AI-zichtbaarheid meten

AI-zichtbaarheid meet je door een vaste set vragen herhaald aan meerdere taalmodellen te stellen en per antwoord vast te leggen of je merk genoemd wordt, of een pagina van jezelf als bron verschijnt en in welke bewoordingen dat gebeurt.

Je verzamelt dus waarnemingen. Elke vraag stel je meerdere keren, aan meerdere modellen, verspreid over meerdere dagen. Van al die antwoorden tel je hoe vaak je merk voorkomt en dat percentage is je meetwaarde. Hoe meer waarnemingen eronder zitten, hoe minder dat percentage per meting heen en weer springt.

Deze les gaat over het meten zelf. Het opbouwen van die zichtbaarheid is een ander verhaal en dat werk staat op de pagina over AI-vindbaarheid.

Wat je per antwoord vastlegt

Vier dingen en ze zijn niet inwisselbaar.

Vermelding. Komt de merknaam voor in de tekst van het antwoord. Dit is de basislaag, want zonder vermelding bestaat de rest niet.

Aanbeveling. Wordt het merk genoemd als antwoord op de vraag van de gebruiker of komt het langs als achtergrond. “Voor dit soort trajecten wordt vaak X genoemd” is iets anders dan een noemen in een opsomming van de hele markt.

Prominentie. Waar in het antwoord staat de vermelding. Dit cijfer is alleen bruikbaar als gemiddelde over veel runs, omdat de volgorde binnen één antwoord per keer verspringt.

Eigen bron. Wordt een pagina van het merk zelf aangehaald met een link. Dat is een ander signaal dan een vermelding, want je kunt genoemd worden op basis van wat anderen over je schrijven zonder dat je eigen site ooit in beeld komt.

Daarnaast leg je vast hoe er over je gesproken wordt. Twee merken kunnen feitelijk correct beschreven worden terwijl de formulering de lezer duidelijk naar één van de twee stuurt. En je noteert onjuistheden apart: een verzonnen prijs, een dienst die je niet levert, verwarring met een gelijknamig bedrijf.

Wil je eerst zien hoe zo’n meting eruitziet, dan doet de gratis AI-zichtbaarheidscheck er één voor je markt.

Waarom dit anders werkt dan een positie meten

Een positie in Google was een reproduceerbare eigenschap. Je zocht, je zag positie vier, je collega zocht en zag ook positie vier. Bij taalmodellen ligt dat anders.

SparkToro en Gumshoe.ai lieten in november en december 2025 zeshonderd vrijwilligers twaalf vragen invoeren bij ChatGPT, Claude en Google AI, samen 2.961 runs. De kans dat twee identieke vragen exact dezelfde merkenlijst opleveren bleek kleiner dan 1 op 100. Dezelfde lijst in dezelfde volgorde is ongeveer 1 op 1.000. Rankingpositie binnen één AI-antwoord is daarmee statistisch betekenisloos.

Wat wél stabiel blijkt, is de verzameling merken die een model überhaupt in overweging neemt. In dezelfde studie verschenen gevestigde merken als Bose en Sony in 55 tot 77 procent van 994 wisselend geformuleerde vragen. Dat is de eigenschap die je meet: de kans dat je merk in de overweging zit, over een hele categorie aan vragen.

Het meetprotocol in vijf stappen

1. Stel de promptset samen. Minimaal vijftig vragen, met honderd tot tweehonderd als het punt waarop de uitkomst rustig wordt. Meng vier soorten: vragen met je merknaam erin, categorievragen (“welk bureau voor…”), vergelijkingsvragen (“X of Y”) en probleemvragen (“hoe los ik… op”). De vragen zonder merknaam leveren het echte signaal, want een antwoord op je eigen naam is grotendeels voorspelbaar.

2. Leg de exacte woording vast. In de SparkToro-test lag de semantische overeenkomst tussen verschillende gebruikersformuleringen van dezelfde vraag op 0,081. Twee mensen die hetzelfde bedoelen typen dus iets heel anders en dat levert andere antwoorden op. Herhaalbaarheid vraagt om woord-voor-woord vaste vragen.

3. Meet over meerdere modellen. ChatGPT en Copilot leunen zwaar op de Bing-index, Google AI Overviews en Gemini op de Google-index. Dat zijn verschillende bronwerelden, dus één model meten geeft je één hoek van het beeld.

4. Herhaal. Elke vraag meerdere keren, in schone sessies zonder ingelogde geschiedenis, verspreid over meerdere dagen. Eén run per vraag geeft je een cijfer met een schijnprecisie die het niet waarmaakt.

5. Aggregeer over een venster. Beoordeel de uitkomst over 30 of 90 dagen. Dagcijfers en weekcijfers bewegen te veel om er iets uit af te leiden.

Hoe je de uitkomst rapporteert

Met een bandbreedte eromheen. Een meting die uitkomt op 34 procent zichtbaarheid is in werkelijkheid een schatting met een marge en die marge hoort in het rapport te staan: “34 procent, bandbreedte 28 tot 41 procent”. Een arXiv-preprint over meetonzekerheid in AI-zichtbaarheid concludeert op basis van bootstrap-analyse dat veel schijnbare verschillen tussen domeinen binnen de ruis van het meetproces zelf vallen en dat cijfers uit één run “a misleadingly precise picture” geven.

Dat voelt bij de eerste kennismaking als een zwakker rapport. Een rapport dat zijn eigen onzekerheid kent, kun je gebruiken als basis voor beslissingen. Hoe je zo’n bandbreedte leest staat in de les over bandbreedtes.

Waaraan je een zwakke meting herkent

Dat laatste punt verdient aandacht, want het is de meest voorkomende vergissing. Verwijzingen vanuit taalmodellen naar websites zijn nog klein: onderzoek van de Universiteit Hamburg en Frankfurt School over 973 webshops (augustus 2024 tot juli 2025) kwam op minder dan 0,2 procent van alle sessies. Je analytics ziet dus alleen het topje en dan nog alleen van de mensen die doorklikten. Meer daarover in de les over Search Console en AI-verkeer.

Hoe wij meten

Wij draaien tientallen prompts over meerdere modellen en meerdere meetdagen en zetten de uitkomst om in één score die uit vier onderdelen bestaat: vermelding weegt 35 procent, aanbeveling 30 procent, prominentie 20 procent en eigen bron 15 procent. Er zit een geldigheidsdrempel op, zodat een meting met te weinig bruikbare waarnemingen helemaal geen score krijgt. En een mens loopt de uitkomsten na voordat ze in een rapport belanden.

Wil je deze meting niet zelf opzetten, dan doen wij hem in de AI-zichtbaarheidsaudit, met twintig prioriteitsprompts en een plan voor negentig dagen.

De volledige opzet, inclusief de rekenwijze achter de bandbreedtes, staat op de pagina over het Findori Visibility Framework. Die staat er openbaar zodat je hem kunt nalopen en dat is een bewuste keuze: een meetmethode die je niet kunt controleren, kun je ook niet vertrouwen.

Wat je met de uitkomst doet is een ander verhaal. Meten vertelt je waar je staat, de les over hoe AI bepaalt wie het noemt vertelt je waarom.