Waarom heet het de Citation Method?

Omdat de citatie het punt is waarop zichtbaarheid meetbaar wordt. Alles daarvoor (in het geheugen van het model zitten, opgehaald worden, de herrangschikking overleven, in het contextvenster passen) is van buitenaf onzichtbaar en kan alleen worden afgeleid. De citatie is de eerste schakel die je direct kunt waarnemen, en dus het anker waaromheen de rest van de keten wordt gemeten.

Hoe verschilt de Citation Method van de ABC-methode?

De ABC-methode (Acquisition, Behavior, Conversion) is een framework om de commerciële keten van verkeer tot omzet te meten, en wordt hier nog steeds gebruikt als derde laag van de Citation Method. Wat ze niet doet, is verklaren waarom een AI-model je wel of niet citeert. De Citation Method voegt dat toe: acht schakels die beschrijven hoe het antwoord tot stand komt, en een diagnose die naar een ervan wijst. ABC vertelt je dat het verkeer niet converteert. De citatieketen vertelt je dat het verkeer nooit aankwam, en welke van de acht schakels het tegenhield.

Allebei, en het onderscheid doet er minder toe dan de terminologie doet vermoeden. AEO (Answer Engine Optimization) gaat meestal over de bron zijn die een antwoordmachine citeert; GEO (Generative Engine Optimization) over goed vertegenwoordigd zijn in gegenereerde tekst. In de citatieketen zijn het verschillende schakels van dezelfde keten: AEO weegt zwaarder op schakel twee tot en met zes, GEO op schakel vijf tot en met zeven. We bieden ze niet als losse diensten aan, omdat een merk dat bij schakel twee verliest niet geholpen is met werk dat op schakel zes is gericht.

Waar komen de acht schakels vandaan?

Uit hoe retrieval-augmented generation werkelijk werkt: een routeringsbeslissing, een ophaalstap, een herrangschikkingsstap, een contextvenster met een harde limiet, een generatiestap en een citatiestap die los van de generatie wordt bepaald. De laatste twee schakels, invloed en actie, zijn van ons: ze gaan over wat er gebeurt nadat het antwoord is gemaakt, namelijk of de beschrijving klopt en of er aan jouw kant iets gebeurt. Het model is beschrijvend, geen eigen vinding. Wat van ons is, is dat we elke schakel afzonderlijk meten en de diagnose als het eigenlijke resultaat behandelen.

Hoe lang duurt het voordat de methode resultaat laat zien?

De nulmeting staat na twee tot vier weken, en dan weet je voor het eerst waar je staat. Technisch werk in schakel twee en werk aan passages in schakel vier zie je doorgaans binnen weken terug. Selectie in schakel drie verandert binnen één à twee maanden. Entiteitswerk in schakel één is het langzaamst en moet in kwartalen worden beoordeeld, omdat het geheugen van het model pas wordt bijgewerkt wanneer de modellen zelf worden bijgewerkt.

Welke AI-modellen meten jullie?

Standaard ChatGPT, Gemini, Perplexity en Google AI Overview, afzonderlijk gemeten in plaats van gemiddeld. Ze uit elkaar houden is belangrijker dan het klinkt: hetzelfde merk is regelmatig dominant in het ene model en afwezig in het andere, en de oorzaken verschillen. Het ene model leest misschien een gerenderde pagina, terwijl het andere nooit voorbij het JavaScript komt.

Welke data hebben jullie nodig om te beginnen?

Voor fase één en twee niets anders dan je website en de namen van je concurrenten: de meting draait op openbare antwoorden van de modellen. Om de keten bij schakel acht te sluiten, hebben we ook analytics, Search Console en de bron van de conversiewaarde nodig: een CRM, orderdata of een offline proces. Zonder dat laatste is schakel acht giswerk, en dat zeggen we liever dan er een getal voor te rapporteren.

Kunnen we na de meting stoppen en de rest zelf doen?

Ja, en dat is een normale manier om de methode te gebruiken. Na fase twee heb je een nulmeting, en na fase drie een geprioriteerde lijst met oorzaken, gekoppeld aan schakels in de keten. Veel klanten nemen dat intern over en voeren de acties zelf uit. Voor de doorlopende meting komen de meesten terug, omdat een plan zonder tijdreeks erachter je niet kan vertellen of het werkte.

Meten jullie ook concurrenten?

Ja, en dat is geen add-on. Elke prompt levert op wie het model noemde, dus de zichtbaarheid van concurrenten is een bijproduct van het meten van je eigen zichtbaarheid. Dat is belangrijk, omdat share of voice in AI-antwoorden een pot van vaste omvang is: een antwoord noemt een handvol aanbieders, en ontbreken is dezelfde uitkomst, of de reden nu jouw content is of die van iemand anders.

Is de methode alleen voor grote bedrijven?

Nee. De keten werkt hetzelfde bij elke omvang; het verschil is hoeveel prompts en categorieën nodig zijn om de markt te dekken waarin je verkoopt. Een specialist met één dienstgebied is vaak makkelijker in beweging te krijgen dan een groot merk met een diffuse entiteit, omdat schakel één ondubbelzinnigheid beloont, niet omvang.

Wat onderscheidt de Citation Method van een gewoon AEO-aanbod?

De meeste AEO-aanbiedingen beginnen bij de oplossing (meer content, meer gestructureerde data, meer links) en rapporteren over activiteit. De Citation Method begint bij de diagnose en weigert te handelen voordat die er is. Elke actie moet de schakel noemen die ze moet verbeteren en de meting die laat zien of dat gelukt is. Kan dat niet, dan wordt ze niet uitgevoerd.

Methodologie voor AI-zichtbaarheid

De Citation Method

De methode van CitationLab voor AI-zichtbaarheid. Een AI-antwoord komt tot stand via acht schakels, en een merk kan bij elk daarvan afvallen. De methode meet de schakels afzonderlijk, zodat de diagnose de schakel kan benoemen die jou tegenhoudt.

Alles wat is gepubliceerdEén geciteerde bron

01Ontdekking
02Ophalen
03Selectie
04Context
05Generatie
06Citatie
07Invloed
08Actie

Vind de schakel. Los het op. Meet opnieuw.

Laat je keten in kaart brengen

In het kort

De Citation Method is de methode van CitationLab voor AEO- en GEO-optimalisatie. Ze is gebaseerd op hoe taalmodellen werkelijk antwoorden produceren: een antwoord komt tot stand via acht schakels (ontdekking, ophalen, selectie, context, generatie, citatie, invloed en actie) en een merk kan bij elk daarvan verliezen. De methode meet de schakels afzonderlijk in plaats van ze samen te voegen tot één score, en doorloopt vijf fasen: in kaart brengen, meten, diagnose, actie en opvolging. Het doel is te kunnen zeggen bij welke schakel je verliest, waarom, en wat er moet veranderen, in plaats van te gokken op “meer content” of “meer links”.

Laatst bijgewerkt 23. august 2026

Merken waarmee we werken

01De methode

De acht schakels

Zo komt een AI-antwoord tot stand, schakel voor schakel. De keten loopt van links naar rechts: je moet schakel één overleven om schakel twee te bereiken. De meeste merken die “niet zichtbaar zijn in ChatGPT” verliezen bij schakel twee of drie, en passen oplossingen toe die bij schakel vijf horen.

01
Ontdekking
De vraag: Wordt er überhaupt gezocht, en ben je aanwezig waar gezocht wordt?
Wat de doorslag geeft
Het systeem beslist eerst of het antwoordt vanuit het eigen geheugen van het model of door documenten op te halen. Antwoordt het vanuit het geheugen, dan wordt je zichtbaarheid bepaald door wat het model al over je heeft geleerd, niet door wat je gisteren hebt gepubliceerd.
Hoe het misgaat
Het merk ontbreekt in het geheugen van het model en de vraag leidt niet tot een zoekopdracht. Je bent onzichtbaar zonder dat er iets mis is met je website.
Hoe we het meten
Aandeel antwoorden dat tot ophalen leidt versus antwoorden uit het geheugen, per model en per prompt. Perception Match laat zien wat het model over je denkt zonder dat er bronnen bij zitten.
Wat we eraan doen
Bouw de entiteit op: consistente naam, categorie en feiten op je eigen site, in naslagwerken, branchebronnen en berichtgeving door derden. Dit is langzaam werk en wordt gemeten in kwartalen.
02
Ophalen
De vraag: Hoor je bij de documenten die daadwerkelijk worden opgehaald?
Wat de doorslag geeft
De vraag wordt opgesplitst in meerdere deelzoekopdrachten, en elke deelzoekopdracht haalt een klein aantal documenten op. De kandidatenlijst is kort en wordt bepaald door de index waartegen wordt gezocht, niet door hoe goed de pagina eruitziet.
Hoe het misgaat
De content heeft JavaScript nodig om te verschijnen, zit achter een toestemmingsmuur, is geblokkeerd voor AI-crawlers of bestaat niet in de taal waarin de vraag wordt gesteld.
Hoe we het meten
Crawlbaarheid voor AI-agents, indexdekking, robots- en rendercontroles in de site-audit, en welke van je URL's daadwerkelijk als bron opduiken in de terugkerende metingen.
Wat we eraan doen
Technisch fundament: server-side gerenderde content, toegelaten AI-crawlers, schone URL's, sitemaps, taalversies en een site die leesbaar is zonder code uit te voeren.
03
Selectie
De vraag: Overleef je de herrangschikking van de opgehaalde documenten?
Wat de doorslag geeft
De opgehaalde documenten worden opnieuw beoordeeld, dit keer nauwkeurig tegen de vraag zelf. Hier vallen de meeste af: opgehaald, maar niet gebruikt.
Hoe het misgaat
De pagina gaat over het onderwerp, maar beantwoordt de vraag niet. Ze is geschreven voor een zoekterm, niet voor hoe iemand een vraag aan AI formuleert.
Hoe we het meten
“Opgehaald maar niet geciteerd” per prompt: we zien welke van je URL's in de bronnenset kwamen zonder het antwoord te halen.
Wat we eraan doen
Schrijf voor de vraag in plaats van voor het zoekwoord: de vraag in de kop, het antwoord eerst, en content die de hele vraag behandelt in plaats van de helft.
04
Context
De vraag: Komt je tekst terecht in wat het model daadwerkelijk leest?
Wat de doorslag geeft
Alleen de hoogst gerangschikte passages passen in het contextvenster. Alinea's concurreren, geen websites. Een lang document met verspreide relevantie verliest van één strakke alinea.
Hoe het misgaat
Je antwoord staat er wel, maar is begraven onder een inleiding, marketingtaal en aanloop. De passage die wordt geëxtraheerd, zegt niets.
Hoe we het meten
Chunkalyzer in de module AI Monitor in Manager laat zien hoe je content in passages wordt opgedeeld en welke passages daadwerkelijk worden gekozen.
Wat we eraan doen
Chunkoptimalisatie: op zichzelf staande alinea's, definities die los te lezen zijn, tabellen en lijsten waar feiten horen, en de aanloop weghalen voor de kern.
05
Generatie
De vraag: Wordt jouw formulering gebruikt als het antwoord wordt samengesteld?
Wat de doorslag geeft
De generator bouwt het antwoord uit passages die direct antwoord geven, niet herschreven hoeven te worden om te kloppen, en iets toevoegen wat de andere bronnen niet hebben.
Hoe het misgaat
Je passage zit in de set, maar de formulering van een concurrent is makkelijker te hergebruiken. Je wordt achtergrond in plaats van een zin.
Hoe we het meten
Letterlijk hergebruik, en welke zinnen terugkomen over modellen en dagen heen.
Wat we eraan doen
Schrijf zinnen die ook zonder hun context overeind blijven als ze worden geciteerd: precieze cijfers, duidelijke grenzen, je eigen data en formuleringen die niemand anders heeft.
06
Citatie
De vraag: Word je genoemd als bron, met een link?
Wat de doorslag geeft
Of je wordt gebruikt en of je als bron wordt vermeld, wordt afzonderlijk bepaald. Het model kan het antwoord op jouw informatie bouwen en toch naar iemand anders linken.
Hoe het misgaat
Het merk wordt genoemd zonder link, of je informatie wordt toegeschreven aan een pagina die haar heeft overgenomen.
Hoe we het meten
Vermeldingen met en zonder link, per model en per prompt, en welke domeinen in jouw plaats als bron worden vermeld.
Wat we eraan doen
Maak de bron ondubbelzinnig: originele content, datering, auteursvermelding, canonicals, en zorg dat jij, en niet een aggregator, het citeerbare origineel bent.
07
Invloed
De vraag: Word je correct weergegeven, en verandert dat het beeld?
Wat de doorslag geeft
Een citatie is geen aanbeveling. Het model kan je in de verkeerde categorie noemen, met een verouderde prijs, of in een vergelijking die je verliest.
Hoe het misgaat
Hoge zichtbaarheid, verkeerd verhaal. Je wordt vaak genoemd en zelden aanbevolen.
Hoe we het meten
Sentiment en context per vermelding, welke eigenschappen je worden toegeschreven, met wie je wordt vergeleken, en het verschil tussen je eigen positionering en de beschrijving van het model (Perception Match).
Wat we eraan doen
Corrigeer de feitelijke basis waar het model die vandaan haalt, en maak de positionering zo ondubbelzinnig dat ze een samenvatting overleeft.
08
Actie
De vraag: Gebeurt er daarna iets aan jouw kant?
Wat de doorslag geeft
Een AI-antwoord stuurt minder bezoekers dan een zoekresultaat, maar die bezoekers zijn al verder in hun beslissing. De waarde zit in de conversie, niet in de klik.
Hoe het misgaat
Het verkeer komt binnen, maar de landingspagina beantwoordt iets anders dan wat de gebruiker net aan AI vroeg.
Hoe we het meten
AI-verwijzingen als eigen bron, merkzoekopdrachten, direct verkeer en conversie, gekoppeld aan CRM- of orderdata.
Wat we eraan doen
Landingspagina's die aansluiten op de intentie in de prompt, en meting waarmee een verwijzing vanuit ChatGPT waarde krijgt in plaats van te verdwijnen in “direct”.

02De methode

De keten in één oogopslag

Elke schakel heeft een eigen oorzaak, een eigen meting en een eigen oplossing. Daarom voegt de methode ze niet samen tot één score: één getal vertelt je dat het slecht gaat, niet waar.

De keten in één oogopslag
Schakel	Wat de doorslag geeft	Hoe we het meten	Typische oplossing
1.Ontdekking	Het systeem beslist eerst of het antwoordt vanuit het eigen geheugen van het model of door documenten op te halen. Antwoordt het vanuit het geheugen, dan wordt je zichtbaarheid bepaald door wat het model al over je heeft geleerd, niet door wat je gisteren hebt gepubliceerd.	Aandeel antwoorden dat tot ophalen leidt versus antwoorden uit het geheugen, per model en per prompt. Perception Match laat zien wat het model over je denkt zonder dat er bronnen bij zitten.	Bouw de entiteit op: consistente naam, categorie en feiten op je eigen site, in naslagwerken, branchebronnen en berichtgeving door derden. Dit is langzaam werk en wordt gemeten in kwartalen.
2.Ophalen	De vraag wordt opgesplitst in meerdere deelzoekopdrachten, en elke deelzoekopdracht haalt een klein aantal documenten op. De kandidatenlijst is kort en wordt bepaald door de index waartegen wordt gezocht, niet door hoe goed de pagina eruitziet.	Crawlbaarheid voor AI-agents, indexdekking, robots- en rendercontroles in de site-audit, en welke van je URL's daadwerkelijk als bron opduiken in de terugkerende metingen.	Technisch fundament: server-side gerenderde content, toegelaten AI-crawlers, schone URL's, sitemaps, taalversies en een site die leesbaar is zonder code uit te voeren.
3.Selectie	De opgehaalde documenten worden opnieuw beoordeeld, dit keer nauwkeurig tegen de vraag zelf. Hier vallen de meeste af: opgehaald, maar niet gebruikt.	“Opgehaald maar niet geciteerd” per prompt: we zien welke van je URL's in de bronnenset kwamen zonder het antwoord te halen.	Schrijf voor de vraag in plaats van voor het zoekwoord: de vraag in de kop, het antwoord eerst, en content die de hele vraag behandelt in plaats van de helft.
4.Context	Alleen de hoogst gerangschikte passages passen in het contextvenster. Alinea's concurreren, geen websites. Een lang document met verspreide relevantie verliest van één strakke alinea.	Chunkalyzer in de module AI Monitor in Manager laat zien hoe je content in passages wordt opgedeeld en welke passages daadwerkelijk worden gekozen.	Chunkoptimalisatie: op zichzelf staande alinea's, definities die los te lezen zijn, tabellen en lijsten waar feiten horen, en de aanloop weghalen voor de kern.
5.Generatie	De generator bouwt het antwoord uit passages die direct antwoord geven, niet herschreven hoeven te worden om te kloppen, en iets toevoegen wat de andere bronnen niet hebben.	Letterlijk hergebruik, en welke zinnen terugkomen over modellen en dagen heen.	Schrijf zinnen die ook zonder hun context overeind blijven als ze worden geciteerd: precieze cijfers, duidelijke grenzen, je eigen data en formuleringen die niemand anders heeft.
6.Citatie	Of je wordt gebruikt en of je als bron wordt vermeld, wordt afzonderlijk bepaald. Het model kan het antwoord op jouw informatie bouwen en toch naar iemand anders linken.	Vermeldingen met en zonder link, per model en per prompt, en welke domeinen in jouw plaats als bron worden vermeld.	Maak de bron ondubbelzinnig: originele content, datering, auteursvermelding, canonicals, en zorg dat jij, en niet een aggregator, het citeerbare origineel bent.
7.Invloed	Een citatie is geen aanbeveling. Het model kan je in de verkeerde categorie noemen, met een verouderde prijs, of in een vergelijking die je verliest.	Sentiment en context per vermelding, welke eigenschappen je worden toegeschreven, met wie je wordt vergeleken, en het verschil tussen je eigen positionering en de beschrijving van het model (Perception Match).	Corrigeer de feitelijke basis waar het model die vandaan haalt, en maak de positionering zo ondubbelzinnig dat ze een samenvatting overleeft.
8.Actie	Een AI-antwoord stuurt minder bezoekers dan een zoekresultaat, maar die bezoekers zijn al verder in hun beslissing. De waarde zit in de conversie, niet in de klik.	AI-verwijzingen als eigen bron, merkzoekopdrachten, direct verkeer en conversie, gekoppeld aan CRM- of orderdata.	Landingspagina's die aansluiten op de intentie in de prompt, en meting waarmee een verwijzing vanuit ChatGPT waarde krijgt in plaats van te verdwijnen in “direct”.

03De methode

Hoe het eruitziet als het werkt

Een klant meet veertig prompts in de eigen categorie. Links de nulmeting. Rechts dezelfde prompts acht weken later.

Nulmeting

Opgehaald: 64 %
Geselecteerd: 18 %
Geciteerd: 7 %

Acht weken later

Opgehaald: 67 %
Geselecteerd: 41 %
Geciteerd: 22 %

De diagnose wijst naar schakel drie: we worden opgehaald, maar weggeselecteerd. De oplossing is niet meer content, maar de pagina's herschrijven, zodat ze niet alleen over het onderwerp gaan maar de vraag beantwoorden.

De selectie is ruim verdubbeld. Het ophalen veranderde nauwelijks, zoals het hoort: daar hebben we niets aan gedaan. En nu is citatie het nieuwe knelpunt: minder dan de helft van de antwoorden die ons selecteren, vermeldt ons als bron. De volgende ronde richt zich op schakel zes.

Een geconstrueerd voorbeeld met realistische cijfers, geen klantcase.

Wil je weten bij welke schakel je verliest?

We draaien je promptset op de modellen, doen de nulmeting en geven je de diagnose, voordat iemand ook maar één activiteit voorstelt.

Plan een AI-zichtbaarheidsreview

04De methode

Hoe we werken

Van “we weten het niet” naar iets meetbaars. Na fase twee weet je waar je staat, en je kunt op elk moment stoppen en de rest zelf doen.

01
In kaart brengen
Richt zich op: Schakels 1–2
We zoeken uit welke vragen je klanten werkelijk aan AI stellen. Geen zoekwoorden, maar prompts. Dat zijn twee verschillende dingen, en ze leveren verschillende antwoorden op. De promptset wordt opgebouwd rond persona's en de klantreis, van het eerste symptoom tot “wie moet ik kiezen”, en gespiegeld aan je concurrenten.
Wat je overhoudtEen promptset die je klantreis weerspiegelt, met gedefinieerde persona's en concurrenten.
02
Meting
Richt zich op: Schakels 1–7
De prompts draaien volgens een vast schema, wekelijks of als add-on dagelijks, op ChatGPT, Gemini, Perplexity en de AI-antwoorden van Google. We meten hoe vaak je wordt genoemd, hoe vaak je met een link wordt geciteerd en wie er in jouw plaats wordt genoemd. Herhaling is geen versiering: dezelfde prompt kan van run tot run een ander antwoord geven, en één antwoord is een anekdote, geen meting. CAVIS voert hele gesprekken in plaats van losse vragen, omdat het antwoord verandert naarmate de klant van “wat is dit?” naar “wie moet ik kiezen?” gaat.
Wat je overhoudtEen nulmeting waartegen je beweging kunt meten, per prompt, per model en per schakel in de keten.
03
Diagnose
Richt zich op: Plaatst het verlies in de keten
We zoeken uit waarom. Is de content onzichtbaar omdat ze JavaScript vereist? Ontbreekt de entiteit? Zijn de feiten begraven in marketingteksten? Word je opgehaald maar nooit geselecteerd? De oorzaken zijn meestal weinig in aantal en concreet, en elke oorzaak hoort bij een specifieke schakel in de keten.
Wat je overhoudtEen geprioriteerde lijst met oorzaken, geen symptomen, elke oorzaak gekoppeld aan de schakel waar ze bij hoort.
04
Actie
Richt zich op: Lost het op waar de oorzaak zit
Wij voeren het uit, of jij doet het, met het plan als startpunt. Technisch fundament, structuur, entiteit en content, in de volgorde die het snelst effect heeft. Die volgorde is niet willekeurig: het heeft geen zin betere alinea's te schrijven voor schakel vier als je nooit door schakel twee komt.
Wat je overhoudtActies met een eigenaar, een volgorde en een verwacht effect, en de schakel die elke actie moet verbeteren.
05
Opvolging
Richt zich op: Meet opnieuw, op dezelfde plek
Zichtbaarheid in AI-zoekmachines is vergankelijk: de modellen worden bijgewerkt en je concurrenten zitten ook niet stil. De terugkerende meting gaat door, en je hebt de hele tijd je eigen toegang tot het dashboard. Daarnaast nemen we de ontwikkeling samen door in een vast ritme, zodat je de interpretatie en de volgende actie krijgt, niet alleen de cijfers.
Wat je overhoudtTerugkerende meting per prompt en model, je eigen dashboard en een vast overleg waarin de cijfers de volgende actie worden.

En dan begint fase drie opnieuw. Niet omdat er iets misging, maar omdat het knelpunt is verschoven: toen schakel drie was opgelost, werd schakel zes de nieuwe beperking. Daarom is dit geen plan met een einddatum.

05De methode

Waarom AI-zoeken een eigen methode nodig heeft

SEO-denken gaat uit van een gerangschikte lijst. In een AI-antwoord is er geen lijst. Wat er wel is, is een keten van beslissingen binnen het systeem, en de meeste daarvan worden genomen voordat er ook maar één woord is geschreven.

Het model antwoordt vaak zonder te zoeken
Een antwoord komt ofwel uit wat het model al heeft geleerd (parametrisch geheugen), ofwel uit documenten die het ter plekke ophaalt (retrieval). Iets nieuws publiceren beïnvloedt alleen het tweede. Het eerste verandert pas als het merk elders breed genoeg, vaak genoeg en consistent genoeg wordt beschreven, en dat kost tijd.
De lijst met kandidaten is kort
Als het systeem wel ophaalt, wordt de vraag opgesplitst in meerdere deelzoekopdrachten, en elke deelzoekopdracht haalt een klein aantal documenten op. Waar een zoekmachine tien blauwe links en een pagina twee toont, heeft een AI-antwoord geen pagina twee. Sta je niet op de kandidatenlijst, dan besta je niet voor dat antwoord.
Passages concurreren, geen pagina's
Het model leest je website niet. Het leest een handvol passages die zijn gekozen omdat ze op de vraag lijken. Eén precieze alinea wint van een lange pagina waarin de relevantie verspreid zit.
Gebruikt worden en als bron vermeld worden zijn twee verschillende dingen
Je content kan het antwoord dragen zonder dat jij wordt genoemd, en je kunt worden genoemd zonder correct te worden beschreven. Beide zijn verlies, en geen van beide komt naar voren in een rankingrapport.

06De methode

Van citatie naar omzet

De laatste twee schakels in de keten, invloed en actie, zijn waar zichtbaarheid het bedrijf raakt. Daar gebruiken we ABC: Acquisition, Behavior, Conversion. Dat is de rapportagestructuur die Google Analytics gemeengoed maakte, met AI-zoeken gemeten als eigen instapkanaal en de conversie afkomstig uit het CRM in plaats van uit de analysetool.

01
A – Acquisition
Waar klanten vandaan komen en welke kanalen kwaliteit leveren. AI-zoeken wordt hier gemeten, op dezelfde voorwaarden als organisch zoeken en advertenties: volume, kwaliteit, gedrag en conversie.
02
B – Behavior
Wat ze doen als ze er eenmaal zijn, en waar we ze verliezen. Voor AI-verkeer is de belangrijkste meting de aansluiting op de intentie: beantwoordt de landingspagina wat de gebruiker het model werkelijk vroeg?
03
C – Conversion
Wat echt waarde creëert. Leads en verkopen krijgen een waarde uit het CRM, orderdata of offline conversies, en die waarde wordt teruggekoppeld naar het kanaal. Zonder die stap optimaliseer je op volume en noem je dat groei.

Over ABC: Acquisition, Behavior en Conversion zijn de rapportagestructuur uit Universal Analytics, geen term die wij hebben bedacht. Het is niet hetzelfde als een ABC-analyse, die voorraad, producten of klanten op waarde rangschikt, en ook niet hetzelfde als het ABC-model uit de cognitieve therapie. In de Citation Method is ABC de commerciële laag, niet de hele methode. Lees over het ABC van AI-zichtbaarheid.

07De methode

Waar de methode op draait

De methode is geen slide. Elke schakel in de keten heeft een tool die haar meet, en de meeste hebben we zelf gebouwd, omdat niemand anders mat wat wij nodig hadden.

CitationLab AI Marketing Manager
De terugkerende meting. De module AI Monitor in Manager voert de promptset wekelijks uit, of als add-on dagelijks, op ChatGPT, Gemini, Perplexity en Google AI Overview, en legt vermeldingen, citaties, bronnen, concurrenten en share of voice vast per model en per run. Dit is de data achter schakel één tot en met zeven.
Zie hoe AI Marketing Manager werkt
CAVIS
Het framework achter de promptset. CAVIS simuleert hele gesprekken in plaats van losse vragen, weegt elke meting naar waar die zich in de koopreis bevindt, en is de reden dat de meting een klantreis weerspiegelt in plaats van een vragenlijst.
Bekijk het CAVIS-framework
Chunkalyzer
De chunkanalyse in de module AI Monitor in Manager. Laat zien hoe je content in chunks wordt opgedeeld, welke worden opgehaald en welke het contextvenster nooit halen. Dit is de tool voor schakel vier.
Perception Match
Vergelijkt je eigen positionering, wat je website en verkoopmateriaal beweren, met wat de modellen werkelijk over je zeggen als ze ernaar gevraagd worden, en geeft het verschil een score. Het is de diagnose voor schakel één en schakel zeven: is het probleem dat je onzichtbaar bent, of dat het verhaal niet klopt?
Site-audit voor AI-agents
Een technische controle of de content überhaupt kan worden opgehaald: rendering, toegang voor crawlers, gestructureerde data, taalversies en machineleesbaarheid. Zonder die controle is al het andere giswerk.
Bekijk technische SEO
AEO-beheer
De uitvoering. Fase vier en vijf in een systeem gegoten, met specialisten op het gebied van techniek, entiteit, content en conversie, en elke wijziging vastgelegd als experiment met een hypothese.
Zie hoe we werken

08De methode

Vijf regels waar de methode niet van afwijkt

Een methode is alleen iets waard als ze ook zegt wat ze weigert te doen. Dit zijn de regels die bepalen hoe de cijfers op deze pagina tot stand komen.

01
Meet voordat je interpreteert
Eerst worden de ruwe data vastgelegd: het hele antwoord, de bronnen, de datum, het model. De interpretatie komt daarna en is altijd terug te voeren op het antwoord waarop ze berust.
02
Geen enkelvoudige score
Eén gecombineerde “AI-zichtbaarheidsscore” verbergt precies wat je moet weten: bij welke schakel je verliest. We splitsen het altijd uit naar model, prompt, categorie en schakel.
03
Oorzaken, geen symptomen
“We zijn niet zichtbaar in ChatGPT” is een symptoom. Een diagnose moet naar een schakel en een oorzaak wijzen, anders is de oplossing giswerk.
04
Continu, niet af en toe
Dezelfde prompt kan van run tot run verschillende antwoorden geven. Eén antwoord is een anekdote. De methode meet volgens een vast schema, omdat beweging alleen uit een tijdreeks af te lezen is.
05
Zeg wat de cijfers niet laten zien
We geven aan waar de grens ligt van wat de meting kan bewijzen. Waar we geen causaliteit kunnen zien, zeggen we dat, in plaats van een pijl te tekenen.

09De methode

Wat de methode niet belooft

AI-zichtbaarheid is een jong vakgebied met veel stellige beweringen. Dit zijn de vier die wij niet doen.

Niemand kan een citatie garanderen
Niemand verkoopt een plek in een AI-antwoord, en wie iets anders beweert, verkoopt iets anders. De methode maakt de kans meetbaar en de oorzaken bewerkbaar. Ze koopt geen plaatsing.
Schakel één is langzaam
Het geheugen van het model wordt bijgewerkt wanneer modellen worden getraind of vernieuwd, niet wanneer jij publiceert. Entiteitswerk wordt gemeten in kwartalen. Schakels twee tot en met vier kunnen binnen weken bewegen.
De cijfers schommelen
Dezelfde prompt geeft van run tot run verschillende antwoorden. Daarom meten we herhaaldelijk en kijken we naar de trend in plaats van naar losse runs, en daarom is een screenshot van één goed antwoord geen resultaat.
Zichtbaarheid is geen omzet
Een vermelding die nooit converteert, is een getal. Daarom stopt de methode niet bij schakel zes.

10De methode

De vragen waarvoor de methode is gebouwd

Niemand komt binnen met de vraag om een methode. Ze komen met een symptoom. Dit zijn de vier die we het vaakst horen, en de schakel waar elk ervan meestal zit.

Waarom noemt ChatGPT ons helemaal niet?

Bijna altijd schakel één of schakel twee, en die vragen om tegengestelde oplossingen. Antwoordt het model vanuit het geheugen zonder te zoeken, dan ontbreekt het merk in wat het heeft geleerd, en is het werk entiteitswerk: consistente feiten over je op de plekken waar modellen van leren, gemeten in kwartalen. Zoekt het model wel en ben je nog steeds afwezig, dan is de oorzaak meestal mechanisch: content die pas verschijnt als JavaScript draait, AI-crawlers die in robots.txt zijn geblokkeerd, of geen pagina in de taal waarin de vraag wordt gesteld. De meting maakt onderscheid tussen die twee, want gokken ertussen kost je een kwartaal.

We worden opgehaald als bron, maar nooit geciteerd. Wat is er mis?

Dat is schakel drie of schakel vier, en het is de meest voorkomende diagnose die we stellen. Opgehaald worden betekent dat je pagina op de kandidatenlijst stond; niet geciteerd worden betekent dat ze de herrangschikking verloor, of dat ze in het contextvenster kwam en de geëxtraheerde passage de vraag niet beantwoordde. De oplossing is bijna nooit meer content. Het is de vraag in de kop zetten, het antwoord in de eerste alinea plaatsen en afzonderlijke alinea's zo zelfstandig maken dat ze eruit gelicht kunnen worden en nog steeds kloppen.

We worden vaak genoemd, maar verkeerd beschreven. Hoe lossen we dat op?

Dat is schakel zeven, en het is verlies vermomd als winst. De share of voice ziet er gezond uit, terwijl het model je in de verkeerde categorie plaatst, een verouderde prijs noemt of je als goedkope optie opvoert in een vergelijking die je liever zou winnen. Perception Match geeft een score aan het verschil tussen wat je over jezelf zegt en wat de modellen zeggen. De oplossing is de feitelijke basis corrigeren in de bronnen waar het model werkelijk uit put (en dat is zelden je eigen homepage), en de positionering zo ondubbelzinnig maken dat ze een samenvatting in één zin overleeft.

Hoe weten we dat het werk effect heeft?

Omdat er een nulmeting is, en die is gedaan voordat er iets veranderde. Fase twee legt haar vast per prompt, per model en per schakel, en daarna blijven dezelfde prompts volgens hetzelfde schema draaien, zodat beweging uit een tijdreeks wordt afgelezen en niet uit een screenshot. De schakels bewegen met verschillende snelheden: technisch werk en werk op passageniveau zie je binnen weken terug, entiteitswerk binnen kwartalen. Kan een wijziging niet worden gekoppeld aan een schakel en een meting, dan behandelt de methode haar als niet getest, niet als winst.

11FAQ

Veelgestelde vragen over de Citation Method

De Citation Method is de methode van CitationLab voor AEO- en GEO-optimalisatie. Ze modelleert een AI-antwoord als een keten van acht schakels (ontdekking, ophalen, selectie, context, generatie, citatie, invloed en actie), meet elke schakel afzonderlijk, stelt vast bij welke schakel een merk verliest en lost de oorzaak in die schakel op, in plaats van overal tegelijk.

12De methode

Lees verder

Laat je concurrenten maar gokken.
Wij meten de keten.

Acht schakels, vijf fasen en een diagnose die naar een ervan wijst. Neem de regie over hoe AI je beschrijft en aanbeveelt.

Praat met een strateeg voor AI-zoeken Zie hoe we werken

Jouw feedback

Was deze pagina nuttig?

Heeft deze pagina je geholpen? Laat het ons weten als iets onduidelijk is of ontbreekt.

De Citation Method

Merken waarmee we werken

De acht schakels

Ontdekking

Ophalen

Selectie

Context

Generatie

Citatie

Invloed

Actie

De keten in één oogopslag

Hoe het eruitziet als het werkt

Wil je weten bij welke schakel je verliest?

Hoe we werken

In kaart brengen

Meting

Diagnose

Actie

Opvolging

Waarom AI-zoeken een eigen methode nodig heeft

Het model antwoordt vaak zonder te zoeken

De lijst met kandidaten is kort

Passages concurreren, geen pagina's

Gebruikt worden en als bron vermeld worden zijn twee verschillende dingen

Van citatie naar omzet

A – Acquisition

B – Behavior

C – Conversion

Waar de methode op draait

CitationLab AI Marketing Manager

CAVIS

Chunkalyzer

Perception Match

Site-audit voor AI-agents

AEO-beheer

Vijf regels waar de methode niet van afwijkt

Meet voordat je interpreteert

Geen enkelvoudige score

Oorzaken, geen symptomen

Continu, niet af en toe

Zeg wat de cijfers niet laten zien

Wat de methode niet belooft

Niemand kan een citatie garanderen

Schakel één is langzaam

De cijfers schommelen

Zichtbaarheid is geen omzet

De vragen waarvoor de methode is gebouwd

Waarom noemt ChatGPT ons helemaal niet?

We worden opgehaald als bron, maar nooit geciteerd. Wat is er mis?

We worden vaak genoemd, maar verkeerd beschreven. Hoe lossen we dat op?

Hoe weten we dat het werk effect heeft?

Veelgestelde vragen over de Citation Method

01Wat is de Citation Method?

02Waarom heet het de Citation Method?

03Hoe verschilt de Citation Method van de ABC-methode?

04Is dit AEO of GEO?

05Waar komen de acht schakels vandaan?

06Hoe lang duurt het voordat de methode resultaat laat zien?

07Welke AI-modellen meten jullie?

08Welke data hebben jullie nodig om te beginnen?

09Kunnen we na de meting stoppen en de rest zelf doen?

10Meten jullie ook concurrenten?

11Is de methode alleen voor grote bedrijven?

12Wat onderscheidt de Citation Method van een gewoon AEO-aanbod?

Lees verder

Laat je concurrenten maar gokken.Wij meten de keten.

Was deze pagina nuttig?

Laat je concurrenten maar gokken.
Wij meten de keten.