Onlangs sprak ik met Jesse Dwyer van Perplexity over SEO en AI-zoekopdrachten, met de focus op waar SEO’s prioriteit aan moeten geven bij het optimaliseren voor AI-zoek. Zijn inzichten boden waardevolle richtlijnen voor uitgevers en SEO’s van vandaag. ### AI-zoek op dit moment Jesse benadrukte dat personalisatie fundamenteel aan het transformeren is waarom AI-zoek. Hij merkte op: “Het grootste en eenvoudigste punt over AEO (Answer Engine Optimization) versus SEO is dat het geen nul-som spel meer is. Twee gebruikers met dezelfde query kunnen verschillende antwoorden krijgen als de AI-tool persoonlijke herinneringen meeneemt in het contextvenster (zoals bij Perplexity, ChatGPT). ” Deze verandering komt door verschillen in indexeringstechnologie, wat de diverentie tussen traditioneel Geographic Engine Optimization (GEO) en AEO verklaart. Toch blijven de meeste traditionele SEO-best practices nog steeds toepasbaar. De kernboodschap van Dwyer is dat zichtbaarheid in zoekmachines niet meer gaat om consistente resultaten voor alle gebruikers. AI-antwoorden worden beïnvloed door persoonlijke context, waardoor twee gebruikers heel verschillende antwoorden en onderliggende bronnen voor dezelfde zoekopdracht kunnen zien. Hoewel de infrastructuur nog steeds een klassiek zoekindex is—Perplexity AI gebruikt een systeem vergelijkbaar met PageRank dat sitepopulariteit en relevantie beoordeelt—verschilt de opgevraagde inhoud sterk van traditioneel zoeken. Toen ik vroeg of klassieke zoekmachines meestal dezelfde top-sites tonen per zoekopdracht, terwijl AI-zoek op basis van conversatiecontext varieert in antwoorden, bevestigde Jesse dat dit verschil er is. ### Sub-dokumentverwerking: Het belangrijkste verschil in AI-zoek Jesse verduidelijkte verder de cruciale technologie achter AI-zoek: het verschil tussen verwerking van volledige documenten en sub-documenten. Traditionele zoekmachines indexeren volledige webpagina’s, beoordelen en rangschikken ze als één enkel geheel.

AI-tools die dit model gebruiken—zoals webzoekfuncties in ChatGPT—halen de top 10–50 documenten op en gebruiken een groot taalmodel (LLM) om de resultaten samen te vatten. Deze aanpak, soms aangeduid als “4 Bing-zoekopdrachten in een trenchcoat, ” blijft gebaseerd op algoritmisch zoeken in plaats van echte AI-retrieval. Deze methode past bij GEO of Generative Engine Optimization, die nog steeds afhankelijk is van volledige pagina-beoordeling. De opkomende AI-first benadering, aangeduid als “sub-dokumentverwerking, ” indexeert en haalt zeer specifieke, granular snippets op in plaats van volledige documenten. In AI-termen bestaat een snippet uit ongeveer 5–7 tokens (2–4 woorden) die door de transformatorarchitectuur onderliggende modellen zoals GPT worden omgezet in numerieke representaties. Bij een zoekopdracht haalt het systeem ongeveer 130. 000 tokens relevante snippets op (ongeveer 26. 000 snippets) in het contextvenster van het model—de totale capaciteit van de meeste actuele LLM’s—with als doel dit venster te vullen met relevante informatie. Door het contextvenster volledig te vullen, wordt de neiging van het model om te “halluciner(e)n” of foute informatie te fabriceren verminderd, wat leidt tot nauwkeurigere antwoorden. Deze sub-dokverwerking vormt de richting waarin de industrie zich beweegt, en rechtvaardigt de term AEO. Daarnaast ontstaat personalisatie doordat het LLM veel gegevens over de gebruiker kan verwerken tot het volledige contextvenster—veel verder gaand dan een traditioneel Google-gebruikersprofiel—en zo unieke, op maat gemaakte resultaten genereren. Een bedrijf als Perplexity onderscheidt zich door het optimaliseren van de pipeline tussen index en snippet-ophaling met methoden zoals rekencorrectie, query-reformulering en eigen modellen, die gezamenlijk de relevantie van snippets en de kwaliteit van antwoorden verbeteren. Hoewel dit minder cruciaal is voor SEO’s, leggen deze innovaties ook uit waarom Perplexity’s search API zo geavanceerd is voor ontwikkelaars die zoekfuncties in andere producten integreren. ### Samenvatting van indexeringsbenaderingen Dwyer benadrukte het verschil tussen: - **Volledig-documentindexering:** Het rangschikken en ophalen van volledige webpagina’s, met AI die de uiteindelijke set samenvat. - **Sub-dokumentindexering:** Het opslaan en ophalen van betekenis in fijnmazige fragmenten, waarbij AI direct redeneren over deze snippets. De tweede aanpak verbetert de nauwkeurigheid van antwoorden doordat het volledige contextvenster van het model wordt gevuld met relevante data, wat fabricage beperkt en rijkere antwoorden oplevert. Tot slot benadrukte Jesse dat “modulatie van berekeningen, ” het herformuleren van vragen en eigen indexatiemodellen de ‘geheime saus’ vormen voor betere snippet-ophaling en kwalitatief hoger AI-zoek.