AI maakt onderzoek sneller en betaalbaar voor wie het slim aanpakt, maar de tools die het meeste tijdwinst beloven hebben soms de grootste blinde vlekken. Dat is de eerlijke samenvatting van wat de cijfers laten zien.
We behandelen drie typen onderzoek waarbij AI steeds vaker wordt ingezet: literatuuronderzoek, marktonderzoek en concurrentieanalyse. Per type kijken we wat werkt, wat niet werkt en wat dat voor je betekent als ondernemer of marketeer in Nederland.
- 65% van academische wetenschappers gebruikt AI bij hun onderzoek (nationaal VS-onderzoek, arXiv 2025)
- AI-tool Elicit mist gemiddeld 60% van de relevante papers bij literatuuronderzoek (gevoeligheid: 39,5% vs. 94,5% traditioneel)
- 1 op de 277 wetenschappelijke papers bevatte begin 2026 nep-bronnen van AI, tien keer zo vaak als in 2023
- 33% van Nederlandse bedrijven met 10+ werknemers gebruikt AI, maar 74,6% van de niet-gebruikers stopte door gebrek aan ervaring (CBS 2025)
- Slechts 7% van de 500 populairste NL-sites heeft een llms.txt, waardoor ze nauwelijks leesbaar zijn voor AI (Writgo-onderzoek, juni 2026)
Bekijk de korte uitleg
Drie manieren waarop ondernemers AI voor onderzoek gebruiken
Het gebruik van AI voor onderzoek valt grofweg in drie categorieën uiteen: literatuur- en bronnenonderzoek (rapporten, artikelen, publicaties doorzoeken), markt- en klantonderzoek (enquêteanalyse, sentimentmeting, trendherkenning) en concurrentie- of productonderzoek (benchmarking, positionering, prijsvergelijking).
De adoptie gaat hard. Wereldwijd zegt 65% van de academische wetenschappers AI te gebruiken bij hun onderzoek, blijkt uit een nationaal representatief onderzoek gepubliceerd op arXiv in 2025. In Nederland gebruikte datzelfde jaar 33% van de bedrijven met meer dan tien werknemers minstens één AI-technologie, aldus het CBS. Ter vergelijking: het EU-gemiddelde lag op 13,5%.
Maar groeicijfers zeggen niets over effectiviteit. Het CBS registreerde dat 74,6% van de bedrijven die AI wél overwogen maar uiteindelijk niet gebruikten, dat naliet vanwege gebrek aan ervaring. De drempel is niet technisch, het is kennis: weten welke tool je voor welke taak inzet. Dat is precies het gat dat dit stuk wil dichten.
Literatuuronderzoek met AI: de 80%-belofte en het gat erin
Elicit, een van de populairste AI-tools voor literatuuronderzoek, claimt dat je tot 80% van de tijd kunt besparen die een systematisch literatuuronderzoek normaal kost. De tool heeft toegang tot meer dan 125 miljoen wetenschappelijke papers. Dat klinkt aantrekkelijk.
Maar een peer-reviewed studie uit 2025, gepubliceerd in Cochrane Evidence Synthesis and Methods, zette Elicit tegenover de traditionele zoekmethode in vier systematische reviews. De uitkomst: de gevoeligheid van Elicit lag gemiddeld op 39,5% tegenover 94,5% voor de traditionele aanpak. Concreet: Elicit miste ruwweg 60% van de relevante literatuur.
Dat is geen reden om het links te laten liggen. Het is wél een reden om het niet als enige methode te gebruiken. Consensus, een andere tool die 200 miljoen-plus peer-reviewed papers doorzoekt, toont via een visuele 'consensus meter' het gewicht van het wetenschappelijke bewijs bij een vraag. Handig voor snelle ja/nee-vragen. Semantic Scholar is gratis, heeft meer dan 200 miljoen papers geïndexeerd en visualiseert citatienetwerken.
Gebruik Elicit of Consensus als eerste filter om de scope van een onderzoeksonderwerp snel in kaart te brengen, maar laat een traditionele zoekopdracht de blinde vlekken invullen. Controleer minimaal de tien meest relevante bronnen handmatig voordat je conclusies trekt.
Nep-bronnen die er echt uitzien: het probleem dat tien keer zo groot werd
Dit is de valkuil die de meeste mensen onderschatten. AI-tools kunnen bronnen genereren die er volledig legitiem uitzien, compleet met auteursnamen, tijdschrifttitels en DOIs, maar die simpelweg niet bestaan. Dat worden 'gehallucineede citaten' of 'nep-bronnen' genoemd.
In 2023 bevatte 1 op de 2.828 wetenschappelijke papers minstens één gefabriceerde verwijzing. In de eerste zeven weken van 2026 was dat al 1 op de 277, blijkt uit een Lancet-studie gerapporteerd door StatNews in mei 2026. Een vertienvoudiging in minder dan drie jaar.
In absolute aantallen: in 2025 alleen werden 146.900 gehallucineede citaten aangetroffen in papers op arXiv, bioRxiv, SSRN en PubMed Central. Nog opmerkelijker: 66% van die nep-citaten zijn totaalfabricaties, geen verwringing van een bestaande bron maar volledig verzonnen papier, tijdschrift én DOI. Bij NeurIPS 2025, één van de meest prestigieuze AI-conferenties wereldwijd, werden 100 bevestigde nep-citaten gevonden in 51 geaccepteerde papers, ondanks peer review door ten minste drie beoordelaars. Papers van Google, Harvard, Meta en Cambridge zaten ertussen.
Voor ondernemers die AI inzetten voor marktcijfers, onderzoeksresultaten of concurrentiedata: dit risico geldt ook buiten de academische wereld. Elke AI-tool die bronnen noemt, kan bronnen verzinnen.
- Vraag altijd om de oorspronkelijke URL of DOI van iedere bron die een AI noemt.
- Open de bron zelf en controleer of de inhoud klopt met de samenvatting die de AI geeft.
- Zoek de exacte papertitel op in Google Scholar of Semantic Scholar om te bevestigen dat hij bestaat.
- Vertrouw nooit een getal uit AI-output zonder het te herleiden naar een primaire bron.
Marktonderzoek voor ondernemers: waar AI zijn gewicht verdient
Voor praktisch marktonderzoek is AI het krachtigst bij taken die normaal veel tijd kosten maar weinig nuance vragen: het samenvatten van honderden enquêteantwoorden, het analyseren van klantreviews op Google of Trustpilot, of het doorkammen van brancherapporten naar patronen en uitschieters.
Uit het Empowering Small Business Report van de US Chamber of Commerce (2025) bleek dat 58% van de kleine ondernemers die AI gebruiken meer dan 20 uur per maand besparen op repetitief werk. Een deel van die tijdwinst zit in onderzoekstaken. Toch schatten mensen hun winst structureel te hoog in: een METR-onderzoek mat een nauwelijks meetbare productiviteitstoename bij ervaren ontwikkelaars, terwijl deelnemers zelf dachten dat ze gemiddeld 20% sneller waren geworden.
Concrete toepassingen die betrouwbaar werken:
- Enquêteanalyse: honderden open antwoorden uploaden in Claude en vragen om patronen, sentimentverdeling en uitschieters.
- Concurrentieonderzoek: Perplexity haalt real-time webdata op en kan positionering van concurrenten samenvatten op basis van hun actuele websites.
- Eigen documenten doorzoeken: NotebookLM accepteert eigen PDF-rapporten, presentaties en notities en maakt ze gericht doorzoekbaar via vragen. Omdat NotebookLM alleen antwoordt vanuit de bronnen die jij uploadt, is het risico op hallucineede feiten veel kleiner dan bij open modellen.
Opgelet: AI-tools geven soms antwoorden die kloppen maar verouderd zijn. Perplexity haalt real-time data op; Claude en andere modellen zonder zoekmachine hebben een kennisafsluiting. Check altijd welke datum de bronnen hebben die de tool gebruikt.
De paradox: je denkt dat je 20% sneller bent maar dat klopt niet altijd
De METR-studie is een van de meest verrassende bevindingen uit recent onderzoek naar AI-productiviteit. Ervaren open-source-ontwikkelaars schatten na afloop dat ze gemiddeld 20% sneller waren geworden door AI. De metingen lieten iets heel anders zien. De onderzoekers spraken van een opmerkelijke discrepantie tussen perceptie en werkelijkheid.
Breder onderzoek bevestigt het patroon. Duizenden CEO's gaven in een groot Amerikaans onderzoek aan dat AI geen aantoonbare impact had op productiviteit of werkgelegenheid. Fortune noemde dat in februari 2026 een herleving van de 'productiviteitsparadox', benoemd door econoom Robert Solow in 1987 over computers: de technologie is overal in gebruik maar nauwelijks zichtbaar in de harde cijfers.
Voor onderzoekstaken specifiek: AI versnelt de eerste oriëntatiefase enorm. Maar het verifiëren van elke bron die AI aanlevert kost ook tijd. Wie AI-output klakkeloos overneemt werkt snel, maar neemt risico. Wie alles grondig controleert werkt soms langzamer dan zonder AI.
Het meest betrouwbare gebruik van AI in onderzoek is niet het genereren van antwoorden, maar het aanscherpen van de juiste vragen. AI als sparringpartner om hypotheses te toetsen, blinde vlekken te vinden en de scope van een onderwerp snel te verkennen, dát werkt structureel.
Welke tool voor welk type onderzoek
Er is geen één-tool-past-alles-oplossing. De meest efficiënte aanpak combineert twee of drie tools afhankelijk van het doel. Recente benchmarks geven de volgende nauwkeurigheidsindicaties bij feitenclaims:
| Tool | Beste voor | Nauwkeurigheid | Prijs |
|---|---|---|---|
| Elicit | Eerste literatuurscan | 75-85% | Gratis / ~€10/mnd |
| Consensus | Snelle evidencevragen | 80-85% | Gratis / ~€10/mnd |
| Semantic Scholar | Papers en citatienetwerken ontdekken | Hoog (gefilterd) | Gratis |
| Perplexity | Breed webonderzoek real-time | 85-90% | Gratis / $20/mnd |
| NotebookLM | Eigen documenten analyseren | Hoog (eigen bronnen) | Gratis |
| Claude | Redeneren, analyseren, schrijven | Hoog | Gratis / €18/mnd |
Let op de nauwkeurigheidsscores: die zeggen iets over het percentage claims dat verificatie vereist, niet over de totale kwaliteit van de tool. Elicit is minder nauwkeurig bij losse feitenclaims, maar heeft specifieke kracht bij het scannen van grote hoeveelheden literatuur. Perplexity is breder maar minder diep in peer-reviewed wetenschappelijke literatuur. NotebookLM hallucineert nauwelijks, maar weet alleen wat jij hem aanlevert.
De blinde vlek die bijna niemand ziet: ben jij vindbaar als iemand via AI naar je zoekt?
Als je AI inzet om concurrenten, producten of diensten te onderzoeken, is er een vraag die de meeste ondernemers zichzelf niet stellen: als potentiële klanten via AI naar jóú zoeken, vinden ze je dan ook?
Het spiegeleffect van 'AI gebruiken voor onderzoek' is dat AI ook over jou wordt geraadpleegd. En dan telt een andere maatstaf: niet of je website er mooi uitziet, maar of AI-systemen jouw content kunnen lezen, begrijpen en citeren.
Slechts 7% van de populairste Nederlandse sites heeft een llms.txt-bestand, blijkt uit ons eigen Writgo-onderzoek onder de 500 populairste .nl-domeinen (peildatum 10 juni 2026). Een llms.txt is een tekstbestand waarmee je AI-systemen instrueert hoe ze jouw website moeten lezen en welke content prioriteit heeft. Vrijwel niemand is er bewust mee bezig.
Als een potentiële klant een AI-assistent vraagt 'welk marketingbureau in Utrecht werkt goed?' of 'wat kost een goede boekhouder in Rotterdam?', haalt de AI bronnen op die vindbaar en leesbaar zijn voor haar crawlers. Bedrijven zonder die optimalisatie worden vaker overgeslagen, niet omdat ze slecht zijn maar omdat AI hen niet goed kan lezen. Meer over hoe je dit aanpakt lees je op onze pagina over AI-vindbaarheid. Wil je weten of jij al geciteerd wordt door AI bij vragen in jouw branche? Doe dan de gratis AI-citatie-check.
Onze kijk
Wij zien bij klanten én in de data een terugkerend patroon: de meeste bedrijven hebben geen contentprobleem maar een citeerbaarheids-probleem. Ze hebben informatie genoeg, maar die informatie is zo opgebouwd dat AI er niets mee kan. Dunne pagina's zonder echte cijfers, geen FAQ-structuur, geen llms.txt. En dus worden ze overgeslagen op het moment dat iemand via AI naar hen zoekt.
Als je AI gebruikt voor onderzoek, is het logisch dat je beseft dat anderen hetzelfde doen. En als ze onderzoek doen naar jou of je markt, wil je erin staan. Dat vraagt andere keuzes: minder dunne blogjes, meer pagina's met geverifieerde data en duidelijke antwoorden. Liever één sterke pagina die AI kan citeren dan tien die het niet kunnen.
Tools zijn inwisselbaar. Elicit bestaat morgen misschien niet meer of wordt vervangen door iets beters. Maar de methode, begrijpen waarom AI iets al dan niet citeert en snappen wanneer AI bronnen verzint, blijft hetzelfde. Wie dat begrijpt, kan ook beoordelen wanneer AI-onderzoek betrouwbaar is en wanneer niet.
Wij testen alles wat we aanbevelen op onze eigen sites. Theorie zonder eigen meting telt voor ons niet. Wie zijn strategie bouwt op één chatbot of één onderzoekstool, bouwt op zand. Google AI Overviews en andere AI-assistenten zijn de kapstok voor AI-vindbaarheid; ChatGPT is hooguit een voorbeeld in een rijtje.
Bronnen
- Survey of generative AI adoption among scientists who program (arXiv, 2025)
- StatNews: Fraudulent citations blamed on AI hallucinations are becoming more common (2026)
- Phys.org: AI-generated fake citations are flooding scientific literature (2026)
- Compound Deception in Elite Peer Review: 100 Fabricated Citations at NeurIPS 2025 (arXiv)
- AI for Academics: Elicit AI Research Assistant
- CBS: Bedrijven die AI gebruiken zijn vaak groter (2025)
- CBS: Gebruik van AI-technologie door Nederlandse microbedrijven (2026)
- METR: Measuring the Impact of Early-2025 AI on Experienced Developer Productivity
- Fortune: Thousands of CEOs admit AI had no impact on productivity (2026)
- AI Productivity: Best AI Research Tools 2026, Perplexity vs Consensus
Kan AI mijn volledige literatuuronderzoek doen?
Nee. Tools zoals Elicit missen gemiddeld 60% van de relevante papers bij systematische reviews (gemeten gevoeligheid: 39,5% versus 94,5% voor de traditionele methode). Gebruik AI als eerste filter om snel een overzicht te krijgen, maar combineer het altijd met een traditionele zoekopdracht voor volledigheid.
Hoe controleer ik of een bron die AI noemt echt bestaat?
Zoek de exacte papertitel op in Google Scholar of Semantic Scholar. Als hij niet verschijnt, bestaat hij waarschijnlijk niet. Controleer ook of de DOI werkt via doi.org. In 2025 werden 146.900 volledig verzonnen citaten aangetroffen in vier grote wetenschappelijke repositories. Zelfs bij NeurIPS 2025 slaagden 100 nep-citaten er in door de peer review heen te komen.
Welke AI-tool is het beste voor marktonderzoek als ondernemer?
Dat hangt af van het doel. Perplexity haalt real-time webdata op en is goed voor brede concurrentie- en trendscans (85-90% nauwkeurigheid bij claims). Voor het analyseren van eigen klantdata, enquêtes of interne documenten werkt Claude of NotebookLM beter. Combineer bij voorkeur twee tools en verifieer altijd de brondata.
Is AI-onderzoek betrouwbaarder dan zelf zoeken?
Niet per definitie. AI hallucineert bronnen, heeft een kennisafsluiting en mist context. Het is sneller, maar vereist juist méér verificatie, niet minder. Het meest betrouwbare gebruik is AI als sparringpartner bij het aanscherpen van vragen en het snel verkennen van de scope van een onderwerp.
Wat is een llms.txt en waarom is het relevant?
Een llms.txt is een tekstbestand op je website dat AI-systemen instrueert hoe ze jouw content moeten lezen en welke pagina's prioriteit hebben. Slechts 7% van de populairste Nederlandse sites heeft er een (Writgo-onderzoek, juni 2026). Zonder dit bestand loop je kans dat AI-assistenten jou overslaan wanneer klanten via AI zoeken naar producten of diensten in jouw branche.
Hoe weet ik of mijn bedrijf al wordt geciteerd in AI-antwoorden?
Dat weet je pas als je het test. Stel de vragen die jouw klanten stellen aan een AI-assistent en kijk of jouw bedrijf of merk wordt genoemd. Je kunt dit ook gestructureerd doen via de gratis AI-citatie-check van Writgo.
Begin bij wat je kunt meten
Of je nu AI inzet voor literatuuronderzoek, klantanalyse of concurrentieonderzoek: ankerpunt je werkproces in bronverificatie. En draai de vraag ook om: worden jij en je bedrijf zelf geciteerd als klanten via AI naar jouw branche zoeken? Bekijk de toolkit voor de methoden die wij zelf gebruiken op meer dan 15 eigen sites, en doe de gratis AI-citatie-check om je startpositie te kennen.
