AI-zichtbaarheid

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 wij een nieuwsartikel scannen op de kop, zo scant een AI eerst je URL-structuur. 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 paginarel="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 siteeen blockquote met een korte samenvattingnul of meer Markdown-secties met toelichtingnul 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.txtdocs.claude.com/llms.txtai.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. Het is een conventie uit tooling, meer niet. llms.txt vs robots.txt vs sitemap.xml Zet

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 AI 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 AI over je via derden Comparative win Wie wint als de klant expliciet laat vergelijken Representation Klopt wat de AI 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 AI 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 AI 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

Wie je directe omzet uit AI belooft, maakt dat niet waar. En dat is oké, zolang je de juiste dingen meet. AI-zichtbaarheid laat zich nog niet netjes vertalen naar euro’s in je dashboard, en dat voelt ongemakkelijk voor iedereen die gewend is aan de rechte lijn van klik naar conversie. Maar die lijn is aan het vervagen, en dat betekent niet dat AI niets oplevert. Het betekent dat je anders moet meten. Traffic wordt een slechte KPI Eerst het slechte nieuws voor wie op verkeer stuurt. Onderzoek van Pew Research (2025) laat zien dat mensen op een resultatenpagina met een AI-samenvatting nog maar in 8% van de gevallen doorklikken naar een zoekresultaat, tegen 15% zonder. Een klik op een link binnen de samenvatting zelf: 1%. Steeds meer antwoorden worden direct gegeven, zonder dat iemand je site bezoekt. Sturen op alleen organisch verkeer betekent dan dat je een krimpende meetlat gebruikt voor een groeiend kanaal. We schreven eerder over wat een impressie in AI Overviews écht betekent. AI-zichtbaarheid werkt vertraagd Hier zit de kern, en het is goed nieuws. AI levert wel degelijk op, alleen niet op het moment en via het kanaal waar je het verwacht. Uit clickstream-onderzoek van Similarweb (2026) blijkt dat merken die in een AI-antwoord worden aanbevolen tot 2,5 keer vaker binnen zeven dagen een sitebezoek krijgen. Maar let op waar dat verkeer binnenkomt: ongeveer 56% ervan komt via een merkzoektocht, niet als zichtbare AI-verwijzing. Iemand ziet je merk in ChatGPT, onthoudt het, en zoekt later gewoon op je naam. In je analytics ziet dat eruit als branded search of direct verkeer. AI krijgt geen credit, terwijl AI het startpunt was. Wel eerlijk blijven: Rand Fishkin, die het onderzoek analyseerde, benadrukt dat dit effect vooral geldt voor merken die al enige bekendheid hebben. Voor een compleet onbekend merk is de sprong van AI-vermelding naar een merkzoektocht kleiner. Dit is geen wondermiddel, het is een vliegwiel dat je eerst op gang moet brengen. Reken AI niet af op de klik die het nooit stuurt, maar op of je merk blijft hangen. Giacomo Perticara, oprichter en SEO-strateeg bij GRP Digital Wat je wél kunt meten De platforms geven je bewust geen omzet, maar wel bruikbare signalen. Google’s Search Console toont sinds 2026 impressies uit AI-features op paginaniveau (zonder clicks of query’s). Bing Webmaster Tools toont je citaties, grounding queries en zelfs je citation share: je aandeel van de citaties per zoekopdracht. Dat laatste is precies wat je wilt volgen, want zichtbaarheid ten opzichte van je concurrenten is de eenheid die telt. En je serverlogs vertellen ook iets: Cloudflare mat dat AI-bots duizenden pagina’s ophalen voor elke bezoeker die ze terugsturen. Gecrawld en geciteerd worden staat dus los van klikken. De meetbare eenheid is zichtbaarheid en aandeel, niet directe omzet. Genoemd worden is niet aanbevolen worden Nog een nuance die de meeste trackers missen. Onderzoek van Semrush en Kevin Indig (2026) vond dat 61,7% van de AI-citaties niet leidt tot een zichtbare merkvermelding. Je bron wordt gebruikt, maar je merknaam valt niet. En als je wél genoemd wordt, telt de context: een premiummerk dat “duur” genoemd wordt is geen probleem, dat past bij de positionering. Een tracker die alleen ja of nee bijhoudt, mist dat volledig. Meet dus niet alleen óf je genoemd wordt, maar hóé. Chris Green, senior SEO-consultant, zei het in het panel van Aleyda Solis zo: “relative visibility is the best we have.” Geen perfecte omzetlijn, maar wel een eerlijk en bruikbaar kompas. Zo stel je de verwachting bij Verkoop je AI intern of aan een klant, houd het dan simpel en eerlijk. Stuur op relatieve zichtbaarheid en je aandeel ten opzichte van de concurrentie, op de trend in je merkvraag, en op meerdere kanalen samen in plaats van alleen de organische bak. En vraag aan het eind van de klantreis gewoon: hoe heb je ons gevonden? Dat ene vinkje maakt de AI-invloed zichtbaar die je analytics wegmoffelt. Wij bij GRP Digital beloven geen directe omzet uit AI, want dat kan niemand hardmaken. We beloven wel dat je zichtbaarheid en merkvraag de goede kant op bewegen, en dat is uiteindelijk wat de omzet voedt. Veelgestelde vragen Levert AI-zichtbaarheid dan wel geld op? Ja, maar vertraagd en indirect. Mensen zien je merk in een AI-antwoord en converteren later via een merkzoektocht of direct bezoek. De waarde is echt, alleen de attributie is lastig. Waarom zie ik zo weinig AI-verkeer in Google Analytics? Omdat een groot deel als direct of branded search binnenkomt in plaats van als AI-verwijzing. Je meet het effect dus op de verkeerde plek. Wat is de beste KPI voor AI-zichtbaarheid? Relatieve zichtbaarheid en citation share ten opzichte van je concurrenten, aangevuld met de trend in je merkvraag. Niet directe omzet uit het AI-kanaal alleen. Bronnen: Pew Research (klikgedrag bij AI-samenvattingen), Similarweb en SparkToro / Rand Fishkin (downstream-effect van AI-vermeldingen), Google Search Console en Bing Webmaster Tools (wat meetbaar is), Cloudflare (crawl-to-click gap) en Semrush / Kevin Indig (ghost citations).

Mensen typen bij ChatGPT hun probleem, geen zoekwoord. Toch beginnen veel merken hun AI-aanpak met een lijst prompts die ze uit hun keywordlijst rekken: “beste [product]”, “[dienst] kosten”, “[merk] review”. Logisch, want zo deden we het bij zoekmachines. Maar het meet het verkeerde. Een prompt is geen langer zoekwoord, het is een vraag of een probleem in gewone mensentaal. Wie dat verschil negeert, optimaliseert voor zoekopdrachten die niemand zo stelt. Een prompt is geen zoekwoord Het verschil zit in de vorm. Bij een zoekmachine typ je een paar trefwoorden en puzzel je zelf de rest bij elkaar. Bij een AI leg je je hele probleem neer en laat je het model het werk doen. Dat zie je terug in de data. Onderzoek van Pew Research (68.879 zoekopdrachten, 2025) laat zien dat maar 8% van de zoekopdrachten van één of twee woorden een AI-samenvatting opriep, terwijl dat bij tien woorden of meer opliep naar 53%. En 60% van de zoekopdrachten die begonnen met een vraagwoord (wie, wat, wanneer, waarom) kreeg een AI-antwoord. Langere, vraaggerichte formuleringen drijven AI-antwoorden, korte trefwoorden niet. In eigen onderzoek op ruim 80 miljoen clickstream-records mat Semrush dat een ChatGPT-prompt zonder zoekfunctie gemiddeld 23 woorden telt. Mensen praten tegen een AI zoals ze tegen een adviseur zouden praten, niet zoals ze een zoekbalk invullen. Een prompt is geen zoekwoord. Het is het probleem van je klant, in zijn eigen woorden. Giacomo Perticara, oprichter en SEO-strateeg bij GRP Digital De beste bron voor die vragen heb je vaak al in huis. Een klant van ons heeft een eigen chatbot op de site, en daar komen vragen binnen die niemand ooit in Google typt. Heel praktische dingen over ter plaatse zijn en je bezoek regelen. In een zoekmachine stelt niemand die vraag, want daar verwacht je er geen antwoord op. In een gesprek met een AI wel. Diezelfde vragen kun je gewoon beantwoorden op een pagina. De AI splitst je vraag toch al op Er is nog een reden waarom “ranken op één prompt” niet werkt: de AI doet dat zelf ook niet. Google beschrijft in zijn eigen documentatie de “query fan-out”: AI Overviews en AI Mode splitsen één vraag op in meerdere gerelateerde zoekopdrachten over subonderwerpen, en bouwen daaruit één antwoord. Eén klantvraag wordt intern dus een handvol zoekopdrachten. Sturen op de positie van één losse prompt is dan net zo zinloos als mikken op één trefwoord terwijl de klant een heel verhaal typt. We werkten dat mechanisme apart uit in waarom ranken op één zoekwoord niet meer genoeg is. Waar je je promptset wél op baseert Niet op je onderbuik, en niet op de standaardlijst die je AI-tracker aanlevert. Baseer je op echte data en echte klantproblemen. Google’s Search Console toont sinds 2026 impressies uit AI-features op paginaniveau, en Bing Webmaster Tools toont zelfs de grounding queries: de zoekopdrachten die de AI intern genereerde om jouw content op te halen. Dat is echte, bron-gedreven data. Vul dat aan met wat je klanten écht vragen: kijk in je klantenservice, je live chat, je contactformulieren. Daar staan de problemen in de woorden van je doelgroep, precies zoals ze die aan een AI stellen. De kunst is niet om zoveel mogelijk prompts te verzamelen, maar om de patronen eruit te halen. Koppel ze aan je productlijnen, je dienstlijnen en de fases van de klantreis. Dertig tot veertig betekenisvolle prompts die echte klantproblemen dekken, zijn meer waard dan een lijst van driehonderd opgerekte zoekwoorden. Stuur op patronen, niet op losse rankings Nog een verschil met klassieke SEO: je krijgt op bronniveau geen nette ranking per prompt terug. Google’s AI-rapport geeft impressies, geen query-uitsplitsing, en Bing noemt zijn grounding-data expliciet een steekproef. Obsederen over de positie van individuele prompts is daarom een doodlopende weg. De vraag die er wél toe doet: word je consistent getoond voor een thema, of niet? Eén keer wel genoemd en de volgende keer niet is normale ruis. Structureel verschijnen of structureel ontbreken is het signaal. Zoals Roxana Stingu, SEO-lead bij Alamy, het in het panel van Aleyda Solis zei: mensen bouwen prompts die enkel verlengde zoekwoorden zijn, terwijl je zou moeten beginnen bij het probleem dat de klant probeert op te lossen. Wij bij GRP Digital draaien de volgorde daarom om: eerst het klantprobleem, dan pas de prompt. Veelgestelde vragen Moet ik dan helemaal geen zoekwoorden meer gebruiken? Jawel, voor klassieke SEO blijven ze belangrijk. Maar voor AI-zichtbaarheid zijn ze het startpunt, niet het eindproduct. Vertaal je zoekwoorden naar de problemen en vragen erachter. Hoeveel prompts moet ik volgen? Liever dertig tot veertig betekenisvolle prompts die je product- en dienstlijnen en de klantreis dekken dan een enorme lijst. Kwaliteit en dekking boven volume. Waar haal ik echte prompts vandaan? Uit AI Overview-impressies in Search Console, grounding queries in Bing Webmaster Tools, en vooral uit je eigen klantcontact: support, chat en formulieren. Bronnen: Pew Research (querylengte en AI-samenvattingen), Google Search Central (query fan-out), Google Search Console (gen-AI-impressies), Bing Webmaster Tools (grounding queries) en Semrush (promptlengte, eigen clickstream-onderzoek).

John Mueller van Google legde uit hoe impressies in AI Overviews en AI Mode worden geteld in Search Console. Waarom je AI-zichtbaarheid hóger kan zijn dan de cijfers laten zien, en hoe je je data goed leest.

GEO zorgt dat AI-zoekmachines zoals ChatGPT jouw merk noemen. Zo werkt Generative Engine Optimization en zo word je geciteerd in AI-antwoorden.

SEO is niet dood, AI maakt het belangrijker. De cijfers, wat verandert, wat blijft, en hoe je je vindbaarheid in Google én AI op orde houdt.

AI Mode genereert direct antwoorden boven de zoekresultaten. Wat dat betekent voor je zichtbaarheid, klikgedrag en SEO, en wat je nu kunt doen.

Generatieve AI maakt content, agentic AI handelt zelf. Wat het verschil is en wat AI-agents betekenen voor je SEO en vindbaarheid.

AI splitst één zoekopdracht op in 9 tot 11 sub-vragen. Waarom ranken op één zoekwoord niet meer genoeg is en hoe je je content erop voorbereidt.

AI verandert hoe mensen zoeken. Ontdek wat dat betekent voor je SEO-strategie en hoe je je vindbaarheid toekomstbestendig maakt.

E-commerce SEO in een AI-tijdperk: onze visie op wat nu echt werkt voor zichtbaarheid en groei.