Nieuwe metrics voor AI-zichtbaarheid

De meeste B2B-marketeers meten hun zichtbaarheid nog altijd met een dashboard uit 2018: posities in Google, organisch verkeer en click-through rate. Het probleem is dat die cijfers steeds minder vertellen over wat er werkelijk gebeurt. Een AI-antwoord verschijnt boven positie één, beantwoordt de vraag van de gebruiker volledig, en er valt geen klik te meten. Je kan dus perfect “goed scoren” op je oude scorecard terwijl je in de praktijk onzichtbaar wordt in AI-zoeken.

Met nieuwe metrics voor AI-zichtbaarheid bedoel ik een set meetwaarden die niet langer klikken of posities tracken, maar wel of jouw content wordt opgehaald, geselecteerd, geciteerd en correct begrepen door taalmodellen zoals ChatGPT, Perplexity, Gemini en Google AI Overviews. In dit artikel leg ik de volledige meetstack uit en geef ik de formules en benchmarks die je nodig hebt om een eerlijk beeld te krijgen.

Wil je eerst het bredere kader? Lees dan de ultieme GEO-handleiding, waarin generative engine optimization (GEO) volledig wordt uitgelegd. Dit artikel zoomt specifiek in op het meetluik.

Benieuwd hoe AI je ziet? Draai je pagina door onze gratis GEO-check.

Waarom de oude metrics misleidend worden

Het is geen schande om dit toe te geven: een groot deel van onze klassieke SEO-metrics is verworden tot een misleidende proxy.

Keyword rankings houden geen rekening met AI-antwoorden die boven de eerste organische positie verschijnen.
Organisch verkeer wordt steeds vaker gekannibaliseerd door AI-antwoorden die de gebruiker tevredenstellen zonder doorklik.
Click-through rate veronderstelt dat de klik het doel is, terwijl zichtbaarheid in het AI-antwoord zelf vaak belangrijker wordt.

De oude metrics waren niet slecht: ze klopten voor traditioneel zoeken. Maar het spel is veranderd en onze scorecards niet. We moeten dus meten wat zichtbaarheid in AI-zoeken werkelijk bepaalt: selectie, extractie, salience en aanwezigheid.

De AI-zichtbaarheidsstack: vier lagen

De handigste manier om hierover na te denken is als een stack, waarbij elke laag voortbouwt op de laag eronder. Je kan niet geselecteerd worden als je niet eerst opgehaald wordt, en je positie tegenover concurrenten betekent weinig zonder gezonde onderliggende cijfers.

Laag	Wat het meet	Kernmetrics
1. Foundation	De basismechanica van zichtbaarheid	Retrieval rate, selection rate, citation frequency
2. Kwaliteit	Hoe goed je presteert wanneer je zichtbaar bent	Citation coverage, extraction depth, primary source rate
3. Positie	Je competitieve standing	Citation share, competitive index, visibility score
4. Gezondheid	Duurzaamheid en trend	Salience score, freshness index, velocity

Ik loop de belangrijkste laag per laag door.

Laag 1: Foundation metrics

Dit zijn de basismetingen waar al de rest van afgeleid wordt.

Retrieval rate = queries waarvoor je content wordt opgehaald / totaal aantal relevante queries. Dit is de voorwaarde voor alles: word je niet opgehaald, dan kan je ook niet gekozen worden. Een lage retrieval rate (onder 30%) wijst meestal op content die niet geïndexeerd is, niet aansluit bij de zoekintentie, of te weinig autoriteitssignalen heeft. Boven 60% zit je goed.
Selection rate = selecties / retrievals. Dit is wat mij betreft de kernindicator. Hij meet of het model jouw content effectief kiest nadat het ze heeft opgehaald uit de kandidatenset. Onder 25% is zwak, boven 50% is sterk. Lage selectie ondanks goede retrieval wijst bijna altijd op kwaliteits- of extractieproblemen, of een relevantiemismatch.
Citation frequency = citaten / totaal getrackte queries. Dit combineert ophalen en selecteren tot één uitkomstmetric. De vuistregel: citation frequency is ongeveer retrieval rate maal selection rate. Word je 50% van de tijd opgehaald en in 40% daarvan geciteerd, dan zit je citation frequency rond 20%.

Laag 2: Kwaliteitsmetrics

Deze meten hoe efficiënt je waarde captureert wanneer je effectief zichtbaar bent.

Citation coverage = geëxtraheerde tekens / totaal aantal tekens op de pagina. Hoeveel van je content-investering vertaalt zich naar AI-zichtbaarheid? Onder 20% is laag en wijst vaak op opgeblazen content of een structuur waarin het extraheerbare stuk moeilijk te vinden is.
Extraction depth = jouw geëxtraheerde woorden / totaal aantal woorden in het antwoord. Wanneer je geciteerd wordt, hoeveel van het antwoord komt dan effectief van jou? Onder 10% ben je een ondersteunende bron, boven 25% ben je de primaire stem met maximale merkaanwezigheid.
Primary source rate = primaire citaten / totaal aantal citaten. Hoe vaak ben je de prominent vermelde, eerst geciteerde bron in plaats van een voetnoot? Primaire status drijft merkzichtbaarheid, doorklikkans en autoriteitsassociatie.

Laag 3: Positiemetrics

Hier draait het om je competitieve standing. Vergelijk deze cijfers altijd met concurrenten, niet met absolute drempels.

Citation share = jouw citaten / totaal aantal citaten (alle bronnen). Dit is het AI-equivalent van marktaandeel. In competitieve markten is 30% of meer een dominante positie. Segmenteer dit per topiccluster, per platform en per periode.
Competitive index = jouw citaten / citaten van een concurrent. Waar citation share je algemene positie meet, tracket de competitive index een head-to-head duel. Boven 1 word je vaker geciteerd dan die concurrent, onder 1 verlies je het.
Visibility score = een gewogen samenvatting van meerdere factoren. Een werkbare formule weegt citation frequency (0,3), extraction depth (0,2), primary rate (0,2) en citation share (0,3), waarbij je elke component eerst normaliseert naar een schaal van 0 tot 100.

Laag 4: Gezondheidsmetrics

Deze laag meet duurzaamheid en richting. Dit is waar veel teams blind blijven.

Salience score meet de sterkte van de associaties die het model met jouw merk heeft, opgebouwd uit mention probability (de kans dat het model je ongevraagd noemt), recommendation confidence en association clarity. Dit is de parametrische basis van je zichtbaarheid: zit jouw merk al verankerd in het model, los van wat er live wordt opgehaald?
Freshness index = gewogen gemiddelde leeftijd van je zichtbare content, gewogen op extractiefrequentie. Content die vaak geëxtraheerd wordt weegt zwaarder. Gemiddeld ouder dan 12 maanden is stale, onder 6 maanden is fris.
Velocity = (citaten huidige periode min citaten vorige periode) / citaten vorige periode. Pas dit toe op elke metric. Positieve velocity betekent terreinwinst, negatieve velocity is een vroege waarschuwing voordat het een crisis wordt.

Platform-, query- en pagina-niveau

Geaggregeerde cijfers verbergen variatie. Drie verfijningen maken je meting bruikbaar voor optimalisatie.

Platformniveau. Bereken citation share en selection rate per platform. Je kan perfect domineren op Google AI Overviews en achterop hinken in ChatGPT. Een platform divergence index (standaarddeviatie van je platformmetrics gedeeld door het gemiddelde) toont waar platformspecifieke kansen liggen.
Queryniveau. Track selection rate per query en je rang per query. Zo zie je meteen welke queries je moet verdedigen (je bent nummer 1), aanvallen (je verliest) of veroveren (je bent afwezig).
Pagina- en sectieniveau. Bereken een page visibility score per pagina en een section extraction rate (hoe vaak een sectie geëxtraheerd wordt per keer dat de pagina opgehaald werd). Zo weet je welke content-structuren extractie effectief drijven en welke je moet herwerken.

Vijf merkgerichte GEO-metrics als aanvulling

De stack hierboven meet vooral gedrag op queryniveau. Daarnaast hanteren wij vijf merkgerichte indicatoren die meten hoe een model jouw merk begrijpt en vertrouwt. Ik heb die uitgebreid beschreven in de 5 kernindicatoren van AI-zichtbaarheid, kort samengevat:

Prompt Recall Rate (PRR): het percentage categorie-relevante prompts waarin je merk spontaan opduikt. Het generatieve equivalent van impression share. Opkomende merken zitten op 5 tot 10%, volwassen merken op 25 tot 40%.
Semantic Accuracy Index (SAI): hoe goed het model jouw positionering weergeeft. Noemt het je een “trucking app” of een “fleet intelligence platform”? Een lage SAI signaleert narratieve drift.
Source Diversity Ratio (SDR): de verhouding tussen unieke, gezaghebbende bronnen en het totaal aantal verwijzingen. Hoe verspreider je vermeldingen, hoe moeilijker je weg te trainen bent.
Trust Alignment Score (TAS): een composiet die autoriteit en sentiment van je bronnen weegt. Neutrale Wikipedia plus positieve G2-reviews plus feitelijke pers geeft een hoge TAS.
Model Drift Index (MDI): de snelheid waarmee je representatie verandert over modelupdates heen. Een hoge MDI betekent een instabiel verhaal en een risico op reputatieverval in het modelgeheugen.

Wil je weten hoe je citaten concreet detecteert en telt? Dat werk ik uit in citation mining: AI-citaties meten. De parametrische kant, hoe sterk je merk in het model verankerd zit, lees je in brand salience meten.

Van metrics naar dashboard en alerts

Losse cijfers zijn ruis. De waarde ontstaat wanneer je ze in context plaatst.

Trends boven momentopnames. Gebruik een 30-daags voortschrijdend gemiddelde om volatiliteit glad te strijken en jaar-op-jaar-vergelijkingen om seizoenseffecten eruit te filteren. Detecteer breekpunten in de trend en koppel ze aan oorzaken: een algoritme-update, een actie van een concurrent of jouw eigen optimalisatie.
Benchmark tegen de juiste groep. Vergelijk je metrics met het categoriegemiddelde, met de leider (de leader gap die je over tijd dicht of breder ziet worden) en met een realistische peer group van vergelijkbare spelers.
Stel alerts in. Een drempelalert (“citation share onder 15%”) en een anomaliedetectie (“selection rate wijkt 2 standaarddeviaties af van de trend”) vangen problemen vroeg op. Net zo waardevol zijn competitor-alerts wanneer een concurrent plots terrein wint.

Een executive-dashboard houdt het hierbij simpel: visibility score, citation share, selection rate, trend en één kerninzicht plus één risico en één actie. Een operationeel dashboard gaat dieper en toont citation share, selection rate en trend per topiccluster. Zo zien directie en uitvoerders elk wat ze nodig hebben zonder in cijferbrij te verzanden.

Veelgestelde vragen

Wat is het verschil tussen retrieval rate en selection rate?

Retrieval rate meet hoe vaak je content wordt opgehaald voor relevante queries, dus of je überhaupt in de kandidatenset belandt. Selection rate meet hoe vaak het model je content vervolgens effectief kiest en gebruikt nadat ze is opgehaald. Een hoge retrieval maar lage selectie wijst op een kwaliteits- of extractieprobleem: je wordt wel gevonden, maar niet goed genoeg bevonden om geciteerd te worden.

Welke metric is het belangrijkst om mee te beginnen?

Begin met selection rate en citation share. Selection rate vertelt je of je content sterk genoeg is om gekozen te worden, en citation share plaatst dat in competitieve context, het AI-equivalent van marktaandeel. Samen geven ze het snelst een eerlijk beeld van je positie. Voeg daarna velocity toe om de richting te bewaken.

Heb ik dure tooling nodig om dit te meten?

Niet om te starten. Veel van deze metrics meet je met discipline in plaats van infrastructuur: bouw een vaste promptbibliotheek van 25 tot 50 representatieve queries, draai die periodiek door de relevante AI-platformen en tel handmatig op of je wordt vermeld, geciteerd en hoe prominent. Voor schaal en automatisering komt gespecialiseerde tooling later van pas, maar het meetkader staat los van de tool.

Hoe vaak moet ik deze metrics meten?

AI-antwoorden zijn probabilistisch en veranderen met modelupdates, dus een eenmalige meting zegt weinig. Meet bij voorkeur maandelijks en werk met voortschrijdende gemiddelden en velocity, zodat je trends ziet in plaats van ruis. Stel daarbovenop alerts in voor scherpe afwijkingen, zodat je niet pas drie maanden later merkt dat je citation share is weggezakt.