het agentability framework
Meten hoe AI over je praat, en het daarna repareren
Steeds meer mensen zoeken niet meer. Ze vragen het aan AI. "Welk bureau kan mij hierbij helpen?" ChatGPT, Gemini of Claude geeft dan een paar namen. Sta jij daar niet tussen, dan besta je op dat moment niet.
Het Agentability Framework maakt zichtbaar wat AI over jouw organisatie zegt. Niet op gevoel, maar op basis van honderden gecontroleerde metingen. En het stopt niet bij een rapport. Ik voer de reparatie zelf uit.
Word het logische antwoord.
Wat betekent Agentability?
Agentability is de mate waarin AI-systemen jouw organisatie correct herkennen, begrijpen en aanbevelen bij een echte koopvraag. Het gaat om 5 dingen tegelijk: - Weet AI wie je bent? - Weet AI met wie je werkt? - Weet AI in welke categorie je thuishoort? - Vindt AI je geloofwaardig genoeg om je te noemen? - Is dat beeld actueel? Eerlijk over de naam: de term Agentability is niet door mij bedacht. Ik gebruik een bestaande term. Wat ik heb gemaakt, is de definitie, het meetinstrument en de reparatiemethode die eraan hangen. Dat samen heet het Agentability Framework.
Dit is toch gewoon SEO of GEO?
Heel simpel: nee. Uitgebreider antwoord: SEO gaat over je plek in een lijst met blauwe links. Dat werkt nog steeds, maar het is niet hetzelfde. GEO (Generative Engine Optimization) gaat een stap verder. Het richt zich op je aanwezigheid in gegenereerde antwoorden. Agentability gaat over de laag daar weer onder. Jonkman Strategie bouwt de organisatiepositie die een aanbeveling geloofwaardig maakt. Een AI-model noemt je pas als het model begrijpt wie je bent, wat je doet en waarom jij een logisch antwoord bent op die vraag. Kort gezegd: GEO optimaliseert het antwoord. Agentability bouwt de positie waar dat antwoord op rust.
De vijf lagen
De vijf lagen waarop het Agentability Framework meet, zijn: 1. Identiteit: herkent AI je als bedrijf / persoon? 2. Relaties: Legt AI concrete en correcte verbanden met klanten, partners, projecten of vakgenoten? 3. Context: Plaatst AI je in de juiste categorie, bij de juiste doelgroep en bij het juiste specialisme? 4. Autoriteit: Word je genoemd bij een echte koopvraag? 5. Actualiteit: Is het beeld actueel? Of baseert AI zich op verouderde informatie? Elke laag bestaat uit vijf controlepunten. Vijfentwintig in totaal. Per controlepunt scoor je vol, half of niets. Dat maakt de uitkomst navolgbaar: je kunt precies zien waar een punt verloren gaat.
Hoe ik meet
Ik stel zes vragen per model. Vijf daarvan zijn ongemerkt: daarin noem ik jouw naam niet. De zesde is gemerkt, daarin wel. Die vijf ongemerkte vragen zijn het belangrijkst. Ze laten zien of AI jou uit zichzelf noemt. Een potentiële klant die jouw naam nog niet kent, stelt precies zulke vragen. Vraag je een model rechtstreeks naar jouw bedrijf, dan vindt het bijna altijd wel iets. Dat zegt weinig over je werkelijke positie. De vijf ongemerkte vragen dekken vijf verschillende manieren waarop iemand naar jou zou kunnen zoeken: de brede categorie, een concrete behoefte, jouw specialisme, een complex scenario en een vergelijking tussen aanbieders. Ik meet op drie verschillende dagen. AI-antwoorden schommelen. Eén antwoord is een momentopname, en soms toeval. Elke vraag gaat in een nieuwe chat, zonder geheugen van de vorige. Bij een Agentability Blueprint levert dat 90 antwoorden op: 6 vragen × 5 modellen × 3 meetdagen. Die codeer ik met de hand tegen de vijfentwintig controlepunten. Ik gebruik geen sjablonen en geen standaardrapport. Bij de kortere trajecten meet ik in drie modellen in plaats van vijf: ChatGPT, Gemini en Claude. Die opzet levert bewust géén Agentability Score op, want een score uit een kleinere meting is niet vergelijkbaar met een volledige.
Waarom weegt niet elk model even zwaar mee?
Een antwoord in een model dat veel mensen gebruiken heeft meer bereik dan hetzelfde antwoord in een model dat bijna niemand opent. Daarom deel ik de modellen in drie klassen in, op basis van hun aandeel in het wereldwijde gebruik. • Klasse I (aandeel van 25% of meer): ChatGPT 31,9 en Gemini 31,9 • Klasse II (5% tot 25%): Claude 23,4 • Klasse III (minder dan 5%): Perplexity 6,4 en Grok 6,4 Samen 100. ChatGPT en Gemini wegen dus even zwaar. Deze gewichten liggen vast. Een score uit 2026 blijft daardoor vergelijkbaar met een score uit 2027. Een model verhuist pas naar een andere klasse als het twee jaarmetingen op rij aan de andere kant van de drempel zit. Verdwijnt een model, dan wordt het vervangen en wordt de weging opnieuw berekend. Ik publiceer altijd twee cijfers: de gewogen score en de ongewogen score. Zo kun je zelf zien wat de weging doet.
Wat wel, wat niet
Wat doe ik qua reparaties allemaal? En wat niet?
Reparatie betekent hier: waar of relevant of verifieerbaar maken wat er over je te vinden is. Niet: het systeem voor de gek houden.
Wat ik doe: • De kleinste ingreep kiezen die het gemeten patroon verklaart; • De laagvolgorde volgen, dus identiteit eerst; • Alleen ingrijpen als er een gemeten aanleiding is; • Voor en na vastleggen, zodat je het verschil kunt controleren.
Wat ik niet doe: • Nep-reviews, verzonnen cases of kunstmatige consensus; • Structured data die iets beschrijft wat niet op de pagina staat; • Een claim publiceren zonder jouw schriftelijke bevestiging; • Externe vermeldingen garanderen, want die vraag ik aan, ik koop ze niet.
Ik werk vanuit een eigen account op naam, maak een back-up voor de eerste wijziging, publiceer pas na akkoord op de interventielijst en trek mijn toegang in bij afsluiting. Jij blijft eigenaar en eindverantwoordelijk voor de feiten.
Eén praktische regel: er wordt nooit gepubliceerd tussen twee meetdagen in. Dat zou de meting ongeldig maken.
Er zijn 5 Agentability-trajecten
Snapshot, Sprint, Blueprint en Complete zijn hiervan de startpunten. Growth is een vervolg op Sprint en Blueprint. Ze verschillen in diepte, doorlooptijd en investering. Welke past bij jouw situatie? Dat vertelt De Logische Scan je. Vijftien vragen. Direct je advies in beeld. Je hoeft geen mailadres achter te laten.