AI en SEO — geautomatiseerde meta descriptions en content

AI en SEO — geautomatiseerde meta descriptions en content

Een gemiddelde webshop heeft 2.000 tot 50.000 categorie- en productpagina's. Handmatig meta descriptions schrijven voor die aantallen is geen optie. Toch laat 80% van die pagina's de meta description leeg — of erger: Google trekt er zelf een snippet uit die totaal niet converteert.

AI lost dit schaalprobeem op. Maar alleen als je het goed inregelt. Slordig ingezet levert AI je duplicate content, thin content-penalties en generieke teksten die niemand aanspreken. Dit artikel legt uit waar de grens ligt, hoe je kwaliteitsbewaking inricht en welke workflow in de praktijk werkt.

Waar AI wél werkt

Meta descriptions op schaal

Dit is de sterkste use case. Meta descriptions zijn kort (145-160 tekens), hebben een herhaalbaar format en leunen zwaar op productdata die je al hebt: naam, categorie, USP, CTA.

Een eenvoudig prompt-template doet het werk:

Schrijf een meta description van maximaal 155 tekens voor de volgende productpagina.
Verplicht: verwerk de productnaam, een functioneel voordeel en een CTA.
Vermijd superlatieven ("beste", "uniek").

Productnaam: {product_name}
Categorie: {category}
USP: {usp}

In de praktijk zien we een acceptatieratio van 70-80% bij goed gestructureerde prompts. De resterende 20-30% wijkt af — te generiek, verkeerde toon, of de data zit rommelig in je feed. Die vang je op met een review-stap.

Categorieteksten (SEO-introducteksten)

Categorieteksten op webshops zijn notoir slecht: drie regels kopieerwerk van de leverancier, of helemaal leeg. AI schrijft bruikbare 80-150 woord-introducteksten als je de structuur vastlegt:

• Wat verkoopt deze categorie?
• Voor wie?
• Wat onderscheidt jouw assortiment?

Wij zien bij klanten dat categorieteksten met gerichte zoektermen en een concrete alinea structuur meetbaar bijdragen aan rankings voor mid-tail queries. Geen grote aantallen, maar consistent: 10-20% meer impressies op categorieniveau na een half jaar.

Alt-teksten voor afbeeldingen

Een onderschatte kans. De meeste webshops hebben duizenden afbeeldingen zonder alt-tekst. AI genereert bruikbare alt-teksten vanuit bestandsnaam, productnaam en categorie. Niet perfect, maar structureel beter dan leeg. En voor image search een direct voordeel.

FAQ-content genereren vanuit reviews en tickets

Klantreviews en supporttickets zijn een goudmijn. AI clustert herhaalde vragen en schrijft FAQ-blokken. Dit zijn long-tail queries die je anders mist. Weinig handwerk, hoge relevantie. Wij zien bij klanten dat FAQ-secties op productpagina's regelmatig featured snippets trekken voor specifieke how-to-zoekopdrachten.

Waar AI níet werkt

Eerlijk zijn over de beperkingen bouwt meer vertrouwen dan een verkooppraatje.

Duplicate en thin content: de echte risico's

Dit is waar het mis gaat. Twee risico's om te managen:

Duplicate content door slechte prompts

Als je 5.000 productpagina's door hetzelfde prompt-template haalt zonder unieke variabelen, krijg je vijfduizend varianten van dezelfde zin. Google herkent dit. De impact op rankings is niet altijd dramatisch, maar je conversierate daalt — niemand klikt op een snippet die hij al drie keer heeft gezien.

Oplossing: zorg dat elke prompt minimaal drie unieke datapunten uit je productfeed verwerkt. Naam, attribuut, categorie. Bij varianten (kleur, maat) gebruik je een apart template dat de variant benoemt. Test dit vooraf met een sample van 50 producten — als je bij de output meer dan vijf identieke zinnen ziet, is je prompt te generiek.

Thin content

Een meta description van 40 tekens die alleen de productnaam herhaalt is thin content. Een categorietekst van 30 woorden zonder inhoud ook. AI lost dit niet vanzelf op — je prompt moet minimumlengte en inhoudseisen afdwingen.

Richtlijn: meta descriptions minimaal 120 tekens, categorieteksten minimaal 80 woorden. Laat je script outputs kleiner dan die drempel automatisch markeren voor review.

Canonicalization bij varianten

Shops met productvarianten (kleur, maat, configuratie) lopen extra risico. Als AI voor elke variant een bijna-identieke meta description genereert en elke variant een eigen URL heeft, krijg je een mix van thin content en near-duplicate issues. Los dit op met canonical tags die naar de hoofd-URL wijzen, of genereer alleen voor de canonical variant een unieke meta description.

Google-beleid: wat is officieel toegestaan?

Google heeft dit in 2023 duidelijk gemaakt: AI-gegenereerde content is niet verboden. De maatstaf is altijd kwaliteit en gebruikswaarde — niet de productiemethode.

Twee dingen zijn wél problematisch:

1. Automatisch gegenereerde content zonder toegevoegde waarde — dit valt onder scaled content abuse in de Helpful Content guidelines.
2. Cloaking — andere content aan Google tonen dan aan gebruikers. Niet doen, punt.

Zolang je AI inzet om content te maken die gebruikers helpt, en je een kwaliteitscheck inbouwt, zit je goed. Google beloont relevantie, niet authenticiteit van het schrijfproces.

Praktische workflow met review

Dit is de workflow die wij aanbevelen voor shops op Magento of Shopify, maar hij werkt ook voor Laravel-projecten met een eigen CMS.

Stap 1 — Datafeed opschonen

Rommel in, rommel uit. Zorg dat je productdata volledig is: naam, categorie, minimaal één USP per product. Ontbrekende velden = lege placeholders in je prompt = generieke output.

Stap 2 — Prompt-templates per content type

Schrijf losse templates voor meta descriptions, alt-teksten en categorieteksten. Geen all-in-one prompt — dat werkt slechter. Voeg expliciete instructies toe:

• Maximale lengte
• Verboden woorden (superlatieven, verboden frasen uit je brand guide)
• Verplichte elementen (productnaam, CTA)

Stap 3 — Batch-generatie via API

Gebruik de API van je AI-provider direct, niet een GUI. Reken op batch-verwerking: doorgaans 500-2.000 requests per run, afhankelijk van rate limits en modelkeuze. Een klein script in Python of PHP doet dit in een paar uur. Draai de eerste batch op een subset van 100 producten — valideer de output voordat je de volledige catalogus verwerkt. Dit bespaart je API-kosten en frustratie als je prompt nog niet klopt.

Voorbeeld PHP-structuur voor Laravel:

// app/Jobs/GenerateMetaDescriptionJob.php

class GenerateMetaDescriptionJob implements ShouldQueue
{
    public function __construct(public Product $product) {}

    public function handle(AiContentService $service): void
    {
        $meta = $service->generateMeta([
            'product_name' => $this->product->name,
            'category'     => $this->product->category->name,
            'usp'          => $this->product->usp ?? '',
        ]);

        if (strlen($meta) >= 120) {
            $this->product->update(['meta_description' => $meta]);
        } else {
            // Te kort: markeer voor handmatige review
            $this->product->update(['meta_needs_review' => true]);
        }
    }
}

Dit queued je jobs, handelt rate limits af en markeert automatisch outputs die onder de minimumlengte vallen.

Stap 4 — Geautomatiseerde kwaliteitscheck

Vóór publicatie automatisch controleren op:

• Lengte (< 120 of > 160 tekens = flag)
• Duplicate detection: vergelijk output met bestaande meta descriptions via een eenvoudige hash-vergelijking
• Verboden termen: regex-check op je verboden-woordenlijst
• Productnaam aanwezig: eenvoudige string-check of de naam van het product in de tekst voorkomt

Alles wat de check niet haalt, gaat in een review-queue. In de praktijk is dat 15-25% van de outputs bij goed ingerichte prompts. Hoog percentage? Verbeter eerst je prompt of je datafeed — meer manual review is geen structurele oplossing.

Stap 5 — Menselijke review op steekproef

100% review is niet haalbaar bij grote schaal. Werk met steekproeven: review 10-20% random, plus 100% van je top-100 pagina's op basis van traffic of marge.

Gebruik een eenvoudig review-interface: toon de gegenereerde tekst naast de productdata, twee knoppen (Accepteren / Aanpassen), klaar. In een spreadsheet of een Filament-admin-panel werkt dit prima.

Eén aandachtspunt: plan na de eerste publicatie een evaluatiemoment na 4-6 weken. Kijk in Google Search Console naar CTR-veranderingen op de gepubliceerde pagina's. Stijgt de CTR? Dan werkt je aanpak. Daalt hij? Dan zit er een patroon in je output die je niet wil.

Stap 6 — Itereren op basis van data

Dit is de stap die de meeste teams overslaan. AI-content genereren is geen eenmalige actie. Je datafeed verandert, je assortiment groeit, Google's SERP verandert. Plan een kwartaalcyclus: heranalyseer de top-500 pagina's, regenereer beschreven meta descriptions die ondermaats presteren en verfijn je prompt-templates op basis van wat je in GSC ziet.

Wat kost het?

Concrete prijzen van externe APIs veranderen regelmatig — noem geen harde bedragen. Maar de ordes van grootte zijn stabiel:

• Reken op een fractie van een eurocent per meta description bij de gangbare LLM-APIs.
• Voor 10.000 meta descriptions betaal je doorgaans minder dan een paar tientjes aan API-kosten.
• De echte investering zit in de setup: prompt-engineering, het bouwwerk voor batch-verwerking en de review-workflow. Schat 2-4 dagen development voor een solide implementatie.

ROI is snel positief als je meer dan ~500 pagina's hebt. Lager dan dat: overweeg of handmatig schrijven sneller is.

Veelgestelde vragen

Mag je AI-content gebruiken voor SEO zonder dat Google je straft?

Ja. Google beoordeelt content op kwaliteit en relevantie, niet op de productiemethode. AI-gegenereerde teksten die gebruikers helpen en voldoen aan de Helpful Content-richtlijnen worden niet afgestraft. Dunne, herhaalde of misleidende content wordt wél bestraft — ongeacht of een mens of AI hem schreef.

Hoe voorkom je dat alle meta descriptions op elkaar lijken?

Door unieke datapunten uit je feed te verplichten in het prompt-template. Minimaal naam, een specifiek attribuut en categorie. Bij generieke productdata is het resultaat altijd generiek — dat los je op in de feed, niet in de prompt.

Heeft AI invloed op je E-E-A-T-score?

Indirect. E-E-A-T beoordeelt ervaring, expertise, autoriteit en betrouwbaarheid — aspecten die sterk zitten in pillar pages, case studies en thought leadership. Meta descriptions en categorieteksten wegen hier nauwelijks in mee. Gebruik AI dus gerust voor die onderdelen, maar bouw je E-E-A-T op met content die jij zelf schrijft.

Werkt dit alleen voor grote shops, of ook voor kleinere sites?

Bij minder dan 200-300 pagina's is de ROI van een volledige automatiseringsworkflow beperkt. Dan is het sneller om meta descriptions handmatig te schrijven of een AI-tool als hulpmiddel te gebruiken zonder volledige automatisering. De workflow in dit artikel loont vooral vanaf ~500+ pagina's — denk aan grotere Magento- of Shopify-shops met uitgebreide catalogi.

Wil je dit concreet aanpakken voor jouw shop? Wij bouwen de workflow in, van datafeed tot review-interface. Neem contact op en we kijken samen wat haalbaar is.