Vergeet wat je weet over SEO: optimaliseer je merk voor LLM’s
De manier waarop mensen informatie zoeken en aankopen doen verandert in rap tempo. Waar we jarenlang vertrouwd waren op Google, zie je nu steeds vaker dat mensen hun vragen direct stellen aan AI-gebaseerde taalmodellen zoals ChatGPT, Gemini of Perplexity. Denk aan vragen als “Wat is de beste espressomachine onder €200?” of “Plan een betaalbaar weekendje weg”, de dialoog met een AI-assistent vervangt steeds vaker de klassieke zoekopdracht. Voor marketeers betekent dit: niet langer alleen optimaliseren voor zoekalgoritmes, maar je merk óók klaarstomen voor de AI-wereld.
De opkomst van “Share of Model”
Traditioneel keken marketeers naar merkbekendheid via:
- Share of Search: hoe vaak mensen zoeken op jouw merk versus concurrenten.
- Share of Voice: hoe vaak jouw merk wordt genoemd in media en op social.
Maar in de AI-wereld ontstaat een nieuwe maatstaf: Share of Model (SOM). Dat is het aandeel waarin een merk zichtbaar is in de antwoorden en aanbevelingen van grote taalmodellen. Met andere woorden: hoe vaak en hoe prominent verschijnt jouw merk in de output van een LLM? Hieronder in een matrix:
| Kenmerk | Share of Model | Share of Voice | Share of Search |
| Focus | AI-aanbevelingen en perceptie | Publieke conversatie | Privé zoekgedrag |
| Merkcontrole | Beperkt ( afhankelijk van AI) | Gemiddeld (via mediamix) | Hoog (SEO/SEA) |
| Belang | Stijgend (AI als poort tot aankoop) | Stagnerend (maar AI-beïnvloed) | Afnemend (verplaatsing naar AI) |
| Voorbeelden | ChatGPT, Gemini | Social media, nieuws | Google, Bing |
| Belangrijkste metrics | Mention rate, gemiddelde positie, merksentiment | Engagement, sentiment | Zoekvolume, ranking |
Wat zegt de AI over jouw merk?
Met geavanceerde tools—denk aan de door Jellyfish ontwikkelde SOM-platformen—kun je grootschalig meten hoe LLM’s jouw merk behandelen. Hierbij kijk je onder meer naar:
- Mention rate: hoe vaak een merk in de output van een LLM verschijnt.
- Human-AI awareness gap: het verschil tussen merkbekendheid bij mensen versus bij AI-modellen.
- Merksentiment en rationale: welke sterke en zwakke punten noemt de AI bij aanbevelingen?
Voorbeeld uit de praktijk
In Italië analyseerden we de wasmiddelenmarkt bij zes verschillende LLM’s. Ariel kreeg op het model Llama bijna 24 % mention rate, terwijl het op Gemini onder de 1 % bleef. Chanteclair schommelde van 19 % op Perplexity tot volledig afwezig op Llama. Zo zie je dat een merk dat níet voorkomt, simpelweg nooit in de dialoog met de consument verschijnt—een harde les voor wie blijft vertrouwen op oude SEO-trucjes.
De human-AI awareness matrix
Een handige tool om je strategie te bepalen is de Human-AI Awareness Matrix. Door merkbekendheid bij consumenten (bijvoorbeeld via YouGov) uit te zetten tegen LLM-bekendheid, ontstaan vier kwadranten:
- Cyborgs (hoog mens én hoog AI-bewustzijn)
Voorbeeld: Tesla, BMW. Deze merken domineren zowel in traditionele polls als in AI-antwoorden. - AI-pioniers (laag mens, hoog AI)
Voorbeeld: Rivian. Sterk in AI vanwege gefocuste content, maar nog relatief onbekend bij het grote publiek. - High-street heroes (hoog mens, laag AI)
Voorbeeld: Lincoln. Een gevestigde naam, maar door marketing-boodschappen die AI niet prikkelen, missen ze online zichtbaarheid. - Emergents (laag mens, laag AI)
Voorbeeld: Polestar. Risico op irrelevantie als je niet snel je digitale voetafdruk vergroot.
Zo vergroot je je zichtbaarheid bij LLM’s
Om hoger in de AI-aanbevelingen te eindigen, heb je een andere aanpak nodig dan traditionele SEO. Daarom hebben we een paar praktische tips voor je onder elkaar gezet, zoals Google het vroeger graag wilde en dat heeft AI overgenomen:
- Oplossingsgericht schrijven
– Niet “Wij verkopen hardloopschoenen”, maar “Ons carbon-platte tussenzoolontwerp verbetert je prestaties bij marathons.” - Wetenschappelijke en gerichte content
– Verwijs naar studies, reviews en keurmerken. LLM’s waarderen betrouwbare bronnen. - Context én gebruikssituaties
– Beschrijf hoe je product past in bredere scenario’s (“beste EV voor winterse omstandigheden”). - Gestructureerde gegevens
– Gebruik duidelijke lijsten, tabellen en bullets. AI-modellen lezen gestructureerde content makkelijker. - Tailor per model
– Elk taalmodel heeft zijn eigen voorkeur: Gemini let vooral op uniekheid, Perplexity waardeert flexibiliteit, ChatGPT zoekt lokale relevantie. Focus op de AI’s die jouw merkverhaal het beste versterken.
Conclusie
De verschuiving van zoekmachines naar AI-assistenten is geen technologische trend, maar een verandering in zoekgedrag van mensen. Van keyword naar advies, van market share naar problem-share. Speel je als merk hier goed op in, dan bouw je niet alleen aan naamsbekendheid, maar word je ook een onmisbare gesprekspartner in de algoritmische dialoog met je (potentiële) klant.
Aan de slag!
