LLMO (large language model optimization)
Deze pagina is ook beschikbaar in het Engels.
LLMO (large language model optimization) is het verbeteren van de manier waarop grote taalmodellen, zoals die achter ChatGPT en Gemini, een merk beschrijven en aanbevelen, door juiste en consistente informatie te publiceren, zowel in de data waarvan modellen leren als in de pagina's die ze ophalen wanneer ze antwoorden.
Wat is LLMO?
Bij LLMO is het taalmodel zelf het doel van de optimalisatie. Een model beantwoordt een vraag over een merk vanuit twee bronnen: wat het tijdens de training heeft opgenomen, wat maanden of jaren oud kan zijn, en wat het op het moment van antwoorden van het live web ophaalt. LLMO werkt aan allebei. De trainingskant is traag en indirect: zorg dat je eigen pagina's, vermeldingen in bedrijvengidsen, reviewprofielen en persaandacht dezelfde actuele feiten noemen, zodat de volgende modelversie een juist beeld leert. De ophaalkant is sneller: geef engines die het web doorzoeken een duidelijke, citeerbare pagina voor elke vraag die je kopers stellen.
In de praktijk lijkt het werk meer op entiteitshygiëne dan op zoekwoordenwerk: één consistente naam en beschrijving voor het bedrijf en elk product, feiten die duidelijk worden genoemd in plaats van gesuggereerd, en dezelfde feiten bevestigd door externe bronnen die een model waarschijnlijk vertrouwt. Hoeveel één bron een model verschuift, is van buitenaf zelden te zien. Daarom wordt LLMO beoordeeld op het resultaat: wat de engines werkelijk over je zeggen.
Voorbeeld
Een bedrijf merkt dat een AI-assistent het beschrijft met een productnaam die het twee jaar geleden heeft afgeschaft. Het publiceert een duidelijke, actuele beschrijving van zijn producten op de eigen site en vraagt de bedrijvengidsen en reviewsites die het noemen hun vermeldingen bij te werken. De engines die live pagina's ophalen, nemen de nieuwe naam over zodra ze die pagina's opnieuw crawlen; de engines die vanuit trainingsdata antwoorden, lopen pas bij wanneer hun model wordt vernieuwd.
LLMO vs GEO vs AEO
De drie labels beschrijven hetzelfde werk vanuit verschillende invalshoeken, en de meeste teams gebruiken ze door elkaar. Het verschil zit in wat elk label op de voorgrond zet.
| Term | Staat voor | Legt de nadruk op |
|---|---|---|
| LLMO | Large language model optimization | Het model: wat het over een merk denkt, op basis van zijn trainingsdata en van wat het ophaalt |
| GEO | Generative engine optimization | De engine: hoe generatieve systemen zoals AI-chatassistenten en AI-zoekmachines een antwoord samenstellen |
| AEO | Answer engine optimization | Het resultaat: genoemd en geciteerd worden in het antwoord dat iemand krijgt |
Wil je één vuistregel: zeg AEO als je het resultaat bedoelt, GEO als je de systemen bedoelt, en LLMO als het gaat om hoe het model zelf je merk begrijpt. De uitgebreidere vergelijking staat in GEO vs AEO vs LLMO.
Waarom het ertoe doet
Sommige antwoorden leunen vooral op wat een model tijdens de training heeft geleerd, en dat kan achterlopen op je huidige producten en positionering. Andere leunen op live ophalen. Consistente, juiste informatie op je site en in de externe bronnen die je noemen helpt in beide gevallen, en het is het enige deel van het beeld dat een model van je heeft waar jij zelf invloed op hebt.
Hoe Stellarcast ermee omgaat
Stellarcast meet het resultaat waar LLMO naartoe werkt: of elke AI-engine die het volgt je merk noemt en citeert bij de vragen die je kopers stellen, per markt, met een P25-P75-bandbreedte, en welke concurrent werd genoemd wanneer jij dat niet werd. Zo krijgt LLMO-werk een voor en een na.
Zie hoe AI je merk beschrijft
Vraag een gratis AI-zichtbaarheidsaudit aan voor ChatGPT, Gemini, Perplexity en Google AI Overviews en zie hoe je ervoor staat ten opzichte van je concurrenten.
Vraag je gratis zichtbaarheidsaudit aan