Een onderzoek van geoSurge Research Lab toont aan dat Gemini 3.5 Flash bij het uitvoeren van een zoekopdracht een sterke voorkeur geeft aan merken uit de top 10 van het eigen geheugen. Binnen een dataset van 13281 geobserveerde zoekopdrachten bleek dat 31% van de zoekopdrachten merkspecifiek was ingestoken. Van die merkgeleide opdrachten verwees 63% rechtstreeks naar merknamen uit de top 5 van het parametrische geheugen.
In de praktijk werkt het zoekproces via een mechanisme dat de query fan-out phase heet. Bij een vraag genereert het model meerdere sub-zoekopdrachten. In plaats van neutrale categoriebegrippen te gebruiken, stuurt het interne geheugen uit de pre-training de formulering van de zoekopdracht. Merken die zich in de top 10 van het parametrische geheugen bevinden, hebben een kans van 55,7% om te worden opgenomen in een zoekopdracht, tegenover 17,4% voor merken die niet in het geheugen zitten. Voor de top 5 stijgt deze kans naar 67,0%. Dat betekent dat de aanhouder niet vanzelf wint als het algoritme de kaarten al heeft geschud.
Marktverhoudingen en algoritmes
Deze technische opbouw zorgt voor een economisch effect waarbij bekende spelers de meeste live zoekaandacht krijgen. Nieuwe marktpartijen of startups die na de trainingsdatum van een model zijn ontstaan, staan direct achter. In sectoren zoals B2B-software (Software as a Service) behalen onbekende merken een zichtbaarheid van 9% tot 23% in zoekresultaten. Gevestigde namen behalen in diezelfde sectoren een score van 41% tot 82%. Het model fungeert als een filter dat de bestaande verhoudingen in de markt in stand houdt.
Deze dynamiek raakt aan Europese wetgeving zoals de Digital Markets Act (DMA) en de Europese AI Act. Wanneer grote bedrijven taalmodellen inzetten als zoekinterface, ontstaat het risico van algoritmische zelffavoritisering. Het roept juridische vragen op over de neutraliteit van zoekalgoritmes en de vraag of de geheugenstructuur van een model de mededinging verstoort.
Herschikking van zoekmachinemarketing
Voor experts in zoekmachineoptimalisatie verandert de manier van werken. Het toepassen van Generative Engine Optimization (het optimaliseren van webpagina’s voor crawlers van zoekmachines) lost het probleem niet volledig op. Als een merk ontbreekt in de trainingsdata van het taalmodel, wordt het in 50% van de gevallen niet meegekomen in de zoekvraag. Het opbouwen van brede aanwezigheid op gezaghebbende platforms en in vakpublicaties is noodzakelijk om door te dringen tot toekomstige trainingssets.
Bron
geosurge.ai