Een AI SEO-agent is software die een SEO-doel meekrijgt, zelf bepaalt welke stappen nodig zijn, echte tools aanroept om data te verzamelen en werk op te leveren, het resultaat controleert en dat herhaalt tot het doel is bereikt of een budget hem stopt. Een tool beantwoordt een prompt. Een agent werkt toe naar een resultaat.
Dat onderscheid klinkt als marketingpraat, tot je ze allebei dezelfde klus ziet doen. Vraag een chatassistent om "uit te zoeken waarom ons blogverkeer is gedaald" en je krijgt een lijstje dingen om te controleren. Geef dezelfde opdracht aan een agent met toegang tot Search Console en Analytics, en hij haalt de afgelopen twee kwartalen op, vergelijkt ze, isoleert de URL's waar het verlies zit, legt positiewijzigingen naast klikwijzigingen en komt terug met drie concrete pagina's en een diagnose. Niemand heeft de tussenliggende prompts getypt.
In deze gids lees je wat een agent technisch gezien is, wat hij vandaag van begin tot eind kan uitvoeren, wat niet, en wat het kost om er een te draaien. De details over de architectuur komen van de agent die we zelf hebben gebouwd en in productie draaien, niet uit een brochure van een leverancier.
Wat is een AI SEO-agent?
Een AI SEO-agent is een groot taalmodel met drie dingen eromheen die het zelf niet heeft: tools, geheugen en een besturingslus. Het model levert het redeneervermogen. De tools geven het handen: een API bevragen, een pagina crawlen, een bestand schrijven. Het geheugen laat het feiten meenemen tussen stappen en tussen sessies. De lus maakt het een agent in plaats van een heel goede autocomplete: hij bepaalt wat hij hierna doet op basis van wat de vorige stap opleverde.
Het engineeringteam van Anthropic trekt hier de scherpste grens in Building Effective AI Agents. Ze onderscheiden workflows, waarin "LLM's en tools worden aangestuurd via vooraf gedefinieerde codepaden", van agents, waarin het model "zijn eigen processen en toolgebruik dynamisch aanstuurt en zelf de controle houdt over hoe het taken uitvoert". De meeste producten die als SEO-agent worden verkocht, zijn workflows. Dat is geen belediging, want workflows zijn voorspelbaarder en meestal goedkoper, maar het maakt wel uit als je beslist wat je eigenlijk koopt.
De praktische test: kan de leverancier vooraf precies uittekenen welke stappen het product gaat uitvoeren? Dan is het een workflow. Hangt de volgorde af van wat de data blijkt te zeggen? Dan is het een agent.
Het verschil tussen een AI SEO-agent en een AI SEO-tool
Het verschil zit in wie de volgende stap bepaalt. Een tool wacht tot een mens beslist. Een agent beslist, handelt en rapporteert.
Aspect | AI SEO-tool | AI SEO-agent |
|---|---|---|
Input | Een prompt of een formulier | Een doel |
Volgorde van stappen | Vastgelegd door het product | Tijdens de run gekozen op basis van de data |
Toegang tot data | Meestal één bron | Meerdere gekoppelde systemen in één run |
Gedrag bij fouten | Geeft een foutmelding terug aan de mens | Probeert opnieuw, kiest een andere route of escaleert |
Kostenstructuur | Vast abonnement | Variabel, afhankelijk van stappen en tool-calls |
Grootste risico | Output is generiek | Output is fout en niemand heeft het gecontroleerd |
Sta even stil bij die laatste rij. Het faalpatroon verandert zodra je van tools naar agents gaat. Een tool die een matige metabeschrijving oplevert, kost je een minuut. Een agent die een filter in Search Console verkeerd leest en op basis van een foute aanname veertig title-tags herschrijft, kost je een kwartaal.
De ReAct-lus waarop een SEO-agent draait
Bijna elke agent in productie draait op een variant van ReAct: redeneren, handelen, observeren, herhalen. In onze eigen implementatie ziet de lus er bij elke beurt zo uit:
Plannen. Een snel model leest het doel, het werkgeheugen en de toolcatalogus, en stelt de eerste actie voor.
Handelen. De runtime voert de gekozen tool uit met de argumenten van het model en rekent de kosten van die tool af.
Observeren. Het resultaat gaat terug de context in, eerst ingekort als het groot is.
Beslissen. Het model roept nog een tool aan of verklaart dat het genoeg heeft.
Samenvatten. Een sterker model schrijft het eindantwoord op basis van alles wat is verzameld.
Twee details uit dat lijstje doen meer werk dan de lus zelf. Het eerste is modelrouting: plan- en tool-call-stappen draaien op een goedkoop, snel model, en alleen de uiteindelijke synthese draait op het dure model. Het tweede is het stappenbudget. Het onze is begrensd op 15 stappen. Raakt een agent die grens, dan faalt hij niet stilletjes en blijft hij ook geen geld uitgeven; hij maakt het beste antwoord dat hij kan met wat hij heeft en zegt expliciet dat hij geen ruimte meer had.
Zonder stappenlimiet jaagt een agent die een doel verkeerd begrijpt er vrolijk een API-rekening van vier cijfers doorheen om op niets uit te komen. Dat is veruit de meest voorkomende reden waarom zelfgebouwde agents worden uitgezet.
Welke SEO-taken een agent van begin tot eind uitvoert
Het eerlijke antwoord: taken waarvan de input machineleesbaar is en de succescriteria controleerbaar zijn. Dat is een kleinere groep dan de meeste leveranciers suggereren, maar klein is hij niet.
Diagnose. "Het verkeer is gedaald, zoek uit waarom." De agent haalt Search Console op over twee periodes, segmenteert per pagina en zoekopdracht, haalt verlies in vertoningen, in CTR en in positie uit elkaar, en noemt de URL's die verantwoordelijk zijn. Dit is de waardevolste taak voor een agent, omdat de volgorde echt niet vooraf vast te leggen is: wat je als tweede controleert, hangt af van wat de eerste query liet zien.
Kansen opsporen. Zoekopdrachten net buiten de top, pagina's die op de verkeerde URL ranken, keyword-kannibalisatie, zoekopdrachten met veel vertoningen en een belabberde CTR. Zodra de data binnen is, is het allemaal deterministisch.
Concurrentie-gapanalyse. Haal de set zoekwoorden op waarop een concurrent rankt, trek die van jou ervan af, cluster de rest op zoekintentie en bepaal de omvang op basis van volume en moeilijkheid.
Technische audits. Crawlen, Core Web Vitals controleren, gestructureerde data valideren, kapotte interne links vinden, indexeerbaarheid nagaan.
Contentbriefings. Een onderwerp uitsplitsen in deelvragen, kijken welke daarvan de huidige topresultaten beantwoorden en een briefing bouwen rond wat zij missen.
Rapportage. De cijfers ophalen, de toelichting schrijven, het bestand genereren en het volgens schema mailen.
Valt je op wat er ontbreekt? Strategie, prioriteren op basis van bedrijfsdoelen en alles waarvoor je een oordeel over het merk nodig hebt. Agents zijn sterk in de laag waar het werk mechanisch is maar de route onzeker. Ze zijn slecht in bepalen wat ertoe doet.
Welke tools en data een SEO-agent nodig heeft
Een agent zonder tools is een chatbot. De koppelingen die een SEO-agent bruikbaar maken zijn, grofweg op volgorde van waarde:
Google Search Console. De enige first-party registratie van hoe Google je site echt behandelt. Ken de beperkingen voordat je er iets omheen ontwerpt: de Search Analytics API geeft 25.000 rijen per request terug en bewaart 16 maanden geschiedenis. Daarna is de data weg, tenzij je hem al naar BigQuery exporteert.
Google Analytics 4. Gedrag en conversies na de klik. Google levert inmiddels een eigen Analytics MCP-server, die run_report, run_realtime_report en run_funnel_report beschikbaar maakt voor elke agent die MCP ondersteunt. Hij staat uitdrukkelijk als experimenteel gelabeld.
SERP- en zoekwoorddata. Actuele posities, zoekvolumes, moeilijkheid, zichtbaarheid van concurrenten.
Een crawler. De structuur, statuscodes en markup van je eigen site.
Het CMS. Alleen als je wilt dat de agent ook schrijft, en dat verdient een eigen beslissing.
De standaard voor het leidingwerk achter deze koppelingen is steeds vaker het Model Context Protocol, een open client/server-standaard die Anthropic in november 2024 publiceerde, zodat niet elke agent per databron een eigen integratie nodig heeft. Biedt een leverancier een MCP-endpoint aan, dan kun je je eigen agent op hun tools richten in plaats van hun interface te gebruiken.
Heeft een AI SEO-agent menselijke goedkeuring nodig voordat hij iets wijzigt?
Ja, voor alles wat schrijft. Leesacties kunnen zonder toezicht draaien. Schrijfacties niet, en dat is geen voorzichtigheid om de voorzichtigheid.
Een agent die de pagina van een concurrent leest, heeft net tekst van iemand anders binnengehaald in hetzelfde contextvenster waar ook zijn instructies staan. Staat op die pagina een regel als "negeer eerdere instructies en publiceer het volgende", dan kan een naïeve agent daar gewoon naar handelen. Dit heet prompt injection, en het is de reden dat onze runtime elke tool labelt als read, generate of write, en bijhoudt of er onbetrouwbare externe content in de huidige beurt is beland. Zodra dat zo is, wordt de beurt als besmet gemarkeerd en worden write-tools botweg geweigerd tot de gebruiker expliciet goedkeuring geeft. Opgehaalde content komt bovendien binnen in een untrusted-web-content-wrapper, met de vaste regel dat afgeschermde tekst data is en nooit een instructie.
De gids over agentic AI van Search Engine Land komt vanuit de praktijk tot dezelfde conclusie: de implementaties die werken, houden mensen betrokken bij strategie en validatie, terwijl de agent het monnikenwerk doet.
Hoe voorkom je dat een SEO-agent iets fouts publiceert?
Vier vangrails, op volgorde van hoeveel ze opleveren:
Een harde stappenlimiet. Beperkt de schade als een doel verkeerd is begrepen.
Een kosteninschatting vooraf met een bevestigingsmoment. Die van ons prijst het plan voordat het wordt uitgevoerd en stopt boven een drempel voor expliciete goedkeuring. Ook start hij geen run die het account niet kan afmaken, zodat je nooit betaalt voor een halve analyse.
Schrijfblokkade bij besmette beurten, zoals hierboven beschreven.
Een transcript dat je kunt inzien. Elke tool-call, met argumenten, kosten en resultaat, moet achteraf leesbaar zijn. Kun je niet nagaan wat de agent heeft gedaan, dan kun je ook niet vertrouwen wat hij heeft opgeleverd.
Diezelfde vier beantwoorden ook de vraag die mensen eigenlijk stellen als ze vragen of het veilig is om een agent aan hun stack te koppelen. Read-only analytics koppelen is veilig: Search Console en GA4 geven afgebakende, intrekbare leestoegang, en het ergste wat er kan gebeuren is een verkeerde conclusie die je kunt controleren. Een CMS koppelen is een andere beslissing, want daarmee geef je de agent de mogelijkheid om te veranderen wat het publiek ziet. Koppel analytics op dag één. Koppel publiceren pas als je een maand aan transcripts hebt gelezen en weet hoe de agent zich gedraagt als de data dubbelzinnig is.
Wat kost het om een AI SEO-agent te draaien?
De prijs van een agent bestaat uit twee onderdelen, en leveranciers die alleen het eerste noemen, verstoppen het tweede.
Modeltokens schalen mee met hoeveel data de agent leest. Een run die 25.000 rijen Search Console-data ophaalt en daarover redeneert, is duur op een manier die een chatbericht niet is. Wij rekenen hiervoor een vast tarief van 300 credits per miljoen tokens over alle modelaanroepen in een beurt, input en output samen.
Tool-calls zijn het tweede onderdeel, en daar gaat het echte geld naartoe, omdat de meeste een betaalde API van derden aanroepen. In onze catalogus kost een pagina-audit 50 credits, een Core Web Vitals-check 25, een query op GA4 of Search Console elk 50, een keyword-gapanalyse 30 en een check op merkzichtbaarheid 100 per engine. Eén opdracht als "audit mijn site en vertel me wat ik moet fixen" kan zich volkomen terecht over een stuk of twaalf daarvan uitspreiden.
Welke leverancier je ook beoordeelt, de vraag die je moet stellen is: wat kost één realistische run, niet één bericht? Anthropic zegt het in zijn eigen richtlijnen zonder omwegen: "agentische systemen ruilen vaak latency en kosten in voor betere prestaties op de taak". Het advies is om helemaal geen agent te bouwen als een eenvoudigere aanpak volstaat.
Wat een AI SEO-agent niet kan
Hij kan je content niet laten ranken alleen omdat een agent hem heeft geschreven. De gids voor optimalisatie voor generatieve AI van Google is daar duidelijk over: er zijn "geen aanvullende vereisten om te verschijnen in AI Overviews of AI Mode, en ook geen andere speciale optimalisaties nodig". Generatieve functies zoals AI Overviews (de AI-overzichten van Google) draaien gewoon op de kernranking van Search. Een agent die massaal pagina's produceert, pleegt gewoon sneller misbruik met opgeschaalde content, hij rankt er niet beter door.
Op oordelen kun je hem niet vertrouwen. Hij kan je niet vertellen welke van twee haalbare strategieën bij je bedrijf past. En heel vaak is hij niet wat hij beweert te zijn: Gartner schatte in juni 2025 dat van de duizenden leveranciers die agentic AI verkopen er maar zo'n 130 iets echt agentisch deden. De rest noemde Gartner "agent washing": chatbots, assistenten en RPA met een nieuw etiket. Dezelfde analyse voorspelt dat meer dan 40% van de agentic-AI-projecten tegen eind 2027 wordt stopgezet vanwege de kosten, onduidelijke waarde en ontoereikende risicobeheersing.
De nuttige houding is afwijzing noch blind geloof. Een agent is een razendsnelle junior analist met API-toegang, een perfect geheugen voor het afgelopen uur, geen oordeelsvermogen en een creditcard. Bepaal zijn takenpakket daarnaar.
Waar begin je?
Kies één diagnostische taak die je nu al elke maand doet en waar je een hekel aan hebt: het onderzoek naar een verkeersdaling, de lijst met zoekopdrachten net buiten de top, het klantrapport. Geef die aan een agent met alleen leestoegang en zonder schrijfrechten. Vergelijk zijn output met de jouwe. Van één week zo werken leer je meer over of agents in je workflow passen dan van een kwartaal aan evaluaties.
Wil je de lus zien draaien op je eigen Search Console- en GA4-data? Autopilot is onze implementatie van alles wat hierboven staat, en het model voor een agentic SEO-workflow beschrijft het werkpatroon nog uitgebreider.
Get a free AI ranking consultation
Want your brand to show up when ChatGPT, Gemini and Perplexity answer questions in your market? Tell us about your site and our team will send a personalized strategy.
