GEO begint bij je doelgroep (en niet bij je prompts)

“Hoe scoren we in ChatGPT?” Die vraag is ons in het verleden al best vaak gesteld. Maar de vraag wordt volwassener, en het antwoord begint niet bij ChatGPT. Het begint bij de persoon die de vraag stelt. In dit artikel lees je hoe wij van doelgroep naar prompts naar meten gaan.

GEO (of AI SEO): de vraag wordt volwassener

De vraag “Hoe scoren we in ChatGPT?” is ons in het verleden al best vaak gesteld. Maar we merken aan alle kanten dat potentiële opdrachtgevers, en daarmee de markt, steeds volwassener worden. De GEO-vraag is niet meer een “hoe scoren we in een LLM”-vraag, maar een bredere vraag. Zoals deze, die afgelopen week aan ons gesteld werd:

“Ons belangrijkste doel is dat [merk X] vaker zichtbaar wordt en wordt aanbevolen wanneer potentiële klanten via AI zoeken naar een geschikte [product / dienst X].”

Wat ons betreft zit er een groot verschil tussen lukraak je zoekwoorden ombouwen tot prompts, en daar het verschil mee maken. Dat is een technische route. Net als met een generieke prompt aanbevolen willen worden als ‘online hardloopschoenenwinkel’. Want wie zijn die potentiële klanten eigenlijk?

Geen antwoord is hetzelfde

Een LLM-gebruiker speelt een vraag-en-antwoordspel met de LLM. Op een vraag en een antwoord volgt vaak een vervolgvraag. Daarnaast begint een LLM bijna nooit vanaf scratch, tenzij je ‘m dat vraagt. De meeste LLM’s weten wie je bent en kennen daarmee ook je context. Dat beïnvloedt natuurlijk hoe je zelf promptet, maar zeker ook het antwoord. En geen antwoord is hetzelfde.

SparkToro deed daar begin 2026 onderzoek naar, samen met Gumshoe. Zo’n 600 vrijwilligers stelden dezelfde prompts bijna 3.000 keer aan ChatGPT, Claude en Google AI. De kans op twee keer dezelfde lijst merken? Minder dan 1 op 100. Maar hoe vaak je als merk terugkomt, is wél stabiel.

En dan het interessantste deel: ze lieten mensen ook zelf prompts schrijven. Bijna geen twee prompts waren hetzelfde, maar bij dezelfde behoefte kwamen grotendeels dezelfde merken terug. Veranderde de behoefte, dan veranderden de merken mee. Het gaat dus niet om de specifieke woorden van een prompt, maar om de situatie en behoefte erachter. Kenmerken die een situatie of intentie veranderen, zorgen voor een ander antwoord. Variaties in de formulering veel minder.

En dat vergt veel meer dan gewoon even een SEO-focus vertalen naar een GEO-focus. Als je hier niet doelgroep-empathisch bent, schiet je jezelf in de voet.

Een LLM is daarbij simpelweg een kansmachine, die bij opnieuw vragen een ander antwoord geeft. En de context van de gebruiker stuurt dat antwoord. Bij SEO was dat veel minder het geval, al verandert dat ook steeds meer. Met Preferred Sources kiezen gebruikers bijvoorbeeld zelf welke nieuwsbronnen ze vaker in Top Stories zien. En Google kondigde aan dat AI Mode ook persoonlijke context gaat gebruiken, zoals je Gmail en zoekgeschiedenis.

Als het antwoord in een LLM zo per persoon verschilt, moet je eerst weten wie de persoon is op wie je je richt.

Positionering en doelgroep

Alles wat een bedrijf of merk doet, begint bij positionering. Dus: wie wil je zijn, en voor wie? Voor wie ben je echt sterk? In welke situaties ben je de juiste keuze? Waarom kiezen klanten jou, en wat is het bewijs?

Arnout Hellemans vertelde dit ook in de SEO Cast op BrightonSEO 2026: waarom hij denkt dat positionering in dit hele veranderende landschap het beginpunt is van GEO of AI Search. Samen met Doran Chappell maakte Arnout het Insight Framework. De stappen die zij bij merken zien:

• Positionering: wie wil je zijn, en voor wie? Wie is je doelgroep?
• Welke informatie heeft je doelgroep echt nodig? Die kennis zit vaak al in het bedrijf. Arnouts voorbeeld is een vouwwagenbedrijf, waar hij bij iedereen in de organisatie ophaalt wat de doelgroep beweegt. Van monteur tot CEO, want iedereen heeft verhalen waar klanten naar zoeken.
• Iets toevoegen wat een prompt niet kan: met eigen inzichten, data en multimedia.

GEO-strategie begint dus bij doelgroep-empathie. Weten wie je doelgroep is: hun situatie, hun twijfels, de woorden die ze gebruiken en de momenten waarop ze iets willen weten. Heb je als organisatie al eens een klantreis uitgeschreven op basis van echte klantinfo? Dan snap je al veel van je klant. Voeg je daar informatie van je klantenservice en bijvoorbeeld reviewdata aan toe, dan snap je nog veel meer. En die hele ‘intelligence’ vertaal je vervolgens naar je promptanalyse en je contentstrategie.

(En nee, die doelgroep laat je niet door AI verzinnen. Onderzoek van Wang e.a. laat zien dat een AI die zich voordoet als een doelgroep, die groep afvlakt en in stereotypes vervalt.)

In onderstaande video zie je de podcast met Arnout Hellemans op BrightonSEO terug:

In de praktijk

Zo deden we dit dit jaar bij een hogeschool:

1. Een offline brownpaper-sessie met het communicatieteam. Samen brachten we alle vragen van twee doelgroepen in kaart (jonge studiekiezers en professionals), in vier fasen: oriëntatie, verkennen, verdiepen en keuze.
2. Het inzicht. Alles wat daaruit kwam, vertaalden we naar ‘het inzicht’ rond de doelgroep: een set gedragingen, de vragen waar de doelgroepen mee zitten, etc. Zo bleek dat de jonge studiekiezer bij zichzelf begint (“Wat past bij mij als ik goed ben in biologie?”) en de professional bij het eigen leven (“Ben ik te oud om te studeren?”).
3. Aanvullen. Een AI-agent nam de uitkomsten van de sessie als basis en vulde dit inzicht aan met deelvragen uit query fan-out, zoektermanalyse en LLM-onderzoek.
4. Gap-analyse. We keken of alle vragen beantwoord werden in de sectie van de website waar dit project over ging.
5. Prompts. Van deze vragen maakten we per doelgroep de prompts die we meten, met de doelgroep als persona in de prompttracking.
6. Live. De nieuwe content ging live, uiteraard getoetst door zowel het team als de studiekeuzeadviseurs.
7. Het resultaat mocht er zijn

Waarom is dit in onze ogen nou zo belangrijk? Omdat je zonder die doelgroepinzichten niet tot de juiste prompts komt, behalve die in de Do-fase, aan het eind van de funnel. De klantreis is een messy middle geworden, waarin alle fases door elkaar lopen. Je wilt dus een compleet beeld van ‘exploration’ en ‘evaluation’ (en ‘experience’), van begin tot eind. Daarnaast past AI zijn antwoord aan op wie er vraagt, soms alleen al op basis van woordkeus (Akpinar e.a., Kearney e.a./Oxford, Poole-Dayan e.a./MIT).

Dat is ook de reden dat we dit vanaf nu voor de meeste opdrachtgevers standaard meenemen in onze GEO-aanpak. Je merkt al dat onze specialisten in de intake met een nieuwe opdrachtgever andere vragen stellen.

Van doelgroepen naar vragen

De AI-revolutie gaat sneller dan de industriële revolutie. Demis Hassabis (Google DeepMind) omschrijft AGI zelfs als tien keer de industriële revolutie, op tien keer de snelheid. Maar vanuit marketingperspectief, of misschien zelfs het ‘Search’-perspectief, kun je niet zeggen dat de behoefte van mensen veranderd is. Het gedrag is veranderd, maar niet de zoekbehoefte. En conversie blijft over het algemeen ook overeind. Dat zei Arnout ook in de SEO Cast. Becky Simms (Reflect Digital) schrijft in Search Engine Land iets vergelijkbaars: AI heeft onze behoeften niet ingewikkelder gemaakt, zoekmachines leerden ons alleen om ze samen te persen tot een paar woorden.

Ga maar na. Het is eenvoudiger en sneller geworden om van het eerste moment dat je iets in je hoofd hebt, tot het moment dat je het regelt te komen. Beste voorbeeld blijft een reis. Je hebt samen bedacht dat je komende zomer toch wel naar Canada wil. De oriëntatie was vroeger in de zoekmachine best een frustrerend spelletje, en het duurde lang. Gelukkig waren er wat pure spelers en reisblogs met goede informatie. Maar doordat je in een LLM (ook in AI Overviews en AI Mode) context meegeeft, is de stap naar een boeking een stuk korter:

“Ik wil komende zomer naar Canada, een campertrip, waarbij we vanuit Vancouver een aantal nationale parken bezoeken. Banff moet er sowieso in zitten. Wat is qua temperatuur de beste tijd om te vliegen? En kunnen we vanuit daar ook nog naar Yellowstone in de VS? Of gaat Trump dan irritant doen?”

In die vraag zit veel context (en achter de schermen een boel query fan-outs). Maar laten we vooropstellen: het scheelt de gebruiker een boel tijd om zo tot een route te komen, en daarna een vervolgvraag over aanbieders te stellen. En weet de LLM ook dat er een dochter van 4 meegaat? Dan kent hij de context die wij hebben.

Vragen zijn dus langer geworden: in AI Mode nu gemiddeld 12 woorden, tegenover 4 bij gewoon zoeken.

Het beste uitgangspunt om tot deze context te komen en prompts te analyseren, is volgens ons die doelgroepkennis. En die inzichten neem je vervolgens mee naar je prompts. Het moeilijke deel hiervan is het geloof hebben dat juist de prompts die je selecteert ook ‘de needle moven’, en dus gebruikt worden. Een LLM geeft geen volumedata. Je doelgroepvragen komen daar dus het dichtst bij, in combinatie met de query fan-outs op basis van die vragen.

Een zoekterm wil een resultaat. Een vraag wil een antwoord.

Je ziet het verschil goed bij één onderwerp: de ouderdomsclausule bij de koop van een woning.

In Search Console zie je de zoektermen met volume. Korte termen: “ouderdomsclausule”, “ouderdomsclausule woning”.

In Bing Webmaster Tools zie je de grounding queries: de zoekopdrachten die AI zelf uitvoert om een antwoord te onderbouwen. Opvallend: ook die zijn kort. AI vertaalt een vraag dus terug naar zoektermen om bronnen te vinden. Onderzoek van de Universiteit van Toronto ziet hetzelfde: ChatGPT splitst een vraag op in zo’n vier korte, zoektermachtige zoekopdrachten. (En ja, geen voorbeeld van Search Console en z’n generatieve-AI-rapport, want dat is (nog) niet best.)

En in Promptwatch zie je de prompts zoals mensen ze stellen. “De verkoper beroept zich op een ouderdomsclausule, wat kan ik doen?” Daar zit iemands situatie in.

Dit is natuurlijk wel een topic met veel logica of FAQ, maar je ziet hier het verschil tussen zoektermen met volume en vragen over een topic. Een zoekterm wil een resultaat. Een vraag wil een antwoord.

Prompttracking

Je kunt van prompttracking vinden wat je wil, maar als je bij BrightonSEO over de beursvloer loopt, zijn er in ieder geval genoeg tools. We hebben het afgelopen jaar een aantal tools getest. Eén van de problemen bij de gemiddelde SEO-specialist is volgens mij dat hij of zij te zwart-wit denkt en exacte data wil, die er uiteraard niet is. In prompttracking vind je die ook niet. Maar je krijgt wel een goed beeld van jouw topics in een LLM, de zichtbaarheid van die topics, of je geciteerd wordt en als bron wordt aangehaald. En natuurlijk of je aanbevolen wordt.

De kritiek op prompttracking komt niet uit de lucht vallen. We hadden het er eerder in dit stuk al over: elk antwoord is uniek. Hoe kan een prompttrackingtool dan een waarheid laten zien? En met logfiles krijg je ook veel gedrag inzichtelijk. Prompttracking is dus per definitie (nog) niet volmaakt, maar dat is in onze optiek geen reden om het te laten.

Een AI-assistent gebruikt bovendien context die niet in een prompt staat. Becky Simms geeft het voorbeeld van een hardloper met een knieblessure: die krijgt bij precies dezelfde vraag ander schoenadvies, omdat de assistent die blessure nog weet. Een gestandaardiseerde prompt laat dus maar één versie van een persoonlijke ervaring zien.

Persona stacking

Ons antwoord daarop is tweeledig: prompts op basis van de vragen die echt leven bij de persona, én persona stacking. Dat werkt zo:

1. Begin bij de persona, gebouwd op echte doelgroepkennis. Bijvoorbeeld: een 17-jarige havist met een NG-profiel die nog niet weet wat ze wil studeren.
2. Maak de prompts van haar vragen. Niet van je zoekwoorden, maar van wat zij zich afvraagt. Zo’n 75 per persona (hanteren wij), verspreid over de fasen van de klantreis.
3. Draai twee monitors naast elkaar: een schone monitor, en een monitor waarin de persona-context om elke prompt heen zit.

De schone monitor laat zien hoe je er in de markt voor staat. De persona-monitor laat zien wat jouw doelgroep te zien krijgt. En het verschil tussen die twee? Daar zit vaak het interessantste inzicht:

In dit geval zien we twee verschillen:

• Handige tips / handige dingen om te weten is anders voor een 17 jarig persona dan bij een ‘schone’ monitor
• De lijst met instellingen die gegeven wordt heeft wat overlap, maar dus niet 100% (eerder 30%)

Als er iets het dichtst bij personalisatie komt, is het je doelgroep of ICP in de context van een prompt. Het blijft wel een simulatie, en dus geen echte gebruiker. Combineer prompttracking dan ook met andere inzichten, zoals logfiles en Analytics-data. Maar maakt je doelgroep z’n keuze al in de LLM? Dan is prompttracking juist de plek waar je dat ziet.

Een persona, geen ‘expert’

Een AI een rol geven (“je bent een expert”) maakt antwoorden niet juister. Dat laten onder meer Wharton (2025) en Zheng e.a. zien, en soms worden ze er zelfs slechter van (Gupta e.a., Kim e.a.). Herkenbaar voor iedereen die geen ‘creative’ is, maar zich in Claude toch voordoet als contentcreator voor LinkedIn Ads. Zo zijn we allemaal AI aan het gebruiken, totdat je iets echt juridisch of boekhoudkundig moet laten checken.

Een persona zoals wij die inzetten, doet zich echter niet voor als expert, maar geeft de context van de vrager. Je kunt zelfs stellen dat die 17-jarige studiekiezer juist helemaal geen expert is.

Het gaat er niet om dat je het hebt, het gaat erom wat je ermee doet

GEO is nog een vrij jong vakgebied. Zoals gezegd zijn er genoeg tools, maar ook genoeg onderzoeken met grote datasets die iets over zichtbaarheid in LLM’s willen roepen. Veel daarvan tonen correlatie aan, maar niet perse een causaal verband. Recent onderzoek van de Universiteit van Toronto laat zien hoe makkelijk dat misgaat. FAQ-blokken, schema markup en samenvattingsboxen lijken te helpen als je websites met elkaar vergelijkt. Maar vergelijk je pagina’s binnen dezelfde website, dan verdwijnt dat effect. Die kenmerken zitten simpelweg vaker op sites die om andere redenen al veel geciteerd worden.

Toch heb je als merk of bedrijf wel degelijk een startpunt als je prompts gaat tracken: de gaten. Die zijn grofweg in vier categorieën in te delen:

• Vragen zonder antwoord: vragen die binnen je doelgroep bestaan en waar (nog) geen antwoord op is. Vaak in de oriëntatie of na de aankoop
• Vragen waarbij een concurrent wel genoemd wordt, en jij niet
• Persona’s waarvoor je onzichtbaar bent
• Situaties waarin je de beste keuze bent, maar niet zichtbaar. “De beste” bestaat namelijk niet, het hangt af van wie er vraagt

Geen commodity content

Het is vervolgens heel verleidelijk om die gaten snel te vullen, maar de kunst is (volgens ons) juist om er veel liefde in te stoppen. Als je simpele content genereert die een AI ook (simpel) kan maken, dan ga je deze oorlog niet winnen.

Maak je content met eigen inzichten, eigen data of eigen multimedia, dan vul je de gaten op een betere manier. Dat kan ook echt content voor hele specifieke situaties zijn. En dat mag uiteraard ook gewoon met AI, als het maar waarde toevoegt.

Het onderzoek van de Universiteit van Toronto onderbouwt dat ook. Het enige pagina-kenmerk dat daar aantoonbaar meer citaties opleverde: een titel en een alinea die aansluiten op de vraag die mensen stellen. Zulke pagina’s werden 14 tot 26% vaker geciteerd. En die alinea hoeft niet eens bovenaan te staan, AI vindt hem wel. Content onderbouwen met citaten, statistieken en bronnen (liefst uit eigen onderzoek) helpt volgens ons ook. Dat zien we zelf in de praktijk.

Wat we ook zien: projecten en opdrachtgevers die E-E-A-T goed voor elkaar hebben op de website, hebben een streepje voor. Er is volgens ons nog geen bewijs of dat een direct effect is, of een indirect effect (via grounding / RAG). Maar we hebben wel E-E-A-T-cases in SEO waarin we als bijkomend voordeel een behoorlijk effect op GEO zien. De Rechtdoor case die we eerder op de website lieten zien en waar we flinke nieuwe updates in hebben gedaan, met name op contentvlak (waarover binnenkort zeker meer) heeft als bijvangst ook dat we het qua GEO meer dan uitstekend doen:

Op je eigen site, en daarbuiten

Je eigen website is daarbij de beste plek voor de vragen uit je doelgroep, en ook een soort source of truth. Maar vermeld worden buiten je website, via digital PR, vakmedia, niche-influencers en communities, werkt als externe validatie. En dat is geen bijzaak. AI-zoekmachines citeren vooral bronnen van derden: 69 tot 92% van de citaties, afhankelijk van de sector, tegenover 33 tot 45% bij Google.

Voor kleinere, minder bekende merken is dat nog belangrijker. ChatGPT kent die merken vaak niet uit zichzelf. Noemt een geciteerde pagina van een ander zo’n merk wel? Dan was de kans dat ChatGPT dat merk noemt bijna 40 keer zo groot. Eigen onderzoek en data zijn hier vaak de aanleiding voor.

Getoond, bezocht, herinnerd (en het gebrek aan attributie)

Er zijn drie lagen belangrijk als het gaat om GEO:

• Je wordt getoond: te meten via prompttracking, of via de AI-rapporten in Search Console en vooral Bing Webmaster Tools
• Je wordt bezocht: te meten via GA4, waar je ziet welke pagina’s bezoek uit AI krijgen [EIGEN CIJFER INVULLEN]
• Je wordt herinnerd: te meten via branded zoekopdrachten en direct verkeer

Die laatste stap is misschien wel de belangrijkste. Je bent dan in de overwegingsset van je doelgroep gekomen. Iemand heeft voor jouw merk gekozen. En daarmee is het uiteindelijk het antwoord op de vraag waar we dit artikel mee begonnen: aanbevolen worden wanneer potentiële klanten via AI zoeken naar een geschikte dienst of product.

Tegelijkertijd is die laatste stap ook lastig, voor SEO-specialisten en eigenlijk voor alle online marketeers. Zij hebben altijd in een zichtbaarheid > traffic > conversie-wereld geleefd. En attributie is een issue: als iemand in een LLM oriënteert, evalueert en een keuze maakt, en daarna via een branded zoekopdracht naar je website gaat, wie krijgt die conversie dan toegewezen?

Maar die laatste stap gaat juist over de essentie van marketing: hoe zichtbaar ben je voor je doelgroep? En hoeveel invloed heeft dat op de overwegingsset? Dat begint dus niet bij AI, of bij zo snel mogelijk 100 artikelen op je website publiceren. Dat begint bij je klant heel goed kennen. En bij de kennis die al in je bedrijf zit.

Wil je hier meer over weten? Op 29 oktober gaan we er verder op in tijdens ons webinar “GEO (AI Search) in 3 stappen: word gevonden, begrepen en aanbevolen door AI”. Meld je hier aan.

Bronnen

• SparkToro / Gumshoe via Search Engine Land: AI recommendation lists rarely repeat
• Becky Simms, Search Engine Land: AI search lets people ask bigger questions
• Chen & Koudas, Universiteit van Toronto (2026): What Drives AI Citations? Content, Retrieval and Model Knowledge in GEO
• Chen e.a., Universiteit van Toronto (2025): Generative Engine Optimization: How to Dominate AI Search
• Scrunch: Query and prompt behavior
• Think with Google: Decoding Decisions: the messy middle
• Akpinar e.a.: Who’s Asking?
• Kearney, Binns & Gal (Oxford): Language Models Change Facts Based on the Way You Talk
• Poole-Dayan e.a. (MIT): LLM Targeted Underperformance
• Wang, Morgenstern & Dickerson: LLMs that replace human participants can misportray and flatten identity groups
• Wharton Generative AI Labs: Playing Pretend: Expert Personas Don’t Improve Factual Accuracy
• Zheng e.a.: When “A Helpful Assistant” Is Not Really Helpful
• Gupta e.a.: Bias Runs Deep
• Kim e.a.: Persona is a Double-edged Sword
• iPullRank: AI Mode and Personal Context
• Search Engine Journal: Google Preferred Sources
• The Decoder: Hassabis: AGI as ten industrial revolutions