Genoemd of onzichtbaar: hoe zorg je dat AI jouw merk noemt?

Stel: een potentiële klant googelt niet meer “beste marketing automation software”. Hij vraagt het gewoon aan ChatGPT. Krijgt binnen drie seconden een antwoord met twee merknamen erin en klikt daar één van aan. Jouw merk stond er niet bij. Niet omdat je slechte content hebt, maar omdat je content geschreven is voor een zoekmachine die steeds minder vaak het eerste aanspreekpunt is.

Dit gebeurt nu al, dagelijks, in elke branche. En het bepaalt of jouw merk straks nog gevonden wordt, of straks alleen nog bestaat voor mensen die je al kenden. Hieronder negen dingen die je kunt doen om wel een van de merken te zijn die genoemd worden.

1. Wat is het verschil tussen traditionele SEO en LLM-zichtbaarheid?

Bij klassieke SEO optimaliseer je voor een ranking op een resultatenpagina met tien blauwe links. Bij LLM’s optimaliseer je voor iets anders: of je merk wordt genoemd in een gesynthetiseerd antwoord. Er is geen positie 1 tot 10, er is “genoemd” of “niet genoemd”.

Dat betekent niet dat keywords en SEO hun waarde verliezen, die blijven de basis. Maar je moet er wel een laag bovenop denken: niet alleen “op welke zoekterm wil ik gevonden worden”, maar ook “welke vraag stellen mijn (potentiële) klanten, en geef ik daar een volledig antwoord op”. Een taalmodel zoekt namelijk niet naar de pagina die het beste matcht met een zoekterm, maar naar het fragment tekst dat het beste antwoord geeft op die specifieke vraag.

2. Hoe schrijf je content die een taalmodel als antwoord gebruikt?

LLM’s knippen content in stukken (chunks) en beoordelen die stukken los van elkaar op relevantie. Dat betekent dat elke sectie van je artikel op zichzelf moet kunnen staan als antwoord op een vraag.

Concreet:

• Gebruik duidelijke, vraaggerichte H2’s en H3’s (“Wat kost marketing automation software?” in plaats van “Prijzen”).
• Zet de kern van het antwoord direct na de kop, niet pas na drie alinea’s.
• Vermijd lange inleidingen die alleen maar naar het echte antwoord toewerken. Mensen worden ongeduldig als de kern zich blijft verstoppen, maar bij een LLM is het risico groter: die knipt de tekst in stukken en beoordeelt die apart. Staat het antwoord niet vroeg en duidelijk genoeg in zo’n stuk, dan bestaat de kans dat het model het over het hoofd ziet, ook al staat het er wel ergens in.
• Werk met korte alinea’s en opsommingen in plaats van lange lopende tekst. Een model kan een bullet-lijst of een kort blokje makkelijker isoleren en citeren dan een dichte alinea van tien zinnen.
• Houd elke sectie inhoudelijk zelfstandig. Verwijs niet naar “zoals eerder genoemd” of “zie hierboven” een chunk die uit de context wordt gehaald, moet zonder de rest van het artikel nog steeds begrijpelijk zijn.

3. Concrete, checkbare feiten winnen het van vage claims

Taalmodellen citeren bij voorkeur content die specifiek en verifieerbaar is: cijfers, definities, stappenplannen, vergelijkingen. “Onze software is snel en gebruiksvriendelijk” biedt geen houvast. “Onze API verwerkt gemiddeld 40.000 events per minuut” wel.

Bouw je content zoveel mogelijk op met:

• Concrete getallen en benchmarks
• Heldere definities die je zelf formuleert
• Stap-voor-stapuitleg
• Vergelijkingstabellen tussen opties, categorieën of aanpakken

Dat soort content is precies wat een model kan “uitknippen” en met vertrouwen herhalen.

4. Autoriteit ontstaat buiten je eigen website

Een LLM vormt zijn beeld van jouw merk niet alleen op basis van je eigen site. Het haalt signalen op uit reviewsites, vergelijkingsplatforms, vakmedia, Reddit-discussies, LinkedIn-posts en Wikipedia. Als die bronnen je merk niet noemen, of verkeerd noemen, dan bepaalt dat mede hoe (en of) een model over je praat.

Denk dus breder dan je eigen content:

• Zorg voor consistente, actuele vermeldingen op vergelijkingssites in je categorie.
• Reageer actief en met inhoud op relevante discussies in forums en communities.
• Werk aan vermeldingen in vakpublicaties die zelf goed scoren bij modellen.
• Houd bedrijfsinformatie (wat je doet, voor wie, tegen welke prijs) overal consistent, tegenstrijdige informatie tussen bronnen ondermijnt vertrouwen.

5. Beantwoord vergelijkende vragen expliciet

Een groot deel van de vragen die mensen aan een taalmodel stellen, zijn vergelijkend van aard: “wat is het verschil tussen X en Y”, “welk alternatief voor Z past bij een klein team”, “wanneer kies je voor A in plaats van B”. Dit soort vragen wordt in traditionele content vaak vermeden, bedrijven schrijven liever over hun eigen sterke punten dan dat ze zichzelf naast een concurrent zetten.

Voor LLM-zichtbaarheid werkt dat averechts. Als jij niet expliciet ingaat op de vergelijking, doet iemand anders dat wel, een reviewsite, een concurrent, een los forumbericht, en bepalen zij hoe jouw merk in dat vergelijkende antwoord wordt neergezet.

Schrijf dus zelf eerlijke vergelijkingscontent:

• “X vs Y”-pagina’s die de echte verschillen benoemen, inclusief punten waarop een concurrent sterker is.
• Content die uitlegt voor welk type klant of situatie jouw oplossing wel of juist niet de beste keuze is.
• Overzichten van alternatieven in je categorie, waar je jezelf eerlijk in positioneert tussen de rest.

Eerlijke, genuanceerde vergelijkingscontent wordt door taalmodellen sneller vertrouwd en aangehaald dan eenzijdige verkooppraat, precies omdat het aanvoelt als een betrouwbaar antwoord op een vraag, niet als marketing.

6. Gebruik AI om te schrijven, niet om generiek te worden

Dit is misschien de meest onderschatte valkuil. AI-tools maken het schrijven van content sneller, maar ze maken ook dat honderdduizenden bedrijven inmiddels bijna identieke, gemiddelde content produceren. En “gemiddeld” is precies wat een taalmodel niet citeert, want er is geen onderscheidend signaal.

Gebruik AI voor:

• Snelheid: research, structuur, eerste versies
• Consistentie: tone-of-voice, herschrijven, samenvatten

Maar zorg dat het eindresultaat een uitgesproken standpunt, unieke data of een ervaring bevat die alleen jij kunt inbrengen. Klantcases, eigen onderzoek, een afwijkende mening onderbouwd met argumenten, dat is wat een model als “nieuwe informatie” herkent in plaats van als herhaling van wat al overal staat.

7. Hoe test je of je content zichtbaar is in AI-modellen?

De enige manier om echt te weten of je zichtbaarheid verbetert, is het testen in de tools waar je klanten zitten. Stel de vragen die jouw doelgroep zou stellen aan ChatGPT, Perplexity, Gemini, Copilot en Claude en kijk:

• Wordt je merk genoemd?
• Wordt het correct beschreven?
• Welke bronnen worden aangehaald en heb je daar invloed op?
• Wat zeggen concurrenten die wel genoemd worden, wat jij niet zegt?

Dit is geen eenmalige check. Modellen worden bijgewerkt, bronnen wisselen, en je positie kan per maand verschuiven. Bouw dit in als vast onderdeel van je contentproces, net zoals je nu al rankings monitort.

8. Meten is nog lastig, vertrouw dus niet op één signal

Er bestaat nog geen “Search Console” voor LLM-vermeldingen. Er zijn wel tools in ontwikkeling die AI-citaties monitoren, maar het is nog een jong vakgebied. Vertrouw dus niet blind op één tool of dashboard. Combineer:

• Handmatige steekproeven in de belangrijkste modellen
• Merkvermeldingen en sentiment op platforms waar modellen hun informatie ophalen
• Klassieke SEO-signalen (linkprofiel, autoriteit, content-diepgang), want die blijven relevant als onderliggende basis

9. Bouw een eigen checker die content langs deze punten legt

Handmatig elk artikel langs deze punten leggen werkt op kleine schaal, maar loopt vast zodra je met meerdere schrijvers of een volle contentkalender werkt. Gelukkig is dit precies het soort taak die je eenvoudig kunt uitbesteden aan een AI-model, zodat elk conceptartikel automatisch gecheckt wordt op:

• Staat het antwoord direct na de kop, of pas na drie alinea’s opbouw?
• Zitten er concrete cijfers, definities of vergelijkingen in, of vooral vage claims (“snel”, “gebruiksvriendelijk”)?
• Zijn de H2’s en H3’s geformuleerd als vragen die iemand ook aan een taalmodel zou stellen?
• Staat er een uitgesproken standpunt, eigen data of klantcase in, of is de tekst inwisselbaar met elke concurrent?
• Wordt de eigen positie eerlijk vergeleken met alternatieven, in plaats van alleen de eigen sterke punten te benoemen?

Dit hoeft geen ontwikkelproject te zijn, maar het staat of valt wel met hoe goed je de instructies opstelt. Een eigen GPT in ChatGPT of een skill in Claude werkt alleen betrouwbaar als je de criteria heel precies en concreet omschrijft, inclusief wat een goede en een slechte score is, en het liefst met een voorbeeld erbij. Blijft je instructie vaag (“beoordeel of de tekst goed is”), dan vult het model de rest zelf in, en krijg je bij elk artikel een ander soort beoordeling. Zet je de criteria scherp neer, dan plak je vervolgens elk conceptartikel erin en krijg je een consistente beoordeling per punt terug. Werk je met meerdere schrijvers, dan deel je die GPT of dat project met het team, zodat iedereen exact dezelfde, vaste check gebruikt voor publicatie.

Tot slot

Zichtbaarheid in AI-antwoorden bouw je niet op binnen één dag. Het is een combinatie van schrijven voor een vraag in plaats van alleen de zoekterm, concrete cijfers benoemen in plaats van vage claims, aanwezig zijn buiten je eigen platformen, en continu blijven testen en bijsturen. Samen bepalen deze punten of jouw merk straks het antwoord wordt voor je (potentiële) klanten, of dat je concurrent die plek inneemt. Die keuze maak je niet over vijf jaar. Die maak je nu, met het volgende artikel dat je publiceert.