AI & zoeken

AEO staat voor Answer Engine Optimization: je inhoud zo opbouwen dat een antwoordmachine er een direct antwoord uit kan halen. Dat gaat niet alleen over AI-chatbots, maar ook over featured snippets, People Also Ask en spraakassistenten. Kern van de zaak: de vraag letterlijk stellen en er meteen onder beantwoorden.

In de praktijk betekent dat korte alinea’s van twee tot vier zinnen, een kop per vraag, en het antwoord in de eerste 40 à 80 woorden van elke sectie. Alles wat daarna komt is context.

AEO en GEO worden vaak door elkaar gebruikt. AEO is de bredere term, GEO gaat specifiek over generatieve AI.

Een AI-agent is een taalmodel dat niet alleen antwoordt maar ook handelt: het mag zelf stappen zetten, gereedschap gebruiken en resultaten controleren tot een taak af is. Denk aan een assistent die een offerte opzoekt, de gegevens invult en de mail klaarzet.

Het verschil met een chatbot is de zelfstandigheid. Dat maakt een agent nuttiger, maar ook riskanter: geef hem duidelijke grenzen en laat hem onomkeerbare acties altijd eerst voorleggen.

Een AI-crawler is een bot die je website bezoekt om inhoud te verzamelen voor een AI-systeem. GPTBot van OpenAI, ClaudeBot van Anthropic en Google-Extended zijn de bekendste. Sommige verzamelen trainingsmateriaal, andere halen live pagina's op om een vraag te beantwoorden.

Je kunt ze per stuk toelaten of weren in je robots.txt. Weren betekent wel dat je ook niet meer geciteerd wordt.

AI-detectors beweren te herkennen of een tekst door een model geschreven is, maar ze zitten er regelmatig naast in beide richtingen: menselijke teksten worden aangemerkt als AI en omgekeerd. Google zelf zegt niets te doen met dat onderscheid.

Wat Google wel aanpakt, is inhoud zonder eigen waarde, ongeacht wie of wat ze schreef. Zie scaled content abuse.

Er bestaat nog geen Search Console voor AI. Wat je wel kunt doen: geregeld dezelfde vragen stellen aan ChatGPT, Gemini, Claude en Perplexity en noteren of jij vermeld wordt, en in je serverlogs of analytics kijken naar bezoekers die van die tools komen.

Behandel dat als een steekproef, niet als een meting. De antwoorden verschillen per gebruiker en per dag.

Het contextvenster is de hoeveelheid tekst die een AI-model tegelijk kan meenemen: je vraag, de eerdere berichten en alle documenten die je meegeeft. Is het venster vol, dan valt het oudste deel weg en “vergeet” het model het begin van het gesprek.

Vandaar dat lange gesprekken soms ontsporen. Begin bij een nieuw onderwerp liever opnieuw dan door te gaan in een gesprek van honderd berichten.

Een embedding is een stuk tekst omgezet in een reeks getallen die de betekenis ervan vastleggen. Teksten die iets soortgelijks zeggen, krijgen getallen die dicht bij elkaar liggen, ook als er heel andere woorden in staan.

Het is de techniek achter zoeken op betekenis in plaats van op exacte woorden, en de basis van RAG.

Fine-tuning is het bijtrainen van een bestaand AI-model op je eigen voorbeelden, zodat het antwoordt in jouw stijl of jouw vakjargon correct gebruikt. Je maakt geen nieuw model, je stuurt een bestaand model bij met een paar honderd tot een paar duizend voorbeelden.

Voor de meeste bedrijven is het niet de eerste stap. Een goede prompt plus RAG op je eigen documenten brengt je meestal verder, en is een stuk goedkoper.

Guardrails zijn de grenzen die je om een AI-toepassing zet: onderwerpen die hij niet behandelt, acties die hij niet zelfstandig mag uitvoeren, en controles op wat hij teruggeeft voordat de gebruiker het ziet.

Voor een bot op je website is het minimum: geen prijzen of leveringstermijnen verzinnen, en bij twijfel doorverwijzen naar een mens.

Een hallucinatie is een antwoord dat een AI-model met volle overtuiging geeft maar dat feitelijk niet klopt: een verzonnen bron, een niet-bestaand cijfer, een wet die niet bestaat. Het model voorspelt taal, geen waarheid, en een plausibel klinkende zin is voor het model even goed als een juiste.

De praktische les: laat AI nooit het laatste woord hebben over feiten, cijfers of juridische teksten zonder controle. Vraag om bronnen en controleer ze.

Inference is het moment waarop een getraind model daadwerkelijk een antwoord berekent. Trainen gebeurt één keer en kost maanden rekenkracht; inference gebeurt bij elke vraag opnieuw en bepaalt wat het gebruik je kost.

Vandaar dat aanbieders per token afrekenen en dat een lange context duurder uitvalt.

Een LLM of large language model is een AI-model dat getraind is op enorme hoeveelheden tekst en op basis daarvan voorspelt welk woord logischerwijs volgt. ChatGPT, Claude en Gemini draaien allemaal op zo’n model. Het “begrijpt” niets in menselijke zin: het herkent patronen in taal en zet die om in een antwoord dat klopt met wat het geleerd heeft.

Dat verklaart meteen de sterke en de zwakke kant. Sterk: het formuleert vloeiend en legt verbanden. Zwak: het kan met evenveel overtuiging iets verzinnen, wat een hallucinatie heet.

llms.txt is een voorgesteld bestand dat je in de hoofdmap van je website plaatst en waarin je in markdown uitlegt waar je belangrijkste inhoud staat, zodat AI-tools je site makkelijker begrijpen. Het idee lijkt op robots.txt, maar dan gericht op taalmodellen in plaats van crawlers.

Belangrijk om te weten: geen enkele grote AI-aanbieder heeft in 2026 bevestigd dat ze het bestand gebruiken. Het kost weinig moeite, maar verwacht er geen wonderen van.

MCP is een open standaard waarmee een AI-assistent veilig kan praten met externe systemen: je webshop, je boekhouding, je agenda. In plaats van een los koppelstuk per tool spreekt alles dezelfde taal, waardoor een assistent bestellingen kan opzoeken of een afspraak kan inplannen.

Voor webshops is dit het begin van iets groters: klanten die hun eigen AI-assistent op jouw catalogus laten kijken. Wie zijn productdata op orde heeft, is daar klaar voor.

Een multimodaal model verwerkt meer dan tekst alleen: het kan ook beelden, audio of video lezen en soms maken. Je kunt er een schermafbeelding van een foutmelding in gooien, of een foto van een product laten beschrijven.

Voor webshops opent dat praktische deuren, zoals productteksten laten opstellen op basis van de productfoto's zelf.

Bij een model met open weights zijn de getrainde parameters vrij te downloaden, zodat je het op je eigen servers kunt draaien. Modellen als Llama en Mistral werken zo. Bij gesloten modellen zoals GPT of Claude praat je altijd met de server van de aanbieder.

Open weights geven controle en privacy, gesloten modellen geven doorgaans meer kwaliteit zonder beheer. De keuze hangt af van wat je met je data mag doen.

Een prompt is de instructie die je aan een AI-tool geeft. Hoe concreter de opdracht, de context en het gewenste resultaat, hoe bruikbaarder het antwoord. “Schrijf iets over onze webshop” levert weinig op; “schrijf drie productbeschrijvingen van 80 woorden voor deze fiets, gericht op woon-werkverkeer” wel.

Voor bedrijven is dat meer dan een trucje. Wie zijn prompts vastlegt en hergebruikt, krijgt consistente output, net zoals een goede briefing aan een copywriter.

Prompt injection is een aanval waarbij iemand instructies verstopt in tekst die een AI-assistent gaat lezen: in een webpagina, een e-mail of een document. De assistent kan die instructies verwarren met een opdracht van de gebruiker.

Het is de belangrijkste reden om een AI-agent nooit blind te laten handelen op wat hij ergens leest. Alles wat van buiten komt, is gegeven en geen opdracht.

RAG is de techniek waarbij een AI-model eerst informatie ophaalt uit een externe bron (het web, een handleiding, een productcatalogus) en pas daarna een antwoord schrijft op basis van wat het gevonden heeft. Het model hoeft de feiten dus niet uit zijn training te kennen.

Dit is waarom actuele pagina’s ertoe doen. Een tool als Perplexity of ChatGPT met zoekfunctie leest jouw pagina op het moment van de vraag. Staat jouw antwoord er helder en vindbaar, dan kom je in het antwoord terecht.

De systeemprompt is de vaste instructie die een AI-assistent meekrijgt voordat de gebruiker iets typt: wie hij is, wat hij mag, in welke toon hij antwoordt en waar hij van af moet blijven. De bezoeker ziet hem niet.

Bij een chatbot op je site is dit het belangrijkste dat je schrijft. Hij bepaalt of de bot klinkt als jouw bedrijf of als een algemene assistent.

Temperatuur regelt hoe voorspelbaar een taalmodel antwoordt. Laag betekent behoudend en consistent, hoog betekent meer variatie en verrassing. Voor feitelijke antwoorden zet je hem laag, voor brainstormen hoger.

Het is geen knop voor waarheid. Een laag ingesteld model kan nog steeds een hallucinatie produceren, alleen consistenter.

Een token is het stukje tekst waarin een taalmodel rekent: ongeveer drie op vier woorden in het Nederlands, soms een deel van een woord. Modellen prijzen hun gebruik per token af en hebben een maximum aan tokens dat ze in één gesprek aankunnen.

Praktisch merk je dat bij lange documenten: die kosten meer en passen soms niet in één keer in het contextvenster.

Trainingsdata is de verzameling tekst, beeld en code waarmee een AI-model geleerd heeft. De kwaliteit en de herkomst daarvan bepalen wat het model kan en welke vooroordelen erin sluipen. Er zit ook altijd een kennisgrens in: alles van ná de training kent het model niet uit zichzelf.

Daarom zoeken moderne tools live op het web voor actuele vragen, zie RAG.

Een vectordatabank bewaart embeddings en kan er razendsnel de stukken tekst uit opvissen die het dichtst bij een vraag liggen. Het is de opslag waar een AI-assistent zijn kennis uit haalt voor hij antwoordt.

Voor een bedrijf dat zijn handleidingen of productinfo doorzoekbaar wil maken voor AI, is dit de gebruikelijke bouwsteen.

Een zero-click search is een zoekopdracht waarbij de bezoeker zijn antwoord al op de resultatenpagina krijgt en dus nergens op klikt. AI Overviews, featured snippets en kaarten met openingsuren zijn de bekendste voorbeelden.

Het gevolg: minder bezoekers voor hetzelfde aantal vertoningen. Wat je eraan doet, is mikken op vragen waar een samenvatting niet volstaat (vergelijkingen, prijzen, ervaring) en zorgen dat je merknaam in het antwoord zelf staat.