AI-modellen werken als een digitale recruiter: ze nemen je website niet zomaar op je woord aan, maar doen een referentiecheck via fan-out queries. Dit zijn razendsnelle achtergrondzoekopdrachten waarbij de AI het internet scant op bewijs van jouw ervaring, expertise, autoriteit en betrouwbaarheid (E-E-A-T), om je claims te verifiëren. Voor marketeers betekent dit dat je zichtbaarheid in AI niet langer bepaald wordt door wat je over jezelf vertelt op je eigen site, maar door wat externe bronnen over jouw autoriteit bevestigen.
Een goede recruiter beslist niet op basis van het sollicitatiegesprek alleen. De echte selectie vindt plaats tijdens de referentiecheck: wat zeggen externe bronnen over deze persoon, los van het mooie verhaal dat hij zelf vertelt?
In de wereld van AI-gedreven zoeken, denk aan ChatGPT, Perplexity of Google’s AI Overviews, werkt het precies zo. Voorstel: schrappen. De kernboodschap (AI neemt de eigen presentatie van een merk niet zomaar aan) staat al in de vorige en volgende zin; deze zin voegt alleen een tweede, zwaardere laag metafoor toe (sollicitant/gladde presentatie/telefoon pakken). Die telefoontjes noemen we fan-out queries. En als B2B-marketeer is dit het concept dat je moet begrijpen om in 2026 nog zichtbaar te blijven.
De techniek: wat is een fan-out query?
Wanneer een gebruiker een vraag stelt aan een AI-model, gebeurt er aan de achterkant iets fascinerends. De AI neemt de vraag niet simpelweg aan, maar voert een reeks razendsnelle vervolgacties uit.
De fan-out query simpel uitgelegd: het is een actie waarbij een zoekopdracht wordt uitgewaaierd naar tientallen verschillende plekken tegelijk. De AI voert op de achtergrond zoekopdrachten uit die jij niet ziet, om bewijs te verzamelen, feiten te checken en context te vinden.
Stel dat een prospect vraagt: “Wat is de meest betrouwbare logistieke software voor de farmacie?” Dan start de AI een fan-out zoals deze:
- Query 1: “Wat zijn de reviews van merk X op onafhankelijke platforms?”
- Query 2: “Heeft merk X certificeringen voor de farmaceutische sector?”
- Query 3: “Wat zeggen experts op LinkedIn over de implementatietijd van merk X?”
De meetlat: E-E-A-T als diagnosekader
Terwijl de AI die fan-out queries uitvoert, toetst hij daarbij op één criterium: E-E-A-T. Dit is geen vage SEO-term meer, maar een concreet houvast voor je merk.
- Experience: kan de AI in die tweede zoeklaag echte praktijkvoorbeelden of case studies van je vinden?
- Expertise: worden jouw mensen geciteerd in vakmedia of op autoritaire blogs?
- Authoritativeness: verwijzen andere betrouwbare partijen naar jou als de go-to bron?
- Trustworthiness: zijn je juridische gegevens op orde en is de sentiment-analyse van externe reviews positief?
In die tweede zoeklaag beslist het model of jouw merk geloofwaardig genoeg is om te worden geciteerd in het uiteindelijke antwoord aan de klant. Vindt het model geen E-E-A-T-bewijs in de fan-out, dan neemt het je simpelweg niet mee.
De buyer journey in de AI-trechter
De traditionele buyer journey speelt zich niet meer alleen af op jouw website. De AI verzamelt via fan-out queries de informatie die de klant nodig heeft om door de funnel te bewegen.
| Fase in de journey | Fan-out focus van de AI | Wat jij nodig hebt |
|---|---|---|
| Orientatie | Zoekt naar educatieve bronnen en definities. | Expertise: thought leadership op externe platforms. |
| Afweging | Zoekt naar vergelijkingen en Reddit-discussies. | Experience: zichtbare klantcases en community buzz. |
| Beslissing | Zoekt naar keurmerken, voorwaarden en kritische reviews. | Trust: onberispelijke reputatie op third-party sites. |
De nieuwe vraag voor marketeers
De vraag is niet langer: “Hoe rank ik op dit zoekwoord?” De echte vraag is: welke zoekstappen zet het model bij de vraag van mijn klant, welk bewijs verwacht het onderweg te vinden, en waar ontbreekt het mijn merk aan vertrouwen om zichtbaar te worden?
Als een model bij fan-out queries telkens geen onafhankelijke bevestiging vindt, heb je geen SEO-probleem, maar een autoriteitsprobleem.
De komende periode ga ik op deze website rapporteren over mijn metingen met de Chrome-extensie van Quolity. Ik heb duizenden van deze fan-out queries gelogd om patronen te ontdekken. De conclusie: kijk niet alleen naar je eigen site, maar bouw aan een online aanwezigheid die elke referentiecheck van een AI-model doorstaat.
Dat is de vraag waar dit artikel om draait: wat een AI-model over jou te horen krijgt als het een referentiecheck doet.