research

We Vroegen 3 AI-Platformen over 24 Merken. Ze Konden Het Nergens over Eens Worden.

February 20, 2026
12 min read
n=1,311
Dmitrij Żatuchin
AI VisibilityBrand ReputationLLM ResearchSource AttributionCross-Model AgreementGenerative AIContent StrategyGEO

Uw merk heeft een AI-reputatie. Het probleem: deze verandert afhankelijk van welke AI uw klant gebruikt, wanneer ze vragen en hoe ze de vraag formuleren. We voerden het grootste multi-industrie onderzoek naar AI-reputatiebronnen tot nu toe uit. Dit is wat elke marketeer moet weten.


Waarom Dit Onderzoek Belangrijk Is

Elke keer dat een koper ChatGPT, Gemini of Perplexity vraagt naar uw sector, bouwen deze AI-platforms in real-time een verhaal over uw merk. Dat verhaal is uw AI-reputatie. In tegenstelling tot traditionele mediaberichtgeving, kunt u het niet zien, de bronnen niet traceren of voorspellen wat het daarna zal zeggen.

We wilden vier vragen beantwoorden: Waar haalt AI zijn merkkennis vandaan? Hoe consistent is het? Verandert uw sector het antwoord? Hebben beursgenoteerde bedrijven een voordeel?

De resultaten zijn ongemakkelijk voor iedereen die denkt dat AI-zichtbaarheid een eenvoudig probleem is.


Wat We Hebben Getest

We bestudeerden 24 echte bedrijven in 8 sectoren: E-commerce, Gezondheidstechnologie, Logistiek, Consulting, HR Tech, Webhosting, Marketingtechnologie en FinTech. De helft was beursgenoteerd, de helft privaat. Bedrijven varieerden van Fortune 500-bedrijven tot startups.

We voerden 1,296 prompts uit via GPT-5.2 en Gemini 3 Flash, plus 72 gefundeerde-modus tests via Perplexity. Elke stabiliteitsprompt werd vijf keer per merk herhaald om consistentie te meten. In totaal analyseerden we 1,311 antwoorden en codeerden we handmatig 3,041 bronattributies.

Dit is geen blogpost met anekdotes. Dit is een peer-reviewed onderzoek gepubliceerd in Springer's Discover Artificial Intelligence journal.


Bevinding 1: 70% van Wat AI "Weet" over Uw Merk Kan Niet Worden Getraceerd

We classificeerden elke bronattributie die AI maakte bij het bespreken van merken. De grootste categorie: "Overig / Niet-toerekenbaar" met 70.2%. AI weet dingen over uw merk, maar we kunnen niet aanwijzen waar die informatie vandaan kwam.

De bronnen die we konden traceren:

BrontypeAandeel van Alle Citaties
Bedrijfseigen content14.7%
Tier-1 nieuwsmedia5.7%
Reviewplatforms4.6%
Handels-/sectornieuws1.8%
Wikipedia1.5%
Financieel/regelgevend0.6%
Social media0.5%
LinkedIn0.4%
Overheidsbronnen0.1%

Where AI gets its brand knowledge -- traceable source categories across 24 companies and 8 industries

Wat dit voor u betekent: De content van uw eigen website is de grootste identificeerbare bron van AI-merkkennis. Traditionele PR (tier-1 media) is tweede. Alles andere is marginaal. Maar de 70% die u niet kunt beïnvloeden via enig direct kanaal is de structurele uitdaging waar niemand over praat.


Bevinding 2: AI-Modellen Vertellen Compleet Verschillende Verhalen over Uw Merk

We vergeleken hoe GPT-5.2 en Gemini 3 Flash dezelfde merken waarnemen. De kloof is dramatisch.

GPT-5.2 produceerde een gemiddelde sentimentscore van 0.83 (op een schaal van -1 tot +1). Dat is overweldigend positief. Feitelijk was 96.4% van GPT's antwoorden over merken positief.

Gemini 3 Flash produceerde een gemiddeld sentiment van 0.32. Slechts 51.5% van zijn antwoorden waren positief.

De correlatie tussen de sentimentscores van de twee modellen? r = 0.37 -- zwak en niet statistisch significant. De modellen gebruiken niet alleen verschillende schalen. Ze wegen volledig verschillende aspecten van reputatie.

Wat dit voor u betekent: Als u alleen uw AI-aanwezigheid op ChatGPT auditeert, ziet u een kunstmatig rooskleurig beeld. Uw klanten gebruiken meerdere AI-platforms. Elk vertelt een ander verhaal over u.


Bevinding 3: Vraag Dezelfde AI Twee Keer en U Krijgt Verschillende Antwoorden

We herhaalden dezelfde prompt vijf keer voor elk merk op elk model. De gemiddelde consistentiescore voor alle bedrijven: 0.54 cosinus-gelijkenis.

Om dat in perspectief te plaatsen: slechts 2.8% van alle bedrijf-model-prompt combinaties overschreed de drempel van 0.85 die we definieerden als "stabiel". Ondertussen viel 93.8% onder 0.70, wat we classificeerden als "variabel".

GPT-5.2 was iets consistenter (0.57) dan Gemini 3 Flash (0.51), maar geen enkel model geeft betrouwbaar hetzelfde antwoord.

Wat dit voor u betekent: Er bestaat geen vaste "AI-reputatie". Elke keer dat iemand naar uw merk vraagt, construeert AI een iets ander verhaal. Een audit met één prompt legt een benadering vast, niet de waarheid. U heeft herhaalde metingen nodig om uw werkelijke AI-aanwezigheid te begrijpen.


Bevinding 4: Uw Sector Bepaalt Welke Bronnen AI Gebruikt

We vonden een statistisch significante relatie tussen bedrijfssector en brondistributie (chi-kwadraat = 143.28, p < 0.001). De effectgrootte is klein (Cramer's V = 0.08), maar de patronen zijn reëel en bruikbaar.

Consultingfirma's krijgen de rijkste identificeerbare bronnenmix: 30.8% van hun AI-reputatie komt van bedrijfscontent plus tier-1 nieuws gecombineerd. McKinsey krijgt 8% van zijn traceerbare citaties van media als Bloomberg en Financial Times.

Marketingtechnologiebedrijven worden geconfronteerd met de hoogste bronondoorzichtigheid: 81.3% van hun AI-reputatie is niet toerekenbaar. Als u in B2B-tech zit, ga er dan van uit dat het meeste wat AI over u weet in zijn trainingsdata is gebakken zonder duidelijke oorsprong.

HR Tech-merken leunen zwaar op reviewplatforms: 9.6% van identificeerbare bronnen komt van G2, Capterra en vergelijkbare sites -- het hoogste van alle sectoren.

Wat dit voor u betekent: Uw AI-contentstrategie moet aansluiten bij de bronpatronen die AI daadwerkelijk gebruikt in uw sector. Een consultingfirma zou moeten investeren in thought leadership en mediarelaties. Een HR Tech-bedrijf zou moeten investeren in aanwezigheid op reviewplatforms. Een generiek draaiboek zal niet werken.


Bevinding 5: Beursgenoteerd Zijn Geeft U Geen Enkel Voordeel

We vergeleken 12 beursgenoteerde bedrijven met 12 privébedrijven op elke metriek die we maten. De resultaten: statistisch identiek.

  • Consistentie: Beursgenoteerd 0.54 vs. Privé 0.54 (d = 0.03, verwaarloosbaar)
  • Sentiment: Beursgenoteerd 73.9% positief vs. Privé 74.5% positief
  • Brondiversiteit: Geen significant verschil (Shannon-entropie: 1.43 vs. 1.37)
  • Citatierijkdom: Privébedrijven ontvingen zelfs iets meer attributies per bedrijf (130.0 vs. 123.4)
  • Financiële/regelgevende bronnen: Minder dan 1% voor beide groepen

SEC-documenten, Bloomberg-berichtgeving, Crunchbase-profielen -- niets hiervan geeft beursgenoteerde bedrijven een meetbaar voordeel in hoe AI hen waarneemt.

Wat dit voor u betekent: Als u een privébedrijf of een startup bent, heeft u geen structureel nadeel. AI behandelt een startup hetzelfde als een Fortune 500-bedrijf. Het speelveld is gelijk. De vraag is niet de grootte van uw bedrijf -- het is of uw content gestructureerd is voor AI-begrip.


De Gefundeerde Modus Uitzondering

Er is één lichtpuntje in dit alles. Wanneer AI-modellen retrieval-augmented generation gebruiken (de modus waarin ze actief het web doorzoeken voordat ze antwoorden), wordt bronattributie transparant. We testten dit met Perplexity, dat citaties op URL-niveau biedt.

In gefundeerde modus krimpt de categorie "niet-toerekenbaar" dramatisch. U kunt precies zien van welke pagina's AI putte, nauwkeurigheid verifiëren en dienovereenkomstig optimaliseren.

Wat dit voor u betekent: Naarmate meer AI-platforms retrieval-augmented modi adopteren (zoals Google's AI Overviews of Perplexity's citaties), zal het probleem van bronondoorzichtigheid afnemen. Maar voorlopig gebeuren de meeste AI-conversaties over merken in parametrische modus -- waar 70% van de kennis geen traceerbare oorsprong heeft.


Wat Te Doen Vanaf Maandag

Het onderzoek wijst op drie bruikbare prioriteiten:

1. Auditeer Uw AI-Aanwezigheid over Meerdere Modellen

Vraag niet alleen ChatGPT over uw merk. Vraag Gemini. Vraag Perplexity. Met een sentimentkloof van 0.51 punten tussen modellen en slechts 2.8% van outputs die stabiel zijn, heeft u een multi-model, herhaalde-metingen aanpak nodig om uw werkelijke AI-reputatie te begrijpen.

2. Investeer in de Bronnen die Echt Belangrijk Zijn

70% van AI-kennis zit in trainingsdata en is niet traceerbaar. Van de 30% die u kunt beïnvloeden: uw eigen websitecontent (14.7%) en tier-1 mediaberichtgeving (5.7%) zijn de top twee. Reviewplatforms zijn belangrijk voor specifieke sectoren (vooral HR Tech met 9.6%). Social media en LinkedIn samen vertegenwoordigen minder dan 1%.

Prioriteer: bedrijfseigen content eerst, verdiende media tweede, sectorspecifieke bronnen derde.

3. Bouw een Monitoringgewoonte

AI-reputatie is niet stabiel. Het verschuift met elke query, elke modelupdate, elk nieuw stuk trainingsdata. U zou uw Google-rankings niet één keer controleren en het dan vergeten. Maandelijkse AI-zichtbaarheidsmonitoring is het minimum. Driemaandelijkse uitgebreide audits over modellen zijn de standaard.


Onderzoeksdetails

  • Steekproef: 24 bedrijven, 8 sectoren, 12 beursgenoteerd + 12 privé
  • Prompts: 1,296 uitgevoerd, 1,311 analyseerbare antwoorden
  • Modellen: GPT-5.2 (OpenAI), Gemini 3 Flash (Google), Perplexity (gefundeerde modus)
  • Bronattributies: 3,041 gecodeerd door twee onafhankelijke getrainde coders
  • Stabiliteitsiteraties: 5 herhalingen per prompt per merk per model
  • Publicatie: Springer Discover Artificial Intelligence (peer-reviewed)
  • Data-verzameling: 20 februari 2026

De Conclusie

AI bouwt een reputatie voor uw merk, of u het nu beheert of niet. De vraag is of u begrijpt waar die reputatie vandaan komt (grotendeels niet-traceerbaar), hoe stabiel het is (niet erg) en hoe verschillend het eruitziet over platforms (dramatisch verschillend).

De merken die aanbevelingsaandeel winnen in het AI-tijdperk zullen niet degenen zijn met de grootste budgetten of de langste trackrecords. Het zullen degenen zijn die begrijpen hoe AI over hen redeneert -- en hun content dienovereenkomstig structureren.

People Also Ask

Continue Reading

research

Cross-Model Response Stability Analysis: A Comparative Study of Brand Mention Consistency in Large Language Models

This study investigates response variability and brand mention consistency across three leading LLMs: Google Gemini 3 Flash, OpenAI GPT-5.2, and xAI Grok-4-1. Using 239 total samples across three prompt variations (husband, wife, 2025), we measured brand mention frequency, response consistency, and cross-model agreement.

research

Only 1 in 6 Brands Has Strong AI Visibility: Corporate Visibility Pattern Analysis

Analysis of 195 AI queries across 6 corporate brands reveals three visibility patterns: Invisible (PGE, Polpharma), Brand-Dependent (TotalEnergies, Holcim), Topic-Locked (Orlen). Only 1 in 6 has strong AI presence.

article

The State of AI Visibility: Why Brands Are Losing Control Inside AI Answers

Search didn't disappear. It stopped being the place where decisions happen. Traditional SEO assumed that if you ranked well, you would be discovered. AI doesn't work that way. This thought leadership piece defines why AI visibility matters and introduces the four dimensions of AI visibility: Presence, Relevance, Usefulness, and Trust.

article

Understanding AI Visibility Classification: The 8 States That Define How AI Sees Your Brand

Your brand is not just "visible" or "invisible" to AI. There are 8 distinct states - from Invisible to Category Leader - and each one requires a different strategy. This article explains the classification system behind the AI Visibility Score and how metric patterns determine your strategic diagnosis.

article

The "Best Of" Trap: Why Self-Promotional Listicles Are Losing Google and Winning ChatGPT

Three signals in one week: Google penalized self-promotional listicles (SaaS brands losing 34-49% visibility), reduced crawl limits by 86.7%, while Ahrefs found 44% of ChatGPT citations come from those exact listicles. Google is shrinking, AI is expanding. Includes a 5-minute brand audit playbook and split strategy for navigating both discovery systems.

research

Four-Prompt Gender Bias Analysis: Isolating Gender Effects in LLM Brand Recommendations

This study extends cross-prompt LLM brand consistency analysis by introducing a gender-neutral "partner" prompt to isolate gender bias effects. Comparing four prompt variations across 299 total samples, we provide strong evidence of gender-based brand recommendation bias in LLMs. Critical finding: Kindle appeared in 100% of wife AND partner iterations but 0% of husband iterations.

BeVisible Club

Get research like this before we publish it.

New AI visibility studies, ranking patterns, and source-stack data delivered to your inbox a week before they go public.

Join BeVisible Club

Want to Know How AI Sees Your Brand?

Rankfor.AI measures your brand's AI visibility across all major platforms and provides actionable recommendations.

About the Author

Dmitrij Żatuchin

Founder

Dmitrij Żatuchin is the founder of Rankfor.AI. A computer scientist with a PhD in semantic web technologies, he bridges the gap between how AI reasons about brands and how brands want to be understood. With over two decades of software architecture experience and academic roles at Estonian Business School, Dmitrij builds the measurement infrastructure brands need to transition from optimizing for search engines to becoming visible for reasoning engines.

We gebruiken cookies

We gebruiken essentiële cookies om onze site te laten werken. Met uw toestemming kunnen we ook analytische cookies gebruiken om te begrijpen hoe u onze tools gebruikt (zoals de Dice Roller), zodat we ze kunnen verbeteren. Meer informatie