AI kiest welke merken het aanbeveelt op basis van de sterkte en consistentie van de associaties die in zijn trainingsdata bestaan tussen een merk en bepaalde onderwerpen, eigenschappen of gebruikssituaties. Dit betekent dat je merk niet alleen bekend moet zijn, maar ook op de juiste manier ‘verankerd’ moet zijn in het kennisnetwerk van de taalmodellen.

Wat er aan de hand is

Onderzoek naar grote taalmodellen (LLM’s) zoals die van OpenAI toont aan dat AI-merkaanbevelingen niet willekeurig zijn, maar gebaseerd op ‘relationele kennis’. Dit is het vermogen van een AI om verbanden te leggen tussen concepten op basis van hoe vaak en in welke context ze samen voorkomen in de enorme hoeveelheid tekst waarop het model is getraind. Wanneer een gebruiker bijvoorbeeld vraagt om een aanbeveling voor “duurzame sportkleding”, scant het model zijn kennisnetwerk niet alleen op merken die bij ‘sportkleding’ horen, maar ook op welke daarvan het sterkst geassocieerd worden met concepten als ‘duurzaamheid’, ’eco-friendly’ of ‘gerecycled materiaal’. De sterkte van deze associatie bepaalt of een merk wordt genoemd. Dit mechanisme verschilt van traditionele zoekmachines, die vaak reageren op exacte zoektermen en backlinks; AI werkt op basis van semantische verankering.

Wat dit betekent

Voor marketeers en ondernemers betekent dit een fundamentele verschuiving. Het draait niet langer alleen om zichtbaarheid (SEO) of om het aantal keer dat je merknaam voorkomt. De kernvraag wordt: waar en in welk verband wordt je merk genoemd in de publieke dialoog en content die AI’s voeden? Een merk kan zeer bekend zijn, maar als het in de data vooral geassocieerd wordt met ‘goedkoop’ of ‘problemen’, zal een AI het niet aanbevelen voor vragen over ‘premium’ of ‘betrouwbare’ producten. Dit raakt alle sectoren waar AI-aanbevelingen een rol gaan spelen: van retail en horeca tot B2B-diensten en financiële producten. Het creëert een nieuwe laag in merkpositionering die zich afspeelt in het onderbewuste van AI-systemen.

Hoe je dit kunt toepassen

De praktische toepassing hangt af van jouw situatie. Het doel is om de ‘relationele kennis’ over jouw merk in de breedste zin te sturen, zodat AI de juiste verbanden kan leggen.

Als je een lokaal merk met een sterke purpose runt… is het cruciaal dat die purpose consistent en op veel plekken wordt gecommuniceerd. Een bakkerij die ‘ambachtelijk’ wil zijn, moet die term niet alleen op zijn website gebruiken, maar er ook voor zorgen dat recensies, foodblogs, lokale media en sociale posts het merk in verband brengen met ‘vers’, ’traditioneel’ en ‘hoge kwaliteit’. AI leert de associatie door herhaling in verschillende contexten.

Als je een webshop hebt in een concurrerende niche… kun je je niet beperken tot productbeschrijvingen. Overweeg om content te maken die jouw producten koppelt aan specifieke gebruiksscenario’s of oplossingen. Schrijf blogposts over “De beste accessoires voor thuiswerken” en plaats je product daarin naast gevestigde merken en de gewenste kenmerken (bijv. ’ergonomisch’, ‘stijlvol’). Je voedt daarmee het semantische netwerk waarin AI opereert.

Als je een B2B-dienstverlener bent… ligt de focus op het associëren van je bedrijfsnaam met de uitdagingen en vaktaal van je doelgroep. Publiceer niet alleen over je eigen diensten, maar ook over de trends en problemen in de sector. Wanneer een AI-model leest dat jouw bedrijf vaak genoemd wordt in de context van ‘digitale transformatie in het MKB’ en ‘cloudmigratie’, vergroot dat de kans op een aanbeveling bij een gerelateerde vraag.

Als je je afvraagt hoe sterk je huidige associaties zijn… zou je een eenvoudige check kunnen doen. Vraag aan verschillende AI-tools (zoals ChatGPT, Claude of Gemini) om aanbevelingen in jouw categorie, en kijk of en hoe jouw merk genoemd wordt. Analyseer de taal die gebruikt wordt. Wordt het geassocieerd met de juiste termen? Dit geeft indirect inzicht in hoe je merk momenteel ‘verankerd’ is in het publieke kennisnetwerk.

Bron: Search Engine Journal