Mensen zijn er dol op, modellen negeren het
Je publiceert een pagina die een echt probleem oplost. Het leest schoon. Er staan voorbeelden in en de randgevallen worden behandeld. Je overhandigt het met plezier aan een klant.
Vervolgens stel je een AI-platform precies de vraag die de pagina beantwoordt, en jouw pagina verschijnt nooit. Geen citaat, geen link, geen parafrase. Gewoon weggelaten.
Dat moment is nieuw. Niet omdat platforms verschillende antwoorden geven, aangezien de meeste mensen dat al als realiteit accepteren. De verschuiving zit dieper. Menselijke relevantie en bruikbaarheid van modellen kunnen uiteenlopen.
Als je ‘kwaliteit’ nog steeds als enige universele standaard gebruikt, zul je een verkeerde diagnose stellen waarom inhoud faalt in AI-antwoorden, en zul je tijd verspillen met het oplossen van de verkeerde dingen.
De Nutsgat is de eenvoudigste manier om het probleem te benoemen.
Wat de Nutsgat Is
Deze kloof is de afstand tussen wat een mens relevant acht en wat een model nuttig acht om tot een antwoord te komen.
Mensen lezen om te begrijpen. Ze tolereren opwarming, nuance en verhaal. Ze scrollen om die ene paragraaf te vinden die er toe doet en nemen vaak een beslissing nadat ze de hele pagina of het grootste deel van de pagina hebben gezien.
Een ophaal-plus-generatiesysteem werkt anders. Het haalt kandidaten op, consumeert ze in stukjes en extraheert signalen waarmee het een taak kan voltooien. Het heeft niet jouw verhaal nodig, alleen de bruikbare delen.
Dat verschil verandert hoe ‘goed’ werkt.
Een pagina kan uitstekend zijn voor een mens, maar toch weinig nut hebben voor een model. Die pagina kan ook technisch zichtbaar, geïndexeerd en geloofwaardig zijn, en toch kan hij nog steeds mislukken op het moment dat een systeem probeert er een antwoord van te maken.
Dit is geen theorie die we hier onderzoeken, omdat onderzoek bij LLM-gestuurde retrieval al onderscheid maakt tussen relevantie en bruikbaarheid.
Waarom relevantie niet langer universeel is
Veel standaard IR-rangschikkingsstatistieken zijn opzettelijk topzwaar, wat een al lang bestaande veronderstelling weerspiegelt dat het gebruikersnut en de onderzoekswaarschijnlijkheid afnemen met de rangorde. In RAG worden opgehaalde items geconsumeerd door een LLM, die doorgaans een reeks passages opneemt in plaats van een gerangschikte lijst te scannen zoals een mens, zodat klassieke positiekortingen en aannames die alleen op relevantie zijn, verkeerd kunnen worden afgestemd op de end-to-end antwoordkwaliteit. (Ik vereenvoudig het hier te veel, omdat IR veel complexer is dan één alinea kan vastleggen.)
Een paper uit 2025 over de evaluatie van het ophalen van systemen uit het LLM-tijdperk probeert dit expliciet te maken. Er wordt betoogd dat klassieke IR-statistieken twee grote onjuistheden missen: positiekorting verschilt voor LLM-consumenten, en menselijke relevantie is niet hetzelfde als machine-utiliteit. Het introduceert een annotatieschema dat zowel nuttige passages als afleidende passages meet, en stelt vervolgens een metriek voor met de naam UDCG (Utility and Distraction-aware Cumulative Gain). Het artikel rapporteert ook experimenten met meerdere datasets en modellen, waarbij UDCG de correlatie verbetert met end-to-end antwoordnauwkeurigheid vergeleken met traditionele statistieken.
De boodschap van de marketeer is bot. Sommige inhoud wordt niet zomaar genegeerd. Het kan de antwoordkwaliteit verminderen door het model uit de koers te trekken. Dat is een nutsprobleem, geen schrijfprobleem.
Een gerelateerde waarschuwing komt van NIST. Ian Soboroffs “Gebruik geen LLM’s om een oordeel over de relevantie te vellen” betoogt dat je in het evaluatieproces geen modeloordelen moet vervangen door menselijke relevantieoordelen. De mapping is niet betrouwbaar, zelfs als de tekstuitvoer menselijk aanvoelt.
Dat is belangrijk voor uw strategie. Als relevantie universeel zou zijn, zou een model de plaats kunnen innemen van een menselijke rechter, en zou je stabiele resultaten krijgen, maar dat is niet zo.
De Nutsgat zit precies in die ruimte. Je kunt er niet van uitgaan dat wat voor een persoon goed leest, als nuttig zal worden beschouwd door de systemen die nu de ontdekking bemiddelen.
Zelfs als het antwoord aanwezig is, gebruiken modellen het niet consequent
Veel teams horen “LLM’s kunnen een lange context vereisen‘ en neem aan dat dit betekent ‘LLM’s zullen ontdekken wat belangrijk is.Die aanname faalt vaak.
“Verloren in het midden: hoe taalmodellen lange contexten gebruiken“laat zien dat de prestaties van modellen sterk kunnen verslechteren op basis van waar relevante informatie in de context verschijnt. Resultaten zien er vaak het beste uit als de relevante informatie zich aan het begin of einde van de invoer bevindt, en slechter als deze zich in het midden bevindt, zelfs voor expliciet lange-contextmodellen.
Dit komt duidelijk overeen met de inhoud op internet. Mensen zullen scrollen. Modellen gebruiken het midden van uw pagina mogelijk niet zo betrouwbaar als u verwacht. Als uw sleuteldefinitie, beperking of beslissingsregel halverwege zit, kan deze functioneel onzichtbaar worden.
U kunt het juiste schrijven en het toch op een plek plaatsen waar het systeem het niet consequent gebruikt. Dit betekent dat nut niet alleen over correctheid gaat; het gaat ook om extraheerbaarheid.
Bewijs in het wild: dezelfde bedoeling, ander hulpdoel
Dit is waar de Nutsgat gaat van onderzoek naar realiteit.
BrightEdge publiceerde onderzoek waarin werd vergeleken hoe ChatGPT en Google AI de zichtbaarheid per branche benaderen. In de gezondheidszorg rapporteert BrightEdge een verschil van 62% en geeft een voorbeeld dat belangrijk is voor marketeers omdat het laat zien dat het systeem een pad kiest, en niet alleen maar een antwoord. Voor ‘hoe je een dokter kunt vinden’ beschrijft het rapport dat ChatGPT Zocdoc pusht terwijl Google naar ziekenhuisgidsen wijst. Dezelfde bedoeling. Ander traject.
Een gerelateerd rapport van hen omschrijft dit ook als een breder patroon, vooral bij actiegerichte zoekopdrachten, waarbij het platform naar verschillende beslissings- en conversieoppervlakken streeft.
Dat is de Nutsgat zichtbaar als gedrag. Het model selecteert wat het nuttig acht voor het voltooien van taken, en die keuzes kunnen de voorkeur geven aan aggregators, marktplaatsen, directory’s of de formulering van het probleem door een concurrent. Uw pagina van hoge kwaliteit kan verloren gaan zonder dat u ongelijk heeft.
Draagbaarheid is de mythe die u moet laten varen
De oude veronderstelling was eenvoudig. Als u een pagina van hoge kwaliteit bouwt en wint bij het zoeken, wint u ook bij het ontdekken, en dat is niet langer een veilige aanname.
BCG beschrijft de verschuiving in vindbaarheid en benadrukt hoe metingen evolueren van rankings naar zichtbaarheid op AI-gemedieerde oppervlakken. Hun stuk bevat een bewering over een lage overlap tussen traditionele zoek- en AI-antwoordbronnen, wat het idee versterkt dat succes niet netjes tussen systemen wordt overgedragen.
Profound publiceerde een soortgelijk argument, waarbij de overlapkloof werd gepositioneerd als een reden waarom de topzichtbaarheid van Google geen zichtbaarheid in ChatGPT garandeert.
De methode is van belang bij overlapstudies, dus behandel deze getallen als richtingssignalen in plaats van vaste constanten. Search Engine Land publiceerde kritiek op de bredere trend dat SEO-onderzoek overmatig wordt versterkt of gegeneraliseerd dan wat de methoden kunnen ondersteunen, inclusief de discussie over claims in overlappende stijl.
Je hebt geen perfect percentage nodig om te handelen. Je hoeft alleen maar het principe te accepteren. Zichtbaarheid en prestaties zijn niet standaard overdraagbaar, en het nut is afhankelijk van het systeem dat het antwoord samenstelt.
Hoe je de meet Nutsgat Zonder een laboratorium
Je hebt geen bedrijfstools nodig om te beginnen, maar je hebt wel consistentie en intentiediscipline nodig.
Begin met tien intenties die rechtstreeks van invloed zijn op de omzet of retentie. Kies zoekopdrachten die echte beslissingspunten van de klant vertegenwoordigen: een productcategorie kiezen, opties vergelijken, een veelvoorkomend probleem oplossen, de veiligheid of naleving evalueren of een aanbieder selecteren. Concentreer u op de intentie, niet op het zoekwoordvolume.
Voer exact dezelfde prompt uit op de AI-oppervlakken die uw klanten gebruiken. Dat kunnen Google Gemini, ChatGPT en een antwoordengine zoals Perplexity zijn. Je bent niet op zoek naar perfectie, maar naar herhaalbare verschillen.
Leg elke keer vier dingen vast:
- Welke bronnen worden geciteerd of gekoppeld.
- Of uw merk wordt genoemd (geciteerd, vermeld, geparafraseerd of weggelaten).
- Of uw voorkeurspagina verschijnt.
- Of het antwoord de gebruiker naar u toe of van u af leidt.
Scoor vervolgens wat je ziet. Houd de puntentelling eenvoudig, zodat u het ook daadwerkelijk doet. Een praktische schaal ziet er in eenvoudige bewoordingen als volgt uit:
- Jouw inhoud bepaalt duidelijk het antwoord.
- Uw inhoud verschijnt, maar speelt een ondergeschikte rol.
- Jouw inhoud ontbreekt en een derde partij domineert.
- Het antwoord is in strijd met uw begeleiding of leidt gebruikers ergens heen waar u niet wilt dat ze heen gaan.
Dat wordt jouw Nutsgat basislijn.
Wanneer u dit maandelijks herhaalt, volgt u de drift. Als je het herhaalt nadat de inhoud is gewijzigd, kun je zien of je de kloof hebt verkleind of alleen maar woorden hebt herschreven.
Hoe u de Nutsgat Zonder van uw site een checklist te maken
Het doel is niet om ‘voor AI te schrijven’. Het doel is om uw inhoud bruikbaarder te maken voor systemen die antwoorden ophalen en verzamelen. Het merendeel van de werkzaamheden is structureel.
Zet de beslissingskritische informatie voorop. Mensen accepteren een langzame helling. Ophaalsystemen belonen schone vroege signalen. Als de beslissing van de gebruiker afhangt van drie criteria, plaatst u die criteria bovenaan. Als de veiligste standaard van belang is, geef dit dan vroegtijdig aan.
Schrijf verankerbare uitspraken. Modellen stellen antwoorden vaak samen uit zinnen die op stabiele claims lijken. Duidelijke definities, expliciete beperkingen en directe oorzaak-en-gevolg-frasering vergroten de bruikbaarheid. Afgedekte, poëtische of overdreven verhalende taal kan goed lezen voor mensen, maar toch moeilijk tot een antwoord te herleiden zijn.
Scheid kernrichtlijnen van uitzonderingen. Een veelvoorkomend foutpatroon is het combineren van het hoofdpad, randgevallen en productboodschappen binnen één compact blok. Die dichtheid vergroot het risico op afleiding, wat aansluit bij de utiliteits- en afleidingsframing in het UDCG-werk.
Maak de context expliciet. Mensen concluderen, maar modellen hebben er baat bij als je aannames, geografie, tijdsgevoeligheid en vereisten vermeldt. Als de begeleiding verandert op basis van regio, toegangsniveau of gebruikerstype, geef dit dan duidelijk aan.
Behandel inhoud op de middenpagina als kwetsbaar. Als het belangrijkste deel van je antwoord in het midden staat, promoot het dan of herhaal het in een strakkere vorm aan het begin. Lange-contextonderzoek toont aan dat de positie kan veranderen als informatie wordt gebruikt.
Voeg primaire bronnen toe wanneer ze ertoe doen. Je doet dit niet ter decoratie. Je geeft het model en de lezer bewijs om vertrouwen te verankeren.
Dit is content-engineering, geen gimmicks.
Waar dit je achterlaat
De Nutsgat is geen oproep om traditionele SEO op te geven. Het is een oproep om niet langer aan te nemen dat kwaliteit draagbaar is.
Je taak wordt nu in twee modi tegelijk uitgevoerd. Mensen hebben nog steeds geweldige inhoud nodig. Modellen hebben bruikbare inhoud nodig. Deze behoeften overlappen elkaar, maar zijn niet identiek. Als ze uiteenlopen, krijg je een onzichtbare mislukking.
Dat verandert de rollen.
Contentschrijvers kunnen structuur niet langer als een opmaakprobleem beschouwen. Structuur is nu onderdeel van de prestaties. Als je wilt dat je beste begeleiding het ophalen en synthetiseren overleeft, moet je zo schrijven dat machines snel het juiste eruit halen, zonder afgeleid te worden.
SEO’s kunnen ‘inhoud’ niet behandelen als iets dat ze aan de randen optimaliseren. Technische SEO doet er nog steeds toe, maar draagt niet langer het hele zichtbaarheidsverhaal uit. Als uw primaire hefboom de crawlbaarheid en hygiëne op de pagina is geweest, moet u nu begrijpen hoe de inhoud zelf zich gedraagt wanneer deze wordt opgedeeld, opgehaald en samengevoegd tot antwoorden.
De organisaties die winnen zullen niet discussiëren over de vraag of AI-antwoorden verschillen. Ze zullen model-relatief nut als een meetbare kloof beschouwen en deze vervolgens doel voor doel dichten.
Meer bronnen:
Dit bericht is oorspronkelijk gepubliceerd op Duane Forrester Decodes.
Uitgelichte afbeelding: LariBat/Shutterstock
