Geciteerd worden door een AI: de vier signalen waar ChatGPT, Perplexity en de AI Overviews echt naar kijken

Een antwoord van ChatGPT, Perplexity of de AI Overviews van Google citeert doorgaans drie tot acht bronnen. En toch behandelden tientallen pagina's hetzelfde onderwerp. De vraag is dus niet langer "sta ik in de index?" maar "waarom die pagina en niet de mijne?". De selectiemodellen kennen we niet in detail; er zijn wel vier betrouwbare referenties om op te redeneren: de officiële documentatie van Google over zijn AI-functies, die van OpenAI en Perplexity over hun bots, en het academische werk dat heeft gemeten wat de zichtbaarheid van een pagina in een gegenereerd antwoord doet variëren. Die bronnen komen uit op vier signalen.

Signaal 1: de pagina is toegankelijk voor de juiste bot, niet alleen voor Googlebot

Dat is de voorwaarde vooraf die veel sites zonder het te weten missen. Generatieve engines gebruiken niet allemaal dezelfde bot als de klassieke zoekmachine, en één aanbieder stuurt er meerdere. OpenAI documenteert drie afzonderlijke agents: GPTBot voor de training, OAI-SearchBot voor de zoekindex van ChatGPT en ChatGPT-User om een pagina op te halen wanneer een gebruiker daarom vraagt. Elk daarvan regel je apart in het robots.txt-bestand, zoals de documentatie over de bots van OpenAI uitlegt. Anthropic doet hetzelfde met ClaudeBot, Claude-SearchBot en Claude-User, en Perplexity met PerplexityBot en Perplexity-User.

Concreet: een site die in 2024 uit voorzorg "alle AI-bots" blokkeerde, heeft vaak ook de bots geblokkeerd die dienen om gebruikers antwoord te geven. Die site kan niet meer geciteerd worden, hoe goed de content ook is. Het lezen van de serverlogs is de enige manier om te weten wie er echt langskomt; daar wijden we een apart artikel over het identificeren van AI-bots aan.

Signaal 2: de engine selecteert passages, en elke sectie moet er een zijn

Google is daar expliciet over in zijn documentatie over de AI-functies in de zoekmachine: de AI Overviews en de AI-modus steunen op dezelfde systemen als de klassieke zoekmachine, en er is "niets bijzonders te doen" bovenop de gebruikelijke aanbevelingen. Maar de manier waarop die systemen een pagina lezen, is veranderd. Google beschrijft een techniek die query fan-out heet: de vraag van de gebruiker wordt opgesplitst in meerdere deelqueries die parallel worden uitgevoerd, en het antwoord wordt samengesteld uit de passages die per deelvraag het meest relevant zijn, zoals de aankondiging van de AI-modus uitlegt.

De eenheid van selectie is dus niet langer de pagina maar de passage. Een alinea die een precieze deelvraag helder beantwoordt, heeft meer kans om overgenomen te worden dan een lange pagina waarin het antwoord verwaterd is. Dat pleit voor een schrijfwijze waarin elke sectie een herkenbare vraag draagt, met het antwoord opent en daarna de nuance uitwerkt. Dat is het onderwerp van ons artikel "Eerst het antwoord, dan de nuance".

Signaal 3: de content bevat citeerbare elementen

Dit signaal is door onderzoek beter gemeten dan de andere. In 2023 publiceerde een team van Princeton, Georgia Tech en het Allen Institute GEO: Generative Engine Optimization, een studie die negen methoden test om dezelfde pagina te herschrijven en het effect daarvan meet op de zichtbaarheid van die pagina in gegenereerde antwoorden. Drie methoden steken er duidelijk bovenuit: bronvermeldingen toevoegen, statistieken toevoegen en toegeschreven letterlijke citaten toevoegen. De auteurs meten tot 40 % meer zichtbaarheid, afhankelijk van de toegepaste herschrijfmethode. Keyword stuffing, de historische SEO-techniek, levert daarentegen niets op en verslechtert het resultaat soms.

De reden ligt voor de hand: een model dat een betrouwbaar antwoord moet produceren, steunt liever op een passage die iets precies, gedateerd, becijferd en toegeschreven beweert dan op een algemeenheid. Een cijfer met zijn bron is een fragment dat de AI letterlijk kan overnemen met vermelding van de herkomst. Een zin als "de markt groeit sterk" is dat niet.

Signaal 4: de bron is identificeerbaar en consistent

De systemen van Google beoordelen al jaren wat de richtlijnen voor kwaliteitsbeoordelaars ervaring, expertise, autoriteit en betrouwbaarheid noemen, samengevat in het Engelse acroniem E-E-A-T (experience, expertise, authoritativeness, trustworthiness). Het is geen rankingfactor in strikte zin, maar het is wel het kader waarbinnen Google zijn systemen traint en controleert. Die criteria slaan bovendien net zo goed op de bron als op de pagina: wie schrijft, met welke legitimiteit, en of de site van pagina tot pagina een consistent verhaal houdt.

Voor een generatieve engine telt consistentie dubbel. Een site die op drie pagina's drie verschillende cijfers voor hetzelfde gegeven noemt, is een riskante bron. Een site waarvan elk artikel door een geïdentificeerde persoon is ondertekend, met een auteurspagina en een vast expertisegebied, is een bron die het systeem kan toeschrijven. De documentatie over de gestructureerde data van het type Article van Google beschrijft trouwens de velden die die toeschrijving machineleesbaar maken: auteur, publicatiedatum, wijzigingsdatum.

Wat die vier signalen veranderen aan de productie

Bij elkaar genomen tekenen die signalen een methode die weinig meer te maken heeft met volume-SEO:

• De toegang controleren voordat je schrijft: robots.txt wordt op de root van het domein gelezen, en elke AI-bot heeft zijn eigen token. Wie de training blokkeert, hoeft de citatie niet te blokkeren.
• In passages schrijven: één vraag per sectie, het antwoord vooraan, de nuance daarna.
• Elke bewering onderbouwen die telt: een cijfer, een datum, een herkomst. Dat is het sterkste signaal dat het onderzoek heeft gemeten, en het is ook wat de uitgever tegen fouten beschermt.
• Ondertekenen en een lijn vasthouden: een geïdentificeerde auteur, een vast vocabulaire, gegevens die elkaar van pagina tot pagina niet tegenspreken.

Geen van die punten is een technische truc. Het zijn redactionele eisen, die op schaal alleen standhouden als ze in de productietool zijn ingebouwd in plaats van achteraf met de hand gecontroleerd. Concreet: content die in samenhangende clusters is georganiseerd, één bron per bewering, één ondertekening per artikel.

Wat we niet weten, en moeten zeggen

Die signalen zijn gedocumenteerd, maar ze vormen geen formule. Generatieve engines veranderen snel, hun indexen overlappen elkaar niet, en dezelfde vraag die twee keer wordt gesteld kan twee verschillende bronnenlijsten opleveren. De enige eerlijke manier om je aanwezigheid te sturen, is die over de tijd te meten: regelmatig dezelfde vragen aan dezelfde engines stellen, noteren wie geciteerd wordt, en de pagina's die alleen zijn opgehaald onderscheiden van de pagina's die echt zijn toegeschreven. Die meetmethode beschrijven we in een artikel over share of voice in de AI's.