De vraag die ik de laatste tijd het vaakst hoor is simpel: hoe krijg ik mijn merk in AI antwoorden. Begrijpelijk, want wie bovenaan in Google stond, wil nu ook genoemd worden door ChatGPT, Gemini of AI Overviews. Alleen zit daar een ongemakkelijke waarheid onder: taalmodellen werken niet zoals zoekmachines. Ze zijn kans gedreven. Dat maakt zichtbaarheid niet alleen lastig te sturen, maar ook verrassend makkelijk te manipuleren. En als ondernemer wil je daar niet blind in stappen.
Invloed op AI antwoorden is mogelijk, maar wankel
Vorige week deelde ik een overzicht van factoren die je zichtbaarheid in AI antwoorden kunnen vergroten (https://www.growth-memo.com/p/state-of-ai-search-optimization-2026). Zulke lijstjes doen het altijd goed, omdat ze houvast geven. Alleen missen we nog een nuchter antwoord op de vervolgvraag: hoeveel controle heb je nou echt.
In de praktijk zie ik zeven redenen waarom dat beïnvloeden lastiger is dan veel mensen hopen. Om te beginnen gedragen AI antwoorden zich meer als een loterij dan als een ranking. Stel dezelfde vraag een paar keer en je krijgt kleine, soms grote verschillen. Daar bovenop komt dat die antwoorden vaak niet stabiel zijn. Een onderzoek van Airops laat zien dat wanneer je dezelfde prompt vijf keer draait, slechts ongeveer twintig procent van de merken consequent terugkomt (https://www.airops.com/report/how-citations-mentions-impact-visibility-in-ai-search).
Dan is er nog iets wat veel teams onderschatten: elk model heeft een ingebakken voorkeur op basis van zijn trainingsdata. Dan Petrovic noemt dat Primary Bias. Je kunt met content bijsturen, maar hoeveel je die basisvoorkeur echt kunt doorbreken, is onduidelijk.
Alsof dat nog niet genoeg is, veranderen modellen ook gewoon. Tactieken die bij ChatGPT 3.5 werkten, kunnen bij 5.2 ineens minder effect hebben. Bovendien verschillen modellen onderling in welke bronnen ze zwaarder laten meewegen, zowel in training als in web retrieval. Semrush liet bijvoorbeeld zien dat modellen anders omgaan met bronweging (https://www.semrush.com/blog/ai-mode-comparison-study/). En platformen citeren ook anders: ChatGPT leunt relatief vaak op Wikipedia, terwijl AI Overviews vaker Reddit aanhaalt (https://www.tryprofound.com/blog/ai-platform-citation-patterns).
Daar komt personalisatie bij. Gemini kan, afhankelijk van je instellingen, meer context halen uit Google Workspace dan een andere chattool. Dat kan fijn zijn voor de gebruiker, maar het maakt jouw zichtbaarheid minder voorspelbaar. En ten slotte is er de prompt zelf. Mensen geven steeds meer context mee in lange vragen. Hoe specifieker iemand is, hoe smaller het antwoordvenster wordt. Dat betekent dat je minder knoppen hebt om aan te draaien.
Als je dit leest en denkt: dus ik kan er weinig mee, dan is mijn antwoord: je kunt er wel degelijk wat mee, maar je moet rekenen met volatiliteit. Dat vraagt om een andere manier van meten en een andere verwachting in de boardroom.
Nieuw onderzoek laat zien hoe makkelijk AI zichtbaarheid te sturen is
Tegelijkertijd is er een tweede ongemakkelijke waarheid. Terwijl het instabiel is, is het ook opvallend goed te beïnvloeden. Een nieuwe paper van Columbia University, Bagga et al., heet “E GEO: A Testbed for Generative Engine Optimization in E Commerce” (https://arxiv.org/pdf/2511.20867). Die studie laat zien hoe ver je een aanbeveling kunt duwen zonder het product zelf beter te maken.
De onderzoekers bouwden een testomgeving met meer dan zevenduizend echte productvragen, afkomstig van Reddit, gekoppeld aan meer dan vijftigduizend Amazon listings. Vervolgens lieten ze GPT 4o als shopping assistent bepalen welke producten het beste passen bij een vraag. Denk aan iemand die zegt: ik zoek een stevige rugzak voor hiken onder de honderd euro.
Wat het interessant maakt, is de opzet met rollen. Er is een Optimizer, die optreedt als verkoper en productbeschrijvingen herschrijft om beter uit de bus te komen. Er is een Judge, die als assistent de vraag en een set producten krijgt en ze rangschikt. En er is een controlegroep van concurrenten met hun originele teksten. De Optimizer moet dus aantoonbaar beter presteren dan bestaande listings.
Daarna komt het slimme deel. Ze herhaalden dit in meerdere rondes, waarbij GPT 4o eerdere resultaten analyseerde en aanwijzingen gaf om de volgende versie te verbeteren, bijvoorbeeld door meer specificaties te noemen of de tekst langer te maken. Net zo lang tot er een strategie ontstond die steeds opnieuw won.
De uitkomst: langer, overtuigender en voller werkt beter dan je denkt
De belangrijkste vondst uit E GEO is dat er in e commerce een soort universele schrijfstijl bestaat die AI zichtbaarheid verhoogt. Veel mensen denken nog dat AI vooral korte, feitelijke teksten waardeert. De optimalisatie rondes in het onderzoek liepen juist bijna altijd uit op langere beschrijvingen met een overtuigende toon en extra tekst die vooral bestaande details mooier laat klinken, zonder nieuwe feiten toe te voegen.
Het effect was niet klein. De herschreven beschrijvingen wonnen ongeveer negentig procent van de tijd van de originele versies.
Wat mij als e commerce ondernemer extra opviel, is dat je niet eens veel productkennis nodig hebt om dit spel te spelen. Een strategie die was ontwikkeld op home goods werkte bijna net zo goed in elektronica en kleding, met win rates van rond de 88 en 87 procent. Met andere woorden: als dit breed wordt toegepast, ga je veel content zien die beter klinkt dan hij is.
En daar zit het risico. Niet voor de verkoper die eenmalig zijn listing bijschaaft, maar voor het ecosysteem. Als iedereen leert dat meer tekst en meer overtuiging loont, dan wordt de winkelvloer al snel een markt vol opgeblazen beloftes.
Het blijft niet bij één paper: de stapel bewijs groeit
E GEO staat niet op zichzelf. Er is inmiddels een kleine bibliotheek aan onderzoek die hetzelfde signaal geeft: taalmodellen zijn gevoelig voor presentatie en volgorde.
Aggarwal et al. introduceerden in 2023 het begrip Generative Engine Optimization (https://arxiv.org/abs/2311.09735). In hun experimenten hielp het om meer feitelijke dichtheid toe te voegen, zoals statistieken en citaten. Dat leverde ongeveer veertig procent meer zichtbaarheid op. Het verschil met E GEO is dat E GEO nieuwer is, een shopping context gebruikt en met herhaalde rondes door een model zelf laat ontdekken wat werkt.
Kumar et al. lieten in 2024 zien dat je met een Strategic Text Sequence, JSON achtige productinformatie die je aan een pagina toevoegt, aanbevelingen kunt beïnvloeden (https://arxiv.org/abs/2404.07981). Hun conclusie is helder: een verkoper kan de zichtbaarheid in aanbevelingen flink verhogen door een slim gekozen tokenreeks in de productinformatie te stoppen.
Pfrommer et al. gingen nog een stap verder met ranking manipulatie (https://arxiv.org/pdf/2406.03589). Zij voegden tekst toe die het model direct instrueert, bijvoorbeeld om een product als eerste aan te raden. Ze laten ook zien hoe fragiel het is: factoren zoals productnamen en de plek in het contextvenster kunnen het resultaat omgooien. Belangrijk detail: niet elk model is even kwetsbaar, en ze letten niet allemaal op dezelfde signalen.
Als je dit vertaalt naar marketing, dan lijkt het ineens minder op klassieke SEO en meer op gedragsbeïnvloeding binnen een contextvenster. Dat is precies waarom ik er met enige voorzichtigheid naar kijk.
De komende wapenwedloop en wat jij nu verstandig kunt doen
Op de korte termijn kunnen bedrijven hier voordeel uit halen. Een paar kleine stijlkeuzes kunnen ervoor zorgen dat je product van onderaan naar bovenaan schiet in een AI advies. Maar op de lange termijn wordt schaal het probleem. Als deze technieken gemeengoed worden, raakt de gebruiker het vertrouwen kwijt, marketplaces lopen vol met opgeblazen teksten en modelbouwers moeten gaan filteren.
We hebben dit eerder gezien. Google kreeg hetzelfde type strijd op het bord, en reageerde met grote kwaliteitsupdates zoals Panda en Penguin. Ook nu zal er een tegenbeweging komen. De vraag is alleen hoe snel, en wie de schade betaalt tot die tijd.
Je zou kunnen zeggen: veel modellen gronden hun antwoorden toch op klassieke zoekresultaten die al gefilterd zijn. Dat klopt soms, maar het verschilt per model en per platform. Bovendien beschermt Google zijn resultaten steeds meer tegen massale afname door anderen. Denk aan discussies rond de SerpAPI rechtszaak en het fenomeen dat sommige routes naar meer resultaten, zoals num 100, steeds minder vanzelfsprekend zijn.
Ik ben me bewust van de ironie dat schrijven over beïnvloeding ook bijdraagt aan het probleem. Toch deel ik het liever open, omdat ondernemers anders denken dat AI zichtbaarheid alleen een kwestie is van netjes content maken. En omdat ik hoop dat teams die modellen bouwen, en ook platformen die marketplaces runnen, sneller werk maken van verdediging.
Voor jou als ondernemer in Nederland betekent dit vooral drie dingen. Reken op schommelingen en meet dus in reeksen, niet op één moment. Bouw aan echte bewijsvoering rond je merk, zoals reviews, duidelijke specs en consistente aanwezigheid op betrouwbare plekken, zodat je niet alleen wint op toon. En wees voorzichtig met trucjes die vooral lucht toevoegen, want die werken misschien vandaag, maar ze maken het kanaal morgen minder waard.
Bronvermelding: artikel via Search Engine Journal en Kevin Indig, met onder meer E GEO (Bagga et al.), GEO (Aggarwal et al.), Kumar et al. en Pfrommer et al. Beeldcredits: Kevin Indig en Paulo Bobita voor Search Engine Journal.