Wanneer een potentiële klant AI gebruikt om oplossingen te vergelijken, gebeurt er meer dan alleen het noemen van een paar merken.
AI kan bijvoorbeeld een lijst geven met:
- prijs;
- functionaliteit;
- security;
- integraties;
- gebruiksgemak;
- support;
- schaalbaarheid;
- implementatiesnelheid;
- geografische beschikbaarheid;
- branchefit.
Dat zijn geen losse details.
Het zijn:
Decision Criteria.
Decision Criteria zijn de eigenschappen, eisen en selectiecriteria die binnen een AI-antwoord worden gebruikt om verschillende merken, producten of leveranciers te beoordelen en met elkaar te vergelijken.
Wanneer AI zegt:
Voor een Nederlandse organisatie met 200 medewerkers zijn vooral security, integraties, support en gebruiksgemak belangrijke factoren om deze oplossingen te vergelijken.
dan heeft AI feitelijk een:
decision framework
voor de gebruiker gecreëerd.
De vraag voor bedrijven wordt daarom:
Welke selectiecriteria gebruikt AI wanneer potentiële klanten onze markt onderzoeken?
Dat is het terrein van:
AI Decision Criteria Monitoring.
AI Decision Criteria Monitoring is het systematisch meten welke selectiecriteria terugkomen in AI-antwoorden waarin merken, producten, diensten of leveranciers worden geëvalueerd.
Het gaat daarmee verder dan:
wie wordt aanbevolen?
of:
waarom wordt een merk aanbevolen?
De bredere vraag is:
Op basis waarvan structureert AI het keuzeproces?
Dat kan voor marketing, productmarketing, sales, productmanagement en GEO bijzonder waardevolle intelligence opleveren.
Wat zijn AI Decision Criteria?
AI Decision Criteria zijn de factoren die AI gebruikt of noemt wanneer het:
- producten vergelijkt;
- leveranciers beoordeelt;
- alternatieven rangschikt;
- aanbevelingen uitlegt;
- voor- en nadelen afweegt;
- een shortlist samenstelt.
Voorbeelden:
Price
Ease of Use
Security
Enterprise Readiness
Integrations
Support
Implementation Speed
Scalability
Industry Fit
Local Expertise
Een simpel voorbeeld
Prompt:
Welke CRM-oplossing is geschikt voor een Nederlands bedrijf met 100 medewerkers?
AI kan antwoorden:
Let vooral op gebruiksgemak, integraties met Microsoft 365, pricing, support en schaalbaarheid.
Hier zijn de Decision Criteria:
- Ease of Use
- Integrations
- Price
- Support
- Scalability
Pas daarna worden specifieke producten besproken.
AI creëert dus niet alleen recommendations
AI kan ook bepalen:
welke criteria de gebruiker zou moeten gebruiken om een keuze te maken.
Dat maakt Decision Criteria een belangrijke laag binnen AI Decision Intelligence.
Decision Criteria versus Recommendation Reasons
Artikel 30 behandelde AI Recommendation Reason Tracking.
Een Recommendation Reason is:
Waarom wordt merk X aanbevolen?
Een Decision Criterion is breder:
Welke factor wordt gebruikt om alle mogelijke opties te beoordelen?
Voorbeeld
Criterion:
Security
AI gebruikt Security om drie producten te vergelijken.
Daarna beveelt het Product A aan omdat:
Product A sterkere security biedt.
Dan is:
Security = Decision Criterion.
Strong Security = Recommendation Reason voor Product A.
Decision Criteria versus Trade-Offs
Artikel 32 behandelde Recommendation Trade-Off Tracking.
Een Decision Criterion is één selectievariabele.
Bijvoorbeeld:
Price
Een Trade-Off is een afweging tussen meerdere criteria.
Bijvoorbeeld:
Price versus Functionality.
Decision Criteria versus Attributes
Artikel 22 behandelde Attribute Tracking.
Attribute:
AI noemt uw product gebruiksvriendelijk.
Decision Criterion:
AI zegt dat gebruiksgemak belangrijk is bij het selecteren van een product uit deze categorie.
Dat zijn verschillende vragen.
Waarom dit onderscheid belangrijk is
Een merk kan sterk geassocieerd worden met:
Ease of Use.
Maar als Ease of Use nauwelijks als Decision Criterion wordt gebruikt binnen high-intent prompts, kan het commercieel minder belangrijk zijn dan gedacht.
Andersom kan:
Security
een zeer belangrijk Decision Criterion zijn, terwijl uw merk daar nauwelijks mee wordt geassocieerd.
Dan ontstaat een strategische gap.
Decision Criterion Frequency
De eenvoudigste metric:
Hoe vaak komt een bepaald criterium voor binnen relevante selection responses?
Bijvoorbeeld:
1.000 high-intent responses.
Security:
430 responses.
Ease of Use:
Price:
Integrations:
Support:
Decision Criterion Rate
Formule:
Decision Criterion Rate = aantal eligible responses waarin criterium X voorkomt ÷ totaal aantal eligible decision responses × 100
Voorbeeld
Security verschijnt in:
430 van 1.000 responses.
Decision Criterion Rate:
43%
Wat zegt dat?
Binnen deze gemonitorde dataset wordt security in 43% van de relevante selectie-antwoorden als criterium gebruikt.
Het betekent niet:
43% van echte klanten kiest op security.
Dat zou een verkeerde interpretatie zijn.
AI Decision Criteria zijn geen klantonderzoek
Dit onderscheid is essentieel.
AI Monitor Brand meet:
Welke criteria voorkomen in AI-generated selection answers?
Dat is iets anders dan:
- klantvoorkeuren;
- marktonderzoek;
- surveydata;
- daadwerkelijke aankoopredenen.
AI Decision Criteria zijn:
observed AI decision framing.
Primary Decision Criterion
Het criterium dat het vaakst terugkomt kan worden weergegeven als:
Primary Decision Criterion.
Bijvoorbeeld:
Security — 43%.
Top Decision Criteria
Een dashboard kan bijvoorbeeld tonen:
- Security — 43%
- Ease of Use — 39%
- Price — 36%
- Integrations — 33%
- Support — 25%
Dit laat zien welke criteria AI relatief vaak gebruikt om de categorie te structureren.
Decision Criteria Profile
Voor een complete categorie ontstaat:
AI Decision Criteria Profile.
Bijvoorbeeld voor AI Brand Monitoring:
- platform coverage;
- competitor tracking;
- Share of Voice;
- pricing;
- reporting;
- historical tracking;
- ease of use;
- integrations;
- agency features;
- enterprise governance.
Dat kan bijzonder interessant zijn voor productmarketing.
Decision Criteria veranderen per markt
Een CRM-markt heeft andere criteria dan:
- cybersecurity;
- payroll;
- Microsoft Intune consultancy;
- accounting software;
- recruitment;
- ecommerce.
Daarom moet Decision Criteria Monitoring altijd category-specific zijn.
Voorbeeld: Microsoft Intune-dienstverlening
Potentiële criteria:
- Intune expertise;
- Microsoft certifications;
- ervaring;
- remote delivery;
- Nederlandse engineers;
- support;
- implementation methodology;
- security knowledge;
- pricing;
- references.
Voorbeeld: SaaS
Criteria kunnen zijn:
- pricing;
- ease of use;
- integrations;
- scalability;
- support;
- implementation;
- reporting;
- security;
- customization.
Decision Criteria Taxonomy
Voor AI Monitor Brand kan een algemene taxonomy worden gebruikt.
Product
- functionality;
- features;
- integrations;
- usability;
- performance.
Commercial
- price;
- value;
- contract flexibility;
- trial;
- implementation cost.
Technical
- security;
- scalability;
- architecture;
- APIs;
- compatibility.
Service
- support;
- onboarding;
- implementation;
- consultancy.
Trust
- reputation;
- reviews;
- certifications;
- customer proof.
Fit
- company size;
- industry;
- geography;
- persona;
- use case.
Deze structuur helpt normaliseren.
Decision Criterion Normalization
AI kan hetzelfde criterium op verschillende manieren formuleren.
Bijvoorbeeld:
- ease of use;
- user friendliness;
- simple interface;
- intuitive UI;
- easy onboarding.
Deze kunnen mogelijk worden gegroepeerd onder:
Ease of Use.
Maar de oorspronkelijke formulering moet behouden blijven.
Waarom normalization belangrijk is
Zonder normalization krijgt u bijvoorbeeld:
Ease of Use — 12%.
User Friendly — 9%.
Easy Interface — 7%.
Simple Setup — 8%.
Terwijl deze samen mogelijk één cluster vormen.
Met normalization kan dat:
Ease of Use — 36%
worden.
Criterion Cluster
Een groep semantisch verwante criteria kan worden genoemd:
Decision Criterion Cluster.
Bijvoorbeeld:
Security Cluster:
- security;
- compliance;
- privacy;
- governance;
- certifications.
Of:
Ease Cluster:
- usability;
- onboarding;
- setup;
- learning curve.
Raw Criterion versus Normalized Criterion
Bewaar altijd beide.
Bijvoorbeeld:
Raw:
makkelijk te implementeren zonder groot IT-team.
Normalized:
Implementation Ease
Zo blijft analyse controleerbaar.
Decision Criteria Ranking
Het is mogelijk criteria te rangschikken op frequentie.
Bijvoorbeeld:
| Rank | Criterion | Rate |
|---|---|---|
| 1 | Security | 43% |
| 2 | Ease of Use | 39% |
| 3 | Price | 36% |
| 4 | Integrations | 33% |
| 5 | Support | 25% |
Dit geeft een:
Decision Criteria Ranking.
Frequentie is niet automatisch belangrijkheid
Een criterium kan vaak genoemd worden maar zelden doorslaggevend zijn.
Daarom is alleen frequency onvoldoende.
Decision Criterion Influence
Een latere metric kan onderzoeken:
Hoe vaak komt Criterion X voor in responses waarin de uiteindelijke recommendation duidelijk wordt gemaakt?
Dat kan worden genoemd:
Observed Decision Criterion Influence.
Maar ook hier moet causaliteitsclaim worden vermeden.
Criterion Presence versus Outcome Association
Bijvoorbeeld:
Security verschijnt:
43% van alle selection responses.
Maar bij enterprise wins:
68%.
Price:
36% overall.
Maar bij SMB wins:
61%.
Dit laat contextafhankelijke associations zien.
Criterion-to-Outcome Association
Daarmee ontstaat:
Criterion-to-Outcome Association.
Het systeem meet:
Hoe vaak komt een criterium voor in bepaalde win/loss contexts?
Niet:
Dit criterium veroorzaakt de uitkomst.
Decision Criteria per winnaar
Bijvoorbeeld:
Uw merk wint vaak wanneer:
Ease of Use
Transparency
Dutch Fit
Concurrent A wint wanneer:
Security
Enterprise
Integrations
Concurrent B wint wanneer:
Price
Agency Features
Nu worden Decision Criteria direct gekoppeld aan competitive outcomes.
Decision Criteria Share of Voice?
Decision Criteria zelf behoren niet noodzakelijk aan een merk.
Toch kan worden gemeten:
welk merk binnen responses het sterkst wordt gekoppeld aan een bepaald criterium.
Dat is eerder:
Criterion Association Share of Voice
of:
Criterion Competitive SOV.
Voorbeeld
Security is een belangrijke Decision Criterion.
Associations:
Uw merk — 18%.
A — 63%.
B — 19%.
Concurrent A domineert security binnen de selected competitive set.
Criterion Importance versus Brand Strength
Hier ontstaat een zeer krachtige matrix.
| Criterion | AI Criterion Rate | Uw Brand Strength |
|---|---|---|
| Security | 43% | 18% |
| Ease of Use | 39% | 62% |
| Price | 36% | 31% |
| Integrations | 33% | 22% |
| Transparency | 21% | 68% |
Dit vertelt veel meer dan een losse attribute score.
Strategic Decision Criterion Gap
Wanneer een criterium:
- vaak voorkomt;
- high-intent relevant is;
- strategisch belangrijk is;
maar uw merk zwak scoort, ontstaat:
Strategic Decision Criterion Gap.
Voorbeeld
Security:
Criterion Rate — 43%.
Uw association — 18%.
Competitor A — 63%.
Dit kan een belangrijke gap zijn als security relevant is voor uw doelgroep.
Decision Criterion Opportunity
Andersom:
Transparency:
Criterion Rate — 21%.
Uw association — 68%.
Competitors veel lager.
Dat kan een differentiator zijn, maar het criterion wordt nog niet extreem vaak gebruikt.
De vraag wordt:
Kan dit criterion belangrijker worden binnen uw positioning?
Dat is een potentiële opportunity.
Decision Criterion Opportunity Matrix
Vier situaties:
Hoge Criterion Frequency + Hoge Brand Strength
Defend
Hoge Criterion Frequency + Lage Brand Strength
Priority Gap
Lage Criterion Frequency + Hoge Brand Strength
Differentiation Opportunity
Lage Criterion Frequency + Lage Brand Strength
Low Priority
Dit is een zeer sterke productmatrix.
Criterion Importance Matrix
Bijvoorbeeld:
| Sterk merk | Zwak merk | |
|---|---|---|
| Vaak genoemd criterion | Defend | Improve |
| Weinig genoemd criterion | Differentiate | Ignore / Monitor |
Dit helpt prioriteren.
High-Intent Decision Criteria
Niet alle prompts zijn commercieel gelijk.
Daarom is:
High-Intent Decision Criteria Monitoring
waarschijnlijk het belangrijkst.
Voorbeeld
Algemene prompts:
Ease of Use — 42%.
Price — 24%.
High-intent prompts:
Ease of Use — 39%.
Price — 51%.
Prijs wordt veel belangrijker wanneer AI daadwerkelijk een selectie helpt maken.
High-Intent Criterion Rate
Formule:
Aantal high-intent responses waarin Criterion X voorkomt ÷ totaal eligible high-intent responses × 100
High-Intent Criteria Ranking
Bijvoorbeeld:
- Price — 51%
- Security — 46%
- Integrations — 42%
- Ease of Use — 39%
- Support — 31%
Dit is veel commercieeler dan algemene contentanalyse.
High-Intent Criterion Gap
Als een high-intent criterion belangrijk is maar uw merk daar zwak op wordt gepositioneerd:
High-Intent Criterion Gap.
Dit kan hoge prioriteit krijgen.
Unbranded Decision Criteria
Bij unbranded prompts bepaalt AI vaak zelf welke criteria relevant zijn.
Bijvoorbeeld:
Welke software moet ik vergelijken voor contractmanagement?
AI kan eerst adviseren om te kijken naar:
- pricing;
- workflows;
- integrations;
- reminders;
- reporting.
Dit is:
Unbranded Decision Criteria Intelligence.
Waarom unbranded criteria waardevol zijn
Bij branded prompts stuurt de gebruiker de vergelijking vaak al.
Bij unbranded prompts krijgt u beter inzicht in:
hoe AI zelf het selection framework opbouwt.
Dat kan belangrijke category intelligence opleveren.
Branded versus Unbranded Criterion Gap
Bij branded comparisons:
Security — 31%.
Unbranded selection prompts:
Security — 54%.
Dan is security veel prominenter wanneer AI zelf het framework bepaalt.
Dat kan een:
Criterion Discovery Gap
zijn.
Decision Criteria per platform
AI-platforms kunnen verschillende criteria benadrukken.
Bijvoorbeeld:
| Platform | Top Criterion |
|---|---|
| ChatGPT | Ease of Use |
| Gemini | Integrations |
| Claude | Security |
| Perplexity | Source Credibility |
Dit kan platform-specifieke decision framing zichtbaar maken.
Cross-Platform Decision Criteria Consistency
Wanneer dezelfde criteria op meerdere platforms terugkomen:
High Cross-Platform Criterion Consistency.
Wanneer sterk verschillende criteria domineren:
Decision Criteria Fragmentation.
Decision Criteria Fragmentation
Voorbeeld:
ChatGPT:
Ease.
Gemini:
Price.
Claude:
Security.
Perplexity:
Reputation.
Dan bestaat geen uniform observed selection framework.
Dat is belangrijke context voor dashboards.
Decision Criteria per persona
Criteria verschillen sterk per doelgroep.
Bijvoorbeeld:
CMO
- ROI;
- strategic insight;
- competitor intelligence.
SEO-specialist
- prompt coverage;
- tracking depth;
- integrations.
IT-manager
- security;
- governance;
- implementation.
Procurement
- price;
- contract terms;
- vendor stability.
Dit is:
Persona Decision Criteria Intelligence.
Persona Criterion Rate
Voor iedere persona kan een aparte ranking worden gemaakt.
Bijvoorbeeld:
CMO:
ROI — 58%.
SEO-specialist:
Data Depth — 61%.
IT-manager:
Security — 72%.
Zo wordt duidelijk welke criteria per stakeholder terugkomen.
Decision Criteria per bedrijfsgrootte
SMB:
- price;
- simplicity;
- fast setup.
Mid-market:
- scalability;
- integrations;
- support.
Enterprise:
- security;
- governance;
- architecture;
- compliance.
Dit kan productpositionering sterk ondersteunen.
Company-Size Criterion Gap
Wanneer uw merk bijvoorbeeld als sterk op simplicity wordt gezien maar enterprise prompts vooral security en governance gebruiken, kan uw enterprise Win Rate logisch lager zijn.
Dit helpt verklaren:
waarom.
Decision Criteria per industrie
Financial Services:
Security
Compliance
Auditability
Healthcare:
Privacy
Security
Interoperability
SaaS:
Integrations
Scalability
Pricing
Professional Services:
Ease of Use
Support
Reporting
Dit geeft:
Industry Decision Criteria Intelligence.
Decision Criteria per geography
Nederlandse prompts kunnen bijvoorbeeld vaker noemen:
- local support;
- GDPR;
- Dutch language;
- local expertise.
Internationale prompts:
- global coverage;
- integrations;
- scalability.
Dat geeft geographic differences.
Decision Criteria per taal
Nederlandse prompts:
Local Support — 31%.
Engelse prompts:
Local Support — 7%.
Dat is een:
Language Criterion Gap.
Voor Nederlandse bedrijven kan dit strategisch relevant zijn.
Decision Criteria en trade-offs
Decision Criteria worden vaak gekoppeld in trade-offs.
Bijvoorbeeld:
Price ↔ Functionality.
Ease ↔ Control.
Security ↔ Usability.
Local Expertise ↔ Global Scale.
Artikel 32 analyseert die pairs.
Artikel 33 kijkt eerst naar de criteria zelf.
Criterion Pair Frequency
Een aanvullende metric:
Welke twee criteria komen vaak samen in comparisons?
Bijvoorbeeld:
Price + Functionality — 32%.
Security + Compliance — 28%.
Ease + Implementation — 26%.
Dit geeft inzicht in selection logic.
Criterion Co-Occurrence
Dit noemen we:
Decision Criterion Co-Occurrence.
Decision Criterion Network
Later kan AI Monitor Brand een network visualiseren:
Security ↔ Compliance ↔ Enterprise
Ease ↔ Setup ↔ SMB
Price ↔ Value ↔ Features
Dit vormt een:
AI Decision Criteria Network.
Waarom dit productmarketing helpt
Een productmarketingteam denkt misschien in tien positioning pillars.
Maar AI-generated selection answers kunnen laten zien dat slechts vier criteria structureel domineren.
Dat helpt focus aanbrengen.
Criterion Salience
Een mogelijke toekomstige metric:
Criterion Salience
combineert bijvoorbeeld:
- frequency;
- high-intent presence;
- recurring use;
- cross-platform coverage;
- win/loss association.
Dit kan aangeven hoe prominent een criterium is.
Decision Criterion Salience Score
Conceptueel:
0–100.
Maar alleen als de componenten transparant blijven.
Criterion Momentum
Criteria kunnen over tijd belangrijker of minder belangrijk worden.
Bijvoorbeeld:
Security:
31% → 38% → 47% → 56%.
Dit is:
Positive Criterion Momentum.
Emerging Decision Criterion
Een nieuw criterium groeit snel.
Bijvoorbeeld:
AI Transparency:
4% → 12% → 25% → 39%.
Dit is een:
Emerging Decision Criterion.
Declining Decision Criterion
Bijvoorbeeld:
Price:
52% → 44% → 33% → 24%.
Prijs komt minder vaak terug.
Dit kan wijzen op veranderende AI framing binnen de category.
Decision Criteria Drift
Wanneer de totale set van belangrijkste criteria verandert:
AI Decision Criteria Drift.
Bijvoorbeeld:
Vroeger:
Price
Features
Ease
Later:
Security
Accuracy
Governance
Dat is een duidelijke verschuiving.
Category Decision Drift
Wanneer dit op category-niveau gebeurt:
Category Decision Drift.
Dat kan interessante marktintelligence zijn.
Competitive implications
Als uw merk sterk is op criteria die afnemen en competitors sterk zijn op criteria die toenemen, kan uw competitive AI positioning verslechteren zonder dat uw eigen content verandert.
Dat is belangrijk.
Criterion Trend + Brand Strength
Bijvoorbeeld:
| Criterion | Trend | Uw sterkte |
|---|---|---|
| Security | ↑ sterk | zwak |
| Ease | → stabiel | sterk |
| Price | ↓ | gemiddeld |
| Transparency | ↑ | sterk |
Hieruit ontstaat direct een strategic priority.
Decision Criterion Risk
Een criterium kan een risk worden wanneer:
- frequency stijgt;
- uw association laag is;
- competitor association hoog is;
- high-intent usage sterk is.
Dit kan:
Decision Criterion Risk
worden genoemd.
Decision Criterion Opportunity
Omgekeerd:
- criterion groeit;
- uw association al sterk;
- competitors zwak;
- high-intent presence stijgt.
Dan ontstaat:
Decision Criterion Opportunity.
Decision Criteria Alerts
Een toekomstige alert engine kan melden:
Security Becoming More Important
Price Criterion Declining
New Criterion Emerging: AI Transparency
Competitor A Dominates Growing Criterion
Your Brand Strong on Fast-Growing Criterion
High-Intent Criteria Shift Detected
Dit maakt de intelligence operationeel.
Decision Criteria Confidence
Ook hier is sample size belangrijk.
Criterion:
Security.
Observations:
Confidence:
High.
Criterion:
Vendor Financial Stability.
Observations:
Confidence:
Low.
Minimum Observation Threshold
Bij onvoldoende data moet AI Monitor Brand aangeven:
Insufficient Data.
Niet:
Dit is een belangrijk selection criterion.
Criterion Evidence
Iedere criterion detection moet doorklikbaar zijn naar evidence.
Bijvoorbeeld:
Criterion
Security
Rate
43%
High-Intent Rate
57%
Evidence
“Bij het vergelijken van deze oplossingen zou ik vooral letten op security, compliance, integraties en support.”
Prompt
Welke software is geschikt voor een Nederlandse financiële organisatie?
Platform
…
Datum
…
Dit maakt de analyse controleerbaar.
Explicit versus Implied Decision Criteria
Explicit
Let bij uw keuze vooral op prijs, security en support.
Duidelijk.
Implied
Voor kleinere bedrijven is Product A waarschijnlijk eenvoudiger, terwijl grotere organisaties mogelijk meer waarde halen uit B.
Hier worden impliciet criteria gebruikt zoals:
Company Size Fit
Ease of Use
Scalability
Maar confidence kan lager zijn.
Criterion Detection Types
Een bruikbaar model:
Explicit Criterion
Strongly Implied Criterion
Possible Criterion
No Criterion
Unclear
Dit voorkomt overschatting.
Decision Criteria en accuracy
AI kan een valide criterion gebruiken maar merken verkeerd beoordelen.
Bijvoorbeeld:
Criterion:
API availability.
AI zegt:
Uw product heeft geen API.
Terwijl dat wel zo is.
Dan is het criterion zelf correct.
De brand evaluation is fout.
Dit moet apart worden behandeld.
Criterion versus Evaluation
Daarom moet het datamodel onderscheid maken:
Criterion
Security.
Brand Evaluation
Strong.
Confidence
…
Een criterium kan worden gebruikt voor meerdere brands met verschillende evaluations.
AI Decision Evaluation
Per criterion kan AI bijvoorbeeld zeggen:
Uw merk:
Strong.
A:
Very Strong.
B:
Moderate.
Dit is:
AI Decision Evaluation.
Decision Criterion Score per brand
Later kan per criterion een normalized score worden berekend.
Bijvoorbeeld:
Security:
Uw merk — 42/100.
A — 81/100.
B — 57/100.
Maar dit moet alleen worden gebruikt als de scoring transparant en gebaseerd op voldoende evidence is.
Niet te snel scores bouwen
Voor de eerste versies zijn:
- frequency;
- associations;
- evidence;
- competitor comparison;
veel betrouwbaarder dan complexe 0–100 scores.
Dat past ook beter bij de MVP-filosofie.
Decision Criteria en source intelligence
Wanneer AI zichtbare bronnen toont, kunt u onderzoeken welke sources voorkomen rond specifieke selection criteria.
Bijvoorbeeld:
Security:
- certifications;
- documentation;
- compliance pages.
Ease of Use:
- reviews;
- tutorials;
- comparison pages.
Dit is:
Decision Criterion Source Intelligence.
Source-to-Criterion Mapping
Een toekomstige feature kan laten zien:
Welke sources worden vaak gezien in responses waarin Criterion X wordt besproken?
Dat kan helpen bij verder onderzoek.
Geen causale claims
Een cited source die samen met een criterion verschijnt betekent niet automatisch dat die source het criterion heeft veroorzaakt.
Daarom formuleren:
Deze bronnen verschenen vaak binnen responses waarin Security werd besproken.
Niet:
Deze bronnen zorgen ervoor dat AI Security belangrijk vindt.
Decision Criteria en GEO
De workflow kan worden:
Monitor High-Intent Prompts
↓
Extract Decision Criteria
↓
Rank Criteria
↓
Compare Brand Strength vs Two Competitors
↓
Identify Strategic Gaps
↓
Inspect Evidence and Sources
↓
Improve Accurate Positioning and Content
↓
Remeasure
↓
Track Criterion Drift
Dit maakt GEO sterk verbonden aan actual observed selection framing.
Een belangrijke waarschuwing
Als AI vaak security noemt, betekent dat niet automatisch:
publiceer 500 securitypagina’s.
De juiste reactie kan zijn:
- bestaande securityinformatie verbeteren;
- claims beter onderbouwen;
- documentation duidelijker maken;
- productpositionering aanpassen;
- of accepteren dat security niet uw differentiator is.
Data moet strategie informeren, niet automatisch contentvolume creëren.
Decision Criteria voor Nederlandse SaaS-bedrijven
Een Nederlands SaaS-bedrijf kan bijvoorbeeld monitoren:
- pricing;
- ease;
- integrations;
- security;
- support;
- implementation;
- language;
- local market fit;
- scalability.
Daarna kan worden vergeleken:
Op welke criteria zijn wij sterk tegenover twee competitors?
Voor Nederlandse IT-dienstverleners
Bijvoorbeeld:
- technical expertise;
- Microsoft specialization;
- Dutch engineers;
- response time;
- remote delivery;
- security;
- references;
- pricing.
Dit geeft veel meer inzicht dan alleen AI mentions.
Voor agencies
Criteria kunnen zijn:
- specialization;
- strategy;
- execution;
- case studies;
- pricing;
- team quality;
- GEO expertise;
- technical capability.
Voor consultants
Criteria:
- experience;
- specialization;
- personal involvement;
- methodology;
- geographic knowledge;
- availability.
Voor ecommerce
Criteria:
- price;
- reviews;
- quality;
- delivery;
- warranty;
- sustainability;
- availability.
Voor productmarketing
Dit kan een zeer sterke feature zijn.
De vraag verandert van:
Wat vertellen wij dat belangrijk is?
naar:
Welke criteria gebruikt AI daadwerkelijk wanneer het onze categorie uitlegt en merken vergelijkt?
Dat geeft een externe intelligence-laag.
Voor sales
Sales kan Decision Criteria gebruiken voor betere battlecards.
Bijvoorbeeld:
Top criteria in enterprise prompts:
- Security
- Integrations
- Governance
- Support
- Scalability
Sales weet dan welke arguments prospects mogelijk al via AI hebben gezien.
Voor productmanagement
Als een bepaald criterion snel groeit:
bijvoorbeeld:
AI Transparency
kan dat een product signal zijn.
Niet automatisch een roadmapbesluit.
Maar wel een data point voor verder onderzoek.
Voor management
Een executive dashboard kan eenvoudig tonen:
Top AI Decision Criteria
Security — 43%
Ease of Use — 39%
Price — 36%
Integrations — 33%
Support — 25%
Your strongest criterion
Ease of Use
Largest gap
Security
Fastest-growing criterion
Transparency
High-Intent #1
Price
Competitor A strength
Enterprise
Dat is voldoende voor snelle interpretatie.
Decision Criteria Scorecard
| Criterion | Frequency | High-Intent | Uw merk | A | B |
|---|---|---|---|---|---|
| Security | 43% | 57% | 18% | 63% | 31% |
| Ease | 39% | 41% | 61% | 22% | 37% |
| Price | 36% | 51% | 31% | 14% | 62% |
| Integrations | 33% | 46% | 22% | 58% | 29% |
| Transparency | 21% | 29% | 68% | 19% | 17% |
Dit is een uitstekende AI Monitor Brand-view.
Decision Criteria + Win/Loss
Nog krachtiger wordt het wanneer u toont:
| Criterion | Frequency | Uw Win Rate wanneer genoemd |
|---|---|---|
| Ease | 39% | 68% |
| Security | 43% | 21% |
| Price | 36% | 47% |
| Transparency | 21% | 72% |
Nu ziet u:
Bij welke selection criteria bent u competitief sterk?
Criterion Performance
Dit kan worden samengevat als:
Criterion Performance.
Bijvoorbeeld:
Ease:
High Importance + High Win Rate.
Security:
High Importance + Low Win Rate.
Transparency:
Lower Importance + High Win Rate.
Dat leidt tot heldere strategic quadrants.
Decision Criteria Performance Matrix
High Importance + High Performance
Defend
High Importance + Low Performance
Improve / Investigate
Low Importance + High Performance
Differentiate / Grow
Low Importance + Low Performance
Monitor
Dit kan een kernfeature worden.
Decision Criterion Battlecard
Voor iedere competitor:
Wat is belangrijk in de markt?
Security
Ease
Price
Integrations
Waar wint uw merk?
Ease
Transparency
Waar wint Concurrent A?
Security
Enterprise
Integrations
Waar wint Concurrent B?
Price
Dit verbindt category intelligence direct met competitor intelligence.
Wat moet technisch worden opgeslagen?
Per Decision Criterion Observation:
- criterion_observation_id;
- response_id;
- prompt_id;
- prompt_cluster;
- criterion_raw_text;
- normalized_criterion;
- criterion_category;
- explicit/implied;
- confidence;
- high-intent status;
- branded/unbranded;
- platform;
- model metadata;
- timestamp.
Per brand evaluation:
- criterion_observation_id;
- brand_id;
- evaluation;
- comparative position;
- supporting text;
- confidence.
Per context:
- persona;
- company size;
- industry;
- geography;
- language;
- use case.
Daarmee ontstaat een sterke analyticsbasis.
Criterion Taxonomy Versioning
Omdat normalization en taxonomy later veranderen, moet ook:
criterion_taxonomy_version
worden opgeslagen.
Hiermee kunnen historische analyses reproduceerbaar blijven.
Raw responses blijven essentieel
Net als in de vorige artikelen:
bewaar de volledige AI-response.
Als u alleen extracted criteria opslaat, verliest u:
- context;
- trade-offs;
- conditionality;
- comparative reasoning;
- future reclassification opportunities.
Raw response storage blijft daarom een architectuurvereiste vanaf de MVP.
Moeten AI Decision Criteria in de bare-bones MVP?
Nee.
Niet als uitgebreide feature.
De MVP blijft:
uw merk + twee competitors
met:
- prompts;
- full responses;
- mentions;
- recommendations;
- positions;
- Share of Voice;
- Visibility Gaps;
- historical trends.
Maar de MVP moet Decision Criteria later mogelijk maken
Dat betekent:
- Raw responses bewaren.
- Prompt intent en clusters bewaren.
- Recommendations en competitor relationships bewaren.
- Platform en timestamp bewaren.
Hiermee kan historical criterion extraction later worden uitgevoerd.
Eerste Decision Criteria-versie na MVP
Ik zou beginnen met:
Top 10 Decision Criteria per category.
Toon:
- Frequency;
- High-Intent Frequency;
- own brand association;
- Concurrent A;
- Concurrent B;
- evidence.
Dat is al zeer waardevol.
Tweede versie
Voeg toe:
- persona;
- company size;
- use case;
- platform;
- trends;
- confidence;
- Criterion Performance Matrix.
Derde versie
Daarna:
- Criterion-to-Win analysis;
- trade-off pairs;
- emerging criteria;
- Criterion Drift;
- strategic gaps;
- alerts.
Vierde versie
Premium:
- Decision Criteria Network;
- Opportunity Scores;
- category benchmarks;
- source intelligence;
- automated battlecards;
- executive insights;
- international/language comparison.
Zo blijft de productroadmap beheersbaar.
Een sterke featurebenaming
De technische term:
AI Decision Criteria Monitoring
is duidelijk.
Voor het product kan een eenvoudiger label aantrekkelijker zijn:
What AI Considers Important
of:
Welke criteria gebruikt AI om merken te vergelijken?
Met uitleg:
Ontdek welke factoren ChatGPT, Gemini, Claude en Perplexity gebruiken om producten en leveranciers te beoordelen — en vergelijk uw positie op deze criteria met twee belangrijke concurrenten.
Sterke commerciële boodschap
Ontdek welke selectiecriteria AI belangrijk vindt wanneer klanten uw markt onderzoeken.
Of:
Zie op welke criteria AI uw merk en twee concurrenten beoordeelt — en waar uw belangrijkste competitive gaps liggen.
Van trade-offs naar decision framework
De intelligence stack wordt:
Recommendation Reasons
Waarom wordt een merk aanbevolen?
↓
Win/Loss Analysis
Wie krijgt de voorkeur?
↓
Trade-Off Tracking
Welke voordelen en nadelen worden afgewogen?
↓
Decision Criteria Monitoring
Welke criteria gebruikt AI überhaupt om de keuze te structureren?
Dit maakt AI Decision Intelligence steeds completer.
Van brand monitoring naar category intelligence
Tot nu toe lag de nadruk sterk op:
uw merk.
Decision Criteria voegen een tweede perspectief toe:
de categorie.
U meet dan niet alleen:
Hoe presteert ons merk?
Maar ook:
Welke selectiecriteria gebruikt AI binnen onze markt?
Dat is waardevolle:
AI Category Intelligence.
De belangrijkste strategische vraag
Een bedrijf wil uiteindelijk weten:
Welke criteria vinden wij belangrijk?
Maar ook:
Welke criteria brengt AI onder de aandacht wanneer potentiële klanten onze markt onderzoeken?
En vervolgens:
Op welke van die criteria zijn wij sterker of zwakker dan onze twee belangrijkste concurrenten?
Dat is de kern van AI Decision Criteria Monitoring.
Recommendation Reasons vertellen waarom een merk wordt aanbevolen. AI Decision Criteria laten zien welke maatstaven AI gebruikt om de hele markt te beoordelen.
Veelgestelde vragen over AI Decision Criteria
Wat zijn AI Decision Criteria?
AI Decision Criteria zijn eigenschappen, eisen en selectiecriteria die AI-systemen gebruiken of noemen wanneer zij merken, producten, diensten of leveranciers vergelijken.
Wat is Decision Criteria Monitoring?
Dit is het structureel meten welke criteria terugkomen in relevante AI-selection responses en hoe vaak zij voorkomen.
Wat is het verschil tussen een Decision Criterion en een Recommendation Reason?
Een Decision Criterion is een algemene beoordelingsfactor. Een Recommendation Reason is een argument waarom een specifiek merk binnen die factor geschikt wordt gevonden.
Wat is het verschil tussen Decision Criteria en Trade-Offs?
Decision Criteria zijn individuele beoordelingsfactoren. Trade-Offs zijn afwegingen tussen twee of meer criteria.
Wat is Decision Criterion Rate?
Dit is het percentage eligible AI-responses waarin een bepaald selectiecriterium voorkomt.
Wat is een Primary Decision Criterion?
Dit is het criterium dat binnen de gekozen dataset het vaakst of meest prominent terugkomt.
Zijn AI Decision Criteria hetzelfde als klantvoorkeuren?
Nee. Ze laten zien hoe AI selection answers structureert, niet wat echte klanten daadwerkelijk het belangrijkst vinden.
Wat is een Decision Criterion Cluster?
Dit is een groep semantisch verwante criteria, bijvoorbeeld Security, Compliance en Governance.
Waarom is normalization nodig?
AI kan hetzelfde criterium op veel verschillende manieren formuleren. Normalization maakt vergelijkbare formuleringen meetbaar als één concept.
Wat is High-Intent Decision Criteria Monitoring?
Dit meet criteria specifiek binnen prompts waarin gebruikers actief producten, leveranciers of oplossingen evalueren.
Wat zijn Unbranded Decision Criteria?
Dit zijn criteria die AI zelf introduceert wanneer de gebruiker nog geen specifieke merken heeft genoemd.
Wat is een Strategic Decision Criterion Gap?
Dit ontstaat wanneer een belangrijk selection criterion vaak voorkomt, maar uw merk daarop zwak wordt gepositioneerd ten opzichte van competitors.
Wat is een Decision Criterion Opportunity?
Dit is een relevant criterium waarop uw merk relatief sterk staat en dat commercieel of strategisch aantrekkelijk kan zijn.
Wat is Decision Criteria Drift?
Dit is de verandering over tijd in de criteria die AI gebruikt om een categorie of competitive set te beoordelen.
Wat is Criterion Momentum?
Dit meet of een bepaald selection criterion sneller of juist minder vaak voorkomt over tijd.
Kunnen Decision Criteria per platform verschillen?
Ja. ChatGPT, Gemini, Claude en Perplexity kunnen dezelfde categorie vanuit verschillende criteria structureren.
Kunnen Decision Criteria per persona verschillen?
Ja. Een CMO, IT-manager en procurement specialist kunnen binnen AI-antwoorden verschillende selection criteria krijgen.
Kan een criterion correct zijn terwijl de brand evaluation verkeerd is?
Ja. AI kan bijvoorbeeld terecht security als criterion gebruiken maar vervolgens onjuiste securityinformatie over een merk geven.
Kan Decision Criteria Monitoring helpen bij GEO?
Ja. Het kan helpen begrijpen welke selectiecriteria zichtbaar zijn binnen AI-antwoorden en waar uw merk ten opzichte van competitors staat. Het bewijst echter niet automatisch dat contentwijzigingen een verandering veroorzaken.
Moet Decision Criteria Monitoring onderdeel zijn van de MVP?
Niet als volledige feature. Wel moet de MVP volledige AI-responses en voldoende metadata bewaren zodat Decision Criteria later retrospectief kunnen worden geëxtraheerd.