Voorspellen on-site AEO-signalen of een bedrijf in AI-antwoorden verschijnt? We hebben 62 bedrijven gemeten
Nee, niet in dit onderzoek. Bij 62 lokale bedrijven in Japan vertoonde onze on-site AEO-score (gestructureerde gegevens, llms.txt, toegang voor crawlers en vergelijkbare signalen) geen verband met hoe vaak Perplexity een bedrijf noemde of citeerde als om aanbevelingen werd gevraagd: Spearman ρ = 0.03 (95%-BI −0.23 tot 0.28, p = 0.834). Met 62 bedrijven kon het onderzoek alleen correlaties van ongeveer |ρ| ≥ 0.35 betrouwbaar detecteren; een zwakker verband valt dus niet uit te sluiten.
Gepubliceerd op 28 oktober 2026. Gegevens gemeten op 24 oktober 2026. Nurevo maakt AEO-tools, waaronder de hier geteste score; zie ‘Ons belangenconflict’ hieronder.
Samenvatting
- Vraag: verschijnen bedrijven waarvan de website hoger scoort op de AI-leesbaarheidsscore van Nurevo (0 tot 100) vaker in AI-antwoorden op vragen waarin ze niet worden genoemd?
- Antwoord: niet bevestigd. ρ = 0.03 in totaal, en nog steeds 0.03 na correctie voor branche en stad.
- In totaal verschenen de bedrijven in 21.0% van de antwoorden op ontdekkingsvragen; 25 van de 62 verschenen minstens één keer.
- Ook geen enkel afzonderlijk onderdeel van de score (gestructureerde gegevens, llms.txt, dekking enzovoort) liet een verband zien, na correctie voor meervoudig testen.
- Wat we eruit opmaken: gestructureerde gegevens helpen AI de feiten van een bedrijf correct te lezen, maar bepalen op zichzelf niet of een bedrijf wordt genoemd. Andere factoren wegen zwaarder, zeer waarschijnlijk ook wat andere sites over het bedrijf zeggen. Dat laatste is een hypothese die dit onderzoek niet heeft getoetst.
Waarom we dit onderzoek hebben gedaan
AEO-advies (answer engine optimization), ook dat van ons, stelt dat een website die makkelijk leesbaar is voor AI (gestructureerde gegevens via schema.org, een llms.txt-bestand, AI-crawlers toelaten, server-side gerenderde content) een bedrijf helpt in AI-antwoorden te verschijnen. Nurevo verkoopt een score die precies op die signalen is gebouwd. We wilden eerlijk bewijs of de score weergeeft waar ondernemers echt om geven: door AI genoemd worden. We legden de hypothese, de analyse en de besliscriteria vast voordat we ook maar één antwoord verzamelden, en verplichtten ons om de uitkomst hoe dan ook te publiceren.
Methode
- Steekproef: 72 lokale bedrijven met een eigen officiële website, geselecteerd via webzoekopdrachten (portaalsites uitgesloten), uit 5 branches (tandartspraktijken, restaurants, schoonheidssalons, belastingadviseurs, accommodaties) en 4 Japanse steden (Tokio, Osaka, Fukuoka, Sapporo). 10 werden uitgesloten omdat de score voor hun site niet kon worden berekend, waardoor er 62 overbleven voor de analyse.
- Score: de homepage, robots.txt en llms.txt van elke site werden beoordeeld met dezelfde code als de openbare score van Nurevo: gestructureerde gegevens (30 punten), dekking (25), leesbaarheid (20), llms.txt (15) en consistentie (10), met een drempel voor crawlertoegang, blokkering aan de edge en server-side rendering (wie daarvoor zakt, krijgt maximaal 15).
- Engine: Perplexity, via de Agent API met de preset ‘fast’ (één webzoekopdracht, daarna een antwoord), dezelfde adapter die het betaalde abonnement van Nurevo voor AI-zichtbaarheid gebruikt. Slechts één engine; zie de beperkingen.
- Vragen: drie ‘ontdekkingsvragen’ per bedrijf die het gebied en het soort bedrijf noemen maar niet het bedrijf zelf (bijvoorbeeld ‘Raad me een tandarts in Umeda aan’), gedeeld door alle bedrijven uit dezelfde branche in hetzelfde gebied, plus één ‘benoemde’ vraag naar het adres en de openingstijden van een bedrijf. Elke vraag werd drie keer gesteld.
- Uitkomstmaat: een bedrijf ‘verscheen’ in een antwoord als de naam in het antwoord stond of het eigen domein bij de geciteerde bronnen hoorde. Het verschijningspercentage is het aandeel van de antwoorden op ontdekkingsvragen waarin het bedrijf verscheen.
- Controle van de detector: in antwoorden op de benoemde vragen werd de naam van het bedrijf in 84.3% van de gevallen gedetecteerd, boven de drempel van 70% die we hadden vastgesteld om de detector te vertrouwen.
- Analyse: Spearman-rangcorrelatie met een permutatie-p-waarde en een bootstrap-betrouwbaarheidsinterval; partiële correlatie met branche en stad als vaste effecten; een permutatietoets binnen strata; en een logistische regressie met vaste effecten voor branche en stad en een quasi-binomiale correctie, omdat herhaalde antwoorden op dezelfde vraag niet onafhankelijk zijn. De zes toetsen per onderdeel zijn Holm-gecorrigeerd.
Het criterium voor ‘bevestigd’ lag vooraf vast: ρ ≥ 0.3, p < 0.05, een 95%-BI boven nul en een positieve gecorrigeerde correlatie. De tekst van de antwoorden werd niet opgeslagen; alleen of een naam voorkwam, of het domein werd geciteerd en de positie van de citatie.
Resultaten
Het oordeel luidt ‘niet bevestigd’. Elke toets van de score tegen verschijnen levert een correlatie dicht bij nul op:
| Toets | Resultaat | p-waarde |
|---|---|---|
| Score vs. verschijningspercentage (Spearman ρ, primair) | 0.03 (95%-BI −0.23 tot 0.28) | 0.834 |
| Idem, gecorrigeerd voor branche en stad (partiële correlatie) | 0.03 | 0.845 |
| Idem, permutatietoets binnen strata | 0.03 | 0.829 |
| Score vs. naam genoemd (ontdekkingsvragen) | −0.04 | 0.782 |
| Score vs. eigen site geciteerd (ontdekkingsvragen) | 0.18 | 0.149 |
| Score vs. eigen site geciteerd (benoemde vragen) | −0.03 | 0.813 |
| Logistische regressie met vaste effecten voor branche/stad, quasi-binomiaal: odds per +1 SD score (18.81 punten) | ×1.01 (95%-BI 0.62 tot 1.64) | 0.972 |
De grootste coëfficiënt, 0.18 tussen de score en het citeren van de eigen site van het bedrijf, is niet van nul te onderscheiden (p = 0.149) en moet niet als bevinding worden gelezen.
Per scoreklasse
Nurevo toont de score als rood, geel of groen. De meeste sites in de steekproef waren rood en geen enkele haalde groen; dit onderzoek zegt dus niets over zeer hoge scores.
| Klasse | Bedrijven | Gemiddeld verschijningspercentage | Minstens één keer verschenen |
|---|---|---|---|
| Rood | 54 | 20.8% | 22 |
| Geel | 8 | 22.2% | 3 |
| Groen | 0 | - | - |
Per onderdeel van de score
Geen enkel onderdeel van de score hing samen met verschijnen. Na Holm-correctie is elke p-waarde 1.000. Deze toetsen waren verkennend.
| Onderdeel | Spearman ρ met verschijningspercentage |
|---|---|
| Gestructureerde gegevens (schema) | 0.08 |
| Dekking | 0.12 |
| Leesbaarheid | −0.17 |
| llms.txt | −0.02 (odds ratio 1.41, 95%-BI 0.79 tot 2.52) |
| Consistentie | 0.06 |
| Drempel (crawlertoegang, edge, server-side rendering) | 61 geslaagd: 21.3% verschijning; 1 gezakt: 0% |
Per branche en per stad
Verschijnen varieerde meer per branche en per stad dan per score. Dit zijn beschrijvende cijfers uit kleine groepen, geen getoetste verschillen.
| Groep | Bedrijven | Gemiddelde score | Verschijningspercentage |
|---|---|---|---|
| Belastingadviseurs | 13 | 27.92 | 10.3% |
| Accommodaties | 13 | 21.08 | 23.9% |
| Tandartspraktijken | 13 | 40.15 | 25.6% |
| Schoonheidssalons | 8 | 24.25 | 8.3% |
| Restaurants | 15 | 24.20 | 30.4% |
| Osaka | 15 | 26.27 | 15.6% |
| Sapporo | 17 | 29.41 | 9.8% |
| Tokio | 15 | 25.53 | 31.1% |
| Fukuoka | 15 | 29.27 | 28.9% |
Beperkingen
- Cross-sectioneel: één meting van veel sites toont een samenhang, geen oorzaak. Of het verbeteren van een site het verschijnen verandert, vraagt om een voor-en-na-onderzoek bij dezelfde sites.
- Statistische power: met 62 bedrijven zou een correlatie zwakker dan ongeveer |ρ| = 0.35 vaak worden gemist. Bedrijven in hetzelfde gebied en dezelfde branche delen dezelfde antwoorden, dus de effectieve steekproef is nog kleiner. ‘Niet gevonden’ betekent hier niet ‘bestaat niet’.
- Eén engine, één week: Perplexity met de preset ‘fast’, gemeten op 24 oktober 2026. ChatGPT, Gemini, de AI Overviews van Google en Copilot gebruiken andere zoekindexen en modellen; deze resultaten zijn niet op hen over te dragen.
- Niet-waargenomen verstorende factoren: reviews, merkbekendheid, advertenties, het aantal jaren dat een bedrijf bestaat en vermeldingen op andere sites werden niet gemeten. Er werd alleen gecorrigeerd voor branche en stad.
- Steekproef: de bedrijven werden gevonden via webzoekopdrachten en neigen dus naar bedrijven die al makkelijk vindbaar zijn. Geen enkele site scoorde groen. 5 branches en 4 steden in Japan zijn mogelijk niet representatief voor andere branches, regio’s of talen.
Wat dit betekent voor de website van een bedrijf
Gestructureerde gegevens, llms.txt en crawlertoegang hebben nog steeds een functie: ze laten een AI de feiten van een bedrijf (adres, openingstijden, telefoonnummer, diensten) direct en correct lezen in plaats van te gissen. Dat is de moeite waard, maar het is iets anders dan aanbevolen worden. In dit onderzoek werd een beter gelezen site niet vaker genoemd.
Onze werkhypothese is dat bronnen buiten de website (review- en kaartvermeldingen, lokale media, bedrijvengidsen, andere sites die het bedrijf noemen) zwaar wegen in de vraag of een AI een bedrijf noemt bij een verzoek om aanbevelingen. Dit onderzoek heeft die bronnen niet gemeten; het is dus een hypothese om te toetsen, geen resultaat.
In de praktijk: houd de on-site basis op orde, want die zorgt ervoor dat wat AI over u zegt klopt, en meet of AI u daadwerkelijk noemt in plaats van dat af te leiden uit een leesbaarheidsscore.
Ons belangenconflict, en wat we veranderen
Nurevo maakt AEO-tools, en de hier geteste score is een van onze producten. Een uitkomst waaruit blijkt dat de score verschijnen niet voorspelt, is niet wat we zelf hadden gekozen. We publiceren hem omdat de criteria vastlagen voordat de gegevens binnenkwamen, en omdat ondernemers moeten weten wat een score hun wel en niet kan vertellen.
Wat we eraan doen: we presenteren de AI-leesbaarheidsscore niet als voorspeller van verschijnen in AI-antwoorden. In plaats daarvan meten we verschijnen rechtstreeks: het Pro-abonnement meet hoe vaak Perplexity een site noemt of citeert (bèta), en we voegen een kleine maandelijkse verschijningscheck toe voor sites op Free en Standard. Ook ontwikkelen we een tweede versie van de score die gemeten AI-zichtbaarheid combineert met de on-site signalen, in plaats van alleen op de on-site signalen te vertrouwen.
De namen en websites van de gemeten bedrijven worden niet gepubliceerd.
Veelgestelde vragen
Zorgen gestructureerde gegevens ervoor dat AI mijn bedrijf noemt?
In dit onderzoek onder 62 lokale bedrijven op Perplexity werd geen verband gevonden tussen on-site signalen zoals gestructureerde gegevens en hoe vaak een bedrijf werd genoemd (ρ = 0.03). Gestructureerde gegevens helpen AI uw feiten correct te lezen, maar voorspelden op zichzelf niet of u werd genoemd.
Helpt llms.txt een bedrijf om in AI-antwoorden te verschijnen?
We vonden in dit onderzoek geen verband: ρ = −0.02 tussen het onderdeel llms.txt en het verschijningspercentage (Holm-gecorrigeerde p = 1.000). Het onderzoek was klein en gebruikte één engine, dus het bewijst niet dat llms.txt nooit uitmaakt.
Betekent dit dat AEO zinloos is?
Nee. On-site AEO zorgt ervoor dat wat AI over een bedrijf zegt klopt. Dit onderzoek suggereert dat het niet voldoende is om aanbevolen te worden, en dat vermeldingen rechtstreeks gemeten moeten worden in plaats van afgeleid uit een leesbaarheidsscore.
Welke AI-engine is gemeten?
Alleen Perplexity, via de Agent API met de preset ‘fast’, op 24 oktober 2026. De resultaten zijn niet over te dragen op ChatGPT, Gemini, de AI Overviews van Google of Copilot.