AI implementatie marketing

AI in een marketingbureau is sinds de Google-update van januari 2026 een rankingvraagstuk geworden in plaats van een productiviteitsvraagstuk. In mijn werk als SEO-specialist met AI-content zag ik na die update in Search Console een duidelijk patroon bij klantsites en bij benchmarksites die ik volg: generieke stukken zonder eigen perspectief zakten weg, terwijl content met een herkenbare auteur, concrete voorbeelden en eigen data stabiel bleef of groeide.

Voor een bureau raakt dat de kern van de dienst. Het onderscheid dat Google in zijn eigen communicatie maakt tussen commodity en non-commodity content, is precies het onderscheid tussen content die door tientallen sites inwisselbaar wordt gepubliceerd en content die niemand anders kan schrijven. Een bureau dat AI inzet zonder afspraak over wat de mens er nog aan toevoegt, levert per definitie het eerste type.

Intern ziet dat er in de meeste bureaus hetzelfde uit. Iedereen gebruikt AI, iedereen anders, en niemand weet welke klantdata in welke tool is beland. De ene medewerker levert bruikbare eerste versies af, de ander een tekst met een verzonnen cijfer erin, en de controle daarop hangt af van wie er die dag toevallig meeleest.

Daar komt commerciële druk bij. Volgens CBS-cijfers over de reclamebranche lag de omzet in 2025 0,2 procent lager dan in 2024, na jaren van groei, en bureaus zoeken efficiencywinst om marges te beschermen. Een controleerbare werkwijze voor AI voor SEO is daarom geen rem op die efficiencywinst maar de voorwaarde ervoor, omdat dit traject vastlegt wie de output aftekent voordat die naar de klant gaat.

Het verschil met de twee alternatieven die een bureau vaak naast elkaar legt, zit in wat je overhoudt. Een extra medewerker aannemen levert één paar handen erbij op, een doorlopende retainer bij een externe partij levert uitvoering zolang je betaalt. Dit traject is eenmalig, en de prompt-bibliotheek, de AI-richtlijn en het governance-document zijn na afronding eigendom van het bureau, zonder licentie en zonder opzegtermijn.

Routinewerk dat AI mag versnellen

Routinewerk dat AI mag versnellen bestaat uit de tekstuele en voorbereidende stappen waar het resultaat naderhand toch volledig wordt nagelezen. Eerste versies van blogsecties, meta-titels en meta-descriptions, herschrijvingen op structuur, samenvattingen van een klantinterview en varianten op een social post vallen hieronder.

Deze taken hebben een lage drempel omdat de fout die AI hier maakt een stijlfout is, geen feitelijke fout. Een prompt uit de bibliotheek levert de eerste versie, de redacteur maakt er het werk van dat onder de naam van het bureau de deur uit kan.

Ondersteunend werk met een controlepunt erop

Ondersteunend werk met een controlepunt erop omvat de taken waar AI patronen ordent en de marketeer de uitkomst toetst. Zoekwoorden clusteren op intentie, concurrentie-informatie samenvatten, een contentbriefing opstellen uit een klantintake en rapportagetekst structureren horen in deze categorie.

Hier zit het risico in de tussenstap. Een cluster dat er logisch uitziet kan een zoekintentie verkeerd inschatten, en dat werkt door in de hele planning eronder. Het controlepunt is daarom niet de eindredactie maar een tussentijdse check op de aanname, voordat er zestig uur productie op gebouwd wordt.

Wat de marketeer zelf blijft doen

Wat de marketeer zelf blijft doen bij AI in marketingwerk zijn drie dingen: het oordeel of iets bij het merk van de klant past, de strategische keuze welke onderwerpen het bureau überhaupt pakt, en de feitencheck op cijfers, bronnen en namen. De filosofie achter verantwoord AI gebruik gaat over dat principe in het algemeen, terwijl dit traject de grens per taaktype vastlegt en er een naam bij zet die aftekent.

Die feitencheck is het punt waar ik zelf scherper in kan worden, en ik zie dat veel professionals tegen dezelfde valkuil aanlopen. Het besef dat een model overtuigend kan klinken zonder feitelijk te kloppen is er wel, maar de bijbehorende stap in de werkwijze wordt vaak overgeslagen omdat de tekst er goed uitziet. Precies daarom staat die stap in de richtlijn en niet in iemands hoofd.

Content-briefing uit een klantintake

De content-briefing uit een klantintake begint bij de ruwe input: gespreksnotities, het aanbod van de klant, de doelgroep en de bestaande pagina's. De prompt zet dat om in een briefing met een primaire zoekvraag, een headingvoorstel en een afbakening van wat er niet in het stuk hoort.

Het controlepunt zit op de zoekvraag. De losse toepassingen van AI voor marketing staan elders uitgelegd, maar in dit traject krijgt elke toepassing een aftekenmoment: iemand met toegang tot echte keyworddata bevestigt dat de zoekvraag bestaat voordat de briefing naar de schrijver gaat.

Sectie-rewrite van een bestaande pagina

De sectie-rewrite van een bestaande pagina is de taak waar het rendement per prompt het hoogst is. De prompt krijgt de huidige sectie, de positie in de zoekresultaten, het doelzoekwoord en de tone of voice van de klant, en levert een herschreven versie die de bestaande structuur respecteert.

Belangrijk is wat de prompt niet mag doen: nieuwe feitelijke beweringen toevoegen die niet in het origineel stonden. De prompt bevat die instructie zelf, en de reviewer controleert er expliciet op.

Social post in de huisstijl van de klant

De social post in de huisstijl van de klant vraagt om context die per klant vastligt: toon, verboden woorden, doelgroep en het type bewijs dat het merk gebruikt. Zonder die context levert een model output die generiek klinkt, en dat is de reden dat de meeste bureaus na twee pogingen stoppen met AI voor social.

In de prompt-bibliotheek staat die context per klant vast in plaats van in het hoofd van de medewerker die de post normaal schrijft. Daarmee wordt de output reproduceerbaar, ook als er iemand anders op de stoel zit.

Zoekwoordenonderzoek clusteren en prioriteren

Zoekwoordenonderzoek clusteren en prioriteren is de taak met de scherpste valkuil, en dat is dezelfde valkuil als in de hero van deze pagina. Een terugkerend patroon dat ik in de periode dat ik ChatGPT intensief gebruikte tegenkwam: bij het invoeren van een zoekwoord plaatst het model er ongevraagd een zoekvolume bij, terwijl er geen koppeling met Ahrefs of een andere keyword tool bestaat en dat cijfer dus onmogelijk gekend kan worden.

Zo'n hallucinatie is gevaarlijk in plaats van hinderlijk, want de cijfers klinken plausibel voor wie zelf geen toegang tot keyworddata heeft. De prompt in de bibliotheek werkt daarom uitsluitend op een geëxporteerd bestand met echte data, en het onderzoek clustert wat er in dat bestand staat zonder er getallen bij te verzinnen.

Welke AI-tool klantdata van een bureau mag zien, hangt af van het abonnement en van de afspraak met die klant, niet van het merk op de tool. Een bureau werkt met gegevens van derden, en dat maakt de vraag scherper dan bij een organisatie die alleen haar eigen data invoert. Ongecontroleerd toolgebruik in een team is een vorm van shadow AI, en dit traject vervangt dat door een goedgekeurde toolset met een expliciete datagrens erin.

Mag klantdata in ChatGPT?

Klantdata mag in ChatGPT wanneer het bureau een zakelijk plan gebruikt en de klant daarmee heeft ingestemd, en niet wanneer iemand een persoonlijk account gebruikt. Volgens de eigen documentatie van OpenAI worden gegevens uit de zakelijke ChatGPT-plannen en uit de API standaard niet gebruikt om modellen te trainen, tenzij een klant daar expliciet voor kiest.

Dat onderscheid is het hele verhaal. Dezelfde prompt in een persoonlijk account en in een zakelijk account leidt tot een andere juridische situatie, en de meeste medewerkers weten niet in welke van de twee ze zitten. De AI-richtlijn uit dit traject legt per tool vast welk accounttype is toegestaan.

Accounttype en verwerkersovereenkomst per tool

Het accounttype bepaalt of er een verwerkersovereenkomst mogelijk is. OpenAI sluit een Data Processing Addendum voor de zakelijke ChatGPT-plannen en voor de API; de persoonlijke abonnementen komen daar niet voor in aanmerking. Zonder zo'n overeenkomst kun je richting een klant die om een verwerkersregister vraagt niet onderbouwen wie de gegevens verwerkt.

Let ook op de bewaartermijn, want die staat los van de trainingsvraag. Op de zakelijke plannen en de API worden invoer en uitvoer standaard nog een periode bewaard voor misbruikdetectie, en volledige zero retention is een aanvraag met goedkeuring, geen standaardinstelling.

Waar de data van een AI-tool staat

Waar de data van een AI-tool staat, is een eigenschap van het plan en niet van het model. OpenAI biedt dataresidentie in Europa aan voor de Enterprise- en Edu-omgevingen; het standaard zakelijke plan heeft die optie niet. Verifieer dat dus per aanbieder en per abonnement voordat je het aan een klant toezegt.

Eerlijk afbakenen hoort hierbij. De nulmeting brengt per tool in kaart wat op dit moment is toegestaan met welk accounttype, en de verwerkersovereenkomsten en de AVG-laag zelf horen bij het vervolgtraject, niet bij die eerste scan.

Klanten van marketingbureaus stellen inmiddels vragen over AI-inzet, en een bureau met een vastgelegde werkwijze kan die vraag beantwoorden in plaats van omzeilen. Drie vragen komen daarbij het vaakst terug, en elk van de drie heeft een deliverable uit dit traject als antwoord.

De eerste vraag gaat over data: welke tools raken onze gegevens en onder welke voorwaarden. Het antwoord is de goedgekeurde toolset met de datagrens uit de AI-richtlijn, inclusief het accounttype per tool.

De tweede vraag gaat over controle: wie kijkt ernaar voordat het gepubliceerd wordt. Het antwoord is de lijst controlepunten per taaktype, met een rol erbij in plaats van een naam, zodat de afspraak blijft staan als er iemand weggaat.

De derde vraag gaat over kwaliteit: hoe weten we dat onze content niet generiek wordt. Het antwoord is de prompt-bibliotheek waarin de merkcontext per klant is vastgelegd, plus de instructie die het model verbiedt om feitelijke beweringen toe te voegen die niet in de bron stonden.

Een bureau dat dit op papier heeft, kan het onderdeel over AI in een pitch beantwoorden met een document in plaats van met een intentie. Een tweede vraagstuk is of het hele team die werkwijze daarna uniform toepast, en AI adoptie gaat precies over het meetbaar maken van die toepassing, waar dit traject de werkwijze zelf bouwt. Sectorbreed staat AI hoog op de agenda van brancheorganisatie DDMA, wat de kans vergroot dat de vraag uit de klantkant komt voordat je hem zelf hebt geregeld.

Governance voor een bureau bestaat in dit traject uit drie documenten, en samen vormen ze het dossier dat je intern gebruikt en extern kunt tonen. De prompt-bibliotheek, de AI-richtlijn en het governance-document hebben elk een andere lezer.

De prompt-bibliotheek is voor de uitvoerders. Per taak staat er een prompt in met de context die het model nodig heeft, wat het niet mag doen, en welke controle erop volgt. De bibliotheek is het document dat dagelijks open staat.

De AI-richtlijn is voor het hele bureau. Daarin staat welke tools zijn goedgekeurd met welk accounttype, welke klantdata er niet in mag, welke output langs een tweede paar ogen moet, en wie waarvoor aftekent. Het four-eyes principe uit mijn jaren bij de grootbanken zit hier in vertaalde vorm in, op de schaal van een bureau in plaats van een compliance-afdeling.

Het governance-document is voor verantwoording, richting een klant of een opdrachtgever die ernaar vraagt. Dit document zit in de pakketten Groei en Schaal, niet in Start. Wat de wet van een organisatie vraagt op dit vlak staat uitgewerkt bij AI Act compliance, en de AI-richtlijn plus de certificaten per medewerker zijn de concrete documenten waarmee een bureau die AI-geletterdheidsverplichting uit artikel 4 van de EU AI Act afdekt.

Voor marketing bestaat er geen toezichthouder die hierop controleert, en dat is het eerlijke verschil met accountancy of notariaat. De druk komt hier van klanten en van Google, niet van een branchetoezichthouder met een deadline. De documenten worden daar niet minder nuttig van, alleen de reden erachter is anders.

Stoppen na de intake is mogelijk zonder vervolgkosten, en dan worden alleen de tot dan toe geleverde uren gefactureerd. Die voorwaarde staat in de overeenkomst, en dat is bewust: bij een investering van deze grootte hoort de vraag wat er gebeurt als het niet blijkt te passen.

Er zijn drie situaties waarin dit traject niet de juiste keuze is. Een bureau dat de uitvoering wil uitbesteden, is beter geholpen bij een partij die het werk overneemt, want hier bouwt het eigen team de werkwijze. Een bureau boven de vijftig medewerkers valt buiten het huidige pakketaanbod. En een bureau dat een eenmalige inspiratiesessie zoekt, heeft aan een workshop meer dan aan een traject met deliverables.

Na afloop zit er geen tweede beslismoment omdat er geen doorlopende verplichting is. Ik voer drie tot vier trajecten per kwartaal persoonlijk uit, zonder juniors of onderaannemers, en die capaciteit bepaalt wanneer een traject kan starten.

De AI-nulmeting is de betaalde eerste stap voor een bureau dat nog niet aan een volledig traject toe is. Voor €750 inclusief btw breng ik in kaart hoe AI nu in jouw bureau wordt gebruikt, en dat bedrag wordt verrekend met de trajectprijs bij doorgang binnen zes weken.

Wat de nulmeting oplevert, is een risicobeeld in drie niveaus, laag, midden en hoog, afgezet tegen de eigen kwaliteitsrisico's, de vertrouwelijkheid richting klanten en de AVG. Daarnaast staat er per tool in welk gebruik is toegestaan met welk accounttype. De AI-nulmeting voor marketingbureaus werkt met een sectorspecifieke vragenlijst die na aankoop automatisch per e-mail wordt verstuurd.

Wat de nulmeting niet oplevert, hoort er ook bij. Verwerkersovereenkomsten opstellen en de AVG-laag inrichten zijn onderdeel van het vervolgtraject, en de scan zelf blijft een risicobeeld met een advies eronder.

De specialist achter LearnLLM is Dennis van de Velde, SEO-specialist bij Space'M Online en dagelijks professioneel AI-gebruiker. Op deze sectorpagina valt dat samen: het werk dat een marketingbureau uitbesteedt, is het werk dat ik zelf elke dag doe.

Claude is daarbij mijn primaire tool, via de interface en via de API in Python op een eigen server. Daarmee bouw ik content-pipelines, analysetools op Search Console-data en content-audits, en ik ken de valkuilen van AI-content in zoekmachines uit eerste hand, inclusief de gevolgen van de algoritme-update van januari 2026.

Daarvoor werkte ik bij Rabobank, ABN Amro en Van Lanschot. Uit die periode komt het denken in controlepunten en risicoclassificatie dat de AI-richtlijn zijn vorm geeft: niet elke taak heeft hetzelfde risicoprofiel, en de controle-intensiteit beweegt daarmee mee.

Elk traject voer ik persoonlijk uit, maximaal drie tot vier per kwartaal, zonder juniors of onderaannemers.