ChatGPT-advertenties: hoe het targetingmodel waarschijnlijk werkt, en acht tests voor je eerste campagne

Sinds eind augustus 2026 zien Nederlandse ChatGPT-gebruikers advertenties. OpenAI zette het advertentieprogramma die week open in 31 Europese landen, een half jaar na de Amerikaanse start in februari. Voor iedereen die zijn brood verdient met Google Ads is dat de interessantste verschuiving in jaren, en tegelijk de slechtst gedocumenteerde: OpenAI beschrijft de knoppen waar je aan mag draaien, maar niet het systeem dat daaronder bepaalt welk gesprek bij welke adverteerder hoort.

Ik heb daarom elk stukje OpenAI-documentatie doorgenomen dat met het advertentieproduct te maken heeft: het Help Center over ad groups en context hints, de policy-richtlijnen, de partnerbrief, de persberichten rond de Amerikaanse start en de Europese uitrol, en de pagina's die verstopt zitten in het adverteerdersdashboard. Dat hoef jij dus niet meer te doen. Er staat meer in dan een jaar geleden, maar het interessantste deel ontbreekt nog steeds: hoe een lopend gesprek wordt vertaald naar een verzameling adverteerders die mogen bieden. Wat volgt is mijn beste inschatting van dat deel, gebaseerd op wat OpenAI wel zegt, wat ze bewust niet zeggen, en wat economisch logisch is voor een veiling die moet draaien binnen een chat completion op ChatGPT-schaal.

De hypothese in één zin

OpenAI bouwt een topical intent graph: een onderwerpenkaart die gesprekken waarin advertenties getoond mogen worden (in de documentatie heten die ad-eligible) clustert per intentie. Adverteerders worden aan die clusters gekoppeld, en telkens wanneer een gesprek matcht met een knooppunt (een node) dat zowel commercieel waardevol als policy-eligible is, draait er een relevance-weighted second-price auction: een veiling waarin de winnaar net genoeg betaalt om de nummer twee te verslaan, gewogen naar relevantie. Dat laatste deel is inmiddels geen gok meer. OpenAI beschrijft de veiling zelf als relevantie-gewogen tweede prijs en zegt er expliciet bij dat relevantie zwaarder weegt dan de hoogte van het bod. De onderwerpenkaart eronder is wel mijn invulling. Al het overige, zoals context hints, personalisatiesignalen, advertentieteksten en landingspagina's, is een signaal dat ofwel de ophaalstap (retrieval) ofwel de herordeningsstap (re-ranking) voedt.

Eerst even nuchter: wat betekent dit voor Nederlandse adverteerders?

Voordat je hier budget of bouwuren in stopt, het realistische beeld: Google Search blijft in Nederland nog jaren het hoofdkanaal voor webshops, lokale bedrijven, zorg, verzekeringen en B2B. Het ChatGPT-programma is hier net open. Bij de Europese start liep inkoop via het Ads Solutions-team van OpenAI, bureaupartners en technologiepartners; zelfbediening via Ads Manager volgt later. Advertenties verschijnen bovendien alleen bij gebruikers van de gratis en de goedkoopste betaalde variant, dus een deel van de koopkrachtige gebruikers zie je er nooit. De AI-impact die je hier al langer voelt is een andere: AI Overviews, ChatGPT Search en Perplexity vatten je website samen zonder dat er een klik volgt. Het antwoord komt bij de gebruiker aan, de sessie in GA4 niet. Advertenties in de chat zelf zijn de logische stap daarna, en precies daarom wil je het targetingmodel begrijpen voordat je er budget in stopt.

Dit artikel is bedoeld als voorbereiding, niet als advies om morgen budget te verschuiven. Als je snapt hoe het systeem waarschijnlijk werkt, weet je welk voorwerk nu al nut heeft en wat rustig kan wachten. Aan het eind kom ik daarop terug.

De metafoor van de supermarkt

Dit is de duidelijkste manier om erover na te denken. Je loopt een supermarkt binnen en gaat naar de groente- en fruitafdeling. Iedereen in dat gangpad, ongeacht waar ze precies naar op zoek zijn, hoort bij de "groente en fruit"-intentcluster. De winkel hoeft nog niet te weten dat jij specifiek naar meloen zoekt. De bredere cluster is voldoende om elke groente- en fruitleverancier in aanmerking te laten komen voor jouw aandacht.

Nu vraag je bij de delicatessenbalie: "hoe weet ik of een meloen rijp is?" Die deelvraag wordt gekoppeld aan een dieperliggende node: "meloenen / shopping signals." Honingdauw-, watermeloen- en cantaloupemeloenleveranciers komen nu allemaal in aanmerking om te bieden op jouw impressie. Elk van hen heeft andere teksten, een ander bod en een andere relevantie voor precies die micro-vraag. Wie het gesprek het beste matcht en genoeg betaalt, wint de plek.

Vertaal dat terug naar ChatGPT: "groente en fruit" is je topcluster, "meloenen / shopping signals" is de leaf node, het fijnste knooppunt onderin de kaart. De gesprekscontext bepaalt hoe je tussen lagen wordt doorgesluisd. Locatie en, als advertentiepersonalisatie aanstaat, signalen uit je bredere ChatGPT-gebruik fungeren als tiebreakers.

De veiling: een uitgewerkt voorbeeld

Laten we de veiling doorrekenen met drie in aanmerking komende adverteerders die concurreren om de cantaloupemeloen-shopper.

Cantaloupe Hub wint de impressie. Hun advertentietekst en landingspagina waren de beste topische match met de vraag. Ze boden een euro minder dan Honeydew Co, maar de relevantiemultiplier woog zwaarder dan de bodpremie. Ze betalen precies genoeg om de effectieve rank van Honeydew Co (€2,80) te overtreffen, gedeeld door hun eigen relevantiescore (0,95): €2,80 / 0,95 = €2,95 per klik. Merk op wat dat betekent: je prijs hangt af van de ad rank van de nummer twee, niet van je eigen bod. Wie boven je zit met een slechte relevantiescore maakt je duur, wie boven je zit met een goede score juist niet. Het principe is herkenbaar uit Google Ads circa 2008. Het nieuwe zit in wat die relevantiescore bepaalt.

Van Google Ads naar ChatGPT: de vertaaltabel

Voor wie dagelijks in Google Ads werkt, is dit de snelste manier om het model te plaatsen. De eerste vier regels rechts komen uit de documentatie van OpenAI, de vijfde en zesde beschrijven wat er juist ontbreekt.

Twee kanttekeningen. De formule links is de Google van 2008: tegenwoordig telt Google in Ad Rank ook drempelwaarden, de context van de zoekopdracht en de verwachte bijdrage van je assets mee, dus het is allang geen kale vermenigvuldiging meer. En de parallel is geen toeval: het veilingprincipe is beproefd en OpenAI heeft weinig reden om het wiel opnieuw uit te vinden. Wat wel verandert is het signaal dat de relevantie bepaalt. Vroeger was dat een zoekopdracht van drie woorden. Nu is het een volledig gesprek met context, voorkeuren en vervolgvragen.

Vijf uitgewerkte voorbeelden uit verschillende categorieën

Naast boodschappen komen dezelfde mechanismen in andere vormen terug. Elk voorbeeld belicht een ander onderdeel van het targetingmodel. Dit zijn de cases die ik als eerste zou willen onderzoeken.

1. Reizen: "beste hotels in Lissabon voor solo travelers onder €120"

• Topcluster: reizen / accommodatie
• Subcluster: stadsspecifieke accommodatie > Lissabon > budget-middensegment
• In aanmerking komende adverteerders: Booking.com, Hostelworld, Airbnb en niche solo-travelplatforms

Het prijsfilter (€120) versmalt de cluster waarschijnlijk verder. Een platform dat vooral luxehotels aanbiedt, heeft lagere relevantie, ook al biedt het hoger. Open vraag: begrijpt ChatGPT het prijsfilter als een relevantiesignaal of alleen als een contentfilter op de responstekst? Als het alleen de zichtbare respons filtert, blijven alle hotelketens in aanmerking komen ongeacht prijssegment en wordt bieden puur een kwestie van brute kracht.

2. B2B SaaS: "beste CRM voor een team van 20 verkopers"

• Topcluster: software / CRM
• Subcluster: SMB-verkooptools > minder dan 50 seats
• In aanmerking komende adverteerders: HubSpot, Pipedrive, Close, Folk, Attio, waarschijnlijk niet Salesforce (enterprise-gecodeerd)

De kwalificatie "20 personen" zou de relevantie van HubSpot en Pipedrive omhoog moeten stuwen, Salesforce moeten laten wegvallen en Folk en Attio naar boven moeten laten komen als zij SMB-clusters hebben opgegeven. Open vraag: wordt het aantal seats uit het gesprek geparst als harde voorwaarde of gewoon als extra signaal? Als het een harde voorwaarde is, keert de logica van B2B SaaS-targeting om: in plaats van op keywords te optimaliseren geef je aan dat je "teams van X tot Y bedient."

3. Finance: "is een Roth IRA het waard op je 35e"

• Topcluster: persoonlijke financiën / pensioen
• Subcluster: fiscaal voordelige rekeningen > Roth-specifiek
• In aanmerking komende adverteerders: Fidelity, Vanguard, Robinhood, M1 en niche pensioenplatforms

Dit is de cluster waar de policy-gate het hardst toeslaat. Financiële producten hebben eigen contentregels en persoonlijk toegesneden advies valt daar in veel markten onder. Een deel van dit soort vragen wordt daardoor ad-ineligible, hoe commercieel waardevol ze ook zijn. Open vraag: waar ligt precies de eligibility-grens? "Is een Roth IRA het waard op je 35e" is mogelijk ad-eligible (educatief), maar "moet ik mijn traditionele IRA omzetten naar Roth dit jaar gezien mijn inkomen van $180k" triggert mogelijk een policy-blokkade (specifiek persoonlijk advies).

4. Mode: "wat draag je als man naar een strandbruiloft"

• Topcluster: kleding / gelegenheden
• Subcluster: gelegenheidskleding > strandbruiloft-man
• In aanmerking komende adverteerders: J.Crew, Banana Republic, Bonobos, ASOS en Mr Porter

Een sterk visuele cluster. Advertentietekst alleen bepaalt de relevantie waarschijnlijk niet. Wiens landingspagina de meeste topische dichtheid heeft rond "strandbruiloft", wint, mogelijk met beeldmateriaal van categoriepagina's dat ook meeweegt. Open vraag: ziet de relevance scorer ook beeldcontent (CLIP-achtige multimodale scoring) of alleen tekst? Als het alleen tekst is, verslaat een merk met een toegewijde "Beach Wedding Edit"-landingspagina een merk met hetzelfde assortiment verspreid over de navigatie.

5. Lokale diensten: "beste loodgieter in Amsterdam Oost voor een spoedlek"

• Topcluster: thuisdiensten / spoed
• Subcluster: loodgieterswerk > Amsterdam > spoed
• In aanmerking komende adverteerders: regionale serviceaggregatoren, lokale loodgieters met self-service advertentieaccounts, marktplaatsen zoals Werkspot of Thumbtack

Geo, urgentie en entiteitsmatching moeten allemaal samenwerken. OpenAI heeft geo-targeting inmiddels toegevoegd, maar hoe fijn het raster in Nederland is, staat nergens beschreven. Open vraag: gaat de geo-node tot land, stad, wijk of postcode? Als het bij stad stopt, concurreren lokale loodgieters in Amsterdam Oost met iedereen in Groot-Amsterdam, inclusief de grotere franchises met een dikkere portemonnee, en krijgt de kleine zelfstandige nooit een vertoning. Als het tot wijkniveau gaat, heeft de kleine zelfstandige ineens een reële kans.

Het verloop: van gesprek tot vertoonde advertentie

Als we de onderdelen samenvoegen, ontstaat het verloop dat ik voor elke ad-eligible beurt zou verwachten.

1. Gesprek komt binnen. Het model parseert op commerciële intentie. De meeste beurten worden hier al uitgefilterd: veruit het meeste ChatGPT-verkeer heeft geen koopintentie.
2. Clusterclassificatie. Een kleine, snelle classifier (waarschijnlijk een gedistilleerd model, geen volledige forward pass door een groot frontier-model) wijst de beurt toe aan een of meerdere nodes in de intent graph. Multi-label is mogelijk: "beste Italiaanse restaurants in Amsterdam voor een date" beslaat eten, gelegenheid en geo.
3. Policy-gate. Sommige nodes worden volledig geblokkeerd (specifiek medisch advies, bepaalde financiële producten, gereguleerde categorieën per regio). Andere hebben strengere relevantiedrempels: je mag wel vertonen, maar alleen als de relevantiescore over een hogere lat springt.
4. Retrieval. Alle adverteerders gekoppeld aan de matchende node(s) worden opgehaald. Hier wint graph traversal het van vector embedding lookup: "adverteerders gekoppeld aan node X" is een O(1) index lookup in een set van een paar honderd tot een paar duizend records. Embedding similarity over miljoenen advertiser-landingspagina's is meerdere ordes van grootte duurder op ChatGPT-schaal.
5. Re-ranking. Elke opgehaalde adverteerder wordt gescoord op relevantie voor het specifieke gesprek. OpenAI noemt hier vier signalen bij naam: de context en intentie van het lopende gesprek, de landingspagina, de titel en tekst van de advertentie, en de context hints van de adverteerder. Staat advertentiepersonalisatie aan, dan komt daar een per-gebruikerssignaal bij.
6. Veiling. De top N adverteerders (waarschijnlijk top 5 tot 10) gaan de second-price auction in. Bod × relevantie = ad rank. Hoogste ad rank wint.
7. Weergave. De winnaar wordt getoond als een gesponsorde respons, productkaart of inline citatie, afhankelijk van de plek in de interface en de vorm van het gesprek.

Wat context hints wel en niet doen

Context hints zijn het dichtste dat ChatGPT bij een keyword komt, en precies daarom worden ze het meest verkeerd begrepen. In de documentatie zijn het beschrijvingen in gewone taal, opgegeven op ad group-niveau, van de gesprekken, onderwerpen en situaties waarin jouw product relevant is. OpenAI zegt er drie dingen bij die je campagnestructuur bepalen: het zijn geen exact-match keywords, het zijn geen doelgroepregels, en ze garanderen niet dat je advertentie in een specifiek gesprek verschijnt. In mijn model zijn hints dus de manier waarop jij aangeeft aan welke nodes je gekoppeld wilt worden, waarna het systeem zelf beslist welke gesprekken daar dicht genoeg bij liggen.

Tot die documentatie er was, lagen er twee hypotheses op tafel. Ik zet ze hier neer omdat je de tweede nog geregeld in vakartikelen tegenkomt.

1. Hypothese A: hints verbreden eligibility. Hoe meer hints je opgeeft, hoe meer nodes je matcht. Zo werkte naïeve keyword-targeting altijd, meer keywords = breder bereik.
2. Hypothese B: hints versmallen eligibility. Hints werken als filters waaraan het gesprek moet voldoen voordat je advertentie in aanmerking komt. Meer hints = preciezere targeting en lager volume.

Ik neigde naar (B), en dat was mis. De formulering van OpenAI staat dichter bij (A) met een rem erop: hints wijzen de weg, ze sluiten niets uit. Meer hints betekent dus meer gesprekken waarvoor je in aanmerking komt, en de relevantiescore blijft bepalen of je ook echt vertoond wordt. Dat maakt de praktische vraag alleen maar dringender. Waar ligt het punt waarop een extra hint je gemiddelde relevantie zo verdunt dat je vertoningen kwijtraakt in plaats van erbij krijgt? Dat is empirisch, en het antwoord verschilt per categorie.

Vijf vragen die de documentatie nog openlaat

Ik zet ze op een rijtje zodat ik ze op volgorde kan onderzoeken, gerangschikt naar hoeveel ze de campagnearchitectuur veranderen.

1. Hoe zwaar weegt de landingspagina ten opzichte van de hints? Beide staan in de documentatie als signaal, de verhouding niet. Als de hints domineren, is het hele spel het reverse-engineeren van de ontologie van OpenAI. Als de landingspagina zwaar meetelt, behoudt je bestaande contentstack zijn waarde en telt on-page werk gewoon door.
2. Waar slaat het toevoegen van hints om van winst naar verlies? Eén hint per ad group houdt je relevantie hoog en je bereik klein; twintig hints doen het omgekeerde. De curve daartussen is nergens beschreven en is waarschijnlijk de test met de hoogste hefboomwerking.
3. Wat leest het systeem van je landingspagina? Volledige tekst, alleen metadata, een samenvatting, of ook beeld? Dat bepaalt of een aparte landingspagina per gespreksframe loont of dat een goede categoriepagina volstaat.
4. Worden personalisatiesignalen gebruikt bij retrieval (adverteerders filteren) of alleen bij re-ranking (relevantie boosten)? Het eerste laat gebruikersvoorkeuren adverteerders volledig uitsluiten; het tweede herschikt alleen de kandidatenset. Verschillende implicaties voor hoe gepersonaliseerd het systeem daadwerkelijk is.
5. Hoe dicht is de intent graph? Een paar honderd nodes (de AdWords-categorieboom van 2008) of honderdduizenden (iets dichter bij een knowledge graph)? Dichtheid bepaalt hoe granulair je opgegeven targeting kan zijn.

Waarom een graph en geen embeddings

OpenAI becijferde de eigen schaal in februari 2026 op 900 miljoen wekelijks actieve gebruikers en ruim 2,5 miljard berichten per dag. Op die schaal is een vector similarity search over miljoenen advertiser-embeddings bij elke ad-eligible beurt oneconomisch, zelfs met kwantisatie en FAISS-indexen. Een graph traversal is minstens een orde van grootte goedkoper: "geef me iedereen gekoppeld aan node X" is één index hit.

De afweging: embeddings zouden elke advertiser-landingspagina vindbaar maken via topische gelijkenis zonder expliciete opgave. Graphs vereisen dat adverteerders opgeven aan welke clusters ze gekoppeld zijn, via context hints, categorieselectie of programmatische taxonomieën. Dat kost minder en is beter te controleren, ten koste van de toevalstreffers die je zelf nooit had opgegeven. OpenAI optimaliseert voor lage kosten en controleerbaarheid, zeker in een product waarvan ze lang zeiden het niet te willen bouwen en waar de marge positief moet blijven.

Een hybride vorm is ook aannemelijk. Graph voor retrieval, een embedding scorer voor re-ranking binnen de kandidatenset. Dat is de architectuur die ik zou bouwen als ik in hun schoenen stond, en het past bij het kostenprofiel: retrieval is O(1) per node, scoring is O(N) waarbij N klein is (5 tot 50 kandidaten per veiling).

Waar ik op let

Drie dingen staan de komende maanden op mijn radar.

1. Patenten. OpenAI dient ze in. De systeemarchitectuur zal uiteindelijk eerder via patentclaims lekken dan via een blogpost. De interessante aanvragen gaan over de veilingmechanica en de clusterclassifier, niet over de weergave van advertenties.
2. Zelfbediening in Ads Manager. Zolang inkoop hier via het Ads Solutions-team en partners loopt, kun je slecht systematisch testen. Zodra de zelfbedieningsomgeving in Nederland opengaat, worden gestructureerde testjes mogelijk, in het vak heten die probes. Geef een context hint op, draai synthetische gesprekken, observeer wat er oplicht. Reken op een paar weken werk om het oppervlak voldoende in kaart te brengen om intelligent te kunnen bieden.
3. De categoriekiezer in het dashboard. Als er een keuzelijst verschijnt die verdacht veel op een onderwerptaxonomie lijkt, dan is dat de ontologie. Vergelijk met IAB Tier 2 / Tier 3-categorieën: dat is het meest waarschijnlijke startpunt.

Acht tests die ik in de eerste campagneweek zou draaien

Concrete probes, gerangschikt naar hefboomwerking. Elke test isoleert één variabele.

1. Zelfde intentie, andere formulering. "Beste CRM voor een klein team," "welke CRM moet ik kiezen voor mijn verkooporganisatie van 20 personen," "Pipedrive of HubSpot." Triggeren alle drie dezelfde adverteerders? Zo ja, robuuste intentie-extractie, en dan is je opgegeven targeting stabiel. Zo nee, dan telt oppervlakteformulering en komt exact-match-achtige optimalisatie terug.
2. Aantal context hints. Draai een ad group met één hint, dan 5, dan 20. Meet impressies en CTR bij elke stap. Monotoon omhoog, monotoon omlaag of U-vormig? Dit is de curve uit vraag 2 hierboven.
3. Personalisatieprobe. Dezelfde vraag, twee accounts, één met advertentiepersonalisatie aan en opgegeven voorkeuren ("ik geef de voorkeur aan Europese merken"). Verschillen de vertoonde advertenties? Dat vertelt je of die signalen filteren of alleen herschikken.
4. Negatieve ruimte in kaart brengen. Vind de categorieën die policy-ineligible zijn. Breng de grens in kaart. Dat is nuttig om verspilde biedingen te vermijden, en om de plekken te vinden waar concurrenten nog niet doorhebben dat de grens is verschoven.
5. Geo-granulariteit. "Beste tandarts in de buurt" met verschillende IP-locaties, gevarieerd op land, stad en postcode. Volg op welk niveau de veiling reageert. Dat bepaalt de levensvatbaarheid van lokale adverteerders.
6. Merkexclusiviteit. Bied op de merknaam van een concurrent. Staat de intent graph dit toe (vrij spel, zoals Google) of filtert het dit op clusterniveau eruit (meer zoals de strakkere controles van Apple Search Ads)? Dat beïnvloedt of je merkverdedigingsbudget nodig hebt.
7. Advertentietekst versus landingspagina-gewicht. Twee ad groups, identieke hints, uiteenlopende teksten en landingspagina's. Welk signaal domineert de relevantiescore? Dat vertelt je waar je je content-inspanningen op moet richten.
8. Recentheid en seizoen. Krijgen advertenties gekoppeld aan seizoensmomenten ("Black Friday," "Sinterklaas," "de zomeruitverkoop") een relevantieboost binnen het bijbehorende venster? Dat bepaalt of tijdgebonden campagnes een multiplier verdienen of gewoon de basisrelevantie erven.

Hoe dit het werk verandert

Drie dingen veranderen voor adverteerders als het bovenstaande model ongeveer klopt.

1. Behandel intentie als een graph in plaats van als een keywordlijst. Koppel je producten aan de 5 tot 10 gespreksframes waar ze thuishoren. Elk frame is een node-kandidaat. Laat de obsessie met long-tail keywords los: het systeem indexeert onderwerpen.
2. Topische dichtheid van landingspagina's blijft belangrijk totdat het tegendeel bewezen is. OpenAI noemt de landingspagina zelf als een van de signalen achter de relevantiescore, dus een gerichte pagina per gespreksframe is verdedigbaar werk. Je bestaande SEO-contentstack telt mee, alleen op een andere manier gekoppeld.
3. Maak een clustermap van je concurrentieveld. Wie is er nog meer plausibel aan jouw cluster gekoppeld? Dat zijn je concurrenten in deze veiling, en die lijst wijkt af van je Google-veilinginzichten. Andere partijen, een andere rangschikking, een andere biedeconomie.

Wie hier deze maand al iets aan heeft

De Nederlandse inventaris is een paar dagen open, dus de vraag is niet langer theoretisch. Voor adverteerders met serieuze omzet uit Google Ads, bureaus die klanten hierop moeten voorbereiden en SaaS-bedrijven waarvan de doelgroep ChatGPT nu al om aanbevelingen vraagt, loont het om de clustermap en de acht tests hierboven klaar te hebben liggen zodra de inkoopdrempel zakt.

Voor de bakker, de fysiopraktijk, de loodgieter en de kleine webshop ligt dat anders. Zolang inkoop via partners loopt en de geo-granulariteit in Nederland onbekend is, weet je niet eens of je vertoningen in je eigen wijk kunt krijgen. Voor hen blijft Google voorlopig de plek waar de klanten zitten.

De realistische eerste stap kost geen mediabudget: breng in kaart aan welke 5 tot 10 gespreksframes jouw producten gekoppeld zouden zijn, en zorg dat je per onderwerp één landingspagina hebt met hoge topische dichtheid. Dat werk verbetert vandaag al je Google-resultaten en je zichtbaarheid in AI-antwoorden, en is straks je startpunt voor context hints. Voorbereiding die je nooit hoeft weg te gooien, hoe de targeting ook blijkt te werken.

Waar dit op uitkomt

OpenAI documenteert inmiddels de veiling en de signalen die erin gaan. De laag daartussen, de manier waarop een gesprek op een verzameling adverteerders wordt afgebeeld, blijft afgeschermd. Zolang dat zo is, blijft dit deel van het artikel reverse engineering vanuit documentatie en economische logica, en is elke bewering hier "beste gok tot het tegendeel bewezen is." Gissen kost niets, de campagnes die je erop bouwt wel. Daarom moet de testinfrastructuur er eerst zijn.

Ik bouw probes. Zodra de inkoop hier soepel genoeg loopt om te kunnen experimenteren, draai ik de acht tests hierboven en publiceer ik de resultaten. Sommige hypothesen zullen onjuist blijken, zoals hypothese B hierboven al is gesneuveld. De hypothesen die overeind blijven, zijn de bouwstenen voor onze campagnes de komende jaren. Mijn inschatting is dat intent-graph-veilingen binnen chat een blijvende laag naast Google worden: een deel van de commerciële vragen verschuift zichtbaar richting chatinterfaces, en de advertentiebudgetten verschuiven mee met die vragen.