Hoofdstuk 1: Eerlijk advies: waarom de meeste bureaus je praktijk niet kunnen helpen

Sinds ongeveer een jaar ligt er bij vrijwel elke zorgpraktijk hetzelfde voorstel op tafel. Een bureau belt of mailt, zegt dat ChatGPT de nieuwe Google is, en biedt een AI-zichtbaarheidspakket aan. Meestal voor een paar honderd euro per maand.

Het voorstel klinkt aannemelijk. Er staat een grafiek in met een stijgende lijn, een zin over hoe zoekverkeer instort, en de belofte dat jouw praktijk straks genoemd wordt als iemand aan een assistent vraagt wie de beste tandarts in de stad is.

Ik gun elk bureau zijn boterham. Maar in dit specifieke geval, met dit specifieke aanbod, in jouw specifieke vak, moet ik je waarschuwen. En ik doe dat als iemand die zelf zulke pakketten verkoopt.

Dat waarschuwen doe ik niet vanuit een leunstoel. Bij LocalSEOLab.nl test ik dit soort claims zelf, op eigen sites en op testlocaties.

Wat een test niet overleeft, staat in dit boek als weerlegd. Ook als het mijn eigen aanname was.

Waarom ik dit van binnenuit ken

Dit komt niet van een buitenstaander die bureaus wantrouwt. Ik heb er zelf bij gewerkt, bij meer dan één.

In die jaren heb ik local-SEO-teams opgezet en getraind. Ik weet dus hoe zo'n voorstel tot stand komt: welke onderdelen erin gaan omdat ze werken, en welke erin gaan omdat ze verkoopbaar zijn en zich niet laten controleren.

Dat onderscheid is de reden dat dit hoofdstuk bestaat. Het is geen aanval op het vak; het is het verschil dat je van binnenuit ziet en van buitenaf niet.

De kern: een goed bureau kan een praktijk enorm helpen. Het probleem is dat je van tevoren niet kunt zien welk soort je aan de lijn hebt, en dat het aanbod van beide soorten er hetzelfde uitziet.

Wat ik collega's heb geleerd, en wat dat opleverde

Toen AI-zoeken opkwam, ben ik collega's gaan trainen in GEO en AI-zichtbaarheid. Dat is een leerzame bezigheid, om een reden die weinig met lesgeven te maken heeft.

Wie iets uitlegt aan vakgenoten, krijgt de vraag waarop hij zelf was gestopt met denken. "Waar staat dat?" "Hoe vaak heb je dat gemeten?" "Wat als het aan iets anders lag?"

Uit die sessies is mijn eigen werkwijze voor GEO-zichtbaarheid ontstaan. Niet als product met een naam en een logo, maar als een vaste volgorde: eerst meten, dan de bronnen op orde, dan de antwoorden schrijven, dan pas het gereedschap.

Waarom dit werkt: die volgorde is precies de opbouw van dit boek. Hij is niet bedacht achter een bureau maar overgehouden aan de vragen die collega's stelden bij de dingen die ik te snel had aangenomen.

Wat ik in de zorg heb gedaan

Zorg is voor mij geen nieuwe niche waarvoor ik dit boek even heb ingelezen.

Ik heb in de afgelopen jaren gewerkt aan de vindbaarheid van fysiotherapiepraktijken, yogastudio's, psychologenpraktijken en zorginstellingen. Eerst klassieke SEO en local SEO, de laatste jaren ook AI-zichtbaarheid.

Dat is de reden dat deel III van dit boek over beroepsregels gaat en niet over techniek. Je loopt er in dit werk binnen twee weken tegenaan, en bijna elk standaardadvies uit de marketingwereld botst ergens.

Let op: dat betekent niet dat ik jouw beroepsregels beter ken dan jij. Het betekent dat ik weet wáár ze in de weg gaan zitten bij het werk uit dit boek, en dat ik ze daarom vooraan heb gezet in plaats van als voetnoot.

De rekensom achter de kennisachterstand

Wat me in die bureaujaren het meest is opgevallen: er is relatief weinig accurate kennis van SEO en AI, en het ligt niet aan de mensen.

Het ligt aan de rekensom waarin ze werken.

Steeds meer bureaus zijn in handen van investeerders. Dat brengt een sturingsmodel mee waarin bijna elke medewerker declarabel moet zijn, vaak voor tachtig procent of meer van zijn tijd.

Reken het na en het probleem staat er:

Wat er overblijft. Veertig uur per week, tachtig procent declarabel, is tweeëndertig uur die aan klanten wordt gefactureerd. Blijven over: acht uur. Daar moeten intern overleg, acquisitie, offertes, administratie, rapportages en scholing samen in passen.

Om dit vakgebied enigszins bij te houden (releases lezen, documentatie van leveranciers volgen, onderzoek doorworstelen, uitzoeken wat er van een aankondiging klopt) ben je minimaal vijftien uur per week kwijt. En dan heb je nog niets zelf getest.

Vijftien uur past niet in acht. Dat is de hele verklaring.

De kern: het is geen luiheid en geen kwade wil. Het is een verdienmodel waarin bijblijven structureel niet is ingeroosterd, en waarin degene die het toch doet dat in zijn eigen tijd doet.

Dat verklaart ook waarom je in offertes technieken tegenkomt waarvan de leverancier zelf publiek heeft opgeschreven dat ze niet werken. Iemand heeft een blogpost gelezen, niet de documentatie eronder.

Wat ik zelf wel en niet bijhoud

Nu de andere kant, want anders wordt dit hoofdstuk oneerlijk.

Ik ben in dit vak een vakidioot, ik heb geen declarabiliteitsnorm, en ik kan de ontwikkelingen rond AI en AI-automatisering óók niet bijhouden. Niemand kan dat.

Wat ik daarom doe, is afbakenen. Ik houd drie dingen echt bij en de rest expliciet niet:

• Zichtbaarheid in ChatGPT, in de AI-overzichten van Google en in Gemini. Dat is het onderwerp van dit boek, en daar test ik zelf op.
• Wat de aanbieders zelf publiceren. Documentatie en helppagina's, niet de samenvattingen ervan.
• Onderzoek met een leesbare methode. Wie het aantal metingen erbij zet, krijgt mijn tijd.

Voor de rest gebruik ik AI als gereedschap in plaats van dat ik het als vakgebied volg. Ik bouw het meeste met Claude, met eigen skills in Claude Code en met AI-agenten zoals Hermes en OpenClaw.

Wat daarbuiten valt, koppel ik. Bestaande spraak- en chatoplossingen verbind ik aan elkaar met Zapier of n8n in plaats van iets nieuws te bouwen.

Waarom ik dit opschrijf: niet om je te vertellen welk gereedschap je moet gebruiken. Wel om te laten zien wat afbakening betekent, want dat is precies wat een bureau met een declarabiliteitsnorm niet kan doen.

De les: vraag een bureau niet of het AI bijhoudt. Vraag welk deel het bijhoudt, en hoeveel uur per week daarvoor is ingeroosterd. Het antwoord op die tweede vraag zegt meer dan het antwoord op de eerste.

Wat er in dat voorstel meestal niet klopt

De meeste AI-zichtbaarheidspakketten rusten op drie technische aannames. Alle drie zijn de afgelopen achttien maanden onderzocht. Geen van de drie hield stand.

De eerste aanname is dat gestructureerde data je in AI-antwoorden brengt. De tweede is dat een bestand genaamd llms.txt op je server AI-systemen vertelt wat ze over je moeten weten. De derde is dat je pagina's herschrijft in een vorm die taalmodellen prettiger vinden.

Hoofdstuk 4 loopt het bewijs onder alle drie langs, met de bronnen erbij. De korte versie: Google schrijft sinds juli 2026 in zijn eigen documentatie dat er geen speciale opmaak bestaat voor generatieve zoekresultaten.

Hetzelfde document zegt dat Google llms.txt niet gebruikt. En het meest systematische overzicht van het derde punt vond geen stabiel effect, met de waarschuwing dat citatiegericht herschrijven het ophalen van je pagina zelfs kan verslechteren.

Let op: dat overzicht is van één auteur en niet collegiaal getoetst. Hoofdstuk 4 zet erbij wat het wel en niet draagt.

De kern: een bureau dat je vandaag een AI-schema of een llms.txt verkoopt, verkoopt je iets waarvan de leverancier zelf publiek heeft opgeschreven dat het niet doet wat de verkoper belooft.

Het tweede probleem is groter

Stel dat het bureau de techniek wél goed had. Dan nog zit er een gat waar de meeste marketingbedrijven niet doorheen komen: jouw vak heeft regels die hun standaardaanpak verbieden.

Een bureau dat gewend is aan restaurants en garages doet vier dingen die bij jou niet kunnen.

• Het reageert enthousiast onder elke vijfsterrenrecensie, met een verwijzing naar de behandeling.
• Het vraagt alleen tevreden patiënten om een beoordeling en slaat de rest over.
• Het zet resultaatclaims op je dienstpagina's.
• Het bouwt een contactformulier met een vrij tekstveld waarin mensen hun klacht beschrijven.

Elk van die vier is in de zorg een probleem. De eerste bevestigt een behandelrelatie en raakt daarmee je geheimhoudingsplicht. De tweede is review gating.

De derde loopt tegen de grenzen van wat je over behandeluitkomsten mag beweren. En de vierde laat bijzondere persoonsgegevens door een formulier lopen dat daar zelden op is ingericht.

Let op: het bureau draagt geen van die risico's. Jij staat ingeschreven in het BIG-register, niet je marketeer. Een tuchtcollege of een toezichthouder kijkt naar de praktijk, niet naar wie het advies gaf.

De derde reden: bijna niemand weet hoe een AI-antwoord over zorg wordt gebouwd

Dit is het punt waar dit boek over gaat, en het is precies het punt waar de meeste voorstellen zwijgen.

Als een AI-systeem een gezondheidsvraag beantwoordt, haalt het bronnen op en weegt het die. Welke bronnen dat zijn, is voor de zorg systematisch anders dan voor andere sectoren. Dat is gemeten, alleen niet in Nederland.

SE Ranking analyseerde 50.807 Duitstalige gezondheidsgerelateerde zoekopdrachten. De meest geciteerde afzonderlijke bron was YouTube, goed voor 4,43 procent van alle citaties. Slechts 34,45 procent van alle citaties kwam van bronnen die als betrouwbaar medisch gelden. Wetenschappelijke tijdschriften en overheidsinstellingen samen haalden ongeveer één procent.

Daarboven stonden een publieke omroep, een medisch handboek, twee patiëntenvoorlichtingssites en twee zorgverzekeraars. Dat is de bronhiërarchie waar jouw praktijk tussen moet zien te komen (in Duitsland gemeten, met een zorgstelsel dat op het onze lijkt).

Een bureau dat dit patroon niet kent, optimaliseert je website voor een concurrentie die er niet is.

De vijf vragen die het gesprek beslissen

Je hoeft geen specialist te worden. Je moet alleen kunnen beoordelen wie het vak verstaat. Deze vijf vragen doen dat in tien minuten.

• Op welk onderzoek baseer je dat dit werkt? Een goed antwoord noemt een studie met een steekproefgrootte en een datum, en benoemt wat die studie niet aantoont.
• Wat doe je aan mijn beroepsgeheim bij reviewreacties? Een goed antwoord kent het verschil tussen bedanken en bevestigen.
• Hoe meet je of ik genoemd word, en met welke foutmarge? Een goed antwoord noemt een percentage over veel prompts, niet een positie, en zegt hoe vaak elke prompt is gedraaid.
• Wat doe je als een AI-antwoord iets onjuists over mijn praktijk zegt? Een goed antwoord gaat over de bron corrigeren, niet over het antwoord bestrijden.
• Wat rapporteer je: vermeldingen, of nieuwe patiënten? Een goed antwoord meet door tot aan de eerste afspraak.

Praktisch: stel deze vragen in deze volgorde. Wie bij vraag één begint te praten over "de laatste inzichten" zonder een bron te noemen, komt bij vraag drie niet verder.

De rode vlaggen

Naast goede antwoorden zijn er signalen die het gesprek meteen zouden moeten beëindigen. Ze komen terug bij vrijwel elke praktijk die achteraf spijt heeft.

• Een garantie op vermelding in ChatGPT. Niemand kan dat garanderen, en wie het belooft weet niet hoe die systemen werken.
• Een aparte AI-schema of AI-markup als betaald onderdeel. Google heeft publiek opgeschreven dat dit niet bestaat.
• Een reviewaanpak die alleen tevreden patiënten benadert. Dat is een handhavingsrisico, en het levert ook nog eens onbruikbare recensies op.
• Rapportages vol vertoningen en zichtbaarheidsscores zonder een woord over telefoontjes of afspraken.
• Een voorstel om zoekwoorden aan je praktijknaam toe te voegen. Dat is de snelste route naar een geblokkeerd bedrijfsprofiel.

Wat wél helpt

Ik ben geen tegenstander van uitbesteden. Ik ben tegenstander van betalen voor iets waarvan de werking niet is aangetoond, terwijl het werk dat aantoonbaar helpt blijft liggen.

Dat werk is saai. Het bestaat uit je gegevens overal gelijktrekken, je registervermeldingen kloppend maken, je wachttijd actueel houden, en per patiëntvraag één helder antwoord op je site zetten. Geen van die dingen staat in een verkoopvoorstel, want er zit geen abonnement aan vast.

Waarom dit werkt: een systeem dat één praktijk moet aanbevelen, kiest de praktijk waarover het zeker is. Zekerheid ontstaat als meerdere onafhankelijke bronnen hetzelfde over je zeggen.

Dat is geen truc en het is niet nieuw. Het is alleen nu belangrijker dan het ooit was.

Wat dit boek doet

Dit boek geeft je drie dingen. Het laat zien hoe een AI-antwoord over een zorgaanbieder tot stand komt, en uit welke bronnen.

Het benoemt bij elke techniek of er bewijs voor is, en wat dat bewijs precies zegt. En het houdt de beroepsregels ernaast, zodat je niet zichtbaar wordt op een manier die je later opbreekt.

Wat het niet doet, is je een groeikanaal beloven dat er dit jaar nog niet is. In hoofdstuk 4 staan de cijfers die dat in verhouding zetten.

De les: je hebt geen bureau nodig dat je vertelt dat alles verandert. Je hebt iemand nodig die kan onderbouwen wat er verandert, en die weet welke regels jouw vak daarbij stelt.

Actiepunten

Zoek het laatste voorstel op dat je van een bureau kreeg en leg de vijf vragen uit dit hoofdstuk ernaast. Noteer op hoeveel je een onderbouwd antwoord kreeg.

Controleer of er ergens in je huidige aanpak een llms.txt-bestand of een betaald AI-schema zit. Zo ja, vraag om de onderbouwing.

Vraag jezelf af wie er aansprakelijk is als een reviewreactie je geheimhoudingsplicht raakt, en leg vast wie in jouw praktijk op reviews reageert.