AI-tools zoals chatbots en zoekassistenten bevelen merken niet aan op basis van advertentiebudgetten, maar op basis van de sterkte en kwaliteit van hun associaties in de enorme hoeveelheid tekst waarop ze zijn getraind. Dit betekent dat je merk niet alleen bekend moet zijn, maar ook op de juiste manier en in de juiste context genoemd moet worden om door AI als een logische keuze te worden voorgesteld.

Wat er aan de hand is

Uit onderzoek, zoals besproken in Search Engine Journal, blijkt dat grote taalmodellen (LLM’s) zoals die van OpenAI en Google werken met ‘relationele kennis’. Dit is het vermogen van het model om verbanden te leggen tussen concepten, gebaseerd op hoe vaak en in welke context woorden samen voorkomen in hun trainingsdata. Wanneer een gebruiker om een aanbeveling vraagt (bijvoorbeeld “wat is een goede duurzame koffiemerk?”), scant het model niet het internet, maar doorzoekt deze interne kaart van associaties. Het merk dat het sterkst en meest positief geassocieerd wordt met termen als “duurzaam”, “koffie”, “eerlijke handel” en “kwaliteit” in die data, heeft de grootste kans om naar voren te komen. Dit proces wordt ’topical presence’ genoemd: de mate waarin een merk aanwezig is in de gesprekken en content rond een specifiek onderwerp.

Wat dit betekent

De implicatie is fundamenteel: de traditionele SEO-strategie van het ranken voor zoekwoorden verschuift naar het ranken voor concepten en associaties. Voor marketeers en ondernemers verandert het speelveld. Het gaat er niet langer om of je op pagina één van Google staat voor “laptop tas”, maar of het AI-model jouw merk associeert met concepten als “duurzame materialen”, “ergonomisch draagcomfort” en “zakelijk design”. Een klein, specialistisch merk dat consistent in niche-publicaties wordt genoemd als expert op een gebied, kan een sterke associatie opbouwen en daarmee concurreren met grotere merken die een bredere, maar zwakkere aanwezigheid hebben. Het risico is dat merken die vooral via betaalde kanalen of in generieke contexten worden genoemd, zwakke of zelfs geen duidelijke associaties opbouwen in de AI-data.

Hoe je dit kunt toepassen

De praktische toepassing draait om het bewust opbouwen van je ‘associatiekapitaal’ in de bronnen die AI-modellen waarschijnlijk voeden.

Als je een niche- of lokaal merk runt… is consistentie in messaging cruciaal. Zorg dat je kernwaarden (bijvoorbeeld “ambachtelijk”, “lokaal geproduceerd”, “circulair”) terugkomen in al je eigen content: website, blogposts, persberichten en social media. Wanneer onafhankelijke blogs, vakmedia of community-forums over je schrijven, versterken zij die associaties in het grotere data-ecosysteem.

Als je content maakt voor je bedrijf… moet je verder kijken dan zoekwoorden. Schrijf niet alleen over je product, maar positioneer het binnen bredere thema’s en oplossingen. Een installateur van warmtepompen zou moeten schrijven over “toekomstbestendig wonen”, “energieonafhankelijkheid” en “subsidiemogelijkheden”, niet alleen over “pomp installeren”. Zo koppel je je merk aan de onderwerpen waar klanten naar zoeken.

Als je samenwerkt met influencers of partners… kies dan niet alleen op basis van bereik, maar vooral op basis van relevantie voor je gewenste associaties. Een samenwerking met een influencer die bekend staat om duurzaam leven, versterkt je ‘groene’ associatie krachtiger dan een samenwerking met een algemene lifestyle-influencer met een groter publiek.

Als je je positionering herziet… analyseer dan eens welke termen en concepten je niet aan je merk gekoppeld wilt zien. AI leert ook uit negatieve of ongewenste associaties. Consistent en duidelijk communiceren over waar je voor staat (en waar niet) helpt om de gewenste relationele kennis te vormen.

Overweeg om een interne audit te doen: welke vijf kernconcepten moeten onlosmakelijk met jouw merk verbonden zijn? Controleer vervolgens of al je communicatie-uitingen deze concepten versterken. Dit is geen quick fix, maar een langetermijninvestering in hoe AI-systemen jouw merk in de toekomst zullen begrijpen en aanbevelen.

Bron: Search Engine Journal