Ik kreeg deze week een mail van een klant die 4.000 woorden had geschreven over zijn dienst. De AI citeerde hem niet. Waarom? Omdat het één grote muur was.
Ik zie het wekelijks gebeuren: ondernemers die een prachtige, uitgebreide pagina hebben geschreven, maar die aanvoelt als een ondoordringbare wall of text. Ze denken dat “volledigheid” betekent dat alles in één lange stroom moet staan. Nou, dat is precies waar het misgaat.
Voor een menselijke bezoeker is zo’n lap tekst simpelweg vermoeiend. Je scant, je vindt niets, en je haakt af. Maar het echte probleem zit nu in de GEO-kant van de zaak.
AI-assistenten werken met een context window. Als je informatie niet slim opdeelt, moet de AI door een berg ruis spitten om dat ene juiste antwoord te vinden. Als die structuur ontbreekt, hapert de retrieval en word je simpelweg niet geciteerd in het antwoord van ChatGPT of Perplexity. Sowieso.
Het gaat dus niet alleen om “leesbaarheid”. Het gaat erom dat je informatie zo aanbiedt dat zowel een mens als een machine in één oogopslag ziet waar het over gaat. Oftewel: stop met het schrijven van essays en long-form content zonder structuur, en begin met het bouwen van informatieblokken.
Waarom we zo graag muren van tekst bouwen
Als ik naar de teksten van veel ondernemers kijk, zie ik een patroon. Er is een enorme drang om alles in één keer uit te leggen. Geen detail mag ontbreken, want anders is het niet “compleet”. Het resultaat is een pagina die leest als een handleiding voor een wasmachine uit 1984: alles staat erin, maar niemand heeft zin om het te lezen.
Bij de laatste drie sites die ik doorlichtte, zag ik hetzelfde: een 3.000-woorden pagina zonder één enkele H2. De AI kon er niets mee.
Waarom doen we dit? Omdat een lange lap tekst tastbaar voelt als autoriteit. We denken onbewust dat we intelligenter overkomen naarmate de alinea’s langer zijn. Het voelt veiliger om alles in een grote hoop te gooien dan om keuzes te maken in wat echt relevant is voor de lezer. Die psychologie werkt echter tegen je.
Een menselijk brein heeft een beperkt working memory. Wanneer je iemand confronteert met een wall of text, treedt er direct cognitive overload op. De bezoeker raakt overweldigd en stopt met lezen voordat ze überhaupt bij de kern van je boodschap zijn. In digital marketing, van SEO tot email marketing, noemen we dit vaak een conversieprobleem, maar eigenlijk is het gewoon een gebrek aan respect voor de tijd van je klant.
Hoe AI jouw content “hapjes” maakt
Nu komt de technische kant waar het echt spannend wordt voor je vindbaarheid. AI leest niet zoals jij. Het scant. Als je geen kopjes zet, moet het blindelings zoeken in een berg papier.
De AI knipt je tekst op in stukjes, oftewel chunks. Als jij je content niet zelf structureert, moet de AI dat maar doen. En geloof me: een algoritme heeft geen gevoel voor nuance of context.
Er zijn verschillende chunking strategies die bepalen hoe dit gebeurt:
- Fixed-size chunking: De AI hakt de tekst simpelweg na een bepaald aantal tekens of tokens af. Dat is als het doorsnijden van een zin midden in een woord; de betekenis gaat verloren.
- Semantic chunking: Hierbij kijkt het systeem naar de semantic meaning en zoekt het naar natural boundaries, zoals alinea-einden of witregels.
- Recursive Splitting: Een slimme methode die eerst op grote stukken splitst en daarna steeds fijner gaat, totdat de informatie precies in het token limit van het model past.
Als je content een chaos is, raakt de AI in de war. De semantic search vindt dan wel een stukje tekst dat lijkt op de user queries, maar omdat de context window beperkt is, mist het systeem de belangrijke koppeling met de rest van je verhaal. Je informatie is er wel, maar hij is onvindbaar voor de AI-agenten die het antwoord moeten formuleren.
De praktische aanpak voor betere chunks
Je hoeft geen data-engineer te zijn om dit op te lossen. Het gaat om het creëren van modular information. Je bouwt je pagina als een set bouwblokken in plaats van een monolithisch blok beton.
Begin met je content structure. Gebruik HTML headings (H tags) niet alleen voor de looks, maar om logische secties te definiëren. Een goede H2 of H3 fungeert als een anker voor zowel de lezer als de AI. Daaronder houd je de alinea’s kort en krachtig. Gebruik sentence boundaries bewust: één gedachte per zin, één onderwerp per alinea.
Kijk kritisch naar je product descriptions of instructional materials. In plaats van een lap tekst over alle functies, splits je het op in specifieke onderwerpen. Let hierbij op de principes van instructional design om de leercurve laag te houden. Gebruik visuele hierarchies: korte tekstregels, bullet points voor parallelle items en highlighted keywords die direct de aandacht trekken. Dit verlaagt de cognitive load voor je klant en maakt contextual retrieval voor een LLM een stuk eenvoudiger.
Voor wie echt diep wil gaan in document chunking, kun je denken aan hierarchical chunking. Daarbij maak je een hoofdstructuur met daaronder kleinere, specifieke details. Dit is ideaal voor complexe security solution pagina’s waar je zowel de grote belofte als de technische details van online attacks en SQL command preventie wilt uitleggen zonder dat de lezer afhaakt.
Meten of je AI-zichtbaarheid verbetert
Hoe weet je nu of dit werkt? Je kunt natuurlijk simpelweg ChatGPT of Perplexity vragen naar een specifiek detail van je dienst. Als de AI het antwoord niet kan vinden of begint te hallucineren, is je chunking waarschijnlijk ruk.
Voor een professionelere aanpak kijk ik naar de data. Kijk in je Search Console of je al vertoningen ziet vanuit AI Overviews. Als je niets ziet, is je chunking waarschijnlijk te grof.
Wil je echt weten welke prompts jouw merk triggeren en hoe je scoort ten opzichte van de concurrentie, dan heb ik andere tools nodig. Ik gebruik Visby om AI-zichtbaarheid per prompt te koppelen aan het werkelijke verkeer op de site. Met SnowSEO trek ik die data samen in één dashboard, waarbij ik precies kan zien welke geciteerde bronnen de AI gebruikt en waar de fan-out queries naartoe gaan.
Soms is een snelle check met Google Analytics (GA4) genoeg om te zien of er verwijzingen binnenkomen vanuit AI-assistenten, maar dat is vaak te algemeen. Als je wilt weten of je specifieke content chunks werken, moet je naar de bronnen kijken die de AI aanhaalt.
Je kunt dit automatiseren, maar voor de meeste ondernemers is handmatig structureren al genoeg. Het gaat om het weghalen van de ruis.
Kopieer een stuk tekst van je belangrijkste pagina en plak het in ChatGPT. Vraag: “Wat is de kernboodschap van deze tekst in drie korte bullets?”. Als de AI begint te dwalen of details mist die er wel staan, weet je dat aan de slag moet met je chunking.
Lukt het niet om die balans te vinden tussen volledigheid en leesbaarheid? Stuur je pagina maar op, dan kijk ik even met je mee.
Veelgestelde vragen
Wat is content chunking en hoe werkt het eigenlijk?
Content chunking is het opdelen van informatie in kleine, logische eenheden om de verwerking door mensen en AI te versnellen. Je knipt lange teksten op basis van betekenis in plaats van willekeurige lengtes. Hierdoor kunnen language models sneller de juiste informatie koppelen aan een specifieke zoekvraag zonder dat ze verdwalen in een enorme lap tekst.
Waarom is het opdelen van content belangrijk voor communicatie?
Het voorkomt dat je lezer direct afhaakt door een informatie-overload. Door gebruik te maken van short paragraphs en visuele rust, sluit je aan bij de moderne digital consumption habits. Mensen lezen niet meer, ze scannen. Als je informatie niet in hapklare brokken aanbiedt, wordt je boodschap simpelweg genegeerd, hoe waardevol de inhoud ook is.
Wat zijn de grootste voordelen van content chunking?
Je verhoogt zowel de leesbaarheid voor mensen als de vindbaarheid in AI-antwoorden. Voor een bezoeker betekent het minder moeite om de kern te begrijpen, wat leidt tot meer engagement. Voor AI-systemen betekent het dat de retrieval augmented generation nauwkeuriger werkt, omdat de chunks direct aansluiten op wat de gebruiker vraagt.
Hoe pas ik content chunking toe in mijn teksten?
Begin met het identificeren van de belangrijkste kernpunten en geef deze elk een eigen kop. Gebruik sentence splitting om lange, complexe zinnen op te breken in korte, krachtige uitspraken. Zorg dat elke sectie slechts één specifiek onderwerp behandelt. Zo bouw je een structuur op die zowel voor een mens als voor een AI-agent logisch is.
Hoe optimaliseer ik mijn content voor websites en e-learning?
Pas Content-Aware Chunking Approaches toe door informatie modulair op te bouwen. Gebruik in e-learning bijvoorbeeld korte video chunk duration en audio chunk duration om de cognitieve belasting laag te houden. Op websites werk je met een Layer Cake pattern: begin met een simpele samenvatting en laat mensen zelf dieper graven in de technische details.
Welke fouten moet ik vermijden bij het chunken van content?
De grootste fout is fixed-size chunking, waarbij je teksten mechanisch afkapt zonder te kijken naar de context. Ook het maken van té kleine fragmenten is riskant; dan verliest de AI namelijk de samenhang. Het doel is om natuurlijke grenzen te respecteren, zodat een word or phrase altijd in de juiste context blijft staan.
Zijn er tools die kunnen helpen bij effectieve content chunking?
Je kunt Gen AI tools gebruiken om je lange teksten te analyseren en voorstellen te doen voor logische splitsingen. Voor de technische implementatie in een vector index helpen tools die focussen op sentence boundary detection. Het gaat erom dat je de metadata size limitations van je database niet overschrijdt terwijl de betekenis behouden blijft.
Hoe verschilt chunking van een normale outline of mindmap?
Een outline is een plan voor de structuur, terwijl chunking de daadwerkelijke uitvoering is van hoe informatie wordt gepresenteerd en opgeslagen. Bij een mindmap breng je relaties in kaart, maar bij chunking optimaliseer je de informatie voor opname in het werkgeheugen of een vector database. Het is het verschil tussen een bouwtekening en de uiteindelijke bakstenen.
How does content chunking improve information retention and learning?
Door informatie op te delen in kleinere eenheden, voorkom je dat het working memory van de lezer overbelast raakt. Wanneer de cognitive load laag blijft, kan het brein informatie makkelijker verwerken en opslaan, wat de algehele retention sterk verbetert.


