De meeste stukken over AI-vindbaarheid beginnen met een schrikcijfer. Wij wilden weten wat er werkelijk gebeurt als je het gewoon meet. Dus namen we tien bestaande Nederlandse MKB-bedrijven — vier makelaars, drie tandartspraktijken, een installatiebedrijf, een hovenier en een fysiotherapiepraktijk — en stelden vijf AI-modellen elk vijf vragen over ze.
ChatGPT, Google Gemini, Grok, DeepSeek en Perplexity. Vijf vragen per bedrijf: wat doen ze, wat voor bedrijf is het, welke diensten leveren ze, waar zitten ze, en zou je ze aanbevelen. Tweehonderdvijftig antwoorden in totaal. Elk antwoord daarna nagekeken op feitelijke juistheid.
Eerst het resultaat dat ons eigen verhaal onderuit haalt
Alle tien de bedrijven werden herkend. Door alle vijf de modellen, op alle vijf de vragen. Geen enkele keer kwam er een “dat bedrijf ken ik niet” terug.
Dat is belangrijk om te zeggen, want het gaat regelrecht in tegen de meest gebruikte openingszin in deze branche: “wist u dat AI uw bedrijf niet kent?” In deze steekproef kende AI ze allemaal. Een tandartspraktijk in Enschede, een hovenier in Zuid-Holland, een fysiotherapeut — stuk voor stuk correct omschreven qua vakgebied, diensten en doelgroep.
De gemiddelde score over de tien bedrijven kwam uit op 84 van de 100. Dat is geen ramp die om een noodpakket vraagt. Dat is een ruime voldoende.
En toen keken we naar de vestigingsplaats
Bij twee van de tien bedrijven ging het mis. Niet een beetje mis — helemaal mis.
Het eerste geval is een installatiebedrijf in de provincie Utrecht. We vroegen vijf modellen waar het gevestigd is. Dit kregen we terug:
| Wat het model antwoordde | Werkelijke situatie |
|---|---|
| “Gevestigd in Helmond” | Provincie Utrecht |
| “Actief in de regio Zuidoost-Brabant” | Provincie Utrecht |
| “Actief in de regio rond Zuid-Holland” | Provincie Utrecht |
Drie modellen, drie verschillende verkeerde antwoorden. Niet één keer dezelfde fout, wat het nog veelzeggender maakt: ze weten het niet, en ze vullen het allemaal anders in.
Het tweede geval is een hoveniersbedrijf in Zuid-Holland. Volgens de modellen zit het in Noord-Brabant — er werden twee verschillende Brabantse plaatsnamen genoemd. Ruim honderd kilometer naast de werkelijkheid.
Waarom juist deze twee?
We keken naar wat deze twee onderscheidde van de acht waar het wél goed ging. Het patroon was eenduidig.
Bij beide bedrijven ontbrak gestructureerde data op de website: geen JSON-LD, geen Organization- of LocalBusiness-markup. Dat is de code waarmee je een machine ondubbelzinnig vertelt wie je bent en waar je zit — onzichtbaar voor bezoekers, leesbaar voor modellen.
Bij het installatiebedrijf ging het nog een stap verder. Het adres stond nergens op de eigen website. Niet op de homepage, niet op de contactpagina, niet op de over-onspagina. Een bezoeker kan bellen en het vragen. Een taalmodel kan dat niet — dus vult het de leegte op met wat statistisch aannemelijk lijkt.
Dat verklaart ook waarom elk model een ander antwoord gaf. Ze gokken niet naar dezelfde bron; ze gokken los van elkaar.
Wat dit kost, en waarom niemand het merkt
Een klant vraagt ChatGPT om een installateur in de buurt. Hij krijgt een bedrijf te horen dat volgens het model honderd kilometer verderop zit, dus hij belt niet. Of andersom: iemand in Brabant belt een bedrijf dat daar helemaal niet komt.
In beide gevallen belt er niemand op om te zeggen dat er iets misging. De klant die niet belt, laat geen spoor na. Dat is wat dit soort fouten hardnekkig maakt: er is geen enkel signaal dat het gebeurt.
De eerlijke conclusie
Acht van de tien bedrijven hadden niets te repareren. Dat is de waarheid en die verzwijgen we niet.
Maar bij twee ging het grondig mis, zonder dat zij het konden weten. En dat is precies de reden om te meten in plaats van te gokken: je weet vooraf niet in welke groep je zit. De twee bedrijven uit dit onderzoek dachten allebei dat alles in orde was.
Wil je weten in welke groep jij zit? Dat kost je één scan en een paar minuten.