Wat moet een AI-zichtbaarheidsaudit meten?

Merkzichtbaarheid in AI-zoek is vaak terug te brengen tot één vraag: noemt ChatGPT, Google AI Overviews of Perplexity het bedrijf?

Dat is nuttig als een voorlopige observatie, maar het is te oppervlakkig als standaard voor een audit.

Een merk kan vaak verschijnen, maar aan de verkeerde categorie worden toegewezen. Het kan als bron worden geciteerd zonder als aanbieder te worden aanbevolen. Het kan nauwkeurig worden weergegeven in één formulering van een vraag en verdwijnen na een kleine wijziging in de bewoording. Een systeem kan ook consequent verouderde informatie herhalen, twee vergelijkbare entiteiten verwarren of een functie toeschrijven aan een product dat deze nooit heeft aangeboden.

Een professionele AI-zichtbaarheidsaudit moet daarom vijf afzonderlijke vragen onderzoeken:

• Is het merk aanwezig?

• Welke rol wordt eraan gegeven?

• Welke zichtbare bronnen ondersteunen de representatie?

• Zijn de claims nauwkeurig?

• Blijft het resultaat consistent over runs, prompts, platforms en tijd?

Een vermelding is een observatie. Een betrouwbare audit legt de representatie erachter uit.

Dit artikel definieert die vijf dimensies. Het volgende artikel in de serie legt uit hoe je een AI-zichtbaarheidsaudit uitvoert over publieke AI-zoekoppervlakken.

Een AI-zichtbaarheidsaudit is geen promptcontrole

De eenvoudigste vorm van AI-zichtbaarheidstests volgt meestal vier stappen:

1. bereid een lijst met vragen voor;

2. voer ze in verschillende antwoordsystemen in;

3. tel hoe vaak het merk verschijnt;

4. vergelijk het totaal met concurrenten.

Dit kan voor de hand liggende afwezigheden of fouten onthullen. Het stelt echter niet vast waarom de vragen zijn geselecteerd, welke commerciële intenties ze vertegenwoordigen, of de webzoekopdracht actief was, of de runs zijn herhaald of het merk als aanbeveling, bron of incidenteel voorbeeld verscheen.

Het loopt ook het risico om één probabilistische output als een stabiel resultaat te beschouwen.

In Het kwantificeren van onzekerheid in AI-zichtbaarheid testte Ronald Sielinski herhaalde monsters van Perplexity Search, OpenAI SearchGPT en Google Gemini. De citatiedistributies varieerden aanzienlijk tussen dagelijkse en hoge frequentiemetingen, en sommige schijnbare verschillen tussen domeinen vielen binnen de statistische ruis van het meetproces. Het artikel is een preprint uit 2026, dus de numerieke bevindingen vereisen verdere replicatie, maar het daagt direct de rapportage van zichtbaarheid bij een enkele run uit.

Meet niet één keer: meet zichtbaarheid in AI-zoek komt tot dezelfde bredere conclusie: antwoorden kunnen variëren tussen runs, prompts en tijd, dus zichtbaarheid moet worden behandeld als een distributie van mogelijke uitkomsten in plaats van een vaste rangorde.

Dit impliceert niet één universeel aantal herhalingen. De steekproefgrootte moet afhangen van het platform, scenario en waargenomen variabiliteit. Het ondersteunt echter een minimumregel:

Een audit waarin elke prompt slechts één keer wordt uitgevoerd, is een verzameling illustratieve observaties, geen betrouwbare meting van zichtbaarheidstabiliteit.

Het 5P AI-representatiemodel

Brand Semantics gebruikt het 5P AI-representatiemodel:

1. Aanwezigheid

2. Positie

3. Herkomst

4. Nauwkeurigheid

5. Volharding

De onderliggende zorgen zijn niet nieuw. Het oorspronkelijke GEO-onderzoek, later gepubliceerd op KDD 2024, formaliseerde zichtbaarheid en positie-aangepaste maatregelen voor generatieve antwoorden. Vervolgonderzoek heeft herhaalde metingen, citatiedondersteuning en claimniveau betrouwbaarheid onderzocht.

Vergelijkbare elementen komen ook voor in de methodologieën van praktijkmensen. David Cosgrove’s Vijf lagen van AI-merkkennis behandelt entiteitsherkenning, feitelijke nauwkeurigheid, positionering, kennislacunes en bronattributie. Digital Applied’s AI Search Visibility Score omvat Positie en Volharding, hoewel het deze nauwer definieert en combineert in een samengestelde score. Yotpo gebruikt ook de term merkvolharding voor herhaalde zichtbaarheid over sessies.

De waarde van het 5P-model ligt in het integreren van deze zorgen als vijf operationeel gescheiden dimensies van een representatiegerichte audit. Het beweert niet dat vermeldingen, positionering, herkomst, nauwkeurigheid of stabiliteit nieuw zijn ontdekt.

Aanwezigheid: verschijnt het merk?

Aanwezigheid is de meest basale laag. Het stelt vast of het merk, product, domein of gerelateerde entiteit in het antwoord verschijnt.

Nuttige metingen zijn onder andere:

• vermeldingspercentage in relevante scenario's;

• platformdekking;

• productaanwezigheid;

• co-occurrence van het merk en zijn categorie;

• aanwezigheid in branded en non-branded vragen.

Een nuttige audit moet ten minste vier vormen van aanwezigheid onderscheiden:

• geprikkelde aanwezigheid — het merk verschijnt omdat de vraag het noemt;

• spontane aanwezigheid — het merk verschijnt in een categorie, probleem of aanbevelingsscenario zonder genoemd te worden;

• bron-alleen aanwezigheid — het domein wordt geciteerd, maar het merk ontbreekt in de antwoordtekst;

• product-alleen aanwezigheid — een product wordt genoemd zonder duidelijke associatie met het moedermerk.

Dit is belangrijk omdat een merk dat wordt herkend wanneer het expliciet wordt gevraagd, niet noodzakelijkerwijs vindbaar is in non-branded beslissingsscenario's.

Het vermeldingspercentage is daarom geen marktaandeel, aanbevelingskans of commerciële waarde. Het is één observatie over inclusie.

Positie: welke rol krijgt het merk?

Positie is breder dan de fysieke locatie van een merknaam in het antwoord. Het omvat:

• de rol die aan het merk is toegewezen;

• aanbevelingsstatus;

• categorie-toewijzing;

• geschiktheid voor specifieke gebruiksscenario's;

• vergelijkende relatie met concurrenten;

• prominentie binnen het antwoord.

Een praktische taxonomie kan omvatten:

• primaire aanbeveling;

• secundaire aanbeveling;

• shortlist-inclusie;

• categorievoorbeeld;

• informatiebron;

• achtergrondvermelding;

• waarschuwing of negatieve vergelijking;

• irrelevante inclusie;

• entiteitsverwarring.

Een merk dat in 70 procent van de antwoorden wordt genoemd, maar bijna altijd alleen als bron, heeft een ander zichtbaarheidsprobleem dan een merk dat in 30 procent van de antwoorden aanwezig is, maar regelmatig als de sterkste aanbeveling wordt gepresenteerd.

Dit is waarom Positie niet moet worden gereduceerd tot hoe vroeg een vermelding verschijnt. De tekstuele volgorde kan nuttig zijn, maar het vangt geen categorie, rol of aanbevelingsstatus.

Herkomst: welke zichtbare bronnen vormen het antwoord?

Herkomst betreft de waarneembare bronomgeving rond een antwoord.

Een audit kan vaststellen:

• welke domeinen worden geciteerd;

• welke bronnen behoren tot het merk;

• welke afkomstig zijn van media, directories, forums, partners of concurrenten;

• of bronnen actueel zijn;

• of een geciteerd pagina betrekking heeft op de juiste entiteit;

• of het de specifieke claim ondersteunt die eraan is toegeschreven;

• of verschillende platforms op verschillende bron-ecosystemen vertrouwen.

De precieze term is zichtbare herkomst. Een interface die verschillende links weergeeft, onthult niet elk document dat is overwogen of het volledige interne retrievalproces. De afwezigheid van een citaat bewijst ook niet dat er geen externe informatie heeft bijgedragen aan het antwoord.

Herkomst is daarom geen synoniem voor het aantal citaten. Het moet type bron, onafhankelijkheid, actualiteit, entiteitsmatch, tegenstrijdigheden en claimniveau ondersteuning omvatten.

De preprint Van citateselectie naar citatieabsorptie scheidt de selectie van een geciteerd pagina van de mate waarin die pagina taal, bewijs, structuur of feitelijke ondersteuning aan het uiteindelijke antwoord bijdraagt. Over 602 prompts en meer dan 21.000 zoeklaagcitaten, ontdekten de auteurs dat de breedte van citaten en de gemeten diepte van invloed konden divergeren. De studie rechtvaardigt geen permanente ranking van platforms, maar ondersteunt het meten van de bijdrage van bronnen afzonderlijk van het volume van citaten.

Nauwkeurigheid: zijn de claims nauwkeurig?

Nauwkeurigheid betreft de feitelijke en semantische nauwkeurigheid van claims over de geauditeerde entiteit. Het moet niet worden verward met citatienauwkeurigheid, die citaten evalueert in plaats van de waarheid van de merkrepresentatie.

Een antwoord moet worden ontleed in atomaire claims.

De zin:

“Bedrijf X is een Brits SaaS-platform dat voorspellende analyses aanbiedt in zijn instapplan”

bevat ten minste vier claims:

1. Bedrijf X is een SaaS-platform.

2. Bedrijf X is Brits.

3. Het biedt voorspellende analyses aan.

4. De functie is beschikbaar in het instapplan.

Elke claim kan waar, onwaar, verouderd, gedeeltelijk waar, niet verifieerbaar, een belangrijke beperking missen of aan de verkeerde entiteit zijn toegeschreven.

Het DeepTRACE-framework past statement-level analyse toe en bouwt matrices die claims, citaten en feitelijke ondersteuning koppelen. De auteurs ontdekten dat generatieve zoek- en diep-onderzoek antwoorden materiële proporties van uitspraken kunnen bevatten die niet door hun vermelde bronnen worden ondersteund. Het artikel is een preprint en een deel van de evaluatie gebruikte een modelgebaseerde beoordelaar die gevalideerd was tegen menselijke beoordelingen, maar de claim-niveau methode is direct relevant voor merk-auditing.

Nuttige nauwkeurigheidsmetingen zijn onder andere:

• claimnauwkeurigheid;

• percentage ongefundeerde claims;

• hallucinatiepercentage;

• percentage verouderde claims;

• percentage entiteitsverwarring;

• percentage ontbrekende beperkingen;

• percentage ongefundeerde aanbevelingen.

Een hallucinatiepercentage kan niet geloofwaardig worden berekend zonder een gedefinieerde referentiewaarheid. De audit heeft eerst een goedgekeurde claimkaart, actuele productdocumentatie, prijsinformatie, organisatorische gegevens en andere geverifieerde bronnen nodig.

Volharding: houdt de representatie stand?

Volharding is een overkoepelende dimensie voor verschillende vormen van stabiliteit:

• stabiliteit bij herhaalde runs;

• stabiliteit bij varianten van prompts;

• cross-platform consistentie;

• cross-taal consistentie;

• stabiliteit van citaten;

• stabiliteit van claims;

• tijdelijke volharding.

Vroegere methoden in de industrie gebruiken ook de term, soms nauwer. Digital Applied definieert Volharding door voortdurende wekelijkse citatie-aanwezigheid, terwijl Yotpo merkvolharding toepast op herhaalde sessies. Het 5P-model gebruikt het over aanwezigheid, rol, bronnen, claims en concurrenten in plaats van het te reduceren tot de levensduur van één citaat.

Deze onderscheiding is belangrijk omdat een systeem kan:

• het merk consequent noemen maar de rol veranderen;

• het merk consequent aanbevelen terwijl het bewijs verandert;

• dezelfde feitelijke fout in elke run herhalen;

• het merk correct in het Engels vertegenwoordigen maar onjuist in het Pools;

• stabiel blijven binnen één platform terwijl het elders scherp divergeert.

Stabiliteit is geen nauwkeurigheid. Een onnauwkeurige representatie kan zeer persistent zijn.

Waarom één AI-zichtbaarheidsscore niet genoeg is

Een samengestelde score kan nuttig zijn voor rapportage aan leidinggevenden, maar het is een slechte vervanging voor diagnose.

Hoge Aanwezigheid kan samengaan met lage Nauwkeurigheid. Hoge Volharding kan betekenen dat een valse claim consequent wordt herhaald. Sterk citatieaandeel kan samengaan met zwakke aanbevelingszichtbaarheid. Een merk kan gedomineerd worden in geprikkelde vragen terwijl het afwezig blijft in non-branded ontdekkingsscenario's.

Het combineren van deze uitkomsten in één getal verbergt het mechanisme dat actie zou moeten sturen.

Een 5P-scorekaart kan nog steeds numerieke samenvattingen gebruiken, maar de vijf dimensies moeten zichtbaar en afzonderlijk interpreteerbaar blijven. De audit moet niet alleen beantwoorden of de zichtbaarheid hoog of laag is, maar wat voor soort zichtbaarheid er bestaat, of deze nauwkeurig is en welk bewijs het ondersteunt.

Wat dit niet betekent

Een vermelding is geen aanbeveling

Een merk kan verschijnen als bron, voorbeeld of perifere referentie. Het vermeldingspercentage geeft niet automatisch het aandeel aanbevelingen aan.

Een citaat is geen bewijs van absorptie

Een zichtbare link stelt niet vast hoe diep de pagina het antwoord heeft beïnvloed. Citatieselectie en citatieabsorptie zijn verschillende observaties.

Geen citaat bewijst geen retrieval

De afwezigheid van een zichtbare link onthult niet het volledige generatieproces. Een audit evalueert waarneembare outputs en zichtbare bronnen.

Stabiliteit is geen nauwkeurigheid

Een systeem kan consequent een verouderde of valse claim herhalen.

Één score vertegenwoordigt niet de gehele audit

Aggregatie kan een materiële fout, onbetrouwbare aanbeveling of bronafhankelijkheid verbergen.

AI-zichtbaarheid bewijst geen zakelijke impact

Aanwezigheid in antwoorden kan ontdekkings- of aankoopbeslissingen ondersteunen, maar de impact op de omzet vereist aparte gegevens over verkeer, conversie, toerekening en kwalitatief bewijs.

Meet de representatie, niet alleen de vermelding

Een AI-zichtbaarheidsaudit moet niet alleen beantwoorden of een merk verschijnt in ChatGPT of Google AI Overviews.

Het moet vaststellen:

• waar het merk verschijnt;

• welke rol het krijgt;

• welke concurrenten het omringen;

• welke bronnen zichtbaar zijn;

• of die bronnen de claims ondersteunen;

• of de representatie nauwkeurig is;

• of het resultaat consistent blijft onder relevante voorwaarden.

Het 5P-model organiseert die vragen zonder materieel verschillende uitkomsten in één zichtbaarheidsscore te reduceren.

De volgende stap is methodologisch: definieer de entiteit, bouw intentiescenario's, selecteer de relevante productoppervlakken en behoud voldoende bewijs zodat de bevindingen kunnen worden herzien. Dat proces wordt behandeld in Hoe een AI-zichtbaarheidsaudit uit te voeren over AI-zoekplatforms.

Brand Semantics past deze onderscheiding toe via AI Strategisch Advies, dat technische zichtbaarheid, bronanalyse, claimnauwkeurigheid en representatiemonitoring verbindt.

Bronnen en methodologische aantekeningen

• Pranjal Aggarwal et al., GEO: Generative Engine Optimization, peer-reviewed op KDD 2024. Gebruikt voor vroege formalisatie van zichtbaarheid en positie-aangepaste maatregelen in generatieve antwoorden.

• Ronald Sielinski, Het kwantificeren van onzekerheid in AI-zichtbaarheid, arXiv preprint, herzien juni 2026. Gebruikt voor herhaalde metingen, citatievariabiliteit en onzekerheid.

• Julius Schulte, Malte Bleeker en Philipp Kaufmann, Meet niet één keer, arXiv preprint, april 2026. Gebruikt voor zichtbaarheid als een distributie over runs, prompts en tijd.

• Zhang Kai, He Xinyue en Yao Jingang, Van citateselectie naar citatieabsorptie, arXiv preprint, april 2026. Gebruikt voor de onderscheiding tussen citateselectie, breedte en meetbare absorptie.

• Pranav Narayanan Venkit et al., DeepTRACE, arXiv preprint, september 2025. Gebruikt voor auditing op claimniveau en analyse van citatieondersteuning.

• David Cosgrove, De vijf lagen van AI-merkkennis; Digital Applied, AI Search Visibility Score; en Yotpo, Hoe een AI-zoekaudit voor merkvermeldingen uit te voeren. Deze praktijkmaterialen documenteren eerder openbaar gebruik van overlappende concepten; ze zijn geen onafhankelijke validatie van proprietary metrics.

Methodologische opmerking: Het 5P AI-representatiemodel is een organiserend kader van Brand Semantics. De bijdrage ervan is de integratie en operationele scheiding van vijf gevestigde auditzorgen. De terminologie is geen officiële platformterminologie of een gevestigde academische standaard.