---
title: "AI-tools voor SEO: mijn set met tests en valkuilen - Łukasz Rogala"
description: "Welke AI-tools ik voor SEO gebruik: taalmodellen, data over zoekresultaten, website-crawls en eigen scripts. Met tests in cijfers en valkuilen."
url: "https://rogala.pro/nl/blog/ai-tools-voor-seo/"
language: "nl"
author: "Łukasz Rogala"
published: "2026-10-18T12:15:00+02:00"
modified: "2026-10-18T12:16:57+02:00"
---

[Blog](https://rogala.pro/nl/blog/)

# AI-tools voor SEO: mijn set en de tests die hem hebben gevormd

[Łukasz Rogala](https://rogala.pro/nl/#about) · 18 oktober 2026 · 18 min leestijd

**Mijn set AI-tools voor SEO bestaat uit taalmodellen, betaalde data over de resultaten van Google, een programma om websites te crawlen en eigen scripts.** Een model ordent data goed, beschrijft ze en schrijft code. De uitkomst van één momentopname van de resultaten of van één antwoord van een model kan echter toevallig zijn. Daarom laat ik de tests zien die mijn manier van werken met deze tools hebben veranderd. Ik maak geen ranglijst van 1 tot 10, want ik heb deze tools niet naast elkaar vergeleken op dezelfde data.

**De tests in deze tekst deed ik van juli tot oktober 2026 op eigen data en op data van projecten waarvan ik de namen niet noem.** Voor de betaalde tools uit deze tekst betaal ik zelf, en hun namen noem ik zonder links. Ik leid Linko mede, een linkplatform, en bij VerticalSEO, mijn bureau, bouwen we eigen SEO-tools. Ik schrijf erover met dat voorbehoud. Namen van modellen noem ik in de versies van de testdag overal waar ik die heb vastgelegd, want versies veranderen om de paar weken. Uitkomsten van kleine steekproeven beschrijf ik als voorlopig.

## Wat doet AI goed in SEO, en wat niet?

**Een taalmodel leest, ordent en schrijft goed, maar rekent slecht uit het hoofd en ziet geen data die je het niet geeft.** Op 26 en 27 september 2026 testte ik taalmodellen op 17 soorten SEO-taken, elk op een makkelijk en een moeilijk niveau. Een deel van de soorten bouwde ik op basis van 103 vacatures voor SEO-specialisten. De vacatures noemden het vaakst technische audit, rapportage en data-analyse. Van de tools noemden ze het vaakst Search Console, Google Analytics 4 (GA4), Ahrefs, Semrush en Screaming Frog.

**De sterkste modellen scoorden bijna 100% bij vrijwel elke soort taak, dus de verschillen zag je pas bij de zwakkere modellen.** Tot de kopgroep behoorden onder meer Claude Opus 5.5, Fable 5.1, Codex en Gemini 3.1 Pro. Bij rekenen uit een bestand op het moeilijke niveau kreeg Claude Haiku 4.5 2 van de 10 punten. Gemini 3.8 Flash met een laag redeneerniveau kreeg 1 van de 10 en het lokale Gemma 4 12B 0 van de 10. Bij taken waarin het model de data kon uitrekenen met een script in Python, kregen alle geteste modellen in de cloud alle punten. Ook de zwakste ervan. De data in die taken waren exports uit Screaming Frog, 45.000 gebeurtenissen uit GA4 en een serverlog van 160.000 regels. Daarom rekent in mijn werk een script de getallen uit, dat het model schrijft en uitvoert.

**Teksten in het Pools beoordeelden twee modellen blind, en daar waren de verschillen groot.** De beoordelaars wisten niet welk model de tekst had geschreven. De schaal had 5 niveaus, en 5 betekende een tekst die zonder correcties naar de klant kan. Alleen Claude Opus 5.5 en Claude Sonnet 5 kregen een 5 voor de moeilijke schrijftaak. Gemini 3.1 Pro kreeg een 2, omdat het “het gesprek van gisteren” met de ontvanger verzon. De beoordelaar Claude Opus was strenger dan de beoordelaar Gemini, zowel voor antwoorden van Claude als voor die van de andere modellen.

**Hetzelfde model kan bij een volgende uitvoering van dezelfde test een andere uitkomst geven.** Claude Haiku 4.5 kreeg in twee testrondes 62 en 39 van de 102 punten. In de tekst over de [SEO-audit](https://rogala.pro/nl/blog/seo-audit-uitvoeren/) beschreef ik waarom een AI-model niet zelf een volledige audit van een website maakt.

## Mijn set: welke tool gebruik ik waarvoor?

**De tools deel ik in naar zes toepassingen in mijn werk en niet naar producent.** Hetzelfde model komt in meerdere toepassingen voor, want ik gebruik het anders om data te lezen dan om te controleren. Bij elke toepassing noem ik de test waarna ik mijn manier van werken veranderde.

**Elke toepassing in mijn set heeft een test die mijn manier van werken veranderde**

Matrix van zes bij twee. Rijen: taalmodellen, lokale modellen, data over resultaten, crawlen van een website, content en semantiek, controle. Kolommen: tools en taken, en de test die mijn manier van werken veranderde.

*Tests van september en oktober 2026 op eigen data en op data van projecten waarvan ik de namen niet noem. Uitkomsten van kleine steekproeven beschouw ik als voorlopig.*

## Welke taalmodellen gebruik ik en waarvoor?

**Het hoofdwerk doe ik in Claude Code, dus in Claude die in de terminal draait met toegang tot bestanden, scripts en data.** Claude schrijft en voert scripts uit, leest exports en maakt concepten van rapporten. Codex (OpenAI) en Gemini (Google) krijgen hetzelfde materiaal voor een tweede controle.

**Teksten en rapporten controleer ik met een tweede model van een andere producent, in twee rondes.** De eerste ronde zoekt feitelijke fouten en hiaten. De tweede ronde controleert alleen de correcties, want bij het corrigeren ontstaan nieuwe fouten. In oktober 2026 vond de tweede ronde in een project in een gids een verkeerd totaalaantal links, waarmee een percentage was berekend: 79 in plaats van 76. Die fout ontstond pas bij de correcties. Mijn controlescript vond hem niet.

**Een model als kwaliteitsbeoordelaar kan iets anders meten dan een mens, daarom test ik het op teksten die ik al heb beoordeeld.** Op 7 oktober 2026 gaf ik twee modellen 87 beschrijvingen van Google-patenten om te beoordelen. Daarbij waren 8 beschrijvingen die ik zelf eerder als klaar had beoordeeld, en de beoordelaars wisten dat niet. Fable, een model van Anthropic, vond 5 van die 8 klaar. Codex met een hoog redeneerniveau vond er 1 van de 8 klaar.

**Deze twee uitkomsten gaan alleen over de teksten die ik zelf als klaar had beoordeeld.** De overige 79 beschrijvingen beoordeelde ik niet, dus ik weet niet hoeveel afwijzingen terecht waren. Codex wees in totaal 51 van de 87 beschrijvingen af, omdat het elke zin van de beschrijving vergeleek met de claims, dus met de juridische reikwijdte van het patent. De overeenstemming tussen de beoordelaars was bijna toevallig. De kappa van Cohen bedroeg 0,06, waarbij 0 toevallige overeenstemming betekent en 1 volledige.

**Lokale modellen op mijn eigen computer met een videokaart gebruik ik voor massale labels, want dan betaal ik niet voor elk stuk.** Op 1 oktober 2026 testte ik lokale modellen op vier eenvoudige handelingen. De data waren pagina’s van drie Poolse webwinkels. Gemma 4 31B herkende het paginatype bij 98,5% van de 403 pagina’s. De paginatypen zijn product, productlijst, artikel of overig. Een script met regels raakte 84% van die pagina’s.

**Gemma las prijzen en beoordeelde de overeenstemming van getallen bijna foutloos, maar een deel van de referenties in deze test kwam van een model en niet van een mens.** De referentie voor het paginatype waren labels uit een script, gecorrigeerd door het model Claude Opus. Gemma las de prijs correct uit alle 177 productkaarten. De referentie was de prijs uit gestructureerde data die overeenkwam met de tekst van de pagina. Bij 99,3% van 134 gevallen beoordeelde Gemma correct of een getal in een zin overeenkomt met de data. In de helft van die zinnen was het getal met opzet gewijzigd. Gemma herkende ook het type vraag in een zoekterm (aanbod, buiten het aanbod of advies) bij 97,7% van 218 zoektermen. De referentie waren hier labels van het model Claude Opus.

**Dezelfde modelfamilie faalde bij het vergelijken van getallen tussen twee bestanden in een echte offerte.** Op 12 oktober 2026 vergeleken twee versies van Gemma 4, 26B en 31B, 63 rijen en meldden alleen valse tegenstrijdigheden. Ze vonden bijvoorbeeld dat “-34%” en “een derde” tegenstrijdige waarden zijn. Het enige echte probleem in die tekst ging niet over getallen, maar over een overdreven woord bij een uitkomst uit de tabel. Het hoorde dus niet bij de taak van Gemma. Nu controleert een script of elk getal uit het ene bestand in het andere voorkomt. Dat is een controle op de aanwezigheid van getallen, en de betekenis ervan controleert een mens of een tweede model.

## Welke tools gebruik ik voor data over posities en vraag?

**Data over de resultaten van Google haal ik uit DataForSEO, Search Console en Ahrefs, en elke bron heeft een andere valkuil.** DataForSEO verkoopt momentopnamen van de resultaten van Google en data over vraag, met betaling per zoekopdracht. Van 17 september tot 14 oktober 2026 liet ik daar 17.076 taken uitvoeren voor 99,89 USD. Daaronder waren 13.085 momentopnamen van de resultaten van Google.

**Eén momentopname van de resultaten is niet genoeg om posities te meten, want opeenvolgende momentopnamen van dezelfde zoekterm zien er anders uit.** Op 7 oktober 2026 haalde ik de resultaten van 94 zoektermen drie keer om het uur op en twee keer in dezelfde minuut, voor 1,57 USD. Daarna vergeleek ik de domeinen uit de top tien in twee momentopnamen van dezelfde zoekterm. De gemeenschappelijke domeinen vormden in de mediaan ca. 15% van alle verschillende domeinen uit beide momentopnamen. Bij momentopnamen uit dezelfde minuut was dat ca. 8%. Eén zoekterm had in de mediaan 4 varianten van resultaten. Daarom bereken ik in plaats van posities het percentage momentopnamen waarin een domein in de top tien staat. Het zijn er ca. 10 en ik verstuur ze tegelijk.

**Deze meting maakte mijn eerdere test ongeldig, waarin ik de positie uit één momentopname vergeleek met citaties uit vijf momentopnamen.** De uitkomst “geslaagd” van die test bleek onjuist, dus ik heb de test stopgezet. AI Overview, dus het AI-antwoord boven de resultaten van Google, was in deze meting stabiel: het verscheen in 97-99% van de momentopnamen en de lijst met geciteerde pagina’s veranderde niet.

**Search Console toont klikken die Google zelf heeft gemeten, maar de export uit het dashboard kapt de tabel af op 1.000 rijen.** Duizend zoekopdrachten gesorteerd op klikken is het meest aangeklikte deel van de data. Op 20 september 2026 toonde de export uit het dashboard bij één website een CTR van 4,28% voor posities 1-3 in de VS. CTR is het percentage vertoningen dat tot een klik leidde. Data over 16 maanden die ik zonder de limiet van 1.000 rijen ophaalde, dus 123.498 zoekopdrachten, gaven 1,40%. Zulke data haal ik op via de API van Search Console, dus de interface voor programma’s. De tweede manier is een rapport in Looker Studio, de gratis tool van Google voor rapporten, met de connector voor Search Console.

**Ahrefs gebruik ik voor links, zoektermen en concurrentie, maar zijn schattingen van verkeer controleer ik in Search Console.** De kolom met verkeer in de Rank Tracker van Ahrefs is een schatting: geschatte vraag vermenigvuldigd met een aangenomen klikpercentage. Bij één website was die schatting 10-50 keer hoger dan de klikken in Search Console, bij een andere ca. 3 keer lager. De Rank Tracker telt ook blokken op de resultatenpagina als posities. In één geval betekende een daling van plaats 1 naar plaats 13 alleen dat er boven de resultaten een AI Overview was verschenen.

## Welke tools gebruik ik voor een technische audit?

**Voor een audit gebruik ik Screaming Frog en de browser Chrome zonder venster, en een AI-model leest de uitkomsten maar vervangt het crawlen van de website niet.** Screaming Frog loopt door een website zoals een robot van een zoekmachine. Chrome zonder venster toont de pagina na het uitvoeren van JavaScript, dus ik vergelijk beide versies van de pagina. In één audit gaven crawls met en zonder JavaScript die tegelijk liepen een vals signaal over het renderen. Sindsdien start ik ze na elkaar.

**Als de firewall van een geauditeerde website mijn crawlprogramma blokkeert, haal ik afzonderlijke adressen op via de dienst Apify Web Fetch.** In de test van 12 oktober 2026 las de dienst 8 van de 8 pagina’s uit die ik niet vanaf mijn IP-adres kon ophalen. Twee ervan hoorden bij websites van klanten en zes bij openbare websites met reviews, vergelijkingssites en webwinkels. Dat kostte 0,00155 USD per adres. De dienst meldde soms wel een geslaagde ophaalactie met code 200, terwijl ze alleen een verificatiepagina had opgehaald. Een zeer korte tekst of een tekst over verificatie beschouw ik dus als een blokkade en ik probeer het opnieuw.

**Deze dienst laat niet zien wat een echte robot van Google of een AI-robot ziet.** Ze maakt verbinding vanaf een ander IP-adres, en zelfs als ik de naam van een robot opgeef, verraden de overige headers een gewone browser Chrome. Blokkades van robots controleer ik dus in Search Console en met mijn eigen script dat de antwoorden van de server voor verschillende robots vergelijkt. In de tekst over [het bestand llms.txt](https://rogala.pro/nl/blog/llm-txt-bestand/) beschreef ik hoe ik aan de hand van het IP-adres controleer of een verzoek van een echte robot kwam.

**De assistent voor technische audits bouwde ik op de audits van mijn bureau uit 2020-2026 en ik meet hem op audits die eerder door een mens zijn gedaan.** De assistent is een AI-agent die data over een website verzamelt en ze controleert volgens een catalogus van regels uit die audits. De reikwijdte van de audit en de prioriteiten keur ik zelf goed, aan het begin van het werk en vóór het versturen van de audit. De uitkomst van de meting voeg ik hier toe na de tweede meting op een nieuwe website.

## Welke tools gebruik ik voor content en semantiek?

**Een zoekterm koppel ik aan een pagina met hybride zoeken, want de vorige versie van mijn tool raakte maar een derde van de zoektermen.** Op 14 oktober 2026 nam ik zoektermen uit Search Console van twee websites, zonder zoektermen met de merknaam. Voor elke zoekterm was de referentie de pagina die minstens 60% van de klikken op die zoekterm kreeg en die bij de gecrawlde pagina’s van de website hoorde. De vorige versie van de tool gebruikte het model MiniLM voor embeddings, dus het omzetten van tekst in een vector van getallen. Het wees de referentiepagina als eerste aan bij 34% van de zoektermen.

**Hybride zoeken combineert drie lijsten met pagina’s en raakte de referentiepagina bij 80,5% en 77,1% van de zoektermen.** De eerste lijst komt uit het model e5-large. De tweede is zoeken op woorden in de tekst en de derde op woorden in de titel, de kop H1 en het adres. De lijsten voeg ik samen met de methode RRF, die pagina’s beloont die op meerdere lijsten tegelijk hoog staan. Het beste afzonderlijke model voor embeddings was bij elke website een ander, en de hybride aanpak won bij beide.

**Hybride zoeken raakte de pagina met de meeste klikken meer dan twee keer zo vaak als de vorige versie van mijn tool**

Horizontale balken voor vier methoden. Bij elke methode twee balken: het percentage zoektermen waarbij de methode de pagina met de meeste klikken als eerste aanwees, apart voor twee websites. MiniLM 33,9% en 34%, e5-large 70,8% en 54,9%, zoeken op woorden in de tekst 67,1% en 63,2%, hybride zoeken 80,5% en 77,1%.

*Test van 14 oktober 2026. De referentiepagina is de pagina met minstens 60% van de klikken op een zoekterm in Search Console, zonder zoektermen met de merknaam. De uitkomst van MiniLM betreft de vorige versie van de tool met een fout bij het knippen van tekst. Hybride zoeken combineert e5-large met zoeken op woorden in de tekst en in de titel, de kop H1 en het adres van de pagina. De uitkomst meet de overeenstemming met klikken in Google en niet welke pagina het beste antwoord geeft op de zoekopdracht.*

**Bij deze test vond ik een fout in mijn eigen tool: het model zag het einde van de meeste tekstfragmenten niet.** Het script knipte de tekst in fragmenten van 80 woorden, terwijl het model 128 tokens aankan, dus stukjes van woorden. Poolse woorden vallen uiteen in meer tokens dan Engelse, dus 89-98% van de fragmenten werd afgekapt. De uitkomst van 34% gaat dus over de vorige versie van de tool met die fout en niet over het model MiniLM zelf. De test meet de overeenstemming met klikken in Google en niet welke pagina het beste antwoord geeft op de zoekopdracht.

**Entiteiten, dus namen van bedrijven, producten, personen en begrippen, haal ik uit teksten met het lokale model GLiNER2.** In mijn test van juli 2026 had het model op Poolse teksten een F1 van 0,94, evenveel als op Engelse. F1 combineert precisie en volledigheid, en 1 is een perfecte uitkomst. Deze uitkomst geldt voor labels die elkaar niet overlappen. Toen er in één opdracht tegelijk de labels “bedrijf” en “merk” waren, zakte F1 naar 0,85. Het model draait op een gewone processor, ca. 20 alinea’s per seconde, zonder kosten per pagina.

**GLiNER2 gebruik ik niet om de intentie van zoektermen te herkennen, want in mijn test raakte het maar 33-42% van de gevallen.** Het had vaak ongelijk met een zekerheid van 0,99, dus met bijna de hoogste zekerheid die het zelf opgeeft.

**De themakaart van deze serie teksten maakte ik uit entiteiten op 71 pagina’s van concurrenten uit Polen en de VS.** Het script haalde 110 entiteiten en 1.764 triples eruit, dus vermeldingen in de vorm entiteit, eigenschap en waarde. De data kostten 0,072 USD. De kaart toonde de rollen van de teksten, paren teksten die met links moesten worden verbonden en onderwerpen die op deze website ontbreken.

## Welke tools gebruik ik voor link building?

**Voor linkanalyse gebruik ik Ahrefs, maar links die als verloren zijn gemarkeerd controleer ik live voordat ze in de conclusies terechtkomen.** In oktober 2026 toonde Ahrefs bij één project 360 Poolse domeinen als verloren. Daarvan linkten er 140 nog steeds naar hetzelfde adres. Ca. 70 adressen antwoordden met fout 403 op het ophalen met een gewoon programma, dus ik controleerde ze in een door een script gestuurde browser (Playwright).

**Ik leid Linko mede, een linkplatform, dus ik beschrijf het hier niet als een tool van een ander bedrijf.** In de tekst over [link building](https://rogala.pro/nl/blog/link-building/) beschreef ik hoe ik portals beoordeel voordat ik een publicatie koop. In de tekst over [link building in het AI-tijdperk](https://rogala.pro/nl/blog/ai-link-building/) beschreef ik hoe AI helpt bij het voorbereiden van publicaties en het contact met uitgevers.

## Welke tools gebruik ik om zichtbaarheid in AI te meten?

**De tools om de zichtbaarheid van een merk in AI te meten beschreef ik in een aparte tekst, dus hier geef ik alleen het principe.** De vermelding van een merk in een antwoord en de citatie van zijn pagina tel ik apart. Elke vraag stel ik meerdere keren, want de antwoorden van assistenten veranderen. In de tekst over [zichtbaarheid van een merk in AI](https://rogala.pro/nl/blog/ai-visibility-meten/) beschreef ik de meting, het aantal herhalingen en de valkuilen van tools. In de tekst over [GEO en AI SEO](https://rogala.pro/nl/blog/geo-ai-seo/) beschreef ik wat ik op de website doe zodat AI-assistenten haar kunnen citeren.

## Welke SEO-tools hebben we zelf gebouwd?

**Als geen enkele tool mijn vraag beantwoordt, schrijf ik met hulp van AI een eigen script.** De meeste van die scripts dienen voor intern werk: crawlen, data ophalen, entiteiten, controle van teksten en getallen. Voordat ik een script in mijn werk gebruik, test ik het op data met een bekend juist antwoord.

**Bij VerticalSEO bereiden we 16 SEO-tools voor die beschikbaar komen via een website en via een API, ook voor AI-agenten.** De tools zijn nog niet gepubliceerd. De tests van 8 oktober 2026 controleerden of de tools werken volgens de specificatie. Geslaagd waren 610 van de 610 API-tests en 325 van de 325 tests van tools voor agenten in de browser. Deze tools werken in de standaard WebMCP, die functies van een website beschikbaar stelt aan AI-agenten. De tests meten nog niet of de tools juiste SEO-conclusies geven.

**De test van de tool om entiteiten te controleren liet zien dat een naam alleen niet volstaat om een entiteit aan te wijzen.** Ik zocht het Poolse handelsplatform Allegro, maar de tool koos uit de Knowledge Graph van Google, dus uit de entiteitendatabase, een werk van Vivaldi. Onder mijn voor- en achternaam koos hij een acteur. Nu bevestigt de tool een entiteit pas als Google voor haar de gecontroleerde pagina opgeeft. Een bevestiging is ook een identifier die door Wikidata of door gestructureerde data van de pagina wordt aangewezen.

**LemmeGSC, mijn dashboard voor data uit Search Console, bereid ik voor op publicatie als open source.** Het dashboard haalt data uit Search Console op zonder de limiet van 1.000 rijen. Het toont onder meer kannibalisatie van zoektermen, dus meerdere pagina’s van één website op dezelfde zoekterm.

## Welke gratis SEO-tools zijn genoeg om mee te beginnen?

**Om te beginnen volstaan Search Console, Looker Studio, de gratis versie van een AI-assistent en de gratis versie van Screaming Frog.** Elk van deze tools heeft een andere rol:

- Search Console toont klikken, vertoningen en zoekopdrachten uit Google;
- Looker Studio met de connector voor Search Console haalt die data op zonder de limiet van 1.000 rijen;
- de gratis versie van een AI-assistent groepeert zoektermen en schrijft concepten en scripts, als je haar data geeft;
- de gratis versie van Screaming Frog crawlt tot 500 adressen, wat voor een kleine website volstaat.

**Betaalde tools voor zoektermen en links voeg je beter pas toe als je weet welke vraag ze moeten beantwoorden.** Een gratis AI-assistent kent je data uit Search Console niet. Hij levert het meeste op als hij van jou een export en het verzoek om een script krijgt dat de uitkomst berekent.

## Hoe test ik een AI-tool voordat ik hem vertrouw?

**Een tool controleer ik op data waarvoor ik het juiste antwoord ken.** Niet elke test uit deze tekst had alle elementen uit de lijst hieronder. Bij de test van lokale modellen had een model de referentie voor het paginatype gecorrigeerd en geen mens. Tegenwoordig heeft een test deze elementen:

- een referentieset uit beslissingen van een mens of uit data van Google, bijvoorbeeld de pagina met de meeste klikken op een zoekterm;
- een verwachte uitkomst die is vastgelegd voordat de test wordt gestart;
- een herhaling van dezelfde testronde, want één ronde van een model of één momentopname van de resultaten kan toevallig zijn;
- gevallen met een opzettelijk aangebrachte fout, om te controleren of de controle hem opmerkt;
- kosten en tijd per stuk;
- getallen die door een script zijn gecontroleerd en niet door een model.

**De data voor tests kostten me weinig, en de referentieset vraagt het meeste werk.** De test van momentopnamen van de resultaten kostte 1,57 USD en de data voor de themakaart van de serie 0,072 USD. Een referentieset vraagt om een eerdere beoordeling door een mens. De genoemde kosten omvatten dat werk niet.

**De uitkomst van een test leg ik vast samen met wat de test niet heeft gecontroleerd.** Bij het koppelen van een zoekterm aan een pagina ken ik de overeenstemming met klikken in Google, maar ik weet niet of de aangewezen pagina het beste antwoord geeft op de zoekopdracht. Bij de lokale modellen testte ik vier eenvoudige handelingen en geen volledige taken. Zonder zo’n vermelding wordt een testuitkomst gemakkelijk breder opgevat dan ze is.

**Ik controleer welke taken in jouw SEO je met AI-tools kunt versnellen en waar een script of een mens nodig is.** Schrijf me welke taken je elke week herhaalt en welke data je gebruikt. Ik antwoord waarmee ik zou beginnen.

[Stuur me een bericht](https://rogala.pro/nl/#contact) · [LinkedIn](https://www.linkedin.com/in/lukaszrogala/?locale=nl_NL) · [WhatsApp](https://wa.me/48570081225)

## Veelgestelde vragen over AI-tools voor SEO

### Is ChatGPT geschikt voor SEO?

**Ja, voor werk met data die je het geeft, maar niet als bron van data over posities en vraag.** In mijn tests testte ik vooral Claude, Codex en Gemini en niet ChatGPT zelf. Een assistent van dit type kan samenvatten, zoektermen groeperen en concepten van teksten en code schrijven, maar de uitkomst moet je controleren. Zonder data uit Search Console of uit een tool voor zoektermen kent hij de posities van je website en het aantal zoekopdrachten niet. Getallen uit het geheugen zijn soms verzonnen.

### Gaat AI de SEO-specialist vervangen?

**Mijn tests hebben dat niet gecontroleerd, want ze gingen over afzonderlijke handelingen en niet over het hele werk van een specialist.** Bij die handelingen hadden de sterkste modellen vaak alle punten. Foute conclusies kwamen voort uit onvolledige data en een zwakke controle: uit één momentopname van de resultaten, uit een afgekapte export uit Search Console en uit een model dat zelf getallen vergeleek. Die fouten vond een mens of een script dat een mens had ontworpen.

### Straft Google content die door AI is geschreven?

**Niet voor het gebruik van AI zelf: Google schrijft dat passend gebruik van AI zijn richtlijnen niet schendt.** Het spambeleid van Google over misbruik van content op grote schaal omvat het maken van veel pagina’s vooral om de ranking te manipuleren en niet om gebruikers te helpen. Dat beleid geldt voor pagina’s die op elke manier zijn ontstaan, ook met hulp van AI. Google adviseert ook om feiten in content met AI vóór publicatie handmatig te controleren, ook in titels, beschrijvingen en gestructureerde data.

## Waar begin je?

**Begin met één taak die je elke week doet en met de data die je al in Search Console hebt.** Geef het model de volledige data en vraag om een script dat berekent wat je nu met de hand uitrekent. Vergelijk de uitkomst met een tiental gevallen die je zelf controleert. Pas als de uitkomsten overeenkomen, start je het script op de volledige data. In de tekst over [SEO-strategie](https://rogala.pro/nl/blog/seo-strategie/) beschreef ik welke data uit Search Console ik aan het begin van het werk controleer.

Externe bronnen (gecontroleerd op 18 oktober 2026):

- Google Search Central: Google Search's guidance on using generative AI content on your website (developers.google.com)
- Google Search Central Blog: Google Search's guidance about AI-generated content (8-2-2023) (developers.google.com)
- Google Search Central: Spam policies for Google web search (developers.google.com)

prijslijst van Screaming Frog SEO Spider op de website van de producent (limiet van de gratis versie: 500 adressen). Eigen data: test van het model GLiNER2 (juli 2026), test van 17 soorten taken op taalmodellen (26-27 september 2026), test van lokale modellen op vier handelingen (1 oktober 2026), test van kwaliteitsbeoordelaars (7 oktober 2026), test van de variatie van momentopnamen van resultaten van DataForSEO (7 oktober 2026), test van Apify Web Fetch en vergelijking van getallen in een offerte (12 oktober 2026), test van het koppelen van een zoekterm aan een pagina (14 oktober 2026), gebruik van DataForSEO (17 september - 14 oktober 2026), themakaart van de serie (18 oktober 2026).

[Łukasz Rogala](https://rogala.pro/nl/#about)

SEO-strateeg en SEO-consultant

Łukasz Rogala is SEO-strateeg en SEO-consultant, CEO van VerticalSEO en medeoprichter van Linko.

[Over mij](https://rogala.pro/nl/#about) · [Lezingen en media](https://rogala.pro/nl/#featured)

Lees ook

- [Zichtbaarheid in AI meten: hoe ik het doe en met welke tools](https://rogala.pro/nl/blog/ai-visibility-meten/)
- [SEO-audit: zo voer ik een audit van een website stap voor stap uit](https://rogala.pro/nl/blog/seo-audit-uitvoeren/)