Kennisbank

llms.txt is een voorstel, geen officiële standaard. Het idee is simpel: je geeft AI-systemen en agents een korte, gecureerde samenvatting van de belangrijkste content op je site. Handig om te kennen, maar op dit moment geen maatregel die je zichtbaarheid aantoonbaar vergroot. Kort antwoord: wat je over llms.txt moet weten Een llms.txt is een optioneel Markdown-bestand dat werkt als wegwijzer voor taalmodellen en AI-agenten. Het voorstel komt van Jeremy Howard, verscheen op 3 september 2024 en staat sinds 10 augustus 2026 op versie 2. Het document noemt zichzelf consequent een voorstel, geen standaard. Blijf er dus nuchter onder. Het bestand is goedkoop om te maken en het kan geen kwaad als je het onderhoudt. Maar het is geen vervanging van technische SEO, Google Search gebruikt het niet en het is geen snelle route naar zichtbaarheid in AI-antwoorden. We bouwen geen pagina’s, we bouwen logica. Giacomo Perticara, oprichter en SEO-strateeg bij GRP Digital Die logica begint bij crawlbaarheid, duidelijke bronpagina’s, interne links en meetbaarheid. Niet bij een extra bestandsnaam in je root. Wat is een llms.txt-bestand? Een llms.txt is een machineleesbare samenvatting in Markdown. Je bundelt er de belangrijkste pagina’s van een site of sectie in, met per link een korte toelichting. Zie het als een inhoudsopgave met uitleg, niet als een complete index. Dat onderscheid is het hele punt. Een sitemap.xml geeft een overzicht van alle indexeerbare URL’s. Een robots.txt geeft richtlijnen over toegang voor geautomatiseerde systemen. llms.txt probeert iets anders: context geven over welke pagina’s er echt toe doen en waarom. Zoals we de inhoudsopgave doornemen bij bijvoorbeeld een handleiding, zo scannen LLM’s altijd eerst je URL-structuur om een beeld te krijgen. Giacomo Perticara, oprichter en SEO-strateeg bij GRP Digital Daar zit meteen de reden waarom een extra bestand zelden het verschil maakt. Is je structuur al leesbaar, dan voegt llms.txt weinig toe. Is je structuur onleesbaar, dan repareert een los bestandje dat niet. llms.txt wordt in de praktijk vaak groter gemaakt dan het is. Behandel het als een aanvullende conventie binnen bredere AI-zichtbaarheid, niet als een apart kanaal met eigen regels. Waar plaats je llms.txt? Je plaatst het bestand in de root of op een subpad. Versie 2 maakt expliciet dat een llms.txt de pagina’s onder zijn eigen pad beschrijft, en dat het meest specifieke bestand wint. In de praktijk: /llms.txt beschrijft je hele site /docs/llms.txt beschrijft alles onder /docs/ bestaan ze allebei, dan geldt voor een URL onder /docs/ het specifieke bestand Versie 2 voegde ook link-relaties toe, zodat systemen het bestand kunnen vinden zonder ernaar te raden: rel="alternate" type="text/markdown" wijst naar de Markdown-versie van een pagina rel="describedby" wijst naar de llms.txt die die pagina beschrijft Die relaties mogen als <link> in de HTML staan, maar ook als HTTP Link-header. Dat laatste is handig, want dan regel je het in je webserver of CDN zonder één pagina aan te passen. Wat staat er in een llms.txt? Volgens het voorstel bestaat het bestand uit vier onderdelen: een H1 met de naam van het project of de site een blockquote met een korte samenvatting nul of meer Markdown-secties met toelichting nul of meer H2-secties met lijsten van links Alleen die H1 is verplicht. De rest is ruimte voor selectie en uitleg, en daar zit meteen het werk: kiezen wat er niet in gaat. Een kort voorbeeld: Versie 2 veranderde nog twee details die makkelijk worden gemist. Voor de Markdown-versie van een pagina mag naast pagina.html.md nu ook pagina.md. En de Optional-sectie heeft zijn mechanische betekenis verloren: die is nu alleen nog een conventie voor secundaire links. Werkt het eigenlijk? Het eerlijke antwoord: je ziet het terug in tooling, maar niet als bewezen hefboom voor zichtbaarheid in zoekmachines. Google Search Central is er duidelijk over op de pagina over AI-features: “You don’t need to create new machine readable files, AI text files, or markup to appear in these features.” Die pagina is bijgewerkt op 10 december 2025. Bron: Google Search Central. Je hebt dus geen llms.txt nodig om in de AI-features van Google te verschijnen. Wat wel ondersteund of zichtbaar is Tegelijk leeft het bestand wel degelijk op een paar plekken. Chrome Lighthouse controleert erop, binnen de checks voor agentic browsing. Ontbreekt het bestand, dan valt die audit uit als Not Applicable, precies omdat het optioneel is. De documentatie van Chrome is bijgewerkt op 5 mei 2026. Dat lijkt in tegenspraak met wat Google over Search zegt, maar dat is het niet. De Lighthouse-audit gaat over agents die je site gebruiken om een taak uit te voeren. Over ranking in Google Search zegt hij niets. Twee verschillende vragen, twee verschillende antwoorden. Daarnaast publiceren de grote AI-labs zelf een llms.txt voor hun eigen developer-documentatie: developers.openai.com/llms.txt docs.claude.com/llms.txt ai.google.dev/gemini-api/docs/llms.txt Hier zit een grens die vaak wordt overschreden. Dat deze partijen zo’n bestand publiceren voor hun documentatie, is geen bevestiging dat hun modellen jouw llms.txt lezen om jou zichtbaarder te maken. Het eerste gaat over hun docs, het tweede over jouw marketing. Dat zijn niet dezelfde dingen, en het verschil wordt in de praktijk vaak weggelaten omdat de eerste helft beter klinkt. Wat niet bevestigd is Er is geen bevestiging dat grote zoek- of AI-platformen llms.txt gebruiken voor ranking, opname of bredere zichtbaarheid. Kijk je naar de documentatie die de aanbieders zelf over hun crawlers publiceren, dan wijst die maar één kant op: robots.txt. OpenAI beschrijft daar hoe je GPTBot, OAI-SearchBot en ChatGPT-User via robots.txt toestaat of blokkeert, en Anthropic schrijft dat zijn bots “do not crawl”-signalen respecteren via de gangbare regels in robots.txt. llms.txt komt in geen van beide voor als bestand dat ze uitlezen. Wees hier wel precies. Google heeft het hardop gezegd. OpenAI en Anthropic hebben het nooit gezegd, in geen van beide richtingen: ze hebben nooit geclaimd dat ze jouw llms.txt gebruiken, maar ook nooit expliciet ontkend. Dat is dus stilte, geen belofte. Wie op basis daarvan zichtbaarheidswinst belooft, vult die stilte zelf in. Ook llms-full.txt verdient nuance. Je komt die naam tegen bij documentatieplatformen, maar hij staat niet in het voorstel en is geen onderdeel van de specificatie.

Kort antwoord: wat is AI-zichtbaarheid meten? AI-zichtbaarheid meten is het periodiek volgen of je merk, pagina’s en bronnen terugkomen in AI-antwoorden, per vaste promptset, per platform en over tijd. Je kijkt daarbij niet alleen óf je genoemd wordt, maar ook hoe, met welke bronvermelding en in welke context. Waarom AI-zichtbaarheid lastig maar wel meetbaar is AI-antwoorden werken anders dan klassieke rankings. Je hebt meestal geen vaste positie die elke keer gelijk blijft. Het antwoord hangt af van de vraag, het platform en de manier waarop een AI-systeem bronnen samenvat of selecteert. Toch betekent dat niet dat meten zinloos is. Juist daarom moet je patronen meten in plaats van losse momentopnames. Wij zien AI-zichtbaarheid als onderdeel van breder online zoekgedrag. SEO blijft daarbij het overkoepelende vak; AEO en GEO zijn verdiepingen daarvan, geen aparte hypes. “AI-zichtbaarheid meet je niet met één getal. Search Console laat een deel zien, niet de hele waarheid.” Giacomo Perticara, oprichter en SEO-strateeg bij GRP Digital Wat AI-tools wel en niet laten zien AI-tools kunnen je helpen om antwoorden te verzamelen, maar ze zijn niet de methode zelf. Een tool kan laten zien of je merk genoemd wordt, of een bronlink verschijnt, of concurrenten mee in beeld komen. Maar een tool laat niet automatisch zien of die vermelding commercieel relevant, correct of overtuigend is. Belangrijk onderscheid: Een merkvermelding is nog geen aanbeveling Een bronvermelding is nog geen bewijs van structurele zichtbaarheid Referral verkeer is nuttig, maar laat alleen het verkeer zien dat echt doorklikt Platformdata is vaak beperkt en contextgevoelig Als je alleen op tool-uitvoer stuurt, mis je vaak het echte verhaal achter zichtbaarheid in AI-antwoorden. Wat je precies moet meten Als je AI-zichtbaarheid wilt meten, kijk je naar meerdere lagen tegelijk: zichtbaarheid: kom je überhaupt voor in antwoorden kwaliteit van vermelding: hoe sterk of bruikbaar is die aanwezigheid brongebruik: verwijst de LLM naar je eigen site of naar derden concurrentiecontext: wie wordt aanbevolen bij vergelijkingen indirecte signalen: zie je aanvullend iets terug in andere databronnen Wij doen dit zelf met maandelijkse metingen op een vaste promptset, met een transparante methodologie. Dat voorkomt dat een losse check uitgroeit tot een verkeerde conclusie. De 5 presence-KPI’s Onze meettaal bestaat uit vijf presence-KPI’s. Daarmee maak je AI-zichtbaarheid praktisch en vergelijkbaar. KPI Betekenis Coverage Word je genoemd bij vragen zonder merknaam; de fase waarin de shortlist ontstaat Recommendation Word je actief aanbevolen of alleen opgesomd Linked citation Wordt je eigen site als bron geciteerd, of praat de LLM over je via derden Comparative win Wie wint als de klant expliciet laat vergelijken Representation Klopt wat de LLM over je zegt Coverage laat zien of je merk aanwezig is in de oriëntatiefase. Recommendation maakt duidelijk of je ook echt naar voren wordt geschoven. Linked citation is belangrijk omdat een LLM je kan noemen zonder je site als bron te gebruiken. Comparative win gaat over vergelijkende vragen, waar keuzes vaak vallen. Representation is de controle op juistheid. Waarom vijf aparte KPI’s en niet één score? Omdat ze los van elkaar bewegen. Uit onze metingen: vijf grote Nederlandse webshops scoorden allemaal perfect op merkvragen (9 van de 9 goed), maar werden bij vragen zonder merknaam maar 2 tot 4 van de 21 keer genoemd, en bij kennisvragen uit hun eigen vakgebied 0 van de 12 keer als bron geciteerd. Eén gecombineerde score had dat gat volledig verstopt. En zelfs bij een van de bekendste merken van Nederland zagen we hetzelfde reliëf: 100% op merkvragen, 85% op vergelijkingen, 73% op ontdekkingsvragen, en maar 40% op overwegingsvragen. De twijfelfase is vrijwel altijd de zwakste laag, ook bij winnaars. Dat laatste is geen detail. In een meting zagen wij dat een LLM een webshop afraadde op een betrouwbaarheidsvraag, terwijl de onderliggende reviews grotendeels over een copycat met bijna dezelfde naam gingen. Zonder Representation-check was dat niet ontdekt. Onze methode: AI-zichtbaarheid meten met vaste promptset De kern is eenvoudig: je meet periodiek met dezelfde vragen, op meerdere platforms, en legt telkens dezelfde observaties vast. Dat maakt verschillen zichtbaar en acties toetsbaar. Je kunt dit zien als een APK voor AI-zichtbaarheid: je controleert volgens een vaste checklist, ook als er op het eerste gezicht niks kapot lijkt. Stap 1: werk met een vaste promptset per intentie De promptset verdeel je per zoekintentie, bijvoorbeeld: informatief commercieel vergelijkend merkgericht probleemgericht Zo ziet dat er in de praktijk uit, met een webshop als voorbeeld: informatief: “waar moet ik op letten bij het kiezen van [product]?” commercieel: “wat zijn de beste webshops voor [categorie]?” vergelijkend: “webshop A of webshop B, welke is beter?” merkgericht: “is [merk] een betrouwbare webshop?” probleemgericht: “mijn [product] doet X niet, wat nu?” Belangrijk: formuleer de vragen zoals je klant ze stelt, niet zoals jij over je aanbod praat. En houd de set daarna vast. Elke keer andere vragen stellen voelt grondig, maar maakt je meting onvergelijkbaar. Zo voorkom je ook dat je alleen merkvragen test. Juist bij niet-merkgebonden vragen ontstaat vaak de shortlist. Stap 2: meet per AI-platform apart Meet platforms apart, bijvoorbeeld ChatGPT, Gemini en Claude. Je mag die uitkomsten niet op één hoop gooien. In een meting zagen wij bij een retailer die nummer 1 van zijn markt in Google is, dat het ene AI-platform het merk op dezelfde 57 vragen zonder merknaam 21 keer noemde en het andere maar 2 keer. Dat is precies waarom platformvergelijking nodig is. AI-zichtbaarheid bouwt voort op SEO-logica, maar de uitkomst verschilt per omgeving. Stap 3: leg meer vast dan alleen ja of nee Een bruikbare meting noteert meer dan aanwezigheid alleen. Leg per prompt minimaal vast: merkvermelding URL of bronlink context van de vermelding genoemde concurrenten gebruikte bronnen commerciële relevantie Anders krijg je een score zonder betekenis. Stap 4: beoordeel de kwaliteit van de vermelding Niet elke vermelding is waardevol. Een merk kan genoemd worden als optie onderaan een lijst, verkeerd worden samengevat of alleen via externe bronnen terugkomen. Wij koppelen daarom elke actie aan één prompt met een meetpunt, zodat je na 90 dagen weet of het gewerkt heeft. Dat houdt de evaluatie eerlijk. Eén meting