Onze methode en bewijsvoering
Hoe AIVisiScan meet, welke keuzes daarachter zitten en waar de bewijsgrens ligt.
Heeft u een Foursquare-profiel nodig om in ChatGPT te verschijnen?
Nee. Het advies dat u per se op Foursquare of Yelp moet staan om door AI genoemd te worden, is Amerikaans advies dat in Nederland niet opgaat. De bekende claim dat een groot deel van ChatGPT’s lokale aanbevelingen uit Foursquare zou komen, stamt uit één kleine test; grootschalige metingen laten zien dat Foursquare vrijwel nooit als bron opduikt. Die rol is inmiddels naar Yelp verschoven: een platform dat in Nederland nauwelijks wordt gebruikt. Wat hier wél telt: een heldere, machineleesbare eigen website, gestructureerde vestigingsgegevens en dezelfde bedrijfsgegevens op de bronnen die in Nederland gelezen worden, met Google voorop.
8 minLees De Foursquare-mytheWaar haalt een AI zijn informatie over uw bedrijf vandaan?
Een AI bouwt zijn beeld van een bedrijf op uit meerdere soorten bronnen tegelijk: de eigen website (de kernboodschap), encyclopedische bronnen zoals Wikipedia (het fundament en de feiten), onafhankelijke media (bevestiging van buitenaf), sociale en zakelijke netwerken zoals LinkedIn (het actuele beeld) en officiele registers (de formele gegevens). Het model vertrouwt vooral op informatie die op meerdere plekken wordt bevestigd. Ontbreken bronnen of spreken ze elkaar tegen, dan wordt het antwoord voorzichtig, of raakt uw merk verwisseld met een gelijknamige entiteit.
8 minLees Waar leest een AI over uw bedrijf?Hoe komt de AI Visibility Rating van AIVisiScan tot stand?
De score wordt opgebouwd uit een vast aantal onderzoeksfasen waarin meerdere AI-modellen dezelfde gestandaardiseerde vragen krijgen, aangevuld met een technische controle van de website en een bronanalyse. Elke deelscore heeft een eigen weging, en de beperkingen van de meting worden expliciet benoemd zodat de uitkomst navolgbaar blijft.
10 minLees Onze methodologieWaarom geeft AI niet elke keer hetzelfde antwoord, en wat betekent dat voor een scan?
Generatieve modellen geven niet twee keer exact hetzelfde antwoord: de uitkomst hangt af van de precieze vraag, het moment en toeval in het model zelf. Eén los antwoord is daardoor een momentopname, geen betrouwbare meting. AIVisiScan vangt die variatie op met een vaste methode: dezelfde gestandaardiseerde vragen bij meerdere modellen, vastgelegd en herhaalbaar. We rapporteren wat structureel terugkomt en benoemen de onzekerheid expliciet, met een zekerheidstaxonomie die onderscheid maakt tussen een vastgesteld feit en een signaal. Zo is de uitkomst navolgbaar, ook al varieert een enkel antwoord.
7 minLees Waarom AI-antwoorden variëren