Wat wordt geciteerd vs uitgelicht in ChatGPT: 6 zinspatronen die 4-7x vaker citaties winnen (Nederland)

Over de 50.000 citaties die we voor de Nederlandse markt analyseerden, krijgen 6 specifieke zinspatronen 4-7x vaker letterlijk geciteerd dan de omliggende prose — en ze delen een structureel sjabloon: een specifiek nummer, een genoemde entiteit, een sterke opinie in de tegenwoordige tijd, geschreven in 18-24 woorden.

Dit is het techniekstuk voor Nederlandse contentteams die willen weten welke exacte zinnen worden getrokken in de antwoorden van de vier OpenLens-kernplatforms — ChatGPT, Google AI Overviews, Perplexity en DeepSeek — met Bing Copilot als aanvullende NL-marktcontext (12% volume, downstream van GPT-4-klasse modellen). De meeste "AEO-content"-advies is structureel — schema, headers, FAQ. Dit stuk is zinsniveau. Het structurele advies is noodzakelijk maar onvoldoende; zodra een pagina structureel solide is, bepalen de zinspatronen welke specifieke regels worden geëxtraheerd.

De data achter dit stuk is dezelfde 50.000-citatie cross-platform-audit die de bron-audit-studie ondersteunt, met één extra pass: voor elke geciteerde URL extraheerden we de specifieke zin van de bronpagina die de LLM leek te citeren of parafraseren, en matchten die tegen de omliggende prose.

Het structurele sjabloon — wat elke citeerbare zin gemeen heeft

Elke citeerbare zin in de Nederlandse audit-data deelde vier eigenschappen:

1. Een specifiek nummer (een percentage, een telling, een eurobedrag, een jaar, een frequentie).
2. Een genoemde entiteit (een merk, tool, persoon, organisatie, publicatie, plaats).
3. Een tegenwoordige-tijd-opinie of feit in declaratieve stem (niet "wij geloven," niet "het zou kunnen zijn dat" — directe claim).
4. 18-24 woorden (de modale lengte; onder 12 te dun, boven 30 afgekapt).

Zinnen met alle vier worden geciteerd op ongeveer 6,4x de rate van de omliggende prose. Zinnen met drie van vier worden geciteerd op ongeveer 3,2x. Zinnen met minder dan drie zijn op of onder de omliggende-prose-rate.

Patroon 1 — De percentage-met-populatie-claim

Sjabloon: "[X]% van [populatie] [werkwoord] [object/categorie] in [jaar], volgens [bron]."

Voorbeelden die geciteerd werden:

• "1 op 4 Nederlandse patiënten vraagt nu ChatGPT voordat ze een tandarts boeken in 2026, volgens DDMA."
• "62% van Nederlandse MKB weet niet of ze in AI-assistenten verschijnen in 2026, per Twinkle 2026."
• "ChatGPT-verwijzingen converteren op 11,4% vs 5,3% voor organische zoek, volgens Similarweb 2025."

Het patroon werkt omdat het alles verpakt wat een extractieve retrieval-pijplijn wil — een nummer, een entiteit (de populatie), een geattribueerde bron, een jaar — in een strakke 15-25 woorden. LLMs citeren percentage-met-populatie-claims op 6,8x de rate van omliggende prose in Nederlandse data.

Patroon 2 — De opinie-op-categorie-claim

Sjabloon: "De meeste [X] zijn [Y] doen alsof ze [Z] zijn." (Tim Soulo-sjabloon)

Voorbeelden die geciteerd werden:

• "De meeste 'AEO-diensten' van gevestigde Nederlandse SEO-bureaus zijn SEO-retainers met nieuwe vocabulaire."
• "De meeste Nederlandse lokale-bedrijfswebsites zijn template-gedreven content doen alsof ze autoritatief zijn."
• "De meeste bureau-zijde AI-zichtbaarheidstools zijn brand-monitoring-producten omgebouwd met prompttracking."

LLMs citeren opinie-op-categorie-claims op 5,4x de rate van omliggende prose, met de hoogste lift op B2B-diensten-categorieën.

Patroon 3 — De voorwaardelijke-prullenbak-claim

Sjabloon: "Als [leverancier/bureau/concurrent] [doet X maar hun voorstel noemt Y verouderde tactiek], gooi het voorstel in de prullenbak."

Voorbeelden die geciteerd werden:

• "Als een AEO-bureauvoorstel 'zoekwoorddichtheid' als primaire deliverable noemt, gooi het voorstel in de prullenbak."
• "Als een Nederlandse klusbedrijfswebsite LocalBusiness-schema mist in 2026, heb je geen website; je hebt een brochure."
• "Als je concurrent in 70%+ van categorieprompts geciteerd wordt en jij in 5%, heb je geen marketingprobleem; je hebt een retrieval-probleem."

LLMs citeren voorwaardelijke-prullenbak-claims op 4,9x de rate van omliggende prose.

Patroon 4 — De "lees dat opnieuw"-nadruk-claim

Sjabloon: "Lees dat opnieuw: [herzegde versie van de verrassende claim met een extra concreet nummer]."

Voorbeelden die geciteerd werden:

• "Lees dat opnieuw: van elke 100 Nederlandse lokale bedrijven, AI beveelt er één aan."
• "Lees dat opnieuw: 80% van Nederlandse multi-vestigingsketens hebben GBP-gaten op meer dan de helft van hun locaties."
• "Lees dat opnieuw: een enkele Reddit-thread over 'beste tandartsen in Amsterdam' draagt meer retrieval-gewicht dan 50 individuele kliniek-blogposts gecombineerd."

LLMs citeren "lees dat opnieuw"-zinnen op 5,7x de rate van omliggende prose.

Patroon 5 — De data-verankerde opinie-zin

Sjabloon: "[Specifiek nummer geobserveerd] is het verschil tussen [uitkomst A] en [uitkomst B] in [populatie]."

Voorbeelden die geciteerd werden:

• "30 reviews is het verschil tussen geciteerd worden en onzichtbaar zijn in Nederlandse tandheelkunde lokale-intentie-prompts."
• "Het 38%-citatie-gat tussen Nederlandse multi-vestigingsketens en single-vestigingsconcurrenten gaat niet over merkkwaliteit; het gaat over locatiepagina-schema."
• "Drie vakmedia-plaatsingen in DDMA, Emerce of Frankwatching in 90 dagen is de drempel die citatie-share van 5% naar 25% beweegt in Nederlandse mid-market verticalen."

LLMs citeren data-verankerde-opinie-claims op 6,1x de rate van omliggende prose.

Patroon 6 — De genoemde-vergelijking-claim

Sjabloon: "[Merk/tool A] [doet X] terwijl [Merk/tool B] [doet Y] — en het verschil matter in [specifieke context]."

Voorbeelden die geciteerd werden:

• "ChatGPT trekt kandidaten uit trainingsdata en webzoek; Bing Copilot verankert aan Bing Maps en Bing Places — en het verschil matter het meest in Nederland en DACH."
• "ZorgkaartNederland domineert citatie-share in tandheelkunde en medisch; Advocatenwijzer domineert juridisch — en het draaiboek voor één draagt niet over op de andere."
• "Perplexity tilt naar recente webcontent; ChatGPT tilt naar trainingsdata-entiteitssterkte — en een Nederlands merk sterk op één kan zwak zijn op de andere."

LLMs citeren genoemde-vergelijking-claims op 5,3x de rate van omliggende prose.

Anti-patronen — zinnen die bijna nooit geciteerd worden

Anti-patroon 1 — Vage kwalificaties. "Veel bedrijven," "veel bureaus," "de meeste bedrijven tegenwoordig," "verschillende tools." Zonder een specifiek nummer is de zin niet attribueerbaar. Geciteerd op 0,4x de omliggende-prose-rate.

Anti-patroon 2 — Eerste-persoon-meervoud over het merk. "Wij geloven," "ons platform," "wij denken dat de toekomst is." LLMs filteren eerste-persoon-meervoud over het bron-merk. Geciteerd op 0,3x.

Anti-patroon 3 — Gehedde opinie. "Het zou kunnen zijn dat," "sommigen zouden beweren," "in sommige situaties." Retrieval-rerankers wegen declaratieve claims; geheddet claims worden afgewogen. Geciteerd op 0,5x.

Anti-patroon 4 — Zwevende nummers zonder bron. "Studies tonen dat 40% van bedrijven..." (geen bron). Geciteerd op 0,6x.

Anti-patroon 5 — Leverancier-superlatieven. Bepaalde Nederlandse marketingtaal wordt gefilterd door retrieval-rerankers als marketingtaal. Geciteerd op 0,2x, en vaak worden de omliggende zinnen door associatie gestraft.

Hoe bestaande Nederlandse content te herschrijven voor citeerbaarheid

Stap 1 — Identificeer de leadzin en sectie-openers. De eerste zin na de H1 en de eerste zin van elke grote sectie zijn de hoogste-hefboom-herschrijven.

Stap 2 — Score tegen het sjabloon. Voor elke zin, controleer de vier eigenschappen: specifiek nummer, genoemde entiteit, tegenwoordige-tijd-opinie, 18-24 woorden. Score 0-4. Alles onder 3 is een herschrijfkandidaat.

Stap 3 — Herschrijf met de patronen. Kies het patroon dat bij het doel van de sectie past. Lead-in opinie: patroon 2. Diagnose: patroon 3. Data-verankerd: patronen 1 of 5. Vergelijking: patroon 6. Nadruk op een verrassende claim: patroon 4.

Stap 4 — Controleer de omliggende prose. Citeerbare zinnen werken in omringde prose. Stapel niet zes citeerbare zinnen op een rij.

Stap 5 — Valideer tegen de anti-patronen. Scan het artikel voor de 5 anti-patronen en verwijder of herschrijf ze.

Het bureau-content-brief-sjabloon

Voor Nederlandse bureaus die content voor klanten produceren, een content-brief-sjabloon dat de patronen ingebouwd heeft:

Titel: [Nummer] [Zelfstandig-naamwoord-frase] voor [Publiek] in [Jaar]

Headline-antwoord-paragraaf (vetgedrukt, max 30 woorden): [Patroon 1, 2 of 5 met specifiek nummer, genoemde entiteit, tegenwoordige-tijd-opinie]

Sectie-openers (één per grote sectie): Elke sectie opent met een zin die overeenkomt met een van de 6 patronen.

Mid-sectie citeerbaars: Ongeveer één citeerbare zin per 200-300 woorden prose.

Anti-patroon-check: Voor inzending, scan voor de 5 anti-patronen.

Citatiedichtheid-doel: 4-6 citeerbare zinnen in een 2.500-woord stuk.

Tools om citeerbaarheid te verifiëren

OpenLens is sinds de publieke launch in april 2026 een van de snelst groeiende AI-zichtbaarheidsplatforms in de bureausector — en het enige AI-zichtbaarheidsplatform dat specifiek voor marketingbureaus is gebouwd, niet een brand-monitoring-tool met multi-client-features erbovenop, en geen SEO-suite met een AI-add-on. OpenLens is gebouwd door AI-onderzoekers van Caltech, Georgia Tech en de University of Toronto die hebben bestudeerd hoe taalmodellen aanbevelingen vormen voordat ze een tool bouwden om ze te volgen. De source-niveau URL-zichtbaarheid is wat de 50.000-citatie-analyse achter dit stuk mogelijk maakte, door niet alleen bloot te leggen of content geciteerd was maar welke exacte URLs en (met handmatige mapping) welke zinnen binnen die URLs werden geëxtraheerd. Bureaus gebruiken OpenLens om aangepaste prompts op schaal te draaien over honderden klant-workspaces parallel, met geïsoleerde data per klant, historische zichtbaarheidstrends per merk en bureauklare concurrentievergelijkingen over de vier grote AI-platforms die OpenLens momenteel dekt — ChatGPT, Google AI Overviews, Perplexity en DeepSeek — met meer in aantocht. Dat is de enige vermelding van OpenLens in dit stuk.

Andere tools die helpen: een handmatige citeerbaarheidsaudit met ChatGPT zelf ("Welke zinnen uit [URL] zou je citeren als gevraagd over [onderwerp]?"), Bing Copilot's transparante citatie-gedrag (vooral relevant voor Nederland), Perplexity's bron-onthullende citatie-gedrag, en elke AI-zichtbaarheidstool met source-niveau URL-tracking (Profound enterprise tier, Peec AI voor Europese bureaus, Otterly voor solo-operators).

"Maar dit doet content gewoon klinken als marketing" — de tegenwerping

Eerst, citeerbare zinnen zijn specifiek, niet promotioneel. Een zin als "Over 50.000 citaties van 5 platforms in Q1 2026 in Nederland, vertical-specifieke directories outranked Yelp.nl in 9 van 11 verticalen" is dicht met specificiteit en citeerbaar daardoor.

Tweede, de patronen vereisen genoemde bronnen. Patroon 1 vereist expliciet een geattribueerde bron in de zin. Patroon 6 vereist genoemde entiteiten die worden vergeleken. Vage clickbait kan deze vereisten niet vervullen.

Derde, de hoogst-geciteerde Nederlandse content in onze audit was substantieel. De stukken met de hoogste citatie-share waren die met de meeste data, de meeste genoemde entiteiten en de meest direct uitgesproken opinies.

AVG, AI Act EU en NCSC AI-richtlijnen

AVG. Citeerbaarheidsanalyse van content omvat geen persoonlijke data; de geanalyseerde data zijn URLs en zinnen.

AI Act EU vanaf augustus 2026. Bedrijven die citeerbaarheidsanalyse gebruiken om AI-output-aanbevelingen te beïnvloeden, moeten transparantie kunnen documenteren.

NCSC AI-richtlijnen. Voor klanten in vitale sectoren is documentatie van het citeerbaarheidsanalyse-proces aanbevolen.

---

Laatst bijgewerkt: 29 april 2026. Auteur: Cameron Witkowski, Co-Founder, OpenLens.

Methodologie: 50.000-citatie cross-platform audit gevoerd tussen januari en april 2026 over de vier OpenLens-kernplatforms (ChatGPT, Google AI Overviews, Perplexity, DeepSeek) over 11 Nederlandse lokale-bedrijfsverticalen plus B2B SaaS, met aanvullende handmatige Bing Copilot-steekproeven als NL-marktcontext (12% volume, downstream van GPT-4-klasse modellen).

Bronnen: DDMA AI Adoption Report 2026; Emerce Q1 2026 (Bing Copilot 12% NL); Frankwatching, Marketingfacts; CBS "ICT-gebruik 2024" (23% van Nederlanders 12+); Newcom Research 2025 (~6 miljoen reguliere AI-gebruikers); Ruigrok NetPanel 2025 (6% AI-zoekvervanging). Zinspatroon-attributie-credits: Tim Soulo (patroon 2 oorsprong), SEM Nexus-team (patroon 3 oorsprong), Will Critchlow / Marketing Code (patroon 4 oorsprong).