Je rankt niet in AI-antwoorden. Je vergroot de kans dat je genoemd wordt.

Stel ChatGPT een vraag als “wat is het beste CRM voor een B2B-bedrijf?” en stel morgen exact dezelfde vraag nog een keer. Grote kans dat je twee verschillende antwoorden krijgt, met deels andere merken erin. Als jouw omzet afhangt van online vindbaarheid, zit hier de grootste verschuiving in vijfentwintig jaar.

SEO werkte al die jaren namelijk op dezelfde manier. Een pagina rankte of hij rankte niet. De output van het systeem was een vaste, publieke lijst die je elke dag opnieuw kon meten. Die wereld verdwijnt niet, maar er komt een laag naast die volgens andere regels werkt. AI-antwoorden zijn geen stabiele objecten. Het zijn kansverdelingen: het model kiest bij elk antwoord opnieuw, en jouw merk zit wel of niet in die keuzes. Veel van wat in 2026 “AI-optimalisatie” heet, is daarom in de praktijk kansbeïnvloeding verkleed als ranking.

Dit volgt rechtstreeks uit hoe deze systemen zijn gebouwd. Zes krachten stapelen zich op, en elk daarvan voegt variantie toe. Hieronder het volledige plaatje.

1 · Het loterij-effect: zelfde prompt, andere uitkomst

Elk woord dat een AI-model schrijft, is een nieuwe keuze uit een lijst waarschijnlijke volgende woorden. In het vak heet dat sampling uit een kansverdeling. Daardoor verschuift de formulering per run, verschuiven de genoemde merken en verschuiven de bronvermeldingen. Dit is geen bug, het is de kern van de techniek. Zelfs als je het model op zijn meest voorspelbare stand zet (temperature 0) geven twee productie-omgevingen zelden byte-identieke output. Voor wie het naadje wil weten: batched matrix multiplications, kernel non-determinism op GPU's en routing over model-replica's introduceren elk hun eigen variantie.

Voor ranking is dit een fundamentele verandering. Een pagina stond wel of niet op positie 3. Een AI-antwoord noemt je wel of niet. Wat je eigenlijk probeert te optimaliseren, is de kans dat het model je noemt in deze run, voor deze gebruiker, in deze modelversie. Meerdere onafhankelijke branche-onderzoeken komen rond hetzelfde getal uit: slechts ongeveer 20% van de merken verschijnt betrouwbaar bij herhaalde identieke prompts binnen een categorie. De overige 80% duikt in de ene run op en is in de volgende weer verdwenen. Dat is de loterij.

2 · Pre-training bias is de startlijn die je niet kunt verschuiven

Elk groot model heeft al ingebakken voorkeuren voordat het ook maar één bron opzoekt. De trainingscorpora worden gedomineerd door een klein aantal high-authority bronnen: Wikipedia, Reddit, Common Crawl, Stack Exchange, GitHub, grote nieuwsaggregators. Deze bronnen wegen zwaar mee, hetzij expliciet tijdens pretraining, hetzij impliciet omdat ze ook overal elders opduiken.

In de praktijk betekent dit dat wanneer een gebruiker vraagt naar “beste CRM voor B2B SaaS,” het model al een sterke voorkeur heeft voor hoe HubSpot, Salesforce en Pipedrive ervoor stonden op het moment dat het trainingscorpus werd samengesteld. Wikipedia-overzichten, Reddit-threads en aggregator-listicles spraken het luidst over die merken, dus leerde het model om die als eerste te noemen. Die ingebakken voorsprong heet in de statistiek de prior, en jouw ene productpagina op jouw ene domein begint de race met een enorme achterstand.

Hoeveel je daarvan kunt overschrijven, is onduidelijk en sterk modelafhankelijk. Sommige modellen leunen zwaar op het live bijzoeken van bronnen (retrieval), waardoor verse content wél meetelt. Andere leunen op wat het model tijdens training uit zijn hoofd heeft geleerd, parametrische kennis in vaktermen, waardoor de prior in feite wint. Je kunt die weging niet inspecteren. Je kunt alleen de output observeren.

3 · Modellen staan niet stil

Wat rankte op GPT-3.5 rankt niet per se op GPT-5.2. Wat naar boven kwam op Claude 3 komt niet per se naar boven op Claude 5. Elke release herschrijft stilletjes het speelveld: andere training data cutoffs, andere post-training, andere alignment, andere retrieval-standaardinstellingen. Een merk dat in de ene generatie het standaardantwoord was, kan in de volgende verdwijnen.

Ter vergelijking: Google's algoritme-updates zijn publieke gebeurtenissen. Aangekondigde updates, weken van signalen vooraf, een SEO-branche die de verschillen bijna realtime publiceert. Modelreleases zijn dat niet. De training run voor het volgende grote frontier model vond maanden geleden plaats, lang voordat iemand buiten het lab kon testen hoe het het antwoordlandschap zou herschrijven. Tegen de tijd dat jij de verschuiving meet, hebben je concurrenten dat ook al gedaan.

4 · Er is geen vast regelboek

ChatGPT, Gemini, Claude, Perplexity en Copilot wegen bronnen allemaal anders:

• ChatGPT combineert parametrische kennis met websearch en een aanbevelingslaag.
• Gemini integreert Google Search-resultaten plus, indien geautoriseerd, de Workspace-data van de gebruiker.
• Claude vertrouwt standaard op zijn trainingsdistributie en gebruikt search alleen als dit expliciet is ingeschakeld.
• Perplexity draait een search-first pipeline waarin retrieval domineert en het model samenvat.
• Copilot haalt informatie uit Bing en weegt enterprise content uit Microsoft 365 anders dan open web content.

Dit is het beeld op hoofdlijnen; elk van deze pipelines verschuift per release. De kern blijft staan: een strategie die “werkt” in de ene tool kan onzichtbaar zijn in de andere. Er is geen equivalent van “rank op Google” omdat er geen enkele index, geen enkele rankingfunctie en geen enkel antwoord bestaat. Er zijn vijf (en groeiend) overlappende markten, elk met zijn eigen fysica, en elke optimalisatiepoging moet kiezen in welke van die markten ze meespeelt.

5 · Personalisatie trekt de grond onder je voeten vandaan

Gemini kan de Workspace-data, zoekgeschiedenis, locatie, intentiesignalen en eerdere gesprekscontext van een ingelogde gebruiker gebruiken. ChatGPT-geheugen en projectcontext doen op kleinere schaal iets vergelijkbaars. Twee gebruikers die exact dezelfde prompt op exact hetzelfde moment invoeren, kunnen compleet verschillende antwoorden zien, omdat het model geconditioneerd wordt door compleet verschillende context.

Dit is het punt waarop het klassieke SEO-denkmodel het echt zwaar krijgt. In SEO was een SERP een publiek artefact dat je kon meten. Bij AI-antwoorden is het antwoord een privé-artefact, geconstrueerd voor één gebruiker en één sessie. Er is geen canonieke ranking om naar te optimaliseren, omdat die canonieke ranking simpelweg niet bestaat. Het dichtstbijzijnde equivalent is een verdeling over gepersonaliseerde antwoorden, en je kunt die verdeling wel bemonsteren, maar niet aflezen met een tool.

6 · Langere prompts laten de antwoordruimte instorten

Hoe meer context een gebruiker geeft, hoe kleiner en specifieker de antwoordruimte wordt. “Beste CRM” laat ruimte voor vijftig plausibele merken. “Beste CRM voor een team van 12 Nederlandse B2B SaaS-medewerkers dat al HubSpot gebruikt voor marketing en behoefte heeft aan diepgaande, Pipedrive-achtige pipeline-weergaves” laat ruimte voor misschien twee of drie. Misschien maar één.

Informatietheorie legt precies uit waarom: meer conditionerende bits laten de conditionele verdeling instorten. In de praktijk betekent het dat de long-tail intentie die vroeger twintig verschillende SERP's opleverde, nu één of twee LLM-outputs wordt, en de meeste merken de kans verliezen om überhaupt zichtbaar te worden.

Dit is het omgekeerde van de long-tail SEO-aanpak van de afgelopen vijftien jaar. Long-tail betekende vroeger meer oppervlakken en meer kansen. Bij LLM's betekent het minder oppervlakken en een veel smallere trechter. De merken die de prior al domineren, verstevigen die dominantie, en mijn inschatting is dat de long-tail-waarde die vroeger op pagina 2 van Google leefde, hier grotendeels verdampt.

Wat dit werkelijk betekent

Je rankt geen pagina's meer. Je duwt aan kansverdelingen, en dat doe je via:

• Een niet-deterministische sampler die zijn eigen output niet reproduceert
• Een model waarvan je de priors niet kunt inspecteren
• Een retrieval-pipeline die per vendor verschilt
• Een personalisatielaag die per gebruiker verschilt
• Een contextvenster dat mogelijkheden laat instorten naarmate het groter wordt
• Een modelrelease-cyclus die het speelveld zonder waarschuwing resettet

Naast elkaar gezet:

De eerlijke conclusie is dat “AI-optimalisatie” in 2026 dichter bij het beïnvloeden van een markt ligt dan bij het bespelen van een ranking. Je kunt de verdeling verschuiven. Je kunt geen positie garanderen. De tactieken die overeind blijven ondanks de variantie, zijn de tactieken die zich opstapelen op het niveau van de data in plaats van op het niveau van het oppervlak: wees de entiteit die werkelijk het meest genoemde antwoord is in de data waarop het volgende model getraind wordt. Wees aanwezig in elke retrieval-index. Wees het merk dat een long-context, sterk geconditioneerde prompt overleeft, omdat het model overweldigend bewijs heeft om jou aan te halen.

Dat is ook waarom kortetermijnwinsten in AI-zichtbaarheid echt zijn, kortetermijnverliezen echt zijn, en geen van beide op zichzelf een strategie is. Die variantie bepaalt het hele spel. Kansverdelingen worden pas een strategie zodra je ze ook als kansverdelingen behandelt: je accepteert dat de vloer constant onder je verschuift, en je bouwt voor de verdeling in plaats van voor de ranking.

Wat dit betekent voor een Nederlands bedrijf

Eerst even nuchter: voor de meeste Nederlandse bedrijven, van webshops tot zorg en B2B, blijft Google Search nog jaren het hoofdkanaal. AI-antwoorden zijn een groeiende laag ernaast, geen vervanging.

De eerste impact die je hier wél al merkt, is zero-click: AI Overviews, ChatGPT Search en Perplexity vatten je website samen zonder dat er iemand doorklikt. Minder sessies in GA4, terwijl de vraag naar je product niet daalt. Wie alleen naar verkeer kijkt, ziet een dalende lijn; wie naar vermeldingen kijkt, ziet dat een deel van het spel naar een ander oppervlak is verhuisd.

Voor wie is dit nu al interessant? SaaS-bedrijven, B2B-dienstverleners en merken in vergelijkingscategorieën, overal waar klanten vragen stellen als “beste X voor Y”; daar wordt de koopbeslissing steeds vaker voorbereid in een AI-gesprek dat jij niet ziet. Voor de bakker, de fysiopraktijk en de loodgieter is dit voorlopig geen prioriteit: daar blijven Google, Maps en reviews het spel bepalen.

De realistische eerste stap kost een middag en geen tooling. Maak een lijst van de tien prompts waarmee jouw klanten zouden zoeken, draai elke prompt een paar keer op ChatGPT en Gemini, en turf hoe vaak je merk genoemd wordt. Dat percentage is je nulmeting, en meteen een concreter gesprek dan “iets met AI”.

Drie dingen die ik iedereen zou vertellen die probeert te “ranken in AI”

1. Stop met posities meten. Begin met frequenties meten. Voer elke gemonitorde prompt 30 tot 50 keer uit, op meerdere modellen, en rapporteer het vermeldingspercentage, niet de vermelding zelf. Een vermeldingspercentage van 60% wint het altijd van één enkele screenshot van de eerste plaats.
2. Optimaliseer het corpus, niet de pagina. Wat betrouwbaar geciteerd wordt, is het merk dat een dicht, gestructureerd en machineleesbaar bewijsdossier heeft opgebouwd in de bronnen waar modellen daadwerkelijk op trainen. Dat is een programma van meerdere kwartalen, geen aanpassing van een meta-tag.
3. Reken op herhaalde resets. Elke grote modelrelease is een zachte herschikking van de hele ruimte. Maak er een gewoonte van om na elke frontier-release opnieuw te meten, want de strategie die op het vorige model werkte, gaat niet volledig mee over naar het volgende.

SEO is niet dood. Het is alleen niet meer de enige fysica. Onder het LLM-antwoord zit nog steeds een corpus, en onder dat corpus zitten nog steeds autoriteit, actualiteit en structuur. Wat veranderd is, is dat er naast het oppervlak waar je vroeger voor optimaliseerde, de SERP, een tweede oppervlak is gekomen: een kansverdeling die je kunt bemonsteren, maar nooit volledig kunt aflezen. Behandel het zo, en het werk wordt weer eerlijk.