HBR legt de vinger terecht op een fundamentele verandering: AI en grote taalmodellen vouwen zoektrajecten samen tot één gesynthetiseerd antwoord. Dat klopt. Maar als tactisch advies blijft het artikel vaak aan de oppervlakte. Wie werkelijk zichtbaar wil blijven voor AI‑gedreven zoekoplossingen moet dieper graven — in kennisstructuren, expertentiteiten en invloed binnen vertrouwde datasets.
De monoliet van ‘Search’ brokkelt af
Vroeger waren zoektrajecten meerdere contactmomenten: een advertentie, een blog, een vergelijking, daarna een aankoop. AI‑overzichten en LLM‑antwoorden pakken die stappen samen en geven gebruikers in één keer een afgerond antwoord. Dat betekent niet alleen minder klikken voor websites; het betekent dat merken veel van de tussentijdse touchpoints kwijtraken die ze ooit bezaten. HBR benoemt dat beeld goed: algoritmes vormen steeds vaker de eerste indruk. Maar het artikel stopt bij herkenning — de echte vraag is welke structurele veranderingen je moet doorvoeren om daarop te reageren.
Waarom veel advies uitmondt in ‘flock tactics’
Veel aanbevelingen vallen terug op makkelijk uitlegbare tactieken: schema markup, korte auteursbio’s, en het verzinnen van een huismerkconcept. Die ideeën verspreiden zich snel omdat ze verkoopbaar en meetbaar lijken. Zodra iedereen ze toepast, verwateren de voordelen. Dat is precies het gevaar van zulke ‘flock tactics’: ze geven je een tijdelijk voordeeltje, maar geen blijvend concurrentievoordeel.
Schema: nuttig, maar geen wondermiddel
Schema heeft waarde. Microsoft heeft publiekelijk bevestigd dat schema gebruikt wordt in sommige LLM‑workflows. Voor Google is de relatie tussen hun modellen en externe gestructureerde markup minder transparant. Daardoor werkt schema vooral als onderdeel van een bredere set maatregelen, niet als solo‑oplossing. Bovendien halen LLM’s veel feiten uit externe kennissystemen — denk aan Wikidata of gerenommeerde uitgevers — niet alleen van individuele websites. Kort gezegd: zet schema op de checklist, maar reken er niet op dat het op zichzelf het verschil maakt.
Echte expertise versus cosmetische E‑E‑A‑T‑signalering
Een foto van de auteur en een creds‑lijst voldoen als hygiene. Maar AI‑systemen wegen signalen die aangeven dat iemand écht een erkende expert is: publicaties in vakbladen, spreekbeurten op conferenties, lidmaatschap van commissies en bijdragen aan standaarden. Als je alleen bios en headshots publiceert, heb je een goed uitziend visitekaartje, geen expertentiteit die modellen gemakkelijk herkennen en vertrouwen. Bouw daarom geen auteursbibliotheek; bouw een expert‑pipeline.
Branded frameworks: hoe ze wél werken
Een eigen concept of index bedenken voelt strategisch, maar blijft vaak onzichtbaar voor AI tenzij het door derden wordt opgepikt. Een merkterm leeft pas in LLM‑land als die voorkomt in betrouwbare bronnen: academische artikelen, technische standaarden, veelgebruikte softwareecosystemen of toonaangevende publicaties. Als je wilt dat een concept gaat ‘leven’, plan dan verspreiding via derden — niet alleen via je eigen site.
Blinde vlekken in de meeste analyses
Veel stukken behandelen AI als iets externs waar je je voor moet aanpassen. Maar je kunt AI ook inbouwen in je eigen infrastructuur. Assistenten, retrieval‑augmented generation (RAG) en domeinspecifieke agents veranderen hoe klanten met je product omgaan — vaak binnen ingelogde, transactierijke omgevingen waar first‑party data een groot verschil maakt. Daarnaast vergt zichtbaarheid in LLM’s entity‑gericht kennisbeheer: kennisgrafen, taxonomieën en koppelingen naar externe datasets. Tot slot: AI‑systemen verschillen sterk in dataset, update‑cadans en retrieval‑logica. Eén tactiek werkt niet overal; je moet testen.
De risico’s van oppervlakkige AI‑aanpak
Wanneer je inzet vooral cosmetisch is, loop je het risico dat een model je vertegenwoordiging verkeerd toeschrijft of zelfs gaat ‘hallucineren’ over jouw expertise. Ongecontroleerde zichtbaarheid kan leiden tot reputatieschade als automatische bronnen onjuiste informatie herhalen. Daarom is zichtbaarheid zonder governance gevaarlijk: meer zichtbaarheid ≠ betere zichtbaarheid, vooral niet zonder verificatie en monitoring.
Praktische stappen voor ondernemers en marketeers
Als je wilt verschuiven van kortstondige tactiek naar duurzame zichtbaarheid, begin met deze stappen. Definieer je kernentiteiten: wie en wat moet een model aan jouw merk koppelen? Bouw een eenvoudige kennisgrafiek waarin producten, personen, standaarden en use‑cases expliciet worden gemodelleerd. Zorg dat die grafiek gevoed wordt met eersteklas data en dat je relaties naar externe bronnen (Wikidata, vakpublicaties, brancheorganisaties) legt. Investeer in een expert‑pipeline: stimuleer medewerkers om te publiceren, presentaties te geven en deel te nemen aan standaarden. Publiceer niet alleen op je eigen domein — zoek plaatsing bij derden. Maak een RAG‑proof intern systeem voor ingelogde ervaringen: hier behoud je controle over context en attributie. Tot slot: test je zichtbaarheid per model en per assistant; meet niet alleen zoekposities, maar ook vermeldingen, citaties en hoe systemen jouw entiteiten representeren.
Korte‑ en lange termijn metrics die je echt moet volgen
Op korte termijn zijn nuttige signalen: vermeldingen in betrouwbare publicaties, uitbreiding van je Wikidata‑item, en waarneembare citations in brancheblogs. Op middellange termijn kijk je naar: opname van je concepten in standaarden, terugkerende citations in academische of technische contexten en verbeterde herkenning van je expertentiteiten in diverse modellen. Op lange termijn wil je dat LLM’s jouw entiteiten consequent koppelen aan correcte feiten en attribueren aan betrouwbare bronnen. Elk meetpunt heeft een 'omdat' — omdat modellen afhankelijk zijn van herhaalde bevestiging in vertrouwde datasets.
Beslissingen met impact: waar je budget aan besteedt
Als je middelen beperkt zijn, kies voor werk met blijvende waarde. Besteed minder aan perfecte auteurspagina’s en meer aan het opbouwen van relaties met externe bronnen en het creëren van verifieerbare, herbruikbare data‑assets. Zet een klein team op voor knowledge engineering en content placement bij derden. Bouw daarnaast instrumentatie: monitoring voor hoe verschillende AI‑systemen jouw merk tonen, en een governanceproces dat fouten snel corrigeert.
Slot — een realistische, beschermende houding
De werkelijkheid is oncomfortabel eenvoudig: oppervlakkige SEO‑trucs geven je een kortstondig gevoel van vooruitgang, maar niets vervangt structurele investering in kennis en geloofwaardigheid. Zie het als het beschermen van je huis: stop met het plakken van nieuwe verf en repareer eerst het fundament. Als je wilt, help ik je graag met een pragmatische inventarisatie van jouw entiteiten en een concreet stappenplan dat werkt voor Nederlandse teams met echte omzetdoelen. Je hoeft dit niet alleen uit te zoeken — maar het begint wel met het durven kiezen voor werk dat na zes maanden nog zichtbaar is.