Van score 36 naar 85+: wat een agent-leesbaarheidsscore écht verhoogt

Het korte antwoord: een lage agent-leesbaarheidsscore komt vrijwel nooit door de content zelf, maar door de laag eromheen — de bestanden en regels die een AI-agent raadpleegt vóórdat hij je pagina's überhaupt leest. In een van onze eigen trajecten met de Agentic Search Optimizer scoorde een webshop een 36. Na de aanbevolen fixes — allemaal doorgevoerd via een edge-worker, zonder één regel in het CMS aan te raken — steeg de score naar 85+.

Dat verschil zat niet in herschreven teksten, maar in drie technische lagen die voor een menselijke bezoeker onzichtbaar zijn: toegang voor AI-crawlers, machineleesbare structuur, en een navigatiebestand dat een model vertelt waar het moet kijken. Wat een score van 36 precies blootlegt, en welke fixes daadwerkelijk het verschil maakten, werken we hieronder uit.

Wat een score van 36 betekent

De Agentic Search Optimizer haalt een site op zoals een AI-agent dat doet — niet zoals een mens hem in de browser ziet — en legt die 15+ checks parallel: crawlertoegang, schema.org-data, agent-discovery, robots-regels voor 19 bekende AI-crawlers, en de machineleesbaarheid van de content zelf. Een score in de dertigers betekent bijna altijd hetzelfde patroon: de site is prima leesbaar voor mensen en voor Google, maar onzichtbaar of onduidelijk voor de crawlers en agents die namens een AI-assistent zoeken. Geen llms.txt, geen of onvolledige schema.org-markup, robots-regels die niets specifieks zeggen over AI-crawlers, en content die technisch wel bestaat maar niet voorspelbaar gestructureerd is.

Dat is een ander soort probleem dan een klassieke SEO-audit oplevert. Een site kan prima scoren op snelheid en indexeerbaarheid — de klassieke basis — en toch onleesbaar zijn voor een taalmodel dat structuur en expliciete markup nodig heeft om te begrijpen wát een pagina is, niet alleen dát hij bestaat.

De fixes die het verschil maakten

1. Robots-regels voor AI-crawlers. Een robots.txt die alleen aan Googlebot denkt, sluit AI-crawlers vaak onbedoeld buiten — of laat ze onvermeld, wat sommige agents als terughoudend interpreteren. Expliciete regels voor de bekende AI-crawlers waren de eerste en goedkoopste fix.

2. Schema.org-markup. Gestructureerde data vertelt een machine expliciet wát een pagina is — product, artikel, organisatie — in plaats van het te laten raden uit lopende tekst. Voor een webshop is dat het verschil tussen een agent die een productpagina herkent en er correct over kan citeren, en een agent die alleen een lap tekst ziet.

3. Een llms.txt. Dit navigatiebestand wijst een model direct naar de pagina's die ertoe doen, in plaats van dat het zelf de hele site moet doorkruisen. Hoe dat bestand precies werkt en of jouw site het nodig heeft, staat uitgewerkt in ons stuk over llms.txt.

4. Agent-discovery. Net als onze eigen referentie-implementatie — die agent-discovery via DNS en een machineleesbare servicebeschrijving gebruikt — kreeg ook deze case discovery-records die een agent direct laten vaststellen wat de site aanbiedt, zonder eerst te hoeven zoeken.

Waarom via een edge-worker, en niet het CMS

De opvallendste keuze in deze case was praktisch, niet technisch: alle fixes liepen via een edge-worker die tussen de bezoeker (of agent) en het bestaande CMS zit, in plaats van via wijzigingen in het CMS zelf. Dat scheelde een implementatietraject van weken naar dagen — geen migratie, geen developer die in een onbekend CMS moest werken, geen risico dat een contentwijziging een sjabloon breekt. De edge-worker voegt de ontbrekende lagen toe (headers, robots-regels, schema.org, llms.txt) bovenop wat er al draait. Voor een site die niet zomaar herbouwd kan worden, is dat vaak de enige realistische route naar een snelle score-sprong.

Wat deze score wél en niet garandeert

Een hoge agent-leesbaarheidsscore lost het makkelijkste lek op: een model dat een site simpelweg niet kan lezen, kan hem ook niet citeren. Het garandeert geen vermelding — een technisch perfect leesbare site kan alsnog worden overgeslagen als een concurrent een overtuigender antwoord geeft. Technische leesbaarheid en daadwerkelijk geciteerd worden zijn twee aparte metingen; hoe je die laatste zelf periodiek checkt, staat in ons stuk over het meten van AI-zichtbaarheid.

Conclusie

Het gat tussen een score van 36 en 85+ zat niet in nieuwe content, maar in vier onzichtbare technische lagen die de meeste sites simpelweg nooit hebben ingesteld: crawlertoegang, schema.org, een llms.txt en agent-discovery — allemaal aan te brengen zonder het bestaande CMS te verbouwen. Hoe die technische basis samen met de redactionele kant een compleet GEO-beeld vormt, lees je in ons pilaarartikel over GEO.