Aanbevolen worden door ChatGPT en Perplexity: wat er wel werkt voor klinieken

Vraag ChatGPT om een goede dermatologiekliniek in Phoenix en u krijgt meerdere namen. Stel Perplexity dezelfde vraag en u krijgt een shortlist met bronvermeldingen eronder. Geen van beide assistenten kent uw praktijk. Allebei doen ze iets alledaagsers dan het lijkt: een zoekopdracht uitvoeren, een handvol pagina's lezen en samenvatten wat ze gevonden hebben. Dat proces begrijpen is de hele kern, want het laat zien waar een aanbeveling daadwerkelijk te winnen valt en waar u moeite verspilt.

Dit artikel gaat over één specifiek moment: een patiënt vraagt een assistent om een kliniek te noemen, en uw naam staat wel of niet in het antwoord. De bredere vraag hoe u een praktijkwebsite inricht voor AI-gestuurd zoeken behandelden we apart in AI-zoekoptimalisatie voor medische praktijken. Hier zoomen we in op het verdienen van de vermelding.

Wat er werkelijk gebeurt als een patiënt om een kliniek vraagt

De assistenten die uw patiënten gebruiken antwoorden niet uit hun geheugen. Bij alles wat lokaal, actueel of commercieel is — “beste knieorthopeed bij mij in de buurt”, “haartransplantatiekliniek reviews Madrid”, “wie doet sedatie bij bewustzijn in Austin” — start het model eerst een zoekstap. Het schrijft een of meer zoekopdrachten, haalt een set pagina's op, leest die en genereert een antwoord op basis van wat het net gelezen heeft.

Uit welke index dat gebeurt, verschilt per assistent. De zoekfunctie van ChatGPT en Microsoft Copilot leunen zwaar op Bing. Perplexity draait een eigen crawler naast indexen van derden. AI Overviews en AI Mode van Google werken op de index van Google. Andere assistenten nemen onder de motorkap een zoekaanbieder af. De details verschuiven — contracten veranderen, crawlers worden herbouwd, functies krijgen andere namen — maar de structuur ligt vast: eerst ophalen, dan samenvatten.

Het praktische gevolg is precies wat de meeste klinieken over het hoofd zien. Er is geen apart “AI-kanaal” naast zoeken dat u met andere tactieken optimaliseert. Zijn uw pagina's in Bing en Google niet vindbaar voor de vragen die patiënten daadwerkelijk intypen, dan zitten ze niet in de set kandidaten die het model leest, en geen enkele slimme tekst verandert daar iets aan. Gewone medische SEO is niet overbodig geworden; het is het toegangskaartje. Vooral Bing verdient veel meer aandacht dan de meeste praktijken eraan geven, juist omdat het de assistent voedt met het grootste consumentenpubliek.

Uw eigen website kan maar een deel van het werk doen

Nu het ongemakkelijke deel. Als een model een aanbeveling samenstelt, behandelt het uw website als belanghebbende partij. Uw claim dat u de toonaangevende kliniek in de regio bent, weegt ongeveer even zwaar als dezelfde claim van een onbekende op een feestje — iets, niet veel. Wat verschil maakt, is bevestiging vanaf pagina's die u niet in de hand hebt.

Daarom duiken binnen één stad steeds dezelfde namen op in AI-antwoorden. Die praktijken staan op pagina's van derden die het model ophaalt naast hun eigen site: vermeldingen in bedrijvengidsen met volledige en consistente profielen, overzichten van “de beste klinieken in X” van lokale media of patiëntenportalen, reviewplatforms, ledenpagina's van beroepsverenigingen, lokale pers, citaten in vakmedia. Die schrijft u geen van alle zelf. U verdient ze, of — bij gidsen — u claimt en vult ze simpelweg aan.

Bij Perplexity is het patroon het best te zien, omdat het zijn bronnen toont. Het hecht zichtbaar minder waarde aan de promotietaal van een bedrijf zelf en haalt kandidaatnamen uit vergelijkingspagina's en lijstjes van anderen. Ontbreekt uw kliniek in elke lijst van derden over uw stad en specialisme, dan vraagt u een assistent om u aan te bevelen op uw eigen woord, en dat gebeurt doorgaans niet.

De volgorde telt. Claim en vul eerst de profielen aan — gratis, snel, en ze voeden de entiteitssignalen hieronder. Ga daarna achter echte vermeldingen van derden aan: lokale journalisten, wetenschappelijke verenigingen, patiëntenvoorlichtingsportalen, podcasts, samenwerkingen met ziekenhuizen. Dat deel gaat traag en niemand kan er een sluiproute voor bieden.

Het entiteitsprobleem: kan een assistent zien dat u echt bestaat?

Voordat een model u aanbeveelt, moet het er redelijk zeker van zijn dat uw kliniek een afzonderlijke, bestaande organisatie is en niet een naam die het half herkent. Precies hier gaan opvallend veel praktijken onderuit die verder prima marketing hebben.

Assistenten bepalen entiteiten door te kijken of onafhankelijke bronnen het met elkaar eens zijn. Verschillen uw naam, adres en telefoonnummer tussen de footer van uw website, uw Google Bedrijfsprofiel, een oude gidsvermelding en de pagina van de zorgverzekeraar waarop nog een pandnummer staat dat u in 2021 verliet, dan heeft het model geen helder ankerpunt. Twijfel wordt opgelost door u weg te laten, niet door in uw voordeel te gokken.

Een paar zaken die dit kwartaal een controle waard zijn:

• Consistentie van naam, adres en telefoonnummer in elke vermelding die u kunt vinden, ook de vermeldingen waarvan u vergeten bent dat u ze aanmaakte. Zoek uw telefoonnummer tussen aanhalingstekens en kijk wat er terugkomt.
• Dubbele en verweesde vermeldingen van oude locaties, vroegere praktijknamen of het profiel van een vertrokken maat.
• Gestructureerde data op uw site: Organization- of MedicalClinic- en LocalBusiness-markup op de home- en locatiepagina's, Person-markup voor behandelaars, FAQPage waar u echt vragen beantwoordt. Het dwingt geen bronvermelding af, maar neemt de onduidelijkheid weg over wie en wat u bent.
• Een echte, identificeerbare auteur achter medisch-inhoudelijke content. Een met naam genoemde behandelaar met vermelde kwalificaties en BIG-registratie, een biopagina en aanwezigheid elders op het web (verenigingsvermeldingen, publicaties, medewerkerspagina's van ziekenhuizen) is een sterker signaal dan “de redactie”.
• Profielen die elkaar niet tegenspreken over aangeboden zorg, gesproken talen en openingstijden. Tegenstrijdigheid tussen uw eigen profielen is schade die u uzelf toebrengt.

Schrijf pagina's waar een assistent een zin uit kan lichten

Modellen extraheren. Ze willen een passage die de vraag helder beantwoordt en die geciteerd of geparafraseerd kan worden zonder dat de omliggende alinea instort. Die voorkeur heeft praktische gevolgen voor hoe u schrijft.

Begin met het antwoord. Gaat de pagina over de hersteltijd na een neuscorrectie, dan noemen de eerste twee zinnen die hersteltijd, met de voorbehouden erna in plaats van ervoor. Marketinginleidingen duwen de te extraheren inhoud buiten het blikveld van het model, wat net zo werkt als bij een mens die scant.

Wees concreet. Behandelingen bij naam, apparatuur bij naam, aandoeningen bij naam, echte getallen, echte prijsklassen waar u die wilt publiceren, echte doorlooptijden. Vage geruststelling valt niet te extraheren — in “wij werken met een persoonlijke aanpak” zit niets dat een assistent aan een patiënt kan geven.

Gebruik koppen in vraagvorm die aansluiten bij hoe patiënten het formuleren, en laat elke pagina één vraag volledig beantwoorden in plaats van zes vragen oppervlakkig aan te stippen. Een pagina die “hoelang duurt osseointegratie bij een tandimplantaat” volledig beantwoordt, wordt eerder opgehaald en geciteerd dan een dienstenpagina die implantaten noemt tussen elf andere behandelingen.

Reviews werken als filter, niet alleen als sociaal bewijs

Als een assistent een lijst met lokale zorgaanbieders inperkt, zijn reviews een van de weinige kwaliteitssignalen die niet van de aanbieder zelf komen. Aantal, actualiteit en de inhoud van wat patiënten schrijven worden allemaal gelezen. Reviews die specifieke behandelingen en specifieke behandelaars noemen zijn voor een model bruikbaarder dan een muur van vijfsterrenscores zonder tekst, omdat ze uw entiteit koppelen aan de zorg waarnaar een patiënt vroeg.

Hoe u dat aantal op integere wijze opbouwt — het juiste moment om te vragen, het makkelijk maken, binnen de platformregels en de privacyregels in de zorg blijven — is een onderwerp op zich, en daarover schreven we in hoe u meer patiëntreviews krijgt. Relevant hier is dat werk aan reviews nu dubbel loont: één keer bij patiënten die ze rechtstreeks lezen, één keer bij de systemen die bepalen of u überhaupt genoemd wordt.

Controleer of AI-crawlers uw site daadwerkelijk kunnen bereiken

Dit is het minst spannende punt op de lijst en tegelijk het punt dat het vaakst het werkelijke probleem blijkt. Een aanzienlijk aantal sites blokkeert AI-crawlers zonder dat iemand daartoe besloten heeft.

De user agents die ertoe doen zijn GPTBot en OAI-SearchBot (OpenAI), ClaudeBot, PerplexityBot en Google-Extended. Kijk op twee plekken, niet op één. Ten eerste in uw robots.txt — een vorige ontwikkelaar of een SEO-plug-in kan er algemene disallows in hebben gezet. Ten tweede, en dat wordt vaker gemist, in uw CDN of beveiligingslaag. Cloudflare, Akamai en andere leveren “AI-bots blokkeren”-schakelaars met één klik en beheerde botregels die op netwerkniveau werken, volledig los van wat er in uw robots.txt staat. Een site kan een keurig toegankelijke robots.txt serveren terwijl het CDN stilletjes een blokkeringspagina teruggeeft aan elke AI-crawler die langskomt.

Goed om te weten: deze crawlers doen verschillend werk. Sommige halen content op om modellen te trainen, andere halen pagina's in real time op om een lopende vraag te beantwoorden. Trainingscrawlers blokkeren is een legitieme redactionele keuze. De zoekgerichte crawlers blokkeren haalt u uit de antwoorden. Blokkeert u, doe het dan bewust en weet welke welke is.

Wat niet werkt

Een deel van wat als AI-zoekoptimalisatie verkocht wordt, doet niets.

llms.txt is geen schakelaar. Het voorgestelde bestand dat assistenten vertelt hoe ze uw site moeten lezen is goedkoop te publiceren en onschadelijk, maar geen enkele grote assistent gebruikt het op dit moment als input voor antwoorden. Zie het als een goedkope gok op een standaard die misschien wel en misschien niet wordt overgenomen, niet als knop waaraan u draait.

Keyword stuffing is erger dan nutteloos. Modellen vatten betekenis samen, geen termfrequentie. Herhaling maakt een passage juist moeilijker netjes te extraheren.

Massaal AI-gegenereerde content bouwt geen gezag op. Zestig dunne pagina's publiceren levert zestig pagina's op waar niets naar linkt en die niemand citeert. Het bevestigingsprobleem hierboven lost u niet op door meer eigen materiaal te produceren.

De aanbeveling is niet te koop. Er bestaat geen advertentieproduct dat uw kliniek in een organisch antwoord van een assistent plaatst. Waar op deze plekken betaalde plaatsingen bestaan, zijn die gelabeld en staan ze los van de aanbeveling. Wie gegarandeerde opname aanbiedt, verkoopt iets dat niet bestaat.

Hoe meet u iets waarvoor geen ranktracker bestaat

Er is hier geen zuiver equivalent van een rapport met zoekwoordposities, en eerlijk meten betekent dat u een zekere vaagheid accepteert.

Begin bij de serverlogs. Filter uw access logs op de hierboven genoemde user agents en stel vast dat die crawlers uw pagina's ophalen, welke pagina's en hoe vaak. Dit is het enige harde bewijs uit eigen bron dat u heeft, en het beantwoordt de toegangsvraag definitief.

Test daarna de antwoorden. Stel een vaste lijst op van twintig tot dertig vragen die een patiënt realistisch zou stellen — vragen over behandelingen, vergelijkingsvragen, “beste kliniek in [stad]”-vragen — en leg die maandelijks voor aan ChatGPT, Perplexity, Copilot en de AI-onderdelen van Google. Noteer of u genoemd wordt, wie er in uw plaats genoemd wordt en welke bronnen geciteerd worden. Die bronvermeldingen zijn uw doellijst: ze laten precies zien welke pagina's van derden het model vertrouwt voor uw onderwerp.

Volg in uw analytics het verwijzend verkeer vanaf domeinen van assistenten en houd naast Search Console ook Bing Webmaster Tools in de gaten. Aanvaard vervolgens het voorbehoud: deze systemen zijn niet-deterministisch en gepersonaliseerd, resultaten verschillen per sessie en per locatie, en niemand — geen bureau, geen tool — kan een bronvermelding garanderen. Wat u wel kunt doen, is uzelf het voor de hand liggende, goed bevestigde en eenvoudig te verifiëren antwoord maken en de kansen in uw voordeel laten werken.

Wilt u een tweede paar ogen op de vraag waar het gat bij uw praktijk zit, dan is die analyse — zichtbaarheid in de index, consistentie van de entiteit, aanwezigheid bij derden en toegang voor crawlers — het eerste wat ons team bij Medical Marketing uitvoert. Meestal is het antwoord niet dat de content slecht is. Het is dat niets buiten de eigen website van de kliniek bevestigt dat de kliniek bestaat.

Veelgestelde vragen

Helpt llms.txt mijn kliniek om in AI-antwoorden te verschijnen?

Op dit moment niet. llms.txt is een voorgestelde standaard om assistenten te vertellen hoe ze uw site moeten lezen, maar geen enkele grote assistent gebruikt het vandaag als input bij het genereren van antwoorden. Publiceren kost vrijwel niets en schaadt niet, dus zie het als een goedkope gok op toekomstige adoptie en niet als knop die nu iets verandert.

Kan ik betalen om in aanbevelingen van ChatGPT of Perplexity te staan?

Nee. Er bestaat geen advertentieproduct dat uw kliniek in een organisch antwoord van een assistent plaatst. Waar op deze plekken betaalde plaatsingen bestaan, zijn die gelabeld en gescheiden van de aanbeveling zelf. Biedt een aanbieder gegarandeerde opname in AI-antwoorden, dan verkoopt die partij iets dat niet bestaat en kunt u beter weglopen.

Hoelang duurt het voordat een assistent mijn kliniek noemt?

Het herstellen van crawlertoegang of robots.txt kan binnen weken zichtbaar zijn. Consistentie van de entiteit en gidsprofielen hebben een maand of twee nodig om door te werken. Vermeldingen van derden verdienen en reviewvolume opbouwen is het trage deel: doorgaans zes maanden of meer voordat het antwoorden verschuift. Wie resultaat binnen dertig dagen belooft, beschrijft een tijdlijn die deze systemen niet volgen.

Moet ik eerst op nummer één staan in Google om door AI aanbevolen te worden?

Nee, maar u moet wel vindbaar zijn. Assistenten doorzoeken een index en lezen de pagina's die terugkomen, dus staat u nergens op pagina één of twee voor de betreffende zoekopdracht, dan zit u waarschijnlijk niet in de set die het model leest. Geciteerd worden hangt daarnaast af van pagina's van derden die u noemen, die de assistent in plaats van uw site kan ophalen.

Moet ik GPTBot blokkeren om de content van mijn kliniek te beschermen?

Begrijp eerst welke crawler wat doet. Sommige halen content op om modellen te trainen, andere halen pagina's live op om de vraag van een patiënt op dat moment te beantwoorden. Trainingscrawlers blokkeren is een verdedigbare redactionele keuze. De zoekgerichte crawlers blokkeren haalt u uit de antwoorden die patiënten zien. Controleer ook de botregels van uw CDN, want die kunnen los van robots.txt blokkeren.