Zo werken ChatGPT-advertenties straks waarschijnlijk, en dit zou ik als eerste testen

Er komt reclame in ChatGPT. Voor iedereen die zijn brood verdient met Google Ads is dat de interessantste verschuiving in jaren, en tegelijk de slechtst gedocumenteerde: OpenAI vertelt wel dát er advertenties komen, maar nauwelijks hoe de targeting werkt.

Ik heb daarom elk stukje OpenAI-documentatie doorgenomen dat met hun advertentieproduct te maken heeft: de ChatGPT-marketingpagina's, de partnerbrief, de policy-richtlijnen, de kleine lettertjes over Context Hints, de persberichten rond de preview-rollout en de pagina's die verstopt zitten in het developerdashboard. Dat hoef jij dus niet meer te doen. Niets daarvan legt echt uit hoe de targeting werkt. Wat volgt is mijn beste inschatting van het systeem, 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. Al het overige, zoals Context Hints, memories, 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. ChatGPT-advertenties zitten in een vroege previewfase en wanneer Nederlandse adverteerders er volwaardig mee aan de slag kunnen, is niet aangekondigd. De eerste AI-impact die je hier wél al voelt, is een andere: AI Overviews, ChatGPT Search en Perplexity vatten je website samen zonder dat er een klik volgt. Minder klikken, meer AI-antwoorden, minder traditionele GA4-sessies. Advertenties in de chat zelf zijn de logische stap daarna, en precies daarom wil je het targetingmodel begrijpen voordat het hier live gaat, niet erna.

Dit artikel is dus geen advies om morgen budget te verschuiven. Het is voorbereiding: 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, en je opgegeven interesses, locatie en accountgeheugens 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. Complexe second-price-wiskunde die overkomt als eerlijk, zonder dat per definitie te zijn. 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. Let wel: elke regel rechts is een hypothese uit dit artikel, geen aankondiging van OpenAI.

De parallel is geen toeval. Het veilingprincipe is beproefd en OpenAI heeft weinig reden om het wiel opnieuw uit te vinden. Wat nieuw is, is het signaal dat de relevantie bepaalt: niet een zoekopdracht van drie woorden, maar 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 keyword? Als het een harde voorwaarde is, keert de logica van B2B SaaS-targeting om: je optimaliseert niet meer op keywords, maar geeft 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. Financieel advies heeft expliciete contentregels en de meeste toezichthouders beschouwen belastingplanning als advieswerk. Veel policy-geflagde vragen worden ad-ineligible ongeacht de commerciële waarde. 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. Open vraag: hoe granulair is de geo-node? Alleen land, stad, buurt 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 buurtniveau 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: het overgrote deel van het ChatGPT-verkeer is niet commercieel.
2. Clusterclassificatie. Een kleine, snelle classifier (waarschijnlijk een gedistilleerd model, geen volledige forward pass door GPT-4-klasse weights) 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. Waarschijnlijk een klein scoringmodel dat rekening houdt met advertentietekst, landingspaginasamenvatting, Context Hints en clustermatchsterkte. Als memories aanstaan, voegen die hier ook een per-gebruikerssignaal toe.
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 het oppervlak en de vorm van het gesprek.

Wat "Context Hints" waarschijnlijk doen

De documentatie van OpenAI noemt Context Hints zonder ze goed uit te leggen. Mijn beste gok: Context Hints zijn door adverteerders aangeleverde tags die aangeven voor welke nodes hun advertenties in aanmerking moeten komen. Zie het als het moderne equivalent van negative keywords, match types en audience signals, samengeperst in één declaratieve interface.

Twee concurrerende hypothesen om in gedachten te houden, want de verkeerde verandert je campagnestructuur volledig.

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 neig naar (B). (A) creëert een wapenwedloop waarin elke adverteerder elke cluster claimt en het systeem verzandt in ruis. (B) houdt de inventory schoon, laat adverteerders betalen voor precisie, en past bij hoe Google zich de afgelopen tien jaar gestaag heeft ontwikkeld (weg van broad match, richting intentiegebaseerde doelgroepen). Maar dit is dé belangrijkste vraag om te testen zodra API-toegang opengaat. Het verkeerde antwoord verandert hoe je campagnes vanaf dag één structureert.

Vijf vragen die de documentatie niet beantwoordt

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

1. Zijn Context Hints het enige signaal dat de intent graph voedt, of staan ze naast advertentietekst en topische analyse van landingspagina's? Als alleen Context Hints tellen, is het hele spel het reverse-engineeren van de ontologie van OpenAI en het opgeven van de juiste hints. Als landingspagina's ook meetellen, blijven on-page SEO-signalen relevant en behoudt de bestaande contentstack zijn waarde.
2. Verbreden meer Context Hints de eligible veilingen, of versmallen ze die juist? Zie A versus B hierboven. Dit is waarschijnlijk de probe met de hoogste hefboomwerking om op dag één te draaien.
3. Wat voedt de relevantiescore? Volledige landingspaginatekst, advertentietekst, paginametadata, paginasamenvatting of alleen de clustermapping? Als het alleen clustermapping is, dan is werk aan tekst en landingspagina's zinloos: de veiling wordt stroomopwaarts beslist.
4. Worden gebruikersgeheugens gebruikt bij retrieval (adverteerders filteren) of alleen bij re-ranking (relevantie boosten)? Het eerste laat memories 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

Op ChatGPT-schaal (300 miljoen wekelijks actieve gebruikers, miljarden gespreksbeurten per maand) is het draaien van 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. Minder toevallig, veel goedkoper, beter controleerbaar. OpenAI optimaliseert voor lage kosten en controleerbaarheid, zeker in een product dat ze aanvankelijk niet wilden uitbrengen en waarbij 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 zullen gaan over de veilingmechanica en de clusterclassifier, niet over de weergave van advertenties.
2. De ads-API-bèta. Zodra API-toegang opengaat, worden gestructureerde testjes mogelijk, in het vak heten die probes. Geef een Context Hint op, draai synthetische gesprekken, observeer welke nodes oplichten. Reken op een paar weken werk om het oppervlak voldoende in kaart te brengen om intelligent te kunnen bieden.
3. Het adverteerdersdashboard. Als ze een categoriekiezer uitbrengen 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 op dag één van toegang 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 (goed nieuws, je opgegeven targeting is stabiel). Zo nee, dan telt oppervlakteformulering en komt exact-match-achtige optimalisatie terug.
2. Context Hint count probe. Draai een campagne met één hint, dan 5, dan 20. Meet impressies en CTR bij elke stap. Monotoon omhoog, monotoon omlaag of U-vormig? Beantwoordt Hypothese A versus B.
3. Memory-probe. Dezelfde vraag, twee accounts, één met opgegeven voorkeuren in memory ("ik geef de voorkeur aan Europese merken"). Verschillen de vertoonde advertenties? Dat vertelt je of memories 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 campagnes, 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 / versheid. Krijgen advertenties gekoppeld aan seizoensgebonden evenementen ("Black Friday," "Memorial Day weekend," "Sinterklaas") 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, niet 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 geen keywords, maar onderwerpen.
2. Topische dichtheid van landingspagina's blijft belangrijk totdat het tegendeel bewezen is. Zelfs als Context Hints het primaire signaal zijn, kan een gerichte landingspagina op zijn minst geen kwaad doen en voedt die waarschijnlijk de relevantiescore. Je bestaande SEO-contentstack blijft meetellen, alleen op een andere manier gekoppeld.
3. Maak een clustermap van je concurrentieveld. Wie is er nog meer plausibel aan jouw cluster gekoppeld? Zij zijn je concurrenten in de veiling, niet je concurrenten op Google. Ander gevecht, andere rangschikking, andere biedeconomie.

Voor wie is dit nu interessant, en voor wie nog niet?

Nu al interessant: adverteerders met serieuze omzet uit Google Ads en een internationale of Engelstalige doelgroep, bureaus die klanten hierop moeten voorbereiden, en SaaS-bedrijven waarvan de doelgroep ChatGPT nu al om aanbevelingen vraagt. Voor hen loont het om de clustermap en de acht tests hierboven klaar te hebben liggen voordat de API opengaat.

Nog niet: de bakker, de fysiopraktijk, de loodgieter en de kleine Nederlandse webshop. Voor hen blijft Google de plek waar de klanten zitten, en het loodgietersvoorbeeld hierboven laat zien dat de levensvatbaarheid voor lokale adverteerders volledig afhangt van een geo-granulariteit die nog niemand kent. Daar nu tijd in steken is speculeren op een systeem dat er voor jouw markt misschien pas over jaren toe doet.

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 ik land

Totdat OpenAI de architectuur publiceert of iemand deze via API-toegang reverse-engineert, blijft dit neerkomen op reverse engineering vanuit de documentatie en economische logica. Elke bewering hier is "beste gok tot het tegendeel bewezen is." Maar gissen is goedkoop; de campagnes die erop gebouwd worden, zijn dat niet. Daarom moet de testinfrastructuur er eerst zijn.

Ik bouw probes. Zodra de toegang opengaat, draai ik de acht tests hierboven en publiceer ik de resultaten. Sommige hypothesen zullen onjuist blijken. De hypothesen die overeind blijven, zijn de bouwstenen voor onze campagnes de komende jaren. Mijn inschatting is dat intent-graph-veilingen binnen chat geen experiment zijn maar een blijvende laag naast Google: een deel van de commerciële vragen verschuift zichtbaar richting chatinterfaces, en de advertentiebudgetten verschuiven mee met die vragen.