt zijn vraag in een AI-assistent en krijgt één antwoord terug, samengesteld uit bronnen die hij zelf niet ziet. Geen tien blauwe links om doorheen te bladeren, geen advertentie ernaast, geen tweede pagina. Eén antwoord, en daarin staat een beperkt aantal merken genoemd. Staat het uwe er niet bij, dan bestaat u voor die klant op dat moment niet, en dat gebeurt zonder dat u er iets van merkt.

Het antwoord vervangt de vergelijking

Bij een zoekresultaat vergeleek de klant zelf: hij opende drie sites, las twee reviews, vormde een oordeel. Bij een gegenereerd antwoord is die vergelijking al gemaakt. De assistent noemt een paar merken, geeft er soms een korte kwalificatie bij, en de klant leest verder op basis daarvan. Wie in die selectie zit, profiteert van een aanbeveling die eruitziet als een neutraal antwoord. Wie erbuiten valt, verliest niet aan een concurrent met een betere advertentie, maar aan een proces waar hij geen zicht op had.

Dat proces verloopt niet willekeurig. Een taalmodel bouwt een antwoord op basis van wat het over een merk heeft gelezen: op de eigen website, in reviews, in nieuwsartikelen, op sociale media. Een merk dat weinig consistente, actuele informatie achterlaat, is voor een model moeilijker te noemen dan een merk dat overal hetzelfde verhaal vertelt. Dat is geen advertentiebudget, het is aanwezigheid over kanalen heen.

Voor de klant voelt dat niet als een gemis. Hij ziet één antwoord, vindt dat plausibel en gaat verder. Hij vraagt zich niet af welke merken er ook hadden kunnen staan. Dat maakt de vergelijking die vroeger zichtbaar was — tien links, tien keuzes — onzichtbaar geworden. De selectie is al gemaakt voor de klant het beseft, en die selectie is precies waar AI-zichtbaarheid over gaat.

Wat AI-zichtbaarheid betekent

AI-zichtbaarheid is de mate waarin een merk voorkomt in de antwoorden die AI-assistenten en zoekmachines genereren op de vragen van een doelgroep: genoemd worden, met welke toon en op basis van welke bronnen. Het is geen positie in een ranglijst zoals bij klassieke SEO, maar een aandeel in een steeds wisselende selectie van antwoorden. Een merk kan op maandag genoemd worden en op donderdag niet, zonder dat er op het merk zelf iets veranderd is: het model, de vraag of de gebruikte bronnen kunnen intussen verschoven zijn.

Voor marketingteams is dat een ongemakkelijke waarheid. Een positie op een zoekresultatenpagina lag vast tot de volgende crawl. Een vermelding in een AI-antwoord ligt niet vast: ze verschilt per model, per vraag en soms per dag. Wie zichtbaarheid wil begrijpen, moet dus niet één antwoord bekijken maar een patroon over tijd, en dat vraagt een andere manier van meten dan de meeste teams gewend zijn. Het artikel Wat AI-zichtbaarheid is en waarom marketing er een discipline bij krijgt gaat dieper in op die definitie en op wie in een team dit onderwerp oppakt.

Waarom afwezigheid onopgemerkt blijft

Een dalende positie op een zoekresultatenpagina levert meestal een signaal op: minder verkeer, een rapportage die afwijkt. Een ontbrekende vermelding in een AI-antwoord levert vaak niets op. Er is geen klik die uitblijft die u kunt tellen, geen bezoeker die vertrekt vanaf een pagina die u meet. De klant stelt de vraag, krijgt een antwoord zonder uw merk, en gaat verder bij een concurrent die wel genoemd werd. Voor u blijft dat moment onzichtbaar, tenzij u het antwoord zelf ook bekijkt.

Dat is waarom veel marketingteams het probleem pas benoemen als het al een tijd speelt: een collega die toevallig een vraag stelt aan een assistent en het eigen merk niet ziet verschijnen, een verkoper die hoort dat een prospect "iets anders had gelezen". Losse waarnemingen, geen patroon. Om een patroon te zien, moet u dezelfde vragen herhaaldelijk stellen en de antwoorden vastleggen, niet één keer maar op een vaste cadans. Wie die vergelijking wel maakt, ziet vaak ook waarom een concurrent structureel vaker terugkomt; het artikel Waarom uw concurrent vaker genoemd wordt dan u ontleedt de gebruikelijke oorzaken daarvan.

Een concreet voorbeeld

GripIQ stelt daarom een vaste set vragen — Prompts genoemd — herhaaldelijk voor aan meerdere taalmodellen, elk bij hun eigen naam zoals ChatGPT, Gemini en Claude, en registreert per antwoord welke merken genoemd worden. Bij elk overzicht staat aangegeven wanneer de laatste scan liep en wanneer de volgende gepland staat, zodat u nooit een momentopname aanziet voor een structureel beeld. Een enkel antwoord zonder uw merk zegt weinig; drie weken op rij zonder vermelding, terwijl een concurrent wel steeds terugkomt, zegt veel meer. Dat onderscheid tussen toeval en patroon is precies waar handmatig een paar keer een vraag stellen aan een assistent tekortschiet.

Belangrijk daarbij: een scan is geen live meting. Prompts, Keywords, Socials en websites worden op een geplande cadans opnieuw doorlopen, niet continu ververst. Dat is een bewuste keuze: de meeste verschuivingen in een antwoord ontstaan over dagen of weken, niet over minuten, en een cijfer met een duidelijke datum erbij is bruikbaarder dan een teller die voortdurend beweegt zonder dat er echt iets veranderd is.

Wat u nu kunt doen

U hoeft niet te wachten tot een verkoper terugkoppelt dat een prospect ergens anders was. Er zijn twee stappen die vandaag al iets opleveren.

  • Stel de vragen die uw klanten stellen zelf een paar keer aan een AI-assistent, in de bewoording die zij zouden gebruiken, en noteer welke merken terugkomen.
  • Herhaal dat over enkele weken, niet als eenmalige check maar als vaste gewoonte, zodat u een patroon ziet ontstaan in plaats van één momentopname.

Wilt u dat structureel en zonder dat u het zelf handmatig moet bijhouden, dan laat GripIQ in een demo zien hoe dat er per project uitziet, met uw eigen merk en uw eigen concurrenten. Vraag een demo aan om te bekijken wat er op dit moment over uw merk gezegd wordt.