Om GEO te begrijpen, moet je begrijpen hoe een Large Language Model besluit wat het je vertelt. Twee fundamentele bronnen: wat het heeft geleerd tijdens training, en wat het ophaalt op het moment van je vraag.
Bron 1: Trainingsdata
Een LLM wordt getraind op een enorme hoeveelheid tekst. Die training heeft een afsnijdatum. Welke content er precies in zit, maakt geen enkele aanbieder per bron bekend. Onze werkhypothese: content die lang, consistent en op veel plaatsen aanwezig is, maakt meer kans — controleren kan niemand.
Implicatie: autoriteit en aanwezigheid in de tijd tellen. GEO is geen sprint.
Bron 2: Live retrieval (RAG)
Veel moderne AI-systemen zijn uitgebreid met een retrieval-component. Wanneer je een vraag stelt, haalt het systeem relevante documenten op als context — uit een index, cache of het live web. ChatGPT met websearch, Perplexity en Google AI Overviews werken op een vorm van RAG.
Praktische implicatie: verse, goed geïndexeerde content kan worden opgehaald en gebruikt, ook na de trainingsafsnijdatum.
Wat betekent dit praktisch?
- Schrijf content die directe antwoorden geeft op specifieke vragen
- Zorg voor technische toegankelijkheid: snelle laadtijden, correcte HTML, geen blokkades voor crawlers
- Bouw aan langetermijnautoriteit via consistente publicatie en externe vermeldingen
- Gebruik structured data om context expliciet te maken
- Wees aanwezig op platformen die AI-systemen als bron gebruiken