Agentic SEO uitgelegd: de aanpak die handmatige checklists vervangt

Agentic SEO is een werkmodel waarin een systeem je zoekdata bekijkt, beslist wat het daarna onderzoekt, handelt via gekoppelde tools en het resultaat beoordeelt, en die loop herhaalt tot een doel is bereikt. De statische checklist maakt plaats voor een proces waarin de volgende stap wordt gekozen op basis van bewijs, in plaats van vooraf vast te liggen.

Dat is niet belangrijk omdat checklists slecht zijn. Het punt is dat een checklist een vaste volgorde vastlegt voor een probleem waarvan de juiste volgorde verandert met de data. "Controleer de indexering, dan de Core Web Vitals, dan de diepgang van de content" is een redelijke standaard, en ongeveer de helft van de keren precies de verkeerde volgorde. Een systeem dat eerst de Search Console-data leest en dan pas beslist wat het als tweede controleert, doet iets wat een checklist per definitie niet kan.

Dit is ons basisartikel over hoe wij naar dit model kijken: de loop, de vangrails, wat je als eerste uitbesteedt en waarom zo'n groot deel van deze projecten mislukt.

Wat is agentic SEO?

Agentic SEO is zoekwerk dat wordt uitgevoerd door systemen die een doel vasthouden, zelf hun acties kiezen en tools gebruiken om die uit te voeren. Pas als er drie eigenschappen aanwezig zijn, betekent het label iets:

• Doelgerichte input. De opdracht is een uitkomst ("zoek uit waarom de organische conversies in juni daalden"), geen taak ("draai een rankingrapport").
• Stappen kiezen tijdens de run. De volgorde van acties wordt tijdens de run bepaald, op basis van wat eerdere stappen opleverden.
• Tools uitvoeren. Het systeem haalt echt data op uit Search Console, analytics, een crawler of een SERP-API. Zonder tools is het een schrijfassistent met meningen.

Het engineeringartikel Building Effective AI Agents van Anthropic is de helderste bron voor waar de grens ligt. Het maakt onderscheid tussen workflows, waarin "LLM's en tools worden georkestreerd via vooraf gedefinieerde codepaden", en agents, waarin het model "dynamisch zijn eigen processen en toolgebruik aanstuurt". De meeste software die onder de agentic-vlag wordt verkocht, valt in de eerste categorie. Anthropic maakt ook een punt dat deze markt hard nodig heeft: begin simpel en voeg pas agentic complexiteit toe als een eenvoudigere aanpak aantoonbaar tekortschiet, want "agentic systemen ruilen vaak latency en kosten in voor betere taakprestaties".

Hoe een agentic SEO-workflow in de praktijk werkt

De loop bestaat uit vier stappen. Elke serieuze implementatie is daar een variatie op.

1. Observeren

Het systeem haalt de stand van zaken op: Search Console-prestaties over twee vergelijkbare periodes, gedrag in GA4, de huidige rankings en een crawl van het getroffen deel van de site. Cruciaal: het haalt meer op dan het gaat gebruiken, omdat het nog niet weet wat relevant is.

2. Beslissen

Een model leest wat er terugkwam en kiest de volgende actie uit een catalogus van tools. Dit is de stap die het model onderscheidt van automatisering. Bij 30% minder klikken en gelijkblijvende vertoningen hoort het te kiezen voor een onderzoek naar CTR en SERP-features. Bij 30% minder vertoningen en een gelijkblijvende positie hoort het te kiezen voor een onderzoek naar indexering en vraag. Hetzelfde symptoom, een andere tweede stap.

3. Handelen

Het voert de gekozen tool uit en betaalt de kosten van die aanroep. De resultaten worden samengevat voordat ze terug de context in gaan, want ruwe API-responses vullen het contextvenster anders binnen drie stappen.

4. Beoordelen

Het beoordeelt of het doel is bereikt. Zo niet, dan begint de loop opnieuw. Is het budget op, dan moet het stoppen en vertellen wat het heeft geleerd, in plaats van geld te blijven verbranden of, erger nog, een conclusie te verzinnen.

In onze eigen runtime is de loop begrensd op 15 stappen. Planning en toolkeuze draaien op een snel, goedkoop model, alleen de uiteindelijke synthese draait op het dure model, en een plan krijgt een prijs voordat het wordt uitgevoerd. Dat laatste mechanisme is belangrijker dan het klinkt: de run wordt vooraf ingeschat, en als die inschatting boven een drempel uitkomt, stopt het systeem en vraagt het om bevestiging voordat er iets wordt uitgegeven. Kan het account de inschatting niet dekken, dan eindigt de beurt meteen, in plaats van dat je betaalt voor een half afgemaakte analyse.

Agentic SEO versus SEO-automatisering

Die twee worden constant door elkaar gehaald, en het onderscheid is niet academisch: het bepaalt wat je kunt verwachten als er iets misgaat.

	SEO-automatisering	Agentic SEO
Volgorde	Vooraf door een mens geschreven	Tijdens de run gekozen door het model
Omgaan met nieuwe situaties	Nee, onvoorziene gevallen lopen vast	Ja, zoekt er een weg omheen
Reproduceerbaarheid	Elke run identiek	Verschilt per run
Debuggen	Lees het script	Lees het transcript
Kosten per run	Vast en voorspelbaar	Variabel, afhankelijk van het aantal stappen
Het beste voor	Bekende, terugkerende procedures	Open onderzoek

Reproduceerbaarheid is de afweging waar niemand je voor waarschuwt. Een geplande crawl levert elke maandag een rapport in dezelfde vorm op. Een agent die twee keer dezelfde opdracht krijgt, kan een andere route nemen en andere accenten leggen. Voor diagnose is dat een voordeel, voor klantrapportages een risico. Daarom kiezen volwassen teams voor deterministische automatisering bij terugkerende rapportages en voor agentic runs bij onderzoek.

Welke SEO-taken je als eerste aan een agent geeft

Rangschik ze op twee variabelen: hoe mechanisch het werk is en hoe goed de uitkomst te controleren is. Scoort een taak op beide hoog, geef hem dan nu uit handen.

1. Een verkeersdaling diagnosticeren. De beste eerste kandidaat. Echt open, volledig gebaseerd op bewijs, en je kunt de conclusie zelf in tien minuten controleren.
2. Striking-distance-zoekwoorden en kannibalisatie opsporen. Mechanisch, veel volume, saai voor mensen en kinderlijk eenvoudig te controleren.
3. Keyword-gapanalyse ten opzichte van concurrenten. Ophalen, aftrekken, clusteren, omvang bepalen. Het oordeel zit in wat je ermee doet, niet in het maken ervan.
4. Technische auditbevindingen prioriteren. Niet de crawl zelf, die is deterministisch, maar het rangschikken van wat de crawl vond op waarschijnlijke impact.
5. Contentbriefings opstellen. Splits het onderwerp op in deelvragen, controleer welke de huidige resultaten beantwoorden en bouw de briefing rond de gaten.

Wat je als laatste uitbesteedt, of nooit: alles wat zonder controle publiceert, alles wat prioriteiten afweegt tegen bedrijfsdoelen en alles waarbij er vol overtuiging naast zitten duur is. De gids over agentic AI en SEO van Search Engine Land komt op hetzelfde uit: de implementaties die overleven, laten mensen de strategie en validatie doen, terwijl de agent het monnikenwerk overneemt.

Welke vangrails een agentic SEO-systeem nodig heeft

Vangrails zijn hier geen compliance-verplichting. Ze maken het verschil tussen een systeem dat je kunt laten draaien en een systeem waar je naast moet blijven zitten, en dat is precies waar de waarde zit.

• Een hard stappenbudget. Begrenst wat een verkeerd begrepen doel kan kosten. Bereikt het systeem de limiet, dan moet het een synthese maken van wat het heeft en melden dat de ruimte op is, nooit stilletjes afkappen.
• Kosteninschatting vooraf. Bepaal de prijs van het plan voordat het draait en laat alles boven een drempel pas door na expliciete goedkeuring.
• Tools labelen op rechten. Deel elke tool in als lezen, genereren of schrijven. Leesacties mogen zonder toezicht draaien. Schrijfacties niet.
• Quarantaine voor onbetrouwbare content. Als een agent een pagina van een concurrent ophaalt, komt de tekst van die pagina in hetzelfde contextvenster terecht als jouw instructies. Staan er geïnjecteerde commando's in, dan kan een naïeve agent die opvolgen. Onze runtime plaatst alle opgehaalde content in een afgeschermde wrapper voor onbetrouwbare input, markeert de beurt als besmet en weigert schrijftools voor de rest van die beurt, tenzij een mens daar expliciet toestemming voor geeft.
• Een leesbaar transcript. Elke toolaanroep, elk argument, elke kostenpost en elk resultaat achteraf in te zien. Een agentic systeem dat je niet kunt auditen, is een agentic systeem dat je niet kunt vertrouwen.

Hoe agentic SEO samenhangt met query fan-out bij Google

Er zit een mooie symmetrie in die veel mensen missen. Google legt in zijn gids voor optimalisatie voor generatieve AI uit dat AI Mode één prompt uitsplitst in veel verwante subzoekopdrachten en voor al die zoekopdrachten resultaten ophaalt. Dat heet query fan-out, en het is de reden dat de diepgang waarmee je een onderwerp behandelt nu beter werkt dan targeten op zoekwoorden. Een agent waaiert aan de analysekant op dezelfde manier uit: "waarom daalde het verkeer?" wordt opgesplitst in een reeks deelonderzoeken.

Maar wees voorzichtig met de conclusie. Dezelfde richtlijnen van Google zeggen expliciet dat er "geen aanvullende vereisten zijn om in AI Overviews of AI Mode te verschijnen, en ook geen andere speciale optimalisaties nodig". Content laten maken door een agent maakt die content niet geschikt voor iets waarvoor ze anders ook niet in aanmerking zou komen. Een agent per zoekwoordvariant een pagina laten uitspugen, is misbruik van content op schaal, alleen dan razendsnel. De agent helpt je ontdekken waarover je moet schrijven en controleren of je het hebt behandeld. Hij maakt je content niet ergens geschikt voor.

Vervangt agentic SEO SEO-specialisten?

Het vervangt een soort taak, geen functie. De taken die het overneemt, zijn de taken waarbij je data uit vier systemen haalt en op elkaar afstemt, en daar gaat toevallig veel tijd van junioren in zitten. Wat het niet overneemt, is beslissen welke van drie verdedigbare strategieën past bij een bedrijf met een specifieke salescyclus en een specifieke risicobereidheid.

Op korte termijn ziet het er realistisch zo uit: één ervaren specialist begeleidt werk waar eerder drie mensen voor nodig waren, en de tijd van die specialist verschuift van data verzamelen naar oordelen en valideren. De voorspelling van Gartner wijst dezelfde kant op: in 2028 wordt 15% van de dagelijkse werkbeslissingen autonoom genomen via agentic AI, tegenover praktisch nul in 2024. Vijftien procent is een flinke verschuiving, maar geen vervanging.

Hoe je meet of agentic SEO werkt

Meet de output, niet de activiteit. Drie vragen:

1. Zou je zelf tot dezelfde conclusie zijn gekomen? Laat de agent los op een onderzoek dat je al handmatig hebt gedaan. Vergelijk. Dat is de enige eerlijke test van nauwkeurigheid.
2. Wat kostte het per bruikbare conclusie? Niet per run. Runs die niets bruikbaars opleveren, kosten ook geld, en hun aandeel is het getal dat je vertelt of de afbakening klopt.
3. Zijn de zoekprestaties echt veranderd? Kijk in Search Console, met de eigen rapporten over prestaties in generatieve AI van Google voor verkeer uit AI-functies. Negeer elke externe tool die beweert de interne AI-rankingsystemen van Google uit te lezen: geen enkele externe tool heeft die toegang.

Wat een agentic SEO-run kost

Twee onderdelen, en het tweede verrast teams het vaakst.

Modeltokens schalen mee met hoeveel data er in de context komt. Daarom is de observatiestap een kostenbeslissing en niet alleen een databeslissing: 25.000 rijen Search Console-data ophalen en daarover redeneren is merkbaar duurder dan 500 rijen. Wij rekenen tokens af tegen een vast tarief van 300 credits per miljoen voor alle modelaanroepen in een beurt, input en output samen. Daarom vat onze runtime grote toolresultaten samen voordat ze terug de context in gaan, in plaats van ze ruw door te geven.

Toolaanroepen vormen meestal het grootste deel, omdat de meeste een betaalde externe API aanroepen. Onze gepubliceerde kosten per aanroep geven een idee: een pagina-audit kost 50 credits, een Core Web Vitals-check 25, een query in Search Console of GA4 elk 50, een keyword-gapanalyse 30, het vinden van concurrenten 15, een live SERP-opvraging 5 per zoekwoord en een check van merkzichtbaarheid 100 per bevraagde engine. Eén opdracht als "audit deze sectie en vertel me wat ik eerst moet oplossen" kan zo terecht uitwaaieren over tien of meer van die aanroepen.

Daar volgen drie dingen uit, bij welke leverancier je ook zit:

• Beoordeel de kosten per run, niet per bericht. Een prijs per gebruiker met onbeperkt chatten zegt niets over wat een echt onderzoek met meerdere tools kost.
• Een breed doel is een duur doel. "Verbeter onze SEO" waaiert uit over elke tool in de catalogus. "Zoek uit welke blog-URL's in juni klikken verloren en waarom" doet dat niet.
• Onbegrensde runs zijn waar het misgaat. Zonder stappenlimiet en kosteninschatting vooraf komt een verkeerd begrepen doel tegen de volle prijs nergens uit. Dat mechanisme zit achter de meeste stopgezette projecten in de volgende sectie.

Waarom agentic AI-projecten mislukken

Omdat de meeste niet echt agentic zijn en de rest niet goed is afgebakend. Gartner voorspelde in juni 2025 dat meer dan 40% van de agentic AI-projecten eind 2027 is stopgezet, vanwege oplopende kosten, onduidelijke bedrijfswaarde en onvoldoende risicobeheersing. In dezelfde analyse schatte Gartner dat maar zo'n 130 van de duizenden leveranciers die agentic AI aanprijzen echt agentic waren. De rest noemde het "agent washing": omgedoopte assistenten, chatbots en robotic process automation.

Het patroon waarop het in SEO misgaat, is steeds hetzelfde. Een team geeft een agent een onbegrensd doel, geen stappenlimiet en schrijfrechten, krijgt een dure en net verkeerde uitkomst, en concludeert dat de technologie niet werkt. Wat niet werkte, was de afbakening. Begin met één diagnostische taak met alleen leesrechten, begrens die, vergelijk de uitkomst een maand lang met die van jezelf en breid vanaf daar uit.

Waar je deze week begint

Pak het onderzoek waar je het meest tegen opziet: dat waarvoor je Search Console, GA4 en een ranktracker in drie tabbladen opent en alles met de hand naast elkaar legt. Geef precies dat aan een agent, met alleen leesrechten, een stappenlimiet en een kostenplafond. Doe dat vier keer. Komen de conclusies overeen met de jouwe, maak de scope dan breder. Zo niet, dan heb je goedkoop iets belangrijks geleerd.

Het begeleidende artikel over wat een AI SEO-agent is gaat dieper in op de architectuur, en Autopilot draait de hier beschreven loop op je eigen gekoppelde data.