Lens methodologie

2. Welke platforms we meten

Elke run bevraagt vier AI-platforms: ChatGPT, Claude, Perplexity en Google AI Overviews. ChatGPT, Claude en Perplexity bevragen we als answer engines: elke prompt uit de set wordt aan het platform voorgelegd en we leggen het volledige antwoord vast, inclusief de bronnen die het platform aanhaalt.

Google AI Overviews werkt anders. Daar draaien we echte Google-zoekopdrachten en lezen we de AI Overview uit die boven de zoekresultaten verschijnt. Een AI Overview verschijnt niet bij elke zoekopdracht; dat is een eigenschap van het platform, geen fout in de meting. Runs waarbij geen Overview verschijnt, markeren we als niet van toepassing en die tellen niet mee in de citation-score.

We noemen dit platform bewust Google AI Overviews en niet Gemini: we meten wat er in de Google-zoekresultaten verschijnt, niet de losse Gemini-chatapp.

3. Meetfrequenties

Er bestaan drie meetvormen, niet meer en niet minder:

Wat we niet doen: realtime tracking en dagelijkse metingen. Waar we het over een maandelijks ritme hebben, gaat dat over de gesprekscadans in de dienstverlening, nooit over de meetfrequentie. We meten wekelijks, we bespreken maandelijks.

4. Scoring v3.2: opbouw van de Lens-score

De Lens-score is een gewogen gemiddelde van drie gemeten dimensies, op een schaal van 0 tot 100:

Het scoremodel kent daarnaast een vierde dimensie, Entity (gewicht 0,15), die vandaag niet gemeten en niet gewogen wordt. Zodra een dimensie niet gemeten wordt, valt haar gewicht weg en worden de overige gewichten genormaliseerd naar 100%. In de praktijk bepalen Citation, Technical en Content dus samen de volledige score.

Twee harde regels gaan boven alles. Blokkeert je robots.txt AI-bots, dan wordt de Technical-score gemaximeerd op 40, hoe goed de rest van je techniek ook is. Is je content niet leesbaar zonder JavaScript (de rendering-check faalt), dan wordt de Technical-score gemaximeerd op 50. Falen beide checks, dan geldt de laagste cap (40). Een site die AI-crawlers buitensluit of niets leesbaars serveert, kan technisch nooit als gezond gelden voor AI-zichtbaarheid.

De Content-subscore in detail

Sinds v3.2 is de Content-subscore exact uitsplitsbaar in vier gemeten factoren. Tekstlengte, gemeten op het volledige aantal tekens dat de pagina zonder JavaScript serveert: meer dan 300 tekens is 10 punten, meer dan 800 is 20, meer dan 2.000 is 30. Paginavolume, het aantal URL's in je sitemap: vanaf 5 is 10 punten, vanaf 15 is 20, vanaf 50 is 30. Een blog- of kennissectie, herkend aan een padsegment uit onze catalogus: 25 punten. Schema.org-markup aanwezig: 15 punten.

Kan een factor niet gemeten worden (bijvoorbeeld paginavolume zonder sitemap), dan valt hij uit de weging en normaliseren de overige factoren naar 100: het ontbreken van een sitemap telt al in de Technical-pijler en wordt niet dubbel gestraft. De gemeten factoren worden per meting opgeslagen, zodat elke Content-score achteraf exact te herleiden is.

De vier scorebanden

Sinds v3.2 tonen we dezelfde vier banden ook per pijler, met bewust dezelfde drempels als de totaalscore, zodat een band overal hetzelfde betekent. Dat Citation daarmee vaak in de laagste band start en Technical vaak in de hoogste, is een eigenschap van de meting: de band markeert de uitzonderingen. Bij metingen van vóór v3.2 leiden we de pijlerbanden af in de weergave, expliciet gelabeld met de versie.

Versiebeleid en versiegeschiedenis

De scoring-logica heeft een versienummer; op dit moment is dat v3.2. Het nummer gaat omhoog zodra een gewicht of een subscore inhoudelijk verandert. Elke meting slaat op met welke versie hij gescoord is. Scores over versiegrenzen heen zijn daardoor niet één op één vergelijkbaar; dat is een bewuste eigenschap van het model, zodat oude en nieuwe scores nooit stilzwijgend door elkaar lopen.

Nog een eigenschap die het vermelden waard is: concurrentvermeldingen en geëxtraheerde organisatienamen wegen in geen enkele score mee. Ze bepalen alleen de vorm van het rapport. Dit is met een geautomatiseerde test vastgelegd: de score blijft identiek als die velden veranderen.

5. Hoe we bronnen vastleggen

Bij elk platform-antwoord in elke run slaan we de aangehaalde bronnen op: de URL, de paginatitel en de positie in het bronnenlijstje van het platform. Elke bron hangt aan één specifiek platform-antwoord, dat weer aan één prompt en één run hangt.

Nieuwe runs maken nieuwe rijen; oude runs behouden hun bronnen. Daardoor is per meting terug te zien welke bronnen een platform op dat moment gebruikte, en is het bronverloop over tijd te volgen: welke bronnen verschijnen, welke verdwijnen, en waar jouw domein in dat lijstje staat.

6. Hermetingen en fix-events

Een fix-event is een vastgelegde interventie: wat we hebben aangepast, wanneer, en op welke pagina's. Aan elk fix-event kan één hermeting hangen. Die hermeting draait op exact dezelfde gepinde prompt- en platformset als de baseline en is alleen mogelijk als die baseline bestaat.

Het resultaat is een delta per dimensie: wat deed de fix met Technical, Content en Citation op dezelfde meetlat als voor de ingreep. Door de koppeling aan het fix-event blijft elke gemeten verandering herleidbaar naar de interventie waar hij bij hoort.

7. Beperkingen van de meting

AI-antwoorden zijn niet deterministisch. Dezelfde prompt kan per run, per model-update, per moment en per regio een ander antwoord opleveren. Wie beweert AI-zichtbaarheid exact te kunnen meten, overschat het medium. Wij ontwerpen de meting daarom zo dat variatie zichtbaar wordt in plaats van weggemoffeld: gepinde sets, versienummers en metingen die zich week na week herhalen.

Een delta na een interventie is een observatie, geen causaal bewijs. Modelupdates en veranderde bronsets kunnen resultaten verschuiven onafhankelijk van ons werk. Daarom rapporteren we delta's altijd in context: per dimensie, op dezelfde gepinde set, met het tijdstip en de scoringversie erbij.

Daaruit volgt ook onze toetsregel voor elke losse waarneming: één prompt in één chatvenster is geen bewijs, in geen enkele richting. Een uitspraak over AI-zichtbaarheid telt bij ons pas als hij uit een gepinde set komt, herhaald is gemeten en bij een interventie ook hermeten is op exact dezelfde vragen.

Dit zijn geen zwaktes van Lens, maar eigenschappen van het terrein. Elke serieuze meting van AI-zichtbaarheid heeft hiermee te maken; het verschil zit erin of een leverancier het benoemt of verzwijgt.

8. Hoe we bots classificeren

AI-bots zijn geen homogene groep. We delen ze in drie categorieën in, omdat elke categorie iets anders betekent voor je zichtbaarheid:

Kanttekening: bots identificeren zich met een user-agent-string, en die kan gespoofd worden. Botverkeer-data in serverlogs is daarom indicatief. Voor het grote beeld (welke categorieën bezoeken je site, en hoe verhoudt zich dat tot je robots.txt) is dat ruim voldoende; voor forensische precisie per request is het dat niet.