Laatst bijgewerkt: 30 april 2026
De basis moet eerst kloppen.
Een goede recruiter beslist niet op basis van het sollicitatiegesprek alleen. De echte selectie vindt plaats bij de referentiecheck: wat zeggen externe bronnen over deze persoon, los van het verhaal dat hijzelf vertelt? AI-modellen werken op dezelfde manier. Ik heb de afgelopen weken met de Chrome extensie van Quolity honderden AI-runs verzameld en duizenden fan-out queries gelogd: de vervolgzoekacties die een model uitvoert nadat een gebruiker een eerste vraag stelt. Niet de hoofdprompt zelf stond daarbij centraal, maar het zoekpad dat daarna volgt.
Consistent patroon: merken worden zichtbaar of onzichtbaar in dat tweede pad — bij de vraag welke externe bronnen, experts en validatiesignalen het model erbij zoekt. Dat sluit precies aan op wat Google met E-E-A-T bedoelt, en waarom ik die twee ga koppelen. Niet als rankingformule, maar als diagnosekader: zoekt het model praktijkvoorbeelden? Geciteerde experts? Onafhankelijke vergelijkingen? Mijn hypothese: fan-out queries laten zien welk soort bewijs een model nodig heeft om een merk geloofwaardig genoeg te vinden om te citeren.
Dat maakt de vraag concreter dan “hoe rank ik in AI?”: welke zoekstappen zet het model bij deze vraag, welk bewijs verwacht het onderweg, en waar ontbreekt het mijn merk aan vertrouwen, expertise, ervaring of autoriteit om zichtbaar te worden? De komende periode ‘rapporteer’ ik over die metingen op deze website — uitkomsten, methodiek, patronen en beperkingen. De basis moet eerst kloppen.