Waarom zou je dit zelf willen controleren?
Steeds meer mensen stellen hun vraag niet aan een zoekmachine maar aan een AI-assistent: „wie kan mij helpen met…”. Het antwoord bevat vaak een paar namen en een reden erbij. Of jouw naam daarbij zit, zie je nergens terug: er is geen bezoekersstatistiek van een gesprek dat iemand met ChatGPT voert. Het enige wat je kunt doen, is zelf die vraag stellen en kijken wat er komt. Dat kost een kwartier en geeft een eerste indruk — niet meer, maar ook niet minder.
Welke vragen stel je aan de AI-assistent?
Het gaat om vragen die een klant letterlijk zou typen, in klanttaal. Dus niet je eigen vakjargon („GEO-optimalisatie dienstverlener”), maar de vraag zoals iemand hem stelt die nog niet weet hoe jouw vak heet. Kies er drie tot vijf, verspreid over wat je aanbiedt en waar je werkt.
| Situatie | Vraag zoals een klant hem stelt | Wat je eruit leert |
|---|---|---|
| Lokale dienstverlener | „Welke boekhouder in Leiden is goed voor een eenmanszaak?” | Of je in jouw regio genoemd wordt, en naast wie |
| Landelijk product | „Welke leverancier van zonnepanelen voor een plat dak is betrouwbaar?” | Welke argumenten de AI gebruikt om te kiezen |
| Specialist | „Wie kan mij helpen met een bezwaar tegen de WOZ-waarde?” | Of de AI jouw specialisme herkent |
| Vergelijking | „Wat is het verschil tussen [jouw bedrijf] en [concurrent]?” | Hoe de AI je beschrijft als je wél genoemd wordt |
Hoe voer je de zelftest stap voor stap uit?
- Open een AI-assistent in een nieuw, leeg gesprek. Gebruik bij voorkeur een venster waarin je niet bent ingelogd, of in elk geval een gesprek zonder eerdere context over jouw bedrijf.
- Stel de eerste klantvraag letterlijk, zonder je bedrijfsnaam te noemen. Noteer welke bedrijven genoemd worden, in welke volgorde, en welke reden de AI erbij geeft.
- Begin een nieuw gesprek en stel precies dezelfde vraag nog twee keer. Noteer opnieuw. Verschillen de antwoorden? Dat is normaal — daarover hieronder meer.
- Herhaal dit voor elke vraag. Zet alles in een simpele tabel: vraag, poging, genoemde bedrijven, argumenten.
- Kijk pas daarna naar het patroon: welke namen komen in de meeste pogingen terug? Welke argumenten keren terug? Waar sta jij — of ontbreek je?
Waarom krijg je elke keer een ander antwoord?
Een taalmodel zoekt niet op in een vaste lijst. Het stelt elk antwoord opnieuw samen, woord voor woord, met een ingebouwde dosis toeval. Dat is geen storing maar ontwerp. Anthropic schrijft in de documentatie van de Claude-API over de instelling die dat toeval regelt letterlijk: „Note that even with temperature of 0.0, the results will not be fully deterministic” — zelfs op de laagste stand is het resultaat niet volledig voorspelbaar. Die pagina is technische documentatie voor ontwikkelaars (geen onderzoek, geen datum vermeld; wij openden hem op 1 september 2026), maar het is een uitspraak van de aanbieder zelf over het eigen product.
Daar komt bij dat een model een kennisgrens heeft. Anthropic noemt dat in het modeloverzicht de „reliable knowledge cutoff”: „the date through which the model's knowledge is most extensive and reliable”. Wat na die datum over jouw bedrijf is gepubliceerd, kent het model alleen als het live op het web zoekt — en of dat gebeurt, verschilt per assistent en per instelling. Twee redenen dus waarom één antwoord een momentopname is.
Wat mag je uit een zelftest concluderen — en wat niet?
| Wat je ziet | Wat het wél zegt | Wat het níét zegt |
|---|---|---|
| Je wordt in 0 van de 3 pogingen genoemd | Op dit moment, met deze vraag, kom je niet spontaan naar boven | Niet dat je „onvindbaar” bent: een andere formulering of een ander model kan anders uitpakken |
| Je wordt 1 van de 3 keer genoemd | Je zit in het bereik van mogelijke antwoorden | Niet hoe vaak dat gemiddeld gebeurt — drie pogingen is te weinig voor een percentage |
| Een concurrent wordt elke keer genoemd, met dezelfde reden | Een sterk signaal dat die naam en dat argument vast verankerd zijn | Niet waaróm — dat vraagt om onderzoek naar de bronnen die het model kent |
| Het antwoord verwijst naar een verouderd feit over je bedrijf | Het model kent dat feit uit oudere bronnen of leest ze nu live | Niet dat het overal zo staat; controleer welke bron de AI eventueel noemt |
Kortom: een zelftest is goed om te merken dát er iets speelt. Hij is niet geschikt om te bewijzen hoe groot het is, of om na een maand te zeggen of er iets veranderd is. Daarvoor zijn de aantallen te klein en de omstandigheden te wisselend (ingelogd of niet, welke assistent, welke dag).
Wanneer heeft een echte meting zin?
Een echte meting doet drie dingen anders. Ze herhaalt elke vraag vaker (bij ons: vijf klantvragen, elk vijf keer, dus 125 antwoorden), zodat toeval uitmiddelt en een patroon zichtbaar wordt. Ze legt elk antwoord vast met het exacte verzoek en het exacte antwoord, zodat elke conclusie herleidbaar is. En ze houdt de vragen bevroren, zodat een hermeting later eerlijk te vergelijken is. Dat heeft zin als je op basis van de uitkomst wilt beslissen — bijvoorbeeld welke drie dingen je eerst aanpakt — of als je wilt kunnen aantonen of iets verandert. Waarom een AI überhaupt maar een paar namen noemt, is overigens minder zeker dan het lijkt; daarover schreven we een apart artikel in vraagvorm. Waarom vijf aanbieders vijf verschillende antwoorden geven, en waarom je dezelfde vraag vijf keer stelt, staat in „Geeft elke AI hetzelfde antwoord?”.