Zichtbaarheid · LLMO

LLMO: maak uw website leesbaar voor AI

LLMO is hier een kader voor een technische audit: crawlers, metadata, gestructureerde gegevens en consistentie van entiteiten. Het verbetert de kwaliteit van de website zonder indexering of bronvermelding door een platform te garanderen.

Mijn LLMO laten auditen Bekijk het strategische overzicht

Illustratie van inhoud die voor taalmodellen is gestructureerd. — Maak uw inhoud duidelijk en gedocumenteerd. Redactionele illustratie.

De 4 pijlers van LLMO

Technische controles waarmee u concreet aan de slag kunt

llms.txt & llms-full.txt

Optionele formaten vanuit de community om links en inhoud in Markdown te presenteren. Ze zijn geen officiële standaard en geen voorwaarde voor zichtbaarheid.

Gestructureerde gegevens die kloppen

Schema.org wordt gebruikt wanneer het de zichtbare inhoud nauwkeurig beschrijft. Google vraagt geen speciale markering voor zijn AI-functies.

Gekoppelde entiteiten (kennisgraaf)

Officiële profielen koppelen die daadwerkelijk bestaan. Een Wikidata-item wordt alleen overwogen als aan de regels en criteria wordt voldaan.

Beheerde crawlbaarheid voor LLM's

De door elk platform gedocumenteerde crawlers in kaart brengen en een beleid kiezen volgens hun rol. Een crawler toelaten garandeert geen indexering of bronvermelding.

Onze aanpak

Inhoud structureren als een kennisgraaf

Visueel overzicht

Drie gedocumenteerde lagen, geen wonderbestand

Toegang

Een expliciet beleid voor crawlers en hun gedocumenteerde rollen.
Beschrijving

Metadata en gestructureerde gegevens die de pagina correct weergeven.
Samenhang

Auteurs, een organisatie en officiële profielen die met elkaar verbonden zijn.

llms.txt blijft een optionele aanvulling vanuit de community. Toegang toestaan garandeert geen bronvermelding.

Platformen geven niet allemaal hetzelfde inzicht in hun werking en sommige combineren meerdere bronnen. Het is daarom onverstandig om hun gedrag af te leiden uit één begrip van 'ingestie'. We maken onderscheid tussen wat gedocumenteerd is en wat een aanname blijft.

Het werk omvat drie lagen: technische toegang volgens de door platformen gedocumenteerde crawlers, de beschrijving van de inhoud met correcte metadata en de consistentie van entiteiten tussen de website en zijn officiële profielen.

Een llms.txt-bestand kan als aanvullend formaat worden getest, maar het effect ervan moet een aanname blijven. De concrete winst komt uit het opschonen van de website: toegankelijke pagina's, juiste informatie, herkenbare auteurs, officiële links en een bewust robots.txt-beleid.

Controles bij oplevering

Verifieerbare elementen, zonder kunstmatige score

robots.txt

Gedocumenteerd

Bron: officiële documentatie van crawlers

Gestructureerde gegevens

Consistent

Bron: zichtbare inhoud en syntactische validatie

Officiële profielen

Geverifieerd

Bron: links van de organisatie

Waarnemingen

Traceerbaar

Bron: logbestanden en een gedateerd protocol

Wat u krijgt

Concrete resultaten die we opleveren

Optioneel llms.txt-bestand: gestructureerde beschrijving van de website, prioritaire pagina's en expliciete vermelding van de status als communityvoorstel

Audit van semantische schema's: ontbrekende schema's en markeringsfouten opsporen, met validatie via Schema.org Validator en Rich Results Test

Herwerking van Schema.org, beperkt tot relevante typen en eigenschappen die door de zichtbare inhoud worden bevestigd

Entiteitenstrategie: consistentie van officiële profielen, auteurs en verifieerbare sameAs-links

Beheer van robots.txt: afzonderlijk beleid voor zoekcrawlers, trainingscrawlers en door gebruikers gestarte verzoeken

Toegankelijke inhoud: een duidelijke hiërarchie, zelfstandig leesbare passages en alleen lijsten en tabellen wanneer die het begrip verbeteren

Feitelijke metadata: titel, beschrijving, auteur, publicatiedatum en wijzigingsdatum, wanneer die juist zijn

Monitoring: serverlogbestanden en gedocumenteerde tests, zonder een crawlerbezoek gelijk te stellen aan indexering of bronvermelding

Onze werkwijze

4 stappen, telkens met meetbare op te leveren resultaten

Stap 01

Technische LLM-audit

Controle van robots.txt, serverlogbestanden, aanwezige semantische schema's, markeringsfouten en toegankelijkheid voor LLM-useragents.

Stap 02

llms.txt & schema's

Opschoning van gestructureerde gegevens en, waar nuttig, aanmaak van een llms.txt-bestand dat duidelijk als experimenteel wordt voorgesteld.

Stap 03

Entiteitengraaf

Controle van officiële profielen en sameAs-links. Wikidata wordt alleen gebruikt als de entiteit aan de eigen criteria van Wikidata voldoet.

Stap 04

Monitoring & beleid

Opvolging van waargenomen toegangen en aanpassing van het beleid volgens de doelstellingen van de website-eigenaar en de documentatie van de platformen.

Veelgestelde vragen

Veelgestelde vragen over LLMO

LLMO versus GEO: wat is het verschil?

GEO en LLMO zijn markttermen, geen officiële standaarden. We gebruiken GEO voor de waargenomen zichtbaarheid in gegenereerde antwoorden en LLMO voor de bijbehorende technische controles: toegankelijkheid, crawlers, metadata en consistentie van entiteiten. Geen van die controles garandeert een bronvermelding.

Wat is een llms.txt-bestand precies?

llms.txt is een communityvoorstel voor een Markdown-bestand in de hoofdmap van een website. Het kan een selectie van bronnen in een eenvoudig formaat presenteren. Google geeft aan dat voor zijn AI-functies geen speciaal bestand nodig is. Er mag niet van worden uitgegaan dat andere platformen llms.txt gebruiken.

Moet u LLM-crawlers toelaten of blokkeren?

De beslissing hangt af van de rol van elke crawler en het beleid van de eigenaar. OpenAI maakt onder meer onderscheid tussen zijn zoekcrawler, trainingscrawler en door gebruikers gestarte toegangen. Ook Perplexity documenteert afzonderlijke crawlers. Hun documentatie moet worden gelezen voordat robots.txt wordt ingesteld. Toegang toestaan garandeert geen enkele bronvermelding.

Beïnvloedt Schema.org-markering LLM's?

Schema.org kan zoekmachines helpen bepaalde informatie te interpreteren wanneer die overeenkomt met de zichtbare inhoud. Google geeft echter aan dat voor zijn AI-functies geen speciale gestructureerde gegevens vereist zijn. Syntactische validatie bewijst dus niet dat een model de markering gebruikt of dat er later een bronvermelding zal volgen.

Wikidata: waarom is het belangrijk voor LLMO?

Wikidata kan een openbare identificatiecode bieden voor een entiteit die daarvoor in aanmerking komt, maar is geen marketinggids. Een item moet voldoen aan de projectregels en op verifieerbare informatie berusten. De aanwezigheid ervan garandeert niet dat een platform het merk zal herkennen of vermelden.

Is uw website leesbaar voor AI?

LLMO-audit: robots.txt-beleid, gestructureerde gegevens, entiteiten en technische waarnemingen, met een duidelijk onderscheid tussen feiten en aannames.

Een LLMO-audit aanvragen Bekijk het strategische overzicht