Een taalmodel bepaalt wie het noemt in twee stappen: het stelt eerst een kleine groep kandidaten samen die bij de vraag past en het schrijft daarna een antwoord waarin een deel van die kandidaten terechtkomt.
Die eerste stap gebeurt langs twee routes tegelijk. Een deel van wat het model over jouw markt weet, zit vast in de modelgewichten en is daar tijdens de training in gekomen. Het andere deel haalt het model op het moment van de vraag op uit een zoekindex, leest het mee en gebruikt het als bron. Die tweede route heet retrieval en dat is de route waar je op korte termijn iets aan kunt veranderen.
Twee geheugens die verschillend snel bewegen
Het eerste geheugen is het parametrisch geheugen. Dat is de kennis die tijdens de training in de gewichten van het model is terechtgekomen. Het model bewaart daar statistische verbanden tussen begrippen. Praktijkbronnen schatten de vertraging van zo’n trainingscorpus op zes tot achttien maanden en onderzoek van FineTuneBench laat zien dat modellen gewijzigde kennis nog moeilijker oppikken dan geheel nieuwe kennis.
Het tweede geheugen is de retrieval-laag. Het model stuurt bij het beantwoorden een zoekopdracht uit, haalt een handvol pagina’s op en baseert het antwoord deels op wat het daar leest. Wat in die index staat is binnen dagen tot weken actueel. Een pagina die je vandaag publiceert, wordt daar even fris beoordeeld als elke andere pagina.
Dat onderscheid verklaart een verwarring die ik in gesprekken vaak tegenkom. Iemand heeft zijn site opnieuw ingericht, ziet drie weken later niets veranderen in ChatGPT zonder zoekfunctie en concludeert dat het niet werkt. In de retrieval-laag was er misschien allang wat veranderd, alleen keek hij naar het geheugen dat pas over een paar kwartalen bijtrekt.
De kandidatenset komt eerst, de tekst daarna
Voordat een model één woord van het antwoord schrijft, ligt de kandidatenset al vast. Bij Perplexity gebeurt dat expliciet: het systeem herkent de entiteiten en de intentie in de vraag en bepaalt daarmee welke soort bronnen de ophaalfase in mogen. Wie in Google niet in de topresultaten voorkomt, komt bij Perplexity meestal niet eens in die kandidatenpool terecht.
Binnen die pool gaat de selectie op passageniveau. Retrieval-systemen knippen een document in stukken van enkele honderden tokens, zetten elk stuk apart in de index en alleen het best passende stuk bereikt het model. De eenheid van concurrentie is dus een alinea. Metingen over ChatGPT, Gemini, Perplexity en Claude laten zien dat 44,2 procent van alle citaties uit de eerste 30 procent van een paginatekst komt.
Er zit nog een poort voor die van de passage: het model moet weten wie je bent. Google noemt dat entiteitsherkenning en het gebeurt via de Knowledge Graph, die “Apple” het bedrijf van “apple” de vrucht scheidt. Hoe streng dat is, bleek in juni 2025, toen Google in één week ruim drie miljard entiteiten uit die graaf verwijderde, goed voor 6,26 procent van het totaal, vooral records die dubbelzinnig waren.
Waarom dezelfde vraag twee keer iets anders oplevert
Hier zit het cijfer dat de meeste mensen verrast. SparkToro en Gumshoe.ai lieten in november en december 2025 zeshonderd vrijwilligers 2.961 runs draaien van twaalf prompts over ChatGPT, Claude en Google AI. De kans dat twee identieke vragen exact dezelfde merkenlijst opleveren, bleek kleiner dan 1 op 100. De kans op dezelfde lijst in dezelfde volgorde ligt rond 1 op 1.000.
SE Ranking mat in augustus 2025 iets vergelijkbaars in Google AI Mode: bij herhaalde tests bleef 9,2 procent van de URL’s hetzelfde. En over een maand bekeken verschuift de hele bronnenset. Profound mat over ongeveer 80.000 prompts per platform een maandelijkse drift van 59,3 procent bij AI Overviews, 54,1 procent bij ChatGPT, 53,4 procent bij Copilot en 40,5 procent bij Perplexity. Van de domeinen die vandaag geciteerd worden, is over een maand grofweg de helft vervangen.
Dat betekent dat één screenshot van een goed antwoord geen bewijs van zichtbaarheid is. Het betekent ook dat één screenshot van een slecht antwoord geen bewijs van het tegendeel is.
| Meting | Bron en jaar | Uitkomst |
|---|---|---|
| Zelfde merkenlijst bij herhaling | SparkToro en Gumshoe, 2.961 runs, 2025 | kans kleiner dan 1 op 100 |
| Zelfde lijst in dezelfde volgorde | SparkToro en Gumshoe, 2025 | ongeveer 1 op 1.000 |
| URL-consistentie Google AI Mode | SE Ranking, 2025 | 9,2 procent |
| Maandelijkse verandering in geciteerde domeinen | Profound, circa 80.000 prompts per platform, 2025 | 40,5 tot 59,3 procent |
Wat wel stabiel is
Niet alles beweegt. Uit diezelfde SparkToro-studie blijkt dat de onderliggende groep merken die een model überhaupt overweegt een stuk vaster ligt. Gevestigde namen als Bose en Sony verschenen in 55 tot 77 procent van 994 verschillend geformuleerde prompts. Die groep heet de consideration set en dat is de laag waar je aan kunt werken.
De praktische omkering is deze: je stuurt op de kans dat je in de groep zit waaruit het antwoord getrokken wordt. Die kans meet je door dezelfde set vragen vaak genoeg te herhalen. Uit de meetliteratuur komt een ondergrens van vijftig vragen naar voren, met honderd tot tweehonderd als het punt waarop een meting statistisch te verdedigen is, meerdere keren gedraaid en samengevat over vensters van dertig of negentig dagen.
Wat die kans vergroot, staat in de volgende les, over de eigenschappen die de kans op citatie vergroten. Hoe je die kans meetbaar maakt zonder jezelf voor de gek te houden, staat in ai-zichtbaarheid meten.
Wil je weten hoe vaak jouw bedrijf nu genoemd wordt, dan geeft de gratis AI-zichtbaarheidscheck een eerste indruk over meerdere modellen.
Wil je dat iemand dit voor je nagaat en meteen oplost, dan hoort dat bij GEO-optimalisatie.