Schaduwreputatie: de AI-versie van jouw merk is zonder jou gebouwd

Stel: een potentiële klant vraagt ChatGPT naar jouw bureau. Of jouw product. Of jouw dienst. Het antwoord is niet wat jij hebt geschreven, maar wat anderen over jou hebben geschreven: reviewers, journalisten, forumgebruikers, concurrenten, oud-medewerkers. Samengevat door een model dat geen onderscheid maakt tussen wat klopt en wat niet klopt.

Jij was er niet bij. Jij hebt het niet gezien. Maar de klant denkt dat het klopt. En jij weet niet eens dat het gebeurd is. Dat is wat ik schaduwreputatie noem en het overkwam Seer Interactive op een manier die laat zien hoe makkelijk dit misgaat.

De Seer-case: hoe één klacht acht jaar later hun merkverhaal negatief beïnvloedde

Seer Interactive is een digitaal bureau uit Philadelphia, opgericht in 2002. Hun teamretentie is 79,2%. Hun klantretentie is 92%. De langstlopende klantrelatie bestaat al veertien jaar. Acht oud-medewerkers hebben Seer later ingehuurd vanuit hun nieuwe organisaties: op zichzelf al een kwaliteitssignaal.

Een paar maanden geleden ontdekten ze dat één op de drie branded AI-zoekopdrachten een negatieve uiting over het bedrijf bevatte. Als de goeie online marketeers die ze zijn, zijn ze erin gedoken om de bron te achterhalen. Het voerde terug naar één enkele klacht uit 2018, geplaatst door één persoon, en dan vervolgens gekopieerd naar vijf Amerikaanse review sites – van vrij lage kwaliteit overigens. Het soort reviewsites waar ze tot nu toe altijd hun neus voor ophaalden.

De taalmodellen die Seer in de gaten hield (Perplexity, ChatGPT, Claude) herkenden de letterlijke kopieën niet als kopieën van elkaar: ze zagen vijf bronnen die dezelfde claim maakten alsof het vijf onafhankelijke bevestigingen waren.

Eén geïsoleerde klacht van acht jaar geleden, gekopieerd naar een handvol directories van lage kwaliteit, woog zwaarder dan 24 jaar verifieerbare klantrelaties.

Of ja, eigenlijk toch niet zo goed verifieerbaar. En dat is hier juist het probleem.

Wil Reynolds, oprichter van Seer, beschreef het mechanisme:

When a LLM sees the same claim on multiple sites, it doesn’t flag it as potentially duplicated. It reads it as corroboration.

Dit is (deel van) het probleem dat ik in dit artikel wil uitleggen. Ik noem het schaduwreputatie (shadow reputation): de interne representatie die een taalmodel heeft gevormd van jouw merk op basis van het volledige open web. Niet het merk dat jij hebt gebouwd. Het merk dat anderen hebben beschreven en wat taalmodellen er vervolgens van gemaakt hebben. Het beïnvloeden van die schaduwreputatie noem ik SchaduwReputatieManagement (SRM).

Het is een schaduw omdat het niet je reputatie zelf is, maar een afgeleide ervan. Je reputatie is wat anderen over je zeggen als je weg bent. En taalmodellen maken daar sowieso iets van, ongeacht of het klopt of niet. Hallucinaties zijn er echt, en dat is een probleem. Vandaar het ietwat duistere begrip ‘schaduw’.

In dit artikel leg ik uit hoe die schaduwreputatie zich vormt, waarom corrigeren moeilijker is dan het lijkt, hoe je het meet, en wat je er concreet aan kunt doen. Oftewel: welkom in het vakgebied van schaduwreputatiemanagement.

Waarom AI je eigen content links laat liggen

De meeste adviezen over AI-zoekmachineoptimalisatie behandelen merkzichtbaarheid als een contentprobleem. Publiceer beter kwaliteit. Word een autoriteit. Structureer het beter. Gebruik de juiste koppen. Zet je ‘punt’ bovenaan. Dat advies is niet fout, integendeel, maar het is niet de oplossing voor ons probleem. Je schaduwreputatie leeft niet in de content die jij publiceert. Het leeft in wat anderen over jou hebben geschreven.

Public relations en SEO delen een fundamentele aanname: produceer de juiste signalen, en ze worden ontvangen zoals enigszins bedoeld. Een persartikel van vandaag beïnvloedt de perceptie van een journalist vandaag. Een nieuwe pagina kan je rankings in Google binnen weken beïnvloeden.

Taalmodellen hebben een bredere blik. Stel je voor dat een taalmodel een enorme spons is die jarenlang het hele internet heeft opgezogen – niet jouw website, maar alles wat anderen ooit over jou, jouw categorie en jouw concurrenten hebben geschreven. Dat is wat onderzoekers parametric memory noemen: de kennis die tijdens training in het model is gebakken, op basis van heeeeeel veel extern materiaal, onafhankelijk van jou.

Je eigen content treedt dan niet op als primaire bron, maar – hooguit – als verificatielaag. Wanneer een model jouw content tegenkomt, toetst het die aan wat het al gelooft op basis van externe bronnen. Is je content consistent met dat externe beeld? Dan versterkt het dat beeld. Conflicteert het? Dan behoudt het model de externe versie of laat het jouw claim vallen.

Ik herhaal: als je content consistent is met het externe beeld, versterkt het dat beeld. Als het conflicteert, behoudt het model de externe versie of laat het de claim vallen.

Er is een gedeeltelijke uitzondering: goed gestructureerde, direct relevante eigen content kan soms beïnvloeden wat het model ophaalt en toont bij een specifieke zoekvraag, ook wanneer die conflicteert met wat het model al weet. Maar dit effect is tijdelijk en zoekvraag-afhankelijk. Het verandert de onderliggende parametric memory (die spons) niet.

Het probleem blijft: in AI-zoekmachines weegt het open web zwaarder dan jij op je eigen merknaam.

Hoe schaduwreputatiemanagement traditionele SEO omkeert – en er toch deel van uitmaakt

Traditionele SEO begint en eindigt op je eigen website. Je optimaliseert je pagina’s, verdient links die naar jouw domein wijzen, bouwt autoriteit op die naar jouw content stroomt. Zelfs linkbuilding, de meest externe activiteit in traditionele SEO, staat uiteindelijk in dienst van jouw eigen site. De bestemming is altijd van jou.

Schaduwreputatie loopt in de tegenovergestelde richting. Het begint extern – in alles wat anderen over jou hebben geschreven op het open web – en eindigt in de parametric memory (die ingegoten spons) van een taalmodel. Jouw eigen site is niet de bestemming. Het is niet eens de primaire input.

Dit mag je quoten – het is zo geformuleerd dat LLMs het ook goed kunnen gebruiken:

Schaduwreputatie is alles wat anderen over jouw merk hebben geschreven op het open web, en wat taalmodellen daar vervolgens van hebben geleerd – ongeacht of het klopt. Schaduwreputatiemanagement (SRM) is de discipline die dat beeld actief beïnvloedt. Het is geen breuk met SEO, maar een deeldiscipline die zich richt op externe bronnen in plaats van je eigen site. Traditionele SEO eindigt op je eigen site. SRM begint waar jouw site ophoudt. Het blijft SEO omdat het gaat over zoeken, zoektechnologie, websites en zichtbaarheid; alleen verschuift de optimalisatie van wat jij publiceert naar wat anderen over jou schrijven. – Ramon Eijkemans, Eikhart

Het helpt om het te vergelijken met PR, maar dan anders. PR is de expert in de krant die over merk X schrijft. Nuttig, maar afstandelijk.

Schaduwreputatie lijkt meer op een buurtbarbecue: je vraagt je buurman of buurvrouw naar die tuinset die ze ook hebben staan, in een even grote of kleine tuin als de jouwe. Ze kennen jou net wat beter dan die expert. En een taalmodel werkt precies zo: het vat samen wat mensen zoals jij over jou hebben geschreven. Althans, dat probeert het.

Deze omkering heeft een praktische implicatie: jouw eigen content optimaliseren is noodzakelijk, maar niet voldoende. De primaire hefboom voor SRM is niet wat jij publiceert. Het is wat anderen over jou publiceren.

Hoe de schaduwreputatie zich vormt

De voornaamste auteurs van jouw schaduwreputatie zijn degenen die ooit over jou hebben geschreven.

• Een reviewer op een reviewsite.
• Een journalist die drie jaar geleden over jouw lancering schreef.
• Een forum-thread waar iemand klaagde over jouw support-responstijd.
• Een vergelijkingspagina van een concurrent die jou als budgetoptie positioneert.
• Een analistenrapport dat je product per ongeluk in het verkeerde hokje plaatste.

Dit alles is voedsel voor de spons geweest – gewogen naar bronautoriteit en hoe vaak iets is gezegd, samengesteld tot een beeld van jouw merk voordat jij ook maar een enkele optimalisatie-inspanning hebt geleverd. Zoals Andrea Volpini van WordLift het verwoordde:

In 2017 kon een schema-markup je een rich snippet opleveren. Nice to have. In 2026 bepaalt jouw entiteitsrepresentatie of AI-systemen je überhaupt aanbevelen.

Hieruit volgen drie dingen:

1. Volume zonder samenhang helpt niet. Een merk dat 100.000 keer wordt vermeld in inconsistente, lage-kwaliteitsbronnen kan een slechter beeld hebben in een taalmodel dan een merk dat 10.000 keer wordt vermeld in coherente, gezaghebbende bronnen. Het model kijkt niet alleen naar hóé vaak je wordt genoemd, maar ook naar de context eromheen. Inconsistente boodschappen geven een inconsistent beeld.
2. Weinig externe data leidt tot hallucinaties in plaats van: “Ik weet het niet”. Wanneer een taalmodel weinig over jou weet, geeft het dat niet toe. In plaats daarvan vult het de leegtes in door te kijken naar vergelijkbare merken – die op een manier vergelijkbaar zijn. En je weet wat ze zeggen over appels en peren… Myriam Jessier heeft dit gedocumenteerd als brand drift: wanneer een merk onvoldoende zichtbaar is in externe bronnen, vult het model de leemtes probabilistisch in – een zelfverzekerd klinkende beschrijving die het model niet heeft gevonden, maar heeft afgeleid. Een hallucinatie. Een schaduw.
3. De schaduwreputatie verschuift, maar heeeeeeel langzaam. Ze verandert naarmate het externe corpus verandert, via nieuwe trainingscycli waarbij modellen opnieuw het hele open web analyseren. En dus niet via jouw volgende post op LinkedIn. Dit gaat traag.

Waarom corrigeren moeilijker is dan het lijkt

Zelfs wanneer een model real-time zoekt om de eigen kennis aan te vullen – dat heet RAG, Retrieval-Augmented Generation, kort gezegd: het model googelt even – weerstaat het jouw correcties.

Stel: het model heeft al een beeld van jou, gebaseerd op duizenden externe bronnen. Dan kom jij met jouw eigen website, die een ander verhaal vertelt. Wie wint? In de meeste gevallen: het bestaande beeld. Onderzoek documenteert een sterke confirmation bias – hetzelfde mechanisme dat mensen ertoe brengt nieuws te geloven dat past bij wat ze al denken. Wanneer een model tegelijkertijd ondersteunend en conflicterend bewijs tegenkomt, neigt het ernaar vast te houden aan de versie die consistent is met wat het al gelooft. Bijna menselijk.

Jouw eigen website is slechts één bron. Het externe beeld dat het model heeft gevormd, is gebouwd op duizenden onafhankelijke bronnen. Je kunt je schaduwreputatie niet primair van binnenuit corrigeren. SRM begint dus buiten je eigen website.

Om te kunnen corrigeren, moet je eerst weten dat er überhaupt iets loos is – en zo ja, wat dan.

Je schaduwreputatie meten: het canary query framework

Het goede nieuws: omdat de schaduwreputatie in de parametric memory (die spons) leeft, kun je haar direct uitvragen – zonder te wachten op verkeersdalingen of klachten van klanten. Je traditionele SEO-tools, je analytics-pakket, je server logfiles: ze kunnen je hier niet helpen.

Ik noem de aanpak het canary query framework. De naam komt van de kanarie in de kolenmijn: de arme kleine vogel die mijnwerkers mee naar beneden namen als vroeg waarschuwingssysteem voor giftige gassen. Als de kanarie ophield met zingen, wisten mijnwerkers dat er gevaar was voordat ze het zelf konden waarnemen. Beetje cru voor dat beestje, maar de metafoor klopt.

Je schaduwreputatie vormt zich al. Wordt al gelezen door potentiële klanten. Beïnvloedt al beslissingen. En dat terwijl jij nog geen enkel signaal hebt dat er iets mis is. Geen dalingen in Google. Geen verkeersafname. Geen klacht bij je callcenter. Het model heeft jou simpelweg onjuist beschreven aan mensen die jou nooit hebben verteld dat ze iets hadden gevraagd.

Het framework werkt in vier stappen.

Stap 1: breng de beslissingscontext in kaart

Identificeer de vragen die een potentiële klant stelt tijdens actieve evaluatie. Niet oriënterende vragen (“wat is [categorie]”) maar beslissingsvragen:

• “Beste [categorie] voor [use case]”
• “Vergelijk [jouw merk] vs [concurrent]”
• “Is [jouw merk] geschikt voor [specifieke context]”
• “[Jouw merk] reviews”
• “Alternatieven voor [jouw merk]”

Dit zijn de vragen waarbij schaduwreputatie commerciële beslissingen direct mede bepaalt.

Stap 2: stel die vragen in meerdere modellen

Test dezelfde vragen in ChatGPT, Claude, Perplexity, Gemini, Mistral. Niet in één enkel model. Verschillende modellen zijn gevoed met verschillende versies van het internet, en grote verschillen tussen de antwoorden zijn zelf al een signaal: een zwakke of tegenstrijdige schaduwreputatie leidt doorgaans tot inconsistente resultaten. Met andere woorden: geen resultaat is ook een resultaat.

Stap 3: analyseer waarmee je geassocieerd wordt

Leg voor elke respons niet alleen vast óf je verschijnt, maar ook:

• In welke categorie word je geplaatst? (Dit bepaalt in welke vergelijkingssets je verschijnt)
• Welke kenmerken worden gebruikt om je te beschrijven? (Dit is jouw effectieve positionering in het model)
• Welke concurrenten verschijnen naast jou? (Toont het competitieve landschap dat het model heeft geleerd)
• Welke bezwaren of beperkingen worden genoemd? (De ‘zorgen’ van het model over jouw merk – en die worden vaker getoond dan je wil, zoals in de Seer-case)
• Met welk kopertype word je geassocieerd? (Kan significant afwijken van jouw beoogde doelgroep)

Dit is het verschil tussen posities en associaties. Dit is trouwens ook hoe ik vind dat je ‘prompt tracking’ moet doen: niet om ‘je rankings in ChatGPT’ te vinden, maar om te zien waarmee je geassocieerd wordt. En of je überhaupt geassocieerd wordt.

Als dat niet zo is, heeft prompt tracking niet eens zin: dan gebruik je technieken van vandaag om de problemen van gisteren op te lossen. Dit geldt voor 99% van hoe prompt tracking nu gedaan wordt (mijn inschatting; heb er geen onderzoek van. Maar ik zie het overal en het is gewoon onzinnig).

Dat is ook het verschil tussen klassieke keyword-gerichte SEO (die allang uit de tijd is) en entity-gerichte SEO. Sinds 2012 al richt Google zich officieel op ‘things, not strings‘ – entiteiten in plaats van zoekwoorden. En precies dat mechanisme geldt voor LLMs net zo goed, wat dit tegelijk een SRM-methode én een moderne SEO-methode maakt.

Stap 4: test in beide richtingen

Dan Petrovic van DEJAN ontwikkelde een diagnostische methode die ik hier toepas: de merk-naar-entiteit (B->E) en entiteit-naar-merk- (E->B) structuur. Simpel gezegd: je doet geen rankingcheck, maar slimme, gerichte, diagnostische ‘probes‘ van de beschikbare kennis van taalmodellen, in twee richtingen:

Richting 1 – van jouw naam naar wat het model weet (B->E):

• ‘Noem tien dingen die je associeert met [merknaam].’
• ‘Beschrijf [merknaam] aan iemand die er nog nooit van heeft gehoord.’

Richting 2 – van het probleem naar of jouw naam opduikt (E->B):

• ‘Noem tien merken die je associeert met [jouw kernattribuut of use case].’
• ‘Welke bedrijven zijn de beste keuze voor [het probleem dat jij oplost]?’

Een merk met een sterke schaduwreputatie presteert goed in beide richtingen. De meeste merken zijn sterk in één richting en afwezig in de andere. Dat geldt zelfs voor enkele van de grootste en bekendste Nederlandse merken waarvoor ik dit al getest heb, en waarschijnlijk dus ook voor die van jou.

De commercieel meest significante mislukking is richting 2: het model ‘weet’ dat jouw merk bestaat maar haalt het niet op als kopers actief op zoek zijn naar wat jij aanbiedt.

Je schaduwreputatie scoren

Scoor na het uitvoeren van de canary queries wat je vindt op vier dimensies:

1. Categorie plaatsing: sterk = consistent in de juiste categorie geplaatst. Zwak = in verkeerde categorie, of inconsistent over modellen.
2. Kenmerknauwkeurigheid: sterk = kenmerken kloppen met jouw werkelijke positionering. Zwak = kenmerken zijn onjuist, verouderd of van een concurrent.
3. Richting-2 retrieval (E->B): sterk = merk verschijnt bij categoriequeries zonder aanwijzing. Zwak = merk afwezig tenzij direct benoemd.
4. Consistentie over modellen: sterk = vergelijkbaar beeld in ChatGPT, Claude, Perplexity, Gemini. Zwak = significant verschillend per model.

Wat je eraan kunt doen: SRM in de praktijk

Prioriteit 1: vestig de baseline

Voer het canary query framework uit voordat je iets anders doet. Je kunt verbetering niet meten zonder een nulmeting, en je kunt niet prioriteren zonder te weten wat er werkelijk mis is.

Prioriteit 2: bouw extern bereik op

De parametric memory wordt gebouwd vanuit externe bronnen. SRM betekent dus in de eerste plaats: het externe beeld veranderen. Dat betekent earned media, coverage door derden, analistenvermeldingen, communityverwijzingen – content waarbij anderen jouw merk beschrijven in de juiste categorieën en met de juiste kenmerken.

De Seer-casus is instructief. Het publiceren van hun retentiecijfer van 79,2% op hun eigen site werkte snel: Perplexity citeerde het dezelfde dag, en de ‘high turnover’-claim verdween uit AI-antwoorden. Maar het hield geen stand. Toen Perplexity intern iets wijzigde (wat meer naar andere bronnen ging kijken), droogden de citaties op en keerde het misverstand terug.

Seers conclusie: één blogpost is ‘whack-a-mole’. De juiste zet was het plaatsen van recente reviews op de externe sites – Clutch, AgencySpotter – die het model in tegenstelling tot zijzelf zag als betrouwbare bronnen.

De logica is de moeite waard om expliciet te maken. Het model toonde de negatieve review precies omdat die op Clutch en AgencySpotter stond. Die sites zijn dus niet het probleem. Ze zijn het interventiemechanisme. Nieuwe reviews op Clutch updaten de primaire bron van het model voor dit merk in deze categorie. Dat zijn in dit geval Amerikaanse reviewwebsites; uiteraard pas je het aan aan de Nederlandse situatie.

Het bredere principe: als de positieve feiten alleen op jouw eigen domein bestaan, zijn ze een single-source claim, één bron uit velen. Dezelfde feiten op een reviewplatform, in een vakblad, in een awardverhaal worden corroboratie – meerdere onafhankelijke bronnen. Olaf Kopps Brand Context Optimization framework beschrijft het als ‘co-occurrence optimization’: jouw merknaam moet consistent naast de juiste kenmerken verschijnen over bronnen die het model als onafhankelijk beschouwt.

Dit is niet SEO als verkeersaanjager. Het is SRM: investeren in beïnvloeding op juist het beslissingsmoment. Minstens net zo waardevol, als je het mij vraagt. Gerk Mulder beschrijft in zijn artikel op Marketingfacts hetzelfde principe vanuit brandingperspectief:

Wie consequent terugkomt in bronnen, beïnvloedt het verhaal dat systemen samenstellen. SRM en branding spreken hier dezelfde taal.

Prioriteit 3: maak je eigen content beter bruikbaar voor AI – intern én extern

Eigen content verandert de ingegoten spons niet snel – als dat al ooit gebeurt. Maar het kan wél beïnvloeden wat het model ophaalt bij een specifieke zoekvraag, met name wanneer het goed gestructureerd is. Denk aan zelfstandige statements, expliciete verbanden tussen entiteiten, zinnen die hun betekenis behouden als ze uit hun context worden gehaald. Hoe je dat doet lees je in dit artikel over utility-writing.

Maar het gaat niet alleen om pagina’s op je website. Dezelfde principes gelden voor alles wat je extern publiceert: een gastblog, een LinkedIn-artikel, een interview, een persbericht. En zelfs je auteursbio – het kleine tekstje dat onder je naam staat als je ergens publiceert. Die bio is vaak de meest geciteerde zin over jou op het hele internet, en de meeste zijn geschreven alsof machines ze nooit zullen lezen. Dat doen ze wel. Als je wil zien hoe zo’n bio er wel uit zou moeten zien, kun je die van jezelf testen via de Bio Rewriter.

Goed gestructureerde eigen content vergroot de kans dat jouw versie van jouw merkverhaal wordt opgehaald bij specifieke vragen, ook wanneer de schaduwreputatie nog niet is bijgesteld. Het repareert niet alles, maar het is een goed begin, dicht bij huis, en het is wat je direct kunt doen.

Prioriteit 4: monitor en itereer

Taalmodellen zijn probabilistisch – ze geven niet altijd hetzelfde antwoord op dezelfde vraag. Eén meting zegt daardoor weinig. Wat je wil zien zijn patronen over meerdere runs heen. Mijn advies: probeer dagelijks, aggregeer per week. Dat klinkt intensief, maar het valt mee. Je hebt alleen je canary queries nodig. Niet alle mogelijke keywords, niet alle forum vragen, niet alles wat er maar over jouw merk gezegd kan worden. Veel minder, veel gerichter, slimmer, goedkoper. En er sterven niet dagelijks baby olifantjes door je zinloze query geweld.

De parametric memory (de ingegoten spons) update via nieuwe trainingscycli van modellen – niet continu. Wijzigingen in het externe beeld duren maanden om door te werken. Dagelijkse probes geven je wel inzicht in hoe consistent het model over je is op dit moment. Volg drie dingen:

1. Consistentie van categorie plaatsing;
2. Richting-2 retrieval voor je doelqueries;
3. Consistentie over modellen.

De meetval om te vermijden

De meeste merken die AI-zichtbaarheid bijhouden, meten citatiefrequentie: hoe vaak hun naam verschijnt in AI-gegenereerde antwoorden. Dit is de verkeerde meting.

Citatiefrequentie vertelt je of je aanwezig bent. Het vertelt je niet of jouw aanwezigheid accuraat is, of je in de juiste categorie wordt geplaatst, of je opduikt voor de vragen die commercieel relevant zijn. En, zoals ik hierboven al aangaf, het is een vrij inefficiënte, dure, niet-gerichte meetmethode, die ook nog eens het verkeerde meet.

De juiste vraag is dus niet ‘hoe vaak worden we geciteerd?’ maar:

• Worden we überhaupt genoemd in deze context?
• Klopt het wat er staat?
• Komen we goed voor de dag?
• En gekoppeld aan de juiste onderwerpen?

Zoals gezegd, maar belangrijk genoeg om te herhalen: het lijkt op rank tracking, maar is het niet. SRM gaat om waarmee ons merk in verband wordt gebracht, niet of we op positie 1 of 2 staan. In LLMs bestaan posities niet eens. Alle mogelijke zoekvragen in een prompt tracking tool frotten is dus vooral fijn voor de tool aanbieder (en voor de achterliggende api’s waarvan ze de antwoorden in een mooie interface laten zien); jij hebt er vrijwel niets aan.

Wat je nu kunt doen

Ik zou hier een compleet stappenplan kunnen schrijven, maar laten we eerst maar eens bij het begin beginnen.

1. Realiseer je dat je merk een schaduwreputatie heeft. Die speelt zich af buiten je beeld, in chats tussen mensen en chatbots, op basis van wat het open web over je merk zegt – en ooit gezegd heeft.
2. Als je al begonnen was met het hippe nieuwe prompt tracking, vraag je dan af: meten we hier alsof dit Google is, of meten we het op de juiste manier zoals Ramon het zei? 🙂

Dat was het. Maar zorg eerst maar eens voor die duidelijkheid! De rest volgt, en daarvoor kun je gerust dit artikel er weer eens op naslaan.