Naar de inhoud

Blog

Driehonderd vragen per dag, of acht vragen gedurende dertig dagen?

Door Johnny Lagneau · Gepubliceerd op 21 oktober 2026

Vertaald uit het Frans. Lees het origineel

Wat metingen van AI-zichtbaarheid waard zijn, volgens vier recente studies en mijn eigen cijfers.

Op 13 en 14 oktober sprak ik met drie mensen die elke dag met AI-zichtbaarheid bezig zijn: een SEO- en GEO-specialist die net een grote bank verlaten heeft, een zelfstandige GEO-consultant en een GEO-adviesbureau in Brussel.

Drie gesprekken, drie profielen, en ik hoorde drie keer dezelfde vraag, in andere woorden: hoeveel vragen moet je volgen, en hoe vaak, opdat de meting iets oplevert?

Ik leid VectorGap. Ik meet wat de AI's over een merk antwoorden, stad per stad en taal per taal. Ik heb dus belang bij deze vraag, dat zeg ik er meteen bij.

Ik heb de week besteed aan het lezen van de studies en het overdoen van mijn berekeningen. Dit is wat ik vond. De bronnen staan onderaan, u kunt elk cijfer controleren.

Twee scholen, en onenigheid over het aantal vragen

De eerste school verkoopt volume: tientallen, vaak honderden vragen per merk, elke dag gesteld aan vier, acht of dertien AI-engines. De instapformules die ik noteerde, beginnen bij 25 of 50 vragen. De formules voor grote ondernemingen gaan tot enkele honderden.

De tweede school, recenter, zegt 5 tot 10 vragen per site, niet meer. Op 15 oktober publiceerde een consultant op X de werkwijze van een Frans SEO-bureau met meer dan 400 klanten: vijf tot tien vragen per site, en boven de tien wordt het werk onbeheersbaar. Zijn idee: achter elke vraag lanceert de AI een tiental verborgen zoekopdrachten, en net aan die zoekopdrachten moet je werken.

Ik denk dat de twee scholen ruziën over het verkeerde cijfer. Het aantal vragen telt minder dan de precisie van elke meting.

Wat een AI-antwoord waard is, gemeten

Als ik ChatGPT twee keer dezelfde vraag stel, krijg ik niet twee keer hetzelfde antwoord. Dat heeft iedereen al gemerkt. Onderzoekers hebben het gemeten.

SparkToro en Gumshoe (studie gepubliceerd in januari 2026: 2.961 prompts, 12 vragen om merkaanbevelingen, 60 tot 100 doorlopen per vraag en per engine): ChatGPT en Google AI geven minder dan één keer op 100 dezelfde lijst merken terug. Dezelfde lijst in dezelfde volgorde: minder dan één keer op 1.000.

EWR Digital (12.778 antwoorden op vijf engines, van januari tot juni 2026) keek naar de geciteerde bronnen: dezelfde vraag aan dezelfde engine geeft in minder dan 2,5% van de gevallen dezelfde set bronnen terug. Voor ChatGPT: 0,06%.

Dezelfde studie geeft de foutmarge van een aanwezigheidsmeting: met één enkele doorloop ongeveer ± 33 punten. Met zeven of acht doorlopen ongeveer ± 10.

En de universiteit van Sankt Gallen (april 2026) maakte de berekening over de tijd: met achtentwintig dagen dagelijkse meting van dezelfde vragen daalt de marge tot ongeveer ± 6,5 punten.

Ik onthoud één ding uit deze drie studies: een enkele momentopname is niets waard. "Ik heb het aan ChatGPT gevraagd en we stonden er niet in" is geen meting, het is een trekking.

En de precisie komt van het herhalen van dezelfde vragen in de tijd. De grote tools weten dat, want ze stellen hun vragen elke dag opnieuw.

Waar zit dan het verschil tussen driehonderd vragen en acht? In wat je kunt lezen. Driehonderd vragen die elke dag gevolgd worden, geven driehonderd precieze curves, en de klant zal alleen de score lezen die ze samenvat. Acht vragen die elke dag gevolgd worden, geven acht curves die ik één voor één kan lezen, met de bronnen en de concurrenten achter elke curve.

Ik beweer niet fijner te meten dan een tool met driehonderd vragen. Ik beweer te meten wat een zaakvoerder kan lezen en waarop hij kan handelen, in zijn stad en in zijn taal, en hem de grens van de meting te zeggen.

De berekening die niemand voor de klant maakt

Neem een gangbare formule: 150 vragen, 8 engines, elke dag. Dat zijn 36.000 antwoorden per maand voor één enkel merk. Met gemiddeld negen geciteerde bronnen per antwoord (dat meten de studies), komt dat op ongeveer 324.000 citaties per maand.

Wat doe je met 36.000 regels? Niemand leest ze. De tool voegt ze samen tot een score, en de score beweegt elke dag, omdat de AI zelf elke dag beweegt.

Sistrix heeft het gemeten (82.619 prompts, zes landen waaronder Frankrijk, zeventien weken): van de ene week op de andere is 74% van de bronnen die ChatGPT citeert nieuw. Bij Google AI Mode 56%. Bij de AI Overviews van Google slechts 5%: daar ligt het bijna vast.

Een dagelijkse meting van ChatGPT ziet dus vooral het toeval van de trekking, en een dagelijkse meting van een AI Overview ziet vooral hetzelfde als de dag ervoor. In beide gevallen is de dag de verkeerde eenheid. De juiste eenheid is het venster: twee tot vier weken met dezelfde vragen, en ik kijk wat standhoudt.

(Ik voeg dit toe, want het is de vraag die ik elke keer krijg: nee, de antwoorden liggen niet "drie dagen vast". Ahrefs controleerde het op 43.000 zoekwoorden: geen verband tussen de populariteit van een vraag en de stabiliteit van het antwoord. Wat stabiel is, is de betekenis van het antwoord, niet de oppervlakte.)

Waarom bureaus breed meten, en waarom ik ze begrijp

Ik maak de marketingbureaus geen proces. Ik ontmoet er veel, en wat ik zie, is voorzichtigheid: een bureau meet breed omdat het bang is een gegeven te missen dat zijn klant gezien zou hebben. Broekriem en bretellen.

Het probleem is dat de AI dat gegeven de volgende dag al veranderd heeft. Sankt Gallen meet bijna twee derde andere bronnen van de ene dag op de andere, op dezelfde prompt. Het bureau kan niet missen wat de volgende dag niet meer bestaat.

Het echte risico voor het bureau ligt elders. Een klant op een dinsdag een "daling" tonen die alleen een trekking is, erop handelen, niets zien bewegen, en de klant verliezen. Wat het bureau beschermt, is de ruis van zijn meting kennen en alleen spreken over bewegingen die groter zijn dan die ruis.

Aan klantzijde zeggen de studies over besluitvorming al lang hetzelfde (een overzicht van 57 onderzoeken, gepubliceerd in 2023): boven een bepaald volume maakt meer informatie beslissingen minder precies en minder consistent, en duurt het langer om ze te nemen. Een zaakvoerder handelt op drie dingen per maand. Hij heeft die drie nodig.

Hoeveel vragen dan?

Geen enkele studie geeft een magisch getal. De gegevens laten toch toe te redeneren.

Achter een vraag lanceert ChatGPT gemiddeld 2,1 zoekopdrachten (Peec, ongeveer 5 miljoen geanalyseerde zoekopdrachten in april 2026). Je leest vaak tien; het zijn er twee. Tien vragen over hetzelfde beroep in dezelfde stad delen dus dezelfde zoekopdrachten en dezelfde bronnen. Ze apart meten voegt volume toe, geen informatie.

Het nuttige aantal vragen is het aantal echt verschillende intenties die een koper kan hebben. Voor een lokale zaak tel je ze op de vingers van één of twee handen: wie is de beste bij mij in de buurt, hoeveel kost het, is deze optie beter dan die andere.

De onderzoekers van Sankt Gallen werken met acht vragen per campagne. Het bureau met 400 klanten stopt bij tien. Zelf stel ik acht vragen, geschreven voor het merk (zijn beroep, zijn stad, zijn taal), en ik leg ze vast om ze opnieuw te kunnen stellen.

Ook de bronnen concentreren zich. Op 1,2 miljoen antwoorden van ChatGPT halen dertig domeinen 67% van de citaties over een onderwerp binnen. De 324.000 citaties uit de berekening hierboven komen neer op een dertigtal namen, en die vind ik met acht vragen.

Wat ik zie op dezelfde vragen, zonder iets meer uit te geven

Dit is het punt dat de tweede school vergeet. Als ik mijn acht vragen stel, antwoordt de AI niet alleen over het merk. Ze noemt andere merken en andere sites. In dezelfde antwoorden zie ik wie ze in de plaats aanbeveelt, wie ze als bron citeert, en waar niemand uit de sector aanwezig is.

Op 9 oktober stelde ik 8 kopersvragen, in het Frans en het Nederlands, aan 13 AI-configuraties, voor 46 Belgische webwinkels. ChatGPT noemt 41% van de winkels nooit (19 op 46). 17% (8 op 46) wordt overal genoemd. In de plaats van de afwezigen stuurt hij naar marktplaatsen en gidsen.

Daar liggen de plaatsen voor het grijpen. Ik zag het niet door vragen toe te voegen; ik zag het door de antwoorden op de acht te lezen.

Dan volgt de lus: meten, analyseren, besluiten, handelen, en de meting overdoen op dezelfde vragen. De nieuwe meting heeft alleen zin op dezelfde vragen, en ze heeft alleen zin als ik de ruis ken.

De dimensie die bijna niemand meet

Een koper in Brussel die in het Nederlands zoekt, krijgt niet het antwoord van een koper in Parijs in het Frans. Het lijkt evident, en toch zijn bijna alle metingen die ik zie "wereld" of "land", in één taal, zonder stad.

Van 24 tot 30 september 2026 heb ik 40 audits en 2.127 antwoorden gemeten. In Brussel komt in het Nederlands 3,5% van de geciteerde bronnen uit Nederland. In Luxemburg komt voor een verzekeringsmakelaar in het Frans 24,8% uit Frankrijk. In Canada komt in het Engels 14,6% uit de Verenigde Staten.

En voor eenzelfde Brusselse winkel, met websearch ingeschakeld, noemt 50% van de antwoorden hem in het Frans (27 op 54) tegenover 25% in het Nederlands (14 op 56), op dezelfde vragen.

De onderzoekers van Sankt Gallen zeggen het zelf in de beperkingen van hun paper: hun gegevens komen van Zwitserse servers, en hun resultaten gelden misschien niet voor andere talen of andere markten. De meting hangt af van de plaats en de taal. Een gemiddelde per land bestaat voor geen enkele koper.

(Ik denk ook dat lokaal een voordeel heeft: smalle intenties en minder bronnen, dus minder ruis. Ik zeg "ik denk" omdat ik het nog niet gemeten heb. Dat loopt, zie verder.)

Wat ik nog niet weet

Ik schrijf liever op wat me ontbreekt.

Eerst: hoeveel een AI-antwoord op een lokale vraag van de ene dag op de andere beweegt, als niemand iets aanraakt. De studies hierboven hebben het gemeten op algemene vragen, in het Engels of het Duits, niet per stad, niet in het Frans of het Nederlands. Ik bereid een test van dertig dagen voor: tien Belgische merken, twee talen, acht vragen, elke dag, zonder enige actie.

Ik publiceer het resultaat, wat het ook is. Als het toont dat het dagelijkse niveau veel beweegt, moet het argument van de frequentie ernstig genomen worden. Als het niet beweegt, volstaat een wekelijkse meting, en die kost zeven keer minder.

Vervolgens: de verborgen zoekopdrachten die de AI achter elke vraag lanceert. Ik kan ze tellen. Hun tekst lees ik nog niet. Dat is de volgende stap.

En een grens van mijn eigen meting, om consequent te zijn met wat ik anderen verwijt: met een honderdtal antwoorden per taal ziet een momentopname een verandering van 15 punten, niet van 5. Om 5 punten te zien, heb je de reeks in de tijd nodig. Daarom maak ik ze.

Wat ik onthoud

Volume is niet het probleem, en het is ook niet het antwoord. Driehonderd vragen die elke dag gevolgd worden, meten een trend; acht vragen die elke dag gevolgd worden ook. Het verschil is dat de acht leesbaar zijn, en dat ik in dezelfde antwoorden de concurrenten, de bronnen en de vrije plaatsen zie, in de stad en de taal waarin de klanten kopen.

Ik kan me vergissen. Dit is een mening die steunt op mijn metingen en op vier studies. Als u anders meet en het werkt, interesseert me dat.

U die merken volgt in de AI's: hoeveel vragen volgt u echt, en hoeveel leest u er?

Bronnen. SparkToro en Gumshoe, 2.961 prompts (via Search Engine Journal, januari 2026). EWR Digital, "AI answer variance", 12.778 antwoorden, januari tot juni 2026. Schulte, Bleeker, Kaufmann (Universiteit van Sankt Gallen), "Don't Measure Once: Measuring Visibility in AI Search (GEO)", arXiv 2604.07585, april 2026. Sistrix, 82.619 prompts, december 2025 tot april 2026. Ahrefs, 43.000 zoekwoorden, AI Overviews.

Peec, ongeveer 5 miljoen zoekopdrachten, april 2026. Kevin Indig, 1,2 miljoen antwoorden van ChatGPT (via Search Engine Land). Overzicht van 57 studies over informatieoverload en besluitvorming, Management Review Quarterly, 2023. Metingen van VectorGap: 24 tot 30 september 2026 (40 audits, 2.127 antwoorden); 9 oktober 2026 (46 Belgische webwinkels, FR en NL).