AI-modellen bepalen welke merken ze aanbevelen door drie lagen te combineren: wat ze tijdens de training hebben geleerd, wat ze live van het web kunnen ophalen en hoe vaak onafhankelijke bronnen over je merk praten. Welke laag zwaarder weegt hangt af van de prompt, het model en de markt, waardoor hetzelfde merk in het ene antwoord kan winnen en in het volgende ontbreekt.
Vraag ChatGPT om de beste CRM, de beste hardloopschoenen of de beste AI visibility tool en je krijgt een shortlist terug. Die lijst is niet willekeurig en ook niet het resultaat van één factor. Dit artikel legt elke laag uit, laat zien hoe ze samenwerken en sluit af met een checklist van wat je kunt beïnvloeden.
Laag 1: wat het model al weet
Elk groot taalmodel is getraind op een snapshot van het openbare web: Wikipedia, Reddit, reviewsites, nieuwsarchieven, forums, vergelijkingsblogs en miljoenen marketingpagina's. Komt je merk daar vaak voor, en in een context die gezaghebbend oogt, dan koppelt het model je naam aan de juiste categorie.
Daarom winnen merken met sterke PR, een actieve community en een Wikipedia-pagina bijna automatisch op AI-shortlists. Het model is ze simpelweg vaker tegengekomen op plekken die ertoe doen.
Trainingsdata heeft wel een uiterste datum. Een merk dat na de laatste trainingsronde is gelanceerd, is in deze laag onzichtbaar tot de volgende update. Nieuwere bedrijven moeten het dus vooral hebben van de volgende twee lagen.
Laag 2: wat het model live kan opzoeken
De meeste moderne assistenten vertrouwen niet alleen op hun geheugen. ChatGPT Search, Perplexity, Gemini, Google AI Overviews en Google AI Mode voeren live zoekopdrachten uit als de vraag daarom vraagt. Deze retrieval-laag haalt actuele content op, vat die samen en verwerkt haar in het antwoord. De deelzoekopdrachten achter één antwoord heten query fan-outs en laten zien welke intenties het model echt probeert te bedienen.
Dat is goed nieuws als je recent gelanceerd bent. Een goed gestructureerde pagina die aansluit op de juiste prompts kan binnen weken in AI-antwoorden verschijnen, ook zonder jarenlange citaties.
De adder onder het gras: retrieval geeft de voorkeur aan pagina's waar informatie makkelijk uit te halen is. Vage intro's, ontbrekende koppen en lappen tekst zonder duidelijke stelling worden overgeslagen. AirOps meldt dat pagina's met een heldere structuur en schema 2,8 keer meer AI-citaties krijgen dan slecht opgemaakte pagina's (AirOps). AirOps verkoopt zelf AI-zoektools en publiceert de steekproef niet, dus lees het getal als richtinggevend. Het sluit wel aan bij wat wij zien: antwoord-eerst-pagina's worden geciteerd.
Laag 3: wie er nog meer over je praat
Dit is de laag waar de meeste merken te weinig in investeren. Modellen hechten meer waarde aan onafhankelijke vermeldingen dan aan je eigen marketingtekst. Een review op een gerespecteerd platform zegt meer dan de tagline op je homepage, en een redactioneel artikel weegt zwaarder dan een blog die je zelf schreef.
Vijf kanalen doen het meeste werk:
Reviews op G2, Capterra en TrustRadius
Redactionele aandacht in gerespecteerde vakmedia
Wikipedia- en Wikidata-pagina's, als je merk daarvoor in aanmerking komt
Discussies op Reddit, Hacker News en nicheforums waar je doelgroep echt actief is
Vergelijkingspagina's en lijstjes van externe partijen
Niet elke vermelding weegt even zwaar. Modellen lijken overduidelijke promotie te discounten: een gebalanceerde vergelijking van een analist doet meestal meer dan een juichende affiliate-review. In de geciteerde bronnen van je gevolgde prompts zie je op welke externe pagina's een model leunt.
Laag 4: aansluiting bij de specifieke prompt
Zelfs met alle drie de lagen aan jouw kant moet het model nog beslissen of je merk past bij de prompt die voorligt. Je kunt domineren bij "enterprise CRM" en onzichtbaar zijn bij "CRM voor zzp'ers". De afweging kijkt naar intentie, segment, geografie en soms prijsklasse.
Daarom verschillen resultaten ook per model. Elk model weegt aansluiting net anders en put uit een iets andere bronnenpool, waardoor ChatGPT, Gemini en Perplexity bij dezelfde vraag regelmatig andere merken noemen.
De lagen in één overzicht
Laag | Waar het signaal vandaan komt | Snelheid van verandering | Wat je kunt doen |
|---|---|---|---|
Trainingskennis | Snapshot van het web ten tijde van de training | Maanden tot jaren | Bouw blijvende PR-, community- en referentiesiteaanwezigheid op |
Live retrieval | Geïndexeerde pagina's op het moment van antwoorden | Dagen tot weken | Publiceer extraheerbare, antwoord-eerst-pagina's met goede structuur |
Externe vermeldingen | Reviews, redactionele content, forums, vergelijkingen | Weken tot maanden | Verdien gebalanceerde aandacht op bronnen die modellen al citeren |
Promptaansluiting | Match tussen je positionering en de vraag | Afhankelijk van je content | Dek elk segment en gebruiksscenario af met een eigen pagina |
Waarom één antwoord nooit het hele beeld geeft
AI-antwoorden schommelen. Volgens The 2026 State of AI Search van AirOps blijft slechts 30% van de merken zichtbaar van het ene antwoord op het volgende, en maar 20% over vijf opeenvolgende runs. Hetzelfde onderzoek meldt dat merken met zowel citaties als vermeldingen 40% vaker terugkomen in meerdere antwoorden dan merken met alleen citaties. Zie dit als door een leverancier aangeleverde cijfers, maar de richting past bij wat dagelijkse tracking laat zien: één meting zegt weinig, een trend zegt veel.
Wat doe je hiermee?
Begrijp je de input, dan kun je die sturen:
Verdien externe aandacht in de bronnen die modellen al vertrouwen voor jouw categorie.
Structureer pagina's voor extractie: eerst een direct antwoord, duidelijke H2-kopjes, een tabel of lijst en gestructureerde data.
Kom voor in vergelijkingscontent binnen je categorie, ook op pagina's die niet van jou zijn.
Dek elk segment af, zodat de afweging iets heeft om aan te koppelen.
Meet dagelijks, per model, zodat je weet welke laag je beperkt.
Geen snelle winst, maar het stapelt zich op. AI-aanbevelingen volgen signalen, geen geluk, en als je begrijpt wat AI-zichtbaarheid is, richt je je op de juiste signalen. Zonder dagelijks te volgen wat er in AI-antwoorden verschijnt, optimaliseer je in het donker.
Trackbase is een Nederlands, in de EU gehost platform dat je prompts dagelijks draait over maximaal 11 AI-modellen en Visibility Score, Share of Voice, citaties en sentiment toont, met geprioriteerde acties erbovenop. Check waar je staat met de gratis AI Visibility Checker of bekijk de prijzen (14 dagen gratis proberen).
FAQ
Bevelen AI-modellen merken aan op basis van betaalde plaatsing?
Bij organische antwoorden niet: aanbevelingen komen uit trainingskennis, opgehaalde bronnen en onafhankelijke vermeldingen. In sommige assistenten bestaan advertentieformaten, maar die worden apart van het organische antwoord getoond.
Hoe lang duurt het voor je in AI-antwoorden verschijnt?
Nieuwe, goed gestructureerde pagina's kunnen via live retrieval binnen weken opduiken. Verschuivingen in trainingskennis en externe reputatie kosten maanden, dus begin met beide sporen tegelijk.
Waarom verschijnt mijn merk in ChatGPT maar niet in Gemini?
Elk model put uit een andere bronnenpool en weegt promptaansluiting anders. Volg zichtbaarheid per model, kijk welke bronnen elk model citeert en dicht de kloof daar in plaats van op een gemiddelde te optimaliseren.




