Meet je AI-zichtbaarheid: sta jij in het antwoord, of je concurrent?

Meten of je zichtbaar bent voor AI-assistenten kan niet met een klassieke rankingtool — die kijkt naar posities in een resultatenlijst die bij een gegenereerd antwoord niet meer bestaat. Wat wél werkt: je eigen, herhaalbare steekproef. Stel een vaste set vragen op die een potentiële klant realistisch zou stellen, stel ze aan ChatGPT, Perplexity en Gemini, en noteer per vraag of jouw bedrijf wordt genoemd, met welke bron, en welke concurrent er in plaats van jou verschijnt.

Dat is geen eenmalige exercitie. AI-antwoorden veranderen met elke modelupdate en met elke crawl, dus een score van vorige maand zegt weinig over vandaag. De waarde zit in het herhalen: dezelfde vragen, elke maand, in een simpel overzicht — zo zie je een trend ontstaan in plaats van een losse momentopname.

Waarom je oude SEO-tools dit niet zien

Ranktrackers meten posities op een resultatenpagina. Een AI-antwoord heeft geen posities — het heeft een selectie. Het model kiest een handvol bronnen, weeft ze samen tot lopende tekst en noemt (soms) waar de informatie vandaan komt. Sta je niet in die selectie, dan sta je nergens — er is geen "positie 11" om naar te groeien. Dat maakt het onderscheid tussen wél en niet geciteerd worden veel scherper dan in klassieke SEO, en het maakt losse Google Search Console-cijfers ongeschikt om AI-zichtbaarheid mee te onderbouwen.

Daar komt bij dat elke AI-assistent zijn eigen bronnenmix hanteert. Perplexity citeert vrijwel altijd expliciet, ChatGPT doet dat wisselend afhankelijk van de modus, en Gemini weeft resultaten uit de Google-index erdoorheen. Zichtbaarheid meten betekent dus: per assistent apart kijken, niet één gemiddelde aanhouden.

Drie manieren om het zelf te meten

1. Handmatige steekproef. Verzamel 10 tot 15 vragen die een koper in jouw markt zou stellen — niet je merknaam, maar het probleem ("betrouwbare AI voor juridische documenten in Nederland"). Stel ze in een nieuwe, niet-gepersonaliseerde sessie aan elke assistent en noteer het resultaat in een spreadsheet: genoemd (ja/nee), met bron-URL, en welke concurrent wél verschijnt. Dit kost een uur per maand en levert het meest eerlijke beeld op, omdat je precies ziet wát er staat, niet alleen een score.

2. Een technische scan. Los van wat een model daadwerkelijk antwoordt, is er de onderliggende vraag: kán een AI-systeem je site technisch überhaupt goed lezen? Onze eigen Agentic Search Optimizer loopt een site langs 15+ checks — crawlertoegang, schema.org, llms.txt, citeerbare structuur — en levert een score met concrete reparaties. Dat is geen vervanging voor de handmatige steekproef hierboven (een technisch perfecte site kan alsnog worden overgeslagen), maar het sluit het makkelijkste lek: een model dat je simpelweg niet kan lezen, kan je ook niet citeren.

3. Vermeldingen buiten je eigen site volgen. AI-assistenten citeren niet uitsluitend je eigen pagina's — reviews, formuposts en vakpublicaties tellen net zo hard mee als bron. Een periodieke zoekopdracht naar je merknaam op plekken als vakfora, LinkedIn en nieuwssites laat zien of er extern materiaal ontstaat dat een model kan citeren wanneer je eigen site het antwoord niet dekt.

Wat is een goed resultaat?

Er bestaat geen universele benchmark — "80% van de vragen" betekent niets zonder context van je markt en concurrentie. De bruikbare vergelijking is relatief: hoe vaak verschijn jij ten opzichte van je twee of drie directe concurrenten, op dezelfde vragenset? Zie je jezelf in 2 van de 12 vragen en een concurrent in 9, dan is dat het concrete signaal om op te reageren — niet een absoluut cijfer, maar een verhouding die je maand op maand kunt volgen.

Let ook op vals negatief: sommige assistenten citeren een bron zonder de merknaam letterlijk te noemen in de lopende tekst, maar wel als link onderaan. Controleer dus niet alleen of je naam in de tekst staat, maar ook of je URL in de bronnenlijst voorkomt.

Een simpel meetritme opzetten

Praktisch: leg de vragenset één keer vast, zet er een maandelijkse herinnering bij, en bewaar de resultaten in hetzelfde document zodat trends zichtbaar worden in plaats van losse metingen. Voeg na elke inhoudelijke wijziging aan je site — een nieuw kennisbankartikel, een aangepaste schema.org-markup — de eerstvolgende meting toe als los datapunt, zodat je ziet of een wijziging daadwerkelijk doorwerkt in wat een model citeert. Zonder die herhaling blijft elke GEO- inspanning giswerk.

Conclusie

AI-zichtbaarheid meet je niet met een positie, maar met een herhaalde, eerlijke steekproef: dezelfde vragen, elke maand, per assistent apart, vergeleken met je concurrentie. De technische basis — kán een model je site lezen — check je los daarvan met de Agentic Search Optimizer. Hoe die technische basis en de redactionele kant samen een compleet GEO-beeld vormen, staat uitgewerkt in ons pilaarartikel over GEO.