Is generative engine optimization de moeite waard? Wat we in 3 metingen zagen (2026)

Wie op generative engine optimization zoekt, vindt twee soorten teksten: verkooppagina's die het onmisbaar noemen, en sceptische stukken die het hype noemen. Beide kampen delen een probleem: weinig meetdata. Wij meten AI-zichtbaarheid voor ons werk, ook van onze eigen site. Dit artikel beantwoordt de sceptische vragen met wat we in 3 metingen zagen, inclusief de cijfers die tegen ons pleiten.

Inhoudsopgave

• De vraag zoals sceptici hem stellen
• Wat we gemeten hebben
• Wat dit betekent voor zelf doen of uitbesteden
• Hoe je controleert of een bureau meet of alleen belooft
• Veelgestelde vragen
• De meetmethode

De vraag zoals sceptici hem stellen

De sceptische vragen zijn terecht en concreet. Is het de kosten waard, of betaal je voor iets dat je niet kunt controleren? Wat zijn de nadelen en risico's? Is het een hype die overwaait, of erger: zijn er aanbieders die beloftes verkopen die niemand kan waarmaken? En kun je het niet gewoon zelf?

Onze positie vooraf, zodat je weet wie dit schrijft: wij verkopen metingen en verbeterwerk op dit gebied. Juist daarom publiceren we de cijfers die de scepsis deels gelijk geven.

Wat we gemeten hebben

Meetset: 5 vragen over ons eigen vakgebied, 3 metingen tussen 4 en 6 september 2026, op 4 platforms (configuratie onderaan in het meetkader). De uitkomsten:

1. ChatGPT zocht meestal niet. Bij 4 van de 5 vragen deed ChatGPT (gpt-4o via de Responses API, met zoektool beschikbaar) geen webzoektocht, in alle 3 metingen. Het model antwoordde uit eigen kennis. Dit is het sterkste sceptische datapunt dat we hebben: voor die 4 vragen bestond op dat moment geen enkele route via content. Geen enkele optimalisatie had ons in die antwoorden gebracht. Wie je voor zulke vragen een vermelding belooft, verkoopt iets dat hij niet kan sturen.

2. De andere platforms zochten volop. Claude (claude-sonnet-4-6 met web search) voerde per meting 13 tot 15 zoekopdrachten uit en raadpleegde 93 tot 120 bronnen, waarvan er 38 tot 46 geciteerd werden. Perplexity (sonar-pro) raadpleegde 96 tot 99 bronnen per meting en haalde er 52 tot 57 in de tekst aan. Waar gezocht wordt, worden echte pagina's gelezen en geciteerd; daar bestaat de contentroute dus wel degelijk.

3. Wij stonden er zelf niet tussen. Over de 3 metingen legden ChatGPT en Claude 32 unieke zoekopdrachten vast. In 0 daarvan zat een pagina van onze eigen site bij de geraadpleegde bronnen; 184 andere domeinen kwamen er wel in voor. Op de vraag naar een digitale strategie bureau in Utrecht raadpleegde Claude bijvoorbeeld onder meer sortlist.nl en digitalinside.nl. Directories, vergelijkingsartikelen en stadspagina's van derden wegen zwaar in wat de platforms lezen.

4. Afgewezen werden we nergens. Er was 0 keer een geval waarin een pagina van ons wel gelezen maar niet geciteerd werd. Ons gat zat volledig in gevonden worden, niet in beoordeeld en verworpen worden. Ter illustratie van hoe concreet zoiets wordt: op 9 september 2026 bleken 2 van onze eigen kennisbankpagina's niet in de Google-index te staan. Dat is geen abstract AI-probleem; dat is een indexeringsprobleem met een naam, een url en een fix.

De eerlijke samenvatting van 3 metingen: een deel van het speelveld is dicht (niet-zoeken kun je niet beïnvloeden), een deel is gewoon open en meetbaar werk (indexering, content, vermeldingen op de plekken die platforms raadplegen).

Wat dit betekent voor zelf doen of uitbesteden

Wat je zelf kunt. Controleren of je pagina's geïndexeerd zijn (Google Search Console is gratis), je structured data en robots.txt op orde brengen, en content schrijven die de vraag van je klant beantwoordt. Dat is het fundament, en er is geen bureau voor nodig.

Waar het lastiger wordt. Weten wélke vragen je klanten aan AI stellen, meten of je genoemd wordt op meerdere platforms, en vooral: per niet-vermelding vaststellen in welke categorie de oorzaak valt. Zonder dat onderscheid weet je niet of je contentwerk zin heeft of dat je optimaliseert voor een vraag waar het model toch niet zoekt.

Wat een bureau niet kan beloven. Een vermelding in ChatGPT. Onze eigen data laat zien waarom: bij 4 van de 5 vragen zocht het model niet, en wat een model uit eigen kennis antwoordt, stuur je niet met content. Een eerlijk bureau zegt dat hardop en laat het zien in de meting.

Wat een bureau wel kan leveren. Een nulmeting, de oorzaakcategorie per gat, gericht werk aan de open categorie, en hermetingen op exact dezelfde vragenset zodat je het effect kunt zien. Kosten en omvang van dat werk zijn per situatie verschillend; de meting maakt ze begrensd en controleerbaar in plaats van open-einde.

De bredere economische vraag (wat gebeurt er met marges als AI-assistenten de vraagkant overnemen) valt buiten dit stuk; daarover schreven we de margedeflatie-analyse.

Hoe je controleert of een bureau meet of alleen belooft

Vijf controlevragen, allemaal in één gesprek te stellen:

1. Vraag om de meetconfiguratie. Welke modellen, welke API's, hoeveel vragen, hoeveel herhalingen, welke datums. Wie dat niet kan geven, meet niet.
2. Vraag hoe niet-vermeldingen verklaard worden. Het antwoord moet onderscheid maken tussen niet-gezocht, niet-gevonden en gelezen-maar-niet-geciteerd. Wie alles op "meer content" gooit, heeft dat onderscheid niet.
3. Vraag wat er níet kan. Een aanbieder die nergens zegt dat niet-zoeken niet te forceren is, verkoopt boven zijn data.
4. Vraag om de vragenset. Herhaalmetingen zijn alleen vergelijkbaar op een vaste, vastgelegde set. Wisselt de set per meting, dan is elke trend een verhaal.
5. Vraag naar een resultaat dat tegenviel. Wie er geen heeft, meet niet of publiceert selectief.

Veelgestelde vragen

Is generative engine optimization de kosten waard? Dat hangt af van waar jouw afwezigheid vandaan komt, en dat is meetbaar. Zit het gat in niet-gevonden-worden (zoals bij ons: 0 van 32 zoekopdrachten met een eigen pagina in de bronnen), dan is het werk concreet en controleerbaar. Zit het in vragen waar het model niet zoekt, dan is er geen contentroute en hoor je dat vooraf te weten.

Wat zijn de risico's? Het grootste risico is betalen voor beloftes die niet te controleren zijn. De remedie is niet afzien van het hele vakgebied, maar meten: een nulmeting kost weinig en maakt elke vervolgclaim toetsbaar.

Is het hype? De verkooppraat er omheen bevat hype, en onze eigen ChatGPT-cijfers laten zien dat een deel van de belofte niet kan. Het meetbare deel eronder (word je gevonden door systemen die aantoonbaar zoeken en citeren) is geen hype maar gewoon werk.

Kun je het zelf? Het fundament wel. Het meten en het oorzaakonderscheid per niet-vermelding vragen tooling; hoe Lens zich op publiek gedocumenteerde eigenschappen verhoudt tot andere meettools staat in de vergelijking van AI-zichtbaarheid-tools (2026). Begin in elk geval zelf met de gratis controle of je pagina's geïndexeerd zijn; dat was bij ons de eerste vondst.

De meetmethode

Alle cijfers in dit artikel komen uit deze configuratie en generaliseren niet daarbuiten:

• Meetset: 5 vaste vragen over ons eigen vakgebied (AI-zichtbaarheid en bureaukeuze), vastgelegd vooraf en identiek in elke meting.
• Herhalingen: 3 metingen, tussen 4 en 6 september 2026.
• Platforms en configuratie: ChatGPT via de Responses API met zoektool beschikbaar (gemeten model gpt-4o-2024-08-06), Claude met web search (claude-sonnet-4-6), Perplexity (sonar-pro), Google AI Overviews via echte Google-zoekresultaten.
• Vastgelegd per antwoord: of het platform zocht, de afgevuurde zoekopdrachten, de geraadpleegde en geciteerde bronnen, en de vermeldingen.
• Beperkingen: dit is één site, één vragenset en één meetvenster. Trainingseffecten van modellen meten we niet en claimen we niet. Uitkomsten voor andere sites en vragen kunnen anders zijn; dat is precies waarom een eigen nulmeting het startpunt is.

Meten hoe dit er voor jouw site uitziet: vraag een gratis Snapshot aan of lees eerst wat AI-zichtbaarheid is.