Methodenotitie: de patiëntcijfers komen uit rater8s 2026 Patient Choice Report. rater8 verkoopt reputatiemanagement aan praktijken, dus labelen we het als leveranciersonderzoek en lezen we exacte cijfers als richting. De cijfers over bronnauwkeurigheid komen van het Tow Center for Digital Journalism van Columbia University, dat nieuwsbronvermeldingen testte, geen medische. Compliancenotitie: dit artikel gaat over hoe AI-machines praktijken beschrijven. Het bevat geen medisch advies.
rater8s 2026 Patient Choice Report telt 47% van de patiënten die AI hebben gebruikt om artsen en zorgverleners te onderzoeken, tegen 31% in de enquête van 2025, negen maanden eerder. De boekingsnormen stegen tegelijk: 75% van de patiënten weigert een zorgverlener onder 4,0 sterren te boeken, en 55% heeft een afspraak vermeden of afgezegd vanwege online reviews, voorheen 40%.
De verschuiving plaatst een nieuwe laag tussen je praktijk en de patiënt: de antwoordmachine. Als iemand ChatGPT, Perplexity of Gemini vraagt om een lokale specialist, bouwt de machine een beschrijving van je praktijk uit de records die hij kan ophalen en vertrouwt. Zijn die records mager, vaag of verouderd, dan de beschrijving ook. Patiënten vertellen dit zelden. Ze boeken gewoon elders.
Waarom antwoorden leunen op ziekenhuissystemen, niet op jouw site
Contentbureau Foundation en AirOps logden 5,1 miljoen AI-antwoorden en 57,2 miljoen bronvermeldingen terwijl ze 50 B2B-merken in zeven verticals volgden. De merken zelf stonden in voor ongeveer 10% van hun eigen bronvermeldingen. In de zorgvertical kantelden de geciteerde bronnen naar instellingen: PubMed, Healthline en Mayo Clinic kwamen naar voren als de autoriteiten waarop zorgantwoorden leunen.
De website van een praktijk is een commercieel domein. Machines herhalen de bronnen waar ze voor medische uitspraken al op vertrouwen, en weinig kleine praktijken staan op die lijst. Dat is de structurele reden dat AI ziekenhuissystemen en bekende ketens aanraadt in plaats van jouw praktijk. Hij leest jouw site niet en beslist tegen je. Hij bouwt het antwoord uit instellingen en directories.
De ophaling heeft een tweede probleem. Het Tow Center for Digital Journalism van Columbia University stuurde 200 zoekopdrachten door acht AI-zoekmachines en vond onjuiste bronvermeldingen in meer dan 60% van de tests, inclusief verkeerde toeschrijvingen en verzonnen links. Perplexity zat in 37% van de geteste queries fout, ChatGPT Search in 67%, Grok-3 in 96%. De studie dekte nieuwsqueries: de exacte percentages zijn niet naar de geneeskunde te vertalen, maar het mechanisme wel. Machines beweren details met zelfvertrouwen, en de details kunnen fout zijn.
De drie manieren waarop een machine je praktijk fout weergeeft
- Hij slaat je over. Het antwoord noemt concurrenten of ziekenhuissystemen en jouw praktijk ontbreekt.
- Hij beschrijft je vaag. "Een lokale praktijk" met generieke kenmerken die op elke praktijk in de buurt passen.
- Hij beschrijft je specifiek en fout. Verkeerde verzekeringsnetwerken, een gesloten vestiging die nog staat, het verkeerde specialisme, een vennoot die twee jaar geleden vertrok en nog op de lijst staat.
De eerste twee verliezen patiënten geruisloos. De derde is te controleren: stel de machines de vragen die je patiënten stellen, noteer wat terugkomt en vergelijk met je eigen feiten.
Wat je binnen compliancegrenzen kunt corrigeren
- Maak de structurele feiten machineleesbaar: specialismen, verzekeringsnetwerken, nieuwe-patiëntenstatus, locaties, tijden. Gestructureerde data op je site en identieke feiten in directory's van derden geven machines iets controleerbaars.
- Corrigeer het record waar het leeft. Verkeerde verzekeringsinfo in een directory, een gesloten vestiging op een reviewsite, een verouderde artsenlijst: corrigeer stroomopwaarts, want antwoordmachines bouwen beschrijvingen uit die records.
- Houd namen consistent. Eén praktijknaam, overal hetzelfde gespeld, gekoppeld aan hetzelfde adres en telefoonnummer.
- Gebruik geen medische content als AI-zichtbaarheidstruc. De diagnoseerbare laag is hoe machines je praktijk beschrijven, en het corrigeren van een verkeerde beschrijving vraagt helemaal geen medische uitspraken.
Hoe je vandaag controleert wat AI over je zegt
Schrijf de vragen op die je patiënten echt stellen: verzekeringen, specialisme, locatie, beschikbaarheid. Voer elke vraag uit in ChatGPT, Perplexity en Gemini. Noteer elke beschrijving van je praktijk, goed of fout, met datum. Na elke correctie stroomopwaarts dezelfde lijst opnieuw draaien en vergelijken. Correcties volgen geen vaste kalender; je eigen voor-na-vergelijking is de enige meting die je in de hand hebt.
CiteGap doet hier alleen diagnose: we testen hoe AI-machines je praktijk beschrijven met echte patiëntvragen en rapporteren wat ontbreekt of fout is. We schrijven geen medische content en beloven niets over patiëntenaantallen. Voor het volledige beeld van hoe machines zorgverleners behandelen, zie AI-zichtbaarheid voor zorgverleners.
De schriftelijke diagnose aanvragen ($490)
Veelgestelde vragen
Waarom raadt AI ziekenhuissystemen aan maar mijn praktijk niet?
Omdat zorgantwoorden op institutionele bronnen leunen. Foundation en AirOps maten 57,2 miljoen bronvermeldingen en vonden dat de zorgvertical PubMed-, Healthline- en Mayo-Clinic-achtige bronnen citeert, terwijl merken in de hele studie ongeveer 10% van de bronvermeldingen stelden. Een praktijksite is een commercieel domein en komt zelden in die pool. De werkbare route is de feiten van je praktijk (verzekeringen, specialismen, beschikbaarheid) onafhankelijk verifieerbaar maken met gestructureerde data en consistente vermeldingen, niet het publiceren van meer medische content.
Waar klacht ik als een AI-antwoord iets fouts zegt over mijn praktijk?
Er is geen centraal loket. Machines bouwen antwoorden uit ophaalbare records, dus de correctie gaat stroomopwaarts: de directoryvermelding, de vermelding op de reviewsite of de gestructureerde data op je eigen site die het foute detail leverde, corrigeren. Bewaar gedateerde screenshots van foute antwoorden en stel dezelfde vragen later opnieuw. Sommige machines hebben feedbackknoppen; beschouw ze als onbetrouwbaar, want de antwoorden worden weer opgebouwd uit dezelfde records.
Is het veilig om in de zorg content te publiceren gericht op AI-machines?
Structurele feiten zijn veilig: specialismen, verzekeringsnetwerken, nieuwe-patiëntenstatus, locaties, tijden. Medische uitspraken zijn een andere zaak, en klinische content publiceren puur om machines te lokken verhoogt het compliancerisico voor weinig gemeten winst. De complianceveilige laag is feitelijk en beschrijvend: wat je bent, waar je bent, wat je accepteert, of je nieuwe patiënten neemt.
Hoe lang duurt het voordat een correctie in AI-antwoorden opduikt?
Er bestaat geen vaste termijn. Machines crawlen, cachen en herbouwen antwoorden in hun eigen tempo. De eerlijke procedure: het record stroomopwaarts corrigeren, je vragenlijst op een ritme opnieuw uitvoeren (maandelijks is realistisch) en rapporteren wat er veranderde, ook wanneer niets. Zo draaien we de hercontroles in de schriftelijke diagnose, en we beloven niet dat een correctie doorkomt.
Bronnen
- rater8, 2026 Patient Choice Report (leveranciersonderzoek): rater8.com/2026-patient-choice-report/
- Foundation en AirOps, AI-bronvermeldingsanalyse (5,1 mln antwoorden, 57,2 mln bronvermeldingen, zorgvertical-bronnen): foundationinc.co/lab/ai-citation-b2b-saas
- Tow Center for Digital Journalism (Columbia University), studie naar de bronnauwkeurigheid van AI-zoekmachines, berichtgeving door Nieman Lab: niemanlab.org/2025/03/ai-search-engines-fail-to-produce-accurate-citations-in-over-60-of-tests-according-to-new-tow-center-study/
- TechTarget, berichtgeving over AI-gebruik door patiënten: techtarget.com/patientengagement/news/366643954