Meta-omschrijving: Eén getal vertelt je niet hoe je in AI-zoekresultaten verschijnt. Het is een gemiddelde van twee systemen die onafhankelijk van elkaar werken, gepersonaliseerd per gebruiker, en de tools die je dat getal verkopen rekenen erop dat je het verschil niet kent.
De vraag belandt nu bijna wekelijks op mijn bureau, telkens met dezelfde gegronde zelfverzekerdheid geformuleerd. “Hoe staat het met mijn AI-zichtbaarheid?” Klanten stellen de vraag op dezelfde manier als vroeger, toen ze vroegen naar hun ranking voor een zoekwoord: ze verwachten een getal terug, idealiter een dat sinds het vorige kwartaal is gestegen.
Ik kan ze dat cijfer niet geven. Niet omdat we er niet naar op zoek zijn, maar omdat het eerlijke antwoord complexer is dan een enkel getal kan weergeven, en ik zeg liever iets dat waar is dan iets dat er netjes uitziet. Die kloof tussen wat mensen willen laten meten en wat daadwerkelijk gemeten kan worden, is momenteel de kern van het hele verhaal rond de zichtbaarheid van AI.
Laten we eerst eerlijk zijn tegenover de fan-out.
De standaardaanpak is tegenwoordig het uitwerken van vragen. Je neemt de vragen die een koper zou kunnen stellen, breidt elke vraag uit naar een reeks natuurlijke taalvarianten, voert deze in bij een AI-engine en telt hoe vaak je merk terugkomt. Het is een verstandige aanpak en ik wil er zeker niet minachtend over doen.
Het is goedkoop. Het is herhaalbaar. Het transformeert een vage angst in iets waar je daadwerkelijk naar kunt kijken, en het is oneindig veel beter dan het alternatief van gissen of aannemen dat je onzichtbaar bent omdat een oprichter één prompt in ChatGPT heeft getypt en zichzelf niet zag. Als startpunt is het uitvoeren van een fan-out echt de juiste eerste stap. Iedereen die dit doet, loopt al voor op de rest die nog steeds discussieert over de vraag of dit allemaal wel relevant is.
Het probleem zit hem dus niet in de spreiding van de spelers. Het probleem is dat we de spreiding als eindstreep beschouwen.
Eén motor is geen “AI”.
De eerste barst verschijnt op het moment dat je beseft dat er niet één enkele “AI” zichtbaar is. Er is een hele ruimte vol AI’s, en ze zijn het niet met elkaar eens.
Voer dezelfde kopersvraag zelf in vijf zoekmachines in en u zult meestal de verschillen zien. ChatGPT plaatst een merk in de top drie en verwijst naar de prijspagina. Perplexity noemt het niet en baseert het hele antwoord op een concurrent. Gemini beschrijft het met een slogan die het bedrijf achttien maanden geleden heeft laten vallen. Google’s AI Overview is vaag en noemt niemand bij naam. Zelfde merk, zelfde vraag, zelfde middag. Rapporteer alleen de zoekmachine die het merk gunstig beoordeelt en je zou kunnen zeggen: “Je wint.” Rapporteer alleen de zoekmachine die het negeert en je zou kunnen zeggen: “Je bent onzichtbaar.” Beide waar. Geen van beide nuttig.
Een fan-out-run tegen één enkele engine, op één enkele dag, en vervolgens gerapporteerd als “uw AI-zichtbaarheid”, meet uw zichtbaarheid niet. Het meet de stemming van één engine op een dinsdag. Doe het goed en u voert dezelfde weloverwogen spreiding uit over meerdere LLM’s en AI-overzichten, met dezelfde bewoordingen, herhaaldelijk, omdat de antwoorden in de loop van de tijd veranderen naarmate de modellen onder u worden bijgewerkt. Dat is meer werk dan een dashboard wil toegeven. Het is echter ook de enige versie die u iets zinnigs vertelt.
De kern van de zaak: twee systemen, niet één.
Dit is het gedeelte waar de meeste scoretools volledig aan voorbijgaan, en het is het gedeelte waar Duane Forrester al jarenlang aan voorbijgaat.het pleidooi houden voorDuidelijker dan wie ook. Uw merk leeft niet in één geheugen binnen deze systemen. Het leeft in twee, en die falen op compleet verschillende manieren.
Een daarvan is parametrisch geheugen, de kennis die tijdens de training in het model wordt ingebouwd en vervolgens wordt opgeslagen tot de volgende trainingssessie. De andere is retrieval, de inhoud die de engine live ophaalt op het moment dat iemand een vraag stelt. Wanneer een antwoord over jou onjuist is, komt dat door een van deze twee, en de oplossing voor het ene probleem lost het andere niet op. Een enkele score kan je niet vertellen naar welk probleem je kijkt, wat betekent dat het je ook niet kan vertellen wat je vervolgens moet doen. Het vertelt je alleen dat je je slecht voelt.
Het is erg belangrijk om het verschil tussen deze twee herinneringen te kennen:
| Parametrisch probleem | Ophaalprobleem | |
|---|---|---|
| Het vertellen | Zelfverzekerd antwoord, geen bronvermelding. | Live citaten, maar niet die van jou. |
| De oorzaak | Tijdens de training is een verouderd of onjuist beeld van jezelf aangeleerd. | Uw pagina is niet geselecteerd, of die van een concurrent. |
| Wat het niet zal oplossen | Vandaag publiceer ik een correctie (het model is al getraind). | Wachten op de volgende trainingsloop |
| Wat echt helpt | Consistente, geverifieerde en doorzoekbare content nu, zodat de juiste versie de volgende keer wordt geleerd. | Structuur voor schone extractie, beantwoord de subvragen, versterk de bevestiging door derden |
Hetzelfde foute antwoord op het scherm. Twee totaal verschillende oorzaken, twee totaal verschillende taken. Voeg ze samen tot één groen getal en je kunt vol vertrouwen een kwart van de tijd besteden aan het repareren van de laag die nooit kapot is geweest.
En dan is er nog de vraag wie de vraag stelt.
Er is een derde aspect waar ik tot nu toe aan voorbij ben gegaan, maar dat verdient een aparte regel. Zelfs binnen één zoekmachine is het antwoord gepersonaliseerd voor de persoon die de vraag stelt. Een LLM (Learning Learning Machine) bewaart opgeslagen informatie, aangepaste instructies en chatgeschiedenis voor elke ingelogde gebruiker, opgeslagen in het account in plaats van op het apparaat. Daardoor kan dezelfde categorievraag van twee verschillende kopers twee verschillende shortlists opleveren. Dat is niet de tegenstelling tussen parametrische en retrieval-zoekopdrachten, maar een extra laag: wie stelt de vraag en wat de zoekmachine al over die persoon weet. Het is hetzelfde punt dat ik eerder maakte in…Je LLM-programma kent je niet, daarom zijn de antwoorden gemiddeld.Vanuit de andere richting. Je bent niet één nummer voor één systeem. Je bent een ander nummer voor elke ingelogde gebruiker die het systeem denkt te kennen.
Zelfs de grote spelers staan nog maar aan het begin.
Ook hier wil ik eerlijk zijn, want het zou makkelijk zijn om dit te interpreteren als “de tools zijn waardeloos”. Dat zijn ze niet. Ze zijn nog in een vroeg stadium.
Kijk goed naar wat de platformen zelf aanbieden, want dat geeft aan welke kant dit opgaat. Google voegde eraan toe:Rapporten over de prestaties van generatieve AI in Search ConsoleZo kun je zien hoe je eruitziet in AI-overzichten en AI-modus, wat de moeite waard is om te lezen naast dit artikel van mijn gewaardeerde collega Gregory Pinas over hoeSearch Console heeft de neiging om je uiteindelijk gegevens te tonen die het al had opgeslagen.Microsoft heeft eenAI-prestaties bekijken in Bing Webmaster ToolsGoogle is zelfs bezig met de uitrol van eenRapport over het aandeel van AI in de online communicatie binnen Merchant CenterUw producten benchmarken op AI-platformen en vergelijken met vergelijkbare merken.
Dit is goed. Het is, volgens hun eigen formulering, ook een begin. Elk van deze analyses bekijkt het oppervlak van het betreffende platform, wat precies de beperking van één engine is waar we het een paar alinea’s geleden over hadden, nu met een officieel logo erop. Wanneer de bedrijven met de meeste data versie 1 uitbrengen, moet je sceptisch staan tegenover elke tool van derden die stiekem suggereert dat het hele probleem al is opgelost met één enkele afbeelding.
Dit is geen opgelost probleem, en ik zou liegen als ik anders zou beweren. Het is niet opgelost door de platforms, niet door de tools, en ook niet door ons… (nog niet). We zijn nog steeds aan het uitzoeken wat de beste manier is om de juiste gegevens weer te geven, en ik vermoed dat het antwoord niet één getal is, maar meerdere: verschillende engines, verschillende momenten in de tijd, bijgehouden zodat je het beeld kunt zien veranderen in plaats van het te bevriezen in één enkel cijfer dat je ofwel flatteert ofwel in paniek brengt. Wanneer een klant vraagt hoe het met hun AI-zichtbaarheid gesteld is, is dat het eerlijke antwoord: welke engine, meermaals gecontroleerd, met of zonder bronvermelding, en in welk van de twee geheugensystemen het probleem zich bevindt. Als je dat allemaal samenvoegt tot één score, gooi je de enige onderdelen weg die je vertellen wat je moet doen. Dat verkoopt minder goed in een pitch dan een zelfverzekerd getal. Maar het is wel de waarheid, en de waarheid is meer waard dan een keurige maatstaf.
Wat ik de klant daadwerkelijk vertel
Daarom geef ik ze het onbevredigende, maar nuttige antwoord in plaats van het bevredigende, maar nutteloze antwoord.
Beschouw ‘AI-zichtbaarheid’ niet als een getal. Zie het als een vraag die je herhaaldelijk stelt aan de hand van verschillende engines en beide geheugensystemen, in die volgorde, voordat je ook maar één euro uitgeeft aan het oplossen van problemen. Controleer meer dan één engine. Lees de bronvermeldingen, want de aanwezigheid of afwezigheid ervan geeft aan met welk systeem je te maken hebt. Sorteer je problemen eerst op oorzaak voordat je ze sorteert op omvang. En houd de platforms in de gaten, want Google en Microsoft zullen deze rapporten blijven uitbreiden en de situatie zal voortdurend veranderen, ongeacht wat je vorige maand hebt gemeten.
Neem de momentopname van vandaag niet voor waar aan, niet voor uw eigen merk en niet voor software die zo snel verandert. Het cijfer dat u vorige week kreeg, is al enigszins fictief.
De leveranciers hebben gelijk dat zichtbaarheid van AI belangrijk is. Ze hebben echter ongelijk dat dit in een meetinstrument te vatten is. Iemand die je één duidelijke score kan geven voor zoiets rommeligs, meet niet je zichtbaarheid. Ze meten hoe graag je een cijfer wilde hebben.
