Hoe voer je een GEO-audit uit: houd je zichtbaarheid in AI-zoekresultaten bij

Inleiding

De meeste marketingteams controleren hun AI-zichtbaarheid op dezelfde manier: iemand opent ChatGPT, typt ‘beste [categorie] in [stad]’ en leest het antwoord. Als het merk verschijnt, is iedereen gerustgesteld. Als dat niet het geval is, raakt iemand in paniek in een Slack-kanaal. Hoe dan ook, er is bijna niets geleerd – één enkele prompt, één keer uitgevoerd, op één platform, is slechts een anekdote.

Een GEO-audit vervangt die anekdote door een herhaalbare meting. GEO – generatieve engine-optimalisatie – is de discipline waarbij een merk nauwkeurig in door AI gegenereerde antwoorden wordt weergegeven. Deze gids leidt je door de vijf stappen van een volledige audit: het samenstellen van een vast promptpaneel, dit consistent uitvoeren op verschillende platforms, de antwoorden beoordelen, de bronnen in kaart brengen waarop die antwoorden zijn gebaseerd, en het proces volgens een schema herhalen. Aan het einde beschik je over een verdedigbare basislijn en een proces dat je volgende maand kunt herhalen zonder helemaal opnieuw te hoeven beginnen.

Wat een GEO-audit daadwerkelijk meet

De reden om dit nu serieus te nemen is simpel: AI-antwoorden zijn stilletjes een aankoopkanaal geworden. Potentiële klanten die vroeger tien blauwe links openden, lezen nu één samengesteld antwoord en ondernemen daarop actie. De merken in dat antwoord verdelen de vraag onderling; alle anderen verdelen wat er overblijft. De meeste bedrijven hebben geen idee aan welke kant van die lijn ze zich bevinden.

Voordat we de stappen bespreken, is het handig om duidelijk te zijn over de meeteenheden, want het gaat hier niet om ranglijsten.

Een GEO-audit meet vier zaken. Ten eerste, vermelding: noemt de assistent jouw merk überhaupt wanneer een koper het soort vraag stelt dat jouw kopers stellen? Ten tweede, verwijzing: verwijst hij naar jouw website, of naar die van iemand anders, wanneer hij beweringen over jou doet? Ten derde, beschrijving: als er over u wordt gesproken, is wat er dan wordt gezegd waar – uw categorie, uw locatie, uw prijsklasse, uw kerndienst? Ten vierde, bronafhankelijkheid: op welke pagina’s van derden baseert de assistent zich bij het formuleren van zijn antwoord, en zeggen die pagina’s wat u zou willen dat ze zeggen?

Deze vier aspecten gedragen zich onafhankelijk van elkaar. Een merk kan overal worden genoemd en nergens worden geciteerd. Het kan worden geciteerd en slecht worden beschreven. Het kan goed worden beschreven omdat één verouderde beoordelingspagina toevallig dit kwartaal lovend is. Door dit alles te middelen tot één enkele ‘AI-score’ worden de problemen verborgen die je juist het meest moet zien. Houd de vier aspecten gescheiden en de audit wordt diagnostisch: elke foutmodus heeft een andere oplossing.

Nog één ding waarover we het eens moeten zijn voordat we beginnen: een audit is een momentopname van een systeem dat voortdurend in beweging is. Modellen worden bijgewerkt, bronnen voor het ophalen van informatie veranderen en antwoorden verschuiven. De waarde zit niet in een enkele uitvoering, maar in het later opnieuw uitvoeren van dezelfde test en het bekijken van het verschil. Alles in de onderstaande stappen is ontworpen om die herhaling goedkoop en betrouwbaar te maken.

Stap 1: Stel een vast promptpaneel samen

De basis van de audit is een panel van 20 tot 30 vragen die zijn geschreven zoals echte kopers praten, niet zoals je marketingteam praat. Dit is moeilijker dan het klinkt, omdat interne teams steevast vragen schrijven die hun eigen merkjargon bevatten – dat geen enkele koper gebruikt, en waardoor de audit zinloos wordt.

Een goed panel bestaat uit een mix van vijf soorten vragen. Categorievragen: “Welke bureaus in Jakarta houden zich bezig met generatieve zoekmachineoptimalisatie?” Probleemvragen: “Waarom noemt ChatGPT mijn bedrijf nooit?” Vergelijkingsvragen: “Vergelijk de drie beste opties voor X.” Lokale of taalspecifieke vragen, in elke taal die je kopers daadwerkelijk gebruiken. En specificatievragen waarin een functie, prijsklasse of vereiste wordt genoemd, omdat dat de vragen zijn die het dichtst bij een aankoop staan. Een tool voor zoekwoordonderzoek helpt hierbij: de zoekopdrachten die mensen al in Google invoeren, vormen de beste grondstof voor de vragen die ze in een assistent zullen invoeren.

Zo ziet een klein deel van een echt panel eruit voor een B2B-dienstverleningsmerk:

• “Wie zijn de beste GEO-bureaus voor een middelgroot e-commercebedrijf?” - “Wat kost een GEO-audit en wat moet erin zitten?” - “Is [merk] of [concurrent] beter voor internationale SEO?” - “Agensi digital di Jakarta yang paham AI search?” (dezelfde zoekintentie, in de andere taal van de koper) - “Waarom beveelt Perplexity [concurrent] aan, maar niet [merk]?”

Merk op dat in geen van deze vragen de slogan, productnamen of interne terminologie van het merk wordt genoemd. Dat is juist de bedoeling.

Drie regels zorgen ervoor dat het panel betrouwbaar blijft. Stel vragen op basis van verkoopgesprekken en supporttickets, niet op basis van brainstormsessies – de bewoordingen die kopers gebruiken tegenover een verkoper zijn dezelfde die ze tegenover een assistent gebruiken. Neem een paar vragen op waarvan je weet dat je ze zou moeten winnen en een paar waarvan je verwacht dat je ze verliest; een panel dat je volledig wint, zegt je niets. En leg de lijst vast. De meest voorkomende manier waarop deze audits misgaan, is door elke maand stilletjes gemakkelijkere vragen in te voegen, waardoor elke trendlijn omhoog gaat. Spreek het panel één keer af, schrijf het op, deel het met belanghebbenden en raak het niet aan tussen de runs door.

Stap 2: Voer het panel consistent uit op alle platforms

Stel elke vraag op elk platform dat je kopers gebruiken. Voor de meeste merken betekent dat tegenwoordig ChatGPT, Gemini, Google AI Overviews, Google AI Mode, Perplexity, Copilot, Claude en Grok – maar laat je eigen analyses en klantenbestand de doorslag geven, niet uit gewoonte.

Consistentie is belangrijker dan dekking. Gebruik voor elk platform een schone sessie: geen personalisatie door inloggen waar je dat kunt vermijden, geen aangepaste instructies, en bij elke run dezelfde locatie- en taalinstellingen. Leg die instellingen eenmalig vast en hergebruik ze, want ze beïnvloeden de antwoorden. Voer elke vraag drie keer per platform uit, niet één keer – één enkele run kan je vleien of afschrikken, en drie runs laten zien hoe stabiel een antwoord werkelijk is. Als een vraag je merk twee van de drie keer oplevert, is dat een andere bevinding dan drie van de drie keer.

Sla geen talen over. Dezelfde vraag in het Engels en in het Bahasa Indonesia kan twee totaal verschillende shortlists opleveren, omdat de onderliggende bronnen waaruit de modellen gegevens halen per taal verschillen. Elk merk dat op meer dan één taalmarkt verkoopt, voert in feite één audit per taal uit.

Log alles gaandeweg vast: vraag, platform, runnummer, datum, volledige antwoordtekst of een screenshot. Het bijhouden van het logboek voelt in de eerste week vervelend, maar wordt in de derde maand het meest waardevolle document dat je hebt, wanneer iemand vraagt waarom een cijfer is veranderd.

Een eenvoudige logboekopbouw is voldoende. Eén rij per run, met kolommen voor datum, platform, vraag-ID, runnummer, vermeld (ja/nee), eventueel geciteerde URL, samenvatting van de beschrijving, zichtbare bronnen en een link naar het volledige antwoord. Spreadsheets zijn in dit stadium beter dan dashboards; het formaat zal veranderen naarmate je leert waar je stakeholders daadwerkelijk naar vragen, en een spreadsheet is flexibel genoeg om aanpassingen te verwerken.

Stap 3: Beoordeel vermeldingen, citaten en beschrijvingen

Leg voor elk antwoord vier velden vast.

Vermelding: werd het merk genoemd, ja of nee. Verwijzing: bevatte het antwoord een link naar jouw site, en zo ja, waarheen? Beschrijving: een korte opmerking over hoe het merk werd gekarakteriseerd – categorie, locatie, positionering, prijsklasse. Bronnen: op welke externe pagina’s het antwoord zichtbaar was gebaseerd, voor zover het platform deze weergeeft.

Twee patronen verdienen speciale aandacht. Een vermelding zonder bronvermelding betekent dat het model je naam kent, maar deze niet heeft gekoppeld aan je eigen bronnen – meestal een teken dat je eigen website niet het beste antwoord is op de gestelde vraag. Een bronvermelding met een verkeerde beschrijving is nog erger dan beide: de assistent stuurt kopers vol vertrouwen naar je toe, terwijl hij verkeerd weergeeft wat je doet, waar je gevestigd bent of wat je kost. Teams onderschatten dit punt. Een assistent die je naam noemt maar je locatie, prijsklasse of kernservice verkeerd weergeeft, richt meer schade aan dan een assistent die je helemaal weglaat, omdat dit op grote schaal tot teleurgestelde kopers leidt.

Weersta de neiging om platforms samen te voegen tot één gemiddelde. De platforms gedragen zich zo verschillend dat het gemiddelde een verzinsel is. In ons werk voor klanten zien we regelmatig dat een merk in honderden Google AI Overviews en AI Mode-antwoorden verschijnt, terwijl hetzelfde vragenpaneel slechts enkele tientallen vermeldingen oplevert in Copilot, Perplexity, Gemini en ChatGPT samen. Een merk dat alleen naar het samengevoegde cijfer kijkt, zou denken dat zijn AI-zichtbaarheid “overal gemiddeld” was, terwijl deze in werkelijkheid sterk was in de resultaten van Google en vrijwel afwezig was bij de zelfstandige assistenten – twee problemen met totaal verschillende oplossingen.

Stap 4: Breng de bronnen in kaart waarop de antwoorden zijn gebaseerd

Dit is de stap die van metingen een werkplan maakt.

Wanneer een assistent een bron noemt voor een bewering over jouw categorie, noteer die bron dan. Over het hele panel heen verzamel je zo een lijst: beoordelingsplatforms, vergelijkingsartikelen, branchegidsen, Wikipedia, Reddit-discussies, nieuwsberichten, je eigen kanalen. Die lijst is het daadwerkelijke strijdtoneel. Modellen verzinnen geen meningen over merken; ze halen op en vatten samen wat er al op het web staat.

Bekijk je bronnenlijst met drie vragen in gedachten. Over welke van deze pagina’s hebben we controle, direct of via relaties? Welke pagina’s zijn onnauwkeurig, verouderd of vermelden ons niet – en wat is er nodig om ze te corrigeren? En welke bronnen verschijnen wel voor concurrenten, maar niet voor ons?

Een concreet voorbeeld: stel dat de vergelijkingsvraag „beste X voor Y“ consequent steunt op één bekende beoordelingssite en één branchegids. Jouw merk ontbreekt op beide; drie concurrenten zijn op beide aanwezig. De audit heeft je zojuist iets concreets duidelijk gemaakt: de assistenten negeren je niet, ze geven getrouw een beeld weer van een web waarin je afwezig bent op de twee pagina’s die voor deze vraag van belang zijn. De oplossing is al even concreet: zorg voor een accurate, actuele aanwezigheid op die twee pagina’s. Geen enkele herschrijving van de tekst op je startpagina zou dat antwoord hebben veranderd.

Dit is ook de reden waarom GEO en klassieke SEO uiteindelijk het grootste deel van hun instrumentarium delen: de bronnen die hoog scoren, zijn doorgaans de bronnen die worden opgehaald. Digitale PR, gastartikelen in betrouwbare publicaties, nauwkeurige vermeldingen in gidsen en beoordelingen van echte klanten zijn onopvallend werk dat toevallig precies is wat AI-antwoorden beïnvloedt. Het vormt ook de kern van wat we bij Arfadia doen voor merken die hun aanwezigheid in AI-zoekresultaten willen opbouwen.

Stap 5: Corrigeer, en voer vervolgens opnieuw uit volgens een schema

Een audit die eindigt in een presentatie verandert niets. Zet de bevindingen om in een lijst met verbeterpunten, gerangschikt op impact: corrigeer eerst verkeerde beschrijvingen op bronnen met een hoge autoriteit, bouw vervolgens aanwezigheid op bij bronnen die antwoorden binnen de categorie sturen, en versterk daarna je eigen pagina’s zodat ze het beste vindbare antwoord worden voor de vragen waarover jij de leiding zou moeten hebben.

Voer vervolgens hetzelfde panel opnieuw uit – dezelfde vragen, dezelfde platforms, dezelfde instellingen, dezelfde drie runs – volgens een vast ritme. Maandelijks werkt voor de meeste merken; elk kwartaal is het minimum. Vergelijk run met run, platform voor platform, statistiek voor statistiek. Je bent niet op zoek naar een stijgend cijfer. Je bent op zoek naar veranderingen in specifieke antwoorden: de vergelijkingsvraag waarin je nu wordt genoemd, de beschrijving die eindelijk klopt, de Perplexity-antwoorden die nu naar jouw site verwijzen in plaats van naar een drie jaar oude recensie.

Stel in een vroeg stadium verwachtingen vast met belanghebbenden: veranderingen in AI-antwoorden lopen weken tot maanden achter op het onderliggende werk, omdat modellen en hun opvraaglagen volgens hun eigen schema’s worden bijgewerkt. Een vlakke eerste herhaling na een maand van aanpassingen is normaal, geen oordeel.

Rapportage verdient een apart hoofdstuk. Belanghebbenden die gewend zijn aan SEO-rapporten zullen vragen om het AI-equivalent van een rank tracker: één getal dat stijgt. Geef ze iets beters – een kort rapport per platform, met de vier statistieken apart, twee of drie letterlijke fragmenten uit antwoorden, en de lijst met aanpassingen en de status daarvan. Letterlijke fragmenten dragen meer bij aan de geloofwaardigheid dan welke grafiek dan ook, want niemand gaat in discussie met een screenshot van een assistent die je bedrijf verkeerd beschrijft.

Het helpt ook om de klassieke SEO-metingen parallel uit te voeren in plaats van in plaats daarvan. Posities, organisch verkeer en AI-zichtbaarheid geven antwoord op verschillende vragen: waar je staat in de resultatenpagina’s, en wat de machines over je zeggen wanneer ze er rechtstreeks naar worden gevraagd. De twee delen steeds vaker input, dus door ze naast elkaar te volgen – je zoekwoordposities in een rank tracker, je vermeldingen en citaten in het auditlogboek – zie je welke maatregel welk resultaat heeft beïnvloed.

Kun je een GEO-audit automatiseren?

Gedeeltelijk. Het uitvoeren van het panel en het vastleggen van antwoorden kan worden geautomatiseerd, en bij grote panels is dat ook aan te raden – dezelfde AI-zoek-SEO-tools die de zichtbaarheid bijhouden, kunnen de runs inplannen. Het lezen van de antwoorden mag niet worden geautomatiseerd, althans niet volledig: beoordelen of een beschrijving op subtiele wijze onjuist is – de juiste dienst, de verkeerde markt; de juiste prijs, het verkeerde niveau – blijft een taak voor mensen, en juist daar schuilen de duurste fouten. Een verstandige opzet is geautomatiseerde verzameling met menselijke beoordeling, volgens hetzelfde vaste ritme.

Veelvoorkomende fouten die GEO-audits stilletjes ondermijnen

De meeste mislukte audits mislukken op dezelfde paar manieren. Het aanpassen van het vragenpaneel tussen de testruns door, waardoor er een valse vooruitgang wordt gecreëerd. Het testen van één platform – meestal ChatGPT – en dit vervolgens generaliseren naar ‘AI’. Eén keer testen in plaats van drie keer, en achter ruis aanjagen. Vermeldingen als succes beschouwen zonder te controleren of de beschrijving klopte. Talen negeren en vervolgens concluderen dat het merk onzichtbaar is, terwijl het alleen in het Engels onzichtbaar is. En alles tot één score middelen, waardoor de enige informatie die de moeite waard is om op te handelen, verborgen blijft.

Dit zijn allemaal procesfouten, geen fouten in de tools. Ze zijn ook eenvoudig te vermijden, en daarom is een gedisciplineerde handmatige audit beter dan een slordige geautomatiseerde.

Hoe lang duurt het voordat de correcties zichtbaar worden in AI-antwoorden?

Reken op weken tot maanden, niet op dagen. Eigen pagina’s kunnen snel opnieuw worden gecrawld, maar de externe bronnen die de meeste categorieantwoorden aansturen, werken hun gegevens bij volgens hun eigen schema’s, en het gedrag van het model volgt met een vertraging. Dit is een argument om nu met de audit te beginnen in plaats van te wachten: het opbouwen van de baseline duurt een week, en elke maand zonder baseline is een maand van afwijkingen die je niet kunt zien.

Afsluitende gedachten

Een GEO-audit is niet glamoureus. Het is een vaste lijst met vragen van kopers, die zorgvuldig wordt doorlopen bij de assistenten die je klanten gebruiken, waarbij aandacht wordt besteed aan vermeldingen, citaten, beschrijvingen en bronnen, en die vervolgens de volgende maand op dezelfde manier opnieuw wordt uitgevoerd. Merken die dit doen, komen te weten waar ze daadwerkelijk staan en wat er moet worden aangepast. Merken die af en toe losse prompts blijven controleren, blijven afgaan op gevoel in plaats van op gegevens.

Tessar Napitupulu, oprichter en CEO van Arfadia.

Het vakgebied is nog zo jong dat de meeste categorieën helemaal geen vastgestelde uitgangswaarde hebben – wat betekent dat het eerste team in een categorie dat eerlijk meet, meestal ook het eerste is dat verbetering boekt. De twee boeken die ik over dit onderwerp heb gepubliceerd, “Found Before They Search” over het Indonesische digitale landschap en “Cited or Silent” over GEO- en AI-zichtbaarheid, gaan beide uit van hetzelfde uitgangspunt als deze gids: je kunt geen wedstrijd winnen waarvan je het scorebord weigert te lezen.

Stel het panel samen, leg de samenstelling vast, voer de analyse uit en laat de antwoorden je vertellen waar je aan moet werken.