Mijn structured data zei precies wie ik was. Mijn zichtbare tekst zweeg.
Voor een taalmodel is dat geen nuanceverschil. Het leest wat er staat, niet wat je bedoelt — en wat alleen onder de motorkap staat, staat er voor een lezend model niet. Die ontdekking deed ik toen ik mijn eigen site door de auditmolen haalde die ik zelf bouwde. Maar laat me bij het begin beginnen.
Steeds meer zoektochten starten niet bij een zoekbalk maar bij een vraag aan ChatGPT, Gemini, Claude of Perplexity. Het antwoord is geen lijst van tien links, maar één samengesteld verhaal met een handvol bronnen. Voor wie online gevonden wil worden, verschuift daarmee de vraag. Niet langer “sta ik hoog in de resultaten”, maar: word ik gebruikt in het antwoord?
Dat is een ongemakkelijke vraag, want geen enkel dashboard vertelt je waarom je werd overgeslagen. Een pagina die perfect scoort in klassieke SEO kan in een AI-antwoord volledig onzichtbaar zijn. Ik wilde weten waaróm — en de eerlijkste manier om daarachter te komen was mijn eigen site auditen. Publiek. Met de gaten erbij.
Dit is wat daaruit kwam.
I. Een AI-antwoord ontstaat via vier poorten
Voordat jouw pagina in een gegenereerd antwoord terechtkomt, moet ze vier keer door een poort — dat is het model waarmee ik naar AI-zichtbaarheid kijk, en waarop de audit verderop in dit stuk is gebouwd. Elke poort is een vraag die het systeem met “ja” moet beantwoorden voordat de volgende telt.
De eerste is toegang: kan het systeem je pagina überhaupt ophalen en verwerken? Als een crawler geblokkeerd wordt of je inhoud pas na scripts verschijnt, is de rest irrelevant.
De tweede is retrieval: wordt bij een concrete vraag de juiste passage op je pagina gevonden? Een pagina kan bereikbaar zijn en toch nooit boven komen, omdat ze niet aansluit op hoe mensen vragen stellen.
De derde is extractie: staat er een zelfstandig, citeerbaar antwoord? Eén zin die op zichzelf staat, zonder de paragraaf eromheen. Als een model een antwoord uit je tekst moet reconstrueren in plaats van optillen, doet het dat liever bij een concurrent die het wél kant-en-klaar aanbiedt.
De vierde is selectie: wint jouw antwoord van de alternatieven? Specificiteit en een verdedigbare claim beslissen welke bron het systeem kiest wanneer het antwoord al bijna klaar is.
Het belangrijke inzicht: falen bij een vroege poort maakt alles daarna zinloos. Een dichte toegangspoort maakt je citeerbaarheid irrelevant. Het heeft geen zin om aan de mooiste details te sleutelen als de fundamentele poort nog klemzit.
II. Mijn eigen homepage: 63 op 100
Geen ramp, geen reden tot gejuich. Een pagina met een degelijke klassieke basis, maar met een paar fundamentele gaten die precies op die poorten sloegen.
Drie dingen sprongen eruit.
Mijn pagina zei nergens in gewone woorden wat het platform is en voor wie. Dat stond wel in de gestructureerde data onder de motorkap — maar wat een pagina alleen impliceert, kan een model misschien raden. En raden citeert het niet. Het model leest wat er staat, niet wat je bedoelt.
Er stond geen zelfstandig antwoord vooraan. De informatie zat verweven in verhalende alinea’s — prettig voor een mens die leest, lastig voor een systeem dat één citeerbare zin zoekt.
En er was geen FAQ die de vervolgvragen beantwoordde die mensen echt stellen: wat is dit precies, waarin verschilt het van dat, hoe meet ik het. Vragen waarop een AI graag een kant-en-klaar antwoord citeert — als het er staat.
III. Wat ik veranderde — en wat ik bewust negeerde
Ik voerde de kortste lijst uit die de zwakste poorten opende. Geen grote verbouwing, één gerichte namiddag werk.
Ik zette één feitelijke zin bovenaan die in mensentaal vertelt wat Groundbase is en voor wie. Ik gaf de pagina een auteur — mijn naam, zichtbaar in de tekst en niet alleen in de metadata, want wie achter een claim staat weegt mee. En ik voegde een FAQ toe: vijf vragen, elk beantwoord in de eerste zin, met de context erachteraan.
Na de ingrepen: 63 werd 72. Of dat een goede score is? Verkeerde vraag. Wat telt is dat de aard van de bevindingen verschoof: de audit sprak niet langer over ontbrekende bouwstenen, maar over polijstwerk. Van fundamenteel naar verfijning. Dat is een categoriewissel, geen puntenwinst.
Het eerlijkste deel van deze oefening zijn echter de aanbevelingen die ik níet heb opgevolgd. De audit stelde onder meer een dienstensectie voor, en een herschreven, letterlijker hoofdtitel. Allebei verdedigbaar vanuit het systeem, allebei bewust genegeerd — de ene omdat mijn positionering die van een kennisplatform is en niet van een dienstverlener, de andere omdat mijn titel merkstem draagt die ik niet wilde inruilen voor een zoekmachine.
Noot, augustus 2026. In dit stuk staat dat ik de aanbeveling voor een dienstensectie bewust niet opvolgde, omdat mijn positionering die van een kennisplatform was en niet van een dienstverlener. Dat is intussen veranderd: Groundbase biedt nu openlijk diensten aan. De audit-bevinding blijft overeind — het gaat er niet om dat een dienstensectie altijd moet, maar dat wat je zichtbaar op je pagina zet, stuurt wat een model over je zegt. Toen was afwezigheid het juiste antwoord op wie ik was. Nu is aanwezigheid dat.
Dat is precies het punt. Een audit geeft je de kortste weg, geen wet. Jij beslist welke poorten je wil openen. Een tool die je dwingt tot een perfecte score, dwingt je vaak tot een slechtere pagina.
IV. Gevalideerd op papier, onzichtbaar in de praktijk
Het eerste gat uit de audit verdient een eigen sectie, want het is de vondst die bleef plakken.
Op papier stond alles juist. Mijn schema-markup vertelde netjes wie ik was, wat Groundbase is en wie erachter zit. De validators gaven groen. Elke technische checklist zou deze pagina goedkeuren — en dat is precies waarom het gat zo lang onzichtbaar bleef.
Maar de vier poorten draaien niet op markup alleen. Extractie zoekt een zin die een mens ook zou kunnen lezen: zelfstandig, citeerbaar, in de zichtbare tekst. Mijn naam en positionering bestonden wél in de code en níet op de pagina — en dus telden ze niet mee waar het ertoe doet. Structured data ondersteunt wat er staat. Ze vervangt niet wat er ontbreekt.
Dat is de gevaarlijkste soort probleem: onzichtbaar, omdat elke tool je vertelt dat het in orde is. Wat je aan de lezer overlaat om te concluderen, concludeert een taalmodel niet. Je vindt dit gat alleen door je pagina te lezen zoals een model ze leest — niet zoals een validator ze afvinkt.
V. Drie vragen die je verder brengen dan de meeste tools
Je hoeft geen tool te bouwen om hier iets aan te hebben. Drie vragen brengen je een heel eind.
Staat er in gewone woorden op je belangrijkste pagina’s wát je bent en voor wie — niet geïmpliceerd, maar uitgesproken? Staat het antwoord op de kernvragen vooraan in de tekst, zelfstandig leesbaar, in plaats van verstopt in een alinea? En kan een AI-systeem je pagina daadwerkelijk ophalen — niet volgens je configuratie, maar getest in de praktijk?
Die drie brengen je door de eerste poorten. De rest is verfijning.
De audit in dit stuk komt van Answera, de tool die ik bouwde om te meten hoe AI-systemen een pagina lezen. De vier poorten uit dit stuk zijn er de vier lagen van — de tool is de methodologie, uitvoerbaar gemaakt. Ze is voorlopig op uitnodiging beschikbaar. Vragen over AI-zichtbaarheid of over de audit: hello@groundbase.be.
Want dat is de les die blijft hangen, ook buiten schema’s en validators: wat op papier klopt, is nog niet wat gelezen wordt. En een pagina die denkt dat ze klaar is voor AI, is dat pas als een AI dat bevestigt.