We analyseerden 593.181 echte, door AI gegenereerde koperspersona's en bouwden een tool die u het gat laat zien tussen uw veronderstelde publiek en het publiek dat AI veronderstelt. Dat gat bepaalt of AI u aanbeveelt.
De meeste marketingteams werken met drie tot vijf koperspersona's. Deze persona's zijn tot stand gekomen in workshops, gevalideerd door sales en verfijnd op basis van CRM-data van bestaande klanten. Ze voelen kloppend aan omdat ze de mensen beschrijven die al bij u kopen.
Maar AI-systemen bouwen hun koperprofielen niet op uit uw CRM. Ze bouwen ze op uit zoekgedrag, patronen in contentconsumptie en signalen van informatiebehoefte over miljoenen interacties heen. En de persona's die uit die data naar voren komen, lijken vaak in niets op de persona's in uw marketingpresentatie.
Dit is geen theoretisch probleem. Wanneer AI beslist of het uw merk aanbeveelt in reactie op een vraag van een koper, matcht het die vraag met wat het gelooft dat uw typische koper is. Als uw content zich richt tot het ene publieksprofiel en AI een ander profiel verwacht, gaat de aanbeveling naar iemand wiens content beter aansluit bij het model van AI.
De Persona Matcher is gebouwd om dat gat zichtbaar te maken. U voert een URL in of selecteert een branche, en de tool laat u zien welke koperspersona's AI aan uw merk koppelt op basis van de grootste dataset met koperspersona's die ooit is gepubliceerd. Drie persona's zijn meteen zichtbaar. Negen andere zitten achter een e-mailcapture. En ze komen allemaal uit echte data, niet uit giswerk.
Wat de PersonaGen-593K-dataset onthult over kopersgedrag
De Persona Matcher put uit PersonaGen-593K, een dataset van 593.181 door AI gegenereerde koperspersona's die 339 branches beslaan (25 primaire verticals). Elke persona bevat demografie, doelen, pijnpunten, zoekopdrachten en onvervulde behoeften. De data is ontwikkeld door onderzoekers van de Estonian Entrepreneurship University of Applied Sciences en Rankfor.AI, en gepubliceerd als een peer-reviewed artikel in het tijdschrift Discover Artificial Intelligence van Springer.
De dataset begon met ongeveer 40 miljoen ruwe personabeschrijvingen uit vier publieke datasets. Via GPU-versnelde deduplicatie en semantische filtering brachten de onderzoekers dat terug tot één miljoen unieke beschrijvingen, en verrijkten daarna elke beschrijving met gestructureerde gedragskenmerken met behulp van grote taalmodellen. Het resultaat is het meest complete beeld van wat AI gelooft over kopersgedrag verspreid over branches.
Dit is wat de data laat zien:
78,7% van de zoekopdrachten van kopers is informatief. Slechts 4,3% is transactioneel.
Van de bijna 3 miljoen zoekopdrachten in de dataset zijn er bijna vier op de vijf leergerichte vragen: "Hoe beoordeel ik X?" of "Wat zijn de beste aanpakken voor Y?" Geen "Koop X" of "Neem een abonnement op Y."
De overige 17% zijn commerciële zoekopdrachten zoals "Welke leverancier moet ik kiezen?" Dat is de overwegingsfase. Nog steeds niet transactioneel.
De meeste contentstrategieën zetten 80% van de middelen in op productpagina's, prijsvergelijkingen en demo-aanvragen. Dat bedient de 4,3%. De 78,7% van de kopers die nog volop vragen stellen, vinden vaak betere antwoorden elders. En wanneer AI aanbevelingen naar boven haalt, put het uit de content die die vragen duidelijk en specifiek beantwoordt.
Buyer Search Intent Distribution (~3 Million Queries)
Als uw persona's gebouwd zijn rond koopintentie en de persona's van AI rond leerintentie, dan heeft u een structurele mismatch. AI zal merken aanbevelen wiens content aansluit bij de vragen die kopers werkelijk stellen.
Wat de Persona Matcher u laat zien
Wanneer u een URL door de Persona Matcher haalt, wordt u gekoppeld aan 12 koperspersona's uit de PersonaGen-593K-dataset. Drie zijn zichtbaar. Negen vereisen een e-mailadres om te ontgrendelen. Elke persona bevat:
Demografie: Leeftijdscategorie, gender, marktcontext (B2B, B2C, B2B2C, B2G)
Doelen: Wat ze proberen te bereiken (bijvoorbeeld "Certificeringstrajecten verbeteren", "Kosten voor klantenwerving verlagen", "Operationele efficiëntie optimaliseren")
Pijnpunten: Wat hen het meest frustreert (bijvoorbeeld "Complexiteit van tools", "Beperkingen in de balans tussen werk en privé", "Nalevingsvereisten")
Zoekopdrachten: Feitelijke vragen die ze stellen (bijvoorbeeld "Hoe stap ik over naar instructional design met erkende diploma's?")
Onvervulde behoeften: Informatiegaten die uw huidige content niet invult
De tool werkt op twee manieren: voer een URL in om persona's te zien die gekoppeld zijn aan uw bestaande content, of selecteer een branche om de standaardpersona's te zien die AI aan die vertical koppelt. Beide weergaven laten zien of uw veronderstelde publiek overeenkomt met het model van AI.
Wat u leert van het gat
Als uw interne persona's en die van AI overeenkomen, verschijnt uw content waarschijnlijk in de juiste contexten. Als ze uiteenlopen, heeft u een zichtbaarheidsprobleem.
Voorbeelden van divergentiepatronen die we zijn tegengekomen:
Een leverancier van enterprisesoftware gaat ervan uit dat de koper een VP of Engineering is van 40-55 jaar. De persona's van AI voor hun branche clusteren rond twee groepen: senior architecten van 55-75+ die gericht zijn op naleving, en junior developers van 18-25 die de basisprincipes leren. De content van het bedrijf richt zich op de middelste groep, die slechts 30,8% van het kopermodel van AI vertegenwoordigt. Resultaat: een lager aandeel in aanbevelingen.
Een adviesbureau gaat ervan uit dat de koper een mid-market CMO is die op zoek is naar strategisch advies. De persona's van AI laten 28% commerciële intentie zien (de hoogste in de dataset) en clusteren rond pijnpunten op het gebied van klantenwerving en onderscheidend vermogen. De content van het bureau legt de nadruk op thought leadership en strategie op hoofdlijnen. AI beveelt concurrenten aan wiens content prijskaders, ROI-calculators en methodevergelijkingen bevat, omdat dat beter aansluit bij de signalen van commerciële intentie.
Een leverancier van zorgtechnologie gaat ervan uit dat de koper een ziekenhuisbestuurder is die gefocust is op kostenreductie. De persona's van AI laten 38% nalevingsgerelateerde informatiebehoeften zien en zoeken volop naar richtlijnen voor accreditatie en evidence-based praktijk. De content van de leverancier focust op operationele efficiëntie zonder de regelgevingscontext te adresseren. AI geeft ze een lagere prioriteit ten gunste van merken wiens content aantoont dat ze zich bewust zijn van naleving.
Dit zijn geen uitzonderingen. Het zijn patronen die zich over branches heen herhalen wanneer interne persona's op grote schaal afwijken van gedragsdata.
Vijf dingen die de dataset onthult over uw kopers
1. De meeste kopers vallen niet binnen de leeftijdscategorie waarop u zich richt
De dataset laat een bimodale leeftijdsverdeling zien: 27,9% van de persona's is 18-25 jaar en 41,4% is 55-75+ jaar. De midcareergroep (25-55) die de meeste B2B-marketing als de standaardkoper aanneemt, is goed voor slechts 30,8%.
Buyer Age Distribution: The Bimodal Reality
Als uw content uitgaat van een beslisser van 35 tot 50 jaar en de persona's van AI voor uw branche jonger of ouder uitvallen, sluit uw boodschap niet aan bij de vragen die AI aan uw categorie koppelt. Die misalignment verlaagt uw aandeel in aanbevelingen.
2. Werk-privébalans is het universele pijnpunt
Over alle 25 branche-verticals heen kwam de balans tussen werk en privé naar voren als het dominante pijnpunt, met 107.000 vermeldingen. Het komt naar voren als een top-vijf-zorg in 72% van de branchesegmenten.
Dit is een branche-overstijgende waarheid die de meeste B2B-content volledig negeert. Merken die de menselijke dimensie van professionele beslissingen erkennen (tijdsdruk, cognitieve belasting, concurrerende prioriteiten), spreken tot de werkelijkheid waarin hun kopers leven, niet alleen tot de categorie waarin ze kopen. AI haalt content naar boven die de werkelijke pijnpunten adresseert die kopers uiten, niet de pijnpunten waarvan marketing aanneemt dat kopers ze zouden moeten hebben.
3. Branchespecifieke intentiepatronen doen ertoe
Consultingpersona's laten 28% commerciële intentie zien (bijna het dubbele van het datasetgemiddelde). Ze zijn aan het vergelijken, niet aan het rondkijken. Content die de evaluatie ondersteunt (prijskaders, methodevergelijkingen, data over klantresultaten) presteert beter dan thought leadership.
EdTech-persona's domineren de dataset met 24,3% van het totale volume, wat de enorme diversiteit in leergericht gedrag weerspiegelt. Onderscheidend vermogen vraagt om specificiteit: niet "we helpen mensen leren", maar "we helpen midcareer-UX-designers overstappen naar instructional design met diploma's die werkgevers erkennen."
Healthcarepersona's laten 38% nalevingsgerelateerde informatiebehoeften zien. AI-systemen zijn extra voorzichtig met gezondheidsgerelateerde aanbevelingen. Ongestructureerde of dubbelzinnige healthcarecontent krijgt eerder een lagere prioriteit dan in enige andere vertical.
Manufacturingpersona's clusteren rond operationele efficiëntie (29% van de doelen) en complexiteit van tools (24% van de pijnpunten). Ze reageren niet op aspirationele boodschappen. Ze willen implementatiegidsen, integratiedocumentatie en vergelijkingsmatrices met technische specificaties.
4. De genderverdeling is in balans, maar niet uniform over branches
In totaal laat de dataset 52,2% vrouwelijke, 45,4% mannelijke en 2,3% non-binaire persona's zien. Bijna in balans, maar niet uniform over branches. Als AI uw branche associeert met een andere genderverdeling dan uw marketing aanneemt, sluiten uw boodschap en beeldmateriaal mogelijk niet aan bij de personaprofielen die AI voor aanbevelingen gebruikt.
5. De meeste merken dekken gemiddeld slechts 1,4 van de 5 koperbehoeften
De dataset identificeert vijf kerninformatiebehoeften per persona. De meeste merken adresseren er minder dan twee. De onvervulde behoeften die de Persona Matcher toont, brengen contentgaten aan het licht die rechtstreeks van invloed zijn op uw aandeel in AI-aanbevelingen.
Als een koper een vraag stelt en uw content die niet beantwoordt, zal AI een merk aanbevelen wiens content dat wel doet. De lijst met onvervulde behoeften vertelt u welke vragen uw content niet adresseert.
Waarom dit belangrijk is voor AI-zichtbaarheid
AI-systemen indexeren niet alleen uw content. Ze modelleren uw publiek. Wanneer een gebruiker AI om aanbevelingen vraagt, beoordeelt het systeem of uw merk aansluit bij het personaprofiel dat het voor die vraag heeft opgebouwd. Als uw content het ene publiek signaleert en de vraag een ander publiek impliceert, gaat de aanbeveling ergens anders heen.
Dit is anders dan SEO. Zoekmachines matchen zoekwoorden. AI matcht intentie, context en aansluiting op het publiek. U kunt op Google ranken voor "beste CRM voor kleine bedrijven" en toch niet worden aanbevolen door AI als uw content zich richt tot enterprisekopers terwijl de vraag een solo-oprichter zonder technische achtergrond impliceert.
De Persona Matcher legt die misalignment bloot voordat die u aandeel in aanbevelingen kost. Het laat u zien wat AI gelooft over uw kopers, zodat u uw contentstrategie kunt bijstellen om erop aan te sluiten.
Voor wie deze tool is bedoeld
Contentstrategen: Vergelijk uw contentkalender met de persona's die AI aan uw merk koppelt. Identificeer welke publiekssegmenten u onderbedient.
Marketingdirecteuren: Valideer of uw interne persona's overeenkomen met de gedragsdata die AI gebruikt om aanbevelingen te vormen. Breng gaten aan het licht voordat ze de zichtbaarheid raken.
SEO-teams: Stap over van zoekwoordgedreven contentplanning naar intentiegedreven planning. Begrijp welke vragen uw kopers stellen die uw content niet beantwoordt.
Bureauteams: Gebruik personamatching als diagnostisch instrument in klantaudits. Laat klanten het gat zien tussen hun veronderstelde publiek en het model dat AI van hun publiek heeft.
Wat u krijgt wanneer u de tool gebruikt
Direct (geen aanmelding nodig): Drie gematchte persona's met volledige data over demografie, doelen, pijnpunten, zoekopdrachten en onvervulde behoeften.
Na e-mailcapture: Negen extra persona's voor een compleet profiel van 12 persona's. Het volledige rapport bevat:
- Analyse van personadiversiteit (hoe gevarieerd uw publiek is volgens AI)
- Score voor branchegereedheid (hoe goed uw branchecontent presteert in AI-systemen)
- Detectie van patronen over persona's heen (welke pijnpunten en doelen terugkeren in uw publiek)
- Aanbevelingen voor contentgaten (welke onderwerpen prioriteit verdienen op basis van onvervulde behoeften)
De tool linkt ook naar twee andere gratis diagnostische instrumenten: de Benchmark Calculator (vergelijk uw AI-zichtbaarheid met die van concurrenten) en de Readiness Score (beoordeel de AI-compatibiliteit van uw content).
Hoe u de resultaten gebruikt
Zodra u uw gematchte persona's heeft, legt u ze naast uw interne persona's. Let op deze patronen:
Leeftijdsdivergentie: Als de persona's van AI jonger of ouder uitvallen dan uw veronderstelde koper, stem dan boodschap en beeldmateriaal daarop af.
Intentiedivergentie: Als de persona's van AI een hogere informatieve intentie laten zien (leren, onderzoeken) dan uw content adresseert (productkenmerken, prijzen), verschuif dan de contentmix richting educatief materiaal.
Pijnpuntdivergentie: Als de persona's van AI pijnpunten benadrukken die uw content niet adresseert (werk-privébalans, naleving, complexiteit van tools), voeg dan content toe die die realiteit erkent.
Gaten in zoekopdrachten: Vergelijk de zoekopdrachten in uw gematchte persona's met uw contentbibliotheek. Welke vragen beantwoordt u niet?
Onvervulde behoeften: Behandel de lijst met onvervulde behoeften als een geprioriteerde contentroadmap. Elke onvervulde behoefte staat voor een vraag die kopers stellen en die uw content niet beantwoordt. Dat is een direct gat in uw AI-zichtbaarheid.
De praktische conclusie
Uw interne persona's beschrijven wie al bij u koopt. De persona's van AI beschrijven wie er zoekt naar oplossingen in uw categorie. Het gat tussen die twee modellen bepaalt of AI u aanbeveelt wanneer kopers om opties vragen.
Dat gat dichten is geen kwestie van contentvolume. Het is een kwestie van alignment. En de eerste stap is begrijpen wat AI gelooft dat uw kopers zijn.
De Persona Matcher laat u dat zien in drie klikken. Geen integratie nodig. Geen technische installatie. Alleen data.
Match uw persona's met wat AI gelooft over uw kopers. Gebruik de Persona Matcher om uw veronderstelde publiek te vergelijken met de PersonaGen-593K-dataset. Of controleer uw algehele AI-zichtbaarheid met de Benchmark Calculator en Readiness Score.
Gebaseerd op "PersonaGen-593K: A Large-Scale Dataset of AI-Generated Buyer Personas for Consumer Information-Seeking Behavior Research" door Dmitrij Żatuchin (EUAS) en Daniil Dzemesjuk (Rankfor.AI), preprint, ingediend bij Springer Discover Artificial Intelligence, 2026.