research

Hoe wij AI-merkreputatie meten: de methode achter de Rankfor Index 2026

July 13, 2026
8 min read
n=35,640
Dmitrij Żatuchin
AI VisibilityMethodologyRankfor IndexAI Reputation IndexBrand ReputationMultilingual AI

Elke merkpagina op deze site toont één getal: een AI Visibility Score op een schaal van 100. Dit artikel legt stap voor stap uit waar dat getal vandaan komt, zodat je het kunt beoordelen, reproduceren of erover in discussie kunt gaan.

De korte versie: we stellen drie AI-modellen de vragen die echte kopers stellen, in elke taal van de regio, telkens opnieuw. Vervolgens scoren we wat er terugkomt op vijf componenten en publiceren we het resultaat voor elk merk dat we hebben gemeten.

Het corpus

De Noords-Baltische editie omvat 66 merken in 11 markten. Elk merk werd bevraagd in 12 talen (Litouws, Lets, Ests, Fins, Pools, Tsjechisch, Slowaaks, Zweeds, Noors, Deens, Duits, Engels) op drie AI-modellen met live webgrounding: GPT, Gemini en Perplexity Sonar. Dat leverde 35.640 gegronde antwoorden op met 131.667 citaties uit 21.077 unieke domeinen.

De Poolse editie omvat 46 consumentenmerken met Poolse koperprompts op dezelfde drie modellen, goed voor 17.891 citaties uit 1.907 domeinen.

Prompts met koopintentie sturen alles aan. We vragen wat een klant zou vragen ("beste muziekstreamingdienst in Zweden", "welke bank moet een klein bedrijf in Slowakije gebruiken"), nooit "vertel me over merk X". Een merk verdient zijn score door ongevraagd op te duiken.

De vijf componenten

De samengestelde score van elk merk is een gewogen som van vijf componenten, allemaal genormaliseerd naar 0-100:

  • Sentiment (25%): hoe positief de modellen het merk beschrijven wanneer het verschijnt.
  • Aanbeveling (25%): het aandeel van de koopintentie-prompts waarin de modellen het merk noemen. Dit is de component die het meest direct samenhangt met de pijplijn.
  • Bronkwaliteit (20%): wat voor soort domeinen de antwoorden gronden. Tier-1-media en branchekundige rapporten scoren hoger dan anonieme longtailpagina's.
  • Consistentie (20%): of het verhaal hetzelfde blijft over talen en formuleringen heen.
  • Stabiliteit (10%): of dezelfde vraag, opnieuw gesteld, hetzelfde antwoord teruggeeft. We meten dit met hetzelfde protocol van herhaalde prompts als onze gratis Dice Roller.

De samengestelde score valt in benoemde categorieën: 85 en hoger geldt als Sterk aanbevolen, 70 tot 84 als Aanbevolen, 40 tot 69 als Opkomend, onder de 40 als AI-onzichtbaar. De hoogste score op het klassement van 2026 is 67, wat je iets vertelt over hoeveel ruimte zelfs de koplopers nog hebben.

De cijfers die je nergens anders vindt

Drie metingen in de Index bestaan omdat meertalige data dingen blootlegt die studies in één taal niet kunnen zien.

Tweetalige straf. We vergelijken de AI Reputation Index van elk merk in de eigen thuistaal met die in het Engels. Latvijas Gāze scoort 60,1 in het Lets en 42,9 in het Engels, een thuisvoordeel van 17,2 punten dat verdwijnt zodra een koper van taal wisselt. Tatra Banka laat hetzelfde patroon zien bij +13,6. Wereldmerken zoals Spotify blijven binnen één punt over alle twaalf talen. Als je expansieplan ervan uitgaat dat je thuisreputatie meereist, vertelt dit getal je of dat werkelijk zo is.

Citatieconcentratie (bron-HHI). Een Herfindahl-Hirschman-index over de domeinen die de antwoorden van een merk gronden. Boven de 0,72 betekent dat enkele domeinen het verhaal beheersen, wat twee kanten op werkt: kwetsbaar, maar te herstellen via twee of drie domeinpartnerschappen. Onder de 0,50 betekent dat het verhaal breed verspreid en veerkrachtig is.

Blinde talen. Het aantal onderzoekstalen waarin de score van een merk onder de regionale ondergrens van 45 punten valt. Een merk kan zijn thuismarkt aanvoeren en in acht van de twaalf talen functioneel onzichtbaar zijn.

Wat we publiceren

Elk gemeten merk krijgt een openbare pagina op /ai-visibility/{brand} met de score, rang, sentiment per model, taalafwijkingsgrafiek en citatiebronnen: Spotify, Wise, Amica en 108 andere. De volledige ranglijst, de landgewijze uitsplitsingen en het downloadbare rapport staan op de Index-hub, met de hergebruiksvoorwaarden in de perskit.

We meten zichtbaarheid, verhaal en aanbevelbaarheid in AI-antwoorden. We beoordelen niet de kwaliteit van het bedrijf of het product. Een lage score betekent dat AI jouw verhaal niet vertelt, en dat is een oplosbaar marketingprobleem, geen oordeel over de onderneming.

Datums en versies

De Noords-Baltische data werd verzameld en gepubliceerd in april 2026 en voor het laatst bijgewerkt in mei 2026. De Poolse editie verscheen in juni 2026. Modelversies worden per studie vastgelegd; wanneer we de Index opnieuw draaien, blijven eerdere scores gearchiveerd zodat de verschuivingen meetbaar zijn.

Vragen over de methode, of wil je jouw categorie laten meten? Neem contact op met het team.

Continue Reading

research

Where AI Gets Its Answers: 167,551 Citations Behind Brand Reputation

A cross-market citation dataset: 167,551 URL-grounded citations across 128 brands, 13 languages, and 12 markets from GPT, Gemini, and Perplexity. AI grounds brand answers in third-party sources 85.7% of the time; 18% of domains carry 80% of citations; Wikipedia is the top domain in 11 of 12 languages. Open under CC-BY-4.0 with DOI.

article

Google-First Poland: Field Notes on Where Buyers Start With AI

A live Warsaw poll says Poland starts search inside Google's ecosystem (75%), with Gemini ahead of ChatGPT. Our 46-brand, 17,891-citation study adds the measured part: YouTube is the only channel where every brand appears, and two ice-cream brands show how differently AI builds a reputation from sources.

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.

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.

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 and EUAS, 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