Herkend worden is niet hetzelfde als correct begrepen worden

Op 2 augustus 2026 stelden we Gemini een ogenschijnlijk eenvoudige vraag: “Ken je AIVisiScan?” Het eerste antwoord ging niet over ons product. Het model legde de naam uit als een algemene combinatie van kunstmatige intelligentie en visuele scantechnologie, met mogelijke toepassingen in medische diagnostiek, industriële kwaliteitscontrole en objectherkenning.

Daarna kreeg Gemini alleen het webadres van AIVisiScan. Het vervolgbeeld veranderde direct. Het model beschreef AIVisiScan nu als een Nederlandse zelfbedieningstool voor onderzoek naar zichtbaarheid in systemen als ChatGPT, Claude en Gemini. Het herkende het creditmodel, de relatie met GEO, de rapportage over merkvermeldingen en sentiment, en het idee van concrete verbeteracties.

Op hoofdlijnen leek de herkenning dus sterk. Maar toen het gesprek doorvroeg naar “hoe het bij hen werkt”, vulde het model details in die niet uit de werkelijke methode volgden. Dat verschil — een product behoorlijk kunnen samenvatten en tegelijk onderdelen van de werking verkeerd invullen — vormt de aanleiding voor deze notitie.

De onderzoeksvraag

De centrale vraag is niet alleen of een AI-model een merknaam kent. We wilden weten wat er gebeurt wanneer een model de naam aanvankelijk niet als merk herkent, daarna een website krijgt en vervolgens wordt gevraagd de werking van het product uit te leggen.

Daarbij onderscheiden we drie vragen:

1. Wordt het merk zonder verdere aanwijzing herkend?
2. Kan het model na ontvangst van de website de openbare propositie reconstrueren?
3. Blijven de details van die reconstructie feitelijk in overeenstemming met de gedocumenteerde productwerking?

Onderzoeksopzet

De observatie komt uit één doorlopend gesprek in de consumenteninterface van Gemini op 2 augustus 2026. Eerst werd gevraagd of Gemini AIVisiScan kende. Daarna werd het adres https://aivisiscan.nl gegeven. Vervolgens werd gevraagd hoe GEO volgens AIVisiScan werkt en hoe het “echt” werkt.

Dit was geen vooraf geregistreerd experiment en er waren geen herhalingen met nieuwe gesprekken, verschillende accounts of andere modellen. De gebruikte modelversie en de exacte manier waarop Gemini tijdens dit gesprek de website of zoekresultaten raadpleegde, zijn niet door ons vastgesteld. De notitie analyseert daarom één concrete uitkomst, niet het gemiddelde gedrag van Gemini.

Wat Gemini na de website goed reconstrueerde

Na ontvangst van de website verschoof het antwoord van een algemene betekenis van de naam naar een herkenbare productbeschrijving. Verschillende onderdelen sloten op hoofdlijnen aan op de openbare informatie:

• AIVisiScan werd herkend als een Nederlandse tool voor onderzoek naar AI-zichtbaarheid.
• ChatGPT, Claude en Gemini werden correct genoemd als onderzochte modellen.
• Het model herkende dat merkvermelding, positionering, sentiment en verbeteracties onderdelen van de rapportage zijn.
• Het creditmodel zonder vast abonnement werd correct herkend.
• Het antwoord begreep dat een scan een momentopname is en dat vervolgscans nodig zijn om veranderingen te vergelijken.

Dit is betekenisvol. Het laat in deze ene test zien dat de openbare website voldoende aanknopingspunten bood om de algemene propositie na een expliciete aanwijzing behoorlijk te reconstrueren.

Waar de reconstructie begon af te wijken

De problemen ontstonden toen Gemini niet alleen beschreef wat AIVisiScan oplevert, maar ook hoe het onderzoek technisch en methodologisch zou zijn ingericht.

“Een geautomatiseerde test- en scraping-agent”

Gemini typeerde AIVisiScan als een geautomatiseerde test- en scraping-agent. Dat is te breed en zet het product in de verkeerde categorie. AIVisiScan is geen algemene agent die vrij over het internet scrape-taken uitvoert. Het is een afgebakende zelfbedieningstool met vaste onderzoeksfasen, gerichte modelvragen en aanvullende controles van publiek toegankelijke website- en broninformatie.

Alle modellen zouden dezelfde vragen krijgen

Het antwoord suggereerde dat standaardvragen via koppelingen naar ChatGPT, Claude en Gemini worden gestuurd alsof ieder model in iedere fase hetzelfde doet. De werkelijke opzet is gedifferentieerd: alle drie de modellen beantwoorden de blinde vragen, ChatGPT en Gemini beantwoorden de directe merkvragen, en alleen ChatGPT voert de optionele merkvergelijking uit. Directe merkvragen worden bovendien bewust zonder webonderzoek gesteld.

Een concurrentscore werd groter gemaakt dan hij is

Gemini beschreef de vergelijking met concurrenten alsof iedere ingevoerde concurrent gelijkwaardig wordt doorgemeten. Binnen een merkscan zijn concurrentuitkomsten echter contextuele indicatoren. Een gelijkwaardige beoordeling vereist een afzonderlijke scan van die concurrent met vergelijkbare instellingen.

Algemene GEO-regels werden als vaste rangorde gepresenteerd

Het antwoord deelde kanalen in als “zeer hoog”, “hoog”, “gemiddeld” en “laag” voor AI-zichtbaarheid. Onafhankelijke reviews en vergelijkers kregen bijvoorbeeld zeer hoge impact, terwijl een eigen blog als laag werd ingeschaald. Voor zo’n algemene rangorde leverde het gesprek geen onderzoek, meetmethode of bron. Welke bron wordt gebruikt, hangt onder meer af van de vraag, het model, beschikbare zoekfuncties, actualiteit en de informatiebehoefte.

Reviews, vakmedia, gestructureerde website-informatie en unieke eigen publicaties kunnen allemaal relevant zijn. Uit deze praktijktest volgt niet dat één kanaal altijd zwaarder weegt dan een ander. Ook de stelling dat een AI-model simpelweg “de internetconsensus overneemt” is te absoluut: modellen selecteren, combineren en genereren informatie en kunnen daarbij bronnen missen, verkeerd interpreteren of aanvullen.

De kernobservatie

Een AI-model kan een merk na een expliciete aanwijzing overtuigend herkennen, terwijl onderdelen van de uitleg over dat merk feitelijk onjuist of onvoldoende onderbouwd zijn.

Herkenning is dus niet hetzelfde als betrouwbaarheid. Een vloeiende, zelfverzekerde productbeschrijving kan correcte hoofdlijnen en ingevulde details in één antwoord combineren. Juist doordat het geheel geloofwaardig klinkt, zijn de afwijkingen moeilijker te herkennen voor iemand die de methode niet al kent.

Wat deze test wel en niet bewijst

Wat we wel hebben waargenomen

• Zonder website-aanwijzing herkende Gemini de naam in dit gesprek niet als het specifieke product.
• Na ontvangst van de website reconstrueerde het model een groot deel van de openbare propositie.
• In de daaropvolgende methodologische uitleg verschenen aantoonbare afwijkingen van de gedocumenteerde werking.
• Het antwoord vermengde productfeiten met algemene GEO-aannames zonder zichtbaar onderscheid in zekerheid.

Wat we hier niet uit mogen concluderen

• Dat Gemini AIVisiScan altijd pas na een URL herkent.
• Dat andere gebruikers, modellen of gesprekken hetzelfde antwoord krijgen.
• Dat de website de enige bron van de reconstructie was.
• Dat iedere genoemde algemene GEO-aanbeveling onjuist is.
• Dat een goede websitebeschrijving automatisch leidt tot spontane aanbevelingen.

Waarom dit relevant is voor organisaties

Veel organisaties controleren AI-zichtbaarheid met één vraag: “Kent ChatGPT ons?” Een merkspecifiek antwoord voelt dan snel als bevestiging. Maar voor reputatie, aankoopbeslissingen en zakelijke informatie is een tweede controle minstens zo belangrijk: welke concrete claims doet het model, en welke daarvan kunnen we met bronnen bevestigen?

Een organisatie kan dus tegelijk goed herkenbaar en verkeerd beschreven zijn. Denk aan een onjuiste doelgroep, verouderde prijs, verkeerd werkgebied, niet-bestaande productfunctie of een te stellige uitleg van de methode. Zulke fouten worden niet zichtbaar in een simpele ja/nee-meting van merkvermelding.

Wat AIVisiScan hiervan heeft geleerd

De casus ondersteunt de keuze om drie uitkomsten afzonderlijk te rapporteren:

1. Spontane zichtbaarheid: verschijnt het merk wanneer de naam niet in de vraag staat?
2. Merkherkenning: wat vertelt een model wanneer de naam expliciet wordt genoemd?
3. Feitelijke betrouwbaarheid: welke controleerbare claims worden ondersteund, tegengesproken of blijven onbevestigd?

Naar aanleiding van deze controle is ook de openbare productuitleg aangescherpt en inhoudelijk gelijkgetrokken tussen de methodologiepagina, veelgestelde vragen, rapportuitleg en machineleesbare documentatie. Daarmee verdwijnt het risico op vrije invulling niet, maar krijgt een model wel duidelijker bronmateriaal over de werkelijke werking en grenzen van het product.

Praktische les

Test een merk niet alleen op aanwezigheid. Stel na een herkenningsvraag ook vragen die concrete, verifieerbare uitspraken uitlokken: wat doet het bedrijf, voor wie, in welke regio, met welke producten en onder welke voorwaarden? Leg die claims vervolgens naast de website, het lokale profiel en andere passende bronnen.

Het doel is niet om ieder afwijkend detail meteen als fout te bestempelen. Het doel is zichtbaar maken waar het model feit, interpretatie en ontbrekende kennis door elkaar laat lopen. Daar begint een zorgvuldige beoordeling van AI-zichtbaarheid.

Bronnen en methode

• Doorlopend Gemini-gesprek van 2 augustus 2026, door de onderzoeker vastgelegd.
• Openbare product- en methodologiedocumentatie van AIVisiScan, inhoudelijk bijgewerkt op 2 augustus 2026.
• Vergelijking met de gedocumenteerde onderzoeksfasen, scoreopbouw en productgrenzen van AIVisiScan.