I. De vraag die niemand stelt
Iedereen die met AI visibility bezig is, kijkt naar hetzelfde. Word ik geciteerd? Welke bronnen kiest het model? Hoe stuur ik die selectie?
Het is een logische vraag. Citaties zijn meetbaar. Tools tellen ze. Dashboards tonen ze. Je kan eraan werken.
Eerlijk gezegd: bias wordt wel besproken. Maar bijna uitsluitend als ethisch onderwerp. Gender, ras, politieke vertekening — daar is een hele literatuur over. Wat er nauwelijks bestaat is bias als marketingdiscipline. Als iets dat een merk kan beïnvloeden, op een tijdshorizon waar het mee kan plannen.
Een woordkeuze om bij stil te staan. Bias werkt als hook, maar is technisch niet het juiste woord voor wat ik in dit stuk bedoel. Bias suggereert vertekening — dat het model iets scheef ziet. Wat ik beschrijf is geen scheefheid. Het is voorkennis. ML-onderzoekers spreken over model priors of brand salience — wat het model bij voorbaat over merken geleerd heeft en hoe die zich verhouden tot categorieën. Vanaf hier in het stuk gebruik ik priors of gewoon voorkennis. De titel houdt het hook-woord. De rest probeert preciezer te zijn.
Want er zit een laag onder de citatievraag. Een laag die zich afspeelt voor het model een bron raadpleegt. Voor het beslist welke informatie relevant is. Voor er überhaupt iets opgehaald wordt.
Die laag bepaalt mee wie er aan de citatietafel mag zitten.
Voor het model begint te kiezen, heeft het al gekozen.
II. Twee mechanismen, één antwoord
Een AI-antwoord ontstaat uit twee mechanismen die door elkaar lopen.
Het eerste is retrieval. Op het moment van de vraag haalt het model bronnen op, kiest welke ervan relevant zijn, en weeft ze in een antwoord. Dit is wat citatietools meten. Recent, controleerbaar, beïnvloedbaar binnen weken.
Het tweede is wat het model “weet” voordat de vraag binnenkomt. Opgebouwd tijdens training, uit honderden miljarden tekstfragmenten waarin merken voorkomen, beschreven worden, vergeleken worden. Het model leert daaruit niet alleen feiten. Het leert ook gewicht. Welke merken vaak terugkomen bij bepaalde onderwerpen. Welke bronnen geloofwaardig zijn. Welke namen vanzelfsprekend horen bij welke categorie.
De twee mechanismen versterken elkaar. Een merk dat in trainingsdata sterk vertegenwoordigd is, wordt bij retrieval makkelijker als referentie gebruikt — het model “denkt” sneller aan dat merk wanneer het zoekt. Een merk dat tijdens training afwezig was, moet harder werken om opgepikt te worden.
Hoeveel harder, hangt af van het systeem. Bij moderne retrieval-first platformen zoals Perplexity, ChatGPT met zoekfunctie of Gemini compenseert sterke actuele zichtbaarheid voor een groot deel van wat ontbreekt in training. Het verschil is voelbaarder bij modellen die minder leunen op live bronnen, en bij vragen waar geen verifieerbaar antwoord bestaat.
Citatie is wat het model vandaag doet. Voorkennis is wat het gisteren al geleerd heeft.
III. Welk mechanisme weegt zwaarder? Het hangt af van de vraag.
De verhouding tussen beide mechanismen is niet vast. Ze schuift afhankelijk van wat de gebruiker vraagt — en niet primair afhankelijk van waar in de funnel hij zit.
De echte as is subjectiviteit. Hoe feitelijker de vraag, hoe zwaarder retrieval weegt. Hoe subjectiever de vraag, hoe zwaarder priors wegen.
Een feitelijke vraag — “wat is de huidige spaarrente bij die ene bank?” — vraagt om verifieerbare informatie. Het model gaat actief op zoek. Wie nu geciteerd wordt, staat in het antwoord. Priors spelen mee in welke bronnen überhaupt gecheckt worden, maar het zware werk is retrieval. Dit type vraag zit vaak onderin de funnel, maar niet altijd. “Wat zijn de beste warmtepompen in België?” lijkt op een oriëntatievraag, maar wordt vandaag zwaar gestuurd door actuele reviewsites — omdat het antwoord verifieerbaar is.
Een subjectieve vraag is anders. “Welke bank is goed voor een starter?” Geen vast antwoord. Het model leunt op wat het al weet. Welke merken het als sterke kandidaten beschouwt. Welke namen vanzelfsprekend opkomen bij dit soort vragen. Citatie is hier soms eerder garnering dan basis — een paar links die het antwoord ondersteunen dat het model toch al ging geven.
Dit raakt aan iets fundamenteels voor wie naar AI visibility kijkt vanuit een funnel-perspectief. Bovenin de funnel zijn vragen vaker subjectief — oriëntatie, ontdekking, eerste shortlist. Onderin de funnel zijn vragen vaker feitelijk — concrete vergelijkingen, prijzen, voorwaarden. De funnel correleert met de as subjectief–feitelijk, maar valt er niet mee samen.
Wat dat in de praktijk betekent: merken die top-of-funnel willen winnen, komen niet weg met alleen citatie-optimalisatie. De fase waarin shortlists worden gevormd, leunt zwaar op wat het model al wist toen de gebruiker zijn vraag stelde. En de fase waarin shortlists worden gevormd, is precies de fase die paid media probeert te bereiken en die je website moet voeden.
IV. Hoe voorkennis ontstaat
Voorkennis is geen mysterie. Het volgt patronen die door drie observaties beschreven kunnen worden.
Frequentie wint. Een merk dat vaker voorkomt in trainingsdata wordt eerder als referentie gebruikt — ook als het objectief niet beter is. AI-modellen schatten relevantie deels uit herhaling. Dit is geen oordeel over kwaliteit. Het is een gevolg van hoe statistisch leren werkt: wat vaker voorbijkomt, wordt sterker geassocieerd.
Autoriteit weegt. Niet alle bronnen tellen even zwaar. Een vermelding op Wikipedia, in gerenommeerde media, in encyclopedische platformen of in overheidsbronnen wordt door het model anders verwerkt dan een vermelding op een blog of forum. Niet omdat het model expliciet kiest, maar omdat zulke bronnen tijdens training vaker terugkomen als bron van waarheid en daardoor zwaarder doorklinken in wat het model als gezaghebbend opslaat.
Stilte is geen neutraliteit. Een merk dat afwezig is in trainingsdata wordt niet “geneutraliseerd”. Het wordt onzichtbaar. Het model heeft geen anker om je naam aan vast te maken, en kiest dan veiliger merken als referentie. Wie niet in het hoofd van het model zit, krijgt geen kans om uit dat hoofd te komen wanneer er een vraag wordt gesteld.
V. Waarom dit moeilijker is dan citatie
De vervelende waarheid: voorkennis laat zich niet repareren met een goede week aan content.
Trainingsdata is een momentopname die al gesloten is voor het model wordt vrijgegeven. De volgende training is maanden weg. Wat je vandaag publiceert, telt voor de volgende generatie — niet voor het model dat morgen je merk beoordeelt.
Dat is geen excuus om niets te doen. Het betekent wel dat de tijdshorizon anders ligt. Wie nu pas begint, bouwt voor wat het model over zes tot achttien maanden weet, niet voor wat het deze week zegt. Wie nu wacht tot er meetbare resultaten zijn, wacht structureel te lang.
De content die je vandaag publiceert, krijgt zijn echte werking wanneer een ander model wordt opgeleid.
VI. Wat je dan wél kan doen
Volume in plaats van perfectie. Voor priors telt herhaling zwaarder dan polijst. Een merk dat tien artikelen over één onderwerp publiceert, bouwt sterkere associatie op dan een merk met één perfect artikel. Niet platte herhaling — maar consistent terugkomen op je kernthema’s, vanuit verschillende invalshoeken, gedurende lange tijd.
Autoriteit voor je laten werken. Vermeldingen op bronnen die het model gezaghebbend behandelt wegen onevenredig zwaar in de opbouw van die voorkennis. Eén goed geplaatste vermelding op een platform dat hoog scoort in trainingsdata kan jaren aan eigen content evenaren. Daarom werkt PR niet meer als losse discipline naast SEO — het is een ingrediënt geworden van AI-zichtbaarheid.
Consistentie over tijd. Een merk dat drie jaar consistent over één thema schrijft, krijgt een dieper anker dan een merk dat acht thema’s tegelijk afdekt voor twee jaar. Specialisatie wint van breedte, zelfs wanneer de breedte op het oog interessanter lijkt. Het model leert vooral wat je bent door te zien wat je herhaalt.
VII. De som van twee mechanismen
Citatie en voorkennis zijn geen alternatieven. Ze zijn de twee assen waarop je AI-zichtbaarheid bestaat — en ze bewegen op verschillende tijdshorizonten.
Wie alleen op citatie focust, bouwt zichtbaarheid op zand. Het werkt op korte termijn, maar verwaarloost het onderliggende beeld dat het model van je opbouwt. Eén modelupdate kan dat fundament wegnemen.
Wie alleen op voorkennis focust, doet alsof de wereld stilstaat. Trainingscycli zijn traag, en intussen gebeurt er elke dag iets in retrieval dat je merk hier en nu zichtbaar of onzichtbaar maakt.
Het werk zit in beide tegelijk doen, met het besef dat ze op verschillende tijdshorizonten werken. Citatie voor de zichtbaarheid van vandaag. Voorkennis voor de zichtbaarheid van morgen. En het besef dat de fase waar de meeste oriëntaties vallen — subjectieve vragen, eerste shortlists, het moment voor het zoekgedrag — vooral door dat tweede mechanisme bepaald wordt.
Onderin de funnel telt wie geciteerd wordt. Bovenin telt wie het model al kende.
