GEO zonder hype: waar zichtbaarheid in AI-zoeken echt van afhangt

Om de paar maanden verschijnt er een nieuw acroniem dat een kortere weg naar AI-antwoorden belooft. GEO, AEO en LLMO beschrijven allemaal dezelfde ambitie: de bron zijn waar een AI-systeem uit put als het een vraag over jouw vakgebied beantwoordt. Die ambitie is redelijk. Veel van het advies dat erbij hoort niet.

Dit artikel scheidt wat publiek onderbouwd is van wat nog giswerk is. Het is geschreven voor bedrijven die bepalen hoeveel aandacht, en budget, zichtbaarheid in AI-zoeken verdient.

Wat Google zelf zegt

De eigen documentatie van Google over AI-functies in Zoeken, over AI Overviews en AI Mode, is opvallend direct. Er staat dat er geen aanvullende vereisten zijn om in deze functies te verschijnen en dat er geen speciale optimalisatie nodig is bovenop de bestaande SEO-basics. Om in aanmerking te komen als ondersteunende link moet een pagina geïndexeerd zijn en met een snippet in Zoeken getoond kunnen worden.

Dat maakt AI-zoeken niet irrelevant. Het betekent dat het fundament hetzelfde is als altijd: pagina's die gecrawld kunnen worden, technisch in orde zijn en vragen helder en geloofwaardig beantwoorden. Wie een aparte “AI-rankinglaag” voor Google verkoopt, moet kunnen uitleggen waarom de eigen richtlijnen van Google niet kloppen.

Wat het onderzoek laat zien

De term GEO komt uit een wetenschappelijk paper van Aggarwal en collega's, gepubliceerd op KDD 2024. De auteurs bouwden een benchmark van zoekvragen, pasten verschillende herschrijfstrategieën toe op broncontent en maten hoe zichtbaar die content werd in gegenereerde antwoorden. Bronvermeldingen, citaten van relevante autoriteiten en concrete statistieken verbeterden de zichtbaarheid in hun benchmark. Traditioneel keyword stuffing hielp weinig.

Twee kanttekeningen zijn belangrijk. Ten eerste verschilde het effect per domein: een strategie die goed werkte voor het ene type zoekvraag, deed weinig voor een ander. Ten tweede is een benchmark een gecontroleerde omgeving, geen live commerciële zoekmachine waarvan de systemen continu veranderen. Het paper is een nuttig signaal over wat generatieve systemen doorgaans waarderen, namelijk content die specifiek, onderbouwd en citeerbaar is, maar geen recept met voorspelbaar rendement.

Merkvermeldingen: een correlatie om te begrijpen

Verschillende leveranciers van SEO-software hebben studies gepubliceerd waarin ze vergelijken welke merken in AI-antwoorden verschijnen met signalen als backlinks, zoekvolume op de merknaam en vermeldingen van het merk op andere websites. Een terugkerende bevinding is dat merken die breed op het web worden genoemd vaker zichtbaar zijn in AI-antwoorden, in sommige studies sterker dan je op basis van backlinks alleen zou verwachten.

Dit zijn correlaties van leveranciers met belang bij het onderwerp, op basis van hun eigen datasets en methoden. Ze tonen niet aan dat vermeldingen zichtbaarheid veroorzaken. Bekende bedrijven worden vaker genoemd en hebben ook vaker sterke content, links en vraag. De praktische les is bescheiden: vaak en correct besproken worden op geloofwaardige plekken is goed voor een bedrijf, en AI-systemen lijken dat te weerspiegelen.

llms.txt: onschuldig, optioneel, onbewezen

llms.txt is een voorgestelde conventie voor een platte-tekstbestand dat een site samenvat voor taalmodellen. Het is goedkoop om te maken, en we publiceren er uit beleefdheid zelf een op onze site. We hebben geen publiek bewijs gezien dat het invloed heeft op of en hoe vaak een site wordt geciteerd, en grote aanbieders van AI-zoeken hebben niet gedocumenteerd dat ze erop vertrouwen. Zie het als een nette extra, nooit als hefboom.

Onderbouwd versus speculatief

Onderbouwd

Pagina's moeten crawlbaar, indexeerbaar en geschikt voor snippets zijn om door de AI-functies van Google gebruikt te worden (documentatie van Google)

Onderbouwd

Bronvermeldingen, citaten en statistieken verbeterden de zichtbaarheid in een gecontroleerde GEO-benchmark, met effecten die per domein verschilden (Aggarwal et al., 2024)

Correlatie

Breed genoemde merken verschijnen vaker in AI-antwoorden (studies van leveranciers, oorzakelijk verband niet aangetoond)

Speculatief

llms.txt, speciale “AI-vriendelijke” markup en content in promptvorm als rankinghefboom

Niet onderbouwd

Gegarandeerde vermeldingen of plaatsing in welk AI-systeem dan ook

Crawlbaarheid bepaalt nog altijd wie meedoet

AI-systemen kunnen alleen citeren wat hun crawlers kunnen lezen. Dat klinkt vanzelfsprekend, totdat je naar moderne immersieve websites kijkt, waar tekst soms in een canvas wordt gerenderd, pas na interactie laadt of verstopt zit achter client-side scripts. Voor een crawler kunnen die pagina's bijna leeg zijn.

Het loont ook om robots.txt te controleren. Verschillende AI-aanbieders maken inmiddels onderscheid tussen crawlers voor het trainen van modellen en crawlers voor zoeken en ophalen. OpenAI documenteert bijvoorbeeld aparte user agents voor elk. Training blokkeren en zoekcrawlers toelaten is een legitieme keuze, maar het moet wel een keuze zijn, geen toevallig restant van een algemene regel.

Wat wij concreet doen

• Heldere entiteiten: elke belangrijke pagina vertelt helder wie het bedrijf is, wat het doet, voor wie en waar, in zinnen die zonder context te citeren zijn.
• Feitelijke, citeerbare content: specifieke claims, genoemde bronnen en echte cijfers waar die bestaan; kwalitatieve uitspraken waar ze ontbreken.
• Crawlbare ervaringen: alle tekst staat in server-rendered HTML, ook als de pagina draait om 3D of motion. De visuele laag versterkt de content, maar bevat die nooit.
• Consistente merkfeiten: dezelfde naam, omschrijving en contactgegevens op de zichtbare pagina, in de gestructureerde data en in externe profielen.
• Eerlijke metingen: data uit Search Console, verwijzingsverkeer van AI-assistenten waar analytics dat kan herkennen, en periodieke handmatige checks van hoe het bedrijf wordt beschreven. We rapporteren wat we kunnen zien en benoemen wat we niet kunnen zien.

Bronnen

• Google Search Central, AI-functies en je website: developers.google.com/search/docs/appearance/ai-features
• Aggarwal et al., GEO: Generative Engine Optimization (KDD 2024): arxiv.org/abs/2311.09735
• Voorstel voor llms.txt: llmstxt.org
• OpenAI, overzicht van de crawlers van OpenAI: platform.openai.com/docs/bots