Academisch Onderzoek naar GEO: Belangrijkste Studies en Bevindingen

Het Ontstaan van GEO als Academisch Veld

De opkomst van generatieve AI-aangedreven zoekmachines heeft het digitale marketinglandschap fundamenteel verstoord, waardoor academische onderzoekers nieuwe raamwerken hebben ontwikkeld om contentzichtbaarheid in dit opkomende paradigma te begrijpen en te optimaliseren. Generative Engine Optimization (GEO) werd in 2024 een formele academische discipline met de publicatie van het baanbrekende artikel “GEO: Generative Engine Optimization” door Pranjal Aggarwal, Vishvak Murahari en collega’s van Princeton University en het Indian Institute of Technology Delhi, gepresenteerd op de prestigieuze KDD (Knowledge Discovery and Data Mining) conferentie. Dit fundamentele onderzoek definieerde GEO formeel als een black-box optimalisatiekader dat contentmakers helpt hun zichtbaarheid te vergroten in AI-gegenereerde zoekantwoorden, waarmee een kritieke leemte wordt opgevuld die traditionele SEO-methodologieën laten liggen. In tegenstelling tot traditionele Search Engine Optimization, dat zich richt op zoekwoordposities en doorklikpercentages op zoekresultatenpagina’s (SERP’s), erkent GEO dat generatieve engines informatie uit meerdere bronnen samenvoegen in coherente, met citaten onderbouwde antwoorden, wat fundamenteel verandert hoe zichtbaarheid wordt bereikt en gemeten. De academische gemeenschap erkende dat traditionele SEO-technieken—zoekwoordoptimalisatie, linkbuilding en technische SEO—hoewel nog steeds fundamenteel, onvoldoende zijn voor succes in een AI-gedreven zoekomgeving waarin content vindbaar, citeerd en betrouwbaar genoeg moet zijn om in gesynthetiseerde antwoorden te worden opgenomen.

Belangrijkste Bevindingen uit de Aggarwal et al. Studie

Het onderzoek van Aggarwal et al. introduceerde een uitgebreide set van zichtbaarheidsstatistieken speciaal ontworpen voor generatieve engines, waarmee werd afgeweken van traditionele ranking-gebaseerde maatstaven om het genuanceerde karakter van AI-gegenereerde antwoorden te vangen. De studie identificeerde twee primaire impressiemaatstaven: Position-Adjusted Word Count, die het genormaliseerde aantal woorden meet van zinnen die een bron citeren, rekening houdend met de positie van de citatie in het antwoord, en Subjective Impression, die zeven dimensies evalueert, waaronder relevantie, invloed, uniciteit en kans op gebruikersbetrokkenheid. Door rigoureuze evaluatie op hun nieuw ontwikkelde GEO-bench benchmark testten de onderzoekers negen verschillende optimalisatiemethoden en toonden aan dat de meest effectieve strategieën de zichtbaarheid van bronnen met maximaal 40% op Position-Adjusted Word Count en 28% op Subjective Impression statieken konden verhogen. Het onderzoek toonde aan dat methoden die geloofwaardigheid en bewijs benadrukken—met name Quotation Addition (41% verbetering), Statistics Addition (38% verbetering) en Cite Sources (35% verbetering)—veel beter presteren dan traditionele SEO-tactieken zoals keyword stuffing, wat juist de zichtbaarheid verlaagde. Belangrijk is dat de studie aantoonde dat de effectiviteit van GEO aanzienlijk varieert per domein, waarbij bepaalde methoden effectiever zijn voor specifieke zoektypes en contentcategorieën. Dit onderstreept de noodzaak van domeinspecifieke optimalisatiestrategieën in plaats van een one-size-fits-all aanpak.

De GEO-Bench Benchmark: Standaardisatie van Evaluatie

Om rigoureuze academische evaluatie van GEO-methoden mogelijk te maken, introduceerde het onderzoeksteam GEO-bench, de eerste grootschalige benchmark speciaal ontworpen voor generatieve engines. Deze bestaat uit 10.000 diverse zoekopdrachten, zorgvuldig geselecteerd uit negen verschillende databronnen en getagd over zeven verschillende categorieën. Deze uitgebreide benchmark vult een belangrijke leemte in het onderzoekslandschap, aangezien voorheen geen gestandaardiseerd evaluatiekader bestond om optimalisatiestrategieën tegen generatieve engines te testen. De benchmark bevat zoekopdrachten uit meerdere domeinen en vertegenwoordigt uiteenlopende gebruikersintenties—80% informatief, 10% transactioneel en 10% navigerend—die echte zoekgedragspatronen weerspiegelen. Elke zoekopdracht in GEO-bench is verrijkt met opgeschoonde tekstinhoud van de top vijf Google-zoekresultaten, waarmee relevante bronnen voor antwoordgeneratie worden geboden en de evaluatie realistische informatieretrievalscenario’s weerspiegelt.

De negen datasets die zijn geïntegreerd in GEO-bench omvatten:

• MS Macro, ORCAS-I en Natural Questions – Echte geanonimiseerde gebruikersvragen uit Bing en Google
• AllSouls – Essayvragen van Oxford University die multi-bronredenering vereisen
• LIMA – Uitdagende vragen die synthese en redeneervermogen vereisen
• Davinci-Debate – Debatvragen ontworpen voor het testen van generatieve engines
• Perplexity.ai Discover – Trending zoekopdrachten van een generatieve engine-platform in productie
• ELI5 – Complexe vragen die eenvoudige antwoorden in gewone-mensentaal vereisen
• GPT-4 Generated Queries – Synthetisch gegenereerde zoekopdrachten over diverse domeinen en moeilijkheidsgraden

Vergelijkende Analyse: AI-zoek versus Traditioneel Zoeken

Naast GEO-specifieke optimalisatie heeft academisch onderzoek fundamentele verschillen blootgelegd in hoe AI-zoekmachines informatiebronnen kiezen ten opzichte van traditionele zoekmachines zoals Google. Een uitgebreide vergelijkende studie van Chen et al., waarin ChatGPT, Perplexity, Gemini en Claude werden vergeleken met Google over meerdere sectoren, onthulde een systematische en overweldigende voorkeur voor verdiende media in AI-engines, waarbij verdiende bronnen 60-95% van de citaties uitmaken afhankelijk van de engine en het type zoekopdracht. Dit staat in schril contrast met de meer gebalanceerde aanpak van Google, dat aanzienlijk Brand (25-40%) en Social (10-20%) content naast verdiende bronnen blijft tonen. Het onderzoek toonde aan dat de domeinoverlap tussen AI-engines en Google opmerkelijk laag is, variërend van slechts 15-50% afhankelijk van de sector. Dit geeft aan dat AI-systemen fundamenteel antwoorden samenstellen uit andere informatiesystemen dan traditionele zoekmachines. Opvallend is dat AI-engines sociale platforms zoals Reddit en Quora vrijwel volledig uitsluiten uit hun antwoorden, terwijl Google regelmatig door gebruikers gegenereerde content en discussies opneemt. Deze bevinding heeft grote gevolgen voor contentstrategie: zichtbaarheid op Google betekent niet automatisch zichtbaarheid in AI-gegenereerde antwoorden, wat vraagt om verschillende optimalisatieaanpakken voor elk zoekparadigma.

Domeinspecifieke GEO-optimalisatiestrategieën

Academisch onderzoek heeft overtuigend aangetoond dat GEO-effectiviteit niet uniform is over domeinen heen, waardoor contentmakers hun optimalisatiestrategieën moeten afstemmen op hun specifieke sector en zoektype. De studie van Aggarwal et al. identificeerde duidelijke patronen in welke optimalisatiemethoden het beste werken voor verschillende contentcategorieën: Quotation Addition is het meest effectief voor People & Society, Explanation en History domeinen waar verhalen en directe citaten authenticiteit toevoegen; Statistics Addition domineert in Law & Government, Debate en Opinion categorieën waar data-gedreven bewijs argumenten versterkt; en Cite Sources blinkt uit in Statement, Facts en Law & Government zoekopdrachten waar geloofwaardigheidsverificatie essentieel is. Onderzoek laat ook zien dat informatieve zoekopdrachten (verkennend, kenniszoekend) anders reageren op optimalisatie dan transactionele zoekopdrachten (aankoopgericht), waarbij informatieve content meer profiteert van uitgebreide dekking en autoriteitssignalen, terwijl transactionele content duidelijke productinformatie, prijzen en vergelijkingsdata vereist. De effectiviteit van verschillende methoden varieert ook afhankelijk van of de content zich richt op bekende merken of niche spelers, waarbij nichemerken meer agressieve verdiende media-strategieën en autoriteitsopbouw nodig hebben om het inherente “big brand bias” in AI-engines te overwinnen. Deze domeinspecifieke variatie benadrukt dat succesvolle GEO een diepgaand begrip vereist van het informatiesysteem en de gebruikersintentie in jouw sector, in plaats van het toepassen van generieke optimalisatietactieken op alle contenttypes.

Taalgevoeligheid en Meertalige GEO

Academisch onderzoek naar taalgevoeligheid toont aan dat verschillende AI-engines meertalige zoekopdrachten op drastisch verschillende manieren verwerken, waardoor merken die wereldwijde zichtbaarheid nastreven taalspecifieke strategieën moeten ontwikkelen in plaats van alleen content te vertalen. Uit de studie van Chen et al. blijkt dat Claude een opmerkelijk hoge cross-language domeinstabiliteit behoudt en dezelfde Engelstalige autoriteitsbronnen hergebruikt voor Chinese, Japanse, Duitse, Franse en Spaanse zoekopdrachten. Dit suggereert dat autoriteit opbouwen in toonaangevende Engelstalige publicaties zichtbaarheidsvoordeel kan opleveren op Claude-systemen, ook voor andere talen. Daarentegen vertoont GPT vrijwel geen domeinoverlap tussen talen, en wisselt het zijn hele bronneneconomie uit bij het verwerken van zoekopdrachten in verschillende talen. Dit betekent dat zichtbaarheid bij Engelse zoekopdrachten geen voordeel biedt voor niet-Engelse zoekopdrachten en aparte autoriteit in lokale media vereist. Perplexity en Gemini nemen een middenpositie in, met enige cross-language stabiliteit maar ook aanzienlijke lokalisatie naar doeltaalbronnen. Het onderzoek toont ook aan dat de keuze van websitetalen per engine verschilt: GPT en Perplexity geven bij niet-Engelstalige zoekopdrachten sterk de voorkeur aan doeltaalcontent, terwijl Claude zelfs bij niet-Engelse prompts een Engelstalige aanpak hanteert. Deze bevindingen zijn van cruciaal belang voor multinationale merken: succes in niet-Engelstalige markten vereist niet alleen vertaling van content, maar actief opbouwen van verdiende media-aandacht en autoriteitssignalen binnen elk taalspecifiek informatiesysteem. De precieze strategie hangt af van welke AI-engines het belangrijkst zijn voor jouw bedrijf.

Autoriteit en E-E-A-T Factor in GEO

Academisch onderzoek naar GEO benadrukt consequent dat autoriteit en E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) fundamenteel zijn voor AI-zoekzichtbaarheid, waarbij AI-engines systematisch de voorkeur geven aan bronnen die als gezaghebbend en betrouwbaar worden gezien. De overweldigende voorkeur voor verdiende media die in meerdere studies is vastgesteld, weerspiegelt het vertrouwen van AI-engines in externe validatie als graadmeter voor autoriteit—content die onafhankelijk is beoordeeld, geciteerd en onderschreven door betrouwbare publicaties geeft aan AI-systemen het signaal dat de bron geloofwaardig is en het waard is om in gesynthetiseerde antwoorden te worden opgenomen. Onderzoek toont aan dat backlinks van hoge autoriteitsdomeinen kritische autoriteitssignalen zijn voor AI-engines, vergelijkbaar met hun rol in traditionele SEO maar met nog groter belang, omdat AI-systemen linkprofielen gebruiken om te beoordelen of een bron vertrouwd kan worden als citatie in antwoorden. Studies laten zien dat auteurscredentials, institutionele affiliatie en aangetoonde expertise de bereidheid van AI-engines om een bron te citeren significant beïnvloeden, waardoor het essentieel is voor contentmakers om hun kwalificaties en kennis binnen hun domein duidelijk te etaleren. Belangrijk is dat het onderzoek laat zien dat E-E-A-T-signalen verdiend moeten worden, niet alleen geclaimd—alleen expertise op je eigen website vermelden heeft weinig effect vergeleken met het verkrijgen van validatie via externe media, expert-endorsements en citaties van autoriteitsbronnen. Deze bevinding verschuift de focus van optimalisatie fundamenteel van on-page signalen naar off-page autoriteitsopbouw, waardoor verdiende mediarelaties en strategische samenwerkingen een essentieel onderdeel zijn van elke GEO-strategie.

Praktische Toepassingen: Van Onderzoek naar Implementatie

Het academisch onderzoek naar GEO vertaalt zich naar diverse concrete strategieën voor contentmakers die hun zichtbaarheid in AI-gegenereerde antwoorden willen vergroten. Ten eerste moet content gestructureerd zijn voor machineleesbaarheid met behulp van schema markup en een duidelijke hiërarchische opzet, zodat AI-engines informatie eenvoudig kunnen parsen en extraheren; dit betekent het implementeren van gedetailleerde schema.org markup voor producten, artikelen, reviews en andere entiteiten, het aanbrengen van heldere koppenstructuren en het ordenen van informatie in scanbare formats zoals tabellen en opsommingen. Ten tweede moet content ontworpen zijn voor rechtvaardiging, wat inhoudt dat deze expliciet vergelijkingsvragen beantwoordt en duidelijke redenen geeft waarom een bron superieur is—dit vereist het maken van gedetailleerde vergelijkingstabellen met concurrenten, opsommingen van voor- en nadelen, en sterke statements van unieke waardeproposities die AI-systemen eenvoudig als rechtvaardigingsattributen kunnen ophalen. Ten derde moet verdiende media-opbouw een kernprioriteit worden, waarbij middelen verschuiven van eigen contentcreatie naar PR, mediarelaties en samenwerkingen met experts om vermeldingen en citaties te krijgen in gezaghebbende publicaties waar AI-engines de voorkeur aan geven. Ten vierde moeten zichtbaarheidsstatistieken verder gaan dan traditionele KPI’s, waarbij merken nieuwe maatstaven volgen zoals AI-citaties, vermeldingen in AI-gegenereerde antwoorden en zichtbaarheid over meerdere generatieve engines, in plaats van alleen te vertrouwen op doorklikpercentages en zoekposities. Tot slot moeten domeinspecifieke optimalisatiestrategieën de plaats innemen van generieke benaderingen, waarbij contentmakers onderzoeken welke GEO-methoden het beste werken voor hun sector en hun optimalisatie daarop afstemmen op basis van academische bevindingen over domeinspecifieke effectiviteit.

Beperkingen en Toekomstige Onderzoeksrichtingen

Hoewel het academisch onderzoek naar GEO waardevolle inzichten biedt, erkennen onderzoekers belangrijke beperkingen die van invloed moeten zijn op de toepassing van deze bevindingen. De tijdgebonden aard van het onderzoek betekent dat bevindingen het gedrag van AI-engines op een specifiek moment weergeven; naarmate deze systemen zich ontwikkelen, algoritmen veranderen en concurrentiedynamiek verschuift, kunnen de specifieke kwantitatieve resultaten verouderen en is periodieke herevaluatie en continue monitoring van GEO-effectiviteit vereist. De black-box aard van AI-engines vormt een fundamentele onderzoekuitdaging, omdat academici geen toegang hebben tot interne rangschikmodellen, trainingsdata of algoritmedetails; dit betekent dat onderzoek weliswaar nauwkeurig kan beschrijven wat er gebeurt (welke bronnen worden geciteerd), maar dat de achterliggende mechanismen afgeleid blijven in plaats van onomstotelijk bewezen. De classificatiesystemen die in onderzoek worden gebruikt (Brand, Earned, Social) zijn geconstrueerde raamwerken die, hoewel logisch, subjectieve oordelen over domeincategorisatie inhouden die bij alternatieve indelingen tot andere resultaten kunnen leiden. Daarnaast is onderzoek vooral gericht geweest op Engelstalige zoekopdrachten en westerse markten, met beperkte kennis over hoe GEO-principes zich verhouden tot niet-Engelstalige contexten of opkomende markten waar informatiesystemen aanzienlijk verschillen. Toekomstige onderzoeksrichtingen die door academici zijn geïdentificeerd, zijn onder meer het ontwikkelen van geavanceerdere zichtbaarheidsstatistieken die genuanceerde aspecten van AI-citaties bevatten, het onderzoeken van de interactie tussen GEO-strategieën en opkomende AI-mogelijkheden zoals multimodale zoekopdrachten en conversatie-agents, en het uitvoeren van longitudinaal onderzoek naar de ontwikkeling van GEO-effectiviteit naarmate AI-engines evolueren en gebruikersgedrag zich aanpast.

De Toekomst van GEO-onderzoek en de Evolutie van AI-zoek

Nu generatieve AI de informatieontdekking blijft hervormen, breidt academisch onderzoek naar GEO zich uit om in te spelen op nieuwe uitdagingen en kansen in dit snel veranderende landschap. Multimodale zoekopdrachten—waarbij AI-engines informatie uit tekst, afbeeldingen, video en andere media combineren—vormen een grensgebied voor GEO-onderzoek, waarbij nieuwe optimalisatiestrategieën buiten tekstgebaseerde content vereist zijn. Conversatie- en agentische AI-systemen die namens gebruikers acties kunnen uitvoeren (aankopen doen, reserveringen maken, transacties uitvoeren) zullen nieuwe GEO-aanpakken vereisen die zich richten op het machine-uitvoerbaar en actiegericht maken van content, niet alleen op citeerbaarheid. De academische gemeenschap onderkent steeds meer de noodzaak van principiële GEO-methodologieën en beheerde diensten die verder gaan dan losse tactieken en zorgen voor uitgebreide, continue optimalisatiestrategieën over meerdere AI-engines tegelijk. Onderzoek verkent ook hoe GEO-strategieën zich moeten aanpassen naarmate AI-engines volwassen worden en consolideren, met voorlopige bevindingen dat optimalisatie strategieën mogelijk meer gestandaardiseerd worden naarmate de markt stabiliseert rond een kleiner aantal dominante platforms, maar toch anders blijven dan traditionele SEO. Tot slot onderzoeken academici de bredere implicaties van GEO voor de creator economy en digitale uitgeverij, waarbij wordt gekeken naar de impact van de verschuiving naar AI-gesynthetiseerde antwoorden op trafficverdeling, verdienmodellen en de levensvatbaarheid van kleine uitgevers en contentmakers in een AI-gedomineerd zoeklandschap. Deze opkomende onderzoekslijnen suggereren dat GEO een zich voortdurend ontwikkelend vakgebied zal blijven, waarbij academisch onderzoek een cruciale rol speelt in het helpen van contentmakers, merken en uitgevers bij het navigeren door de fundamentele transformatie van informatieontdekking en -consumptie in het tijdperk van generatieve AI.