🤖 AI

Persona Conditioning of Brand Recommendations in Retrieval-Augmented Commercial Chat: A Prominence-Stratified Cross-Provider Audit

Deze studie onderzoekt hoe de aanbevelingen van AI-assistenten voor merken bij commerciële zoekopdrachten aanzienlijk variëren tussen verschillende koperpersona's, waarbij wordt geconstateerd dat hoewel marktleiders consistent blijven, de suggesties voor merken in het middensegment sterk verschuiven afhankelijk van de context van de gebruiker, met het sterkste effect in modellen die meer vertrouwen op a priori kennis uit trainingsdata dan op bewijsmateriaal uit zoekopdrachten.

Oorspronkelijke auteurs: Will Jack, Noah Lehman, Keller Maloney, Sarah Xu

Gepubliceerd 2026-05-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Will Jack, Noah Lehman, Keller Maloney, Sarah Xu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je het kantoor binnenloopt van een zeer slimme, goed ingelichte reisagent. Je stelt dezelfde vraag: "Wat is het beste hotel in Parijs?"

Als je de agent vertelt: "Ik ben een solo-rugzaktoerist met een piepklein budget", dan kan hij een gezellig, goedkoop hostel aanbevelen. Als je hen vertelt: "Ik ben een CEO van een enorm technologiebedrijf die een bestuursvergadering wil organiseren", dan kan hij een luxepaleis aanbevelen.

Dit artikel vraagt: Hoezeer verandert het antwoord eigenlijk alleen al omdat je hebt veranderd wie je zei te zijn?

De onderzoekers voerden een enorm experiment uit waarbij ze AI-chatbots (zoals ChatGPT en Claude) dezelfde zakelijke vragen stelden (bijvoorbeeld: "Wat is de beste CRM-software?"), maar zich voordeden als 10 verschillende soorten mensen – van een solo-oprichter van een startup tot een hoge manager van een groot concern. Ze wilden zien of de lijst met aanbevolen merken van de AI hetzelfde zou blijven of volledig zou wisselen, afhankelijk van de "persona" van de vraagsteller.

Hier is wat ze ontdekten, eenvoudig uiteengezet:

1. Het "Wie Je Bent"-effect is echt en groot

De studie vond dat het veranderen van de persona de lijst met aanbevolen merken van de AI aanzienlijk verandert.

De Analogie: Stel je voor dat de lijst met aanbevelingen van de AI een afspeellijst is. Als je vraagt als een "solo-oprichter", bevat de afspeellijst 10 nummers. Als je vraagt als een "corporate VP", zijn ongeveer 20% tot 30% van die nummers volledig anders.
De Cijfers: De onderzoekers maten dit met een "gelijkheidsscore". Wanneer dezelfde persoon dezelfde vraag twee keer stelde, waren de antwoorden ongeveer 50% gelijk. Maar wanneer twee verschillende mensen dezelfde vraag stelden, daalde de gelijkheid tot slechts ongeveer 22–35%. Dat is een enorme verschuiving.

2. De "Beroemd vs. Middenklasse"-regel

Het meest interessante deel is welke merken veranderen en welke hetzelfde blijven. De onderzoekers verdeelden merken in vijf niveaus van bekendheid (van "Supersterren" tot "Lokale Winkels").

De Supersterren (L1): Dit zijn de beroemdste merken (zoals Salesforce of HubSpot). Ze zijn immuun voor de persona. Of je nu vraagt als een kind of als een CEO, de AI beveelt deze topmerken bijna altijd aan. Ze zijn de "veilige keuze" die nooit verandert.
De Lokale Winkels (L5): Dit zijn regionale merken. De AI beveelt ze alleen aan als je persona overeenkomt met hun locatie (bijvoorbeeld: een Britse persona krijgt Britse merken). Dit is een mechanische verandering gebaseerd op geografie.
De "Middenmarkt"-Sweet Spot (L3): Hier gebeurt de magie. Dit zijn de solide, middenklasse bedrijven. Hier verandert de AI het meest van mening. Afhankelijk van wie je voordoet, kan de AI 75% van zijn aanbevelingen voor deze merken vervangen.
- Analogie: Denk aan de Supersterren als de "Hoofdstraat" waar iedereen loopt. De Middenmarkt-merken zijn de "Zijstraten". Als je de AI vertelt dat je een toerist bent, wijst hij je naar de hoofdwinkels. Als je hem vertelt dat je een lokale bent, wijst hij je naar de zijstraten. De AI is het meest flexibel met de zijstraten.

3. De "Sterkere" AI is eigenlijk flexibeler

Er was een verrassende draai met betrekking tot de verschillende geteste AI-modellen (OpenAI versus Anthropic).

De Verwachting: Meestal denken we dat "sterkere" of "slimmere" AI-modellen stijver en deterministischer zijn (ze geven elke keer hetzelfde antwoord).
De Realiteit: Het "sterkere" Anthropic-model veranderde zijn aanbevelingen meer op basis van de persona dan de OpenAI-modellen deden.
De Theorie: De auteurs suggereren dat dit misschien komt omdat het Anthropic-model meer vertrouwt op zijn interne "geheugen" (wat het tijdens de training heeft geleerd) in plaats van op het opzoeken van nieuwe feiten. Omdat zijn "geheugen" vol zit met associaties tussen "soorten mensen" en "merken", wordt het heel goed in het afstemmen van zijn antwoord op de specifieke persona. De OpenAI-modellen, die meer vertrouwen op het opzoeken van huidige documenten, zijn wat koppiger en houden vast aan dezelfde lijst, ongeacht wie er vraagt.

4. Waarom dit belangrijk is voor merken

Het artikel concludeert dat als je een merk bent dat geprobeerd wordt opgemerkt te worden door AI, je niet zomaar één generieke "Beste Product"-pagina kunt hebben.

Het Probleem: Als je alleen optimaliseert voor een generieke zoekopdracht naar "beste software", mis je misschien de specifieke lijsten die worden gegenereerd voor verschillende soorten kopers.
Het Inzicht: De AI gedraagt zich al als een zeer gepersonaliseerde verkoper. Het geeft niet zomaar een generieke lijst; het curateert een lijst op basis van wie het denkt dat er vraagt. Als je een middenmarkt-merk bent, hangt je zichtbaarheid in het antwoord van de AI volledig af van of de AI denkt dat de gebruiker overeenkomt met je ideale klantenprofiel.

Samenvatting

Het artikel bewijst dat AI-chatbots geen neutrale lijstmakers zijn. Ze zijn zeer gevoelig voor de "persona" van de gebruiker. Hoewel de beroemdste merken ongewijzigd blijven, wat je ook doet, worden de merken van de middenklasse in en uit gewisseld als een kaartspel, afhankelijk van of de AI denkt dat het praat met een oprichter van een startup, een groot concern of een klein ondernemer. De "sterkere" AI-modellen zijn eigenlijk beter in deze personalisatie, waardoor de factor "wie je bent" in de toekomst nog kritischer wordt voor hoe mensen producten online vinden.

Technische Samenvatting: Persona-Conditioning van Merkaanbevelingen in Retrieval-Augmented Commerciële Chat

Probleemstelling
Het artikel adresseert een kritieke lacune in het begrijpen van hoe Large Language Models (LLM's) omgaan met commerciële aanbevelingen in retrieval-augmented chatinterfaces. Hoewel bestaande literatuur heeft vastgesteld dat persona-conditioning invloed heeft op feitelijke nauwkeurigheid en gesloten-vorm taken, blijft de impact op open-ended sets van commerciële aanbevelingen ongekwantificeerd. De kernvraag is empirisch: in welke mate verschuift de set van aanbevelingen wanneer uitsluitend de gebruikerspersona varieert (bijvoorbeeld "solo founder" versus "enterprise VP"), terwijl de promptstring, temperatuur en systeemtemplate constant worden gehouden? De auteurs stellen dat, indien het effect groot is, AI-gedreven commerciële aanbevelingen de facto persona-gesegmenteerd zijn, waardoor strategieën voor een enkel "beste [categorie]" merk ontoereikend worden.

Methodologie
De studie hanteert een cross-provider auditontwerp met 2.000 runs in een gecontroleerde ontwerpruimte:

Ontwerpruimte: 10 handgecurateerde persona's (variërend in branche, bedrijfsgrootte, rol en geografie) $\times$ 8 commercieel geformuleerde prompts $\times$ 3 modelconfiguraties.
Modelcellen:
- OpenAI gpt-5.4-mini (lage redeneerinspanning)
- OpenAI gpt-5.4-mini (hoge redeneerinspanning)
- Anthropic claude-sonnet-4-6 (lage redeneerinspanning)
- Opmerking: De Anthropic-cel gebruikte slechts 4 van de 8 prompts die door de OpenAI-cellen werden gebruikt, vanwege laadbeperkingen.
Uitvoering: Elke leaf (persona $\times$ prompt $\times$ cel) werd $N=10$ keer uitgevoerd.
Consensus-extractie: Vermeldingen van merken werden geëxtraheerd door twee LLM-juristen (claude-haiku-4-5 en gpt-5-mini). Een merk werd alleen als aanbevolen geteld als beide juristen het over een specifieke run eens waren (intersectiemodus). De consensusset voor een leaf is de vereniging van merken over zijn 10 heruitvoeringen.
Metrieken:
- Within-Persona Jaccard: Stabiliteit van de aanbevelingsset voor een enkele persona over heruitvoeringen.
- Cross-Persona Jaccard: Similariteit tussen aanbevelingssets van twee verschillende persona's (prompt en cel constant houdend).
- Persona-Shift Effect ( $\Delta$ ): Berekend als $Cross\text{-}Persona\ Jaccard - Within\text{-}Persona\ Jaccard$ . Een negatieve $\Delta$ duidt op een groter persona-effect (meer wisseling van merken wanneer de persona verandert).
- Prominence Stratificatie: Effecten werden ontleed naar niveaus van merkbekendheid (L1: Categorie-leiders tot L5: Regionale spelers).
Statistische Nauwkeurigheid: Effectgroottes worden gerapporteerd met prompt-geclusterde 95% bootstrap-betrouwbaarheidsintervallen (1.000 iteraties). De studie verankert resultaten tegen een within-cell heruitvoerings-stabiliteitsbaseline (0,50–0,61) die in eerdere werken (Jack [3]) is vastgesteld, om ervoor te zorgen dat het persona-effect de niet-deterministische ruis overtreft.

Belangrijkste Resultaten

Significant Persona-Shift: In alle drie modelcellen verandert het wijzigen van de persona de aanbevelingsset significant. De effectgrootte $\Delta$ $Δ$ varieert van −0,12 tot −0,20. Alle geclusterde 95% betrouwbaarheidsintervallen sluiten nul uit, wat bevestigt dat het signaal statistisch onderscheidbaar is van ruis.
- OpenAI gpt-5.4-mini / laag: $\Delta = -0,12$
- OpenAI gpt-5.4-mini / hoog: $\Delta = -0,16$
- Anthropic sonnet-4-6 / laag: $\Delta = -0,20$
Prominence-Stratificeerde Interactie: Het persona-effect is niet uniform; het is scherp gestratificeerd naar merkbekendheid:
- L1 (Categorie-leiders): Zeer persona-resistent (wisselpercentages 0,20–0,29). Modellen raden dezelfde topmerken aan (bijvoorbeeld Salesforce, HubSpot) ongeacht de persona.
- L2 (Gevestigde Uitdagers): Gemengd signaal. OpenAI-cellen vertonen lage wisselpercentages (0,05–0,13), terwijl Anthropic hogere percentages toont (0,23).
- L3 (Mid-Market): Het inflectiepunt waar het persona-effect piekt. Wisselpercentages bereiken 0,75 bij OpenAI met hoge inspanning en 0,67 bij lage inspanning. Dit geeft aan dat mid-market merken zeer gevoelig zijn voor de context van de koper.
- L4 (Long-Tail): Onderbemonsterd door lage oppervlaktepercentages; geen puntinschattingen gerapporteerd.
- L5 (Regionaal): Matig effect (0,27–0,33), grotendeels gedreven door mechanische geografische poortfuncties (bijvoorbeeld UK-persona's die UK-specifieke merken zien).
Provider Heterogeniteit: De Anthropic sonnet-4-6 / laag-cel vertoont een groter puntinschattingseffect ( $\Delta = -0,20$ ) dan de OpenAI-configuraties. Hoewel de betrouwbaarheidsintervallen voor sonnet versus gpt-5.4-mini / hoog overlappen, is het contrast tussen sonnet en laag juist onderscheidbaar. De auteurs merken op dat dit in strijd is met de prior dat "sterkere" modellen deterministischer zijn, en suggereren in plaats daarvan dat modellen die meer vertrouwen op training-data priors (Anthropic, volgens Jack [2]) mogelijk responsiever zijn op persona-context dan retrieval-gedreven modellen.
Persona Corpus Heterogeniteit: "Scherpe" persona's (bijvoorbeeld specifieke rollen zoals "US e-commerce operator") leveren hoge within-persona stabiliteit op (Jaccard $\ge$ 0,55), terwijl "brede" persona's (bijvoorbeeld "EU finance manager") lagere stabiliteit opleveren (Jaccard $\le$ 0,39), wat aangeeft dat persona-specifiteit de concentratie van de aanbevelingsset dicteert.

Betekenis en Claims
Het artikel claimt dat AI-gedreven commerciële aanbevelingen niet persona-agnostisch zijn. De omvang van de persona-shift ( $\Delta \approx 0,12\text{--}0,20$ ) is vergelijkbaar met het verschil in aanbevelingssets tussen verschillende AI-providers (Jack [2]) en overtreft de ruisvloer van modelheruitvoeringen.

Strategische Implicatie: Een enkele "beste [categorie]" positioneringspagina is een ontoereikende strategie voor merken. Omdat de aanbevelingsset materieel verandert afhankelijk van wie er vraagt, moet merkoptimalisatie deze segmentatie weerspiegelen, met name voor L3 mid-market merken waar het persona-effect maximaal is.
Mechanisme Hypothese: De auteurs stellen dat het grotere persona-effect in de Anthropic-cel consistent is met een mechanisme waarbij persona-attributen sterker werken op prior-gedreven generatie (associaties uit trainingsdata) dan op retrieval-gedreven generatie. Retrieval neigt aanbevelingen te verankeren bij autoritaire merken ongeacht de context, terwijl priors het model toelaten gebruikers-archetype attributen vloeibaarder te integreren.
Beperkingen: De auteurs stellen expliciet dat ze geen causaal bewijs claimen voor het priors-versus-retrieval mechanisme, aangezien ze binnen-run gezamenlijke meting van retrieval-attributie en persona-beweging missen. Ze merken ook op dat L4-resultaten inconclusief zijn door onderbemonstering en dat de studie beperkt is tot één dag meting en Engelstalige persona's.

Concluderend stelt het artikel vast dat persona-conditioning een substantiële, meetbare variabele is in commerciële chat, met effecten geconcentreerd in de mid-market tier, wat een verschuiving vereist in hoe merken benadering van AI-gedreven vindbaarheid en positionering aanpakken.