💬 NLP

Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines

Dit artikel stelt een grootschalige baseline vast voor Generative Engine Optimization (GEO) door meer dan 100.000 AI-zoekreacties te analyseren om aan te tonen dat merkzichtbaarheid zwaar gestratificeerd is naar volwassenheid, de voorkeur geeft aan bedrijfswebsites en "best-of"-lijstjes als primaire bronnen, en een zeer instabiel sentiment vertoont, waardoor het actiegerichte protocollen biedt voor merken om hun AI-zoekaanwezigheid te verbeteren.

Oorspronkelijke auteurs: Pratyush Kumar (Ranqo)

Gepubliceerd 2026-06-19

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Pratyush Kumar (Ranqo)

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

Het Grote Plaatje: Van Blauwe Links naar AI-Gesprekken

Stel je voor dat het internet vroeger een enorme bibliotheek was met een kaartcatalogus. Als je een boek wilde vinden, zocht je op een trefwoord, kreeg je een lijst met "blauwe links" (traditionele zoekresultaten) en klikte je op de link die er het beste uitzag. Dit was SEO (Search Engine Optimization).

Nu heeft de bibliotheek een superintelligente bibliothecaris (AI) die je niet alleen een lijst met boeken geeft. In plaats daarvan stel je een vraag zoals: "Wat zijn de beste hardloopschoenen voor platvoeten?" en de bibliothecaris leest duizenden boeken, synthetiseert de informatie en geeft je een direct antwoord met een paar specifieke aanbevelingen.

Deze nieuwe wereld wordt GEO (Generative Engine Optimization) genoemd. De paper vraagt zich af: Hoe krijgt een merk de bibliothecaris zover om hen in dat antwoord te noemen?

De Belangrijkste Ontdekking: De "Roemladder"

De onderzoekers volgden meer dan 100 merken over vijf verschillende AI-engines (zoals ChatGPT, Claude en Gemini) om te zien wie er wordt genoemd. Ze ontdekten een strikte driestaps ladder van roem die bepaalt wie er gehoord wordt:

De Bekende Namen (Niveau 1): Denk aan Nike of Stripe. Dit zijn de beroemdheden van het internet. Wanneer je de AI een algemene vraag stelt, verschijnen deze merken in 73% van de gevallen direct in het antwoord. Ze zijn zo beroemd dat de AI ze uit het hoofd kent.
De Gevestigde Middenklasse Merken (Niveau 2): Denk aan Olipop of Klaviyo. Deze zijn bekend, maar geen wereldwijde reuzen. Ze worden ongeveer 44% van de tijd genoemd.
De Niche- en Kleine Merken (Niveau 3): Denk aan lokale startups of kleine makers. Zij worden slechts 11% van de tijd genoemd.

De Analogie: Stel je een drukke feestavond voor waar iedereen aanbevelingen roept. De beroemdheden (Niveau 1) worden bijna elke keer gehoord. De middenklasse merken (Niveau 2) worden ongeveer de helft van de tijd gehoord. De kleine merken (Niveau 3) zijn als mensen die in een hoekje fluisteren; de AI hoort hen simpelweg niet, tenzij je specifiek naar hun naam vraagt.

Belangrijkste Inzicht: Als je een klein merk bent, "vergeet" de AI je niet; de AI heeft je naam gewoon nog niet geleerd. Het gat tussen de niveaus is enorm (ongeveer 30 procentpunten per stap omlaag).

Hoe de AI "Denkt" en "Citeert"

De paper keek naar waar de AI zijn informatie vandaan haalt. Het kijkt niet alleen naar de eigen website van een merk.

De "Derde Partij"-regel: Wanneer de AI een antwoord geeft, citeert hij in 78% van de gevallen websites van andere bedrijven, en niet de eigen website van het merk. Het is alsof een voedselcriticus een restaurant aanbeveelt door andere voedselcritici en recensiesites te citeren, in plaats van het menu van het restaurant zelf te lezen.
De "Listicle"-Koning: Het krachtigste type content om geciteerd te worden is een "Best Of"-lijst (bijv. "Top 10 CRM-tools"). Als een merk op een van deze lijsten staat, fungeert die specifieke pagina als een gouden ticket dat keer op keer voor veel verschillende vragen wordt geciteerd.
Video is de Nieuwe Reus: Verrassend genoeg wordt YouTube vaker geciteerd dan Reddit, Wikipedia of nieuwsartikelen. Als een merk niet op video aanwezig is, mist het een groot deel van de "leeslijst" van de AI.

Het "Onzichtbaarheidsprobleem"

De onderzoekers ontdekten iets vreemds over hoe vaak merken voorkomen:

Het is Binair: Voor de meeste kleine merken noemt de AI hen altijd of nooit. Het is geen muntopwerp waarbij ze soms wel en soms niet verschijnen. Ze zijn ofwel "lid van de club" of "buiten de deur".
De "Stille" Erosie: Als een merk niets doet om te verbeteren, stort hun zichtbaarheid niet dramatisch in. In plaats daarvan erodeert het langzaam (zoals een zandkasteel dat elke dag een beetje zand verliest), vooral op ChatGPT en Perplexity.
Sentiment is Chaotisch: Hoewel het of een merk wordt genoemd stabiel is, is de manier waarover de AI praat (positief of negatief) grillig. De AI verandert zijn mening over een merk 6,7 keer vaker dan hij besluit het merk wel of niet te noemen. De ene dag klinkt het geweldig; de volgende dag klinkt het neutraal.

Wat dit betekent voor Kleine Ondernemers

De paper biedt een paar praktische regels voor merken die nog niet beroemd zijn:

Ken je Niveau: Probeer niet te optimaliseren voor "wereldwijde roem" als je een lokale winkel bent. Focus erop om eerst het "Middenklasse"-niveau te bereiken door een sterke online aanwezigheid op te bouwen (Wikipedia, pers, YouTube).
Behandel Engines als Verschillende Landen: Wat werkt voor ChatGPT, werkt niet voor Perplexity. Ze gebruiken verschillende bronnen en hebben verschillende regels. Je kunt niet zomaar je strategie kopiëren en plakken naar alle platforms.
Zet Feiten Vooraan: Verberg je belangrijkste feiten niet in complexe code of verborgen tekst. Vertel de AI duidelijk en vroegtijdig in je artikel: "Wij zijn de beste X vanwege Y." De AI houdt van duidelijke, citeerbare feiten.
Controleer Vaak, Niet Eenmalig: De AI verandert snel van gedachten. Je moet je zichtbaarheid elke paar weken controleren, niet elke paar maanden.

Wat de Paper NIET Zegt

Het is belangrijk om vast te houden aan wat de paper daadwerkelijk heeft gevonden:

Geen Magische Oplossing: De paper bewijst niet dat het schrijven van een specifiek artikel je de garantie geeft dat je wordt genoemd. Het laat alleen zien wat er momenteel wordt geciteerd.
Geen "Hacks": De auteurs waarschuwen expliciet tegen het proberen te "misleiden" van de AI met verborgen tekst of spam. Dat werkt niet en zorgt ervoor dat je wordt geblokkeerd.
Nog Geen Causal Bewijs: De paper zegt: "We zien dat grote merken vaker worden genoemd." Het bewijst nog niet dat als een klein merk zijn website aanpast, het direct naar de top springt. Dat is een toekomstig experiment dat zij van plan zijn uit te voeren.

Samenvattende Analogie

Zie de AI-zoekmachine als een zeer drukke nieuwsanker die antwoorden geeft door uit een stapel papier te lezen.

Grote Merken hebben hun eigen papieren op het bureau van de nieuwsanker liggen.
Kleine Merken hopen dat de nieuwsanker een papier oppakt dat door iemand anders is geschreven en waarin zij worden genoemd.
De "Best Of"-lijsten zijn de meest populaire papiertjes op het bureau.
Het Doel is niet om harder te schreeuwen (SEO); het doel is om jouw feiten op de papieren te krijgen die de nieuwsanker al aan het lezen is.

Technisch overzicht: Generative Engine Optimization op schaal

1. Probleemstelling

Het traditionele paradigma van Search Engine Optimization (SEO), gericht op het ranken voor "blauwe links" in klassieke zoekmachines, wordt vervangen door Generative Engine Optimization (GEO). Naarmate gebruikers overstappen van het bevragen van traditionele zoekmachines (Google, Bing) naar AI-assistenten (ChatGPT, Claude, Gemini, Perplexity, Grok), verandert de succesmetriek voor merken van "ranken voor een trefwoord" naar "geciteerd en aanbevolen worden door een Large Language Model (LLM)."

Hoewel autoritaire wereldwijde merken van nature citaties ontvangen vanwege hun bestaande online voetafdruk, bestaat er een aanzienlijke kloof voor kleine en middelgrote ondernemingen (MKB), Direct-to-Consumer (D2C) merken, creators en start-ups in een vroeg stadium. Deze entiteiten missen de gevestigde online aanwezigheid die nodig is om door AI-modellen te worden opgevoerd. Dit artikel behandelt het gebrek aan grootschalige, productie-waardige data over hoe AI-zoekmachines merken citeren, welke bronnen zij prioriteren en hoe zichtbaarheid kan worden gemeten en verbeterd voor niet-dominante spelers.

2. Methodologie

De studie maakt gebruik van Ranqo (Ranqo AI), een productieplatform dat is ontworpen om de zichtbaarheid van merken over AI-zoekmachines te meten en te optimaliseren. De methodologie omvat een gecontroleerde, grootschalige observationele studie uitgevoerd tussen maart en mei 2026.

Datacollectie en Schaal

Cohort: 102 merken gevolgd over vijf AI-engines: ChatGPT (GPT-5), Gemini (Gemini-3), Perplexity (Sonar), Claude (Sonnet) en Grok (Grok-3).
Volume: 102.025 prompt-reacties, wat resulteerde in ongeveer 15.815 merkvermeldingen en 149.912 broncitaten.
Prompt Strategie: Het platform genereert natuurlijke taal-prompts over zes categorieën: Discovery, Problem/Solution, Use Case, Expert, Comparison, en Brand Research. Cruciaal is dat de studie zich richt op onbebranded prompts (bijv. "beste hardloopschoenen") om de werkelijke categorische zichtbaarheid te meten in plaats van zelfverwijzende vermeldingen.
Configuratie: Engines worden bevraagd via officiële API's. Search-enabled varianten worden gebruikt; ChatGPT en Claude draaien met een wekelijkse cooldown per merk om kosten te beheersen (afwisselend tussen search-on en search-off staten), terwijl anderen altijd grounded zijn.

Meetkader

Ranqo extraheert en scoort vier primaire signalen voor elke (prompt, platform, run) tuple:

Visibility (Mention Rate): Het percentage prompts waarin het merk wordt vermeld.
Average Position: De ordinale rang van de vermelding (1e, 2e, enz.).
Sentiment: Een continue score ( $[-1, 1]$ ) en categorische label (positief/neutraal/negatief).
Share of Voice: De vermeldingen van het merk relatief aan gekwalificeerde concurrenten.

Daarnaast voert het platform een zesdimensionale pagina-audit uit op gevolgde URL's, waarbij wordt gescoord op: Crawlability, Content Quality, Page Speed, AI Readiness, Citation Potential, en Authority & Trust (E-E-A-T).

Statistische Benadering

Het artikel hanteert non-parametrische statistische methoden (Kruskal-Wallis, Mann-Whitney U, bootstrapping met 10.000 resamples) vanwege de begrensde en rechts-scheve aard van de zichtbaarheidsdistributies. Het maakt expliciet onderscheid tussen observationele baselines en causale claims, waarbij causale inferentie wordt gereserveerd voor toekomstige Randomized Controlled Trials (RCT's).

3. Belangrijkste Bijdragen

Het artikel biedt de eerste grootschalige baseline voor het meten van GEO, inclusief:

Een Productiemeting-framework: Een reproduceerbare methode voor het volgen van merkzichtbaarheid, bronattributie en sentiment over meerdere AI-engines.
Een Categorie Referentie-studie: Analyse van 2.500 reacties over 10 CRM-merken, wat een baseline vestigt voor categorieconcentratie.
Empirische Bevindingen over Zichtbaarheidsdynamiek: Kwantificering van hoe merkomvang, prompttype en engine-architectuur het citatiegedrag beïnvloeden.
Een Onderzoeksagenda: Zeven voorgestelde protocollen (v1.1) om specifieke interventies (bijv. contentstructuur, schema markup, search-grounding) causaal te testen.

4. Belangrijkste Resultaten

A. De Merkstatus-Zichtbaarheidsladder

De meest significante bevinding is een duidelijke, drieledige hiërarchie in onbebrande zichtbaarheid tijdens de eerste tracking-run:

Tier 1 (Wereldwijde bekende namen): 73% zichtbaarheid (bijv. Stripe, Nike).
Tier 2 (Gevestigd Middenveld/Regionaal): 44% zichtbaarheid (bijv. Olipop, Klaviyo).
Tier 3 (Niche/Kleine merken): 11% zichtbaarheid.
Gap: Elke stap omlaag op de ladder resulteert in een daling van ongeveer 30 procentpunt in zichtbaarheid. Dit effect is statistisch significant (Cohen's $d > 1.3$ ) en suggereert dat bestaande webprominentie de dominante determinant is voor AI-zichtbaarheid.

B. Dag-1 Herkenning en Persistentie

Branded vs. Unbranded: Wanneer een prompt expliciet een merk noemt, is herkenning bijna universeel (94–100%). Echter, onbebrande herkenning is aanzienlijk lager (12–52% afhankelijk van de engine).
Trajecten: Bij gebrek aan interventie is onbebrande zichtbaarheid grotendeels stabiel, maar vertoont het een langzame, statistisch significante daling op ChatGPT (-1,34% per run) en Perplexity (-0,76% per run). Andere engines blijven vlak.
Determinisme: AI-verschijning is bijna binair. 77,5% van de (merk, prompt, engine) cellen zijn ofwel "altijd vermeld" of "nooit vermeld". Slechts 6,8% van de cellen "flipt" tussen runs, wat aangeeft dat zichtbaarheid een stabiele eigenschap is van het merk-engine paar in plaats van willekeurige ruis.

C. Samenstelling van Bronnen en Citatiepatronen

Bedrijfsvormige Dominantie: 78% van alle citaties verwijst naar bedrijfswebsites.
- Derde-partij Bedrijfspagina's: 75,2% (concurrenten, gelijken, leveranciers).
- Merk-eigen Pagina's: Slechts 2,9%.
- Implicatie: AI-engines citeren bij voorkeur productpagina's van peer-merken wanneer zij "alternatieven" of "best-of" antwoorden construeren, wat een "Matthew-effect" creëert waarbij gedoteerde domeinen meer citaties aantrekken.
Niet-bedrijfmatige Bronnen: Onder de niet-bedrijfmatige bronnen is YouTube (4,2%) de meest geciteerde, waarmee het redactionele media (3,8%), Reddit (3,3%) en Wikipedia (2,6%) overtreft.
Content Formaat: Listicles (gerangschikte "best-of" lijsten) zijn het meest effectieve formaat en maken 35,7% van alle contentcitaties uit. Een enkele listicle kan een merk over veel verschillende prompts heen naar voren brengen.

D. Sentiment Volatiliteit

Sentiment is aanzienlijk ruiziger dan de vermelding-data.

Flipping Rate: 45,5% van de sentimentpatronen wisselt tussen positief en negatief tussen runs, vergeleken met slechts 6,8% voor vermeldingen.
Stabiliteit: Sentiment is 6,7 keer ruiziger dan vermeldingen. Daarom vereisen sentiment-gewogen scores een veel grotere steekproef (≥10 prompts) om te stabiliseren.
Negativiteit: Geen enkel gevolgd merk was consistent negatief; negatieve inkadering was transient in plaats van systematisch.

E. Engine Divergentie

Verschillende engines vertonen distinct gedrag:

Claude vertoonde de hoogste onbebrande herkenning (51,5%), maar opereert op een kleinere cohort met een hogere status.
Perplexity en ChatGPT vertoonden een neerwaartse zichtbaarheidsdrift.
Bron Overlap: De overeenkomst tussen platforms wat betreft geciteerde bronnen is laag (Jaccard overlap ~0,12 in de CRM-studie), wat bevestigt dat elke engine een aparte markt is met unieke bronvoorkeuren.

5. Betekenis en Claims

Het artikel positioneert zichzelf als een fundamentele, observationele studie in plaats van een definitieve causale gids. De betekenis ligt in:

Het Kwantificeren van de "Stature Gap": Het levert empirisch bewijs dat merkimmaturiteit de primaire drijfveer is voor AI-zichtbaarheid, met een penalty van ~30 punten voor elk tier-niveau lager. Dit daagt de opvatting uit dat contentoptimalisatie alleen de zichtbaarheid van kleine merken direct naar het niveau van wereldwijde giganten kan tillen.
Het Ontkrachten van "Set-and-Forget": De data tonen aan dat zonder actieve interventie de zichtbaarheid op belangrijke engines (ChatGPT, Perplexity) langzaam erodeert, wat een meetcyclus van weken in plaats van kwartalen noodzakelijk maakt.
Verschuiving van Optimalisatiefocus: De bevindingen suggeren dat voor kleinere merken de meest effectieve strategie niet alleen het optimaliseren van hun eigen domein is (dat slechts 2,9% van de citaties ontvangt), maar het targeten van hoog-leveragable externe oppervlakken zoals listicles en video-content (YouTube), en het opbouwen van "merk massa" (Wikipedia, pers, aanhoudende aanwezigheid) om de Tier 2 drempel te overschrijden.
Methodologische Rigor: Het artikel vermijdt expliciet het maken van te grote claims. Het stelt dat hoewel het sterke correlaties en baselines identificeert, het nog geen bewijs levert dat specifieke GEO-tactieken oorzaak zijn van zichtbaarheidsstijgingen. Het stelt zeven protocollen (P1–P7) voor voor toekomstige RCT's om causale verbanden vast te stellen, met name met betrekking tot de impact van dimensies van contentkwaliteit (Autoriteit, AI-readiness, Citatiepotentieel) versus technische SEO-factoren (Schema, Paginasnelheid).

Samenvattend stelt het artikel dat AI-merkzichtbaarheid meetbaar is, sterk afhankelijk is van de status van het merk, en verschilt per platform. Het betoogt dat het "moeilijke probleem" van GEO voor kleine merken een verschuiving vereist van eenvoudige trefwoordoptimalisatie naar het bouen van autoritaire, citeerbare contentstructuren en het veiligstellen van plaatsing in hoog-leveragable externe formaten zoals listicles en video.