Prompt-onderzoek: ontdek welke vragen klanten stellen aan ChatGPT

Klassieke keyword research draait om zoekvolumes in SERP’s. Prompt-onderzoek kijkt naar natuurlijke taal in chat: volledige vragen, context, constraints (budget, locatie) en taaktype (uitleg, vergelijking, stappenplan). Je optimaliseert voor hoe LLM’s redeneren en bronnen citeren, niet alleen voor blauwe links. Verschillen in het kort: - Queryvorm: van “fietsenwinkel amsterdam” naar “Welke e-bike winkel in Amsterdam levert binnen 48 uur en monteert aan huis?” - Doel: van klikken naar antwoordkwaliteit en citatiekans. - Rankingfactoren: bronbetrouwbaarheid, structuur, actuele data, entiteiten en lokale context (GEO). Praktijkvoorbeeld: een installateur van zonnepanelen in Utrecht zag dat prompts vaak voorwaarden bevatten (“salderingsregeling 2026”, “rijwoning 30 m² dak”). Hij herstructureerde pagina’s met secties per woningtype, rekenvoorbeelden en dateringen. Resultaat: Perplexity en Gemini citeerden zijn ‘rekenblokken’ in antwoordpagina’s. De kern van GEO: breng je kennis in een vorm die LLM’s kunnen herkennen, verifiëren en citeren. Prompt-onderzoek is het startpunt om te weten welke ‘werkelijke’ vragen leven en welke bewijsvoering nodig is om het beste antwoord te zijn.

Je hebt representatieve vragen nodig, niet alleen zoekvolumes. Combineer deze bronnen: - On-site zoeklogs en 404-queries: ruwe klanttaal, inclusief typefouten en specifieke constraints. - Supporttickets, chattranscripten en call-notes (CRM): veelgestelde ‘hoe’/‘waarom’-vragen; borg AVG-proces en anonimiseer. - Google Search Console: ‘vragen’-queries en long-tail; check ook AI Overviews-verschijningen indien beschikbaar. - Perplexity: bekijk ‘Related’ prompts en bron-citaties bij topantwoorden. - Reddit/Stack Exchange/ Tweakers-fora: probleemformuleringen en aankoopcriteria. - App store reviews en social DM’s: frictiepunten en merktaal. - Concurrentie-analyse: welke pagina’s krijgen frequent citaties in Perplexity/Gemini? Nederlandse case: een Arnhemse payroll-dienst bundelde 2.000 klantvragen uit tickets met GSC-queries en Perplexity-related prompts. Clustering toonde drie dominante intenties: wet- en regelgeving, looncomponenten vergelijken en implementatie-tijdlijnen. Door content hierop te herstructureren, steeg de citatie-rate in Perplexity van 4% naar 19% in 8 weken. Tip: log wekelijks 50-100 nieuwe prompts in een ‘prompt backlog’ met metadata: kanaal, persona, fase, locatie, urgentie.

Gebruik dit 5-stappenframework: 1. Afbakening: definieer ICP’s, persona’s en Jobs To Be Done. Noteer lokale variabelen (GEO), zoals bezorgregio’s of vergunningseisen. 2. Harvest: verzamel 1.000+ ruwe prompts uit meerdere bronnen. Label: vraagtype (how-to, vergelijking, checklist), fase (awareness/consideration/decision), risico (compliance/prijs), entiteiten (merken, locaties). 3. Cluster: groepeer semantisch (LLM-embedding of manueel). Maak ‘prompt families’, bv. “kosten + subsidie + woningtype (provincie)”. 4. Prioriteer met een LLM Impact Score: frequentie (1-5) × businesswaarde (1-5) × antwoordbaarheid (1-5) × citatiekans (1-5). Focus op clusters >50. 5. Produceer ‘answer units’: beknopte, verifieerbare secties met datumstempel, definities, formules en bronverwijzing. Koppel aan een pagina met schema-markup (FAQPage/HowTo/QAPage) en duidelijke ankers. Voorbeeld webwinkel e-bikes: cluster “accu-capaciteit in regen/winter”. Answer unit bevat: formule Wh ÷ 15 = km-indicatie, tabel per temperatuur, garantievoorwaarden en onderhoudstips. Door deze unit apart te markeren met JSON-LD (HowTo + Product) en een expliciete bronsectie (“Bronnen: labtests Q1 2026”), nam de citatiekans toe en pakten LLM’s exacte cijfers op.

Valideer of jouw content het model bereikt en wordt geciteerd. - Prompt-harnas: definieer 20-50 realistische gebruikersprompts per cluster. Varieer locatie, budget, criteria en taalregister. - Modaliteit per LLM: • ChatGPT: test zowel zonder als met ‘Browse’-modus; check of het model je facts herhaalt. • Gemini: let op veiligheidsfilters en regionaal beleid; kijk naar ‘Sources’ in antwoorden. • Perplexity: controleer ‘Citations’ en ‘Related’ prompts; deelbare links maken herhaaltests eenvoudig. - Meetwaarden: coverage (% prompts met je domein als bron), positie (primair/secundair), fact recall (juistheid), time-to-citation (na publicatie). - Variabelen: paginatitel, H1-vraagvorm, datumlabels (“Laatst geactualiseerd: 2026-03”), tabellen met meeteenheden, lokale parameters (GEO), en canonical anchors (#kosten-rijwoning-utrecht). Praktijkcase: een Rotterdamse recruiter publiceerde vergelijkingsblokken “ZZP vs. deta-vast – kosten inclusief werkgeverslasten (2026)”. Met testprompts in Perplexity (“Wat kost een Java developer via… in Rotterdam?”) kwam het domein binnen 10 dagen structureel in de top-3 citaties. Moraal: gestructureerde, dategedreven answer units + testharnas = herhaalbare GEO-resultaten.

LLM’s prefereren verifieerbare, machineleesbare kennis. Optimaliseer: - Schema-markup (JSON-LD): gebruik Organization, Product, Service, HowTo, FAQPage en QAPage. Markeer concrete answer units (definities, formules, stappen). Vermijd microdata; kies JSON-LD met stabiele @id’s. - Bronblokken: voeg “Bewijs”-secties toe met datum, meetmethode en herkomst (CBS, RVO, interne dataset). LLM’s herkennen expliciete broncontext. - Entiteiten en context: noem locaties, merken, typen, afkortingen en synoniemen. Dit verhoogt entity matching en lokale GEO-relevantie. - URL- en ankerstrategie: 1 vraag = 1 sectie met vaste URL/anchor. Vermijd JS-render-only content. - llms.txt: plaats in de root om duidelijk te maken welke paden wel/niet door LLM’s gebruikt mogen worden. Combineer met robots.txt en een duidelijke licentiepagina. Het is geen garantie, maar helpt bij governance en kan de crawling-focus sturen. Voorbeeld: een Amersfoortse SaaS-leverancier markeerde “API rate limits (2026)” als QAPage met JSON-LD en een Bewijs-sectie. Perplexity begon exact die sectie te citeren bij technische prompts.

Gebruik herbruikbare patronen om content te ontwerpen en te testen. - Awareness (oriëntatie): “Leg als [rol] in [locatie] uit wat [concept] is, met voorbeeld voor [context].” Content: definities, simple math, visuals samengevat in tekst. Doel: begrip + entiteiten. - Consideration (vergelijking): “Maak een vergelijkingstabel van [opties] voor [use case] met prijzen in [jaar] en randvoorwaarden.” Content: tabellen, aannames, bronverwijzingen. - Decision (keuze/implementatie): “Welke stappen en kosten voor [oplossing] in [gemeente] inclusief vergunningen en levertijden?” Content: HowTo- en QAPage-structuur, lokale parameters (GEO), checklists. - Post-purchase (optimalisatie): “Troubleshoot [probleem] bij [product] met symptomen en snelle fixes.” Content: faalcodes, stappen, SLA’s. Persona-voorbeeld: MKB-finance manager in Eindhoven zoekt “lease vs. koop labelprinter 2026, TCO 36 mnd”. Jouw pagina levert een vergelijkingstabel (JSON-LD: Product + Offer), aannames, en een rekentool met stabiel anker. LLM’s citeren de TCO-paragraaf en verwijzen naar je bron.

AI-verkeer is deels ‘dark’, maar deze KPI’s zijn bruikbaar: - Citatie-rate per cluster en per LLM (ChatGPT/Gemini/Perplexity). - Fact accuracy: % antwoorden waarin jouw kerngetallen correct worden herhaald. - Time-to-citation: dagen vanaf publicatie/actualisatie tot eerste citatie. - Coverage: aandeel testprompts waarin je domein verschijnt. - Assisted impact: demo-aanvragen of chats die “gezien in ChatGPT/Perplexity” vermelden (voeg dit als veld toe in formulieren). - Lokale zichtbaarheid: aanwezigheid in prompts met GEO-modifiers (stad/regio). Operatie: plan tweewekelijkse sprints. 1) Verzamel nieuwe prompts, 2) update answer units met datum en bewijs, 3) test 20-50 prompts per cluster, 4) log resultaten en pas schema/ankers aan. Case: een Utrechtse opleider voerde elke sprint 10 updates door aan FAQPage’s met datums en bronverwijzingen. Binnen 6 weken steeg coverage in Gemini van 18% naar 33% en nam het aantal inbound citaties uit Perplexity toe. Consistentie en herzieningsdata blijken doorslaggevend.