Generative Engine Optimisation (GEO) voor productdata

Wat GEO betekent voor productdata

Kopers vragen AI-assistenten steeds vaker om producten te vergelijken, specificaties te controleren of een leverancier voor te stellen. De antwoordmachine haalt bronnen op, leest er feiten uit en schrijft een samenvatting, soms met bronvermelding. Vindt de machine onvolledige of tegenstrijdige data, dan kan ze een product verkeerd beschrijven, weglaten of de pagina van een wederverkoper als hoofdbron aanhalen.

De term generative engine optimisation werd in 2023 geïntroduceerd in een onderzoeksartikel van Aggarwal en collega's. Zij vonden dat statistieken, bronvermeldingen en duidelijke feitelijke uitspraken de kans vergroten dat content in gegenereerde antwoorden verschijnt. Voor productdata is het principe eenvoudig: maak feiten makkelijk vindbaar, ondubbelzinnig en overal identiek.

Hoe AI-machines productinformatie lezen

Antwoordmachines putten uit meerdere lagen:

Merken beheren de eerste twee lagen zelf en beïnvloeden de derde en vierde via productdatasyndicatie. Machines vertrouwen eerder feiten die meerdere consistente bronnen bevestigen. Toont een retailerlisting een ander gewicht of een andere beoordeling dan de pagina van de fabrikant, dan kan de machine een van beide waarden kiezen, ze samenvoegen of het product overslaan. Verouderde catalogi en uitgefaseerde varianten die online blijven staan, veroorzaken vergelijkbare verwarring. Oude content opruimen hoort dus bij GEO.

Datafundamenten die de nauwkeurigheid verbeteren

De meest effectieve GEO-acties zijn gewoon werk aan datakwaliteit:

1. Stabiele identificatiecodes: gebruik GTIN's en artikelnummers van de fabrikant consistent en publiceer ze op productpagina's. GS1 Digital Link geeft elk product een webadres dat aan de GTIN is gekoppeld.
2. Volledige attributen: vul specificatieattributen in volgens productclassificatiestandaarden, met eenheden.
3. Gestructureerde markup: implementeer schema.org Product-markup volgens de documentatie van Google over gestructureerde productdata.
4. Feitelijke teksten: begin beschrijvingen met wat het product is en doet, gevolgd door cijfers. Vermijd vage superlatieven.
5. HTML-specificatietabellen: publiceer specificaties als HTML-tekst, naast eventuele pdf's of afbeeldingen.
6. Consistentie: zorg dat PLM, PIM, webshop en retailerfeeds identieke waarden bevatten.

Deze stappen vragen om een PIM-systeem als enige bron voor gepubliceerde attributen, gevoed met engineeringdata uit PLM. Voor B2B-fabrikanten zijn technische documenten zoals datasheets, installatiehandleidingen en conformiteitsverklaringen vaak gebruikte bronnen voor antwoordmachines. Door ze te publiceren in tekstgebaseerde formaten, met duidelijke titels, versienummers en productidentificatiecodes, groeit de kans dat een machine de actuele versie citeert.

Wat leveranciers bieden en wat nog onbewezen is

PIM- en productervaringleveranciers positioneren inmiddels functies voor AI-zoeken. In 2026 lanceerde Salsify contenttools voor AI-antwoordmachines en introduceerde Akeneo een native MCP-server, zodat AI-agents rechtstreeks bij beheerde productdata kunnen. Het Model Context Protocol is een open standaard waarmee AI-toepassingen externe systemen kunnen bevragen. Dat kan naast webpagina's een direct kanaal voor productfeiten worden.

Sommige aspecten blijven onzeker. Antwoordmachines publiceren geen rangschikkingscriteria, resultaten verschillen per machine en over tijd, en toerekening aan verkoop is lastig. Wees voorzichtig met beloften van gegarandeerde AI-zichtbaarheid. Onafhankelijke vergelijkingen zoals PIM Vendors kunnen helpen bij het beoordelen welke platforms gestructureerd publiceren en feedbeheer ondersteunen.

Governance en meting

GEO raakt marketing, e-commerce, productmanagement en compliance. Wijs een eigenaar aan voor gepubliceerde productfeiten en stem GEO-werk af op het programma voor productdatakwaliteit.

Praktische meting:

• Stel elke maand een vaste set koopvragen aan de belangrijkste AI-assistenten en leg vast of producten verschijnen en of de feiten kloppen.
• Houd gevonden fouten bij en herleid elke fout naar de bron (eigen site, retailer, verouderde catalogus).
• Volg verwijzend verkeer vanuit AI-assistenten in webanalytics waar dat zichtbaar is.
• Controleer gereguleerde claims zorgvuldig, omdat een machine een verouderde milieu- of veiligheidsclaim kan blijven herhalen lang nadat die is gecorrigeerd.

Nauwkeurigheid verdient voorrang boven zichtbaarheid. Een onjuiste specificatie die een AI-assistent herhaalt, kost supportcapaciteit en kan bij gereguleerde producten leiden tot aansprakelijkheid. Schone, consistente data verkleint beide risico's en vergroot de kans op een nauwkeurige bronvermelding.

Veelgestelde vragen

Bronnen

• Aggarwal et al., GEO: Generative Engine Optimization (arXiv)
• Google Search Central: Product structured data
• Schema.org: Product
• Model Context Protocol documentation

Geschreven door Stephan Spijkers. Gecontroleerd op 16 oktober 2026 door de redactie van PLM Vendors. Regelgevingsdata en leveranciersgegevens veranderen; raadpleeg de bronnen voor de actuele stand. Correcties met bron: info@plmvendors.com.