Prompt tracking was altijd al een beetje richtinggevoel. Je checkt een paar prompts, je kijkt wat er terugkomt, en je hoopt dat je genoeg ziet om betere content en betere keuzes te maken. Alleen, met AI zoekmachines werkt dat minder goed, omdat het antwoord steeds vaker per persoon verschilt. Als je dan nog steeds doet alsof er één vaste uitkomst is, meet je vooral ruis.
In deze editie bouw ik voort op inzichten die ik oppikte via Search Engine Journal en Kevin Indig, en ik leg uit hoe synthetische persona’s je helpen om wél systematisch te volgen wat AI met je merk, je content en je proposities doet. Inclusief de onderzoekscijfers, de valkuilen, en een praktisch model waarmee je per segment vijftien tot dertig trackbare prompts kunt maken.
Waarom prompt tracking ineens ruis geeft
Het grote verschil tussen klassieke SEO en AI search is personalisatie. In Google was personalisatie er ook al, maar je kon nog steeds redelijk praten over “de” SERP. Bij AI systemen krijg je steeds vaker een antwoord dat past bij iemands situatie, geschiedenis en vermoedelijke bedoeling.
Daar komt bij dat prompts veel rijker zijn dan zoekwoorden. Gemiddeld zijn ze ongeveer vijf keer langer dan een klassieke zoekopdracht. Waar iemand vroeger “CRM software” typte, schrijft hij nu iets als: “Wij zijn een mkb dienstverlener met vijf sales mensen, we willen offertes sneller opvolgen, welke CRM past daarbij en wat zijn de nadelen?” Die extra context is precies waar AI modellen hun personalisatie op baseren.
En dat is meteen je meetprobleem. Je kunt niet meer één antwoord volgen alsof het de waarheid is. Elke prompt is in de praktijk een mini scenario, inclusief context. Als je dat negeert, zie je soms schijnbewegingen: je verandert iets aan je content, je test weer, en je denkt dat je vooruitgaat, terwijl je eigenlijk alleen een andere “persoon” hebt gesimuleerd.
Waarom klassieke persona’s je niet snel genoeg helpen
Als je dit probleem herkent, dan is je eerste gedachte logisch: we moeten terug naar persona’s. Je segmenteert, je beschrijft behoeften, je test per doelgroep. In theorie werkt dat.
In de praktijk lopen veel teams vast op tijd. Interviews plannen, gesprekken voeren, transcriberen, analyseren en vervolgens alles netjes samenvatten kost weken. Tegen de tijd dat de persona’s af zijn, zijn je markt, je concurrenten en het AI model zelf alweer verschoven.
Het resultaat zie ik vaak bij bedrijven in Nederland die netjes willen werken: er ontstaat documentatie waar niemand nog mee test. Persona’s worden een slide deck, geen werktool. En precies daar maken synthetische persona’s het verschil, omdat ze gebouwd zijn om te simuleren, niet alleen om te beschrijven.
Synthetische persona’s: van beschrijven naar voorspellen
Synthetische persona’s zijn AI profielen die je voedt met echte signalen uit je organisatie. Denk aan webanalytics, CRM notities, sales calls, support tickets, reviews en zoekdata. In plaats van één “gemiddelde klant” maak je meerdere varianten die elk een eigen taak, beperkingen en taalgebruik hebben.
Het belangrijke mentale shiftpunt is dit: traditionele persona’s zijn beschrijvend, wie iemand is. Synthetische persona’s zijn voorspellend, hoe iemand zich gedraagt en dus hoe hij vragen stelt.
Dat maakt ze geschikt voor prompt tracking. Je gebruikt ze om te ontdekken welke vragen een segment waarschijnlijk stelt, welke details daarin terugkomen, en welke eisen ze stellen aan bewijs en onderbouwing. Vervolgens track je die prompts, in plaats van losse generieke vragen die toevallig in je hoofd opkomen.
Eén productcategorie, twee totaal verschillende prompts
Een voorbeeld dat ik vaak gebruik, ook omdat het meteen duidelijk maakt waarom dit niet “nice to have” is.
Stel, je zit in projectmanagement software of een vergelijkbare B2B tool. Een enterprise IT inkoper heeft als taak om compliance te beoordelen. Die persoon heeft beperkingen, zoals een audit trail voor inkoop en security eisen. Zijn prompt klinkt eerder als: “Welke projectmanagement tools hebben SOC 2, bieden audit logs, en hoe zit het met toegangsbeheer?”
Een individuele gebruiker met een haastige taak, bijvoorbeeld “ik moet morgen iets kiezen”, en met de beperking “het moet gratis”, vraagt iets als: “Wat is de beste gratis projectmanagement app?”
Je kunt niet doen alsof één prompt genoeg is. Als je alleen de tweede volgt, mis je de hele koopreis van de eerste. En als je alleen de eerste volgt, mis je het volume aan mensen die eerst klein beginnen en later pas naar betaald gaan.
Wat het onderzoek zegt: verrassend dicht bij echt gedrag
Dit onderwerp krijgt vaak de vraag: “Maar kan zo’n synthetische persona dit wel?” Terechte vraag, want een mooi verhaal zonder onderbouwing is gevaarlijk.
Stanford en Google DeepMind hebben een methode getest waarbij synthetische persona’s werden getraind op interviewtranscripts van ongeveer twee uur. Daarna kregen de echte deelnemers later nieuwe surveyvragen. De synthetische persona’s kregen dezelfde vragen.
De uitkomst: ongeveer vijfentachtig procent overeenkomst. Dat klinkt misschien lager dan je hoopt, maar het interessante is de vergelijking: als je dezelfde persoon twee weken later dezelfde vraag stelt, is die persoon grofweg ook ongeveer vijfentachtig procent consistent met zichzelf.
Daarnaast keken de onderzoekers naar gedrag in gecontroleerde experimenten, zoals vertrouwen, samenwerking en eerlijk delen. De voorspellingen van de synthetische persona’s hingen voor ongeveer achtennegentig procent samen met het echte gedrag. Dat wijst erop dat het niet alleen “antwoorden nadoen” is, maar dat er ook iets van onderliggende neigingen wordt vastgelegd.
Wie de bron wil lezen: Stanford HAI publiceerde het onder “Simulating human behavior with AI agents” (https://hai.stanford.edu/policy/simulating-human-behavior-with-ai-agents).
Bain’s praktijkpilot: sneller en goedkoper, mits je data klopt
Bain & Company deed een pilot rond synthetische klanten en kwam uit op vergelijkbare kwaliteit van inzichten, tegen ongeveer een derde van de kosten en in de helft van de tijd. Ze noemden een tijdsbesparing van ongeveer vijftig tot zeventig procent en kostenbesparing van ongeveer zestig tot zeventig procent, onder meer doordat je geen werving, incentives en transcripties nodig hebt.
De kanttekening is meteen de les die ik je als ondernemer wil meegeven: het staat of valt met de input. Stanford had rijke interviewdata. Als jij alleen oppervlakkige signalen voert, zoals pageviews of demografie, dan krijg je een oppervlakkige persona terug. Daar kun je prima een leuk gesprek mee voeren, maar niet betrouwbaar mee testen.
Bain’s artikel staat hier: https://www.bain.com/insights/how-synthetic-customers-bring-companies-closer-to-the-real-ones.
Zo bouw je synthetische persona’s die je echt kunt gebruiken voor tracking
Als je het simpel houdt, bestaat het werk uit drie stappen.
Eerst verzamel je data uit meerdere bronnen. Het doel is niet “alles”, maar genoeg om te snappen wat mensen proberen te bereiken, welke woorden ze gebruiken, en waar ze op vastlopen.
Daarna vul je een korte persona card in met vijf velden. Vijf is bewust. Meer voelt grondiger, maar het wordt onderhoudsschuld. Als je het later wilt uitbreiden, kan dat altijd.
Tot slot voeg je metadata toe over herkomst en betrouwbaarheid, zodat je team het durft te gebruiken en zodat je weet wanneer je moet vernieuwen.
Wat je niet moet doen, is persona’s bouwen vanuit prompts die je al hebt. Dat is cirkelredenering. Je hebt juist een persona nodig om te begrijpen welke prompts je zou moeten volgen. Begin daarom bij informatiebehoeften en beperkingen, en laat de persona daaruit de vermoedelijke prompts maken.
Welke data je het meeste oplevert
In Nederlandse mkb organisaties ligt het goud vaak al klaar, alleen verspreid.
Support tickets en communityvragen laten je de rauwe taal zien. Dit zijn woorden die mensen zelf kiezen als het pijn doet of als er haast is.
CRM en sales call transcripts geven je de echte bezwaren, de vragen die deals maken of breken, en de context rond beslissingen.
Interviews en surveys helpen je om researchgedrag te snappen. Niet alleen wat ze willen, maar ook hoe ze zoeken en wanneer ze afhaken.
Reviewsites, zoals G2 of Trustpilot, laten zien wat men achteraf had willen weten. Dat is vaak precies de content die je mist.
En vergeet Search Console niet. Daar zie je welke vragen mensen nog steeds aan Google stellen. Als je specifiek op vraagvormen wilt filteren, kun je een regex gebruiken zoals:
(?i)^(who|what|why|how|when|where|which|can|does|is|are|should|guide|tutorial|course|learn|examples?|definition|meaning|checklist|framework|template|tips?|ideas?|best|top|lists?|comparison|vs|difference|benefits|advantages|alternatives)\b.*
Ik pak meestal de laatste achtentwintig dagen en segmenteer per land, zodat je Nederlandse formuleringen niet vermengt met Engelstalige of Duitse patronen.
De persona card met vijf velden, klein genoeg om bij te houden
Dit is het hart van het model, omdat het direct bepaalt hoe je later prompts genereert en trackt.
Het eerste veld is de taak die iemand in de echte wereld probeert te klaren. Niet “iets leren over”, maar “kiezen”, “repareren”, “vergelijken”, of “voorkomen dat iets misgaat”.
Het tweede veld zijn beperkingen. Denk aan tijdsdruk, risicotolerantie, compliance, budget, en soms ook tooling. Een finance manager die alleen met bepaalde leveranciers mag werken, stelt andere vragen dan een marketeer die zelf een tool kan swipen met een creditcard.
Het derde veld is de succesmaatstaf. Wanneer is het goed genoeg? Een directielid wil vaak richting en vertrouwen. Een specialist wil herhaalbare details.
Het vierde veld is besliscriteria. Welke vorm van bewijs is nodig? Wil men een stappenplan, een tabel, referenties, een voorbeeldcase, of juist een korte conclusie met waarschuwingen?
Het vijfde veld is woordenschat. Dit is vaker het verschil tussen content die wel of niet “klikt”. Mensen zeggen “klanten vasthouden” en niet “churn mitigatie”. Ze zeggen “de site sneller maken” en niet “performance optimalisatie”. Als je persona die woorden niet kent, gaan je prompts er ook niet op lijken.
Maak het controleerbaar met metadata, anders wordt het een black box
Zonder specificatie-eisen wordt een synthetische persona een orakel. En orakels zijn leuk tot iemand er een besluit op baseert dat geld kost.
Leg daarom vast welke bronnen je hebt gebruikt, met periode en globale aantallen. Bijvoorbeeld support tickets uit het derde kwartaal van 2024, plus reviews.
Geef per veld een eenvoudige confidence score, hoog, middel of laag, en koppel die aan aantallen bewijs. Als woordenschat op drie interne mails is gebaseerd, moet iedereen weten dat dit zwak is.
Schrijf ook coverage notes. Wat mis je? Oververtegenwoordigen je data enterprise klanten, en mis je kleine bedrijven? Of zie je alleen mensen die al klant zijn en niet de twijfelaars?
Zet daarnaast drie tot vijf validatiechecks klaar. Kleine werkelijkheidstoetsen die je al kent uit je business, zoals: als de persona zegt dat prijs de grootste beperking is, klopt dat met je win loss data en je sales cycle?
En maak regeneratie triggers. Bijvoorbeeld als er een nieuwe concurrent de markt op komt, als je product pricing verandert, of als je in support ineens heel andere woorden ziet. Dan is het tijd om te verversen.
Waar het goed werkt en waar je moet oppassen
Ik ben enthousiast over dit hulpmiddel, maar ik wil ook dat je er verstandig mee omgaat.
Het werkt goed voor prompt ontwerp en tracking, omdat je per segment kunt simuleren hoe men vragen stelt in AI zoekmachines. Het helpt ook bij concepttests, waarbij je twintig ideeën terugbrengt naar vijf die de moeite waard zijn om met echte mensen te toetsen. En het is nuttig voor micro segmenten die je normaal niet snel interviewt, zoals een technische evaluator of een drukke directeur.
Tegelijk zitten er valkuilen in.
Synthetische persona’s hebben vaak een pleaser neiging. Ze klinken positiever en consequenter dan echte mensen. Waar een klant zegt: “Ik begon eraan, maar stopte halverwege”, zegt een synthetische versie sneller dat hij het afmaakte.
Ze missen ook frictie die niet in je data zit. Als je geen klachten en irritaties voert, komt het niet vanzelf boven.
Verder zie je soms vlakke prioritering. Vraag wat belangrijk is, en je krijgt tien punten die allemaal even zwaar lijken. Echte mensen hebben meestal een harde top drie.
Ook neem je bias over uit je bronnen. Als je CRM vooral grotere klanten bevat, dan wordt je persona wereld ook groter dan de werkelijkheid.
En het grootste risico is schijnzekerheid. AI geeft altijd een coherent antwoord. Dat voelt prettig, maar het kan je team lui maken.
Mijn werkregel is simpel: gebruik synthetische persona’s om te verkennen en te filteren. Gebruik echte klanten om te beslissen.
De koude start van prompt tracking, en hoe je er toch vandaag mee begint
Bij AI prompt tracking heb je vaak een koude start. Je kunt niet wachten tot je maanden aan prompt data hebt opgebouwd, want dan ben je te laat met leren.
Synthetische persona’s lossen dit op door je direct een startset te geven. Per segment kun je vijftien tot dertig prompts maken, verdeeld over verschillende intentniveaus. Denk aan oriënteren, vergelijken, risico’s inschatten, implementeren, en evalueren na aankoop. Vervolgens track je hoe AI systemen jouw merk en je concurrenten in die scenario’s neerzetten.
Daarna komt de volwassen stap: je vult de set aan met echte vragen die je ziet binnenkomen in sales, support en Search Console. Je schrapt prompts die weinig zeggen, en je houdt de persona’s actueel met nieuwe signalen.
Wil je dit structureel aanpakken, lees dan ook Kevin Indig’s werk en de bron op Search Engine Journal. En als je wekelijks dit soort denkkaders wilt, Growth Memo is een prima nieuwsbrief om bij te houden: https://www.growth-memo.com/.
Je hoeft het niet perfect te doen om te beginnen. Maar je moet wel stoppen met meten alsof iedereen dezelfde vraag stelt. Dat tijdperk is voorbij.