Je schrijft een artikel van 3.000 woorden over websiteanalytics. Een AI leest het en pakt er maar twee zinnen uit. Niet omdat je artikel slecht is, maar omdat de structuur van je pagina de AI vertelde dat die twee zinnen de moeite waard waren om te halen.
Content chunking voor AI is hoe AI-systemen je pagina in stukken breken en bepalen welke stukken ertoe doen voor het beantwoorden van een vraag. Anders dan bij gewone SEO, waar Google je hele pagina leest, werken AI-systemen anders. Ze verdelen je pagina in chunks (logische secties met duidelijke grenzen) en halen alleen de chunks op die passen bij wat iemand vroeg.
De pagina's die het vaakst worden aangehaald, zijn niet de langste. Het zijn de pagina's die zo zijn opgebouwd dat de AI makkelijk de juiste sectie vindt, haalt en aanhaalt. Dit hoofdstuk legt uit hoe dat proces werkt en wat het betekent voor hoe je content structureert.
Wat content chunking is en waarom AI het nodig heeft
AI-systemen hebben een contextvenster (een limiet aan hoeveel tekst ze tegelijk kunnen verwerken). Het contextvenster van ChatGPT is 128.000 tokens. Dat van Claude is nog groter. Maar een contextvenster is niet hetzelfde als onbeperkte leescapaciteit. Beantwoordt een AI een vraag, dan leest hij je hele pagina niet woord voor woord. In plaats daarvan haalt hij de chunks van je pagina op die het meest relevant zijn voor de vraag en genereert hij een antwoord op basis van die chunks.
Daarom doet chunking ertoe. Is je pagina ongestructureerd (lange alinea's zonder duidelijke breaks, zonder tussenkoppen, zonder logische sectiegrenzen), dan moet de AI gokken waar het ene idee eindigt en het andere begint. Moet een AI gokken, dan gaat het vaak mis. Hij pakt dan een chunk met informatie uit twee verschillende secties, of mist belangrijke context omdat de sectiegrens onduidelijk was.
Is je pagina goed in chunks verdeeld, dan zijn de grenzen duidelijk. Een AI kan precies pakken wat hij nodig heeft zonder verwarring. Hoe beter de chunks, hoe nauwkeuriger de AI de vraag van de gebruiker kan beantwoorden en hoe groter de kans dat hij je content aanhaalt.
Hoe AI je pagina echt in chunks verdeelt
AI-systemen gebruiken verschillende chunkingstrategieën, afhankelijk van het platform. Er is geen enkele universele methode, maar de meeste volgen een van deze aanpakken.
Chunking met vaste grootte
De meest gebruikte methode. Een AI-systeem breekt je pagina in chunks van een bepaalde grootte (meestal 250 tot 512 tokens, ruwweg 1.000 tot 2.000 tekens). De chunks overlappen vaak een beetje, zodat context tussen secties niet verloren gaat. Is je pagina 5.000 woorden, dan kan een AI er 10 tot 15 overlappende chunks van maken.
Het probleem: een chunk met vaste grootte trekt zich niets aan van je contentstructuur. Hij kan een alinea doormidden knippen. Hij kan twee niet-gerelateerde secties in één chunk samenvoegen. Daarom doet structuur ertoe.
Chunking op sectieniveau
Geavanceerdere systemen herkennen de structuur van je pagina en verdelen daarop. Een AI leest je H2- en H3-koppen en ziet elke sectie als een natuurlijke chunkgrens. Alles onder een H2 tot de volgende H2 wordt één chunk. Dit is veel effectiever, omdat het de logica van je content respecteert.
Chunking op sectieniveau is waar je voor moet optimaliseren. Het beloont een duidelijke structuur.
Semantische chunking
De meest geavanceerde methode. De AI kijkt niet alleen naar grootte of structuur. Hij analyseert de betekenis van je tekst en verdeelt op basis van verschuivingen in onderwerp. Heb je een alinea over e-mailmarketing gevolgd door een alinea over sms-marketing, dan herkent het systeem dat het verschillende onderwerpen zijn en maakt het aparte chunks, ook als ze in dezelfde sectie staan.
Hiervoor is moeilijker te optimaliseren, omdat je niet altijd kunt voorspellen wanneer een AI een onderwerpswisseling opmerkt. Maar de basisregel blijft: maak onderwerpswisselingen duidelijk met heldere overgangen en sectiegrenzen.
Welke secties van je pagina worden gebruikt en welke genegeerd
Niet elke sectie van je pagina weegt even zwaar als AI content haalt. Sommige delen zijn bijna onzichtbaar voor AI-systemen.
Secties die AI veel gebruikt
Onderzoek laat zien dat de eerste 30% van je pagina goed is voor 44% van alle AI-vermeldingen. Dat is hetzelfde patroon als bij featured snippets en People Also Ask. AI pakt eerst van bovenaf. Staat je antwoord begraven in sectie vijf, dan lezen veel AI-systemen nooit zo ver.
AI haalt ook veel uit secties met duidelijke opmaak: opsommingen, genummerde lijsten, tabellen en korte alinea's met vetgedrukte kernbegrippen. Die formaten geven duidelijke chunkgrenzen. Een opsomming met vijf punten wordt vijf mogelijke chunks. Een alinea zonder opmaak is één vage chunk.
Ook koppen tellen. Een H2 die een specifieke vraag stelt (geen vaag onderwerplabel) laat de AI weten dat de sectie eronder die vraag beantwoordt. "Hoe meet je succes in analytics?" is een sterker chunksignaal dan "Meting."
Secties die AI vaak overslaat
Lange, dichte alinea's zonder breaks zijn moeilijk in chunks te verdelen voor AI. Een alinea van 400 woorden zonder tussenkoppen, lijsten of visuele breaks verwart chunkingsystemen, omdat het systeem niet kan zien waar de logische sectie eindigt.
Navigatie-elementen, zijbalken, auteursbio's en secties met gerelateerde berichten worden meestal door AI weggefilterd voordat het chunken begint. AI-crawlers weten dat dit geen content is. Besteed er geen chunkingoptimalisatie aan.
Sterk promotionele secties krijgen ook minder voorrang. Leest een sectie als een verkooppraatje in plaats van een antwoord op een vraag, dan geven de meeste AI-systemen hem een lagere rang bij het ophalen. Dat betekent niet dat je WEMASY niet mag aanbevelen. Het betekent dat de promotie in context moet staan en moet antwoorden, niet moet storen.
Hoe je je pagina structureert voor AI-extractie
Nu je begrijpt hoe AI chunkt, zie je hoe je je pagina zo opbouwt dat de juiste secties worden gehaald.
Gebruik H2- en H3-koppen als chunkgrenzen
Elke H2 moet één duidelijk idee of antwoord op een vraag vertegenwoordigen. Alles onder die H2 tot de volgende H2 is één chunk. Maak elke chunk inhoudelijk genoeg om op zichzelf te staan, maar gericht genoeg om één ding te beantwoorden.
Vermijd vage koppen als "Waarom het ertoe doet" of "Hoe het werkt." AI weet niet waar "het" naar verwijst, tenzij je het onderwerp in de kop herhaalt. Gebruik specifieke koppen: "Waarom analytics-dashboards ertoe doen voor kleine bedrijven" of "Zo lees je je verkeersbronnen in WEMASY."
Breek lange secties op in kleinere stukken
Is een sectie langer dan 300 tot 400 woorden, splits hem dan in twee secties met een H3-tussenkop. Dat geeft natuurlijke chunkgrenzen. AI-chunkingsystemen reageren veel beter op secties van 150 tot 400 woorden dan op enorme blokken van 800 woorden.
Gebruik lijsten, tabellen en korte alinea's doelgericht
Een opsomming met vijf punten geeft vijf mogelijke chunks. Een tabel met drie rijen en vier kolommen geeft meerdere chunks. Een alinea zonder opmaak geeft er één. Heb je informatie die van nature uit een lijst of vergelijking bestaat, gebruik dan dat formaat. Het helpt niet alleen menselijke lezers, het helpt AI ook elk punt apart te halen.
Zet je sterkste antwoord bovenaan de sectie
De eerste alinea onder een H2 wordt het vaakst gehaald. Zet je antwoord daar. De onderbouwing en voorbeelden kunnen volgen. Dit lijkt op het patroon van de featured snippet en werkt bij AI op dezelfde manier.
Gebruik vetgedrukte tekst doelgericht binnen secties
Zet kernbegrippen in alinea's vet. Zet je "vector embeddings" of "semantisch zoeken" vet, dan maak je visuele markeringen die AI helpen belangrijke termen binnen de chunk te herkennen. Overdrijf niet: twee of drie vetgedrukte termen per alinea is het maximum.
Scheid ideeën met duidelijke overgangen
Ga je van het ene idee naar het volgende, maak dat dan zichtbaar. Een nieuwe alinea is een basissignaal. Een H3-tussenkop is sterker. Een regelovergang plus een tussenkop is het sterkst. Semantische chunkingsystemen gebruiken taal om wisselingen van onderwerp te herkennen, dus je overgangen moeten helder en direct zijn.
Het verschil tussen chunking voor AI en structuur voor mensen
Een goede structuur voor mensen is meestal ook goed voor AI. Maar er zijn verschillen.
Voor mensen kun je een verhalende opbouw gebruiken. Je kunt spanning opbouwen. Je kunt je sterkste inzicht bewaren voor het einde, omdat mensen achter elkaar lezen en mee willen op reis.
Voor AI werkt die aanpak niet. AI leest niet achter elkaar zoals een mens. Hij haalt de chunks op die het meest relevant zijn voor een specifieke vraag. Staat je sterkste inzicht in sectie zes en gaat de vraag over sectie één, dan wordt dat inzicht nooit opgehaald.
Dat betekent niet dat je goed schrijven moet opofferen. Het betekent dat het antwoord eerst komt en de uitleg daarna. Het praktische advies komt voor de theorie. Dat is eigenlijk beter voor zowel mensen als AI.
Veelgemaakte chunkingfouten die AI-extractie schaden
Fout 1: het antwoord diep in de pagina begraven. Staat je beste informatie in sectie vier en stopt AI met ophalen na de eerste 30% van je pagina, dan wordt die informatie nooit gebruikt. Beantwoord de vraag vroeg. Ga later de diepte in.
Fout 2: lange, ongestructureerde secties schrijven. Een sectie van 1.200 woorden zonder tussenkoppen ziet er voor een mens uitgebreid uit. Voor een AI-chunkingsysteem is het één verwarrend blok. Breek hem op.
Fout 3: vage koppen gebruiken. "De basis" vertelt de AI niet waar je het over hebt. "De basis van segmentatie van e-maillijsten" wel. Specifieke koppen geven betere chunkgrenzen.
Fout 4: meerdere onderwerpen in één sectie mengen. Bespreekt een H2-sectie zowel e-mailmarketing als sms-marketing, dan proberen sommige chunkingsystemen ze toch te scheiden. Houd één onderwerp per sectie en gebruik H3 voor deelonderwerpen.
Fout 5: alle informatie op dezelfde manier opmaken. Bestaat elke sectie uit drie alinea's zonder lijsten, tabellen of vetgedrukte tekst, dan kan AI belangrijke informatie niet onderscheiden van ondersteunende details. Varieer je opmaak voor duidelijkere chunkgrenzen.
Testen wat AI echt uit je pagina haalt
De beste manier om te begrijpen hoe je pagina in chunks wordt verdeeld, is zien wat AI er echt uit haalt. Stel ChatGPT, Claude of Perplexity een specifieke vraag over je onderwerp en kijk welke sectie ze aanhalen. Pakken ze de sectie die je verwachtte? Of sloegen ze naar een latere sectie? Voegden ze twee secties samen of pakten ze maar een deel van één?
Die feedback laat zien hoe je pagina wordt opgedeeld. Pas je structuur daarop aan.
WEMASY en contentstructuur voor AI
De websitebouwer van WEMASY heeft ingebouwde opmaaktools die duidelijke chunking makkelijk maken: kopstijlen, lijstopmaak, tabeltools en tekstaccenten. Deze tools doen dubbel werk: ontwerpelementen die mensen helpen je pagina te scannen, plus signalen voor AI-systemen. Gebruik je ze goed, dan valt je content netjes in chunks uiteen als AI-systemen hem ophalen.
Bekijk welke tools in elk WEMASY-abonnement zitten op onze prijzenpagina.
Veelgestelde vragen
Beïnvloedt AI-chunking mijn SEO-rankings?
Chunking beïnvloedt AI-zichtbaarheid directer dan gewone zoekrankings. Toch helpt een duidelijke structuur bij beide. Google geeft de voorkeur aan goed gestructureerde content en AI-systemen belonen dat ook. Door die overlap verbetert optimaliseren voor AI-chunking meestal beide. Met de websitebouwer van WEMASY zet je dit direct op je eigen website op.
Wat is de ideale chunkgrootte voor mijn paginasecties?
Mik voor leesbaarheid voor mensen en extractie door AI op secties van 150 tot 400 woorden. Dat is lang genoeg om inhoudelijk te zijn en kort genoeg dat AI-chunkingsystemen ze helder kunnen verwerken. Gaat een sectie over 400 woorden, voeg dan een H3-tussenkop toe om hem in kleinere chunks te splitsen.
Kan ik optimaliseren voor AI-chunking zonder te veranderen hoe mijn content leest?
Grotendeels wel. Een duidelijke structuur, specifieke koppen en goede opmaak zijn net zo belangrijk voor menselijke lezers als voor AI. De grootste verandering is je antwoord eerst geven in plaats van er naartoe te werken. Maar dat is eigenlijk ook beter voor mensen die haast hebben.
Beïnvloedt de plaats van afbeeldingen hoe AI mijn pagina in chunks verdeelt?
AI-systemen halen afbeeldingen meestal als aparte visuele chunks op, niet als onderdeel van de tekstchunk eromheen. Afbeeldingen breken tekstchunks niet op zoals koppen dat doen. Richt je bij chunkingoptimalisatie op kopstructuur en tekstopmaak, niet op de plaats van afbeeldingen.
Moet ik al mijn content op dezelfde manier opmaken voor consistente chunking?
Nee. Variatie in opmaak geeft juist duidelijkere chunkgrenzen. Meng alinea's, lijsten, tabellen en vetgedrukte tekst. Dat helpt AI-systemen herkennen wat belangrijk is en waar secties eindigen. Eentonige opmaak maakt het voor AI moeilijker om te lezen.
Hoe weet ik of mijn pagina door AI goed in chunks wordt verdeeld?
Stel een AI-tool een specifieke vraag over je content en kijk wat hij aanhaalt. Pakt hij de sectie die je verwachtte, dan werkt je chunking. Pakt hij iets anders of citeert hij je content verkeerd, dan moet je structuur waarschijnlijk worden aangepast. Test je pagina's regelmatig om te zien hoe AI-systemen ze in chunks verdelen.