Van onzichtbaar naar aanbevolen door AI: hoe ik ChatGPT mij in 7 weken liet aanbevelen

In het voorjaar van 2026 kreeg mijn persoonlijke site ongeveer 50 bezoekers per maand. Er was niets kapot. De site was gewoon onzichtbaar, zowel voor Google als voor de assistenten die mensen nu raadplegen in plaats van Google. Een typisch AI-antwoord noemt ongeveer 2,8 merken, en bij geen enkele query die voor mijn bedrijf telde, hoorde ik erbij.

Sindsdien draai ik wekelijks een optimalisatielus op mijn eigen site, en parallel daaraan een vooraf geregistreerd quasi-experiment op 52.821 AI-citaties om te toetsen of mijn tactieken daadwerkelijk citaties beïnvloeden. Dit artikel is beide helften: wat ik deed, en wat de data zegt over waarom het werkte.

Het ene ding dat bepaalt of je geciteerd wordt

Semantische overeenkomst tussen de vraag en een passage op je pagina. In het vooraf geregistreerde model op 52.821 citaties is dit met afstand de sterkste variabele, 3,27 keer de citatiekans waard per standaarddeviatie (95%-interval 2,68 tot 4,01), meer dan alle autoriteits-, opmaak- en actualiteitsvariabelen in het model samen. Al het andere in dit artikel is een detail ernaast.

Zonder het jargon: de assistent knipt je pagina in passages van ongeveer vijftig woorden, zet de vraag en elke passage om in een numerieke weergave van betekenis, en citeert de passage waarvan de betekenis het dichtst bij de vraag ligt. Betekenis laten matchen is de opdracht, en met de eigen woorden van de vrager werken is hoe je die betekenis laat aansluiten.

Waarom je geen query kunt matchen die je niet kunt voorspellen

Omdat het midden van die kaart een echte vraag is, moet je weten hoe echte mensen die verwoorden, en bijna niemand checkt dat. Richt een passage in plaats daarvan op de nette versie die een assistent zou hebben verzonnen, en de semantische match die je najoeg, komt er nooit.

Ik kan dat toetsen aan iets waar de meeste mensen geen toegang toe hebben. neuroflash, waar ik CIO ben, ziet hoe mensen dingen echt verwoorden, zowel wat ze vragen als hoe ze het typen. Zet het profiel van echte queries tegenover wat een taalmodel verzint wanneer het om zoekqueries wordt gevraagd, en alleen de lengte van de query komt in de buurt.

De queryset moet dus tegen echt gedrag worden gesimuleerd in plaats van bedacht. Dat is wat de Digital Twins doen in de lus hieronder: stap 1 simuleert de doelgroep, stap 2 laat ze zoekgedrag produceren dat gekalibreerd is op de echte verdeling hierboven, en dat is hoe je bij het midden van de kaart uitkomt in plaats van bij een gok ernaar. Als je die twee stappen fout doet, optimaliseert elke volgende stap een pagina voor een vraag die niemand stelt.

Hoe de twins de queryset opbouwen, in twee stappen

Beide helften zijn nodig. De twins leveren het wat, het ding waar een gegeven persona naar op zoek zou gaan. De kalibratieslag levert het hoe, de vorm die die intentie aanneemt zodra iemand het in een chatvenster typt.

Van een persona naar een query die iemand echt zou typen

Stap 1. De twins weten wat voor hun persona belangrijk is

illustratieve voorbeeld-twins

Alina, 25

reclame en marketing, Berlijn

Vindt het belangrijk of een spreker aanslaat bij een team van twintigers.

zoekintentie

Een keynote spreker vinden wiens AI-materiaal aansluit bij een jong publiek.

Nadine, 37

HR-assistent, Stuttgart

Organiseert een leiderschapsdag, dus budget en logistiek zijn doorslaggevend.

zoekintentie

Uitzoeken wat een AI-keynote kost en hoe reistijd en planning werken voor een eendaags event.

Korbinian, 63

distributiemanager, Rosenheim

Wil weten of de uitgave zich terugbetaalt bij de omvang van zijn bedrijf.

zoekintentie

Uitzoeken of een AI-keynote de moeite waard is voor een middelgroot bedrijf.

gekalibreerd op echte gebruikerspatronen

Stap 2. De humanizing-slag stemt elke query af op echte menselijke queries, in wat en hoe

hoe dichter bij hoe mensen echt vragen, hoe vaker mensen je vinden

ai spreker die aanslaat bij gen z

7 woorden, kleine letters

ai keynote kosten leiderschap event

5 woorden, kaal zoektrefwoord

is een ai keynote de moeite waard voor een middelgroot bedrijf

11 woorden, kleine letters

Kalibratiedoel, de hierboven gemeten echte queries: mediaan 11 woorden, 46% begint met een kleine letter, een vraagteken bij minder dan de helft.

Het startpunt: 50 bezoekers per maand en nul AI-vermeldingen

Voor de herbouw was mijn site een WordPress-installatie die 468 KB aan homepage-HTML laadde, 60 scripts en 9 stylesheets, een score van 70 haalde op PageSpeed, en ongeveer 16 Google-impressies per dag kreeg. Op mijn bevroren queryset noemde ChatGPT mij in 3,7% van de antwoorden. Voor commerciële queries zoals "beste AI-keynote spreker" was ik volledig afwezig, terwijl andere namen standaard werden aanbevolen.

Ik heb mijn eigen methode eerst op mezelf toegepast, om een simpele reden: ik verkoop dit werk, en ik verkoop liever niets wat ik niet zelf heb doorstaan.

De wekelijkse lus die ik op mijn eigen site draai

De lus telt zeven stappen en kost één werksessie per week. Simuleer de doelgroep, genereer de queries die ze echt typen, meet over de engines heen, lees de gaten af, schrijf content die de twins goedkeurden, publiceer, en meet zeven dagen later opnieuw.

De zeven stappen, en de skill achter elk ervan

Bijna niets ervan gebeurt met de hand. Elke stap draait op een benoemde skill binnen een agentraamwerk dat ik zelf heb gebouwd en op mijn eigen machine draai, en het raamwerk onthoudt tussen de weken: de doelgroep, de bevroren queryset, wat al gepubliceerd is en wat de twins hebben afgewezen, blijft allemaal behouden. Dat geheugen is waarom week tien minder moeite kost dan week één, in plaats van meer.

1. Simuleer de doelgroep met Digital Twins. Persona's die door een taalmodel verzonnen zijn, komen dicht bij een muntworp. Twins die op echte enquêterespondenten gebaseerd zijn, antwoorden zoals de mensen die daadwerkelijk keynotes boeken, en de doelgroepdefinitie wordt één keer vastgelegd en elke week hergebruikt in plaats van steeds opnieuw opgebouwd.
2. Genereer queries die menselijk klinken. Twins produceren zoekgedrag langs de journey, gekalibreerd op de echte queryverdeling hierboven in plaats van op een keywordtool. De queryskill houdt die set bevroren, en dat is wat de cijfers van de ene week vergelijkbaar maakt met de volgende.
3. Meet met een AI-zichtbaarheid-trackingprovider (Peec.ai, Rankscale en anderen). De queryset loopt door ChatGPT, Gemini, Copilot, Perplexity en Claude, en levert share of voice, citatiepercentage en positie per persona en journeyfase. De auditskill draait die scan elke keer op dezelfde manier en scoort hem tegen de concurrenten die voor mij ertoe doen, zodat de baseline vóór elke contentwijziging wordt vastgelegd en vergelijkbaar blijft.
4. Lees de gaten af, merk en generiek gescheiden gehouden. De interessante cel is niet "positie 7", het is "verschijnt helemaal niet". Merkqueries meenemen in het gemiddelde vleit de score en verbergt het gat. Dezelfde skill geeft de ontbrekende queries terug als schrijfbrief voor de volgende week.
5. Schrijf twin-geteste content. De GEO-artikelschrijverskill schrijft answer-first tegen de query waarop hij gericht is, en voor publicatie beoordelen de twins titel, hook en opening, terwijl een factcheck-slag elk cijfer en elke bronlink controleert.
6. Publiceer content. WordPress eruit, statische HTML erin. PageSpeed ging van 70 naar 97 en de homepage-HTML van 468 KB naar 14 KB. De website-editorskill bewerkt, previewt, deployt en verifieert met een rollbackpad, zodat een gat dat maandagochtend wordt afgelezen dezelfde dag nog met een live pagina beantwoord kan worden.
7. Meet opnieuw en herhaal. Wekelijks op de veranderde pagina's, maandelijks op de hele queryset. De gap-analyse leverde een backlog op van 44 reviewgoedgekeurde artikelen, gepubliceerd met een maximum van twee per week, en de skills voor video-hergebruik en LinkedIn maken van elk artikel clips en posts, die de engines binnen dagen oppikken in plaats van de maand die een nieuwe pagina nodig heeft.

Wat de lus in zes maanden veranderde

Vier cijfers beschrijven het resultaat. PageSpeed van 70 naar 97. Google-impressies van ongeveer 16 per dag voor de relaunch naar ongeveer 287 per dag nu, met kliks die dezelfde curve volgen, van ruim onder de één per dag naar ongeveer twee. Het ChatGPT-vermeldingspercentage van 3,7% naar 17,4%, dat zijn 40 van de 230 gemeten antwoorden, zeven weken na de start van de metingen. En het zakelijke cijfer: drie keynote-boekingsgesprekken kwamen binnen via de geoptimaliseerde sprekerspagina's, twee daarvan converteerden, goed voor ongeveer €10.000 aan omzet.

Eén boeking maakte het concreet. Een klant vroeg ChatGPT naar de beste AI-keynote spreker in Hamburg, kreeg mijn naam, checkte de site, en boekte een keynote voor een honorarium ergens in het midden van de vier cijfers. Geen advertentiebudget, geen outreach, geen tussenpersoon.

Waarom één boeking geen bewijs is, en wat ik daaraan deed

Eén overwinning bewijst niets. AI-antwoorden schudden zichzelf week na week opnieuw, zonder enige interventie, dus elke voor-en-na-meting op een handvol queries is grotendeels ruis. Om te achterhalen wat citaties écht drijft, heb ik een vooraf geregistreerd model gebouwd op 1.362 queries, 2 engines en 3 snapshots genomen tussen 2 en 16 juli 2026, met 52.821 citaties en 847 opgehaalde pagina's.

Zesentwintig variabelen werden vastgelegd voordat de data werd aangeraakt, met dekking van relevantie, autoriteit, opmaak, actualiteit, paginastructuur en de contentclaims uit het huidige GEO-draaiboek. Geciteerde pagina's worden vergeleken met pagina's die geciteerd zijn voor andere queries in dezelfde taal, engine en onderwerp, zodat queryzwaarte en engine door het ontwerp zelf worden weggenomen. Het model onderscheidt met AUC 0,874, en alleen het week-op-week-persistentiemodel op 7.701 pagina-querycombinaties benadert een causale lezing.

De bevindingen die veranderden hoe ik schrijf

Naast de ruwe semantische match bewegen twee dingen de kans omhoog en één omlaag. Een opening die de query beantwoordt en een titel die de woorden van de query bevat, verhogen de kans, dichte lijstopmaak verlaagt hem, en de rest van het conventionele draaiboek, backlinks, FAQ-markup, vraagvormige koppen, laat geen zelfstandig effect zien zodra paginacontent het model binnenkomt.

Daaruit volgen vijf dingen. Zet de daadwerkelijke woorden van de query in de titel, want titeloverlap verdubbelt de kans ruwweg, zelfs met semantische gelijkenis onder controle. Beantwoord in de eerste 60 woorden, want een opening die bij de query past, is de sterkste opmaakhefboom in het model en vroege citaties overleven de re-retrieval van de week erna. Houd het schemablok aan als goedkope hygiëne in plaats van als strategie: de markup liet geen betrouwbaar zelfstandig effect zien zodra answer-first content rechtstreeks werd gemeten, en vraagvormige koppen alleen betaalden zich ook nooit uit. Sla de linkbuildingcampagne over en herschrijf in plaats daarvan voor relevantie. En stop met opvullen: geen enkel lengtedoel voor de pagina verdient citaties, terwijl recent gepubliceerde pagina's het iets beter doen.

De sectielengte die geciteerd wordt, en waarom paginalengte geen hefboom is

Ongeveer 145 woorden per sectie. Daar piekt de door het model voorspelde citatiekans, binnen het venster van 120 tot 180 woorden dat vakmensen al jaren claimen, en het is het enige stukje chunking-folklore dat deze data ondersteunt. De lengte van de hele pagina loopt de andere kant op: nergens in dit corpus zit een sweet spot van 500 tot 1.500 woorden, en extra lengte verdient nooit uit zichzelf een citatie.

Ik testte het best-practice-draaiboek van 2026, en het meeste ervan sneuvelde

De studie legde ook het advies dat rondgaat in de AI-zoekgemeenschap onder dezelfde microscoop: semantische triples, entiteitsdichtheid, zelfstandige secties, het hele subquery-boompje van een onderwerp op één pagina dekken. Elke claim werd een vooraf geregistreerde variabele; de contentmaten werden gescoord over 818 opgehaalde pagina's door 13 onafhankelijke AI-beoordelaars, en elk hoofdresultaat werd aangevallen door een adversariële verificatieslag voordat ik het geloofde. Eén claim overleefde het.

De enige overlever is het sterkste opmaakresultaat in het hele project. Pagina's waarvan de eerste 60 woorden de query semantisch beantwoorden, verdienen ruwweg het dubbele van de citatiekans per standaarddeviatie, en de schatting bewoog nauwelijks onder elke robuustheidscheck die ik erop losliet. Het is vroeg geleverde relevantie in plaats van een aparte truc, en precies daarom werkt het: retrieval leest van bovenaf, en een opening die al bij de vraag past, wint de passagewedstrijd voordat de rest van de pagina überhaupt bekeken wordt.

De mislukkingen leerden me net zoveel als de overlever. De semantische-triples-claim zag er in eerste instantie spectaculair uit, ruim 40% hogere citatiekans met een verdwijnende p-waarde, totdat de verificatieslag het hele verhaal terugvoerde op één verkeerd gekalibreerde beoordelaarsgroep die ongeveer 2,5 keer hoger scoorde dan de andere twaalf. Verwijder die 60 pagina's en het effect is weg, zowel in het citatiemodel als in het week-op-week-persistentiemodel. Daarom wordt hier elke variabele vastgelegd voordat de data wordt aangeraakt en wordt elk hoofdresultaat aangevallen voordat het gepubliceerd wordt: het verschil tussen een bevinding en een artefact is meestal één robuustheidscheck die iemand daadwerkelijk heeft uitgevoerd.

Wat ik als eerste zou doen als ik vandaag vanaf nul zou beginnen

Begin met meten, niet met content. Bouw een queryset die klinkt als je klanten in plaats van als een keywordtool, meet waar je afwezig bent per engine, en fix dan de drie pagina's die het dichtst bij een koopbeslissing staan: titel herschreven met de woorden van de query, antwoord naar boven verplaatst, FAQ-schema toegevoegd.

Verwacht beweging in weken, niet in kwartalen. Een nieuwe pagina heeft ongeveer een maand nodig om de engines te bereiken, terwijl een LinkedIn-post de volgende dag al kan verschijnen, en dat pleit ervoor om nu te publiceren in plaats van een lancering te plannen. Meet daarna opnieuw op een vast ritme: zonder baseline kun je een echte winst niet onderscheiden van de ruis die de engines zelf produceren.

Nog een opmerking over waar dit heen gaat. De wekelijkse lus is geen wilskracht, het is het pakket skills erachter: de audit die meet, de artikelschrijver die concepten maakt, de website-editor die publiceert, de twin-pretesting die beslist wat goed genoeg is om te publiceren. Ik geef les over dat pakket op de AI-zichtbaarheidspagina, opgezet op je eigen machine in plaats van gehuurd bij een bureau, en daar staat een gratis kennismakingsgesprek als je liever eerst vraagt of het bij je situatie past.

Veelgestelde vragen over AI-zichtbaarheid

Wat zorgt er echt voor dat ChatGPT een pagina citeert?

Hoe nauw een passage op de pagina aansluit bij de betekenis van de vraag. In een vooraf geregistreerd model op 52.821 citaties droeg semantische match tussen query en passage 3,27 keer de citatiekans per standaarddeviatie (2,68 tot 4,01), meer dan alle autoriteits-, opmaak- en actualiteitsvariabelen samen. De praktische versie: schrijf het antwoord in de woorden die de vrager gebruikt, in de eerste 60 woorden van de pagina.

Hoe lang duurt het voordat ChatGPT je aanbeveelt?

Op mijn eigen site kwam de eerste meetbare beweging binnen enkele weken na publicatie, en het vermeldingspercentage ging van 3,7% naar 17,4% over ongeveer zes maanden wekelijkse iteraties. Een nieuw gepubliceerde pagina heeft doorgaans ongeveer een maand nodig om door de engines opgepikt te worden.

Helpen backlinks bij AI-zichtbaarheid?

Niet zelfstandig. Zowel verwijzende domeinen als backlinks op paginaniveau werden statistisch nul zodra paginacontent en queryrelevantie het model binnenkwamen (p = 0,42 en p = 0,15). De studie kon niet-gelinkte merkvermeldingen of organische ranking niet meten, dus lees dit als "geen zelfstandig effect binnen de AI-zichtbare pool", niet als "links doen er nooit toe".

Verhoogt FAQ-schema echt AI-citaties?

Minder dan het lijkt. Pagina's met FAQPage-, QAPage- of HowTo-JSON-LD worden inderdaad vaker geciteerd, maar in het volledige model liet de markup zelf geen betrouwbaar zelfstandig effect zien (p = 0,27): het model schrijft de citaties toe aan de answer-first content die die pagina's doorgaans dragen. Houd het schema aan, het kost niets, maar stop de moeite in de eerste 60 woorden.

Verbeteren semantische triples of entiteitsdichtheid AI-citaties?

Geen van beide overleefde de toetsing. Over 818 gescoorde pagina's bleek het schijnbare semantische-triples-effect terug te voeren op een beoordelaarsartefact, en entiteitsdichtheid bleef statistisch niet overtuigend. De contentvariabele die stand hield, was of de eerste 60 woorden van de pagina de query beantwoorden, met ruwweg het dubbele van de citatiekans per standaarddeviatie.

Hoeveel queries heb je nodig om betrouwbaar te meten?

Honderden, geen handvol. AI-antwoorden schudden zichzelf week na week aanzienlijk opnieuw, zonder enige interventie, dus een check met drie queries voor en na een wijziging meet vooral ruis. Mijn eigen puls draait op een bevroren set van meer dan 1.300 queries.

Bronnen en methodologische notities

Eén site, eerlijk gemeten, plus één vooraf geregistreerd model op zowel andermans citaties als de mijne. Die combinatie is wat een verzameling tactieken in een methode veranderde.