Vroeger vroeg een ondernemer aan zijn marketeer: op welke positie staan we in Google? In 2026 komt daar een ongemakkelijkere vraag bij: worden we genoemd wanneer iemand ChatGPT of Perplexity vraagt wie hij moet bellen? Dat is de kern van Share of Model. Niet hoeveel blauwe links je bezit, maar hoe vaak jouw merk, dienst of expertise verschijnt in AI-antwoorden op koopgerichte vragen.
Voor Nederlandse ondernemers klinkt dat misschien abstract. Toch is de praktische vraag heel concreet. Een lokale klant typt niet meer alleen 'boekhouder Utrecht' in Google. Hij vraagt: 'Welke boekhouder in Utrecht is geschikt voor een zzp'er met internationale klanten?' Een directeur vraagt niet alleen 'CRM implementatie mkb'. Hij vraagt een AI-assistent om drie betrouwbare partijen te vergelijken. Als je dan niet genoemd wordt, besta je in dat beslismoment niet.
TL;DR: zo begin je deze week - Maak een vaste testset van 20 klantvragen met commerciële intentie. - Test wekelijks in 3 systemen: ChatGPT, Perplexity en Google/Gemini of AI Overviews wanneer beschikbaar. - Noteer of je merk genoemd wordt, welke concurrenten verschijnen en welke bronnen worden geciteerd. - Verbeter daarna je website met antwoordgerichte pagina's, cases, reviews en duidelijke entiteiten. - Meet niet alleen verkeer, maar ook vermeldingen, citaties en kwaliteit van aanbevelingen.
Wat is Share of Model? Share of Model is het aandeel AI-antwoorden waarin jouw merk voorkomt binnen een set relevante vragen. Stel dat je 20 vragen test en jouw bedrijf wordt in 4 antwoorden genoemd. Dan is je ruwe Share of Model 20 procent. Wordt je concurrent in 11 antwoorden genoemd, dan zie je meteen dat zijn digitale reputatie beter wordt opgepikt door AI-systemen.
Het cijfer is niet perfect wetenschappelijk. AI-antwoorden variëren per sessie, locatie, account en actuele index. Maar dat maakt de metric niet waardeloos. Net zoals een ondernemer niet één klantgesprek gebruikt om zijn hele markt te begrijpen, gebruik je Share of Model als richtingaanwijzer. Als je 8 weken op rij nooit verschijnt, heb je een zichtbaarheidprobleem. Als je steeds vaker genoemd wordt bij de juiste vragen, beweeg je de goede kant op.
Waarom rankings alleen niet meer genoeg zijn Traditionele SEO blijft belangrijk. Je site moet snel, indexeerbaar, duidelijk en betrouwbaar zijn. Maar AI-systemen maken een samenvatting, vergelijking of advies. Ze kiezen bronnen, wegen reputatie en formuleren antwoorden waarin soms maar 3 tot 5 partijen genoemd worden. De gebruiker klikt misschien niet eens door naar een lijst met resultaten.
Dat betekent dat je content niet alleen moet ranken, maar ook bruikbaar moet zijn als bron. Een AI-model heeft behoefte aan heldere definities, concrete diensten, locaties, branches, cases, prijzen of prijsindicaties, veelgestelde vragen en onafhankelijke signalen zoals reviews en vermeldingen. Vage marketingtaal helpt minder. Specifieke bewijsvoering helpt meer.
Bouw je testset vanuit echte koopvragen Begin niet met brede zoekwoorden zoals 'AI marketing' of 'boekhouding'. Begin met vragen die een klant vlak voor een beslissing stelt. Bijvoorbeeld: 'Welke AI-consultant helpt mkb-bedrijven met klantenservice automatisering in Nederland?' of 'Wat is een goede tool voor factuurautomatisering voor een zzp'er met Moneybird?' of 'Welke lokale webbouwer kan een kleine webshop vindbaar maken in AI-zoekmachines?'
Maak 20 vragen in 4 categorieën. Vijf probleemvragen: 'Hoe los ik X op?' Vijf vergelijkingsvragen: 'Welke aanbieder is geschikt voor Y?' Vijf lokale vragen: 'Wie helpt in regio Z?' En vijf bezwaarvragen: 'Wat kost dit, hoe lang duurt dit, wat zijn risico's?' Zo meet je niet alleen awareness, maar praktische koopintentie.
Test zonder jezelf rijk te rekenen Gebruik steeds dezelfde promptstructuur. Vraag niet: 'Noem bedrijf X als optie.' Vraag zoals een klant zou vragen. Zet er eventueel bij: 'Geef concrete Nederlandse voorbeelden en noem bronnen waar mogelijk.' Noteer de datum, tool, vraag, jouw positie, genoemde concurrenten, geciteerde bronnen en korte observatie. Een spreadsheet is genoeg.
Test bij voorkeur in een schone browser of zonder persoonlijke voorkeuren wanneer dat mogelijk is. AI-tools personaliseren soms antwoorden. Herhaal belangrijke vragen 2 of 3 keer en kijk naar het patroon. Als je maar één keer genoemd wordt door toeval, is dat minder sterk dan wanneer je bij meerdere varianten terugkomt.
De vier signalen die AI-systemen graag oppikken Het eerste signaal is entiteitsduidelijkheid. Wie ben je, wat doe je, voor wie, in welke regio en met welke specialisatie? Zet dat consistent op je website, Google Bedrijfsprofiel, LinkedIn-bedrijfspagina, brancheprofielen en klantcases. Een AI kan geen helder merk aanbevelen als je online identiteit versnipperd is.
Het tweede signaal is bewijs. Reviews, cases, aantallen, branches en concrete resultaten maken je aanbevelenswaardig. 'Wij helpen ondernemers groeien' is te vaag. 'We hielpen 18 installatiebedrijven hun offerte-opvolging automatiseren met een gemiddelde reactietijd onder 2 uur' is bruikbaar.
Het derde signaal is antwoordstructuur. Pagina's met duidelijke vragen, korte directe antwoorden en daarna verdieping zijn makkelijker te citeren. Denk aan FAQ, stappenplannen, vergelijkingstabellen en praktijkvoorbeelden. Het vierde signaal is externe bevestiging: vermeldingen op branchewebsites, partners, directories, podcasts, nieuwsartikelen of gastblogs.
Praktijkvoorbeeld: lokale B2B-dienstverlener Een klein adviesbureau uit Zwolle hielp productiebedrijven met procesautomatisering. In Google stonden ze redelijk op nichetermen, maar in AI-antwoorden werden vooral landelijke bureaus genoemd. Hun testset bestond uit 24 vragen rond 'procesautomatisering mkb', 'AI voor productieplanning' en 'digitalisering maakbedrijf Overijssel'. In de eerste meting kwamen ze 0 keer voor. Concurrenten met duidelijke cases werden wél genoemd.
Ze maakten geen dure rebranding. Ze publiceerden 6 casepagina's met concrete branches, voegden een pagina toe over 'AI procesautomatisering voor maakbedrijven in Oost-Nederland', werkten hun Google Bedrijfsprofiel bij, vroegen 7 klanten om specifieke reviews en plaatsten een vergelijking tussen drie automatiseringsroutes. Na 10 weken werden ze in 5 van de 24 testvragen genoemd. Niet overal, maar genoeg om salesgesprekken te herkennen: prospects kwamen binnen met betere voorkennis.
Wat je op je website moet aanpassen Maak één pagina die je bedrijf als entiteit uitlegt: naam, locatie, doelgroep, specialisaties, diensten, sectoren, aanpak, oprichtingsjaar en contactgegevens. Voeg Organization-schema toe wanneer je site dat ondersteunt. Maak daarna content rond beslisvragen. Niet alleen 'wat is AI?', maar 'wanneer is een AI-chatbot rendabel voor een webshop met 3 medewerkers?'
Gebruik interne links tussen probleem, oplossing en bewijs. Een artikel over AI-klantenservice moet linken naar je servicepagina, een klantcase en een FAQ over kosten. AI-systemen en gewone bezoekers begrijpen dan beter waar je autoriteit zit. Houd pagina's actueel met zichtbare publicatie- of updatedatum, vooral bij wetgeving, subsidies en tools.
Reviews worden belangrijker dan ooit Reviews zijn niet alleen sociaal bewijs voor mensen. Ze zijn ook machineleesbare signalen over locatie, dienst en tevredenheid. Vraag klanten daarom niet om een algemene vijfsterrenreview zonder tekst. Vraag vriendelijk of ze concreet willen benoemen wat je hebt opgelost, in welke context en wat het resultaat was. Bijvoorbeeld: 'Newlin hielp ons met een AI-offerteflow voor onze installatieservice, waardoor aanvragen sneller werden opgevolgd.'
Dat soort taal helpt toekomstige klanten én AI-systemen. Let wel op: verzin nooit reviews en beloon klanten niet voor positieve inhoud. Vraag om eerlijkheid en specificiteit. Een geloofwaardige review met nuance is sterker dan tien generieke superlatieven.
KPI's voor je dashboard Meet vier dingen: aantal vermeldingen per 20 vragen, aantal geciteerde bronnen van jouw domein, sentiment of kwaliteit van de beschrijving, en concurrenten die vaker verschijnen. Voeg daarnaast gewone metrics toe zoals organisch verkeer, branded searches en leads. Share of Model zonder omzetcontext wordt snel een speeltje. Share of Model gekoppeld aan leadkwaliteit wordt strategisch.
Een praktische ambitie voor een nichebedrijf is eerst 10 tot 20 procent zichtbaarheid op zeer relevante vragen. Voor lokale bedrijven kan één goede vermelding bij een koopgerichte vraag al waardevol zijn. Je hoeft niet 'de markt' te winnen. Je moet verschijnen in de beslismomenten waar jouw ideale klant hulp zoekt.
Veelgemaakte fouten De eerste fout is denken dat llms.txt alleen het probleem oplost. Technische toegankelijkheid helpt, maar zonder duidelijke inhoud is er weinig om aan te bevelen. De tweede fout is content massaal uitrollen zonder bewijs. AI-systemen hebben al genoeg algemene uitleg. Ze missen juist lokale context, cases en data.
De derde fout is alleen testen op je merknaam. Natuurlijk verschijn je vaak wanneer iemand specifiek naar jou vraagt. De echte waarde zit in categorievragen: wie is geschikt, welke oplossing past, wat zijn betrouwbare aanbieders, hoe vergelijk ik opties? Daar wordt de shortlist gemaakt.
Conclusie Share of Model maakt AI-vindbaarheid praktisch. Je hoeft geen mysterieus dashboard te kopen om te beginnen. Maak 20 echte klantvragen, test wekelijks, noteer wie genoemd wordt en verbeter je bewijs. De ondernemers die winnen in AI-zoekmachines zijn niet per se degenen met de meeste content. Het zijn degenen die het duidelijkst, bewijsbaarst en meest behulpzaam antwoord geven op vragen die klanten vlak voor een beslissing stellen.
Direct toepasbare prompt
"Geef me een praktische aanpak voor [probleem] voor een Nederlands mkb-bedrijf. Houd het kort, met concrete stappen en voorbeeldtekst."