Platforms als Google en Amazon tonen vaak resultaten die niet gewenst zijn voor de gebruiker. Waarom gebeurt dat, terwijl de technologie gebruikers juist steeds beter zou moeten kunnen bedienen?
In het kort
- Digitale platforms sturen kopers naar de meest winstgevende in plaats van de meest gewenste producten.
- Betere zoektechnologie zorgt door het verdienmodel van platforms niet automatisch voor meer gewenste zoekresultaten.
- Toezichthouders moeten de concurrentie tussen platformen stimuleren om de kwaliteit ervan te vergroten.
Wie op internet zoekt naar een product, merkt vaak dat de eerste pagina gevuld is met gesponsorde opties van producten waarin je niet geïnteresseerd bent. Wie Google een technische vraag stelt, krijgt bovenaan resultaten die zijn geoptimaliseerd voor clicks, niet voor nauwkeurigheid.
Het fenomeen heet ‘enshittification’ (platformverloedering). De Canadese schrijver en journalist Cory Doctorow introduceerde deze term om te beschrijven hoe digitale platforms hun gebruikers benadelen: eerst doen ze wat consumenten willen, dan verschuift de prioriteit naar zakelijke klanten, en als iedereen loyaal is aan het platform wordt alleen nog maar de aandeelhouderswaarde van de platforms gemaximaliseerd (Doctorow, 2025). NRC en andere kranten besteedden eind 2025 uitvoerig aandacht aan zijn analyse (Eijsvoogel, 2025).
In dit artikel laten wij zien dat de ‘verloedering’ van zoekplatforms voortkomt uit een fundamenteel spanningsveld tussen gebruikersvoorkeuren en het verdienmodel van platforms.
Het mechanisme
Zoekplatforms als Amazon en Google ontvangen provisies en advertentie-inkomsten van verkopers, niet van kopers. Platformopbrengsten zijn dus afhankelijk van de omzet van verkopers. Dit schept een fundamenteel spanningsveld tussen het belang van de consument en het belang van het platform. Consumentensurplus vereist immers concurrentie onder verkopers; een koper profiteert pas als hij meerdere aanbiedingen kan vergelijken en verkopers gedwongen worden hun prijs te verlagen. Terwijl de afroombare winsten van een verkoper groter zijn als de koper geen alternatief heeft.
Het platform heeft een instrument waarmee het winsten kan afromen: de aandachtverdeling. Het platform bepaalt hoeveel zoekresultaten of aanbevelingen een koper van elk type verkoper te zien krijgt. De centrale vraag is: hoeveel blootstelling aan producten die consumenten actief zoeken kiest het platform? Het antwoord hangt af van wat deze blootstelling extra oplevert. Zolang een gemiddelde koper slechts één gewaardeerd product krijgt aanbevolen, heeft een verkoper veel marktmacht en kan het platform vervolgens (een deel van) die winst afromen. Maar zodra een koper meerdere gewaardeerde producten aangeboden krijgt, moeten deze met elkaar op prijs concurreren, en verdampen de winsten. Het platform heeft er dus belang bij de blootstelling op een bepaald punt te begrenzen.
Stel dat er twee typen verkopers zijn: verkopers die een specialistisch product aanbieden dat door slechts een deel van de kopers gewaardeerd wordt, maar voor die groep grote meerwaarde heeft en een hoog maatschappelijk surplus genereert, en verkopers van een standaardproduct dat breed gewaardeerd wordt maar weinig onderscheidend vermogen heeft. Denk bij de eerste groep aan een vakspecialist, een onafhankelijke muzikant, of een specifiek boek; bij de tweede groep aan een gevestigde naam of een generiek product. Om te voorkomen dat de winstmarge van de gespecialiseerde verkoper wordt beperkt, stuurt het platform alle extra zoekruimte naar andere producten dan de gespecialiseerde producten waar de consument echt in geïnteresseerd is. Vanuit welvaartsoogpunt zou de extra zoekruimte echter juist benut moeten worden aan hoogkwalitatieve productblootstelling (Cai et al., 2026).
Kalibratie op Amazon en Google
Om te toetsen of de prikkel voor platforms om de blootstelling aan gewenste producten te beperken empirisch relevant is, kalibreren wij het model, dat we in Cai et al. (2026) verder toelichten, op productzoekopdrachten bij Amazon en zoekresultaten bij Google. Vervolgens gebruiken we het gekalibreerde model om te schatten in hoeverre de huidige aandachtverdeling afwijkt van de maatschappelijk optimale uitkomst, waarin een sociale planner het consumentensurplus maximaliseert.
De belangrijkste parameter is de succeskans: de kans dat een willekeurige koper-verkoper-combinatie daadwerkelijk een relevante match is. We veronderstellen dat gewaardeerde producten een hogere kwaliteit hebben voor consumenten maar een lagere succeskans omdat geschikte matches schaarser zijn. Deze veronderstellingen zijn gebaseerd op Menzio (2023).
Voor de modelkalibratie gebruiken we Amazons eigen ESCI-dataset (Reddy et al., 2022), met meer dan 2,6 miljoen door mensen beoordeelde zoekopdracht-productcombinaties. Uit deze data volgt dat 65,2 procent van de zoekopdrachten een exacte match is. Dit percentage weerspiegelt echter niet alleen de onderliggende succeskans, maar kan ook worden beïnvloed door Amazon’s strategische selectie en rangschikking van zoekresultaten. Om de succeskans voor producten te isoleren, gebruiken wij een LLM-retrieval-methode die onafhankelijk is van de strategische keuzes van Amazon. De succeskans is dan de kans dat een koper een specifiek product daadwerkelijk waardeert, niet slechts een verwant substituut.
We simuleren het zoekproces als volgt. Voor elk gewenst product en elke bijbehorende zoekopdracht stellen wij een groep samen van twintig producten: het doelproduct plus negentien andere producten die Amazon voor dezelfde zoekopdracht toont (gerelateerde concurrenten). Een onafhankelijk taalmodel (Claude Haiku) beoordeelt vervolgens elk product in de groep en kent een label toe: exacte match, substituut, complement of irrelevant. Wij tellen een treffer als Haiku het doelproduct als exacte match bestempelt en normaliseren deze. De nauwkeurigheid van de methode is hoog: wanneer Haiku een product als exacte match aanmerkt, bevestigen menselijke beoordelaars dit in negentig procent van de gevallen.
Om gewenste producten van massamarktproducten te scheiden, classificeren wij 30.000 producten uit de ESCI-dataset op een schaal van 1 (zeer specialistisch) tot 5 (massamarkt), op basis van producttitels. Voorbeelden van specialistische producten met een hoge waarderingsranking zijn: “Keltische harpsnaren” en “een o-ring voor een specifieke espressomachine”. Voorbeelden met een lage score zijn: AA-batterijen en Ibuprofen.
Hoe meer specialistisch een product is, hoe kleiner de succeskans die we vinden. Als alternatief hebben we ook gekeken naar de lengte van de zoekopdracht. Ook hier geldt: hoe langer de zoekopdracht, hoe kleiner de succeskans.
Voor Google gebruiken wij de publiek beschikbare TREC Deep Learning relevantieoordelen (2019–2020) uit de MS MARCO dataset, met menselijke beoordelingen van de relevantie van zoekresultaten. Op basis van 4.167 relevante beoordelingen op 20.646 koppelingen schatten wij de succeskans op twintig procent.
Voor Amazon passen we een groeivoet van zes procent per jaar toe op het aantal aankopen per koper, en voor Google vier procent per jaar op het aantal zoekopdrachten per gebruiker. Deze groeivoeten gebruiken we om de beschikbare data naar de overige jaren te extrapoleren.
Amazon blijkt slechts 77 procent en Google 56 procent te leveren van het maximaal mogelijke consumentensurplus. De welvaartsverliezen zijn dus aanzienlijk (Cai et al., 2026). Het mechanisme is in beide gevallen identiek: het platform geeft weliswaar meerdere aanbevelingen voor gewenste specialistische producten maar begrenst de blootstelling voor deze producten en vult de rest van de zoekpagina met massamarktproducten die niet gezocht worden, zodat veel winst gemaakt kan worden op de specialistische producten waar de consument echt op zoek naar is. Dit is precies de uitkomst die Doctorow beschrijft.
Betere technologie vergroot het probleem
Door technologische vooruitgang kan aanvankelijk zowel het optimaal getoonde als het daadwerkelijk getoonde aantal succesvolle aanbevelingen toenemen. Door strategische demping groeit er echter een kloof tussen beide (figuur 1).
Voor Google zien we dat het verwachte aantal succesvolle gewenste aanbevelingen voor specialistische producten in 2010 bijna optimaal was.
Die kloof ontstaat dus ondanks dat de zoektechnologie verbetert, waardoor het aantal potentiële succesvolle aanbevelingen toe zou kunnen nemen. Doordat gebruikers meer resultaten kunnen verwerken en platforms meer ruimte bieden voor aanbevelingen, neemt vanuit maatschappelijk perspectief ook de gewenste blootstelling aan producten met een hoge maatschappelijke waarde toe. Het zou dan ook optimaal zijn als de aandacht meegroeit, maar voor bedrijven en het platform leidt meer aandacht voor specialistische producten tot meer concurrentie en dus hogere prijzen. Door de aandacht voor gewenste producten met een hoog surplus te beperken, kunnen zij de concurrentie en daarmee lagere prijzen beperken.
Dit model geeft een verklaring voor het fenomeen van Doctorow: naarmate de technologie verbetert, kunnen platforms steeds meer maatschappelijk waardevolle matches aanbieden, maar hun prikkel om deze matches te beperken blijft bestaan. Daardoor kan de kloof tussen wat technologisch en maatschappelijk wenselijk is en wat het platform daadwerkelijk aanbiedt, steeds groter worden.
Marktmacht vergroot de verstoring
Zodra kopers kunnen vertrekken als de kwaliteit van het platform tegenvalt, ontstaat een disciplinerende prikkel voor een platform: betere aanbevelingen trekken meer kopers aan, wat het platform op langere termijn meer oplevert. Hoe elastischer de koperparticipatie, hoe kleiner de afwijking tussen de aanbevelingen van het platform en de maatschappelijk optimale uitkomst. Dit betekent omgekeerd dat platforms die consumenten sterker aan zich weten te binden, minder door deze disciplinerende prikkel worden beperkt. Hoe afhankelijker consumenten van een platform zijn, hoe minder snel zij overstappen wanneer de kwaliteit van de aanbevelingen tegenvalt. Het platform kan zich daardoor meer veroorloven om de aandacht voor producten die consumenten daadwerkelijk willen, te beperken.
Platforms bedienen zich van drie manieren om consumenten aan hun platforms gebonden te houden. Ten eerste bundeling: prime-abonnementen combineren levering, streaming en exclusieve aanbiedingen, zodat vertrekken meer kost Ten tweede acquisities van opkomende concurrenten: Meta’s aankopen van Instagram (in 2012) en WhatsApp (in 2014) zijn te interpreteren als het uitschakelen van diensten die gebruikers hadden kunnen wegtrekken; Googles overname van YouTube (in 2006) absorbeerde een potentiële alternatieve bestemming voor gebruikersaandacht; en Amazon beschouwde Quidsi/Diapers.com als een serieuze bedreiging en nam het bedrijf in 2010 over.
Ten derde juridische en technische toegangsblokkeringen: een treffend voorbeeld is de ‘OG’-app uit 2022, een algoritmevrij, chronologisch alternatief voor Instagram dat kortstondig de app-store-top bereikte. Binnen twee weken werd de app geëlimineerd: Instagram blokkeerde de toegang tot de onderliggende data waarvan de app afhankelijk was, en Google en Apple verwijderden haar uit hun stores. Dit soort acties houdt de participatie-elasticiteit van kopers laag en duwt de aandachtverdeling van het platform richting het inefficiënte evenwicht, wat een slecht scenario is voor consumenten.
Ons model laat zien dat elk van deze maatregelen de verstoring van de aandachtverdeling direct vergroot: hoe minder geloofwaardig de exit-dreiging van consumenten is, hoe vrijer het platform de aandacht kan sturen op een manier dat de kans klein is dat consumenten meerdere aanbiedingen ontvangen waarin ze geïnteresseerd zijn, waardoor producenten hogere prijzen kunnen vragen.
Conclusie
Digitale platforms bepalen de kans dat een goede match tussen kopers en verkopers tot stand komt. Een platform dat zijn inkomsten haalt uit verkopers, heeft een structurele prikkel om kopers minder bloot te stellen aan specialistische verkopers dan maatschappelijk wenselijk is. Dat heeft directe implicaties voor het Europese en Nederlandse mededingingstoezicht. De Europese Digital Markets Act verplicht gatekeepers, waaronder Alphabet (Google) en Amazon, tot eerlijke, transparante en niet-discriminerende ranking van zoekresultaten. De Autoriteit Consument & Markt is aangewezen als nationale toezichthouder.
Twee beleidslijnen verdienen bijzondere aandacht. Ten eerste kan ingezet worden op het versterken van de concurrentie tussen platforms. De kern van het probleem is dat consumenten een platform niet gemakkelijk kunnen verlaten. Zodra kopers een geloofwaardig alternatief hebben, neemt voor een platform de prikkel af om de gewenste blootstelling te beperken. Ten tweede kan ingezet worden op het beperken van activiteiten die consumenten aan een platform binden.
Beide punten pleiten voor beleid dat de drempel om te wisselen van zoekplatform verlaagt. De DMA legt gatekeepers al een interoperabiliteitsverplichting op (systemen en apparaten moeten effectief met elkaar kunnen communiceren en gegevens uitwisselen) voor berichtenapps, maar voor zoekopdrachten en productvergelijkingen is dit lastiger.
De ACM beschikt al over instrumenten om via het mededingingsrecht lock-in aan te pakken, maar de link met aandachtverdeling is onderbelicht. Toezichthouders zouden bij de beoordeling van loyaliteitsprogramma’s, bundelingspraktijken en overnames niet alleen moeten verlangen dat de concurrentie tussen gewenste verkopers toeneemt, maar ook dat consumenten effectief kunnen vertrekken, want dat bepaalt direct hoeveel ruimte een platform heeft om zijn aandachtverdeling te vervormen.
Literatuur
Cai, X., P.A. Gautier en R.P. Wolthoff (2026) Platform-controlled search and distortions in attention allocation. IZA Discussion Paper, 18745.
Doctorow, C. (2025) Enshittification: Why everything suddenly got worse and what to do about it. New York: MCD/Farrar, Straus and Giroux.
Eijsvoogel, J. (2025) Tirade tegen de bewuste verloedering van de platformeconomie. NRC, 26 december.
Menzio, G. (2023) Optimal product design: Implications for competition and growth under declining search frictions. Econometrica, 91(2), 605–639.
Reddy, C.K., L. Màrquez, F. Valero et al. (2022) Shopping queries dataset: A large-scale ESCI benchmark for improving product search. Arxiv Paper, 2206.06588.
Auteurs
Categorieën