Deze bijdrage is gebaseerd op een gesponsord artikel van No Fluff (via Search Engine Journal). De meningen en bevindingen die ik hieronder samenvat en vertaal naar de praktijk van Nederlandse mkb bedrijven, zijn die van de sponsor. Ik herschrijf het vooral omdat ik dezelfde misvatting steeds hoor: “We bestaan nog te kort, dus AI noemt ons niet.” In de praktijk gaat het veel vaker om iets anders: of een AI systeem je bedrijf veilig genoeg vindt om te noemen.
Waarom nieuwe bedrijven vaak niet verschijnen in AI antwoorden
Als ChatGPT, Gemini of Perplexity een bedrijfsnaam noemt, nemen ze een risico. Ze willen geen onzin aanraden, geen merk verwarren met een ander en geen bron gebruiken die ze niet kunnen “plaatsen”. Daardoor gedragen deze systemen zich voorzichtig.
Wat ik veel ondernemers zie doen, is zich blindstaren op leeftijd of op “SEO scores”. Alleen werkt AI zichtbaarheid net iets anders dan klassieke rankings. In generatieve zoekresultaten draait het minder om wie bovenaan staat en meer om wie het makkelijkst te verifiëren is als entiteit: een herkenbaar, consistent bedrijf met genoeg sporen op het web.
Nieuwe bedrijven starten vaak met een dunne digitale voetafdruk. Er zijn weinig mentions, weinig uitlegpagina’s, weinig herhaling van dezelfde kernboodschap op meerdere plekken. Daarnaast ontbreekt het vaak aan geloofwaardigheidssignalen zoals reviews, vakmedia, partners of links. Tel daarbij op dat veel namen op elkaar lijken of generiek zijn, en je krijgt precies het soort onzekerheid waar een model liever omheen loopt.
Dat betekent niet dat je “afgekeurd” wordt. Je bent meestal simpelweg te onzeker om zonder schade te citeren. En dat is belangrijk, want een vermelding in AI is niet alleen exposure. Het beïnvloedt welke namen kopers in hun shortlist stoppen nog voordat ze op je site landen. In meerdere sectoren zie je dat bezoekers die via AI komen, relatief vaak beter converteren omdat ze al met vertrouwen binnenkomen.
Bewijs dat het wel kan: een 12 weken experiment vanaf nul
No Fluff heeft een nieuw B2B bedrijf vanaf de lancering gevolgd in een 12 weken experiment om te testen of een merk zonder historie toch genoemd kan worden in AI antwoorden. Geen backlinks, geen pers, geen eerdere vermeldingen. Echt nul.
In plaats van te leunen op dashboards die AI zichtbaarheid “schatten”, is er gemeten met echte buyer style prompts. In totaal ging het om 150 vragen, wekelijks getest in ChatGPT, Google AI Overviews en Perplexity. De aanpak bestond uit wekelijkse GEO sprints met focus op techniek, antwoordgerichte content en versterkende signalen zoals social, video en de eerste links.
Na zes weken waren dit de eerste resultaten.
Het bedrijf verscheen in ongeveer 5 procent van de relevante AI antwoorden. In 39 van de 150 vragen werd het genoemd, samen 74 keer, waarvan 42 keer met een bronvermelding. De citation accuracy was circa 6 procent en ongeveer 11 procent van de verwijzingen ging naar het eigen domein.
Dat is niet het soort groei waar je een champagnefles voor open trekt, maar het is wél het punt waar veel nieuwe bedrijven willen komen: van onzichtbaar naar “AI durft ons te noemen”. En precies daar zitten de leerpunten.
Zes patronen die het verschil maakten in de eerste weken
In de eerste zes weken kwamen er volgens No Fluff zes terugkerende patronen bovendrijven die voorspelden of het merk werd opgenomen, vervangen door een bekendere speler of helemaal werd overgeslagen.
Het eerste patroon is dat structuur vaker wint dan onderwerp. Pagina’s die lang doorpraten, afdwalen of meerdere ideeën mengen, worden minder goed opgepikt. De pagina’s die wél terugkwamen, begonnen met het antwoord, werkten in duidelijke stappen en bleven bij één kernvraag.
Het tweede patroon is het social amplifier effect. In de eerste weken kwamen veel citaties niet van de eigen website, maar van LinkedIn en Medium. Dat zijn platforms die al veel vertrouwen dragen. Voor een nieuw merk kan het helpen om je belangrijkste inzichten eerst daar neer te zetten, zodat AI het sneller tegenkomt en durft te gebruiken.
Het derde patroon gaat over hallucinaties. Wanneer een model een merk verwart, feiten verzint of je door elkaar haalt met concurrenten, is dat vaak geen toeval maar een signaalprobleem. Dunne of tegenstrijdige informatie, trage pagina’s of instabiele crawlbaarheid zorgen ervoor dat systemen breder gaan zoeken en hun antwoord bij elkaar rapen uit “nabije” bronnen. Na verbeteringen in snelheid, betrouwbaarheid en entity clarity daalde het aantal misattributies en steeg het aandeel correcte verwijzingen naar de eigen site.
Het vierde patroon is de drie weken indexing window. De eerste AI pickup van een nieuw domein kan volgens dit experiment binnen drie tot vier weken gebeuren. Hier werd de eerste pagina op dag 27 opgepikt. Daarna ging het sneller, met een kortste lag rond acht dagen. Opvallend is dat dit niet door volume kwam, maar door nette structuur: schema, consistente metadata, een crawlbare site en machine leesbare bestanden zoals llms.txt.
Het vijfde patroon is dat je eerst de uitleg ronde moet winnen. Nieuwe merken breken zelden meteen door in “beste” of “top” lijsten. Veel realistischer is om eerst de primaire bron te worden voor definities en educatieve vragen. Dat bouwt herkenning en vertrouwen op, en pas daarna maak je kans in vergelijking prompts.
Het zesde patroon, en eerlijk gezegd het meest bepalende, is de unfinished trust gap. Zelfs met sterke content en een goede site bleken AI antwoorden vaak terug te vallen op bekende domeinen. Zonder externe validatie, zoals vakmedia, reviews of autoritaire mentions, bleef aanbeveling achter. Wie dat uitstelt, remt zichzelf af.
Stap 1: breng je merk als entiteit in kaart
Als je wilt dat een AI systeem je noemt, moet het eerst snappen wie je bent. Niet “gevoelmatig”, maar feitelijk. Modellen leggen relaties tussen namen, diensten, mensen, locaties en categorieën. Als die relaties ontbreken of per kanaal anders zijn, blijft het vaag.
Een praktische manier om dit scherp te krijgen is werken met simpele feiten in de vorm van semantische triples: onderwerp, relatie, object. Denk aan: “Bedrijfsnaam” biedt “dienst”, of “Bedrijfsnaam” helpt “doelgroep” met “probleem”. Dat dwingt je om duidelijk te zijn.
Gebruik daarnaast woorden die de buitenwereld al kent. Als je categorie taal niet matcht met wat er in de markt gangbaar is, vergroot je de kans dat je verkeerd geclassificeerd wordt of simpelweg niet wordt herkend. En maak je autoriteit concreet. Welke drie tot vijf feiten of bewijzen wil je dat mensen en machines onthouden? Tot slot helpt het om je tegenpositie helder te maken: waar ben je anders, en vooral, waar ben je bewust níet voor bedoeld.
Stap 2: maak een vaste set prompts om je AI zichtbaarheid te meten
Veel teams willen AI zichtbaarheid meten met tools die gebouwd zijn voor klassieke SEO. Het probleem is dat ze vaak simuleren of afleiden, terwijl je juist wil weten: word ik genoemd als een koper deze vraag stelt?
No Fluff beschrijft daarom een benchmark prompt set. Eerst breng je het speelveld in kaart: welke merken worden nu al genoemd, welke vragen zijn haalbaar, en waar zit verwarring in taal en categorie. Daarna vertaal je buyer intent naar echte vragen door te kijken naar People Also Ask, SERP patronen, concurrenten, keyword data en door de AI systemen zelf te laten suggereren hoe mensen vragen.
Vervolgens leg je één dataset vast, bijvoorbeeld 150 vragen verdeeld over clusters zoals branded, categorie, probleem, vergelijking en meer semantische varianten. Die set run je wekelijks in ChatGPT, Gemini en Perplexity, zodat je echte beweging ziet in mentions en citaties. Het klinkt wat schools, maar het voorkomt dat je jezelf voor de gek houdt met losse screenshots.
Stap 3: maak je merk machine leesbaar (en vooral: crawlbaar)
AI systemen hebben weinig geduld. Ze kijken niet naar je design, ze willen informatie kunnen pakken. Als je site technisch rommelig is, blokkeert, langzaam laadt of vol zit met content die alleen in afbeeldingen of gated pdf’s staat, dan maak je het onnodig moeilijk.
De basis begint met schema in JSON LD, denk aan Organization, Service en FAQ, zodat je letterlijk vertelt wie je bent en wat je levert. Daarnaast noemt No Fluff llms.txt als een praktisch bestand op root niveau dat AI crawlers richting geeft: welke pagina’s zijn leidend, hoe moet het merk worden beschreven, wat zijn kernclaims.
Controleer ook je robots.txt, interne links en laadtijd. In het experiment zagen ze dat wanneer pagina’s te lang nodig hadden om te laden, modellen vaker “fan out” gingen zoeken en eerder met verkeerde bronnen thuiskwamen. Een eenvoudige check in PageSpeed Insights geeft je vaak al genoeg richting om dit op te ruimen.
Stap 4: schrijf content die makkelijk terug te halen is voor AI
Veel bedrijven schrijven alsof iedereen rustig gaat lezen. Alleen, AI systemen werken als een snelle analist: ze willen direct het antwoord, duidelijke secties en stukken tekst die los van de rest te gebruiken zijn.
Dat betekent dat je per pagina een heldere vraag kiest en direct begint met het antwoord. Daarna deel je het op in logische blokken die zelfstandig kloppen. Niet omdat het “leuker scoort”, maar omdat het makkelijker te citeren is zonder de context van de hele pagina.
No Fluff wijst ook op freshness. In veel domeinen krijgt content die recent is bijgewerkt vaker vertrouwen. Richtlijn in hun observaties is 60 tot 90 dagen. In competitieve sectoren kan het verstandig zijn om belangrijke pagina’s elk kwartaal te herzien, niet om nieuwe woorden toe te voegen, maar om feiten, voorbeelden en verwijzingen actueel te houden.
Stap 5: bouw externe validatie voordat je het nodig hebt
Hier gaat het bij veel mkb bedrijven mis, en ik snap waarom. Je bent druk met product, sales en operatie, dus “later” komt PR, reviews en partners wel. Alleen ziet een AI systeem je claims pas als betrouwbaar wanneer de rest van het web ze bevestigt.
Begin daarom met je basisprofielen en zorg dat je gegevens overal hetzelfde zijn. Denk aan LinkedIn, Crunchbase, G2 of branche directories, afhankelijk van je markt. Inconsistenties zijn een bekende oorzaak van verwarring en rare AI uitspraken.
Daarna wil je autoritaire mentions. Niet per se honderd links, maar een paar plekken die in jouw branche echt meetellen. En koppel het aan je belangrijkste pagina’s. No Fluff noemt als richtlijn drie bewuste externe verwijzingen per belangrijke pagina om pickup te stimuleren. Zie het als een brug tussen “wij zeggen dat we dit kunnen” en “anderen bevestigen dat”.
De belangrijkste les: autoriteit is het spel, techniek is de toegang
Als je net gestart bent, is het verleidelijk om te denken dat je alleen wat technische vinkjes moet zetten en dan komt het wel. De realiteit is nuchterder. Een nette site en duidelijke content helpen je om überhaupt herkend te worden, maar aanbevolen worden vraagt om autoriteit.
AI systemen nemen nieuwe namen sneller mee in laag risico antwoorden, zoals uitleg en definities. In “beste” of “top” prompts wint meestal de partij met de langste en breedste bevestiging buiten de eigen site. Daarom is vroege vooruitgang vooral het verkleinen van onzekerheid. Consistent vertellen wie je bent, herhaling op betrouwbare platforms, en externe bevestiging zorgen ervoor dat een model je niet meer hoeft te gokken.
Wie dit ziet als een langetermijnspel, maakt minder dure keuzes. Je jaagt niet achter losse trucjes aan, maar bouwt aan iets wat ook over twee jaar nog werkt: een merk dat mensen vertrouwen en dat machines durven te citeren.
Wil je de bron en het volledige experiment volgen, dan verwijst No Fluff naar de lopende 90 dagen resultaten via: https://nofluffmktg.com/results/?utm_source=sej&utm_medium=sponsored_post&utm_campaign=90dayexperiment.