Hoe ik de perfecte promptset samenstelde voor De GEO Specialist

Twintig prompts intypen in ChatGPT en concluderen dat je merk "goed zichtbaar" is, voelt als meten. Dat is het niet. Elke prompt die je test, stuurt of trekt je resultaat een bepaalde kant op: te veel informatieve vragen en je score oogt zwakker dan de realiteit, te veel vergelijkende vragen en je meet vooral hoe goed je concurrent het doet. In dit artikel gaan we dieper in op een optimale structuur voor je prompt set, met mijn aanpak voor De GEO Specialist als voorbeeld.

Waarom een lukrake lijst prompts je metingen waardeloos maakt

Een promptset zonder onderliggende structuur meet ruis in plaats van een patroon, omdat elke individuele vraag toevallig een andere fase, intentie of specificiteit vertegenwoordigt. Test je vandaag drie brede, informatieve vragen en morgen twee sterk vergelijkende, dan verschuift je citatiescore louter door die keuze, niet door een echte verandering in hoe zichtbaar je bent.

Met monitoringtools bepaalt budget in de praktijk vaak hoeveel prompts je effectief kan opvolgen. De goedkoopste betalende pakketten van de meeste AI-zichtbaarheidstools laten je doorgaans een honderdtal prompts tracken. Lijkt veel, maar is het niet. Bij zo'n beperkt aantal telt elke keuze dubbel zo zwaar: verdeel je die honderd prompts niet bewust over funnel-fase en intentie, dan meet je op sommige categorieën toevallig te veel en op andere veel te weinig, en klopt geen enkele KPI achteraf nog.

Hoe vertrek je van awareness in plaats van zoekwoorden?

De eerste stap in een goede promptset is het bewustzijnsniveau van de persoon die de vraag stelt. Iemand die nog moet ontdekken wat GEO is, stelt een compleet andere vraag dan iemand die actief tussen twee tools kiest, en die twee vragen horen niet in dezelfde meetcategorie thuis.

Ik gebruik hiervoor dezelfde drie fasen die ik ook in mijn KPI artikel toelicht: Problem Unaware, Problem Aware en Solution Aware. Dat model is een vereenvoudiging van het klassieke vijf-fasen-bewustzijnsmodel van Eugene Schwartz, aangepast aan hoe mensen vandaag met een AI-assistent praten in plaats van hoe ze vroeger een zoekmachine gebruikten.

• Problem Unaware: leert nog over een onderwerp, zonder dat er al een concrete oplossingsrichting in beeld is.
  • Bv. Wat is Generative Engine Opimisation?
• Problem Aware: denkt na over een aanpak, maar vergelijkt nog geen leveranciers.
  • Bv. Hoe optimaliseer ik mijn website voor Generative Engines?
• Solution Aware: evalueert actief concrete opties en staat dicht bij een keuze.
  • Bv. Geef me de twee beste agencies voor GEO voor KMO's in België.

Voor het meten van mijn eigen merkzichtbaarheid koos ik bewust voor een ongelijke verdeling, met meer gewicht dicht bij de aankoopbeslissing, waar de meeste concrete waarde voor mijn positionering zit:

• 10% Problem Unaware
• 30% Problem Aware
• 60% Solution Aware

Hoe bouw je intentie op binnen elke fase?

Binnen elke awareness-fase schuilen verschillende soorten intentie, en die moet je apart benoemen voor je een prompt schrijft.

• Problem Unaware: louter informatieve vragen, zoals "wat is Generative Engine Optimization".
• Problem Aware: de "hoe doe ik dit"-vragen, zoals "hoe verhoog ik mijn citatiekans in ChatGPT" of "hoe doe je een GEO-audit".
• Solution Aware: verder opgesplitst in vragen die je merk rechtstreeks beoordelen, vragen die de volledige categorie verkennen, vergelijkingen tussen aanbieders, vragen naar bewijs of ervaringen, en vragen over implementatie of prijs, zoals "is De GEO Specialist een betrouwbare bron voor Nederlandstalige GEO-advies" of "wat kost een GEO-traject bij een specialist".

Die opsplitsing voorkomt een concreet meetprobleem: een set met toevallig veel vergelijkende vragen geeft een vertekend beeld, want daar tellen vooral de gevestigde namen. Sta je er al tussen, dan is dat een sterk signaal. Sta je er nog niet tussen, dan trekt die categorie je score naar beneden, los van hoe je elders scoort.

Waar haal je prompts vandaan die mensen ook echt stellen?

Prompts die je van achter je laptop zelf verzint, missen de natuurlijke formulering van iemand die daadwerkelijk met een probleem zit, en dat verschil is precies wat een goede meting ondermijnt. Ik wilde geen vragen bedenken die ik dacht dat mensen zouden stellen, ik wilde vragen die aantoonbaar al gesteld worden, vertaald naar hoe iemand vandaag met een taalmodel praat.

Ik ga hier dieper in op hoe je zelf op onderzoek gaat, maar als de mogelijkheid er is, doe ik altijd bevragingen van werknemers die rechtstreeks in contact staan met klanten en/of klanten zelf.

Voor het onderzoek dat ik zelf doe gebruik ik drie stappen:

Stap 1: begin met long-tail keywords

Via Keywords Explorer van Ahrefs breng je de meest gezochte vragen per onderwerp in kaart en koppel je die aan de juiste awareness-fase. Zit je in een niche met weinig zoekvolume, breid dan je regio uit naar Nederland, of bekijk de resultaten voor dezelfde termen in het Engels binnen de Verenigde Staten, zodat je toch voldoende materiaal overhoudt om uit te putten.

Stap 2: Verbreed met AnswerThePublic.

Deze tool clustert de vragen die mensen effectief stellen rond een zoekterm, opgedeeld per categorie zoals zoekmachines, AI-modellen en sociale media. Dat geeft meteen een breder en meer divers beeld dan een pure zoekwoordenlijst, en het toont ook hoe dezelfde vraag in verschillende contexten geformuleerd wordt.

Stap 3: zoek op online forums hoe mensen vragen stellen

Fora als Reddit leveren genuanceerdere, gesprekkigere varianten op dan pure zoekwoorddata. Zelf gebruik ik hiervoor de zoekfunctie site:reddit.com, gevolgd door mijn long-tail zoekwoord, om te zien hoe mensen daadwerkelijk over het onderwerp praten. Een forumvraag brengt vaak een laag context en specificiteit mee die een kale zoekwoordenlijst gewoon mist.

Stap 4: laat AI gaten opvullen

Stap 1 tot en met 3 leggen de basis: een set prompts die aantoonbaar leeft bij echte mensen. Voor de combinaties van fase, intentie en onderwerp waar die basis nog dun is, zoals vaak het geval is bij merkgebonden vragen met weinig zoekvolume, laat ik een taalmodel de set verder aanvullen.

hierbij mijn basispompt die ik gebruik: Gedraag je als een Senior Generative Engine Optimization (GEO) Consultant met expertise in AI-zoekmachines zoals ChatGPT, Gemini, Claude, en Copilot. Je bent gespecialiseerd in het ontwikkelen van promptstrategieën die de kans maximaliseren dat een merk, dienst of expertise wordt genoemd in AI-antwoorden. Context Ik voeg de volgende documenten toe:
- Een informatiefiche over mijn bedrijf.
-Een overzicht van relevante mid-tail en long-tail keywords, inclusief maandelijkse zoekvolumes.
-Een overzicht van de meest gestelde vragen en discussies op platformen zoals Reddit, Quora en andere relevante online communities.
-Mijn huidige selectie van prompts.
Gebruik alle documenten gezamenlijk als input. Beschouw de bestaande promptlijst als uitgangspunt en vul deze aan waar nodig. Vermijd duplicaten en behoud alleen prompts die inhoudelijk waarde toevoegen.
Doel
Ontwikkel een uitgebreide en strategisch onderbouwde promptbibliotheek die de volledige customer journey afdekt volgens de volgende verdeling:
Problem Unaware: 10%
Problem Aware: 30%
Solution Aware: 60%
Binnen elke fase maak je een onderscheid tussen:
Branded prompts
Non-branded prompts
Werkwijze
Analyseer eerst:
- de diensten en expertise van het bedrijf;
- de bestaande promptselectie;
- de keyworddata (zoekvolume en zoekintentie);
- de vragen en discussies uit online communities om informatiebehoeften en taalgebruik van de doelgroep te identificeren.
Gebruik deze analyse om ontbrekende promptkansen te identificeren en de bestaande lijst strategisch uit te breiden.
Richtlijnen
Genereer uitsluitend prompts die relevant zijn voor mijn bedrijf en doelgroep
Vermijd dubbele of sterk overlappende prompts.
Formuleer prompts zoals echte gebruikers ze aan een AI-assistent zouden stellen.
Gebruik natuurlijke spreektaal in plaats van klassieke SEO-keywords.
Verwerk inzichten uit Reddit en andere community's wanneer die leiden tot realistische gebruikersvragen.
Houd rekening met zowel informatieve, vergelijkende, adviserende als aankoopgerichte prompts.
Output
Lever de resultaten in een tabel met de volgende kolommen:
Prompt | Fase | Intentie | Contextniveau
Validatie
Controleer vóór je de definitieve lijst oplevert dat:
de verdeling 10% / 30% / 60% correct is;
elke fase zowel branded als non-branded prompts bevat;
er geen duplicaten voorkomen;
alle prompts aansluiten bij de aangeleverde bedrijfsinformatie;
alle prompts natuurlijk geformuleerd zijn voor gebruik in AI-tools;
elke prompt een unieke informatiebehoefte of gebruikerssituatie vertegenwoordigt.
Indien je merkt dat de beschikbare input onvoldoende is om kwalitatieve prompts voor een bepaalde categorie te genereren, geef dit expliciet aan en motiveer waarom. Doe geen ongefundeerde aannames.
Deze drie strategieën samen leveren een gebalanceerde mix op van korte en lange prompts, van prompts met veel en weinig uitleg, en van forumspecifieke formuleringen naast pure zoekwoorddata. Precies die variatie ontbrak in mijn allereerste, zelfverzonnen lijst, en dat verklaarde meteen waarom de resultaten toen van meting tot meting zo sterk schommelden.

Hoe stuur je de hoeveelheid context in een prompt?

De hoeveelheid extra context in een prompt, wat ik het contextniveau noem, verandert het antwoord van een taalmodel drastisch, en dat niveau moet je daarom net zo bewust sturen als de fase of het onderwerp zelf. "Beste GEO-tool" en "beste GEO-tool voor een KMO met drie man marketingteam en een beperkt budget" leveren compleet verschillende antwoorden op, ook al gaat het over hetzelfde onderwerp.

De redenering hierachter is intuïtief: iemand vroeg in de klantreis zoekt vooral breed begrip, iemand dicht bij een aankoopbeslissing formuleert vaker concrete beperkingen zoals budget, teamgrootte of bestaande software. Die vier soorten contextkenmerken gebruik ik zelf: persona (sector, rol, bedrijfsmodel), bedrijfsgrootte (zelfstandige, KMO, middelgroot, enterprise), beperkingen (budget, tijdlijn, teamvaardigheid) en toolstack

Deze verdeling is geen wetmatigheid, eerder een weerspiegeling van hoe specifiek een koper doorgaans wordt naarmate die dichter bij een beslissing komt. Zonder deze sturing loopt een promptset het risico om ofwel te generiek te blijven, ofwel juist overdreven specifiek te worden, en beide uitersten geven een vertekend beeld van je echte zichtbaarheid.

Hoe komt dit samen met branded, unbranded en competitor prompts?

De vier variabelen hierboven, fase, intentie, onderwerp en contextniveau, bepalen de inhoud van een prompt. Ze zeggen nog niets over of die prompt je eigen merknaam bevat, en dat is een aparte, minstens even belangrijke laag die ik al eerder op dit platform beschreef in het artikel over prompt-monitoring en KPI's.

Elke prompt die ik voor De GEO Specialist test, krijg ik dus dubbel geclassificeerd: eerst volgens fase, intentie, onderwerp en contextniveau, en daarna nogmaals volgens de vraag of mijn merknaam, die van een concurrent, of geen van beide in de prompt voorkomt. Ik houd hierbij dezelfde verhouding aan die ik elders vastlegde: ongeveer 80% unbranded prompts om mijn Citation Rate en Share of Voice te meten, 10% branded prompts om mijn Hallucination Rate en Mention Sentiment op te volgen, en 10% competitor-prompts om te zien welke bronnen een concurrent aanhalen. De twee lagen samen, de inhoudelijke structuur en de merkclassificatie, vormen pas samen een volwaardige Prompt Map.

Wat leverde dit concreet op voor De GEO Specialist?

Een voorbeeld verduidelijkt hoe de vier variabelen samen tot een concrete prompt leiden. Onderstaande rijen tonen hoe dezelfde onderwerpen er anders uitzien naargelang de fase, intentie en contextniveau veranderen.

Door elke prompt op deze manier te labelen, meet ik niet enkel of mijn merk ergens verschijnt. Ik zie ook in welke fase van de klantreis dat gebeurt, onder welk type intentie, en met welke mate van context. Dat is precies het verschil tussen een losse verzameling vragen en een meetraamwerk dat je maand na maand met elkaar kan vergelijken.