Het Findori Visibility Framework uitgelegd

Het Findori Visibility Framework is de meetmethode waarmee ik AI-zichtbaarheid in één score uitdruk, opgebouwd uit vier componenten met een vast gewicht: vermelding 35 procent, aanbeveling 30 procent, prominentie 20 procent en eigen bron 15 procent.

De meting draait tientallen prompts over meerdere modellen en meerdere meetdagen. Elk antwoord wordt op die vier punten beoordeeld en het gemiddelde daarvan levert de score op, met een bandbreedte eromheen. De volledige beschrijving staat op de pagina over het framework.

De reden dat de gewichten zo liggen is de kern van dit verhaal, dus daar besteed ik de rest van deze les aan.

De vier componenten

Vermelding weegt het zwaarst omdat het de toegangsvoorwaarde is. Als je naam niet in het antwoord staat, doet de rest er niet toe. Dit is ook de component die het dichtst bij de vraag van de ondernemer staat: word ik genoemd of niet.

Aanbeveling is de kwalitatieve variant daarvan. Er zit verschil tussen “andere aanbieders zijn onder meer X” en “voor dit type vraag zou ik X aanraden”. Het eerste is aanwezigheid, het tweede is voorkeur. Voor wie er iets aan wil verdienen telt vooral de tweede.

Prominentie kijkt naar de plek in het antwoord: sta je in de eerste zin of in de laatste bijzin, krijg je twee woorden of drie regels.

Eigen bron meet of het model naar jouw site verwijst. Dat weegt bewust licht, want tussen de 82 en 89 procent van alle AI-citaties komt uit publicaties van derden, gemeten door Muck Rack over 25 miljoen links in drie edities (2025 en 2026). Je eigen site is dus een klein stukje van het beeld dat een model van je heeft. Prettig als het gebeurt. Als maat voor je zichtbaarheid is het te smal.

Waarom prominentie maar 20 procent weegt

Hier zit de scherpste keuze in het hele framework en het is er een waar ik gedoe over krijg, want klanten willen graag weten of ze “eerste” staan.

Positie binnen één AI-antwoord is statistisch zwak. In een test van SparkToro en Gumshoe over 2.961 runs (2025) bleek de kans dat twee identieke vragen dezelfde merkenlijst opleveren kleiner dan 1 op 100. Dezelfde lijst in dezelfde volgorde is nog een orde onwaarschijnlijker, ergens rond 1 op 1.000.

Dat betekent dat de volgorde in een individueel antwoord vrijwel geen informatie bevat. Wie een screenshot laat zien waarop hij bovenaan staat, laat een worp met een dobbelsteen zien. Draai dezelfde vraag een uur later en er staat iets anders.

Als gemiddelde over veel antwoorden verandert dat. Als je over tientallen prompts en meerdere meetdagen structureel vooraan verschijnt, is dat wel een signaal. Daarom houd ik prominentie in de score en daarom staat hij op 20 procent in plaats van op de helft. Het cijfer is bruikbaar zolang het over veel antwoorden gemiddeld is. Als momentopname zegt het niets. Meer daarover in waarom een AI-antwoord niets bewijst.

Een vergelijkbare redenering geldt voor de bandbreedte om de score heen. Een score van 34 procent klinkt precies. Een score van 34 procent met een bandbreedte van 28 tot 41 procent vertelt je wat de meting echt kan onderscheiden. Hoe je zo’n bandbreedte leest staat in de les over bandbreedtes lezen.

De geldigheidsdrempel

Onder een bepaald aantal bruikbare waarnemingen geef ik geen score af. Dat is de geldigheidsdrempel en hij zit er om een simpele reden in: bij te weinig waarnemingen is de spreiding groter dan het verschil dat je zou willen meten.

Dat gebeurt bijvoorbeeld bij een heel kleine niche waar de modellen nauwelijks over praten, of bij een merknaam die met een bestaand woord samenvalt en daardoor half de tijd naar iets anders verwijst. In die gevallen staat er in het rapport dat de meting niet sluitend is, met de reden erbij.

Dat kost me af en toe een gesprek. Het is beter dan een getal afgeven dat niets betekent.

De menselijke controle

Er zit menselijke review op de uitkomsten. Een model dat antwoorden beoordeelt maakt fouten die een mens er meteen uithaalt: een gelijknamig bedrijf uit een andere branche, een vermelding die in werkelijkheid over je concurrent gaat, een antwoord dat een product noemt dat je helemaal niet verkoopt.

Dat laatste komt vaker voor dan je zou denken. Een model dat een verzonnen dienst of een verouderde prijs bij je naam noemt is een probleem dat je zelf nooit ziet, want je stelt jezelf die vraag niet. In de rapportage staat zoiets apart, los van de score.

De review maakt de meting trager en hij maakt hem bruikbaar. Als je op een cijfer beslissingen gaat nemen, wil je dat er iemand naar de onderliggende antwoorden heeft gekeken.

Wat je met de score doet

Gebruik hem om verschillen over tijd te zien. Je met een concurrent vergelijken op de tweede decimaal heeft weinig zin, want zo’n verschil valt bijna altijd binnen de bandbreedte. Een score van vandaag naast een score van drie maanden geleden, met beide bandbreedtes erbij, laat zien of er iets beweegt.

En kijk vooral naar de vier componenten apart. Iemand die veel genoemd wordt en zelden aanbevolen heeft een ander probleem dan iemand die nergens voorkomt. De eerste heeft werk aan zijn profiel en de tweede aan zijn aanwezigheid. Het totaalcijfer verbergt dat verschil en de componenten laten het zien.

Hoe wij dit voor een klant vastleggen, met een concurrentenvergelijking erbij, staat bij de AI-zichtbaarheidsaudit.