Stel: een ondernemer voert een scan uit op "Bierbitterbal" — een fictief nieuw product van een gevestigde snackbarketen. De score komt terug als 4 op 100, rating E. Is dat slecht? De ondernemer schrikt en denkt dat er iets misgaat. Maar de score is precies wat je zou verwachten. Het probleem is niet de meting — het probleem is dat niet duidelijk was wat er gemeten werd.
Deze notitie onderzoekt het verschil tussen een merk scannen en een product scannen, en waarom dat onderscheid bepalend is voor hoe je de uitkomst leest.
De onderzoeksvraag
De naam die je in het merkveld van de scan typt, bepaalt welke entiteit gemeten wordt. Bij een gevestigd bedrijf dat onder dezelfde naam opereert is dat helder. Maar zodra er een scheiding bestaat tussen het merk en een product, subline of nieuwe activiteit, ontstaat een keuze met fundamenteel verschillende uitkomsten.
De centrale vraag is: hoe interpreteert een AI-model het verschil tussen een gevestigde moederentiteit en een nieuwe deelentiteit — en wat betekent dat voor de scanresultaten?
Twee entiteiten, twee werkelijkheden
Neem een denkbeeldig voorbeeld: een landelijke snackbarketen die al decennia bestaat, breed vertegenwoordigd is in vermeldingen, reviews, nieuwsartikelen en branchelijsten. Een scan op de ketennaam in de branche "snackbar" zal naar verwachting een herkenbare entiteit opleveren: AI-modellen kennen het merk, noemen het in lijstjes, weten iets over het aanbod. (De merknamen in dit voorbeeld zijn fictief en dienen uitsluitend ter illustratie — AIVisiScan is op geen enkele manier verbonden met bestaande snackbarketens.)
Scan je daarentegen "Bierbitterbal" — het nieuwe product — dan meet je een entiteit die mogelijk nog maar weken bestaat. Er is geen jarenlange opbouw van vermeldingen, geen breed geciteerd profiel, geen plek in de trainingsdata van de modellen. Een lage spontane zichtbaarheid is dan het verwachte resultaat — geen falen van het product of van de scan.
Waarom het verschil ertoe doet
Het risico is een verkeerde conclusie. Wie "Bierbitterbal" scant en 4/100 ziet, kan denken: "mijn product is onzichtbaar, er klopt iets niet." Terwijl de juiste lezing is: "dit is een nieuwe entiteit, en AI-modellen hebben hem nog niet opgenomen in hun kennis — dat is op dit moment normaal."
Omgekeerd: wie de ketennaam scant en een redelijke score ziet, kan ten onrechte aannemen dat het nieuwe product daarmee ook zichtbaar is. Dat hoeft niet zo te zijn. De herkenning van het moedermerk zegt niets over de associatie met een specifiek nieuw product.
Drie meetscenario's
In de praktijk zijn er drie manieren om met deze situatie om te gaan:
- Scan het moedermerk. Je meet de zichtbaarheid van de gevestigde entiteit. Hoge herkenning is waarschijnlijk. Dit geeft een beeld van het fundament, maar zegt weinig over het nieuwe product.
- Scan het product als apart merk. Je meet de zichtbaarheid van de nieuwe entiteit. Een lage score is het verwachte startpunt. Dit is zinvol als nulmeting: het vertelt je hoe ver de nieuwe entiteit nog moet groeien.
- Test de associatie. De interessantste vraag voor een productlancering is vaak niet "kent AI het product?" maar "koppelt AI het product aan het moedermerk?". Stel je de vraag "welke producten heeft [keten]?" — komt Bierbitterbal dan naar boven? Dit is momenteel geen standaardonderdeel van de scan, maar het is de meting die voor een lancering het meest veelzeggend is.
Evenementen en tijdelijke activiteiten
Een vergelijkbare dynamiek speelt bij evenementen. Een festival, een pop-up, een tijdelijke actie — dit zijn per definitie entiteiten zonder duurzame webhistorie. De trainingsdata van AI-modellen heeft een cutoff, dus een evenement dat volgende maand plaatsvindt kent het model simpelweg niet uit zijn geheugen.
Voor evenementen verschuift de vraag daarom van "kent AI dit?" (bijna zeker nee) naar "kan AI dit ophalen via live websearch, en is het technisch goed omsloten?". Denk aan Event-schema (schema.org/Event), datum, locatie, een vindbare pagina. Dat is meer een technisch-katern-vraag dan een spontane-zichtbaarheidsvraag. De scan kan hier wél iets mee: het technisch katern controleert of de website machine-leesbaar is en of de juiste gestructureerde data aanwezig is.
Praktische les
Voordat je een scan start, stel jezelf de vraag: welke entiteit wil ik eigenlijk meten? Het merk, het product, of de koppeling tussen beide? Het antwoord bepaalt wat je invult, en — belangrijker — hoe je de score leest.
Een score van 4/100 op een nieuw product is geen alarmsignaal. Het is een nulmeting. Het wordt pas een probleem als die score na maanden van gerichte opbouw niet beweegt. Omgekeerd is een hoge score op het moedermerk geen garantie dat een nieuw product automatisch meelift — die associatie moet apart worden opgebouwd.
Beperkingen van deze notitie
De casussen in deze notitie zijn illustratief gekozen; de gebruikte merknamen zijn fictief. Er is geen systematisch onderzoek gedaan naar hoe breed dit patroon voorkomt. De associatie-probe (scenario 3) is beschreven als concept; de scan meet deze koppeling momenteel niet standaard. Of en wanneer dit als functionaliteit wordt toegevoegd, hangt af van de praktijkvraag van gebruikers.
Betekenis voor AIVisiScan
Dit inzicht bevestigt dat de scan een meetinstrument is, geen waardeoordeel. De uitkomst is precies zo informatief als de vraag die je stelt. De handleiding van AIVisiScan bevat daarom een toelichting over het verschil tussen een merk, een product en een evenement scannen, zodat gebruikers de juiste verwachting hebben vóór ze op "start" klikken.