Bewijs en mythes: bewijslabels en je eigen GEO-experiment

Niet elke GEO-tip is je tijd waard. In deze les geef je tips een bewijslabel, van bewezen via aanwijzingen en onbewezen tot schadelijk, en leer je GEO-experimenten opzetten met een controlegroep. Zo stuur je op wat werkt en niet op wat goed klinkt.

Er gaan veel tips over GEO rond. "Zet een llms.txt op je site." "Voeg FAQ-schema toe." "Zet het jaartal in je titel." Ze klinken logisch en ze zijn makkelijk te verkopen.

Maar weinig ervan is getest. En als SEO-specialist ben jij degene die moet uitleggen waarom je ergens tijd in steekt.

Stel dat een bureau een webshop in fietsen een "AI-optimalisatiepakket" aanbiedt met llms.txt en extra schema. Wat zeg je dan? Na deze les kun je die vraag beantwoorden met bewijs, en waar het bewijs ontbreekt, weet je hoe je het zelf verzamelt. Ik vind dit eerlijk gezegd een van de nuttigste lessen van de cursus, omdat het je beschermt tegen pakketten waarvan niemand weet of ze iets doen.

Welke bewijslabels gebruik ik?

Er zijn vier labels, van sterk naar schadelijk. Elke tip krijgt er één, met één zin uitleg.

Zo kom je tot een label:

1. Zoek de officiële documentatie van het platform. Zegt Google of OpenAI het zelf, dan weegt dat zwaar.
2. Zoek gecontroleerde tests, het liefst met een controlegroep.
3. Kijk naar grote correlatiestudies. Zulk onderzoek laat samenhang zien, maar geen oorzaak.
4. Zijn er alleen meningen of verkooppraatjes, dan wordt het "onbewezen".
5. Komt er nieuw bewijs, dan pas je het label aan en noteer je dat.

"Onbewezen" wil niet zeggen dat iets zeker niet werkt. Het wil wel zeggen dat je er geen tijd of geld aan besteedt zolang je iets beters kunt doen.

Op zoekgedrag.nl zijn 15 populaire GEO-mythes op deze manier getoetst. Vier claims zijn schadelijk, negen onbewezen en twee hebben aanwijzingen.

Ik zie een verbetering. Is dat dan bewijs?

Nog niet. Wat je ziet, is een observatie. Bewijs heb je pas als je iets getest hebt terwijl je de rest gelijk hield, en dat verschil maakt de controlegroep.

Een controlegroep is een set vergelijkbare pagina's die je niet aanpast. Daaraan zie je of een verandering echt door jouw actie komt.

Bij AI is dat extra belangrijk, omdat alles tegelijk beweegt. Op 7 en 8 oktober 2026 kreeg ChatGPT een nieuw model (volgens LLM Pulse). Volgens Profound schommelde het aandeel van Reddit in AI-citaties van ongeveer 7% naar 1% en terug naar 3%. Zulke verschuivingen zien eruit als succes of als falen, terwijl jij niets hebt gedaan.

Otterly geeft een mooi voorbeeld. Zij testten het jaartal in de titel en de H1, de hoofdkop van de pagina. De testpagina's deden het beter, maar de onaangeroerde controlepagina's ook, dus hun oordeel was onbeslist.

Zonder controlegroep had dat experiment een "bewezen" tip opgeleverd. Met controlegroep bleef er niets van over.

Wat zegt het bewijs over llms.txt?

Dat het niet helpt om gevonden of geciteerd te worden. llms.txt is een voorgesteld tekstbestand met een samenvatting van je site voor taalmodellen. Jeremy Howard stelde het voor op 3 september 2024, en het is geen officiële standaard.

Google schrijft dat Google Search llms.txt niet gebruikt, en die zin voegde Google in juni 2026 expliciet toe aan de documentatie. SE Ranking onderzocht ongeveer 300.000 domeinen en vond geen verband tussen een llms.txt en het aantal AI-citaties. Zonder llms.txt in het rekenmodel werd het model zelfs nauwkeuriger. OpenAI, Anthropic en Perplexity noemen llms.txt niet in hun documentatie voor site-eigenaren.

Toch groeit het gebruik. Volgens Rankability had in september 2026 9,3% van de 1.000 grootste websites een llms.txt, tegen 0,3% in juni 2025. Die twee metingen zijn wel niet precies op dezelfde manier gedaan.

Wat het verwarrend maakt: Lighthouse in Chrome controleert sinds mei 2026 wel op llms.txt, in de experimentele categorie "agentic browsing". Dat gaat over agents in de browser, niet over gevonden worden.

OnbewezenBewijslabel: Google gebruikt het niet en groot onderzoek vond geen effect. Een gecontroleerde test voor andere AI-assistenten ken ik niet.

Structured data: nuttig, maar geen AI-knop

Structured data is goed onderhoud, maar het is geen knop waarmee je AI-citaties aanzet. Het gaat om extra code die in vaste vakjes vertelt wat er op een pagina staat, zoals de prijs of de auteur.

Google schrijft (juli 2026) dat structured data niet nodig is voor AI-zoeken, en dat er geen speciaal "AI-schema" bestaat. Voor gewone rich results raadt Google het wel aan.

Het grootste onderzoek komt van Ahrefs. Zij volgden 1.885 pagina's die JSON-LD toevoegden en vergeleken die met pagina's waar niets aan veranderde.

Er is ook een tegengeluid. Fabrice Canel van Microsoft Bing zei in 2025 op SMX München dat schema de taalmodellen van Microsoft helpt om content te begrijpen. Hoeveel dat oplevert, zei hij er niet bij.

En wat zeggen de AI-assistenten er zelf over? In mijn steekproef van 2 november 2026 noemde Google AI-modus schema "essentieel". Copilot noemde het effect "aantoonbaar", op basis van één blog van een AI-visibility-tool. Alleen ChatGPT gaf de nuance die Google zelf geeft. AI-antwoorden zijn dus positiever over schema dan het bewijs, en dat vind ik wel grappig, want dat is juist het soort advies dat je in deze les leert wantrouwen.

OnbewezenBewijslabel: Het grootste onderzoek vond geen duidelijk effect op AI-citaties.

Zo zet je zelf een GEO-experiment op

Je werkt in zeven vaste stappen, en die leg je vast voordat je begint. Het is net een proefkeuken: je verandert één ingrediënt en proeft dan of het verschil maakt.

1. Formuleer één vraag. Bijvoorbeeld: "Worden pagina's met Product-schema vaker geciteerd in Google AI-modus?"
2. Bepaal vooraf wat succes is. Hoe groot moet het verschil zijn om van een effect te spreken?
3. Kies test- en controlepagina's die zo veel mogelijk op elkaar lijken: zelfde soort onderwerp, lengte en site.
4. Doe een nulmeting. Stel je vragen vijf keer per assistent, vóór de aanpassing.
5. Verander één ding, alleen op de testpagina's.
6. Meet opnieuw op vaste momenten, met dezelfde vragen en instellingen.
7. Vergelijk test met controle en publiceer, ook als de uitkomst tegenvalt.

Deze aanpak lijkt op de principes die Otterly publiceert: één variabele tegelijk veranderen, succes vooraf bepalen en een minimale effectgrootte afspreken.

Houd verder rekening met de looptijd. Crawlers, de programma's die websites lezen, moeten je site eerst opnieuw bezoeken, dus leg vooraf vast hoe lang je test loopt.

Ook de foutmarge speelt mee. Uit les 1 weet je hoe groot die is bij weinig antwoorden, en met meer pagina's en vragen wordt je test sterker.

En één test blijft één test. Herhaal waar het kan en noem de beperkingen. Zoekgedrag.nl doet dat in het bewijslab, waar vijf experimenten gepland staan.

Zelftoets

1. Na het toevoegen van een jaartal in je titels noemt ChatGPT je vaker. Wat weet je nu?

• A. Dat het jaartal werkt.
• B. Dat er iets veranderde, maar niet of het door het jaartal kwam.
• C. Dat ChatGPT de titel als rankingfactor gebruikt.

2. Welk bewijslabel krijgt llms.txt als middel voor AI-citaties?

• A. Bewezen, want Lighthouse controleert erop.
• B. Onbewezen, want Google gebruikt het niet en groot onderzoek vond geen effect.
• C. Schadelijk, want Google straft het af.

3. Waarom heb je in een GEO-experiment controlepagina's nodig?

• A. Omdat AI-assistenten anders je testpagina's niet vinden.
• B. Omdat modelupdates en andere veranderingen beide groepen raken, en alleen het verschil telt.
• C. Omdat Google dat voorschrijft.

4. Wat zegt het onderzoek van Ahrefs over JSON-LD en AI-citaties?

• A. Een duidelijke stijging in alle platforms.
• B. Kleine verschillen die geen duidelijk effect laten zien.
• C. Een duidelijke daling, dus schema schaadt.

Samenvatting

• Geef elke tip een bewijslabel: bewezen, aanwijzingen, onbewezen of schadelijk.
• Een observatie is geen bewijs. Alleen met een controlegroep haal je jouw effect los van modelupdates en toeval.
• llms.txt is onbewezen, want Google gebruikt het niet en SE Ranking vond geen verband met citaties.
• Structured data is goed onderhoud, maar het grootste onderzoek vond geen duidelijk effect op AI-citaties.
• Een eigen experiment volgt zeven vaste stappen, met succes en looptijd vooraf vastgelegd.

Volgende stap

In de laatste les zet je alles om in een plan: Je GEO-strategie.

Verdieping:

• GEO-mythes getoetst
• Bewijslab: GEO-experimenten en uitkomsten