Een Antwerpse restaurantgroep met vier vestigingen, elk met een eigen keuken en positionering, stond voor een groeiende uitdaging: consumenten die zochten naar "beste Japanse restaurants in Antwerpen" of "romantisch diner Antwerpen centrum" stuurden hun vragen steeds vaker naar AI-tools in plaats van naar Google Maps of TripAdvisor.
Na drie maanden samenwerking met AISOS verschenen twee van de vier vestigingen systematisch in de top-drie van AI-aanbevelingen voor hun specifieke categorieën. De tafelbezetting steeg met gemiddeld 22% bij die twee vestigingen, terwijl de twee niet-geoptimieerde vestigingen stabiel bleven.
Dit klantverhaal toont hoe lokale horeca AI-zichtbaarheid kan inzetten als concurrentievoordeel in een verzadigde markt.
De Uitdaging
De restaurantsector is hyper-lokaal en hyper-competitief. In Antwerpen concurreren honderden restaurants om dezelfde zoekposities. De groep had solide aanwezigheid op Google Maps en TripAdvisor, maar die platforms worden steeds minder geraadpleegd als primaire zoekbron. Het publiek onder 35 jaar gebruikt bij voorkeur AI-assistenten voor restaurantaanbevelingen, zeker wanneer de zoekopdracht specifiek is: "bistro met natuurwijn en een vegetarisch menu onder 40 euro per persoon".
Het probleem was tweeledig. Ten eerste was de informatie over elke vestiging verspreid over meerdere platforms in inconsistente formaten. Ten tweede bestond er geen contentlaag die de specifieke kenmerken van elke vestiging beschreef in de taal die LLM's kunnen synthetiseren: geen sfeer-beschrijvingen, geen ingredientenherkomst, geen chef-profielen, geen antwoorden op veelgestelde gastvragen.
De AI Visibility Score bedroeg 5% bij aanvang over 20 prioritaire zoekintentions. Concurrenten met objectief mindere beoordelingen werden systematisch aanbevolen door ChatGPT en Perplexity omdat ze een rijkere digitale aanwezigheid hadden.
De AISOS-strategie
AISOS identificeerde 20 specifieke aanbevelingsvragen die consumenten stelden voor elke vestigingscategorie. Voor de Japanse vestiging waren dat vragen als "beste omakase Antwerpen" of "authentieke Japanse ramen Antwerpen". Voor de bistro: "natuurwijn bistro Antwerpen centrum" of "seizoenskeuken bistro met terras Antwerpen".
Per vestiging werd een gedetailleerde informatiepagina gecreeerd met Schema.org Restaurant-markup, inclusief cuisine, priceRange, servesCuisine, openingHours, en een uitgebreide beschrijving van sfeer, filosofie en keuze. Aanvullende contentpagina's beschreven specifieke aspecten: de herkomst van de ingredienten, de wijnkaart, de chef-achtergrond, en antwoorden op veelgestelde gastvragen.
De aanpak sloot aan bij onze bredere methodologie voor AI-zichtbaarheid in de lokale dienstensector. De NAP-consistentie (naam, adres, telefoonnummer) werd hersteld over alle platforms, een minimumvereiste voor lokale entiteitsherkenning door LLM's. Ten slotte werden vermeldingen verkregen in Antwerpse culinaire media en restaurantgidsen die door AI-tools als betrouwbare bronnen worden beschouwd.
De Resultaten
Na drie maanden bereikte de AI Visibility Score van de twee geprioriteerde vestigingen 28% respectievelijk 31%. Beide verschenen nu systematisch in de top-drie van AI-aanbevelingen voor hun doelcategorieën. De andere twee vestigingen, die niet werden meegenomen in de eerste fase, bleven stabiel op 5-7%.
De bezettingsgraad van de Japanse vestiging steeg van 71% naar 87% op weekavonden, gemeten over een periode van acht weken na de optimalisatie. De bistro zag een stijging van 64% naar 79% bezetting. Bij beide vestigingen gaf een toenemend deel van nieuwe gasten aan "gevonden via een AI-aanbeveling" als herkomstscore.
Het gemiddelde bestede bedrag per tafel steeg licht (+6%) bij de AI-kanaalklanten, wat consistent is met de observatie dat kopers die via AI zoeken een hogere aankoopintentie en een preciezere verwachting hebben. Ze boeken minder impulsief en zijn beter voorbereid op de ervaring die ze verwachten.
Belangrijkste Succesfactoren
De kwaliteit en specificiteit van de content was bepalend. Generieke beschrijvingen als "gezellig restaurant met verse producten" worden genegeerd door LLM's. Specifieke, verifieerbare informatie als "sake-collectie van 40 labels, dagverse vis van de Antwerpse vismijn, chef opgeleid in Tokio" biedt de precisie die taalmodellen nodig hebben om onderscheid te maken tussen aanbieders.
De consistentie van informatie over platforms was een tweede kritieke factor. LLM's bouwen hun kennis over een entiteit op uit meerdere bronnen. Als de naam, het adres, de beschrijving en het aanbod inconsistent zijn over Google Maps, TripAdvisor, de website en sociale media, dan is de entiteit minder goed gedefinieerd en dus minder betrouwbaar voor een taalmodel. NAP-consistentie is de basis van lokale AI-zichtbaarheid.
Ten slotte was de keuze om twee vestigingen te prioriteren in plaats van alle vier een slimme strategische beslissing. Door de middelen te concentreren, werden resultaten sneller bereikt, wat intern draagvlak creëerde voor de uitrol naar de andere vestigingen in fase twee.
Geleerde Lessen
Lokale horeca onderschat systematisch de rol van AI in de aanbevelingsfunnel. Restaurantgroepen investeren in Google Ads en sociale media, maar negeren het groeiende segment van consumenten dat via ChatGPT of Perplexity beslist waar ze gaan eten. Dat is een strategische fout die de komende jaren steeds duurder zal worden.
De tweede les: specifieke data wint van generieke beschrijvingen. Hoe meer verifieerbare, specifieke informatie u beschikbaar stelt, hoe groter de kans dat een LLM uw vestiging citeert als het een specifieke vraag beantwoordt. Breedte wint niet; diepte en specificiteit winnen.
De derde les betreft de meting. Vraag bij elke reservering naar de herkomstscore, ook via AI-kanalen. Veel restaurateurs meten dit niet en missen daardoor de data die nodig is om te begrijpen welke kanalen daadwerkelijk klanten opleveren. Klaar om uw restaurantgroep zichtbaar te maken voor AI-gebruikers? Vraag een gratis audit aan bij AISOS.