Aanbevolen worden door ChatGPT: wat bepaalt wie genoemd wordt

Bereikbaar zijn maakt je kandidaat; aanbevolen worden is een selectiestap. Uit de opgehaalde pagina's noemt ChatGPT de bedrijven die het met vertrouwen en specifiek kan beschrijven: een bedrijf dat als één duidelijke entiteit herkenbaar is, door onafhankelijke bronnen bevestigd wordt en een smalle, winbare positie inneemt. Dit artikel gaat over die selectie; de volgorde waarin je haar verdient, staat in de hoofdgids van deze serie.

Deelname en selectie zijn twee problemen

De meeste adviezen gooien ze op één hoop. Ze falen verschillend en worden verschillend opgelost.

Deelname is of het model je überhaupt kan bereiken, lezen en herleiden: crawlertoegang, server-side tekst, één ondubbelzinnige bedrijfsidentiteit. Struikel je hier, dan helpt positionering niets, en de diagnose staat in verschijnen in ChatGPT.

Selectie is wat daarna gebeurt. Meerdere geschikte leveranciers zitten in de opgehaalde set. Het model noemt er twee of drie. Deze pagina gaat over die stap.

Het onderscheid is simpel te testen. Stel je categorievraag en kijk of concurrenten genoemd worden terwijl jij dat niet wordt. Zo ja, dan ben je deelnemer en verlies je de selectie.

Wat werkelijk samenhangt met genoemd worden

Kargaev (2026) bouwde een signaalhiërarchie voor generatieve zoekmachines en de volgorde is ongewoon helder. Merkentiteitsvermeldingen scoren NIS 0,918, het dominante signaal. Statistieken in de content 0,747. Bronvermeldingen in de content 0,671. Contentlengte 0,043, en laadsnelheid 0,000.

Daar volgen twee dingen uit, en het tweede is waar teams zich tegen verzetten.

Ten eerste: een model beveelt aan wat het kan beschrijven. Entiteitsvermeldingen domineren omdat ze de manier zijn waarop het model een zelfverzekerde beschrijving opbouwt: dit bedrijf, deze categorie, deze locatie, bevestigd door bronnen die niet van het bedrijf zijn.

Ten tweede: de knoppen waaraan klassieke SEO iedereen leerde draaien zijn hier op zichzelf bijna nul. Snelheid en lengte tellen nog voor lezers en voor klassieke posities. Ze bepalen alleen niet of een AI je noemt. Een snelle, lange, prachtig geoptimaliseerde pagina over een niet-herleidbaar bedrijf wordt niet aanbevolen.

Waarom bevestiging het wint van bewering

Een model dat afweegt of het je zal noemen vraagt zich in feite af hoe zeker het kan zijn dat de bewering veilig is. Wallat, Heuss, de Rijke en Anand (2025) beschrijven de getrouwheidseis bij retrieval-augmented generation: een systeem dat bronnen citeert wordt geacht zijn beweringen accuraat in die bronnen te gronden. Gronden is het makkelijkst wanneer meerdere onafhankelijke bronnen hetzelfde zeggen.

Daarom is je eigen website een zwak aanbevelingssignaal, hoe goed geschreven ook. Het is één bron, en die bron ben jij. Een vakblad, een branchegids, een reviewplatform en een casestudy van een klant die verenigbare dingen zeggen over dezelfde entiteit vormen een heel andere bewijssituatie.

de Oliveira (2026) beschrijft de cumulatieve versie hiervan als de autoriteitslus: sterkere semantische associaties verhogen de kans op toekomstige citatie, wat weer meer associaties oplevert. Het gaat traag, en het verklaart waarom gevestigde partijen hun positie houden, maar het verklaart ook waarom de eerste paar echte externe vermeldingen meer opleveren dan de volgende vijftig pagina's content.

Specificiteit is de hefboom die een kleiner bedrijf écht heeft

De MIT-meting van AI-zoeken (Aral, Li en Zuo, 2026) vond antwoorden die veel sterker dan klassiek zoeken concentreren op de top 1.000 sites, met duidelijk lagere antwoordvariatie. Op de brede categorievraag wint een kleine leverancier niet.

De zet is niet vechten om de brede vraag. De zet is het onmiskenbare antwoord zijn op een smallere: een specifieke sector, een specifieke beperking, een specifieke regio. "Marketingbureau" heeft geen verdedigbaar antwoord. "Bureau dat AI-zichtbaarheid in het Nederlands en Duits doet voor industriële toeleveranciers" wel, en het model neemt dat, omdat een specifieke match een veiliger bewering is dan een algemene.

Dat is een echte ruil. Je geeft breedte op die je toch niet won, en krijgt een vraag die je kunt winnen.

Het werk, op volgorde

  1. Maak de entiteit eenduidig. Eén statutaire naam consequent gebruikt, één beschrijving, één adres, Organization-schema, overal identieke gegevens. Tegenstrijdigheden zijn precies wat een model laat twijfelen.
  2. Schrijf de positie in platte uitspraken. Voor wie, wat, waar, en wat je níét doet. Dat laatste maakt je makkelijk te kiezen.
  3. Verdien bevestiging. Vakmedia, brancheverenigingen, reviewplatforms, met naam genoemd klantwerk. Drie goede verslaan dertig gidsvermeldingen.
  4. Beantwoord de categorievraag op je eigen site. Niet "onze diensten", maar de echte vraag die een koper typt, beantwoord in de eerste alinea.
  5. Meet met een vaste promptlijst, maandelijks, en lees de trend in plaats van één run. Antwoordvariatie is laag maar niet nul, dus één test is ruis.

In deze serie

Veelgestelde vragen

Hoe word ik aanbevolen door ChatGPT?

Maak jezelf herleidbaar tot één entiteit, formuleer een specifieke positie in gewone taal, en zorg dat onafhankelijke bronnen die bevestigen. Entiteitsvermeldingen zijn het sterkst gemeten signaal voor generatieve zoekmachines (Kargaev, 2026); bevestiging is hoe ze zich opstapelen.

Hoe krijg ik mijn bedrijf aanbevolen door ChatGPT?

Hetzelfde mechanisme, smal toegepast. Eén bedrijf wint door een vraag te bezitten die klein genoeg is om te beantwoorden (zijn sector, zijn regio, zijn beperking) in plaats van te concurreren om de categorieterm.

Kan ik betalen om aanbevolen te worden?

Niet voor de organische aanbeveling. Betaalde plaatsingen in AI-producten bestaan en worden apart gelabeld; ze veranderen niet hoe het model het antwoord daarboven samenstelt.

Hoe lang duurt het?

Toegangs- en entiteitscorrecties kunnen binnen weken veranderen wat het model zegt, omdat ophalen op het moment van de vraag gebeurt. Bevestiging gaat trager en stapelt zich op: de autoriteitslus die de Oliveira (2026) beschrijft loopt in maanden, niet dagen.

Beveelt ChatGPT aan op basis van reviews?

Reviewplatforms functioneren als bevestigende bronnen en dragen dus bij. Ze zijn geen scorebord dat het model afleest en rangschikt; een sterk profiel helpt vooral vaststellen dat de entiteit echt is en consistent beschreven wordt.

Waarom beveelt ChatGPT steeds dezelfde paar bedrijven aan?

Omdat AI-antwoorden veel lagere antwoordvariatie vertonen dan klassieke zoekresultaten (Aral, Li en Zuo, 2026) en concentreren op grote sites. De uitweg is een smallere vraag, niet een luidere claim op de brede.

Is aanbevolen worden hetzelfde als genoemd worden?

Nee. Een vermelding is je naam ergens in een antwoord, ook als achtergrond. Een aanbeveling is naar voren geschoven worden als de keuze. De mechaniek van het eerste staat in genoemd worden in ChatGPT.

Wat als het model ons verkeerd beschrijft?

Behandel het als een bevestigingsprobleem, niet als een contentprobleem. Het model stelde je samen uit wat het kon vinden; de oplossing is de juiste beschrijving consistent maken in de bronnen die het vindt.

Wil je zien voor welke vragen je al in aanmerking komt en welke je op de selectiestap verliest? De gratis scan draait de promptlijst en de entiteitscontroles voor je.