AI-prestatiestatistieken: zeven KPI's die elk merk zou moeten bijhouden
Waarom AI zijn eigen statistieken nodig heeft
Agentic commerce is een nieuw kanaal. Wanneer een gebruiker ChatGPT om een productaanbeveling vraagt of Perplexity om een vergelijking van diensten, is er geen “pagina een” om op te ranken. Er is een citaat, een samenvatting, of helemaal niets. Uw merk verschijnt in het AI-gegenereerde antwoord, of het bestaat niet in dat gesprek.
Dit kanaal heeft zijn eigen prestatierapport nodig - net zoals u rapporten heeft voor betaald, organisch, social en e-mail.
Bij WISLR hebben we aanzienlijke tijd besteed aan het onderzoeken en ontwikkelen van de statistieken die ertoe doen voor dit nieuwe kanaal. De KPI’s die AI-gestuurde ontdekking volgen, zijn fundamenteel anders dan alles in uw bestaande dashboards. Ze meten of AI-systemen toegang hebben tot uw content, of ze deze citeren, en of die zichtbaarheid zich vertaalt in omzet.
De zeven KPI’s hieronder vormen ons raamwerk voor het opbouwen van een AI-kanaalrapport - van het moment dat een bot uw site crawlt tot het moment dat een klant converteert. Dit is het rapport dat elk merk zou moeten opstellen naast hun bestaande kanaalprestatierapporten.
Zeven belangrijke prestatie-indicatoren
Deze zeven statistieken vormen een volledig funnelbeeld van AI-prestaties - van infrastructuur tot omzet. Laten we ze allemaal doorlopen.
1. AI-botcrawlfrequentie
Wat het meet: Het percentage van uw pagina’s dat AI-crawlers (GPTBot, ClaudeBot, PerplexityBot, enz.) succesvol benaderen en verwerken voor trainingsdata.
Dit is de basisstatistiek. Als AI-bots uw content niet kunnen crawlen, verschijnen uw pagina’s niet in trainingsdata.
Hoe het te volgen:
- Monitor serverlogboeken op AI-specifieke user agents (GPTBot, anthropic-ai, PerplexityBot, Bytespider)
- Vergelijk het totaal aantal crawlbare pagina’s met de pagina’s die daadwerkelijk per bot zijn gecrawld
- Volg crawlfrequentietrends in de tijd
Hoe goed eruit ziet: Pagina’s met hoge waarde (productpagina’s, pijlercontent, categoriepagina’s) moeten consistente crawlactiviteit van grote AI-bots laten zien.
Veelvoorkomende problemen: Te strenge robots.txt-regels, JavaScript-gerenderde content die onzichtbaar is voor bots, fouten bij server-side rendering en trage paginareactietijden waardoor crawlers verzoeken afbreken.
2. AI-ophaalfrequentie
Wat het meet: Hoe vaak uw merk of content wordt geciteerd, gerefereerd of weergegeven in AI-gegenereerde antwoorden.
Crawlen is noodzakelijk maar niet voldoende. De ophaalfrequentie meet of AI-systemen uw content daadwerkelijk in hun antwoorden opnemen. Dit is het AI-equivalent van “impressieaandeel” - hoe zichtbaar u bent wanneer relevante vragen worden gesteld.
Hoe het te volgen:
- Monitor serverlogboeken op AI-ophaalspecifieke user agents, die andere handtekeningen dragen dan de bots die worden gebruikt voor crawlen en training
- Maak onderscheid tussen crawlverzoeken (verzameling van trainingsdata) en ophaalverzoeken (real-time contentophaling voor het genereren van antwoorden)
- Volg de ophaalfrequentie en welke pagina’s in live AI-antwoorden worden opgenomen
Hoe goed eruit ziet: Het behouden of verhogen van ophaalverzoeken vanuit real-time gebruikersconversaties in de tijd, wat aangeeft dat AI-platforms actief uw content ophalen om live vragen te beantwoorden.
Veelvoorkomende problemen: Dunne content die niet genoeg signaal biedt voor AI om te citeren, ontbrekende gestructureerde data die nauwkeurige attributie verhindert, en concurrentiecontent die beter geoptimaliseerd is voor AI-consumptie.
3. AI-verwijzingsverkeersfrequentie
Wat het meet: Het volume en percentage websitebezoekers dat via AI-platforms binnenkomt.
Dit is waar AI-zichtbaarheid begint te vertalen naar bedrijfsimpact. Wanneer AI-systemen uw content citeren met een link, klikken gebruikers door. Het apart volgen van dit verkeer van organisch zoekverkeer geeft u een duidelijk beeld van de directe bijdrage van AI.
Hoe het te volgen:
- Analyseer serverlogboeken en HTTP-verwijzingsheaders voor verkeer dat afkomstig is van AI-platforms (chat.openai.com, perplexity.ai, gemini.google.com)
- Segmenteer AI-verwijzingsverkeer van organisch zoekverkeer en direct verkeer met behulp van verwijzingsgegevens
- Volg het AI-verwijzingsvolume als percentage van het totale siteverkeer in de tijd
Hoe goed eruit ziet: Een groeiend aandeel van verwijzingsverkeer van AI-platforms zichtbaar in uw serverlogboeken en verwijzingsheadergegevens.
Veelvoorkomende problemen: Attributiegaten wanneer AI-platforms geen verwijzingsgegevens doorgeven, en verkeerd gecategoriseerd verkeer dat in “direct” of “overig” categorieën in uw logboeken terechtkomt.
4. AI-conversieratio
Wat het meet: Het percentage door AI verwezen bezoekers dat een aankoop of gewenste actie voltooit.
Huidige gedragsanalysetools hebben blinde vlekken als het gaat om AI-verwezen verkeer. Sessies dragen mogelijk niet consistent verwijzingsgegevens over, en traditionele attributiemodellen zijn niet gebouwd voor dit kanaal. Daarom is de beste plek om deze statistiek te ontwikkelen in uw serverlogboeken als een voorlopende indicator, en vervolgens kruislings te verwijzen met transactiegegevens uit uw ordermanagementsysteem waar mogelijk.
Hoe het te volgen:
- Gebruik serverloggegevens om sessies te identificeren die afkomstig zijn van AI-verwijzingsheaders
- Kruislings verwijzen van AI-verwezen sessies met transactiegegevens in uw ordersysteem
- Vergelijk conversiepatronen van AI-verwezen verkeer met andere kanalen met behulp van log- en ordergegevens
Hoe goed eruit ziet: Een groeiend aantal transacties dat kan worden teruggeleid naar AI-verwijzingssessies in uw logboeken, met ordergegevens die voltooide aankopen bevestigen.
Veelvoorkomende problemen: Onvolledige verwijzingsgegevens waardoor het moeilijk is sessies aan conversies te koppelen, hiaten tussen loggegevens en ordersysteemrecords, en het ontbreken van een geunificeerd overzicht over serverlogboeken en transactiesystemen.
5. AI-winkelwagen-tot-koopratio
Wat het meet: Het afrekenpercentage specifiek voor bezoekers die via AI-verwijzing zijn binnengekomen.
Geen kant-en-klare analysetool segmenteert dit tegenwoordig betrouwbaar. U moet uw eigen tracking opbouwen door AI-verwijzingsgegevens uit uw serverlogboeken te koppelen aan winkelwagen- en afrekengebeurtenissen in uw ordersysteem. Dit geeft u nauwkeurigheid en vertrouwen die kant-en-klare dashboards op dit moment niet kunnen evenaren.
Hoe het te volgen:
- Tag AI-verwezen sessies in uw serverlogboeken met behulp van verwijzingsheadergegevens
- Koppel die sessies aan winkelwagenaanmaak- en afrekengebeurtenissen in uw ordersysteem
- Bereken de winkelwagen-tot-koopverhouding voor AI-verwezen sessies versus andere verkeersbronnen
Hoe goed eruit ziet: AI-verwezen sessies die het afrekenproces voltooien met percentages vergelijkbaar met uw sterkste kanalen, bevestigd via uw eigen log-naar-ordergegevenspijplijn.
Veelvoorkomende problemen: Moeilijkheid bij het behouden van sessiecontinuiteit tussen loggegevens en orderrecords, prijs- of beschikbaarheidsverschillen tussen wat AI citeert en wat er daadwerkelijk in de winkelwagen zit, en de handmatige inspanning die nodig is om deze tracking op te bouwen en te onderhouden voordat leverancierstools bijkomen.
6. Omzet uit AI
Wat het meet: Totale omzet toe te schrijven aan AI-gestuurde ontdekking, inclusief zowel directe (laatste klik) als ondersteunde (multi-touch) attributie.
Dit is de bottom-line-statistiek. Het beantwoordt de vraag die elke directielid stelt: “Wat is AI-zichtbaarheid ons daadwerkelijk waard in euro’s?”
Hoe het te volgen:
- Bouw een pijplijn die uw serverlogboeken (AI-botophaalactiviteit en AI-verwijzingssessies) verbindt met uw ordermanagement- of transactiesysteem
- Koppel AI-verwezen sessies die in logboeken zijn geidentificeerd aan voltooide aankopen en hun geldwaarden in uw ordergegevens
- Segmenteer omzet per AI-bron waar mogelijk (verschillende AI-platforms laten verschillende verwijzingshandtekeningen achter)
Hoe goed eruit ziet: Een groeiend, verifieerbaar omzetcijfer dat direct gekoppeld is aan AI-verwezen sessies, kruislings geverifieerd met uw ordersysteem zodat de gegevens stand houden bij controle. Omzet per AI-verwezen bezoek die concurrerend is met andere kanalen.
Veelvoorkomende problemen: De infrastructuur om loggegevens aan transactierecords te koppelen bestaat niet kant-en-klaar - u moet het zelf bouwen. Sessieoverdracht tussen logidentificatie en ordervoltooiing kan verliesgevend zijn, en er is nog geen industriestandaard tooling. Dit is een statistiek die u in de loop der tijd verfijnt naarmate uw tracking rijpt.
7. Totaal producten met multimodale content
Wat het meet: Het percentage van uw productcatalogus dat uitgebreide multimodale content heeft - video, afbeeldingen en tekstbeschrijvingen - geoptimaliseerd voor AI-consumptie.
Deze statistiek gaat verder dan de technische basis. AI-platforms geven steeds meer de voorkeur aan contentrijke productpagina’s bij het doen van aanbevelingen, maar om daar te komen is nauwe samenwerking nodig tussen uw technische team en uw contentteam. Producten met alleen basistekstbeschrijvingen verliezen het van concurrenten die investeren in videodemonstraties, meerdere beeldhoeken, vergelijkingstabellen en gestructureerde specificaties. Dit is zowel een contentstrategie-initiatief als een technisch initiatief - uw contentteams moeten deel uitmaken van de planning, productie en prioritering.
Hoe het te volgen:
- Audit uw productcatalogus op contentvolledigheid over alle contenttypes: geschreven beschrijvingen, productafbeeldingen, video en gestructureerde specificaties
- Bouw een scoremodel met uw contentteam dat de multimodale gereedheid van elk product beoordeelt - dit geeft zowel technische als contentstakeholders een gedeelde taal voor prioritering
- Volg het dekkingspercentage in de tijd en koppel verbetermijlpalen aan contentproductiekalenders
Hoe goed eruit ziet: Prioriteits-SKU’s (topverkopers, hoogste marge) hebben als eerste volledige multimodale content, met een routekaart om de dekking over de actieve catalogus uit te breiden. Content- en technische teams zijn het eens over wat “compleet” betekent voor elk producttype.
Veelvoorkomende problemen: Bulkproductimports met minimale beschrijvingen die nooit worden verrijkt, contentteams die niet worden betrokken bij AI-zichtbaarheidsdoelen, geen gedeelde workflow tussen technische teams en contentproductie, ontbrekende alt-tekst op productafbeeldingen, en geen videocontent voor producten die baat hebben bij demonstratie.
Uw AI-meetraamwerk opbouwen
Deze zeven statistieken zijn niet bedoeld om geisoleerd te worden bijgehouden. Ze vormen een funnel:
- Infrastructuur (Botcrawlfrequentie) - Kan AI bij uw content?
- Zichtbaarheid (Ophaalfrequentie) - Citeert AI uw content?
- Verkeer (Verwijzingsverkeersfrequentie) - Klikken gebruikers door vanuit AI?
- Actie (Conversieratio + Winkelwagen-tot-koopratio) - Converteren bezoekers?
- Omzet (Omzet uit AI) - Wat is de financiele impact?
- Gereedheid (Multimodale content) - Bent u voorbereid op wat er komt?
Als uw botcrawlfrequentie laag is, helpt het optimaliseren van de conversieratio niet. Als uw ophaalfrequentie sterk is maar het verwijzingsverkeer zwak, ligt het probleem waarschijnlijk bij hoe AI-platforms terug naar u linken. De funnel vertelt u waar u zich moet richten.
Begin met wat u vandaag kunt meten
U heeft geen perfect attributiesysteem nodig om te beginnen. Start met serverloganalyse voor botcrawlfrequenties en segmentatie van verwijzingsbronnen in uw bestaande analytics. Deze twee statistieken alleen al vertellen u of AI-platforms uw content benaderen en u verkeer sturen.
Naarmate uw meting rijpt, voegt u monitoring van ophaalfrequenties, conversiesegmentatie en omzetattributie toe. De merken die nu beginnen met meten, zullen maanden aan baselinegegevens hebben wanneer hun concurrenten nog uitzoeken waar ze moeten beginnen.
Deze statistieken zijn moeilijk alleen vast te leggen
De realiteit is dat de meeste van deze KPI’s nog geen kant-en-klare tooling hebben. Het bouwen van de logpijplijnen, het verbinden ervan met ordergegevens en het onderhouden van de tracking vergt echte engineeringinspanning - en de meeste merken hebben niet de interne capaciteit om het vanuit het niets op te zetten.
Het WISLR-team heeft systemen gebouwd om deze statistieken online te brengen voor merken, zodat u niet vanuit nul hoeft te beginnen. Als u hulp wilt bij het opzetten van dit meetraamwerk, bespreken we graag wat er mogelijk is voor uw situatie.
Wilt u weten of AI-bots uw site daadwerkelijk kunnen crawlen? Onze AEO Gereedheidshandleiding controleert uw technische infrastructuur - JavaScript-rendering, schema-markup, spookpagina’s en meer - zodat u de basis kunt repareren voordat u de funnel optimaliseert.
Veelgestelde vragen
Welke statistieken worden niet bijgehouden door standaard analysetools voor AI-gestuurd verkeer?
Standaard analysetools zoals Google Analytics segmenteren AI-verwezen verkeer niet betrouwbaar van organische of directe bezoeken. Ze missen specifiek de AI-botcrawlfrequentie (waarvoor serverloganalyse nodig is voor user agents zoals GPTBot, ClaudeBot en PerplexityBot), de AI-ophaalfrequentie (die andere user agent-handtekeningen gebruikt dan trainingscrawlers), en AI-specifieke conversie- en winkelwagen-tot-koopratio’s (waarvoor serverlog-verwijzingsgegevens gekoppeld moeten worden aan records van het ordermanagementsysteem). Deze zeven KPI’s - botcrawlfrequentie, ophaalfrequentie, verwijzingsverkeersfrequentie, conversieratio, winkelwagen-tot-koopratio, omzet uit AI en multimodale contentdekking - moeten worden opgebouwd uit serverlogboeken en transactiegegevens in plaats van kant-en-klare dashboards.
Hoe verschilt de AI-ophaalfrequentie van de AI-botcrawlfrequentie?
De AI-botcrawlfrequentie meet hoeveel van uw pagina’s AI-crawlers succesvol benaderen voor trainingsdata. Dit is de basisstatistiek voor of uw content in de kennis van een LLM terechtkomt. De AI-ophaalfrequentie meet hoe vaak AI-systemen uw content in real-time ophalen om antwoorden te genereren tijdens live gebruikersconversaties. De twee gebruiken verschillende user agent-handtekeningen in serverlogboeken: crawlverzoeken verzamelen trainingsdata, terwijl ophaalverzoeken content in actieve antwoorden opnemen. Een hoge crawlfrequentie met een lage ophaalfrequentie betekent dat uw content in de trainingsdata zit maar niet wordt geciteerd wanneer gebruikers relevante vragen stellen.
Hoe volgt u omzet uit AI-verwijzingsverkeer als er geen kant-en-klare tool bestaat?
U bouwt een aangepaste pijplijn die drie gegevensbronnen verbindt: serverlogboeken (om AI-verwezen sessies te identificeren via HTTP-verwijzingsheaders van platforms zoals chat.openai.com, perplexity.ai en gemini.google.com), uw ordermanagementsysteem (om die sessies te koppelen aan voltooide aankopen en hun geldwaarden), en verwijzingshandtekeningsegmentatie (om omzet toe te schrijven aan specifieke AI-platforms). Deze pijplijn vervangt de attributierol die tools zoals Google Analytics spelen voor betaalde en organische kanalen. De infrastructuur bestaat niet kant-en-klaar. Het vereist engineeringinspanning om loggegevens aan transactierecords te koppelen en sessiecontinuiteit door het afrekenproces te waarborgen.
Wat is de juiste volgorde voor het opbouwen van een AI-kanaalprestatierapport?
De zeven KPI’s vormen een funnel die in volgorde gemeten moet worden: infrastructuur (AI-botcrawlfrequentie), zichtbaarheid (AI-ophaalfrequentie), verkeer (AI-verwijzingsverkeersfrequentie), actie (AI-conversieratio en winkelwagen-tot-koopratio), omzet (omzet uit AI) en gereedheid (multimodale contentdekking). Deze volgorde is belangrijk omdat problemen bovenaan de funnel de statistieken verderop irrelevant maken. Als uw botcrawlfrequentie laag is, helpt het optimaliseren van de conversieratio niet. Begin met serverloganalyse voor botcrawlfrequenties en segmentatie van verwijzingsbronnen, en voeg vervolgens monitoring van ophaalfrequenties, conversiesegmentatie en omzetattributie toe naarmate uw meting rijpt.
Wat maakt AI-verwijzingsverkeer anders dan organisch zoekverkeer in serverlogboeken?
AI-verwijzingsverkeer komt van specifieke platformdomeinen zoals chat.openai.com, perplexity.ai en gemini.google.com en wordt geidentificeerd via HTTP-verwijzingsheaders in uw serverlogboeken, niet via traditionele zoekmachineverwijzingspatronen. In tegenstelling tot organisch zoekverkeer wordt AI-verwijzingsverkeer vaak verkeerd gecategoriseerd als “direct” of “overig” in standaard analytics, omdat AI-platforms niet altijd consistent verwijzingsgegevens doorgeven. De enige betrouwbare manier om AI-verwijzingsverkeer te segmenteren is via serverloganalyse van verwijzingsheaders, daarom kan deze statistiek niet nauwkeurig worden gemeten met alleen gedragsanalysetools.
Waarom is multimodale contentdekking belangrijk voor AI-zichtbaarheid?
AI-platforms geven steeds meer de voorkeur aan contentrijke productpagina’s bij het genereren van aanbevelingen. Producten met alleen basistekstbeschrijvingen verliezen het van concurrenten die videodemonstraties, meerdere beeldhoeken, vergelijkingstabellen en gestructureerde specificaties hebben. Multimodale contentdekking meet het percentage van uw productcatalogus dat uitgebreide content heeft - video, afbeeldingen en tekst - geoptimaliseerd voor AI-consumptie. Dit is zowel een technische als een contentstrategiestatistiek. Het vereist coordinatie tussen technische teams (voor gestructureerde data en rendering) en contentteams (voor productie en prioritering), waarbij prioriteit wordt gegeven aan de best verkopende en hoogste-marge SKU’s.