Gaat (predictive) AI neuromarketing vervangen?

De vraag die iedereen in marketing zich stelt: gaat AI straks mijn werk overnemen?

En, specifiek als het gaat om neuromarketing en voorspellend onderzoek - kunnen we binnenkort gewoon een LLM-model loslaten op onze campagnes en verpakkingen, en klaar is Kees?

Het korte antwoord: nee, dat denk ik niet. En dat gaat ook nooit gebeuren. Klinkt stellig. Maar ik heb daar goede redenen voor. Laten we induiken in waarom AI - hoe slim ook - de context mist die jouw merk in het brein uniek maakt.

Het voetbalexperiment: AI vs. echte ogen

Ik wil beginnen met een simpel experiment. Stel je voor: je kijkt naar een voetbalwedstrijd. Gewoon, een normale wedstrijd. Niets bijzonders. Waar let jij op?

Als je zegt "de bal", dan zit je goed. Logisch ook, toch? Binnen de context van voetbal is die bal essentieel. Je wilt weten waar die bal is, waar hij naartoe gaat, wie hem heeft. Dat weten mensen intuïtief.

We hebben dit getest met eye-tracking. Dertig mensen lieten we naar een wedstrijd kijken, en we volgden precies waar hun ogen naartoe gingen. Het resultaat? Een duidelijke rode stip op de bal. Iedereen keek naar de bal.

Nu komt het interessante. We lieten ook een predictive AI-model naar dezelfde wedstrijd kijken. Een model dat getraind is op stapels eye-tracking data, dus je zou verwachten dat het wel weet waar mensen naar kijken. Wat denk je dat het model voorspelde?

Mensen. Het model zei: iedereen kijkt naar alle spelers.

Compleet het tegenovergestelde van de werkelijkheid. En dat is eigenlijk het perfecte voorbeeld van waar AI de plank misslaat.

Top-down en bottom-up aandacht uitgelegd

Om te begrijpen waarom dit gebeurt, moet ik je even meenemen in twee vormen van aandacht die wij als mensen altijd hebben; top-down en bottom-up aandacht.

Top-down aandacht wordt gestuurd door context. Stel je staat in een winkelstraat en je hebt honger. Dan vallen restaurants automatisch op. Je brein zet de context ("ik heb honger, ik wil eten") en filtert de wereld daarop. Sta je in diezelfde winkelstraat maar zoek je jeans? Dan vallen opeens de kledingwinkels op. Precies dezelfde locatie, compleet andere aandacht.

Dat is top-down - geleid door wat je wilt, wat je kent, wat je ervaart.

Bottom-up aandacht is wat meer van nature komt. Als je door het bos loopt en een struikje beweegt, valt dat automatisch op. Felle kleuren trekken je aandacht. Beweging trekt je aandacht. Dat zijn dingen die evolutionair in ons zitten. Je hoeft er niet over na te denken, het gebeurt gewoon.

En hier zit 'm de kneep: AI is heel goed in bottom-up aandacht voorspellen, maar heel slecht in top-down aandacht. Het model weet dat mensen naar gezichten kijken (bottom-up, dat hebben we van nature), maar het weet niet dat je binnen de context van voetbal naar de bal kijkt. Die context zit er gewoon niet in.

Nu hoor ik je wellicht denken: “Je kan een model toch trainen op die voetbal?”. En daar heb je zeker gelijk in. Maar de voetbal staat in dit voorbeeld voor een ‘merk’, en waar een voetbal qua ‘construct’ gelijk blijft (witte bal, zwarte vlakjes), verandert de context van een merk in het brein continue.

Waarom AI de context mist (en jij niet)

Die context - dat is precies waar het om draait in marketing. Hoe leeft jouw merk in het brein van de consument? Welke brand assets heb je opgebouwd? Hoeveel reclames heeft iemand van jou gezien? Wat zijn hun eerdere ervaringen met je product?

Neem Whiskas als voorbeeld. Die hebben fantastisch gebruikgemaakt van brand assets. Die typische Whiskaskat zie je in elke reclame én op elk product.

Het resultaat? Als jij als consument door het kattenvoerschap loopt en je koopt altijd Whiskas, dan valt dat merk automatisch op. Niet omdat het de felste kleur heeft, maar omdat het in jouw brein verankerd zit. Die context is geladen.

Een AI-model weet dat niet. Dat model kan niet weten hoeveel reclames je hebt gezien, hoe sterk dat merk bij jou (in je brein) leeft, of je überhaupt kattenvoer koopt. Het mist simpelweg die betekenisvolle context die jij als marketeer jarenlang hebt opgebouwd.

De voorbeelden: van Whiskas tot Cracotte

We hebben dit getest met schapfoto's. Links de echte eye-tracking data - waar mensen daadwerkelijk naar kijken. Rechts wat het AI-model voorspelt. En wat zie je? Het model zegt: je kijkt naar de meest contrasterende verpakking. Logisch vanuit bottom-up aandacht - felle kleuren vallen op.

Maar kijk naar waar mensen écht naar kijken als ze iets willen kopen. Daar zit een groot verschil. Ze kijken naar de merken die ze kennen, naar producten die ze herkennen, naar dingen die passen bij wat ze zoeken.

Hetzelfde zie je bij verpakkingen. Interessant genoeg doet AI het daar iets beter. Waarom? Omdat een verpakking op een witte achtergrond juist weer wat meer bottom-up gedreven is. Wat trekt snel de aandacht? In die context - zonder schapomgeving, zonder andere producten - zit AI wat dichter bij de waarheid. Maar zodra je context toevoegt, gaat het mis.

Kijk naar het voorbeeld van Bolletje. Bij de échte eye-tracking zie je dat mensen naar het venstertje kijken waar je het product achter kan zien. Consumenten willen het feitelijke product zien - dat weten we. Maar het AI-model? Die voorspelt dat helemaal niet, want dat venstertje heeft geen contrast of opvallende kleur. Vanuit bottom-up aandacht valt het niet op, maar vanuit de doelstelling van de consument ("ik wil zien wat ik koop") heeft het juist heel veel aandachtswaarde.

Of neem een reclame waar een hand beweegt naar een pak. Echte mensen kijken naar die bewegende hand - logisch, beweging trekt aandacht én het vertelt een verhaal. Het AI-model? Die zegt dat niemand naar die hand kijkt, en voorspelt aandacht voor allerlei andere elementen. Ook hier weer: context ontbreekt.

Predictive eye-tracking modellen scoren gemiddeld 60 tot 70 procent accuraat. Dat klinkt best hoog, zou je zeggen. Maar het zit 'm juist in die laatste 30 tot 40 procent. Daar zit de context die zo belangrijk is. Daar zit het verschil tussen een generiek model en échte inzichten in hoe jouw merk werkt.

Wat we ook zien is dat AI vaak een oververtegenwoordiging geeft aan logo's. Het model denkt: mensen kijken vast naar logo's. Maar als we naar échte eye-tracking kijken, is dat veel minder het geval dan je zou denken. Je zou dus kunnen concluderen dat je logo goed scoort, terwijl niemand er in werkelijkheid naar kijkt.

In de praktijk betekent dit het volgende: wil je twee ads naast elkaar zetten en snel checken of de aandacht gaat naar waar je wilt? Dan kun je predictive AI best gebruiken. Maar wil je één campagne echt beoordelen en begrijpen of ‘tie de emotionele snaar raakt? Dan mis je cruciale informatie als je alleen op AI vertrouwt.

Wil je weten hoe dit jouw merk beïnvloedt?

Dit was natuurlijk maar een klein stukje van het verhaal. We hebben het gehad over de fundamentele zwakte van AI als het gaat om context - die top-down vorm van aandacht die zo cruciaal is voor jouw merkstrategie.

Maar er is zoveel meer. Hoe zit het met AI in content creation? Waar liggen de grenzen van generatieve modellen? En vooral: hoe kun je AI dan wél slim inzetten in je marketing, zonder de essentie van neuromarketing te verliezen?

Al die antwoorden vind je in het volledige webinar. We duiken dieper in op alle voorbeelden, laten meer eye-tracking data zien, en geven je concrete handvatten om predictive AI te gebruiken waar het werkt - en te vermijden waar het faalt. Plus: je krijgt toegang tot alle sheets en key insights als handige PDF download.

Nieuwsgierig geworden? Schrijf je hier in om de opname terug te kijken →

Want één ding is zeker: AI gaat neuromarketing niet vervangen. Maar als je begrijpt waar de kracht én de zwakte zit, kun je ze wel slim naast elkaar inzetten. En dat verhaal wil je niet missen 😉