Hoe ChatGPT een product voor iemand kiest: vijf stappen, en wat het onderweg las

Als iemand een AI-assistent vraagt welk product hij moet kopen, lijkt het antwoord uit het niets te komen: een kort lijstje, een regel uitleg, een paar links. Dat is niet zo. Erachter zit een vaste reeks stappen, en wie die kent, leest het antwoord anders.

Dit is die reeks, met één echt voorbeeld dat we op 7 september 2026 draaiden: een uitgelogde ChatGPT-sessie, met de vraag "Which espresso beans should I buy in the US, under $25 a bag? Give me a short numbered top 5 with the brand and the online shop to buy from."

Stap 1: iemand stelt een vraag

De vraag is gewone taal en bevat, zoals de meeste koopvragen, twee voorwaarden (het land, het budget) en één verzoek (vijf stuks, met winkel). Er is nog niets opgezocht.

Stap 2: de vraag wordt herschreven tot zoekopdrachten

De assistent zoekt niet naar de zin die je typte. Hij maakt er meerdere zoekopdrachten van, meestal drie tot zes, elk geformuleerd zoals een zoekmachine dat prettig vindt: "best espresso beans under $25", "espresso beans US review 2026", enzovoort. Daarom kan een antwoord dingen bevatten die je nooit noemde en dingen missen die je wel noemde: de zoekopdrachten, niet jouw woorden, bepalen wat er gevonden wordt.

Stap 3: een handvol pagina's wordt opgehaald

Uit die zoekopdrachten opent hij een klein aantal pagina's, meestal vijf tot tien, en leest ze. Niet het hele web, niet de eerste honderd resultaten: een handvol. De pagina's die hij leest, zijn het volledige universum aan feiten dat het antwoord kan bevatten.

In onze run waren dat Coffee Bean Index, Tamp & Pour (twee keer), Whole Latte Reviews, Complete Home Barista en Burr & Basket. Vijf sites, zes verwijzingen. Allemaal reviewblogs. Nul winkels. (Screenshot)

Stap 4: de pagina's worden vergeleken

Nu zet hij naast elkaar wat die pagina's zeggen: prijs, branding, smaaknotities, voor wie elke boon is. Waar een pagina een feit als tekst noemt, is dat feit bruikbaar. Waar een pagina het feit in een foto, een PDF of een grafiekafbeelding heeft staan, bestaat het voor de vergelijking simpelweg niet. De vergelijking is precies zo goed als de tekst op dat handvol pagina's.

Stap 5: het antwoord komt uit die pagina's

Het antwoord noemde vijf bonen (Lavazza Super Crema, Stumptown Hair Bender, Counter Culture Big Trouble, Peet's Espresso Forte, illy Classico) en bij elk een plek om te kopen: drie keer Amazon, en Counter Culture en illy rechtstreeks. Het noemde winkels die het nooit had gelezen. Die winkels kwamen erin omdat de reviewblogs ze noemden.

Wat dit betekent

Eén waarneming is geen percentage; een andere vraag of een andere dag leest andere pagina's. Maar het mechanisme is elke keer hetzelfde, en daar volgen drie dingen uit.

De reviewsites zijn de poortwachters. Bij een koopvraag leest de assistent de pagina's die producten in die categorie al vergelijken. Heeft een categorie twee of drie reviewblogs waar iedereen naar linkt, dan bepalen die pagina's het antwoord. Daarop staan weegt zwaarder dan welk zoekwoord ook.

Winkels worden uit de tweede hand genoemd. Een winkel komt in het antwoord als de gelezen pagina's hem noemen. Dat is een ander spel dan zoekmachineranking: het gaat erom de plek te zijn waar een reviewer naar wijst, en een productpagina te hebben die haar feiten gewoon als tekst noemt zodra de assistent haar wél opent.

De feiten moeten tekst zijn. Stap 4 vergelijkt tekst. Herkomst, branding, prijs, het ding waarop een koper beslist: staat het in een afbeelding, dan ontbreekt het in de vergelijking, hoe goed het product ook is.

De simpele check voor elke categorie: stel de assistent de vraag die jouw klanten stellen, en kijk naar de verwijzingen onder het antwoord, niet alleen naar de merken erin. De verwijzingen zijn de pagina's die gelezen zijn. Daar is het antwoord gemaakt.