We analyseerden wat AI daadwerkelijk gelooft over kopers in 25 sectoren. De bevindingen zouden je manier van denken over contentstrategie moeten veranderen.
De meeste merken maken content op basis van aannames. Interne workshops leveren drie tot vijf koperspersona's op die goed aanvoelen, en die persona's bepalen de contentkalender voor het komende jaar. Misschien nog langer.
Het probleem is dat AI-systemen, die steeds vaker het onderzoek van kopers bemiddelen, werken met een compleet ander model van wie je kopers zijn en wat ze willen. En dat model is opgebouwd uit patronen in miljoenen datapunten, niet uit een sessie van twee uur met stakeholders.
We wilden weten: wat gelooft AI daadwerkelijk over kopers? Niet wat marketeers aannemen. Niet wat CRM's suggereren. Wat komt naar voren wanneer je gedragsdata van kopers op grote schaal synthetiseert en structureert?
Daarom bouwden we de grootste dataset van koperspersona's die ooit is gepubliceerd. En de patronen die deze onthult, zouden elke contentstrateeg moeten aanzetten om zijn funnel te heroverwegen.
Wat we bouwden en waarom
PersonaGen-593K is een dataset van 593.181 door AI gegenereerde koperspersona's, verspreid over 339 sectoren (25 primaire branches). Elke persona bevat gestructureerde gedragsdata: wie ze zijn, waar ze naar zoeken, welke vragen ze hebben, welke doelen hen drijven en wat hen frustreert.
De ruwe cijfers:
| Attribuut | Volume |
|---|---|
| Totaal aantal persona's | 593.181 |
| Sectoren gedekt | 339 (25 primaire branches) |
| Zoekopdrachten geëxtraheerd | ~3 miljoen |
| Informatiebehoefte-uitspraken | ~3 miljoen |
| Doeluitspraken | ~1,8 miljoen |
| Pijnpunt-uitspraken | ~1,8 miljoen |
We begonnen met ongeveer 40 miljoen ruwe persona-beschrijvingen uit vier openbare datasets (NVIDIA, BSC-LT, Orange en Tencent). Via GPU-versnelde deduplicatie en semantische filtering brachten we dat terug tot ongeveer één miljoen unieke beschrijvingen. Vervolgens verrijkten we elke beschrijving met gestructureerde gedragsattributen met behulp van een groot taalmodel, wat uiteindelijk 593.181 volledige, gevalideerde persona's opleverde.
Dit is geen enquête onder 500 mensen. Het is een gestructureerde synthese van wat AI-modellen begrijpen over koopgedrag, op een schaal die traditionele onderzoeksmethoden jaren en miljoenen euro's zou kosten om te benaderen.
De bevinding die je contentstrategie zou moeten herschrijven
78,7% van de zoekopdrachten van kopers is informatief. Slechts 4,3% is transactioneel.
Lees dat nog eens. Van de bijna 3 miljoen zoekopdrachten in de dataset zijn bijna vier op de vijf vragen zoals "Hoe evalueer ik X?" of "Wat zijn de beste benaderingen van Y?", geen opdrachten als "Koop X" of "Neem een abonnement op Y."
De overige 17% is commercieel: vergelijkingsvragen zoals "Welke leverancier moet ik kiezen?" Dat is de overwegingsfase. Belangrijk, maar nog steeds niet transactioneel.
Wat dit in de praktijk betekent
| Zoekintentie | Aandeel van zoekopdrachten | Wat kopers doen |
|---|---|---|
| Informatief | 78,7% | Leren, onderzoeken, opties begrijpen |
| Commercieel | 17,0% | Leveranciers vergelijken, alternatieven wegen |
| Transactioneel | 4,3% | Klaar om te kopen, abonneren of aanmelden |
De meeste contentstrategieën zijn opgebouwd rond de onderkant van de funnel. Productpagina's. Prijsvergelijkingen. Feature-matrices. Demoaanvragen. Dat is de 4,3%.
De 78,7%, de vragen die kopers daadwerkelijk stellen, wordt vaak onderbediend. En dat is precies de content waaruit AI-systemen putten wanneer ze aanbevelingen vormen.
Als je merk geen sterke informatieve content heeft die de vragen beantwoordt die kopers stellen voordat ze klaar zijn om te kopen, dan zal AI iemand aanbevelen die dat wel heeft.
Vijf sectorpatronen die de moeite waard zijn om te kennen
De dataset onthult duidelijke gedragssignaturen per sector. Hier zijn de patronen die het meest relevant zijn voor content- en marketingleiders.
1. EdTech domineert in volume, en in kansen
EdTech is goed voor 24,3% van alle persona's in de dataset (36.152). Dat komt niet doordat we deze sector oververtegenwoordigd hebben in onze steekproef. Het kwam op natuurlijke wijze naar voren uit de brondata, als weerspiegeling van het pure volume en de diversiteit van leergericht koopgedrag.
EdTech-persona's concentreren zich rond certificeringstrajecten, flexibiliteit van online leren en vaardigheidsontwikkeling. Als je actief bent in onderwijstechnologie, aanverwante leerdiensten of professionele ontwikkeling, dan is dit de grootste bereikbare persona-pool in de dataset. De contentkans is enorm, en dat geldt ook voor de concurrentie om aandacht binnen AI.
2. Consulting heeft de hoogste commerciële intentie
Terwijl de totale dataset naar het informatieve neigt, gaan Consulting-persona's tegen de trend in. Ze vertonen de hoogste commerciële zoekintentie met 28%, bijna het dubbele van het datasetgemiddelde van 17%.
Kopers in consulting weten wat ze nodig hebben. Ze vergelijken opties, ze verkennen het concept niet meer. Hun pijnpunten draaien om klantacquisitie en differentiatie, wat betekent dat content die hen helpt opties te evalueren (benchmarks, casestudy's, ROI-kaders) beter zal presteren dan algemene thought leadership.
3. Zorg staat voor een unieke compliance-uitdaging
Zorgpersona's vertonen de hoogste concentratie aan compliance-gerelateerde informatiebehoeften met 38%. Ze zoeken naar accreditatie, regelgevingsvereisten en evidence-based praktijken.
Voor merken in de zorg of aanverwante sectoren brengt dit een specifiek risico met zich mee: AI-systemen die aanbevelingen genereren over zorgonderwerpen hanteren een hogere lat voor nauwkeurigheid. Inconsistente of slecht gestructureerde zorgcontent wordt een bron van aansprakelijkheid wanneer AI deze in professionele contexten naar voren haalt.
4. Manufacturing wil proces, geen visie
Manufacturing-persona's clusteren rond operationele efficiëntie (29% van de doelen) en worstelen het meest met de complexiteit van tools (24% van de pijnpunten). Hun zoekopdrachten richten zich op procesoptimalisatie en automatisering.
Dit publiek reageert niet op aspirationele boodschappen. Ze willen specifieke informatie: implementatiegidsen, integratiedocumentatie, vergelijkingsmatrices met technische specificaties. Content die de visie overslaat en direct ingaat op het operationele "hoe" wint in deze branche.
5. Werk-privébalans is het universele pijnpunt
In alle 25 branches kwam werk-privébalans naar voren als het dominante pijnpunt met 107.000 vermeldingen. Het verschijnt als een top-vijf-zorg in 72% van de sectorsegmenten.
Dit is een sectoroverstijgende waarheid die de meeste B2B-content volledig negeert. Merken die de menselijke dimensie van professionele beslissingen erkennen, zoals tijdsdruk, cognitieve belasting en concurrerende prioriteiten, spreken tot de realiteit waarin hun kopers leven, niet alleen tot de categorie waarin ze kopen.
De demografie die AI aanneemt
De dataset onthult ook welk demografisch profiel AI associeert met verschillende sectoren en rollen:
- Genderverdeling: 52,2% vrouw, 45,4% man, 2,3% non-binair. Bijna in evenwicht, maar niet uniform over sectoren.
- Leeftijdspatroon: Bimodaal, met pieken bij 18-25 (27,9%) en 55-75+ (samen 41,4%). De midcareer-groep waar de meeste B2B-marketing zich op richt (25-55) is goed voor slechts 30,8%.
- Marktcontext: 71,5% B2C, 22,5% B2B, 4,4% B2B2C, 1,5% B2G.
De leeftijdsverdeling is bijzonder opmerkelijk. Als je contentstrategie uitgaat van een beslisser tussen de 35 en 50 jaar als standaardkoper, dan associëren AI-modellen je sector mogelijk met een heel ander demografisch profiel. Die mismatch tussen je veronderstelde publiek en het publiek dat AI veronderstelt, bepaalt welke content naar voren wordt gehaald en aan wie.
Wat dit betekent voor je merk
Als je actief bent in EdTech of professionele ontwikkeling
Je opereert in de meest overvolle persona-ruimte. Differentiatie vereist specificiteit: niet "wij helpen mensen leren", maar "wij helpen midcareer UX-designers de overstap te maken naar instructional design met door werkgevers erkende certificaten." De persona's laten zien dat certificeringstrajecten en flexibele planning de dominante zoektriggers zijn. Algemene leercontent breekt niet door.
Als je actief bent in Consulting of zakelijke dienstverlening
Je kopers hebben de hoogste commerciële intentie in de dataset. Ze vergelijken en shoppen, ze browsen niet. Investeer in content die evaluatie ondersteunt: transparante prijskaders, methodologievergelijkingen, klantresultaten met concrete cijfers. Het "thought leadership eerst"-draaiboek dat in andere branches werkt, kan hier onderpresteren omdat je kopers de bewustwordingsfase al voorbij zijn.
Als je actief bent in Manufacturing of industrie
Sla de visie over. Begin met operationele details. De persona's laten zien dat de complexiteit van tools de grootste frustratie is en procesoptimalisatie het belangrijkste doel. Content die meetbare efficiëntiewinst aantoont met duidelijke implementatiestappen sluit aan bij hoe AI de koopintentie in manufacturing karakteriseert.
Als je actief bent in de zorg
Structureer je content op nauwkeurigheid en compliance. AI-systemen zijn bijzonder voorzichtig met zorggerelateerde aanbevelingen, en de persona-data bevestigt dat je kopers prioriteit geven aan accreditatie- en regelgevingsinformatie. Ongestructureerde of dubbelzinnige content wordt in deze branche eerder door AI naar de achtergrond geschoven dan in enige andere.
Waar dit onderzoek vandaan komt
PersonaGen-593K is ontwikkeld door onderzoekers van de Estonian Entrepreneurship University of Applied Sciences (EUAS) en Rankfor.AI, en gepubliceerd als peer-reviewed artikel in het tijdschrift Discover Artificial Intelligence van Springer.
De methodologie bestond uit het samenvoegen van vier openbare persona-datasets (~40 miljoen ruwe beschrijvingen), het toepassen van GPU-versnelde deduplicatie om 89,5% van de duplicaten te verwijderen, en vervolgens het gebruik van semantische embedding-modellen om nog eens 76,2% van de bijna-duplicaten te elimineren. De overgebleven één miljoen unieke beschrijvingen werden verrijkt met gestructureerde gedragsattributen en gevalideerd via statistische analyse.
De volledige dataset, methodologie en analysecode zijn openbaar beschikbaar voor onafhankelijke verificatie.
De praktische conclusie
Gedragsdata van kopers op deze schaal vertelt een consistent verhaal: de meeste kopers stellen vragen, ze zijn niet op zoek om te kopen. De merken die AI-aanbevelingen winnen, zijn de merken waarvan de content die vragen helder, specifiek en in de taal die kopers daadwerkelijk gebruiken beantwoordt.
Als 78,7% van je potentiële kopers in de leerfase zit, en je contentstrategie 80% van de middelen toewijst aan productgericht materiaal onderaan de funnel, dan is er een structurele mismatch tussen wat je produceert en wat AI aanbeveelt.
Die kloof dichten is geen kwestie van meer contentvolume. Het is een kwestie van afstemming. En de eerste stap is begrijpen wat AI gelooft dat je kopers willen.
Controleer hoe AI de koperspersona's van je merk waarneemt. Gebruik de Persona Matcher om je veronderstelde persona's te vergelijken met wat AI daadwerkelijk aanbeveelt voor je sector. Of laat je merk door de AI Visibility Monitor lopen om te zien waar je staat.
Gebaseerd op "PersonaGen-593K: A Large-Scale Dataset of AI-Generated Buyer Personas for Consumer Information-Seeking Behavior Research" door Dmitrij Zatuchin (EUAS) en Daniil Dzemesjuk (Rankfor.AI), preprint, ingediend bij Springer Discover Artificial Intelligence, 2026.