Voordat je tijd steekt in het optimaliseren van je content voor AI-zoekmachines, moet je één ding weten: wat zeggen die modellen nu al over jou? Een GEO-nulmeting geeft daar antwoord op. Je stelt ChatGPT, Perplexity en Google AI Overviews gerichte vragen over jouw vakgebied en merk, en je noteert of je genoemd wordt, hoe je omschreven wordt en welke bronnen ze aanhalen. Dat vertrekpunt bepaalt of je überhaupt iets te winnen hebt, en waar.

We zien bij klanten dat deze stap vaak wordt overgeslagen. Iedereen wil meteen "citeerbaar" worden, maar bijna niemand kijkt eerst hoe het nulpunt eruitziet. En dat is jammer, want zonder meting weet je straks niet of je vooruitgang boekt of alleen maar bezig bent.

Waarom een nulmeting bij GEO zinvol is

Generative Engine Optimization gaat over zichtbaar en citeerbaar worden in generatieve zoeksystemen. Anders dan bij klassieke SEO krijg je geen tien blauwe links, maar één samengesteld antwoord. Dat antwoord is opgebouwd uit wat het model tijdens training heeft opgepikt en, bij systemen als Perplexity en Google AI Overviews, uit bronnen die op dat moment worden opgehaald van het web.

Die twee lagen zijn belangrijk om te snappen. ChatGPT put deels uit trainingsdata met een afkapdatum, tenzij de zoekfunctie actief live meekijkt. Perplexity laat vrijwel altijd zien welke pagina's het heeft gebruikt. Google AI Overviews leunt zwaar op de bronnen die ook in de gewone zoekresultaten sterk staan. Als je weet welk systeem waar uit put, snap je ook waarom je in het ene wel en in het andere niet opduikt.

Een nulmeting maakt dat verschil zichtbaar. Misschien noemt Perplexity je netjes omdat je een goed vindbare kennispagina hebt, terwijl ChatGPT je merk simpelweg niet kent. Dat zijn twee compleet verschillende problemen, met twee verschillende oplossingen.

Wat je precies test

De valkuil is dat je aan het model vraagt: "Ken je Click Happens?" Dat is een slechte test. Modellen zijn geneigd behulpzaam te klinken en produceren dan een vriendelijk maar half verzonnen antwoord. Je wilt juist weten of je opduikt in vragen die jouw ideale klant écht zou stellen, zonder dat je merknaam er al in staat.

Denk aan het type vraag dat een inkoper of marketingmanager in jouw sector zou intypen. "Welke bureaus in Nederland zijn goed in B2B-SEO?" Of: "Wie kan mij helpen met LinkedIn-marketing voor een technisch bedrijf?" Kom je daar voorbij? En als je genoemd wordt, klopt de omschrijving dan?

Drie soorten vragen die je onderscheidt

Om een compleet beeld te krijgen, wissel je bewust af tussen vraagtypen:

  • Categorievragen waarin je merk niet voorkomt, zoals "welke aanbieders lossen dit probleem op". Hier meet je of je überhaupt in de overweging zit.
  • Merkvragen waarin je naam wel valt, zoals "wat doet dit bedrijf". Hier meet je of de feiten kloppen en of het model iets verzint.
  • Vergelijkingsvragen, waarin je tegenover een concurrent wordt gezet. Hier zie je hoe het model je positioneert.

Voer diezelfde set vragen uit in elk systeem apart. En herhaal ze een paar keer, want generatieve modellen geven niet elke keer hetzelfde antwoord. Eén losse uitkomst zegt weinig; een patroon over vijf pogingen zegt veel meer.

Let goed op de bronnen, niet alleen op het antwoord

Bij Perplexity en Google AI Overviews staat er vaak bij welke pagina's zijn gebruikt. Dat is waardevoller dan het antwoord zelf. Want daar zie je wie het gesprek in jouw categorie bepaalt.

Wat we in de praktijk vaak tegenkomen: het zijn niet de mooiste bedrijfspagina's die geciteerd worden, maar vergelijkingsartikelen, brancheoverzichten en soms een oud forumbericht. Als een AI-systeem jouw categorie samenvat op basis van een lijstje op de site van een derde partij waar jij niet in staat, dan weet je meteen waar je werk ligt. Niet op je eigen homepage, maar bij die bron.

Wie geciteerd wordt, bepaalt het antwoord. Kijk dus eerst naar de bronnen, pas daarna naar de tekst.

Wat een verzonnen antwoord je vertelt

Soms krijg je een antwoord dat overtuigend klinkt maar feitelijk onjuist is. Het model plakt jouw naam aan diensten die je niet levert, of verzint een oprichtingsjaar. Vervelend, maar ook informatief. Zo'n hallucinatie betekent meestal dat er te weinig duidelijke, consistente informatie over jou op het web staat. Het model vult de gaten dan zelf in.

Dat is precies het signaal dat je content en je vindbaarheid onvoldoende houvast bieden. Een merk met heldere, herhaalde en goed gestructureerde informatie wordt zelden verkeerd geciteerd. Een merk met een dunne digitale voetafdruk des te vaker.

Leg alles vast, anders meet je niets

Zet je bevindingen in een simpel overzicht. Per systeem, per vraag: word je genoemd (ja of nee), klopt de omschrijving, welke bronnen worden aangehaald. Dat is je nulpunt. Over drie maanden voer je exact dezelfde vragen opnieuw uit en zie je zwart op wit of je bent opgeschoven.

Ik zeg er eerlijk bij: dit is geen exacte wetenschap. Modellen updaten, antwoorden variëren en soms verschijn je de ene week wel en de andere week niet. Maar juist daarom is een gestructureerde meting beter dan een onderbuikgevoel. Een patroon over meerdere pogingen en meerdere weken is betrouwbaarder dan één screenshot dat je toevallig ziet.

Wat je deze week kunt doen

Kies vijf vragen die jouw ideale klant zou stellen zonder je merknaam te noemen, en stel ze in ChatGPT, Perplexity en Google. Noteer per keer of je opduikt en welke bronnen worden aangehaald. Doe elke vraag drie keer, zodat je een patroon ziet in plaats van een momentopname.

Dat is genoeg voor nu. Zodra je weet waar je staat en welke bronnen jouw categorie bepalen, kunnen we het volgende blog gebruiken om te bepalen welke content je als eerste zou moeten aanpakken. Zonder die nulmeting is elke GEO-actie een gok. Met die meting weet je precies waar je begint.