Bias Drift Index

Bias Drift Index (BDI) is een drift-metriek voor generatieve systemen. De index meet of de huidige outputs materieel verschillen van een basisverdeling die je eerder hebt goedgekeurd op het gebied van eerlijkheid, representatie, sentiment of een gebalanceerde themakeuze.

Dat is belangrijk bij Generative Engine Optimization, omdat AI-zichtbaarheid niet alleen draait om genoemd worden. Het gaat om hoe entiteiten, bronnen en standpunten worden geselecteerd en ingekaderd. Als een model bijvoorbeeld één type uitgever structureel te vaak citeert, bepaalde merken ondervertegenwoordigt of het sentiment rond een onderwerp scheef trekt, kan je GEO-werk er stabiel uitzien in Ahrefs of Semrush, terwijl de daadwerkelijke AI-laag eronder langzaam aan het driften is.

Hoe teams het berekenen

De werking is eenvoudig. Het lastige deel is het kiezen van een basislijn die de moeite waard is om te verdedigen.

1. Leg een basisondersteunende steekproef vast bij lancering of na een gevalideerde modelupdate.
2. Label outputs met een vast schema: type bron, sentiment, entiteitsklasse, demografisch attribuut, themacluster of de citeermix.
3. Zet die labels om in verdelingen.
4. Vergelijk de huidige verdeling met de basislijn met een divergentiemetriek zoals Jensen-Shannon-divergentie, KL-divergentie of Earth Mover’s Distance.
5. Normaliseer het resultaat naar een score, vaak van 0 tot 1.

In de praktijk stellen veel teams waarschuwingsdrempels in rond 0,10 tot 0,15 en kritieke drempels rond 0,25 tot 0,30. Die getallen zijn niet universeel. Een zorgassistent moet minder drift tolereren dan een receptgenerator.

Waarom het belangrijk is voor GEO

BDI is nuttig wanneer je AI Overviews, answer engines, interne copilots of retrieval-augmented systemen monitort die van invloed zijn op ontdekking. Een stijgende score kan erop wijzen dat het model verandert welke bronnen het vertrouwt, welke entiteiten het koppelt aan een type zoekopdracht, of welke standpunten het versterkt.

Dat zie je terug in het echte werk. Je kunt stabiele impressions zien in Google Search Console terwijl AI-samenvattingen forums tot wel 40% vaker beginnen te citeren dan uitgeverswebsites. Of een merk dat eerder in 18% van de gegenereerde vergelijkingen voorkwam, daalt naar 6% na een modelrefresh. Screaming Frog ziet dat niet. Surfer SEO ziet dat niet. Je hebt output sampling en labeling nodig.

Waar BDI tekortschiet

Hier is de kanttekening: BDI is alleen zo goed als de basislijn en de labels. Als je basislijn al bevooroordeeld was, meet BDI alleen loyaliteit aan een slechte start. Het bewijst geen eerlijkheid. Het bewijst verandering.

Daarnaast wordt het snel ruisachtig bij kleine steekproeven, zwakke classifiers of wijzigingen in de promptmix. Als je set zoekopdrachten verschuift van branded prompts naar informatieve prompts, kan de score stijgen terwijl het model niets fout heeft gedaan. Daarom stratificeren volwassen teams op zoekopdrachtklasse en volgen ze BDI samen met citation share, brondiversiteit en sentiment-variantie.

John Mueller van Google heeft teams herhaaldelijk gevraagd zich te richten op observeerbare gebruikersgerichte kwaliteit in plaats van abstracte interne scores. Dat geldt hier. BDI is een monitoringsmetriek, geen rankingfactor, geen compliance-schild en geen vervanging voor handmatige review.

Praktische implementatie

Gebruik minimaal wekelijkse sampling. Versien je baselines. Houd 500 tot 1.000 outputs aan per belangrijke promptcluster als je stabiele directionele inzichten wilt. Koppel daarna meldingen aan actie: promptwijzigingen, retrieval tuning, bronweging of gerichte fine-tuning. Als je niet kunt uitleggen welke operationele verandering een hoge BDI zou moeten triggeren, verzamel je een vanity metric.