AEO-expert legt uit waarom het verkeer instort wanneer je content vertienvoudigt — en wat je eraan kunt doen

Brendan Hufford is een voormalig SEO-directeur die een B2B SaaS-contentmarketing- en AEO-adviesbureau genaamd Growth Sprints heeft opgebouwd, waar hij organisaties helpt opschalen van $10M naar $100M.

We spraken Brendan om te leren hoe je door LLM's wordt geciteerd. Hij gaf ons het stappenplan.

AI in real time doorgronden

Ik ben Brendan Hufford, oprichter van Growth Sprints, een B2B SaaS-adviesbureau voor contentmarketing en SEO/AEO, waar ik organisaties help opschalen van $10M naar $100M met contentsystemen die resultaat opleveren in zoekmachines, nieuwsbrieven en LinkedIn.

Mijn pad hiernaartoe was niet lineair. Ik begon als docent psychologie op een middelbare school, stapte ongeveer tien jaar geleden over naar SEO en contentmarketing en bracht jaren door met het leren van het vak binnen bureaus en interne teams voordat ik zelfstandig werd.

De verschuiving naar AI in marketing is tot nu toe het interessantste moment van mijn carrière geweest. Veel van waarop ik mijn praktijk had gebouwd — traditionele SEO met rankings en verkeer als doel — begon snel te veranderen. De content van klanten verscheen in antwoorden van ChatGPT en Perplexity zonder ook maar één klik terug te genereren. CMO's moesten tijdens QBR's hun investering in content verdedigen en hadden vaak geen sterke antwoorden.

De verschuiving naar AI in marketing is tot nu toe het interessantste moment van mijn carrière geweest.

Daarom heb ik de methodologie opnieuw opgebouwd rond wat ik nu inhoudelijke IP en ontdekkingslussen noem: raamwerken die zijn ontworpen voor een wereld waarin content zowel AI-citaten als menselijke conversies moet opleveren.

Ik ben eerlijk gezegd nog steeds veel ervan in real time aan het uitzoeken, samen met mijn klanten. Maar dat is juist een deel van wat dit moment zo interessant maakt.

AI-zichtbaarheid meten

Ik heb opnieuw ingericht hoe we de zichtbaarheid van content meten. Jarenlang gingen we standaard uit van ranktracking en organisch verkeer. Dat is nog steeds nuttig, maar het is niet langer het volledige beeld. Kopers doen nu een enorm percentage van hun onderzoek in AI-tools, en Google Search Console laat daar niets van zien.

Daarom maak ik nu voor iedere klantopdracht een AEO-spreadsheet voor het volgen van prompts. We identificeren 60 tot 150 prompts met koopintentie die een echte prospect in ChatGPT, Perplexity, Claude of Gemini zou invoeren. Vervolgens volgen we of de klant wordt geciteerd, welke concurrenten de AI in plaats daarvan citeert en uit welke bronnen de AI put. We voeren dit regelmatig opnieuw uit en houden de trendlijnen in de gaten.

Voor iedere klantopdracht maak ik nu een AEO-spreadsheet voor het volgen van prompts.

De resultaten veranderden een paar dingen op betekenisvolle wijze:

1. Het gaf mijn klanten een meetbaar antwoord op een vraag die hun CEO's en raden van bestuur begonnen te stellen: "Verschijnen we in AI?" Daarvoor deden de meeste marketingteams maar een gok.
2. Het veranderde wat we creëren. Wanneer je kunt zien dat AI-tools meer uit G2-beoordelingen, Reddit-discussies en analistenrapporten halen dan uit je blog, verschuiven je contentprioriteiten snel. We gingen meer investeren in verdiende vermeldingen, oorspronkelijk onderzoek en inhoudelijke IP die door AI wordt geciteerd, in plaats van simpelweg meer SEO-artikelen te publiceren in de hoop te ranken.

Ik heb organisaties hun AI-citatiepercentage in een kwartaal zelfs zien verbeteren van 8% naar 40% en hun pijplijnen zien verzesvoudigen.

Een AEO-werkwijze implementeren

Hier volgt de stapsgewijze uitleg:

Stap 1: Prompts verzamelen. Ik begin bij het verkoopteam en hun gespreksopnamen. Ik verzamel elke vraag die prospects stellen, elk bezwaar en elk moment waarop iemand zegt: "Ik was net aan het kijken naar..." of "Ik heb ChatGPT gevraagd naar..." Daarnaast gebruik ik supporttickets, notities van klantensucces en discussies op Reddit en G2. Het doel is 60 tot 150 prompts met koopintentie die een mens in een AI-tool zou invoeren.

Stap 2: AI-ondersteunde uitbreiding van prompts. Ik neem die basislijst en gebruik Claude om deze uit te breiden. Variaties in formulering, verschillende fasen van de klantreis en verschillende persona's die dezelfde onderliggende vraag stellen. AI is hier nuttig omdat het werk draait om patroonherkenning, niet om oorspronkelijk denkwerk. Ik maak een gestructureerde spreadsheet met prompts, gecategoriseerd op koopfase, persona en intentie.

Stap 3: Handmatig testen van citaties. Ik voer elke prompt in bij ChatGPT, Perplexity, Claude en Gemini. Ik noteer of de organisatie wordt geciteerd, welke concurrenten in plaats daarvan worden geciteerd en uit welke bronnen de AI put (G2, Reddit, de blog van de klant, analistenrapporten, podcasts enzovoort). Dit deel is nog steeds soms handmatig, omdat automatiseringstools nog niet betrouwbaar genoeg zijn. Ik gebruik AI om de resultaten te taggen en te categoriseren, maar een mens moet de antwoorden lezen.

Stap 4: Patroonanalyse. Ik gebruik Claude om de volledige dataset te analyseren en patronen te identificeren. Waar presteert de organisatie goed? Waar verliezen ze? Welke bronnen vertrouwen de AI-tools het meest in deze categorie? Welke concurrenten komen steeds terug en waarom? AI bewijst hier zijn waarde, omdat het samenvatten van 600 AI-reacties tot thema's een taak is die geen mens met de hand wil uitvoeren.

Stap 5: Strategische interpretatie. Dit deel is volledig menselijk. Ik bekijk de gegevens, praat met het team en neem beslissingen over wat we moeten doen. Verliezen we omdat we geen content over een onderwerp hebben, of omdat onze content niet zo is gestructureerd dat mensen die kunnen lezen of AI die eruit kan halen? Moeten we investeren in verdiende vermeldingen in de bronnen die AI citeert? Moeten we oorspronkelijk onderzoek laten uitvoeren om AI iets eigens te geven waarnaar het kan verwijzen? Dit is de bijeenkomst waarin we strategie ontwikkelen, en AI zit daar niet bij.

Stap 6: Contentproductie met AI in de lus. Zodra we weten wat we moeten creëren, gebruik ik AI voor het synthetiseren van onderzoek, eerste versies, structurele opzetten en herformattering. Menselijk werk omvat de invalshoek, de stem, het standpunt en de redactieronde die ervoor zorgt dat het klinkt alsof een echt persoon het heeft geschreven. AI neemt misschien 40% van de tijdsinvestering voor zijn rekening. De resterende 60% die door mensen wordt gedaan, maakt het werk de moeite van het publiceren waard.

Stap 7: Opnieuw meten volgens een vast ritme. Elke 30 tot 60 dagen voer ik de prompts opnieuw uit en vergelijk ik de resultaten met de nulmeting. We volgen het citatiepercentage, de bronnenmix en de zichtbaarheid van concurrenten in de loop van de tijd. Zo wordt de werkwijze een echt systeem in plaats van een eenmalige audit.

Het geheel vervangt wat vroeger een vaag gesprek over "AI-zoekopdrachten" was door een meetbaar, herhaalbaar proces.

Waarom AI ondersteunt bij comprimeren en synthetiseren, maar niet bij overtuiging of smaak

AI verweeft zich nu in bijna elk onderdeel van mijn werk, maar zijn rol verschilt aanzienlijk per taak.

Ik vertrouw sterk op AI voor het synthetiseren van onderzoek, eerste versies van lange artikelen, concurrentieanalyse, transcriptanalyse van verkoop- en klantgesprekken, inhoudsbriefings en veel van het verbindende werk dat vroeger uren in beslag nam. Het verwerkt ook doelgroepsegmentatie, het verzamelen van klantinzichten en het halen van thema's uit supporttickets en Gong-gesprekken.

Ik vertrouw sterk op AI voor het synthetiseren van onderzoek, eerste versies van lange artikelen, concurrentieanalyse, transcriptanalyse van verkoop- en klantgesprekken, inhoudsbriefings en veel van het verbindende werk dat vroeger uren in beslag nam.

En AI voert nu ook productiewerk uit, zoals het omzetten van een onderzoeksrapport in een eerste versie van een nieuwsbrief, het genereren van promptbibliotheken of het herschrijven in de merkstem nadat ik die goed heb gedocumenteerd.

Expliciet menselijke taken zijn strategie, standpunt en het creëren van content-IP: de kaders die ik bouw, de namen die we geven aan kernproblemen, de invalshoeken die we kiezen voor opinieleiderschap en de afwegingen over wat we publiceren en wat we laten vallen. AI presteert hier slecht in, omdat de waarde ligt in de overtuiging achter de keuze. Een kader werkt alleen als een echt marktperspectief eraan ten grondslag ligt. AI beweegt naar het gemiddelde, precies waar we aan proberen te ontsnappen.

Relaties zijn ook volledig menselijk: de kennismakingsgesprekken, de workshops, de momenten waarop ik een CMO tegenspreek die op het punt staat een slechte beslissing te nemen. Daarvan delegeer ik niets.

Het principe waar ik steeds op terugkom, is dat AI uitblinkt in comprimeren en synthetiseren, terwijl mensen superieur blijven in overtuiging en smaak. Daarom gebruik ik AI om sneller een beginpunt te bereiken en besteed ik mijn tijd vervolgens aan de onderdelen die om beoordelingsvermogen vragen.

Waar AI tekortschiet bij contentproductie

De grootste misser van AI is contentideeën bedenken. Ik verwachtte dat AI met me zou meedenken over scherpe invalshoeken voor posts en campagnes. Dat doet het niet. De output is competent, generiek en net iets te glad. De goede ideeën komen nog steeds uit verkoopgesprekken, supporttickets, vreemde gesprekken op conferenties en de achterkant van mijn notitieboek.

AI helpt een idee verder te ontwikkelen zodra ik er een heb, maar het is geen bruikbare bron van origineel denkwerk.

De tweede misser is de merkstem. Zelfs met grondige documentatie van de stem heeft door AI gegenereerde content in de stem van een klant een stevige menselijke bewerking nodig om als die klant te klinken. AI raakt de oppervlakkige patronen, maar mist het ritme. De ziel. Ik verwachtte dat dit inmiddels voor 80% opgelost zou zijn. Het komt dichter bij 40%.

De derde misser is echt strategisch beoordelingsvermogen. Positionering, verfijning van de ICP, prijsstelling en marktintroductie. AI geeft me een goed georganiseerde versie van wat ik al weet, plus een paar suggesties die slim klinken en tijdens stresstests uit elkaar vallen. Strategie vereist nog steeds een mens die aan tafel heeft gezeten.

Strategie vereist nog steeds een mens die aan tafel heeft gezeten.

De vierde misser is het voorspellen van AEO-citaties. We kunnen volgen wat wordt geciteerd en patronen achteraf reconstrueren, maar voorspellen wat geciteerd zal worden is nog steeds grotendeels giswerk.

En de meest verrassende misser: misschien ben ik er gewoon slecht in, maar AI heeft me niet sneller gemaakt in het daadwerkelijke schrijven. Het heeft me sneller gemaakt in alles rondom het schrijven. Het schrijven zelf kost me ongeveer evenveel tijd, omdat de lat nog steeds hoog ligt en het ongeveer net zo lang, of langer, duurt om AI-output op die lat te krijgen als om het zelf te schrijven.

Waarom de hoeveelheid content een risico is geworden

Ik heb een groot deel van mijn vroege carrière opgebouwd rond volume. Meer publiceren, voor meer zoekopdrachten ranken, meer verkeer krijgen, winnen. Dat werkte lange tijd, en veel marketingplaybooks, waaronder dat van mij, gingen er stilletjes van uit dat productiecapaciteit de beperkende factor was. Als je twee keer zoveel kon publiceren, zou je twee keer zo snel groeien.

AI heeft die aanname in twee richtingen tegelijk doorbroken.

1. AI heeft volume goedkoop gemaakt. Iedereen kan nu 10 keer zoveel publiceren. Dat betekent dat volume op zichzelf niet langer een concurrentievoordeel is. Marketeers die het najagen, lopen rechtstreeks van een klif.
2. AI heeft veranderd wat wordt beloond. Zowel Google als LLM's halen informatie uit een kleinere, betrouwbaardere groep bronnen. Ze willen inhoud, originaliteit en een echt standpunt. Volume zonder die zaken is niet alleen neutraal, het is actief schadelijk. Ik heb teams hun organische zichtbaarheid zien kelderen door de productie van AI-content op te schalen, en ik heb slankere teams met scherpere standpunten overal geciteerd zien worden.

Dus dat is het grote risico dat ik momenteel zie: de haast om op grote schaal door AI gegenereerde content te publiceren.

Het doet de organische zichtbaarheid kelderen, wordt gemarkeerd door de updates voor behulpzame content van Google en levert nul AI-citaten op, omdat er geen originele ideeën bestaan waarnaar AI-tools kunnen verwijzen.

Dat is het grote risico dat ik momenteel zie: de haast om op grote schaal door AI gegenereerde content te publiceren.

Volume zonder inhoud presteert slechter dan ooit, en AI heeft die kloof zichtbaarder gemaakt in plaats van kleiner.

Waarom winnende content content-IP vereist

Als je winnende content wilt, bouw dan content-IP op. Dit houdt in dat je kaders benoemt voor de kernproblemen van je doelgroep. Interview je 3S-teams (sales, succes en support) maandelijks. Stuur elk gesprek door naar Slack en lever wekelijks samenvattingen die relevant zijn voor marketing.

En kies een strijdpunt. De meeste B2B-content is consensuscontent. Die sluit aan bij wat elke analist, concurrent en opinieleider zegt. Impactvolle stukken benoemen waar anderen het bij het verkeerde eind hebben en bieden een duidelijk alternatief.

Je hoeft er niet gemeen over te doen. Je moet wel bereid zijn om publiekelijk ongelijk te hebben.

Hoe contentproductieworkflows met AI opnieuw moeten worden ontworpen

Wat contentproductie betreft, werken de meeste teams nog steeds met een workflow die voor 2018 is gebouwd: briefing, concept, redactie, publicatie, distributie. Teams voegden AI toe aan de stap waarin het concept wordt geschreven en noemden dat transformatie. Dat was het niet.

Het nieuwe ontwerp omvat drie belangrijke lagen:

1. De briefinglaag is een gestructureerde invoer, geen Google-document. Deze bevat de kopersprompt die het stuk moet winnen, de content-IP die het ondersteunt, het standpunt en bronmateriaal uit transcripties en interne experts. AI stelt dit samen. Een mens keurt de invalshoek goed voordat het schrijven begint.
2. De schrijffase maakt intensief gebruik van AI, maar met een strikt onderscheid in rollen. AI doet de synthese, structurele uitwerking en herformattering. Een mens verzorgt de invalshoek, de stem en de redactieronde. De mens is gedurende het hele proces de auteur, niet alleen aan het einde een beoordelaar.
3. De meeste teams richten zich in de QA-laag nog steeds op typefouten en merkrichtlijnen. Wij hebben expliciete controles toegevoegd voor leesbaarheid, trouw aan de merkstem en de vraag of het stuk binnen zijn categorie een uniek standpunt inneemt. Als dat niet zo is, schrappen we het voordat het wordt gepubliceerd. Het percentage geschrapte stukken is hoog, maar dat is opzettelijk.

Het resultaat is dat er minder stukken worden gepubliceerd, dat elk stuk van hogere kwaliteit is en dat er een meetbare stijging is in zowel AEO-citaten als de pijplijn.

AI toevoegen aan een workflow uit 2018 levert je alleen sneller de resultaten van een content-spamkanon uit 2018 op.

Wat CMO's moeten doen om de AI-transformatie bij te houden

Als je CMO bent en we koffie gaan drinken, is dit het advies dat ik zou delen:

1. Stop met het najagen van AI-tools en begin met het controleren van de inhoudelijke waarde van je content. De teams die er nu op achteruitgaan, verliezen omdat hun content niets onderscheidends bevat waar AI-tools, Google of kopers naar kunnen verwijzen. Als je geen echte visie hebt, zal geen enkele tool die voor je creëren. Stop met het najagen van de "perfecte" AI-stack.
2. Neem Content-IP serieus. Benoemde problemen, benoemde frameworks, eigen onderzoek en originele inzichten in je categorie. AI verwijst hiernaar, het scoort in zoekresultaten, wint op LinkedIn, levert nieuwsbriefabonnees op en komt ter sprake tijdens verkoopgesprekken. AI kan dit deel van marketing ook niet repliceren, waardoor het waardevoller wordt, niet minder waardevol.
3. Meet wat er nu toe doet. Voeg tracking van AEO-zichtbaarheid toe aan je rapportages. Volg de impact van LinkedIn op de verkooppijplijn. Bepaal de correlatie tussen nieuwsbriefabonnees en conversiepercentages of verkoopsnelheid. Weet voor welke prompts van kopers je zichtbaar bent in ChatGPT, Perplexity en Claude, en naar welke concurrenten AI in plaats daarvan verwijst. Als je die vraag tijdens je volgende QBR niet kunt beantwoorden, zal je die binnenkort worden gesteld.
4. Gebruik AI waar het goed in is en stop met het inzetten ervan waar het niet goed in is. AI is goed in synthese, onderzoek, transcriptanalyse, het opstellen van concepten en herformattering. Laat elk verkoopgesprek via Claude lopen en naar Slack sturen, zodat je team het dagelijks, enkele minuten nadat het heeft plaatsgevonden, kan bekijken. AI is slecht in originele ideeën, merkstem en strategisch beoordelingsvermogen. Bouw je workflow rond dat onderscheid in plaats van alles met AI te willen doen.
5. Publiceer minder en zorg dat elk stuk meer gewicht in de schaal legt. Het volumespel is voorbij (hoewel elke leverancier van AI-contentsoftware het tegendeel zal beweren). De winnende teams publiceren minder, scherpere stukken en halen meer uit elk stuk door hergebruik, distributie en verdiende vermeldingen.
6. En tot slot: wees eerlijk tegenover je team en je CEO over wat er verandert. Veel marketingleiders hopen stilletjes dat dit overwaait. Dat zal niet gebeuren. Kopers hebben hun manier van onderzoek doen al veranderd. De heilige drie-eenheid bestaat uit ontdekking (Google/LLM's), sociale media (LinkedIn, YouTube) en relatiecontent (nieuwsbrief/podcast).

Blijf op de hoogte

Je kunt het werk van Brendan Hufford volgen op LinkedIn. Bekijk ook Growth Sprints.

Er komen meer interviews met experts op The CMO Club!