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 op dezelfde manier. Een pagina rankte of hij rankte niet. De output was een lijst die iedereen kon zien en die je elke dag opnieuw kon meten. Helemaal identiek was die lijst nooit, want locatie, apparaat en geschiedenis kleuren hem al jaren, alleen waren de verschillen klein genoeg om er een positie uit te halen. Die wereld verdwijnt niet, er komt een laag naast die volgens andere regels werkt. Een AI-antwoord is geen stabiel object. Het is een greep uit een kansverdeling: het model kiest bij elk antwoord opnieuw, en jouw merk zit wel of niet in die keuze. Veel van wat in 2026 “AI-optimalisatie” heet, is 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. Dat is de kern van de techniek en geen storing. Zelfs als je het model op zijn meest voorspelbare stand zet (temperature 0), geven twee productie-omgevingen zelden byte-identieke output. De oorzaak daarvan is subtieler dan vaak wordt geschreven: de rekenkernels op de GPU zijn niet batch-invariant. Hoeveel andere verzoeken er toevallig tegelijk met dat van jou in dezelfde batch zitten, verandert de volgorde waarin getallen worden opgeteld, en die minieme afrondingsverschillen kunnen net een ander woord bovenaan zetten. Daar komt routing over verschillende model-replica's nog bovenop.
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 probeert te optimaliseren is de kans dat het model je noemt in deze run, voor deze gebruiker, in deze modelversie. Hoe groot die instabiliteit is, verschilt per categorie, taal en model. Een variantie-analyse uit 2026 wijst 34,8% van alle variatie in merkvermeldingen toe aan het simpelweg herhalen van dezelfde prompt, en één leverancier vond bij drie herhalingen nog maar 2,2% identieke bronvermeldingen. Het beeld erachter is steeds hetzelfde: een kleine kern van merken, in de orde van 20%, komt bij herhaalde identieke prompts vrijwel altijd terug. 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 bronnen met veel gezag: Wikipedia, Reddit, Common Crawl, Stack Exchange, GitHub, grote nieuwsaggregators. Die 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 opdook in GPT-3.5, duikt niet vanzelf op in GPT-5.6. Wat naar boven kwam op Claude 3, komt niet per se naar boven op Claude 5. Elke release herschrijft stilletjes het speelveld: andere trainingsdata, andere post-training, andere alignment, andere standaardinstellingen voor retrieval. Een merk dat in de ene generatie het standaardantwoord was, kan in de volgende verdwijnen. Het tempo maakt dat scherper: OpenAI bracht in de eerste zeven maanden van 2026 vier nieuwe versies van GPT-5 uit.
Ter vergelijking: de grote core updates van Google worden aangekondigd, en de branche publiceert de verschuivingen bijna realtime. Lang niet elke wijziging wordt aangekondigd, maar er is wel een publiek gesprek over. Bij modelreleases ontbreekt dat. 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 heeft sinds augustus 2026 op alle plannen websearch beschikbaar en leunt daarnaast zwaar op zijn trainingsdistributie.
- 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. Een equivalent van “rank op Google” bestaat hier niet, want er is geen gedeelde index en geen gedeelde rankingfunctie. Er zijn vijf overlappende markten, en dat worden er meer, elk met eigen regels. Elke optimalisatiepoging moet dus kiezen in welke van die markten ze meespeelt.
5 · Personalisatie maakt het antwoord privé
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. Een SERP was een publiek artefact dat je kon meten, ook al week hij per locatie en per gebruiker wat af. Een AI-antwoord is een privé-artefact, geconstrueerd voor één gebruiker en één sessie. Er is geen canonieke ranking om naar te optimaliseren. Het dichtstbijzijnde equivalent is een verdeling over gepersonaliseerde antwoorden. Die verdeling kun je bemonsteren, aflezen met een tool kan niet.
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.
De reden is niet ingewikkeld: elke extra voorwaarde in de prompt sluit kandidaten uit. Hoe meer eisen er in de vraag zitten, hoe minder merken er nog aan voldoen. In de praktijk betekent dat dat de long-tail intentie die vroeger twintig verschillende SERP's opleverde, nu één of twee LLM-outputs wordt, waarbij de meeste merken de kans verliezen om überhaupt zichtbaar te worden.
Dat is het omgekeerde van de long-tail SEO-aanpak van de afgelopen vijftien jaar. Long-tail betekende 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.
De optelsom
Je rankt geen pagina's meer, je duwt aan kansverdelingen. 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:
| SEO (de SERP) | AI-antwoorden |
|---|---|
| Publieke lijst, voor iedereen vrijwel gelijk | Privé-antwoord, per gebruiker en sessie anders |
| Positie 3 is positie 3, meetbaar met een tool | Vermeldingskans, alleen te schatten door herhaald te meten |
| Algoritme-updates aangekondigd en publiek geanalyseerd | Modelreleases herschikken het speelveld in stilte |
| Long-tail: meer zoekwoorden, meer kansen | Long-tail: specifiekere prompt, smallere trechter |
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. Een positie garanderen kan niet. Wat overeind blijft ondanks de variantie, is het werk dat zich opstapelt in de data onder het antwoord. Zorg dat je in de bronnen waarop het volgende model traint daadwerkelijk het meest genoemde antwoord bent. Zorg dat je in elke retrieval-index staat. En zorg dat er genoeg bewijs over je merk circuleert om ook een lange, sterk ingeperkte prompt te overleven.
Kortetermijnwinst en kortetermijnverlies in AI-zichtbaarheid zijn allebei echt, en zeggen allebei in hun eentje weinig. Het wordt pas een strategie zodra je de verdeling ook als verdeling behandelt: herhaald meten, accepteren dat de uitkomst per run verschilt en sturen op het gemiddelde over veel runs.
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”
- Stop met posities meten. Begin met frequenties meten. Voer elke gemonitorde prompt herhaald uit en rapporteer het vermeldingspercentage. Besteed die runs wel verstandig: uit variantie-onderzoek blijkt dat de winst na ongeveer vijf herhalingen op hetzelfde model vrijwel op is, en dat spreiden over modellen en taalvarianten meer oplevert. 30 tot 50 runs verdeeld over ChatGPT, Gemini en Claude zeggen dus meer dan 50 runs op één model. Een vermeldingspercentage van 60% zegt bovendien meer dan een screenshot van één eerste plaats.
- 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.
- 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 vanzelf mee naar het volgende.
SEO blijft gewoon werken. Onder het LLM-antwoord zit nog steeds een corpus, en onder dat corpus zitten nog steeds autoriteit, actualiteit en structuur. Wat er veranderd is: naast het oppervlak waar je vroeger voor optimaliseerde, de SERP, is er een tweede oppervlak bij gekomen. Dat is een kansverdeling die je kunt bemonsteren en nooit volledig kunt aflezen. Wie het zo behandelt, meet iets dat klopt en stuurt op iets dat te beïnvloeden is.