Tag: ai

Leestijd: 4 minuten

Stel je voor: je vraagt ChatGPT om de beste koptelefoons aan te bevelen voor op reis. Je krijgt een keurig lijstje met vijf merken. Dan vraag je het opnieuw. En je krijgt een ander lijstje. Met andere merken. In een andere volgorde.

Dat is precies wat nieuw onderzoek suggereert. De onderzoekers lieten 600 vrijwilligers dezelfde vragen stellen aan drie AI-modellen: ChatGPT, Claude en Google AI. De vrijwilligers voerden in totaal bijna 3.000 prompts in, over uiteenlopende categorieën als keukenartikelen, sciencefiction, gezondheidszorg en mode.

De uitkomst? Willekeur.

Als je een AI-model 100 keer dezelfde vraag stelt, is bijna elk antwoord uniek. De lijst is anders. De volgorde is anders. En zelfs het aantal aanbevelingen varieert van twee tot meer dan tien. De kans dat de onderzoekers twee keer hetzelfde lijstje kregen bleek minder dan 1 op 100. En de kans dat twee lijstjes in dezelfde volgorde staan? Eerder 1 op 1.000.

Dat is geen fout, maar een eigenschap. AI-modellen zijn in essentie kansmachines. Ze zijn ontworpen om variatie te produceren, niet om een stabiele, geordende ranglijst te geven. AI-modellen als zoekmachines behandelen is dan ook een vergissing.

Wat ik bedoel: het nauwkeurig bijhouden van je ranking in AI-antwoorden heeft weinig zin. De onderzoekers noemen het een “fool’s errand”. En toch claimen allerlei AI-trackingtools dat ze dit kunnen. Er wordt naar schatting al meer dan $100 miljoen per jaar besteed aan dit soort diensten. De onderzoekers zijn dan ook duidelijk: stop met geld uitgeven aan partijen die pretenderen je precieze AI-ranking te meten.

Maar er is ook goed nieuws.

Hoewel de volgorde willekeurig is, is er wél consistentie in welke merken überhaupt verschijnen. Dit noemen de onderzoekers merkzichtbaarheid.

Neem het voorbeeld van koptelefoons. Na bijna 1.000 antwoorden bleken Bose, Sony, Sennheiser en Apple in 55 tot 77% van de gevallen op te duiken. De exacte positie verschilde weliswaar steeds, maar de zichtbaarheid was stabiel.

Gemiddeld genomen hadden de top drie merken een zichtbaarheid van 64% (ChatGPT), 73% (Claude) en 68% (Google AI). Dat is een betrouwbaar patroon.

Interessant daarbij: hoe smaller de categorie, hoe stabieler de resultaten. Bij een niche als “Volvo-dealers in Los Angeles” of SaaS-cloudaanbieders clusteren de antwoorden rond een paar bekende namen. Bij bredere categorieën als sciencefiction of designbureaus zijn de resultaten veel meer verspreid. Dus: hoe meer opties, hoe meer variatie.

Waarom is dit nu relevant?

AI-tools worden in rap tempo een serieus aankoopkanaal. Data van Adobe Analytics laten zien dat het verkeer naar Amerikaanse retailsites vanuit AI-tools tijdens de feestdagen van 2025 met bijna 700% steeg ten opzichte van het jaar daarvoor. En dit verkeer converteerde 31% beter dan verkeer uit traditionele kanalen, zoals e-mail en betaalde zoekadvertenties. Bezoekers die via AI binnenkwamen bleven langer op de site, bekeken meer pagina’s en hadden een lager bouncepercentage.

Hoe bepaalt AI welke merken verschijnen?

Hier wordt het extra interessant voor marketeers. AI-modellen baseren hun antwoorden op twee bronnen. Ten eerste op hun trainingsdata: alles wat het model heeft gelezen voordat het gelanceerd werd. Merken die vaak voorkomen in betrouwbare bronnen zoals nieuwssites, vakpublicaties en reviewplatforms hebben een sterkere positie in het geheugen van het model.

Ten tweede gebruiken veel modellen tegenwoordig ook actuele informatie (via zogenaamde RAG, Retrieval-Augmented Generation). Daarbij speelt de kwaliteit en vindbaarheid van je online content een belangrijke rol.

Wikipedia verdient hier speciale aandacht. Het is een veelgebruikte, gezaghebbende bron in de trainingsdata van vrijwel elk groot AI-model. Zo is het een van de meest geciteerde bronnen in ChatGPT. Dus als jouw merk goed aanwezig is op Wikipedia, vergroot dat de kans om door AI te worden aanbevolen.

De parallel met zoekaandeel.

Grappig genoeg sluit dit weer aan op wat ik eerder schreef over het zoekaandeel. Waar mensen naar zoeken en wat AI aanbeveelt, wordt beïnvloed door dezelfde onderliggende factor: de kracht van je merk. Hoe sterker je merk en hoe groter de aanwezigheid, hoe groter de kans dat het opduikt. In Google, in gesprekken en nu ook in AI-antwoorden.

En net als bij het zoekaandeel geldt: AI-zichtbaarheid is niet alleen een kwestie van slimme technische trucjes. De merken die het meeste opduiken zijn niet per se de merken met de beste prompt-strategie of de duurste AI-optimalisatietool. Het zijn vaak de merken waar consistent over geschreven, gesproken en gezocht wordt. In betrouwbare bronnen. Over langere tijd. Precies datgene waar merkbouwen voor zorgt.

Wees ook voorzichtig.

Een kanttekening is op z’n plaats. Het onderzoek van Fishkin is niet peer-reviewed en de onderzoekers geven zelf aan geen datawetenschappers te zijn. Bovendien is de steekproef (2.961 prompts) beperkt en bestrijkt het onderzoek slechts twee maanden. Of zichtbaarheidspercentages over langere periodes stabiel blijven, is nog onduidelijk. Maar de richting is helder en de conclusies sluiten aan bij wat we over merkstrategie weten.

Wat kun je ermee?

Kortom: meet je merkzichtbaarheid in AI-antwoorden (het zichtbaarheidspercentage), niet je positie. Investeer in merkbouwen. Zorg dat je merk opduikt in de bronnen die AI-modellen vertrouwen: onafhankelijke media, reviewsites, vakpublicaties en Wikipedia. En investeer in content die gestructureerd, betrouwbaar en consistent is.

Maar bovenal: laat je niet gek maken door AI-trackingtools die beloven je exacte rangpositie te meten. Dat is, zoals dit onderzoek laat zien, onzin. Wat wél zin heeft is investeren in de fundamenten van je merk. Want ook in het tijdperk van AI geldt: je merk is je belangrijkste marketinginstrument.

Benieuwd hoe jouw merkstrategie wordt beïnvloed door AI? Laat het me weten. Ik help je graag.

Leestijd: 2 minuten

Waarom zou je nog een adviesbureau, softwarebouwer of reclamebureau inhuren? Je creëert gewoon een aantal agents met AI. De ene wordt een onderzoeker, de andere een analyticus, schrijver, et cetera. Dan koppel je ze aan elkaar. En hoppa, je knabbelt een uitje en het werk wordt automatisch gedaan.

Geïnspireerd door het voorbeeld van Alexander Klöpping bij Eva Jinek zijn allerlei mensen zo aan de slag gegaan.

Maar “als het te mooi klinkt om waar te zijn, is het waarschijnlijk ook te mooi om waar te zijn”.

Deze case kwam ik zojuist tegen. Een groepje programmeurs wilde hetzelfde doen met vier van dit soort agents. Ze bleven met een onverwachte rekening van $ 47.000 zitten.

Dit is wat ze dachten dat er zou gebeuren.

Hier is wat er achter de schermen gebeurde.

Wat ging er fout? Hier een aantal voorbeelden.

# Agent A asks Agent B for help
# Agent B asks Agent A for clarification  
# Agent A asks Agent B for help
# Agent B asks Agent A for clarification
# [11 days later]
# Your AWS bill arrives

Agent A: "User wants to book a flight to Paris on May 15th, 
          returning May 22nd, business class, window seat..."

[MCP context hits token limit]
Agent B receives: "User wants to book a flight to"
Agent B: "Book a flight to... where?"

Expected: 1,000 tokens per request
Reality: 45,000 tokens per request

Reason: Agent keeps loading entire documentation 
        into context every single time
Cost: $1,350/day instead of $30/day

Uiteindelijk deden ze er 6 weken over om een werkend systeem te bouwen, met 3.500 regels code.

De moraal van het verhaal: de mogelijkheden van AI zijn geweldig. De wereld verandert erdoor en spring er gerust in om mee te doen.

Maar laat je niet gektikken door claims als “Ik bouwde een app / campagne / commercial / reclamebureau met drie drukken op de knop. Jij kunt dat ook”.

Zoals ik eerder schreef: het gaat er nog steeds om wat je erin stopt. En hoe goed je kunt cureren wat eruit komt. Dat is meestal nog een specialisme.

Leestijd: 4 minuten

De afgelopen maanden ben ik flink in de weer geweest met AI. Van strategieontwikkeling, synthetische klanten, marktsentimentanalyse, neurosimulaties en scenarioplanning tot beeldbewerking, fotografie, animaties, videoproductie en vibe-coding. Ik heb nagedacht over merkstrategie voor algoritmes, GEO (Generative Engine Optimization), hyperpersonalisatie, een continu adaptieve merkstrategie en het aan elkaar knopen van allerlei agents.

Uiteraard ben ik hierbij regelmatig van mijn stoel geblazen. De kracht en veelzijdigheid van AI zijn enorm. Zeker als je weet welk platform je wanneer, in welke rol moet gebruiken. Want de mogelijkheden veranderen snel.

Maar tegelijkertijd werd ook iets eenvoudigs duidelijk. Rommel in = rommel uit. Hoe slim AI ook kan zijn, het resultaat is enorm afhankelijk van twee dingen: wat je erin stopt en hoe je de uitkomst evalueert.

Het belang van de briefing.

Het eerste punt betreft de briefing. Zonder de juiste vragen krijg je niet de juiste antwoorden. Net zoals een bureau geen goed resultaat levert met een slechte briefing. Die briefing wordt te vaak gereduceerd tot het schrijven van een goede prompt.

Wel, AI kan je weliswaar helpen betere prompts te formuleren. Maar je komt niet tot een goede briefing als je zelf niet weet wat je wilt of waar je echte uitdaging ligt. Daarbij is AI in de meeste gevallen nog te pleaserig om je van kritische feedback te voorzien als je plannen op drijfzand rusten.

De analogie is hier de bureaupitch. Ik heb regelmatig meegemaakt dat klanten niet wisten wat ze wilden en maar een pitch uitschreven. “Misschien zit er wat tussen”. Uiteindelijk kregen ze van de deelnemende bureaus suggesties die alle kanten opgingen, omdat er geen goede briefing lag. Waarmee de verwarring alleen maar groter werd en de keuze viel op het concept met het leukste plaatje.

Het belang van curatie.

De tweede gaat over curatie: je kunt de output van AI alleen evalueren als je verstand van zaken hebt. Als voorbeeld: mij lukt het prima om apps te maken met AI. Maar alleen in JavaScript, niet in Python. De implicaties van de eerste taal begrijp ik redelijk, de context van de tweede ontgaat mij grotendeels. Dus ik kan prima code in Python laten maken, maar ik kan niet inschatten wat de impact van deze code is. Bijvoorbeeld waar gevaarlijke gaten kunnen zitten.

Vertaald naar merken: AI kan je merkstrategie next-level maken. Waarbij je conform de voorspellingen lachend de contracten met je bureaus opzegt. Maar AI kan je ook in konijnenholen sturen vol éénpotnat-proposities, foutieve aansturing op ROAS, ineffectieve klikoptimalisaties, kostbare hyperpersonalisatie, verkeerde A-B-testen, je horizon vernauwen met synthetische data, je verleiden tot dure datainkoop of je een onhandige boodschapfragmentatie adviseren.

Waar zit jij?

De hamvraag: hoe weet je aan welke kant van de medaille je zit? Stuwt AI je naar grote hoogte of knalt het je merkstrategie de grond in? En hoe evalueer je dit als je zelf net even te weinig verstand van merkstrategie hebt? Ofwel, voordat je je blind staart op de superkracht van AI: hoe goed is jouw briefing en hoe goed is je curatie?

Zeker als je er rekening mee houdt dat het menselijk brein last heeft van flinke psychologische valkuilen. Neem de “Automation bias“: we volgen AI omdat het een duidelijk antwoord geeft,
 niet omdat het gelijk heeft.

Of “Wat je ziet, is alles dat er is…“: wat AI je teruggeeft, stuurt wat je ziet. 
Maar wat AI je niet teruggeeft, neig je te negeren. Ook al kan dit deel minstens zo belangrijk zijn.

Ben je extra vatbaar?

Hoe kwetsbaar ben jij hiervoor? Wel, enerzijds zijn mensen met minder expertise hier vatbaar voor, zo leert onderzoek. Ofwel, je neemt meer van AI aan als je er zelf minder van weet.

Anderzijds lopen juist mensen die enthousiast zijn over AI een groter risico. Zij blijken een gevaarlijk groot vertrouwen in de uitkomsten van AI te hebben. Dit terwijl mensen die sceptisch tegenover AI staan fouten beter detecteren, zij weten daardoor een hogere nauwkeurigheid met AI te behalen.

Ofwel, de mens in het proces is belangrijk. Maar tegelijkertijd kan diezelfde mens ook de grote rem zijn op de kwaliteit die AI creëert. Dit onderzoek waarschuwt hier dan ook voor:

“Naarmate AI-systemen zich verder hebben verspreid, zijn ook de gevallen toegenomen waarin die systemen fouten maken, én waarin mensen die fouten niet herkennen of niet corrigeren.”

Daarmee wil ik niet zo flauw doen door AI te vergelijken met een enthousiaste stagiair. Daar is AI inmiddels ver voorbij. Vergelijk AI gerust met een professioneel adviesbureau, dat non-stop voor je aan de slag gaat, in allerlei rollen. Maar weet dat je alleen het beste uit dit bureau haalt als je weet wat je wilt, weet wat je succescriteria zijn en kritisch kunt evalueren of een plan je doelstellingen binnen handbereik brengt.

Wees de regisseur.

Ofwel: AI kan alleen excelleren als jij een goede regisseur bent. En je bent alleen een goede regisseur als je verstand van zaken hebt. Zonder een duidelijke regierol wordt AI vooral een ruisversterker van bestaande vooroordelen, oppervlakkige inzichten en onzinnige redeneringen. Inzichten worden steeds oppervlakkiger en het oog voor nuances verdwijnt.

Zin om te sparren?

Daarmee geloof ik in AI. Maar ik geloof ook in het blijvende belang van experts. Binnen de organisatie en buiten de organisatie.

Dus als je wilt sparren over wat je het beste in AI kunt stoppen om je merk te versterken, en wat beter niet, laat het weten. Of als je de uitkomst van je AI-merkstrategie beter op waarde wilt inschatten.

Dat kan een-op-een of in teamverband, als workshop. Kijk hier voor meer info. Ik heb al diverse interessante sessies met andere merken gehad. Dit leidde tot praktische inzichten waarmee ze direct aan de slag konden.

Want hoe groter de rol van AI, hoe groter het belang van een goede regisseur.