Bewijs
We toetsen de grote taalmodellen met een batterij canary-queries over ... onszelf — herkenning, categorie, toeschrijving, feitencheck — en het scoren van elk antwoord. Hieronder de live uitkomst. En als je nu een 100% score verwachtte ... dat is niet erg realistisch!
Gemeten 5 okt 2026 · 10 dagen geleden
Beweging t.o.v. vorige meting · nog geen vorige meting
Cirkel van controle · jezelf 2% 2/90
Kennen de modellen je bij naam, kloppen de feiten over jou, en krijg je krediet voor wat je maakt?
Cirkel van invloed · concepten 27% 20/73
Gebruiken de modellen je gepubliceerde terminologie zoals bedoeld en zien ze je framework als het jouwe?
Cirkel van betrokkenheid · categorie 9% 10/112
Als er naar de categorie gevraagd wordt, noemen de modellen je dan naast de alternatieven?
Samengestelde score 14/100
Gewogen gemiddelde over alle assen. Een uitzoom van de drie spheres; de sparkline laat dit samengestelde cijfer over de tijd zien.
275 beoordeelde antwoorden · 40 actieve canary-queries · 0 bron-citaties
Over talen
We draaien de canary-set in de taal van elke markt. Dezelfde entiteit, getoetst in het Engels én het Nederlands — en de modellen antwoorden niet altijd hetzelfde.
Engels
13%
17/135 herkend
Nederlands ●
11%
15/140 herkend
Getoetst over dimensies
Elke canary-query toetst een aparte manier waarop een model je goed of fout kan hebben. De uitsplitsing per dimensie:
| Dimensie | Antwoorden | Herkend | Gedeeltelijk | Niet | Citeert bron |
|---|---|---|---|---|---|
| Cirkel van controle · jezelf 2/90 | 2% | ||||
| Onderscheiding Maakt het model onderscheid tussen categorieën of vergelijkbare entiteiten? | 2 | 2 (100%) | 0 | 0 | 0 |
| Toeschrijving Schrijft het model termen, methoden of citaten toe aan de juiste entiteit? | 40 | 0 (0%) | 0 | 40 | 0 |
| Merkherkenning Kent het model de entiteit bij naam en kan het haar situeren? | 24 | 0 (0%) | 0 | 24 | 0 |
| Feitelijke juistheid Klopt een specifieke feitelijke claim die het model maakt over de entiteit? | 24 | 0 (0%) | 0 | 24 | 0 |
| Cirkel van invloed · concepten 20/73 | 27% | ||||
| Eerlijke criteria Gebruikt het model criteria die aansluiten bij de positionering van de entiteit? | 21 | 20 (95%) | 1 | 0 | 0 |
| Term-definitie Definieert het model een coined term zoals bedoeld? | 52 | 0 (0%) | 2 | 50 | 0 |
| Cirkel van betrokkenheid · categorie 10/112 | 9% | ||||
| Vergelijking Hoe positioneert het model de entiteit tegenover alternatieven? | 24 | 9 (38%) | 7 | 8 | 0 |
| Relaties Kent het model relaties tussen entiteiten (persoon↔praktijk, org↔moeder)? | 23 | 1 (4%) | 2 | 20 | 0 |
| Categorie-aanwezigheid Duikt de entiteit op wanneer naar haar categorie of probleem gevraagd wordt? | 65 | 0 (0%) | 0 | 65 | 0 |
Waar AI het bewijs vindt
We vragen de modellen wie ik ben, en waarom je me zou vertrouwen, betalen en kiezen. Elke vraag twee keer: uit het geheugen en met zoeken op internet. Hier zie je waar het bewijs in hun antwoorden vandaan komt.
mijn eigen sitemijn eigen profielendoor mij elders geschrevenanderen
Aandeel van de bronnen die de antwoorden met zoeken aanhalen; elk model telt één keer.
Mijn eigen site heeft het grootste aandeel bij “Waarom mij betalen”: 75% van de bronnen.
Anderen hebben het grootste aandeel bij “Wie ik ben”: 24% van de bronnen.
Aandeel van het bewijs uit mijn eigen kanalen, site en profielen: ChatGPT 94% · Gemini 48%.
Geheugen tegenover het web
Bij 34% van de vragen geeft het geheugen van een model een ander beeld van mij dan het web nu.
hetzelfdeverschiltgeheugen weet het niet
Klanten krijgen de volledige kaart: welke pagina’s, welke sites, en waar het geheugen achterloopt.
Methode
We toetsen de grote taalmodellen — ChatGPT, Gemini, Claude, Llama en andere — met canary-queries: de vragen die een echte gebruiker zou stellen over het merk, zijn categorie, zijn claims en zijn relaties. Elk antwoord wordt gescoord op herkenning, correcte beschrijving en of de canonieke bron geciteerd wordt.
De cijfers zijn het laatst gescoorde antwoord per query en provider, doorlopend ververst. Ze meten associatie — of de modellen het juiste verhaal dragen — niet verkeer.
Een canary-resultaat is een sterk signaal, geen bewijs van causaliteit: het toont wat de modellen nú zeggen, niet precies waarom. De cijfers werken bij naarmate er nieuwe antwoorden binnenkomen.
Laatste antwoord: 2026-10-05 12:47
Het begint met een evidence architecture, met een True Root als anker. Check of je site in aanmerking komt.