Wat 100 Nederlandse websites onthullen over AI-zichtbaarheid [onderzoek]

Stel: je zoekt via ChatGPT naar een restaurant voor de lunch vanmiddag. Je krijgt een aanbeveling inclusief openingstijden en rijdt erheen. De deur is dicht, want het restaurant opent pas om half drie. De website communiceerde negen uur ’s ochtends en ChatGPT geloofde dat.

Dit is geen hypothetisch scenario. Het staat in de data van een echt restaurant dat ik onderzocht.

Eerder dit jaar analyseerde ik 100 Nederlandse websites in 17 sectoren op hun zichtbaarheid in ChatGPT, Gemini en Perplexity. Bewust niet in Google Search. Dit onderzoek gaat over de AI-modellen die buiten Google’s zoekindex opereren en die steeds vaker het eerste antwoord geven aan jouw klant, en soms het verkeerde antwoord.

In dit artikel deel ik wat ik tegenkwam, wat er mis was en wat er wél werkte.

Hoe ik gemeten heb: de 92+ Methode™

Voor dit onderzoek gebruikte ik de 92+ Methode™, een auditsysteem dat AI-zichtbaarheid meet in vier opeenvolgende lagen: van technische infrastructuur tot aan de vraag of een bedrijf spontaan wordt aanbevolen. De naam verwijst naar de minimale score die nodig is voor volwaardige AI-zichtbaarheid. Dit is het eerste grootschalige onderzoek waarbij deze methode werd toegepast op een steekproef van 100 Nederlandse websites.

Elke website heb ik beoordeeld op vier niveaus:

• Fase 1: Technische infrastructuur (19 criteria): Is de website correct leesbaar voor AI? Denk aan een @graph-structuur, correcte handelsnaam in het JSON-LD, en sameAs-koppelingen naar LinkedIn of Wikipedia.
• Fase 2: Inhoudsstructuur (11 criteria): Bevat de website unieke, citeerbare informatie die AI kan oppikken? Heeft de site een benoemde methode, concrete statistieken, of een FAQPage-schema?
• Fase 3: Merkidentiteit: Herkent AI het bedrijf correct? Klopt het verhaal dat AI vertelt? Drie modellen worden ingezet voor triangulatie — een bevinding geldt als robuust bij 2/3 modelovereenstemming.
• Fase 4: Aanbevelingstest: Wordt het bedrijf spontaan aanbevolen door ChatGPT, Gemini en Perplexity op commerciële zoekvragen zonder de naam te noemen? Per model: 3 punten voor spontane vermelding, 1,5 punt voor indirecte vermelding, 0 punten voor afwezigheid.

Het onderzoek liep van februari tot mei 2026. Alle websites zijn geanonimiseerd en elke scan is reproduceerbaar door derden.

Wat ik aantrof: vijf fouten met echte gevolgen

Voordat de cijfers komen, wil ik eerst iets anders laten zien. De fouten die ik tegenkwam zijn niet abstract: ze raken echte mensen op dit moment.

Het restaurant met de verkeerde openingstijden

Een restaurant heeft in zijn JSON-LD openingstijden staan die volledig onjuist zijn: het schema zegt 09:00–17:00, maar het restaurant opent pas om 14:30. Klanten die via ChatGPT vragen wanneer dit restaurant open is, krijgen de verkeerde tijden.

Dit is geen zichtbaarheidsrisico. Dit is een reputatierisico met directe schade. En het is oplosbaar in een middag: zoek in de broncode van je website op „openingHours” en verifieer de tijden. Bij WordPress pas je dit aan via de SEO-plugin.

De zorginstelling en de bacterie-uitbraak

Een zorginstelling die in 2011 in verband werd gebracht met een bacterie-uitbraak, wordt in 2026 nog steeds met die uitbraak geassocieerd in AI-antwoorden, vijftien jaar later. Omdat niemand er ooit een tegengeluid tegenover heeft gezet. Geen enkele reputatiecampagne repareert dit. Het enige instrument is de technische laag van de eigen website en die laag was leeg.

Het strategiebureau als Brits bouwbedrijf

Een Nederlands strategieadviesbureau wordt door AI consistent beschreven als een Brits projectmanagementbureau in de bouwsector. Verkeerde naam, verkeerd land en de verkeerde sector.

Oorzaak: ontbrekende sameAs-koppelingen en een zwak Organization-schema. AI verwisselt de entiteit met een bekendere naamgenoot en doet dat consequent bij elk model.

Het advocatenkantoor van negen jaar geleden

Een kantoor dat in 2016 van naam veranderde, staat in 2026 nog steeds onder de oude naam in ChatGPT. Niet omdat de informatie moeilijk te vinden is, maar omdat de structured data het signaal nooit heeft gegeven: wie zijn zij nu?

Het Michelin-restaurant als blog

Een restaurant op Michelin-niveau heeft als officiële naam in zijn JSON-LD “My Blog” staan, de WordPress-standaardwaarde die bij de bouw nooit is aangepast. AI-modellen koppelen het restaurant aan “My Blog” en schrijven de expertise toe aan het webbureau dat de site bouwde.

Vijf bedrijven, vijf totaal verschillende fouten maar één gemeenschappelijke kern: geen van hen heeft bewust bepaald wat AI over hen zegt.

55% is technisch onzichtbaar, maar dat is niet het grootste probleem

Van de 100 onderzochte websites scoort 55% rood op technische AI-infrastructuur (een score van 6 of lager op 19 criteria). Het gemiddelde: 5,3 op 19. Slechts één website haalt een score die als AI-gereed geldt.

Maar de technisch zwakke sites zijn niet het grootste probleem. Het grootste probleem zijn de sites die denken dat ze veilig zijn. De bedrijven die in AI worden gevonden, maar op het verhaal van iemand anders. Zichtbaar zijn is niet hetzelfde als het juiste verhaal vertellen.

De verrassende ontkoppeling: techniek ≠ aanbeveling

De meest opvallende bevinding: de correlatie tussen technische AI-score en spontane aanbeveling is verrassend zwak.

Een hardloopspeciaalzaak scoort 0 op 19 technische criteria nul en wordt spontaan aanbevolen door alle drie de modellen op elke commerciële zoekvraag. Reden: het merk leeft sterk in externe bronnen zoals reviews, community-forums en vakpublicaties. Die externe autoriteit opent de deur die techniek niet kon openen.

Het omgekeerde patroon is even consistent. Een e-commerce site scoort 10 op 19, technisch sterk, maar krijgt nul aanbevelingen op categorievragen. Geen externe aanwezigheid en geen aanbeveling.

Mijn conclusie: techniek en externe autoriteit zijn geen alternatieven. Ze zijn twee pijlers van hetzelfde fundament. De hardloopspecialist won op externe autoriteit, maar heeft geen instrument om bij te sturen als er iets misgaat zoals een negatieve review, een naamswijziging of een fusie.

Voor kleinere merken zonder grote merkautoriteit is structured data het enige directe instrument om het verhaal te sturen. Voor grotere merken is het primair een narratief instrument: ze worden al gevonden, maar zonder structured data kunnen ze niet bepalen wát er over hen gezegd wordt.

Sectorverschillen: van 2,7 naar 8,7

Gemiddelde scores per sector lopen uiteen van 2,7 tot 8,7 op 19. Laagst scoren dierenartsen (2,7), gezondheidszorg (2,8) en makelaars (3,0). Vier van de zes dierenartspraktijken scoren 0 op 19.

Alle vier de onderzochte makelaars zijn uitsluitend zichtbaar in AI doordat modellen live externe platforms raadplegen, via Funda weet AI meer over een makelaar dan wat de makelaar zelf aan AI vertelt.

Het hoogst scoren e-commerce en drukwerk (8,7), marketingbureaus (8,5) en de financiële sector (7,0). En hier zit de scherpste paradox van het hele onderzoek.

De marketing- en SEO-bureaus scoren technisch het hoogst in de volledige dataset maar worden door geen enkel model spontaan aanbevolen. Hoge technische score, laagste aanbevelingsscore. Vier van de elf bureaus scoren rood op hun eigen website. Dit zijn bedrijven die dagelijks klanten adviseren over online zichtbaarheid.

Dit is geen aanval op de sector. Het is de meest heldere illustratie van een algemeen patroon: GEO is een nieuw vakgebied, en de meeste organisaties, ook degenen die online zichtbaarheid als kerncompetentie hebben, hebben de omslag naar AI-zichtbaarheid nog niet volledig gemaakt.

Drie blinde vlekken bij alle 100 websites

Drie technische elementen ontbraken bij alle honderd websites zonder uitzondering.

1. llms.txt. Een bestand in de root van je website waarmee je aangeeft hoe AI-modellen je content mogen gebruiken. Google Search negeert het, maar Gemini leest het wel. De adoptie is nul, terwijl implementatie een kwestie van minuten is: maak een tekstbestand aan genaamd llms.txt, beschrijf daarin wie je bent en welke pagina’s het meest relevant zijn. Zie llmstxt.org voor de standaard.
2. HowTo-schema. Gestructureerde stappenplannen in JSON-LD waarmee AI jouw werkwijze direct kan citeren als antwoord op procesvragen. Sites met uitgebreide how-to content hadden de content maar geen enkele had het schema geïmplementeerd.
3. Speakable-markup. De techniek waarmee je aangeeft welke tekst op je site het meest citeerbaar is zoals de alinea’s die AI bij voorkeur moet gebruiken als het jouw site als bron raadpleegt. Dit is momenteel de meest onderbenutte optimalisatie in de volledige dataset en tegelijkertijd een van de directste signalen richting AI-modellen.

Wat wél werkt: drie patronen van succesvolle sites

De data laat ook zien wat wél werkt. Drie factoren correleren consistent met hogere scores en betere aanbevelingskansen.

1. Citatiewaardige content. Sites met een benoemde methode, originele data of een citeerbare uitspraak scoren structureel hoger. Een eigenhandige loopanalyse-methodiek, een gepubliceerd onderzoek, een concreet statistisch gegeven, de AI heeft iets nodig om mee te werken. Generieke tekst geeft niets.
2. Correcte @graph-structuur. Sites waarbij Organization, Person en WebSite als entiteiten aan elkaar zijn gekoppeld, worden door AI-modellen als gezaghebbender behandeld. Slechts 6% van de 100 sites heeft een @graph geïmplementeerd. Het is de meest onderbenutte technische optimalisatie in de dataset.
3. sameAs-koppelingen naar externe autoriteiten. Sites met sameAs-links naar LinkedIn, Wikipedia of Wikidata worden beter en correcter beschreven. De combinatie van eigen beschrijving plus externe autoriteitsbevestiging is het recept voor niveau 3: gekend én gestuurd. Slechts 18% van de sites heeft dit correct geïmplementeerd.

De beste combinatie in de hele dataset: een hypotheekadviseur die een correcte @graph-structuur heeft gecombineerd met een FAQPage-schema met zes concrete klantvragen.

Resultaat: 10 op 19 technisch én spontaan aanbevolen door alle drie de modellen. De enige site in de dataset die beide combineert dus niet omdat de website groot of bekend is, maar omdat AI precies weet wie het bedrijf is, wat het doet en welke vragen het beantwoordt.

Wie schrijft jouw verhaal?

Dit onderzoek gaat uitsluitend over ChatGPT, Gemini en Perplexity en niet over Google Search. Maar de klant die via ChatGPT een restaurant zoekt, de patiënt die via Perplexity een zorginstelling opzoekt, de inkoper die via Gemini een leverancier vergelijkt: zij gebruiken niet Google’s spelregels.

55% van de onderzochte Nederlandse websites is technisch onzichtbaar voor die klant. Maar de resterende 45% heeft vaak een groter probleem: ze zijn zichtbaar op de verkeerde manier. Via een extern platform dat ze niet controleren, via een oud persartikel, of door een crisis van vijftien jaar geleden.

Het restaurant met de verkeerde openingstijden heeft een prachtige website, een goed verhaal en een trouwe klantenkring. En een JSON-LD die al maanden verkeerde informatie doorstuurt aan iedereen die via AI naar ze zoekt. Dat probleem is oplosbaar in een middag.

De vraag is niet of AI over jouw bedrijf praat. De vraag is of je weet wat het zegt en of jijzelf degene bent die dat verhaal schrijft.