AI Ranking Tools
Alle artikelen
Door De redactiebrand-narrativefact-checkmerkperceptienauwkeurigheid

AI maakt fouten over mijn merk: wat nu?

Niet elke fout in een AI-antwoord heeft dezelfde oorzaak. Zo herken je of een claim verouderd, verwisseld, verzonnen of verkeerd gepositioneerd is, of gewoon waar, en wat je per soort doet.

Stel dat je een softwarebedrijf hebt, laten we het Acme noemen. Je vraagt ChatGPT wat Acme kost en het antwoord noemt een prijs van twee jaar geleden. Perplexity meldt dat Acme een koppeling met Salesforce heeft, die nooit heeft bestaan. En Gemini haalt je door elkaar met een Belgisch bedrijf dat bijna hetzelfde heet. Drie fouten, en de eerste reflex is om ze alle drie op dezelfde manier aan te pakken: een blogartikel schrijven dat de zaak "rechtzet".

Dat helpt zelden. Elke fout heeft een eigen oorzaak en dus een eigen oplossing. Een verouderde prijs los je op bij de oude pagina die nog rondzwerft. Een verwisseling los je op door duidelijker te maken wie je bent. Een verzonnen functie ontstaat meestal doordat nergens staat wat je niet doet. Hieronder staan vijf soorten fouten, elk met een eigen aanpak.

Eerst sorteren, dan repareren

Schrijf elke foute bewering letterlijk op, met het model en de prompt erbij. Leg haar daarna naast drie vragen. Klopte het ooit? Gaat het wel over jouw bedrijf? Staat er ergens iets dat het tegendeel zegt? Met de antwoorden kom je bij een van de soorten hieronder.

Kijk ook naar hoe vaak een fout terugkomt. Een bewering die één keer in één model opduikt, is een ander probleem dan een bewering die elke dag in vier modellen staat. Begin bij die laatste.

Verouderd: het klopte ooit

Dit is de fout met de duidelijkste oorzaak. Het model noemt een oud plan, een prijs die je vorig jaar hebt aangepast of een productnaam van voor de rebranding. Ergens staat die informatie nog. Vaak op je eigen site: een aankondiging van een oude prijswijziging, een PDF met tarieven, een helpartikel dat niemand heeft bijgewerkt. Soms op een vergelijkingssite die je profiel nooit heeft ververst.

Zoek de pagina die de oude informatie bevat en werk hem bij, of stuur hem door naar de huidige versie. Laat een oude prijs niet naast de nieuwe staan zonder duidelijk label, want dan kan een model de verkeerde kiezen. Zet op je prijspagina zichtbaar wanneer hij voor het laatst is herzien. Komt de oude informatie van een pagina van iemand anders, dan heb je een citatieprobleem. Daarover gaat AI citeert verkeerde informatie over mijn merk.

Verwisseld met een bedrijf met een vergelijkbare naam

Hier zegt het model iets wat klopt, alleen niet over jou. Acme Software uit Utrecht krijgt de vestigingen, de oprichter of de reviews van Acme Systems uit Antwerpen. De kans daarop is groter bij een generieke naam, of als het andere bedrijf meer over zichzelf publiceert dan jij.

De oplossing is eenduidigheid. Zorg voor één pagina die zonder omwegen zegt wie je bent: volledige bedrijfsnaam, vestigingsplaats, wat je maakt, voor wie en sinds wanneer. Schrijf je naam overal op dezelfde manier. Leg in Organization-markup met sameAs vast welke profielen bij jou horen, zodat je LinkedIn-pagina en andere profielen aan je site gekoppeld zijn. En noem waar het kan de categorie erbij. "Acme, het planningsplatform voor installateurs" is lastiger te verwisselen dan alleen "Acme".

Let ook op je eigen cijfers. Als je meting elke vermelding van "Acme" als jouw merk telt, ziet je zichtbaarheid er beter uit dan ze is. Leg vast wat wel en niet als vermelding telt, zoals we uitleggen in Brand Book: wat telt als merkvermelding in AI.

Verzonnen: een functie of koppeling die niet bestaat

Een model dat de vraag "werkt Acme met Exact Online?" krijgt en nergens een antwoord vindt, vult soms zelf in. Het resultaat klinkt aannemelijk, want concurrenten hebben die koppeling wel. Dit is de gevaarlijkste soort, omdat een prospect erop bouwt en pas na de aankoop merkt dat het niet klopt.

Meestal is de oorzaak een gat: geen enkele pagina zegt wat je wel en niet doet. Een integratiepagina met alleen logo's geeft een model weinig houvast. Schrijf per koppeling een regel tekst. Durf ook op te schrijven wat er niet is. Een FAQ-antwoord als "Acme heeft geen directe koppeling met Exact Online, maar je kunt wel naar CSV exporteren" geeft het model iets om te citeren in plaats van te raden. Zet zulke antwoorden in platte tekst op de pagina, niet in een afbeelding of een uitklapblok dat pas na een klik laadt.

Wil je dit soort feiten centraal beheren voor alles wat je publiceert, dan helpt een kennisbank met je eigen feiten.

Verkeerde doelgroep of positionering

Deze fout is subtieler. Het model zegt niets onjuists over een losse functie, maar zet je in de verkeerde hoek. "Acme is vooral geschikt voor grote ondernemingen", terwijl je aan het mkb verkoopt. Of je wordt de budgetoptie genoemd terwijl je je juist als premium positioneert. Dan word je aanbevolen bij prompts die je weinig opleveren en mis je de prompts die ertoe doen.

Kijk eerst naar wat je zelf uitstraalt. Zeggen je homepage, je prijspagina en je klantverhalen hetzelfde over voor wie je bent? Eén groot klantverhaal prominent op de homepage kan een ander beeld geven dan je bedoelt. Kijk daarna naar pagina's van derden: in welke lijstjes sta je, en naast welke concurrenten? Positionering verander je niet in een week. Wat wel helpt, is op je eigen pagina's consequent zeggen voor wie het product is, in de woorden die je doelgroep zelf in een prompt typt.

Waar, maar onvoordelig

Niet elke negatieve claim is een fout. Zegt AI dat je op zaterdag geen support hebt, en klopt dat, dan is het antwoord juist. Het voelt als een fout omdat het je een deal kost.

Content lost dit niet op. Je kunt context geven als die er is, bijvoorbeeld welke andere supportkanalen je wel hebt. Een tekst die een echt nadeel wegpoetst, werkt niet en kost je geloofwaardigheid. Geef de claim door aan wie erover gaat: product, support of pricing. Verandert het beleid, dan werk je je site bij en meet je of het antwoord meebeweegt.

Houd deze claims apart van de onjuiste. Wie alles wat negatief is als "fout" labelt, ziet niet meer waar het echte probleem zit.

Hoe je dit bijhoudt zonder spreadsheet

Met de hand kun je een handvol prompts nalopen. Zodra je meerdere modellen, thema's en concurrenten wilt volgen, wordt het een fulltime klus. Promptwatch heeft twee onderdelen die op deze sortering aansluiten.

Brand Narrative zit op elk plan. Het haalt de afzonderlijke beweringen over jou en je concurrenten uit de gevolgde antwoorden, groepeert herhalingen en laat zien hoe vaak een claim voorkomt en in welke modellen. De claims vallen onder thema's zoals Pricing, Features, Support en Reputation. Elke claim krijgt het label positief, neutraal, negatief of gemengd, en elk thema een score van 0 tot 100 die je naast die van concurrenten legt. Zo vind je de kandidaten: negatieve claims die vaak terugkomen.

Fact Check doet het sorteerwerk. Je markeert een claim als Accurate of Inaccurate, en Fact Check leest de pagina's die van je site zijn gecrawld op zoek naar pagina's die de claim stellen of juist het tegendeel. Je krijgt de citaten en een voorgestelde volgende stap. Bij een verouderde claim vind je zo de oude pagina die hem nog voedt. Bij een verzonnen functie zie je dat geen enkele pagina het tegendeel zegt, en dus waar het gat zit. Een ware maar onvoordelige claim markeer je als juist en geef je door. Fact Check gebruikt Agent Credits en toont vooraf een schatting. Het zit op Business (579 $/maand), Agency Scale (799 $/maand) en Enterprise, niet op Essential, Professional, Kick-off of Growth.

Sinds 4 november staat er volgens het changelog een nauwkeurigheidsscore bij: het aandeel van de gecheckte vermeldingen van je merk dat klopt, als één cijfer en als heatmap per model en thema. Claims die je zelf hebt gemarkeerd tellen zoals jij ze markeerde. Voor de rest beslist de laatst voltooide check. Claims zonder uitsluitsel en claims die nog niet zijn gecheckt, tellen niet mee. Hoe je die score leest, staat in Hoe nauwkeurig is AI over je merk?, en de claimlaag zelf in Wat beweert AI over je merk?.

Eén kanttekening. Een ware maar onvoordelige claim telt als juist, dus je nauwkeurigheid kan hoog zijn terwijl je sentiment op een thema laag blijft. Dat is geen fout in de score. Het is precies het onderscheid uit de laatste categorie.

Zo pak je het aan

  1. Open Brand Narrative en kies het thema dat voor je verkoop het zwaarst weegt.
  2. Pak de vijf negatieve claims die het vaakst voorkomen.
  3. Bepaal per claim de soort: verouderd, verwisseld, verzonnen, verkeerde positionering of waar.
  4. Laat Fact Check de twijfelgevallen nalopen en lees de citaten zelf.
  5. Repareer per soort: oude pagina bijwerken, identiteit verduidelijken, gat dichten, positionering rechttrekken of doorgeven aan product.
  6. Meet na een paar weken opnieuw, per model en per thema.

Reken niet op een snelle ommekeer. Een gecorrigeerde pagina garandeert niet dat een model morgen anders antwoordt. Je kunt alleen opnieuw meten en kijken of de claim zeldzamer wordt.

Volgende stap

Fact Check zit op Business, en dat plan kun je net als de andere self-serve plannen 7 dagen gratis proberen bij maandelijkse betaling. Kies op de prijspagina van Promptwatch voor Business, voeg je belangrijkste koopprompts toe en zet de fouten die je nu al kent bovenaan je lijst om te checken zodra de eerste antwoorden binnen zijn.