Dual optimization: SEO en GEO samen aanpakken

Er gebeurt een splitsing in AI die de meeste zichtbaarheidsstrategieën negeren. Aan de ene kant heb je AI die live het web doorzoekt en bronnen citeert. Aan de andere kant heb je AI die enkel antwoordt vanuit wat het tijdens de training geleerd heeft, zonder ooit het web te raadplegen. Dual optimization is mijn term voor de aanpak die beide werelden tegelijk bedient: één strategie voor wat AI vindt op het web, en één voor wat AI al weet uit zijn trainingsdata.

In de praktijk betekent dat: je SEO én je GEO (Generative Engine Optimization, het zichtbaar maken van je merk in AI-antwoorden) samen aanpakken in plaats van als losse projecten. In dit artikel leg ik uit waarom dat nodig is, hoe de twee werelden verschillen, en waar ze elkaar versterken.

Meet het zelf: zie hoe klaar je pagina is om door AI geciteerd te worden met de gratis GEO-check.

Twee werelden waarin je prospect je zoekt

Je potentiële klant beweegt zich door allebei de werelden, vaak zonder het te beseffen.

Een prospect vraagt ChatGPT met zoekfunctie naar oplossingen in jouw categorie en ziet jouw content geciteerd. Diezelfde prospect werkt bij een bedrijf met een interne AI-assistent zonder webtoegang, die op dezelfde vraag antwoordt vanuit pure trainingskennis. In die tweede situatie kan je volledig afwezig zijn, ook al scoor je perfect in de eerste.

Dat is precies het risico van maar één wereld bedienen. Wie enkel op de webwereld inzet, is onzichtbaar in interne bedrijfsdeployments, in offline en embedded AI, en kwetsbaar wanneer retrieval faalt. Wie enkel op de trainingswereld inzet, bouwt traag op en mist alle realtime kansen.

De publieke AI-wereld (met grounding)

Dit zijn systemen die actuele informatie van het web ophalen:

• Platformen: Google AI Mode en AI Overviews, ChatGPT met browsing, Perplexity, Claude met zoekfunctie, Microsoft Copilot met webtoegang.
• Kenmerken: realtime ophalen uit geïndexeerde content, citaties die naar je pagina linken, en versheid die echt meetelt.
• Zichtbaarheidsmechanisme: je content wordt opgehaald, geëvalueerd en eventueel geselecteerd. Je selectiekans, extractiekwaliteit en citatiedekking bepalen of je in het antwoord komt.

Dit is grotendeels het terrein van SEO, aangevuld met AI-specifieke technieken. De hefbomen zijn contentkwaliteit, heldere structuur, versheid en autoriteitssignalen.

De private AI-wereld (zonder grounding)

Dit zijn systemen die enkel antwoorden vanuit hun parametrische kennis, dus de kennis die in de modelgewichten zit:

• Deployments: interne bedrijfsassistenten, embedded AI in producten zonder zoekfunctie, offline toepassingen, en API-gebruik zonder tools.
• Kenmerken: geen realtime ophaling, antwoorden beperkt tot de trainingsdata, geen citaties naar actuele bronnen.
• Zichtbaarheidsmechanisme: je merk verschijnt alleen als het in de modelgewichten zit. Merksaillantie en de sterkte van je associaties bepalen of je genoemd wordt.

Hier helpt klassieke contentoptimalisatie niet rechtstreeks. De hefbomen zijn aanwezigheid in bronnen waarop modellen getraind worden, consistente boodschap over al die bronnen heen, en autoriteit in de juiste publicaties.

Waarom beide werelden tellen

Misschien denk je: is publieke AI met zoekfunctie niet gewoon de toekomst? Gaat alles niet vanzelf richting grounding? Niet noodzakelijk, en zelfs als dat zo zou zijn, duurt die overgang jaren.

Private AI is vandaag alomtegenwoordig. Grote organisaties rollen AI intern uit met weinig of geen webtoegang, vaak om veiligheids- en compliancereden of gewoon vanwege de kosten. Wanneer een medewerker zo’n systeem vraagt naar leveranciers of oplossingen, antwoordt het vanuit trainingskennis. Zit je daar niet in, dan besta je voor die medewerker niet.

Daar komt bij dat trainingsdata ook meespeelt wanneer er wél grounding is:

• Selectievoorkeur: modellen kiezen vaker content van merken die ze al “kennen” uit de training, ook als er actief opgehaald wordt.
• Vertrouwen in de formulering: over merken met sterke trainingsaanwezigheid spreekt een model zelfverzekerder. Een zwakke aanwezigheid geeft voorzichtige, gehedgde taal, zelfs als je content geselecteerd wordt.
• Context en kadering: trainingsdata bepaalt hoe een model opgehaalde informatie interpreteert en kadert.

Met andere woorden: je private aanwezigheid kleurt mee hoe goed je publieke optimalisatie werkt. Daarom zie ik dual optimization niet als luxe, maar als strategische volledigheid. Wil je dieper in dat fundament duiken, lees dan ook de ultieme GEO-handleiding.

SEO vs GEO vs samen: de vergelijking

Onderstaande tabel zet de drie naast elkaar zodat het verschil meteen duidelijk is.

Aspect	SEO (publieke AI en zoekmachines)	GEO (private AI en trainingskennis)	Samen (dual optimization)
Doel	Opgehaald en geciteerd worden bij realtime retrieval	Genoemd worden zonder dat er iets opgehaald wordt	Zichtbaar blijven, ongeacht hoe AI benaderd wordt
Mechanisme	Selectie uit geïndexeerde webcontent	Aanwezigheid in modelgewichten via trainingsdata	Beide oppervlakken tegelijk afdekken
Belangrijkste hefbomen	Contentkwaliteit, structuur, versheid, autoriteit	Aanwezigheid in trainingsbronnen, consistente boodschap, autoriteit	Content die beide werelden bedient
Meetpunten	Selectiekans, citatiefrequentie, citatiedekking	Merksaillantie, kans op vermelding in ongegronde vragen	Combinatie van beide
Tijdshorizon	Dagen tot maanden	Maanden tot jaren	Snel starten, geleidelijk verdiepen
Reactiesnelheid	Snel bij te sturen	Traag, gebonden aan trainingscycli	Snelle winst plus duurzame opbouw

De publieke strategie: winnen bij retrieval

Het kerndoel hier is je selectiekans en citatiekwaliteit maximaliseren wanneer AI-systemen webcontent ophalen en evalueren. Ik werk dat in vier lagen uit:

1. Retrieval-optimalisatie. Zorg dat je content überhaupt opgehaald wordt: brede onderwerpsdekking, sterke SEO-basis (indexering, autoriteit), versheid en een vraaggerichte structuur.
2. Selectie-optimalisatie. Win de selectie eens je opgehaald bent: semantische compressie zodat je goed extraheerbaar bent, hoge informatiedichtheid, directe antwoorden en heldere koppen die de vraag spiegelen.
3. Extractie-optimalisatie. Maximaliseer de extractiekwaliteit eens je geselecteerd bent: zelfstandige fragmenten die los overeind blijven, expliciete benoeming van entiteiten en strategische plaatsing van kerninformatie.
4. Platform-optimalisatie. Pas je aan platformspecifiek gedrag aan en monitor je prestaties over verschillende AI-zoekproducten heen.

Het voordeel van deze wereld: resultaten zijn relatief snel zichtbaar. Contentwijzigingen tellen binnen dagen tot weken mee, en je kan continu blijven bijsturen. Meer over het onderscheid tussen deze twee disciplines vind je in GEO vs SEO.

De private strategie: aanwezig zijn in de trainingsdata

Het kerndoel hier is sterke merkassociaties opbouwen in de trainingsdata, zodat modellen je noemen en aanbevelen ook zonder iets op te halen. Ook dit werk ik in vier lagen uit:

1. Aanwezigheid in trainingsbronnen. Kom in bronnen die waarschijnlijk meewegen bij training: encyclopedieën zoals Wikipedia, gevestigde nieuwsmedia, academische publicaties, institutionele bronnen en toonaangevende vakmedia.
2. Consistente associatie. Zorg voor één boodschap over al die bronnen heen: dezelfde positionering, dezelfde categorie-associatie, dezelfde koppeling tussen je merk en je kernattributen. Tegenstrijdige boodschappen creëren verwarde associaties.
3. Autoriteitsopbouw. Bouw signalen die zich vertalen naar de training: erkenning door experts, spreek- en publicatieplekken in gezaghebbende kanalen, en relaties met analisten.
4. Volgehouden aanwezigheid. Blijf zichtbaar over meerdere trainingscycli heen. Geen losse campagne, maar een aanhoudende aanwezigheid in relevante bronnen.

Dit is een langetermijnspel. De invloed op trainingsdata duurt maanden tot jaren, en modelupdates volgen onregelmatige schema’s. Maar de resultaten zijn duurzaam. Wat GEO precies inhoudt, lees je in wat is GEO.

Waar de twee elkaar versterken

Dual optimization is geen twee losse inspanningen, maar een geïntegreerde aanpak waarin elke strategie de andere voedt. Ik zie twee versterkende lussen:

• Van publiek naar privaat. Je content wordt geciteerd in AI-antwoorden, mensen delen en bespreken die antwoorden, die discussies belanden in de trainingscorpus, en toekomstige modellen leren zo jouw associaties. Je private zichtbaarheid groeit dus mee.
• Van privaat naar publiek. Een model met sterke merkassociaties herkent je bij retrieval, die herkenning geeft een gunstige evaluatiebias, je selectiekans stijgt, en meer citaties versterken de cyclus opnieuw.

Sommige content bedient bovendien meteen beide werelden. Een grondige gids op je eigen site wordt opgehaald en geciteerd (publiek), kan door andere publicaties geciteerd worden (en zo in trainingsbronnen belanden), en vestigt expertise die in beide werelden meetelt. Origineel onderzoek doet net hetzelfde: het geeft unieke waarde voor selectie én wordt opgepikt door gezaghebbende media.

Hoe je je middelen verdeelt

Voor de meeste organisaties werkt een gefaseerde aanpak het best. Begin met nadruk op de publieke kant voor snelle winst, terwijl je ondertussen de private infrastructuur opbouwt. Schuif geleidelijk richting evenwicht naarmate je autoriteit rijpt.

• Meer nadruk op publiek als je nog weinig zichtbaarheid hebt, sterke contentcapaciteit bezit en snel moet reageren op concurrentie.
• Meer nadruk op privaat als je al sterk scoort publiek, toegang hebt tot gezaghebbende publicatiekanalen en een langetermijnvisie aanhoudt.

Een goede contentstructuur helpt in beide werelden, want fragmenten die los overeind blijven worden vlotter geëxtraheerd. Daarover lees je meer in website-architectuur voor SEO.

De enterprise-blinde vlek

Tot slot wil ik één surface uitlichten dat de meeste strategieën missen: interne AI in grote organisaties. Wanneer een medewerker zijn interne AI vraagt “wat zijn de beste oplossingen voor deze categorie?”, komt het antwoord uit de basistraining van het model, eventuele interne fine-tuning en interne documenten. Je webcontent telt daar niet mee. Je laatste persbericht doet er niet toe. Enkel je aanwezigheid in de trainingsdata, en mogelijk in het interne kennisbestand van het bedrijf, bepaalt of je opduikt.

Voor categorieën waar enterprise-kopers tellen, betekent dat: investeer in de basistraining beïnvloeden (alle private strategieën hierboven), krijg je content in bronnen die bedrijven al vertrouwen, en zorg voor aanwezigheid in partner- en analistencontent die bij hun beslissingen meeweegt. Dat is precies de zichtbaarheid die je met een puur SEO-gerichte aanpak nooit zou bereiken.

Veelgestelde vragen

Wat is dual optimization precies?

Dual optimization is het tegelijk optimaliseren voor twee soorten AI: systemen die live het web doorzoeken en systemen die enkel antwoorden vanuit hun trainingsdata. In de praktijk combineer je je SEO en je GEO (Generative Engine Optimization) tot één geïntegreerde aanpak, zodat je zichtbaar blijft hoe iemand AI ook gebruikt.

Moet ik kiezen tussen SEO en GEO?

Nee. Wie maar één wereld bedient, laat gaten vallen: enkel SEO maakt je onzichtbaar in interne en embedded AI, enkel GEO mist alle realtime kansen. De twee versterken elkaar bovendien, dus de winst zit net in de combinatie. Een sterke SEO-basis is meteen de fundering waarop je GEO verder bouwt.

Waarom telt private AI zonder webtoegang nog mee?

Omdat een groot deel van de AI-interacties parametrisch verloopt. Bedrijven rollen interne assistenten uit zonder webtoegang, AI zit ingebed in producten zonder zoekfunctie, en zelfs op publieke platformen wordt niet altijd gegrond. In al die gevallen verschijn je alleen als je in de trainingsdata zit.

Waar begin ik als ik beide wil aanpakken?

Start met de publieke laag, want daar boek je het snelst resultaat: zorg dat je content opgehaald, geselecteerd en goed geëxtraheerd wordt. Bouw ondertussen je autoriteit en consistente boodschap op in gezaghebbende bronnen, want die parametrische zichtbaarheid kost tijd maar levert duurzame resultaten op.