GEO en AI SEO zonder mythes: wat echt werkt

Een merk komt in de antwoorden van ChatGPT, Gemini, Perplexity en AI Overview vooral via twee routes die in elkaar overlopen, en GEO is het werk aan allebei:

1. Via zoeken. Het model zoekt tijdens het antwoord op het web en citeert een deel van de pagina's die het vond. Hier werkt hetzelfde als in SEO: toegang voor robots, indexering, zichtbaarheid op een zoekterm en zijn varianten, en fragmenten die een vraag beantwoorden zonder de rest van de pagina. Het effect zie je, net als in SEO, na weken of maanden.
2. Via het geheugen van het model. Het model antwoordt met wat het vóór het einde van de training heeft geleerd, en dat geheugen bepaalt ook wie het noemt als het wel op het web zoekt. Hier telt wat anderen over het merk schreven en één consistente omschrijving van het merk in veel bronnen. Het tempo van veranderingen in het geheugen heb ik niet gemeten, dus voor een termijn van een kwartaal beloof ik hier niets.

De meeste “GEO-trucs” hebben geen bewijs, en een deel ervan heb ik op mijn eigen data getest. Voor het bestand llms.txt en gestructureerde data is er geen bewijs dat ze citaties opleveren. Meer koppen brachten pagina's in mijn test niet in de top 3. De test of de positie op subzoekopdrachten een citatie beter voorspelt dan de positie op de hoofdzoekterm, besliste niets, en mijn eerste conclusie eruit werd door de kruiscontrole weerlegd. Het bewijs bij elk van deze zinnen staat hieronder.

Wat is GEO en hoe heet dit werk nog meer?

GEO is het werk om ervoor te zorgen dat een merk verschijnt in antwoorden die AI genereert: in AI Overview en de AI-modus van Google, in ChatGPT, Gemini, Perplexity en Copilot. Hetzelfde werk heeft meerdere namen, en de verschillen daartussen zijn vooral marketing:

De naam GEO komt uit de wetenschap, en het fundament van dit hele werk is hetzelfde als in SEO. GEO komt uit een wetenschappelijk artikel van november 2023, aangenomen voor de conferentie KDD 2024. De auteurs, Pranjal Aggarwal en collega's, lieten op hun eigen testset zien dat wijzigingen in de tekst de zichtbaarheid van een bron in generatieve antwoorden met wel 40% kunnen verhogen (arXiv). Google schrijft in zijn documentatie dat optimaliseren voor generatief zoeken nog steeds SEO is (Google Search Central). Cyrus Shepard van Zyppy antwoordt op de vraag of een bedrijf een aparte GEO-strategie nodig heeft op dezelfde manier:

Ook mensen hebben geen eenduidige naam voor dit werk, en dat zie je in de Google-resultaten. De vraag “Jak nazywa się pozycjonowanie w AI?” (“Hoe heet SEO voor AI?”) staat in het blok “Mensen vragen ook” in de Poolse resultaten, de equivalenten ervan in de resultaten uit Duitsland, Spanje en Finland, en de Engelse “What is AI SEO called now?” in de resultaten uit de VS, Zweden en Singapore. De vraag naar het verschil tussen GEO (of LLMO) en SEO staat in 9 van de 27 gecontroleerde markten, van Brazilië tot Japan.

Welke naam domineert, hangt af van de markt. In Japan is 72% van de ca. 16.730 zoekopdrachten per maand over dit onderwerp LLMO, en de zoekterm “llmo” alleen heeft ca. 12.100 zoekopdrachten, meer dan “ai seo” in de VS (ca. 6.600). In Duitsland en Frankrijk domineert GEO (64% en 66%), in Zuid-Korea 83%. In Polen is 58% van de ca. 2.265 zoekopdrachten per maand AI SEO, samen met de zoekterm “ai seo” en Poolse omschrijvingen (“pozycjonowanie ai”, “pozycjonowanie w ai”), en GEO is 32%. In de VS lopen AI SEO en GEO gelijk op: 42% en 39% van ca. 25.400 zoekopdrachten, en in Spanje is het gelijkspel (44% en 44%). In Tsjechië is er in de data geen vraag naar een van de namen.

De zoekterm “ai seo” is dubbelzinnig, dus het aandeel van AI SEO beschouw ik als een bovengrens. Bij “ai seo” toont Google naast teksten over optimaliseren voor AI ook AI-tools en handleidingen over SEO doen met behulp van AI: in de VS is dat meer dan de helft van de resultaten in de top 10, in Denemarken minstens 6 van de 8. De AI Overview bij deze zoekterm beschrijft AI SEO in de VS en in Denemarken wel als optimalisatie voor AI-antwoorden, dus Google behandelt die als naam voor dit werk. Zonder deze ene zoekterm loopt GEO voorop in 25 van de 26 markten van mijn blog, en in Japan blijft LLMO over. In Polen hebben de ondubbelzinnige Poolse omschrijvingen (“pozycjonowanie ai”, “pozycjonowanie w ai”) samen ca. 580 zoekopdrachten per maand, en GEO ca. 725. Over AI-tools voor SEO schrijf ik een aparte tekst.

De losse zoekterm “aeo” tel ik niet mee, omdat die in Polen vooral een douanecertificaat betekent en in de VS een deel van de resultaten beursnoteringen van de kledingketen American Eagle zijn. Bij “aeo” in de Poolse Google zijn drie van de eerste vier resultaten sites van het ministerie van Financiën. Zoektermen met de volledige naam, zoals “answer engine optimization”, tel ik mee in de reeks “Overig”.

Elke taalversie van deze tekst gebruikt de naam waar mensen op die markt naar zoeken. De Japanse spreekt over LLMO, de Duitse en Franse over GEO, en de Poolse over “pozycjonowanie w AI” en AI SEO. De Nederlandse versie gebruikt GEO en AI SEO naast elkaar, omdat in Nederland 52% van de ca. 2.450 zoekopdrachten per maand over dit onderwerp naar GEO gaat en 38% naar AI SEO, met “ai seo” (ca. 655) als grootste zoekterm.

Hoe kiest AI de bronnen voor een antwoord?

Het model antwoordt uit zoeken of uit geheugen, en daarvan hangt af wat je kunt veranderen. Als het op het web zoekt, splitst het de vraag in meerdere zoekopdrachten, haalt de resultaten op, kiest daaruit fragmenten en citeert een deel ervan. Google noemt dit in de documentatie “query fan-out”: het systeem stuurt meerdere verwante zoekopdrachten over deelonderwerpen en uit verschillende bronnen (Google Search Central). Als het model niet zoekt, antwoordt het met wat het tijdens de training leerde, en dan verandert de positie van een pagina in Google niets.

De routes lopen in elkaar over, want het geheugen van het model beïnvloedt ook het antwoord waarbij het model op het web zocht. Dan Petrovic van Dejan schrijft dat de vermelding van een merk in de tekst van het antwoord vooral op eerdere kennis van het model berust, en dat één pagina die nauwelijks verschuift (Dejan, 7-7-2026). Daarom meet ik beide routes apart, maar werk ik er tegelijk aan.

Hoe vaak een model op het web zoekt, hangt van het model af: in mijn test van 10 tot 94 zoektermen op 94. Ik controleerde dit via de API op 94 zoektermen uit projecten die ik uitvoer, in het Engels en in het Pools, in de nacht van 3 op 4 oktober 2026 en 's ochtends nog een keer. In de tekst over SEO-strategie beschreef ik hetzelfde effect bij vijf adviesvragen, hier staat het op een grotere set.

• 93 van 94Zoveel keer greep Gemini 2.5 Flash in de eerste ronde naar de zoekmachine (in de tweede 94 van 94).Mijn test via de API, 3-4 oktober 2026
• 71 van 94Zoveel keer zocht Gemini 3.5 Flash (in de tweede ronde 69 van 94).Mijn test via de API, 3-4 oktober 2026
• 25 van 84Zoveel keer zocht Gemini 3.1 Pro (10 aanroepen eindigden met een limietfout; in de tweede ronde 32 van 94).Mijn test via de API, 3-4 oktober 2026
• 10 van 94Zoveel keer zocht Gemini 3.8 Flash (in de tweede ronde 15 van 94). Bij de overige zoektermen antwoordde het uit het geheugen.Mijn test via de API, 3-4 oktober 2026

In deze opzet zochten nieuwere versies van Gemini Flash minder vaak, maar Gemini 3.1 Pro past niet in dat patroon. Pro heeft een oudere versie dan 3.5 Flash en zocht minder vaak dan die. Het is één modelfamilie en één API-configuratie, en niet de Gemini-app die de gebruiker ziet, dus ik zie de getallen als signaal en niet als regel. Ze zijn wel genoeg om bij elke meting te controleren bij hoeveel vragen het model überhaupt zoekt.

Het geheugen van de modellen over een nieuw Pools merk bleek vol gaten te zitten, en een deel van de modellen verzon de omschrijving. In hetzelfde project beoordeelde een apart model blind ca. 500 antwoorden op vragen over de merken waarvoor ik werk. Een van de nieuwe Poolse merken in die set was bij alle gecontroleerde modellen onbekend, en in 9 van de 12 antwoorden over dat merk was de omschrijving verzonnen. Het aandeel verzinsels hing van het model af: van 5% tot 77% van de antwoorden over alle merken. De antwoorden beoordeelde één beoordelingsmodel, dus verschillen onder ca. 10 procentpunten zie ik als ruis.

Hetzelfde domein kan op de ene route zichtbaar zijn en op de andere onzichtbaar. Een van de websites werd in de AI-modus van Google bij 10 van de 13 paren van zoektermen geciteerd, en in antwoorden van modellen zonder zoeken kwam hij geen enkele keer voor (0 van 13). Het is één domein en 13 paren, dus het is een illustratie en geen regel.

Een verwant verschijnsel zie je in een onderzoek op grotere schaal. Dan Petrovic bespreekt een onderzoek van Google Research naar 13 modellen en 2.150 feiten uit Wikipedia: de beste van die modellen, zoals Gemini 3 Pro en GPT-5, hebben 95-98% van die kennis in hun gewichten, maar kunnen 26-34% ervan niet oproepen (Dejan, 17-8-2026). Het zijn encyclopedische feiten en geen kennis over merken, maar de conclusie voor een merk lijkt erop: dat informatie in de trainingsdata zit, garandeert niet dat het model die ook noemt.

Hoe kom je in AI-antwoorden via zoeken?

Op de route via zoeken werkt hetzelfde als in SEO, met één verschil. Google schrijft dat een pagina om in AI Overview en de AI-modus te komen in de index moet staan en met een tekstfragment in de resultaten moet kunnen verschijnen, en dat er geen extra technische eisen zijn (Google Search Central). Het verschil is dat het model meerdere zoekopdrachten tegelijk stuurt, dus een pagina die alleen op één hoofdzoekterm zichtbaar is, heeft minder kansen op een citatie dan een pagina die ook op de varianten zichtbaar is. ChatGPT heeft bovendien een eigen zoekrobot (daarover hieronder meer), dus zichtbaarheid in Google gaat niet rechtstreeks over naar ChatGPT.

Toegang voor AI-robots

Robots van AI-zoekmachines kunnen geblokkeerd zijn zonder dat de eigenaar van de website het weet. Een firewall of een instelling in het contentnetwerk (CDN) kan ze blokkeren, vaak pas boven een drempel aan verzoeken, dus één test laat niets zien. Ik stuur een reeks verzoeken met de namen van de robots van Google, OpenAI, Perplexity en Anthropic en vergelijk het serverantwoord met dat van een gewone browser.

Het blokkeren van training van modellen is een andere beslissing dan het blokkeren van zoeken. OpenAI scheidt die rollen: GPTBot verzamelt teksten die in de training van modellen terecht kunnen komen, en OAI-SearchBot bepaalt de aanwezigheid in de zoekresultaten van ChatGPT. OpenAI schrijft dat websites die OAI-SearchBot blokkeren niet worden getoond in de zoekantwoorden van ChatGPT, en dat het blokkeren van GPTBot dat niet verandert (OpenAI). Op dezelfde manier bepaalt Google-Extended hoe de Gemini-modellen teksten gebruiken, maar volgens Google heeft het geen invloed op de aanwezigheid of de positie in de zoekmachine (Google Search Central). Wie alle AI-robots met één schakelaar blokkeert, kan de aanwezigheid in de zoekresultaten van ChatGPT verliezen die hij helemaal niet wilde opgeven.

Positie op een zoekterm en subzoekopdrachten

Ik weet niet of een hogere positie de kans op een citatie vergroot, want mijn data beslissen dat niet. In de tekst over SEO-strategie beschreef ik in de kaart van hypotheses een artikel dat bij vijf zeer verwante zoektermen maar bij één in AI Overview werd geciteerd, en wel bij die waarop het het laagst stond. De subzoekopdrachten bedenkt het model en ze kunnen bij elk antwoord anders zijn, dus er is geen vaste lijst “subzoekopdrachten voor zoekterm X”. In mijn set van 94 zoektermen genereerde het model in één ronde 493 verschillende subzoekopdrachten, gemiddeld ruim vijf per zoekterm.

Ik controleerde of de positie op subzoekopdrachten een citatie beter voorspelt dan de positie op de hoofdzoekterm, en mijn eerste uitkomst overleefde de controle niet. Op paren zoekterm-pagina uit projecten die ik uitvoer, schreef ik de regel op voordat ik de uitkomst berekende. De maat was het oppervlak onder de ROC-curve (AUC), dus hoe goed een signaal geciteerde pagina's van niet-geciteerde scheidt (0,5 is het niveau van een muntworp, 1 is een scheiding zonder fouten). De subzoekopdrachten moesten winnen als hun oppervlak minstens 0,10 groter was. Op 29 paren die voor de test van AI Overview waren gereserveerd, was het verschil 0,44, dus de test was “geslaagd”.

De kruiscontrole liet zien dat ik twee metingen van verschillende nauwkeurigheid had vergeleken. De reviewer die alles vanaf nul opnieuw berekende, reproduceerde mijn getallen tot op het cijfer, maar zag dat ik de positie op de hoofdzoekterm uit één ophaalronde van Google-resultaten had genomen en de citatie uit vijf. Nadat ik de positie uit dezelfde vijf rondes had berekend, daalde het verschil naar 0,04, met een interval van -0,28 tot +0,36. Ik heb dus niet aangetoond dat subzoekopdrachten beter zijn dan de positie, en ook niet dat ze slechter zijn. Beide signalen zeggen iets, dus ik werk met allebei.

De positie uit één ophaalronde van DataForSEO bleek het trekken van één van enkele varianten van de resultaten te zijn. Toen ik dezelfde 94 zoektermen drie keer ophaalde met ca. een uur ertussen, hadden twee rondes van dezelfde zoekterm in de mediaan weinig gemeenschappelijke adressen in de top 10: de Jaccard-index, de maat voor de overeenkomst van twee verzamelingen van 0 tot 1, was 0,14-0,15. Een deel van de varianten zijn waarschijnlijk resultaten die een mens in de browser niet ziet, want bij 5 zoektermen kwam de browser overeen met één ervan. AI Overview was daarbij stabiel: de aanwezigheid ervan kwam tussen de rondes in 97-99% overeen. Daarom bereken ik de positie uit deze tool nu als aandeel uit ca. 10 tegelijk verstuurde ophaalrondes. Andere tools heb ik niet zo gecontroleerd.

Fragmenten die zelfstandig antwoorden

Het model gebruikt meestal niet de hele pagina, maar fragmenten die zijn zoekopdracht beantwoorden. Daarom schrijf ik zo dat elk fragment zonder de rest van de pagina te begrijpen is: het antwoord in de eerste zin onder de kop, concrete getallen met noemer en datum, namen in plaats van “dit” en “die”. Elke alinea in deze tekst begint daarom met een zin met een conclusie. Het is een goede schrijfpraktijk die ook mensen helpt, en geen aparte techniek voor AI.

Dat betekent niet dat je de tekst in kleine stukjes moet hakken of koppen moet vermenigvuldigen. Google schrijft uitdrukkelijk dat het niet nodig is om content in kleine fragmenten te splitsen zodat AI haar beter begrijpt (Google Search Central). Ik controleerde ook of meer koppen helpen om in de top 3 te komen. Op 632 pagina's uit de top 10 voor 119 Engelse zoekopdrachten uit de niche zakelijke software (VS, 26 september 2026) was de odds ratio 0,95 (95%-betrouwbaarheidsinterval: 0,81-1,12), en na correctie voor de lengte van de tekst 1,00. Het aandeel pagina's in de top 3 was in drie groepen, van het kleinste tot het grootste aantal koppen, bijna gelijk: 32%, 34% en 32%. Het is dezelfde test als in de tekst over SEO-strategie: één niche en één meetdag. Het is wel genoeg om geen koppen toe te voegen om de positie te verbeteren: een kop moet zeggen waar het fragment eronder over gaat.

Poolse vragen, Engelse subzoekopdrachten

In mijn set waren sommige subzoekopdrachten bij Poolse vragen in het Engels. 81 van de 277 subzoekopdrachten bij Poolse zoektermen hadden geen kenmerken van het Pools. Zo veranderde de Poolse vraag naar een ranglijst van producten in één categorie in een Engelse zoekopdracht met het jaartal erin. Het is een ruwe vuistregel op één set, maar genoeg om bij een Pools merk ook te controleren wat Engelstalige bronnen erover zeggen.

Hoe kom je in het geheugen van een model?

Het geheugen van een model verander je niet met je eigen website alleen: wat anderen over jou schrijven telt. Het model leert van grote verzamelingen teksten die vóór het einde van de training zijn verzameld. Als een merk vooral zelf over zichzelf schrijft en de bronnen van anderen oud of tegenstrijdig zijn, herhaalt het model een oud of tegenstrijdig beeld. Ik heb geen meting van hoe snel het geheugen van modellen wordt ververst. Ik ga ervan uit dat dat pas in volgende versies gebeurt, dus voor een termijn van een kwartaal beloof ik hier niets.

Bij mijn eigen merk zie ik beide bronnen van fouten tegelijk. Gemini omschreef mij met een werkgever van enkele jaren geleden in de tegenwoordige tijd, en rogala.pro als een website “in aanbouw”. De twee omschrijvingen die modellen het vaakst over mij herhaalden, komen letterlijk uit mijn biografie op een vakwebsite die hoog in Google staat bij mijn naam. Die werkgever als huidige noemt geen enkele van de 26 websites die ik in de resultaten op mijn voor- en achternaam controleerde, dus die fout zit waarschijnlijk in het geheugen van het model. Ik controleer dat met dezelfde vragen zodra de biografie is bijgewerkt.

Wat een model over een merk onthoudt, kun je zelf controleren, zonder tools voor zichtbaarheid in AI. Stel vragen over het merk zonder toegang tot zoeken, het zekerst via de API zonder zoektool. Vraag waar het merk zich mee bezighoudt, voor wie en sinds wanneer het bestaat, en stel elke vraag drie keer. Vergelijk daarna de antwoorden met de feiten en noteer apart wat actueel is, wat verouderd en wat verzonnen.

Vermeldingen zonder consistente omschrijving van het merk herhalen een oude omschrijving, dus ik begin bij de identiteit. Mijn volgorde:

• één omschrijving van het merk, dezelfde op de website, in profielen en in biografieën op andermans websites;
• gestructureerde data met identificatoren die ik handmatig heb gecontroleerd;
• vermeldingen in kennisbanken zoals Wikidata, alleen waar bronnen zijn die ze bevestigen;
• pas daarna vermeldingen en publicaties op plekken die iemand anders redigeert.

Een identificator moet je openen en lezen voordat hij in de code van de website komt. Op 5 oktober 2026 zag ik dat de Knowledge Graph-identificator die sinds de dag ervoor in de gestructureerde data van rogala.pro stond, naar een paneel van een acteur met dezelfde voor- en achternaam leidt. Ongeveer een etmaal verklaarde mijn website tegenover zoekmachines dat ik acteur ben. De controle duurt een minuut: het adres google.com/search?kgmid= met de identificator erachter laat zien van wie hij werkelijk is.

Wikidata levert geen plek op waarvoor geen bronnen zijn. Wikidata vereist bronnen voor informatie over levende personen, dus je kunt er geen specialisatie in vastleggen waarover niemand behalve jijzelf heeft geschreven. Daarom ben ik bij mezelf begonnen met publicaties op plekken die anderen redigeren, en niet met een vermelding in de kennisbank.

Wat werkt in GEO en wat is een mythe?

Beweringen over GEO deel ik in naar de sterkte van het bewijs. Gedocumenteerd wordt bevestigd door de documentatie van de zoekmachine, en mijn meting is een uitkomst uit één opzet die ik herhaal. Weerlegd en niet aangetoond zijn de beweringen die ik op mijn eigen data testte en die het niet overleefden of niets beslisten. Zonder bewijs zijn populaire adviezen waar geen meting achter zit, en soms juist bewijs van het tegendeel.

Er is geen bewijs dat het bestand llms.txt en Markdown-versies van pagina's helpen om in AI-antwoorden te komen. Google schrijft dat je voor aanwezigheid in zijn zoekmachine geen nieuwe bestanden voor machines, tekstbestanden voor AI, markeringen of Markdown hoeft te maken (Google Search Central). Toen ik in juli 2026 10 domeinen uit mijn portfolio controleerde, serveerde er geen enkele een Markdown-versie aan AI-agents. Op rogala.pro heeft elke pagina sinds 8 oktober een Markdown-versie en een bestand llms.txt, en tot 8 november meet ik in de serverlogs of iemand ze ophaalt. In Polen heeft de zoekterm “llms txt” ca. 720 zoekopdrachten per maand, dus dit onderwerp beschrijf ik apart.

Gestructureerde data beschrijven het merk aan de zoekmachine, maar er is geen bewijs dat ze citaties opleveren. Google schrijft dat gestructureerde data bij generatief zoeken niet vereist zijn en dat er geen speciale schema.org-markeringen zijn die je moet toevoegen (Google Search Central). Matt Buxbaum van Seer Interactive analyseerde 8.500 zoektermen met een AI Overview en 6.354 pagina's die daarin hun eerste citatie kregen: schema en E-E-A-T-signalen hingen het zwakst met winnen samen, en pagina's met de meeste FAQ- en HowTo-markeringen deden het ca. 10 keer slechter (Seer Interactive, 28-5-2026). Het is een correlatie, dus ik weet niet of markeringen schaden, maar ik lees deze data niet als bewijs van nut. Gestructureerde data gebruik ik om entiteiten te beschrijven (wie, wat, waar, met welke identificatoren), want daarvoor dienen ze. Mijn eigen test van hun invloed op AI-antwoorden heb ik nog niet afgerond.

Vermelding en citatie zijn twee verschillende dingen, en veel rapporten halen ze door elkaar. Petrovic scheidt drie gebeurtenissen: de pagina die het systeem als materiaal voor het antwoord ophaalde, de citatie, dus de pagina die als bron wordt getoond, en de vermelding, dus de naam van het merk in de tekst van het antwoord die de gebruiker leest en onthoudt (Dejan, 7-7-2026). Een merk kan worden geciteerd zonder vermelding in de tekst en worden genoemd zonder citatie van een pagina. Daarom meet ik die twee apart en tel ik ze niet op tot één “score voor zichtbaarheid in AI”.

Hoe controleer je of GEO werkt?

Zonder nulmeting kun je het effect aan geen enkele wijziging toeschrijven, dus ik leg die vast vóór de eerste aanpassing. Tot de nulmeting horen de vragen letterlijk opgeschreven, namen en versies van modellen, datum en markt. De vragen stel ik samen uit data over de vraag en uit Search Console, en de meeste bevatten de merknaam niet, want een naam in de vraag helpt het model alvast met het antwoord. De set vragen uit twee segmenten van posities beschrijf ik in de tekst over SEO-strategie.

Vijf dingen meet ik apart, want elk kan een andere kant op gaan:

1. De vermelding van het merk in de tekst van het antwoord.
2. De citatie van een pagina als bron.
3. Of het model überhaupt op het web zocht, dus zoeken en geheugen apart.
4. Verkeer van AI-assistenten in analytics, dat altijd een ondergrens is, want een deel van de bezoeken komt zonder informatie over de bron.
5. Verkeer uit Google in dezelfde periode, zodat een wijziging voor AI niet ten koste gaat van de gewone resultaten.

Antwoorden van chats zijn willekeurig, dus dezelfde vraag stel ik drie keer tegelijk. AI Overview is stabiel en daarvoor volstaat één ophaalronde. Een getal uit een tool voor zichtbaarheid in AI lees ik altijd samen met de noemer: het is een aandeel in mijn set vragen en niet een “aandeel in de AI-markt”, dat niemand kent.

Wat doe ik op mijn eigen website en wat weet ik nog niet?

Ik praat sinds 2016 openbaar over AI in zoeken, en mijn eigen merk in AI-antwoorden heb ik nog niet, en daar begon mijn experiment mee. Nulmeting van 26 juli 2026: rogala.pro had geen enkele citatie op een van de 7 AI-oppervlakken die ik in Ahrefs voor Polen controleerde, en in 6 controles op drie platforms, bij vragen zonder mijn naam, noemde geen enkel model mij. Bij vragen met mijn naam herhaalde het model een omschrijving van enkele jaren geleden. Het is één meting en zonder ChatGPT, want de tool waarmee ik de antwoorden verzamelde, gaf daarvoor geen resultaten terug, dus ik zie haar als startpunt en niet als bewijs.

De volgorde van het werk volgt uit de data: eerst identiteit, dan bereik. Ik heb één omschrijving in profielen op orde gebracht (op LinkedIn in 30 taalversies), de identificatoren in de gestructureerde data gecontroleerd (vandaar de blunder met de acteur), en een website en blog in 27 talen met Markdown-versies opgezet. Bereik, dus publicaties en vermeldingen in andermans media, komt pas daarna.

Ik weet nog niet of dit werkt. De eerste herhaalmeting van AI-antwoorden heb ik gepland vanaf 1 november 2026, en de uitkomst van de meting van de Markdown-bestanden komt na 8 november. De uitkomsten voeg ik aan deze tekst toe, ook als ze nul zijn.

Veelgestelde vragen over GEO en AI SEO

Waar begin je?

De eerste drie stappen kosten niets behalve tijd. Controleer of de robots van AI-zoekmachines jouw website binnenkomen. Stel drie keer tegelijk enkele vragen die jouw klanten stellen, zonder de naam van jouw merk, en noteer wie wordt genoemd en wie geciteerd. Lees wat de Google-resultaten op alleen de naam van jouw merk over het merk zeggen, want modellen gebruiken dezelfde bronnen. Als de uitkomst je verrast, is het een goed onderwerp voor een adviesgesprek.