Een contentbriefing bouwen uit Search Console-data

Een taalmodel kan op basis van een zoekwoordenlijst in een middag dertig artikelen produceren. Ik gebruik AI dagelijks in mijn werk en schrijf toch geen woord voordat er een briefing ligt die op de zoekdata van de klant is gebaseerd.

Dat is geen principiële weerstand tegen snelheid. Het komt voort uit hoe deze modellen werken.

Wat een taalmodel wel en niet weet

Een taalmodel voorspelt tekst op basis van wat het eerder heeft gezien. Vraag je om een artikel over een onderwerp, dan krijg je het gemiddelde van alles wat daarover al geschreven is.

Dat is precies het probleem. Het gemiddelde bestaat al, staat al online en is al geschreven door iemand anders. Er is geen reden waarom Google of een lezer daar jouw versie van nodig heeft.

Wat een model niet weet, is waar jouw bezoekers op zoeken en waar je nu al voor verschijnt zonder dat je erop scoort. Die informatie moet je erin stoppen. Doe je dat niet, dan is de bron van het artikel het internet in plaats van jouw situatie.

Waarom ik met de data begin en niet met het onderwerp

In Search Console staat per zoekterm hoe vaak een site verschijnt, hoe vaak er geklikt wordt en op welke positie dat gebeurt. Daar zitten zoektermen tussen waar veel op vertoond wordt zonder dat er iets binnenkomt.

Dat zijn de plekken waar de vraag al bestaat en het antwoord tekortschiet. Een onderwerp dat daaruit komt is niet bedacht maar gemeten.

Voor mijn klanten komt die data samen in het SEO Rapportagesysteem, dat de vraag beantwoordt welk werk aan de site effect heeft gehad. De briefing haalt daar zijn vertrekpunt op.

De drie lagen

De productie loopt bij mij in drie stappen, elk met een eigen rol.

De eerste laag is de kwaliteitspoort. Komt daar geen bruikbare vraag uit, dan wordt er niets geschreven. Dat scheelt meer werk dan het kost.

Wat er in een briefing staat

Een briefing is bij mij kort en bestaat uit vaste onderdelen.

• De zoektermen waar dit stuk antwoord op geeft, met hoe de site daar nu voor staat
• Wat er al over gepubliceerd is, op de eigen site en daarbuiten
• Welke vraag het stuk beantwoordt en voor wie
• Welke eigen data, voorbeelden of ervaring erin moeten
• Waar het stuk naartoe verwijst

Dat laatste punt is belangrijker dan het lijkt. De briefing bepaalt welke concrete kennis er ingaat, en dat is het deel dat een model zelf niet kan verzinnen.

Waarom ik dit onderscheid belangrijk vind

Ik denk dat AI in het uitvoerende deel van marketing veel werk uit handen kan nemen, en ik zet het daar zelf ook voor in. Maar het model levert de vorm, niet de inhoud. De inhoud komt uit de data en uit wat je zelf hebt meegemaakt.

Wie dat omdraait krijgt tekst die klopt maar niets toevoegt. Dat is niet de schuld van het model, dat doet precies wat het moet doen met wat het krijgt.

Het gevolg voor mijn eigen werk is dat er minder stukken komen dan wanneer ik op volume zou sturen. Elk stuk is wel terug te voeren op een zoekvraag die er al lag.

Hoe ik die kadans van meten naar handelen in de rest van mijn werk aanhoud, staat in Management, signaal, analyse, actie. Content is daar één toepassing van, met dezelfde volgorde.