Marktonderzoek met AI en ChatGPT: waar het helpt en waar het ophoudt

Hoe ver zijn Nederlandse bedrijven met AI?

Nederland loopt in Europa voorop. Van de ondernemingen met minimaal tien werkzame personen zette een derde (33,2%) in 2025 ten minste één vorm van AI in, aldus Eurostat. Het EU-gemiddelde lag op 19,9%, Bulgarije kwam uit op 8,6%.

De versnelling is recent. In 2021 en 2023 bleef het Nederlandse aandeel nog steken rond 13 à 14%, daarna kwam de sprong:

Eurostat telt elke AI-technologie mee, van tekstgeneratie en spraakherkenning tot machine learning voor data-analyse. Het cijfer zegt dus niet hoeveel bedrijven AI specifiek voor marketing of onderzoek gebruiken. Wel laat het zien dat je opdrachtgevers, collega's en concurrenten er inmiddels mee werken. Meer cijfers over digitalisering van bedrijven, zoals sociale media en online adverteren, vind je bij de bedrijfsdata.

Welke onderzoekstaken kun je aan AI overlaten?

Taalmodellen zijn sterk in taken met veel tekst, een duidelijke opdracht en een uitkomst die je kunt nalopen. Per fase van een onderzoek ziet dat er zo uit:

Het coderen van open antwoorden is waarschijnlijk de grootste tijdwinst. Wat vroeger dagen handwerk was, levert een model in korte tijd als eerste indeling op. Een onderzoeker keurt daarna het codeboek goed en controleert steekproefsgewijs of de toewijzing klopt.

Bij de vragenlijst helpt AI vooral als sparringpartner. Laat het model je concept kritisch nalopen op sturende formuleringen, en vergelijk het resultaat met de voorbeeldvragen voor een enquête. Een ervaren onderzoeker of een pilot met echte respondenten blijft de laatste toets.

Waarom een taalmodel geen marktonderzoek is

Een taalmodel voorspelt welke tekst het meest waarschijnlijk volgt op jouw vraag. Het observeert de markt niet. Daar komen vier praktische problemen uit voort:

• Geen steekproef, dus geen foutmarge. Vraag je hoeveel procent van de Nederlanders een maaltijdbox zou proberen, dan krijg je een getal. Maar dat getal komt niet uit een meting, en je kunt niet bepalen hoe ver het ernaast zit.
• Verzonnen bronnen. Modellen noemen soms bestaande instituten met niet-bestaande tabellen, of rapporten die nooit zijn verschenen.
• Verouderde kennis. Wat na de trainingsdatum gebeurde, zoals een nieuwe concurrent of een prijsverhoging van vorige maand, kent het model niet, tenzij het live zoekt, en ook dan selecteert het zelf.
• De gemiddelde stem. Het model reproduceert wat online veel wordt geschreven. Je eigen klanten, zeker in een niche of een specifieke regio, kunnen daar flink van afwijken.

Synthetische respondenten: wat zeggen ze wel en niet?

Synthetische respondenten zijn AI-persona's die een vragenlijst invullen alsof ze echte consumenten zijn: "man, 52, woont in Zwolle, twee tieners, doet de boodschappen online". De output ziet eruit als een echte enquête, met percentages en citaten. Juist daardoor is het verleidelijk om er beslissingen op te baseren.

De beperkingen zijn methodisch. De antwoorden volgen de patronen in de trainingsdata, niet het werkelijke gedrag. De spreiding is kleiner dan bij mensen: synthetische klanten lijken op elkaar en spreken zichzelf zelden tegen. En omdat er geen steekproefkader is, kun je geen foutmarge berekenen of zinvol wegen.

Waar ze wel bruikbaar zijn:

• een vragenlijst testen op begrijpelijkheid, routing en lengte vóór de echte pilot;
• hypothesen en mogelijke bezwaren verzamelen die je daarna bij echte mensen toetst;
• een concepttekst op onduidelijke woorden laten doorlichten.

Voorbeeld: een fictieve aanbieder van maaltijdboxen uit Utrecht laat drie namen voor een nieuwe lijn beoordelen door synthetische respondenten. De voorkeur is opvallend eenduidig. Dezelfde test bij een echte steekproef laat een verdeeld beeld zien, met grote verschillen tussen gezinnen en alleenwonenden. De synthetische ronde was nuttig om zwakke namen te schrappen, maar de keuze viel pas na de concepttest bij echte klanten.

Zo controleer je wat AI oplevert

Behandel alles wat een model aanlevert als hypothese tot het tegendeel is bewezen. Vijf controles maken dat werkbaar:

1. Herleid elk cijfer. Vraag naar instelling, tabelcode, jaar en link, en open die bron zelf. Een snelle test: vraag hoeveel procent van de Nederlanders online koopt. Volgens Eurostat was dat in 2025 94,2% van de 16- tot 74-jarigen. Wijkt het antwoord af of ontbreekt de bron, dan weet je hoe je de rest moet lezen. Waar je zulke cijfers zelf vindt, staat in het overzicht van gratis bronnen voor marktonderzoek.
2. Codeer een deel dubbel. Laat een onderzoeker een willekeurige selectie van de open antwoorden zelfstandig coderen en vergelijk de overeenstemming met de machinale indeling.
3. Check citaten tegen het transcript. Laat elk citaat met regelnummer of tijdcode terugkomen, zodat je het kunt opzoeken.
4. Leg je werkwijze vast. Bewaar prompts, modelversie en datum. Zonder die gegevens kan niemand je analyse herhalen.
5. Vermeld het in je rapport. Schrijf in de verantwoording bij welke stappen AI is gebruikt en hoe de uitkomst is gecontroleerd.

AVG, AI-verordening en de onderzoekscode

Antwoorden uit enquêtes, interviewopnames en transcripten bevatten vaak persoonsgegevens: namen, e-mailadressen, stemmen, soms gezondheids- of financiële informatie. Plak je die in een openbare chatbot, dan geef je persoonsgegevens door aan een derde partij. Onder de AVG heb je daarvoor een grondslag nodig, moet je deelnemers informeren en sluit je een verwerkersovereenkomst met de aanbieder.

In de praktijk komt het neer op een paar gewoonten:

• haal namen, contactgegevens en andere herleidbare details weg voordat tekst een AI-tool ingaat, en lees na hoe anonimiseren en pseudonimiseren verschillen;
• werk met zakelijke versies waarin je data niet worden gebruikt om het model te trainen;
• vermeld in de toestemmingstekst dat antwoorden met AI-hulpmiddelen worden verwerkt;
• bewaar de ruwe data apart, zodat de analyse ook zonder AI te herhalen is.

Daarnaast wordt de Europese AI-verordening gefaseerd van toepassing. Sinds februari 2025 moeten organisaties die AI-systemen inzetten zorgen voor voldoende AI-geletterdheid bij hun medewerkers. De ICC/ESOMAR-code vraagt bovendien eerlijkheid en transparantie tegenover deelnemers en opdrachtgevers. Twijfel je over een concrete toepassing, raadpleeg dan je functionaris gegevensbescherming of een jurist.

Wanneer heb je toch echte respondenten nodig?

AI versnelt voorbereiding en verwerking. Een onderzoek met echte mensen blijft nodig zodra je beslissing afhangt van een aandeel, een prijs of de reactie van een specifieke doelgroep:

• je wilt weten welk deel van je doelgroep koopt, overstapt of je merk kent: dat vraagt kwantitatief enquêteonderzoek met een steekproef waarvan je de omvang bepaalt met de steekproefcalculator;
• je hebt duizenden reviews, zoekopdrachten of social posts en wilt weten wat erin zit: een digitale marktanalyse combineert machinale classificatie met menselijke controle;
• je kiest tussen concepten, namen of verpakkingen: dan beslis je pas na een test bij de mensen die het moeten kopen.

Weet je niet welke aanpak bij je vraag past, of hoe je AI en veldwerk combineert? Beschrijf je situatie via de offerteaanvraag en je krijgt een voorstel met methode, steekproef en planning.