Een dashboard meldt dat een merk 64% AI-zichtbaarheid heeft. Is dat goed?
Het getal kan betekenen dat het merk in 64 van de 100 antwoorden is verschenen. Het kan ook een gewogen score zijn die vermeldingen, citaten, positie en geschatte publiek combineert. In een ander hulpmiddel kan 'zichtbaarheid' beschrijven hoe vaak het domein van het merk een leidende citatiepositie bezet. Alle drie de berekeningen kunnen intern consistent zijn terwijl ze verschillende fenomenen meten.
Dit is het centrale probleem met rapportage over AI-zichtbaarheid: het label komt vaak eerder dan de operationele definitie.
AI-zichtbaarheid is geen enkele eigenschap van een merk. Het is een verzameling observaties over of een merk verschijnt, de rol die het krijgt, of het wordt aanbevolen, welke bronnen worden getoond, of claims accuraat zijn en hoe stabiel het resultaat is. Een samengestelde score kan die observaties samenvatten, maar kan ze niet vervangen.
De praktische vraag is daarom niet ‘Wat is onze AI-zichtbaarheidsscore?’ Het is:
Welke gebeurtenis hebben we gemeten, over welk onderzoekspanel, met welke noemer, en welke beslissing kan het resultaat ondersteunen?
Hetzelfde label kan verschillende metingen verbergen
Er is geen enkele, door de aanbieder gedefinieerde standaard voor ‘AI-zichtbaarheid’. Publieke documentatie van tools illustreert het probleem.
De AI-zichtbaarheidsmetingen van Semrush gebruiken ‘AI-zichtbaarheid’ voor een 0–100 competitieve benchmark op basis van hoe vaak een merk voorkomt in gegenereerde antwoorden. Op dezelfde documentatiepagina verwijst ‘Zichtbaarheid’ in Prompt Tracking naar de voortgang van een domein in top citatieposities voor gevolgde prompts. De Brand Visibility Index van OtterlyAI combineert merkdekking met een maat die is afgeleid van de gemiddelde positie.
Deze methoden zijn niet uitwisselbaar, hoewel elk een nuttige vraag kan beantwoorden. De fout begint wanneer hun uitkomsten worden vergeleken alsof ze dezelfde gebeurtenis, populatie en waarschijnlijkheid meten.
Begin met de observatie-eenheid
Voordat je een formule kiest, definieer wat één observatie vormt:
– een run is één uitvoering onder gespecificeerde voorwaarden;
– een antwoord is de output;
– een prompt is de ingediende formulering;
– een scenario is de onderliggende informatie of beslissing behoefte;
– een citatie is één zichtbare referentie;
– een claim is één verifieerbare verklaring.
Tien vermeldingen in één antwoord zijn niet gelijk aan aanwezigheid in tien scenario's. Drie links uit één antwoord creëren geen dekking over drie antwoorden. Een prompt is formulering, terwijl een scenario een intentie, publiek en context vertegenwoordigt.
Een reproduceerbare AI-zichtbaarheidsaudit begint daarom met entiteiten, intentiescenario's en gecontroleerde onderzoeksvoorwaarden.
Aanwezigheid, vermeldingen en dekking zijn niet altijd hetzelfde
Aanwezigheid is de eenvoudigste dimensie: verscheen het merk in het antwoord?
Een aanwezigheidsscore van antwoorden kan worden gedefinieerd als:
geldige antwoorden die het merk bevatten / alle geldige antwoorden in scope
Dit is binair: een antwoord telt eenmaal, ongeacht of het merk eenmaal of twaalf keer verschijnt. Een vermeldingentelling kan in plaats daarvan elke gebeurtenis registreren. Vermelding aandeel kan de gebeurtenissen van één merk delen door alle gebeurtenissen van de geauditeerde concurrenten, maar is gevoelig voor de lengte van het antwoord, herhaling en extractieregels.
Scenario dekking beantwoordt een andere vraag:
scenario's waarin het merk een gedefinieerde aanwezigheiddrempel heeft bereikt / alle in aanmerking komende scenario's
De drempel is belangrijk. Als ‘vermeldingpercentage’ en ‘aanwezigheidpercentage’ dezelfde binaire berekening gebruiken, zijn het gewoon twee namen voor één maatstaf.
Het 5P AI representatiemodel plaatst deze maatregelen onder Aanwezigheid, maar houdt opzettelijk Positie, Herkomst, Precisie en Volharding apart. Aanwezigheid stelt inclusie vast. Het stelt geen betekenis vast.
Een vermelding identificeert de rol van het merk niet
Hetzelfde merk kan verschijnen als een primaire aanbeveling, shortlistoptie, categorievoorbeeld, informatiebron, vergelijkingspunt, ongeschikte optie of verwarde entiteit. Alle verhogen de binaire aanwezigheid. Slechts enkele geven echte overweging aan.
Representatie vereist daarom classificatie, niet alleen sentiment. Een positieve zin kan een merk in de verkeerde categorie plaatsen, terwijl een neutraal antwoord het nauwkeurig kan identificeren als de beste keuze voor een beperkte gebruikscontext.
Aanbeveling heeft zijn eigen noemer nodig
Aanbevelingspercentage zou normaal gesproken niet over elke prompt in een studie moeten worden berekend. Definitional, troubleshooting, vergelijking en expliciet gebrandmerkte vragen creëren niet allemaal een echte kans voor aanbeveling.
Een meer interpreteerbare formule is:
geldige in aanmerking komende antwoorden die het merk aanbevelen / alle geldige in aanmerking komende antwoorden
Geschiktheid moet worden gedefinieerd voordat je de resultaten bekijkt. De teller heeft ook een regel nodig: telt shortlist-inclusie mee, en wordt de eerste aanbeveling zwaarder gewogen dan de vijfde? Een B2B inkoopstudie kan shortlist-inclusie als betekenisvol beschouwen, terwijl een consumentenstudie expliciete goedkeuring kan vereisen. De maatstaf wordt geloofwaardig wanneer de regel wordt verklaard en consistent wordt toegepast.
Citatietellingen beantwoorden een andere vraag
Citatietarief meet zichtbare broninclusie, niet merkaanbeveling.
Op antwoordniveau kan het worden gedefinieerd als:
geldige antwoorden die het geauditeerde domein citeren / geldige antwoorden die in staat zijn om citaten weer te geven
Citaties aandeel vraagt naar welk aandeel toebehoort aan een domein of bronklasse. Citatieprevalentie vraagt hoe breed een domein voorkomt in antwoorden. Platforms verschillen in citatievolume, presentatie en gebruik van webzoekopdrachten.
Een zichtbare citatie stelt zichtbare herkomst vast. Het bewijst niet dat de pagina elke claim heeft gevormd. Het beoordelen van ondersteuning of bijdrage vereist claim-niveau analyse:
Tel citaties als citaties. Zet ze niet stilzwijgend om in aanbevelingen, invloed of feitelijke ondersteuning.
Representatie kan niet worden gereduceerd tot gunstige formuleringen
Merkrepresentatie omvat de categorie, aanbieding, doelgroepen, mogelijkheden, beperkingen en relaties die door het antwoord worden uitgedrukt. Het meten ervan vereist een geverifieerde refer laag. Een claimkaart kan verklaringen identificeren die correct, verouderd, onjuist, onverifieerbaar of een materiële beperking missen. Zonder dit is het ‘hallucinatiepercentage’ vaak slechts een indruk.
Een claim nauwkeurigheidspercentage kan worden uitgedrukt als:
correcte atomische merkclaims / alle atomische merkclaims die in aanmerking komen voor verificatie
Een onjuiste kantoorlocatie en een uitgevonden mogelijkheid tellen beide als fouten, maar hun gevolgen verschillen. Bewaar type en ernst van de fout naast het percentage.
Merksemantiek infrastructuur verbindt metingen met entiteitskaarten, claimkaarten en bronuitlijning, en definieert wat een correcte representatie zou bevatten en hoe deze kan worden geverifieerd.
De noemer kan de conclusie veranderen
Elke percentage bevat een beleidsbeslissing over wat onder de lijn valt.
– 18/100, als elke geplande run in de noemer blijft;
– 18/90, als technische fouten worden uitgesloten;
– 18/80, als de maatstaf is beperkt tot geldige, citatie-capabele antwoorden.
Elk cijfer beschrijft een ander proces. Technische fouten zijn geen neutrale antwoorden of merkafwezigheid, maar ze stilzwijgend verwijderen kan een onbetrouwbaar platform schoner laten lijken. Rapportage van volledigheid apart en verklaar elke noemer.
Minimaal, publiceer zowel het percentage als de breuk: 18/80, niet alleen 22,5%.
Platformgemiddelden zijn niet neutraal
Het combineren van ChatGPT, Google AI-modus, Gemini, Claude, Copilot en Perplexity creëert keuzes over platformgewichten, equivalente productoppervlakken, zoekmodi en classificatieregels.
Een ongewogen gemiddelde geeft het gemiddelde over geselecteerde platforms. Het schat niet de waarschijnlijkheid dat een klant het merk tegenkomt, wat geloofwaardige publiek- en scenario gewichten zou vereisen.
Aggregatie kan ook een schijnbare trend omkeren. Een merk kan binnen elk stabiel segment verbeteren, maar toch in het algemeen afnemen als de tweede meting moeilijkere scenario's bevat of meer gewicht geeft aan een laag presterend platform.
Resultaten op platform- en scenario-niveau moeten daarom beschikbaar blijven onder elk totaal.
Een percentage is een schatting, geen vaste platformeigenschap
Generatieve antwoorden variëren tussen runs, formuleringen en tijd. Twee recente preprints bieden bewijs, hoewel geen van beiden een universele benchmark is voor elk platform of elke markt.
Het kwantificeren van onzekerheid in AI-zichtbaarheid bestudeert herhaalde citatiemetingen over Perplexity Search, OpenAI SearchGPT en Google Gemini. Het kadert citatiemetingen als steekproefschattingen van een onderliggende responsverdeling en ontdekt dat sommige schijnbare verschillen tussen domeinen binnen meetruis vallen.
Meet niet één keer analyseert herhaalde merk- en bronobservaties over verschillende AI-zoekmachines. Het betoogt eveneens dat zichtbaarheid als een verdeling moet worden behandeld in plaats van als een enkelpuntuitkomst.
Beide zijn 2026 preprints in plaats van gevestigde cross-platformnormen. Sielinski is verbonden aan het commerciële AI-zichtbaarheidbedrijf IQRush, terwijl Schulte een verbinding onthult met Aurora Intelligence naast zijn universitaire rol. Hun methoden en beperkingen zijn hier belangrijker dan hun hoofdcijfers.
Steekproefgrootte hangt af van de maatstaf, scenario, platform en variabiliteit. Eén run per prompt kan geen volharding vaststellen. Materiële beslissingen moeten de breuk, het aantal runs, een stabiliteitsmaat en, waar gerechtvaardigd, een onzekerheidsinterval omvatten.
Wanneer een samengestelde score nuttig is
Een samengestelde score kan een signaal voor leidinggevenden bieden, richting volgen onder een stabiele methode en onderzoek triggeren. Het probleem is niet de aggregatie zelf, maar aggregatie zonder traceerbaarheid.
De handboek van de OECD en de Europese Commissie beschouwt de constructie van samengestelde indicatoren als een methodologische taak. Selectie, normalisatie en weging kunnen de output veranderen.
Voor AI-zichtbaarheid hebben componenten operationele definities nodig, moeten gewichten expliciet zijn, moeten panelwijzigingen en technische uitsluitingen worden gedocumenteerd, en moeten componentresultaten toegankelijk blijven. De score mag niet worden gepresenteerd als marktaandeel, gebruikersblootstelling of impact op de omzet.
Een score moet een navigatielaag zijn, geen barrière tussen de lezer en het bewijs.
Het contract voor AI-zichtbaarheidmetingen
Brand Semantics stelt een contract voor AI-zichtbaarheidmetingen voor: een compacte specificatie die elke materiële maatstaf moet vergezellen.
Contractelement | Vereiste vraag |
|---|---|
Beslissing | Welke beslissing is deze maatstaf bedoeld om te ondersteunen? |
Gebeurtenis | Wat wordt precies geteld: aanwezigheid, vermelding, aanbeveling, citatie, rol, claim of fout? |
Observatie-eenheid | Is één observatie een run, antwoord, prompt, scenario, citatie of claim? |
Teller en noemer | Wat staat boven en onder de lijn? |
Geschiktheid en uitsluitingen | Hoe worden technische fouten, lege antwoorden en niet-geschikte scenario's behandeld? |
Onderzoekspanel | Welke platforms, modellen, modi, markten, talen, doelgroepen en scenario's zijn inbegrepen? |
Aggregatie | Worden segmenten gewogen, en hoe? |
Onzekerheid en vergelijkbaarheid | Hoeveel runs zijn verzameld, hoe variabel waren ze en bleef de methode in de loop van de tijd stabiel? |
Dit is een methodologisch voorstel van Brand Semantics, geen officiële platformstandaard. Het maakt een maatstaf controleerbaar voordat deze overtuigend wordt.
Bijvoorbeeld, een contract voor aanbevelingspercentage zou expliciete positieve aanbevelingen op antwoordniveau kunnen specificeren, 40 vooraf gedefinieerde niet-gemerkte aankoopscenario's, vijf runs per scenario, gelijke scenario gewichten en aparte platformresultaten. Fouten van de aanbieder zouden worden uitgesloten van het percentage maar apart gerapporteerd. Perioden zouden alleen worden vergeleken als de scenario-bibliotheek, modeloppervlak en classificatieregels stabiel bleven.
Rapporteer een scorekaart, niet alleen een score
Een nuttig meetsysteem heeft drie verbonden lagen.
Managementoverzicht – een kleine set richtinggevende indicatoren, materiële risico's en veranderingen in de loop van de tijd.
Diagnostisch overzicht – resultaten per platform, markt, doelgroep, scenario-type, aanbevelingsrol, bronklasse en foutcategorie.
Bewijsoverzicht – volledige antwoorden, citaten, claims, classificaties, tijdstempels en technische statussen.
Dit aanvult het proces voor het interpreteren en rapporteren van een AI-zichtbaarheidsaudit. Het weerspiegelt ook het GEO-controleoppervlak: merken kunnen gecontroleerde activa optimaliseren en informatievoorwaarden beïnvloeden, maar vermeldingen, citaten en aanbevelingen blijven waargenomen uitkomsten.
Semantio ondersteunt deze aanpak door scenario-gebaseerde, cross-model monitoring te behouden en antwoorden, aanbevelingen, bronnen en fouten te scheiden. Een tool verwijdert de noodzaak voor maatstafdefinities niet; het kan helpen ze consistent toe te passen en het onderliggende bewijs te behouden.
Wat dit niet betekent
Één synthetische score is niet verboden. Het kan nuttig zijn wanneer de methode stabiel, transparant en decomposable is.
Elk project heeft niet elke maatstaf nodig. Een bronaudit, aanbevelingsstudie en feitelijke risicobeoordeling vereisen verschillende scorekaarten.
Citaties en aanbevelingen zijn niet automatisch waardevol of correct. Een citatie kan verouderd zijn, terwijl een aanbeveling kan vertrouwen op een onjuiste mogelijkheid.
Meer observaties verhelpen geen slecht onderzoeksontwerp. Het herhalen van een niet-representatief promptpanel produceert een nauwkeuriger schatting van de verkeerde constructie.
Tools zijn niet standaard direct vergelijkbaar. Hetzelfde label kan verschillende gebeurtenissen, panelen en gewichten verbergen.
AI-zichtbaarheid is geen marktaandeel of zakelijke impact. Het verbinden van representatie aan vraag, conversie of omzet vereist aanvullend bewijs.
Meet de gebeurtenis voordat je de score benoemt
AI-zichtbaarheid wordt nuttig wanneer het wordt ontleed in beantwoordbare vragen: verschijnt het merk, in welke scenario's, wordt het aanbevolen, welke rol en categorie krijgt het, welke bronnen zijn zichtbaar, zijn de claims correct en blijft het resultaat bestaan?
Een enkel getal kan een deel van dit beeld samenvatten. Het zou niet toegestaan moeten worden om het beeld opnieuw te definiëren.
Voordat je een AI-zichtbaarheidsscore accepteert, vraag naar het contract: gebeurtenis, eenheid, noemer, panel, uitsluitingen, aggregatie en onzekerheid. Zonder deze kan het getal een dashboard versieren, maar het is niet sterk genoeg om een beslissing te sturen.
Brand Semantics past deze onderscheiding toe via AI Strategisch Advies, en verbindt meetontwerp met entiteit-, claim-, bron- en representatieanalyse.
