Hoe een skincaremerk in AI-antwoorden belandt: AEO en E-E-A-T in een YMYL-categorie

Iemand met een gevoelige huid die snel uitslaat, opent ChatGPT en typt de vraag die vroeger naar Google ging: welk mild vitamine C-serum irriteert niet? Het antwoord is vriendelijk en concreet, en noemt drie merken. Je hebt een maand aan acquisitiebudget uitgegeven om precies deze persoon op precies dit moment te bereiken. Geen van de drie is jouw merk. Er was geen resultatenpagina om hoog op te komen en geen tweede pagina om naar op te klimmen. Er was één antwoord, en daar stond je niet in.

Dit is het kanaal waarvan de meeste skincaremerken nog niet doorhebben dat ze het kwijtraken. En juist zij raken het het hardst kwijt, want bij huidverzorging let een AI extra goed op wiens naam hij noemt. De reflex is om er een nieuw SEO-probleem van te maken en naar schema en zoekwoorden te grijpen. Die reflex is de fout. Dit artikel gaat over wat echt bepaalt of een AI een skincaremerk noemt, waarom het gangbare AEO-advies tekortschiet in een categorie die tegen gezondheid aan zit, en wat je in plaats daarvan doet.

Waarom zichtbaarheid in AI nu het lastigste kanaal is voor skincaremerken

Vraagt een klant een AI-assistent om skincare-advies, dan noemt die maar drie tot vijf merken. Er is geen ranglijst en geen tweede pagina. Wie niet in dat korte antwoord staat, bestaat niet. Voor skincare is het nog lastiger. Omdat de categorie tegen gezondheid aan zit, is het model voorzichtiger met een merk waarvan het niet kan nagaan of het te vertrouwen is.

De verschuiving eronder is al groot en gaat snel. Steeds meer productonderzoek begint in ChatGPT, Perplexity en de AI-antwoorden van Google, en niet meer op een pagina met zoekresultaten. Het verkeer dat wél via die antwoorden binnenkomt, converteert opvallend goed, want de klant heeft al gehoord dat jij een goede keuze bent. Het gaat dus niet om een paar gemiste klikken. Je verliest het moment waarop de klant je ontdekt, nog voordat die op een pagina komt die jij in de hand hebt. Google gaf tien links en een tweede pagina. Een AI-antwoord geeft een shortlist van een paar namen. Voor de elfde plek is er geen troostprijs.

Wat skincare de lastigste versie van dit probleem maakt, is de aard van de categorie. Zoekmachines en AI-systemen zien skincare allebei als YMYL, "Your Money or Your Life": onderwerpen die iemands gezondheid, veiligheid of geld kunnen raken. Bij YMYL ligt de lat bewust hoger, zowel voor wat een systeem stellig beweert als voor welk product het iemand aanraadt om op het gezicht te smeren. Een AI die een salesteam een CRM aanraadt, doet een suggestie waar weinig van afhangt. Een AI die iemand met een reactieve huid een serum aanraadt, geeft bijna een gezondheidsadvies. Daarom is hij voorzichtiger. Hij kiest merken waarvoor hij goede redenen heeft om ze te vertrouwen, en blijft vaag over merken die hij niet kent. Dat ene gegeven verandert wat werkt. Het standaard AEO-draaiboek is gemaakt voor categorieën waar weinig op het spel staat, en levert hier ongemerkt minder op. De mythes hieronder laten zien waar de meeste moeite verloren gaat.

De mythes die skincaremerken buiten het antwoord houden

De meeste skincaremerken die met AEO bezig zijn, werken vanuit een beeld dat ze bij Google hebben geleend. Dat beeld klopt niet, en in een YMYL-categorie weegt dat zwaarder dan waar ook. De inzet is echt. Hij is alleen op de verkeerde doelen gericht, omdat hij ervan uitgaat dat een AI-aanbeveling werkt als een positie in Google. Dat is niet zo.

Door elke rij loopt dezelfde verwarring: leesbaar zijn aanzien voor vertrouwd worden. On-page AEO-tactieken zoals een heldere structuur, een kort antwoord onder een vraag als kop en correcte schema zijn echt nuttig, en een skincaremerk moet ze toepassen. Maar ze lossen het overnemen op, en dat is de makkelijke helft. Ze zorgen dat een model je antwoord zonder gedoe kan overnemen als het al besloten heeft dat je het citeren waard bent. Die beslissing nemen ze niet. En in een YMYL-categorie zit daar juist alle moeilijkheid.

De duurste mythe is de laatste, want die stuurt merken precies de verkeerde kant op. Een team dat E-E-A-T ziet als technisch detail van Google, steekt al zijn energie in optimalisatie van de eigen site en in veel publiceren. Intussen doet het niets aan wat een voorzichtig model echt overtuigt: aantoonbare expertise, eerlijke claims en bevestiging door bronnen buiten het eigen domein. Je kunt foutloze schema hebben, twee keer per week bloggen en toch vrijwel onzichtbaar zijn in AI-antwoorden. Die combinatie komt vaak voor. Hoe deze systemen kiezen, en daar gaat het nu over, verklaart waarom.

De werkelijkheid: wat een voorzichtig model nodig heeft voordat het je merk noemt

Voordat een AI een skincaremerk aan een echt persoon aanraadt, zoekt het naar redenen om aan te nemen dat die aanbeveling veilig is. Die redenen komen neer op drie dingen: aantoonbare expertise, bevestiging die niet van jou zelf komt, en content die het model echt kan lezen. Ontbreekt er één, dan val je van de shortlist, hoe netjes je schema ook is.

Het eerste is E-E-A-T, en in een YMYL-categorie is dat geen punt op een checklist. Het is de toegangspoort. De afkorting staat voor Experience, Expertise, Authoritativeness en Trustworthiness: de signalen waaraan een systeem ziet dat een bron weet waar hij het over heeft en de lezer geen schade doet. Voor skincare betekent dat content met echt bewijs achter de claims, auteurs met echte kwalificaties (een formulator, een dermatoloog, een oprichter met aantoonbare ervaring) en claims die verdedigbaar blijven. Het merk dat schrijft "klinisch aangetoond: vermindert zichtbaar fijne lijntjes" en dat kan onderbouwen, komt bij een voorzichtig model heel anders over dan het merk dat belooft "rimpels in een week weg te werken". Overdreven claims zijn niet alleen een risico bij de toezichthouder. Ze zijn ook een teken van onbetrouwbaarheid, en een systeem dat is afgesteld op YMYL is gebouwd om daar minder waarde aan te hechten. Het is dezelfde discipline die een merk binnen de regels houdt. Compliance en zichtbaarheid in AI blijken daardoor hetzelfde werk.

Het tweede is bevestiging van buitenaf. Daar doen de meeste merken nooit iets aan, omdat het niet op hun eigen website gebeurt. AI-systemen stellen hun beeld van een merk samen uit het hele web, en wat anderen over je zeggen weegt zwaarder dan wat je over jezelf zegt. De meeste bronnen in AI-antwoorden zijn van derden: reviews bij betrouwbare retailers, vergelijkingen en best-of-lijstjes, commentaar van dermatologen, discussies in communities waarin echte gebruikers voor een product instaan. Een model dat beslist of het jouw serum noemt, kijkt in feite of de rest van het web je al serieus neemt. Daarom zijn pr en AEO geen losse projecten meer, nu AI de antwoorden geeft. Zorgen dat geloofwaardige derden correct over je schrijven, is een van de meest directe manieren geworden om aanbevolen te worden.

Het derde is saai en vaak fataal: de content moet leesbaar zijn voor machines. AI-crawlers lezen de kale HTML die de server teruggeeft, niet de opgebouwde pagina die een mens ziet. Alles wat achter een tab, een accordeon of een JavaScript-interactie zit, kan voor ze onzichtbaar zijn. Veel sites blokkeren AI-crawlers per ongeluk via een robots-bestand of een standaardinstelling van hun CDN, en vallen zo zonder dat iemand het merkt helemaal af. Deze systemen geven ook de voorkeur aan recente content. Een pagina die een jaar niet is aangeraakt, verdwijnt langzaam uit de antwoorden waarin hij eerst stond. Niets hiervan levert op zichzelf vertrouwen op. Maar elk van deze punten kan een merk stilletjes uitschakelen dat overal elders het vertrouwen al heeft verdiend.

Een ander doel: word de bron die een voorzichtige AI durft aan te raden

Hier wijst het hele artikel naartoe. Stop met optimaliseren voor het algoritme. Word het merk dat een AI met een gerust hart kan aanraden aan iemand die advies vraagt over de eigen huid. Dat is iets anders dan hoog ranken, en zodra je dat als doel neemt, ordent het werk zich rond vertrouwen in plaats van trucs. De vraag is dan niet meer "hoe zorg ik dat het model mij kiest", maar "heb ik een voorzichtig systeem elke reden gegeven om te geloven dat ik een veilig antwoord ben, en geen enkele reden om daaraan te twijfelen?"

In de praktijk bestaat dat werk uit vier stappen, en ze sluiten precies aan op wat de werkelijkheid vraagt. Verdien echte E-E-A-T: zet echte, aantoonbare expertise achter je content, sta achter onderbouwde claims en weiger de overdreven beloftes die een merk onbetrouwbaar maken. Bouw bevestiging op buiten je eigen site: zie reviews, vergelijkingen en correcte berichtgeving door geloofwaardige derden als kernwerk van je marketing, want nu AI de antwoorden geeft, zijn je reputatie en je zichtbaarheid in AI hetzelfde kapitaal. Houd elke claim binnen de regels, niet als juridische bijzaak, maar omdat de discipline die een toezichthouder tevredenstelt dezelfde is als die een YMYL-model overtuigt. En regel de technische basis: zorg dat crawlers je pagina's kunnen lezen, structureer antwoorden zodat ze makkelijk over te nemen zijn, en houd je content vers genoeg om niet weg te zakken uit de antwoorden die je hebt verdiend. Het is dezelfde houding die ten grondslag ligt aan duurzame vindbaarheid in zoekmachines, nu toegepast op een kanaal dat strenger over vertrouwen oordeelt dan welk kanaal ook tot nu toe.

De laatste stap is het juiste meten. Met één screenshot kun je dit kanaal niet sturen, want AI-antwoorden wisselen zo sterk dat dezelfde vraag twee keer gesteld andere namen oplevert. Het gaat om je share of voice door de tijd heen. Bij de echte vragen die je klanten stellen: in welk deel van de antwoorden, en bij welke modellen, verschijnt je merk? En hoe ontwikkelt dat zich terwijl je aan vertrouwen bouwt? Handleidingen voor het meten van zichtbaarheid in AI leggen de techniek uit, maar het gaat om de manier van denken. Zie een vermelding niet als een positie die je wint, maar als een reputatie die je verdient, gemeten aan hoe vaak een voorzichtig systeem je naam wil noemen. In een YMYL-categorie is die bereidheid het hele kanaal. En die bouw je op de trage, onopvallende manier waarop vertrouwen altijd al werd opgebouwd.

Veelgestelde vragen

Hoe zorg ik dat ChatGPT of de AI van Google mijn skincaremerk noemt? Door vertrouwen te verdienen, niet met trucs. Een model dat een skincaremerk noemt, zoekt naar aantoonbare expertise, onderbouwde claims die binnen de regels blijven, en bevestiging door geloofwaardige derden zoals reviews, vergelijkingsartikelen en discussies in communities. Een nette structuur en schema helpen een model je te lezen, maar zorgen er niet voor dat het je aanraadt. In een categorie die tegen gezondheid aan zit, bepalen vertrouwenssignalen of je genoemd wordt.

Zorgt schema of FAQ-markup ervoor dat AI mijn skincaremerk noemt? Het helpt, maar alleen bij de makkelijke helft. Schema en content in antwoordvorm maken je pagina's makkelijk over te nemen voor een model, en dat telt zodra het besloten heeft dat je het citeren waard bent. Die beslissing neemt schema niet. Merken met foutloze schema die in AI vrijwel onzichtbaar zijn, komen vaak voor. Ze hebben het overnemen opgelost, maar het vertrouwen en de bevestiging van buitenaf genegeerd, en juist die leveren vermeldingen op.

Waarom maakt het voor AI-zoeken uit dat skincare een YMYL-categorie is? YMYL, "Your Money or Your Life", gaat over onderwerpen die gezondheid, veiligheid of geld kunnen raken, en AI-systemen zijn daar bewust voorzichtiger mee. Iemand een serum aanraden ligt dichter bij een gezondheidsadvies dan iemand software aanraden. Een model kiest dus merken waarvan het kan nagaan dat ze betrouwbaar zijn, en blijft vaag over merken waarbij dat niet lukt. Daardoor ligt de lat voor vertrouwen veel hoger dan in andere categorieën.

Kan een klein skincaremerk vaker genoemd worden dan een groot merk? Ja. AI-modellen belonen eerder diepgang en geloofwaardigheid binnen een specifieke niche dan pure omvang. Een gericht merk met echte expertise, eerlijke claims, sterke reviews en consequente bevestiging door derden kan dus vóór een grotere, vagere concurrent worden genoemd. Autoriteit in jouw hoek van de skincaremarkt telt zwaarder dan schaal.

In het kort

• AI-antwoorden noemen maar een paar merken, en voor skincare ligt de lat hoger. Zonder ranglijst en tweede pagina betekent ontbreken dat je niet bestaat. En omdat skincare YMYL is, is een voorzichtig model lastiger te overtuigen.

• Het gangbare AEO-advies lost de verkeerde helft op. Schema en korte antwoordblokken maken je makkelijk over te nemen, niet het aanraden waard. Leesbaar zijn is iets anders dan vertrouwd worden.

• E-E-A-T is de toegangspoort, geen technisch detail. Aantoonbare expertise, onderbouwde claims binnen de regels en echte kwalificaties zorgen dat een model dat voorzichtig is met gezondheid voor je durft in te staan.

• De meeste vermeldingen komen van derden, dus pr is nu AEO. Een model hecht meer waarde aan wat anderen over je zeggen dan aan wat je zelf zegt. Verdien geloofwaardige reviews, vermeldingen en vergelijkingen.

• Meet je share of voice, niet één screenshot. AI-antwoorden wisselen. Houd door de tijd heen bij hoe vaak je verschijnt bij echte vragen en op verschillende modellen, en zie een vermelding als een reputatie die je verdient.