Information Gain: de SEO-score die twee derde van mijn artikelideeën afkeurde

Zoek op een willekeurig zakelijk onderwerp en je krijgt tien artikelen die elkaar navertellen. Andere titel, ander logo, zelfde inhoud. Elke week duik ik diep in een AI-onderwerp en stresstest ik het in de praktijk. Twee maanden geleden schreef ik over Information Gain, het idee dat de meeste AI-content faalt omdat die simpelweg herschrijft wat al rankt. De score is doodsimpel te definiëren, maar meedogenloos om in de praktijk af te dwingen:

Information Gain = de nieuwe, relevante, besluitvormende waarde die jouw content toevoegt ten opzichte van wat er al rankt.

Als een concurrent jouw artikel zou kunnen vervangen zonder dat iemand het merkt, is je Information Gain nul.

De afgelopen twee maanden heb ik die ene zin omgezet in een content-engine. Ik noem de pipeline intern Flavor Press, omdat de meeste AI-geschreven content hetzelfde recept is, alleen met andere verpakking.

AI Overviews, ChatGPT Search en Perplexity vatten bovendien steeds vaker samen wat er op websites staat, zonder dat iemand doorklikt. Wat in die AI-antwoorden geciteerd wordt, zijn juist unieke claims: cijfers, scenario's en interpretaties die nergens anders staan. Mijn inschatting is dat Information Gain daarmee niet alleen een SEO-score is, maar ook de voorwaarde wordt om überhaupt genoemd te worden in AI-antwoorden.

Wat "publiceerbaar" voor mij vroeger betekende

Voor dit experiment zag mijn workflow voor SEO-content eruit als elke andere workflow voor AI-gegenereerde content op het internet: kies een keyword, roep de API aan, even redigeren, publiceren. Het leverde volume op. Het leverde ook artikelen op die niet te onderscheiden waren van de volgende twaalf artikelen over hetzelfde onderwerp.

De taak van Google is om er één van op #1 te zetten en de rest te begraven. Er is geen regel die zegt dat het artikel dat ik publiceerde de winnaar was. De meeste weken was dat ook niet zo.

Voordat er iets anders gebeurde, moest het systeem eerst een nieuwe vraag beantwoorden: wat zegt dit artikel dat de top 10 resultaten voor deze query nog niet zeggen?

Als het eerlijke antwoord "niets" is, schrijven we het niet. We beginnen er zelfs niet aan.

Hoe de score daadwerkelijk berekend wordt

Dit is het meest technische deel van het stuk. De pipeline doorloopt vijf fases voordat er ook maar één zin gegenereerd wordt:

1. SERP harvest. Haal de top 20 rankende resultaten op voor de doelquery (de zoekresultatenpagina van Google heet in het vak de SERP). Verwijder advertenties, gesponsorde content en overduidelijk dunne pagina's.
2. Claim extraction. Voer elk resultaat door een claim-extractor die korte, atomaire uitspraken produceert met een werkwoord en een object ("Btw op diensten steeg naar 21% in januari 2026"). Ik krijg ongeveer 80-120 claims per onderwerp verspreid over de SERP.
3. Deduplicatie. Cluster claims met embeddings (tekst als getallenreeksen, zodat je op betekenis kunt vergelijken) plus een string-distance check. De eerlijkheid van het hele systeem zit in deze dedup-stap. Twaalf artikelen die allemaal zeggen "tarieven zijn gestegen" zijn geen twaalf feiten. Het is één feit, herhaald.
4. Coverage map. Elke unieke claim wordt getagd met hoeveel SERP-resultaten hem noemen, hoe recent de bron is, en of de framing consistent is. De output is een heatmap van wat er al gezegd is en wat niet.
5. Gap scoring. Het systeem stelt artikelhoeken voor en scoort elke hoek tegen de coverage map. Een hoek scoort hoog wanneer die meerdere onderbelichte claims, recente claims, of claims met tegenstrijdige interpretaties dekt. Hij scoort laag wanneer het een herverpakking is van claims die al uitgebreid gedekt zijn.

Alleen als minstens één hoek de gain-drempel haalt, gaat het systeem verder met het schrijven van het artikel.

Wat het systeem schrijft (en wat het weigert te schrijven)

Zodra een hoek de poort passeert, wordt de generatiestap gedwongen om specifieke dingen toe te voegen, niet "meer woorden":

• Bijgewerkte cijfers. Geen enkele claim wordt gepubliceerd tenzij de brondatum binnen het freshness-venster voor dat onderwerp valt (60 dagen voor belasting en regelgeving, 12 maanden voor evergreen content).
• Nieuwe interpretaties. Het model moet identificeren welke claims in de SERP tegenstrijdige framings hebben en kiest een kant, met onderbouwing.
• Ontbrekende scenario's. Edge cases die niemand anders behandelt, krijgen een prominente plek vooraan in het artikel.
• Duidelijke frameworks. Waar de SERP "10 dingen om te overwegen" laat zien, probeert het systeem die samen te vatten in een beslisboom of matrix.
• Context van dit jaar. Dit was het lastigste onderdeel. De meeste LLM's vervallen standaard in een knowledge-cutoff-toon, de toon van een model dat niet weet welke maand het is. Om het model te dwingen te schrijven vanuit de actualiteit van deze maand, was een aparte pass nodig die elke algemene bewering verankert in een gedateerde bron.

Na generatie doorloopt het artikel nog drie passes die niets met schrijven te maken hebben:

• Feitelijke verificatie. Elke numerieke claim en genoemde entiteit in het concept wordt gecontroleerd tegen de bron waaruit die geëxtraheerd is. Als het artikel een getal verzint dat niet in de bronpool zit, vangen we dat af voor publicatie.
• Validatie van interne links. Het systeem embedt het nieuwe artikel en vindt de top 5 meest semantisch verwante artikelen die al op de site staan. Die worden de interne links. Kapotte of verouderde links worden verwijderd.
• Visuele verrijking. Waar het artikel een getal citeert, wordt een kleine grafiek of tabel gegenereerd op basis van de daadwerkelijke data. Geen stockfoto-vulling.

Elk gepubliceerd artikel en elke afgewezen hoek gaat naar een embedding store. De volgende keer dat het systeem een gerelateerd onderwerp overweegt, kan het zien wat we al gepubliceerd hebben, wat we al afgewezen hebben, en waarom.

Dat laatste detail is belangrijker gebleken dan ik verwachtte. Ongeveer 30% van de nieuwe artikelideeën die het systeem genereert, botst met iets dat al in de store staat. De helft daarvan wordt al in de ideefase afgeschoten. De andere helft wordt als update samengevoegd met een bestaand artikel, in plaats van dat er een nieuw stuk start.

Waar het misging en wat ik moest oplossen

Drie faalmodi verdienden een eigen sectie in het runbook:

Echokamer-fout. In het begin haalde de SERP harvest alleen de top 10 van Google op. De top 10 voor veel B2B-onderwerpen bestaat zelf uit AI-gegenereerde artikelen die elkaar citeren. De "feiten" kwamen allemaal overeen omdat het allemaal dezelfde hallucinatie was. Ik meng nu primaire bronnen (wetgevingsportalen, belastingdiensten, officiële statistieken) in de claim-extractie. Ongeveer 25% van de bronpool is nu niet-SERP.

Verouderde herschrijvingen. Toen belastingregels in januari 2026 veranderden, was elk artikel dat ik in de voorgaande 30 dagen had gepubliceerd plotseling gedeeltelijk fout. Het systeem abonneert zich nu op een kleine set gezaghebbende change-feeds, berichtenstromen die wijzigingen in wet- en regelgeving melden. Zodra een feed een wijziging meldt, triggert dat herevaluatie van elk artikel dat aan dat beleidsterrein is getagd. Ongeveer 40% wordt automatisch herschreven. De rest wordt gemarkeerd voor menselijke review.

Information Gain-inflatie. De gap-score bevoordeelde aanvankelijk "novel" hoeken, wat goed klonk totdat ik doorhad dat novel geïnterpreteerd werd als "vreemd". De poort vereist nu dat gain zowel novel als onderbouwd is met minstens drie onafhankelijke bronnen. Die ene verandering verminderde de publicaties met 30% en verbeterde de doorklikratio (CTR) genoeg om de moeite waard te zijn.

De cijfers na acht weken

Twee maanden lang de pipeline draaien op drie kerncontentclusters leverde dit op:

• 812 artikelideeën gegenereerd. 543 afgewezen bij de poort (66,9%). 269 geschreven.
• Mediane Information Gain op geaccepteerde artikelen: 7,2 / 10. Alles onder de 6 is een harde afwijzing.
• 47 auto-herschrijvingen getriggerd door bronwijzigingen.
• Gemiddelde tijd van concept tot publicatie: 18 minuten inclusief verificatie.
• Kosten per gepubliceerd artikel: ~€0,42 aan API- en retrieval-kosten.

De publicatiefrequentie ligt momenteel op 4-5 artikelen per dag per cluster. De volgende fase die ik test, is opschalen naar 30 long-form artikelen per dag over meerdere clusters, met dezelfde poort. Als gain negatief is, wordt er niets gepubliceerd. De poort is het hele product.

Voor wie dit nu interessant is, en voor wie nog niet

Moet je dit willen? Niet per se.

Interessant is deze aanpak vooral voor organisaties die leven van content op schaal: uitgevers, vergelijkingssites, grote webshops en bureaus die meerdere contentclusters beheren. En in het bijzonder voor domeinen waar de feiten regelmatig veranderen, zoals belasting, wetgeving en verzekeringen. Daar betaalt de automatische herevaluatie zich het snelst terug.

Nog niet interessant: het bedrijf met tien vaste pagina's en een blog die een paar keer per jaar wordt bijgewerkt. Een pipeline bouwen is dan overkill. Wat wel voor iedereen werkt, is de vraag achter de poort. Beantwoord bij je volgende contentbriefing eerst schriftelijk: wat gaat dit artikel zeggen dat de huidige top 10 nog niet zegt? Kun je die vraag niet beantwoorden, schrijf het dan niet. Dat kost tien minuten, nul engineering, en filtert dezelfde inwisselbare content weg die mijn systeem afvangt.

Wat ik iedereen zou vertellen die dit nabouwt

Drie dingen, alle drie onspectaculair:

1. Information Gain is een poort, geen richtlijn. Als je het model zichzelf laat beoordelen en laat "beslissen of het goed genoeg is", zegt het elke keer ja. Bereken de score tegen een extern corpus en laat een expliciete drempel bepalen wat wordt afgewezen.
2. Dedup is waar de eerlijkheid begint. Een SERP vol artikelen die allemaal hetzelfde zeggen is geen tien datapunten. Het is er één. Score tegen unieke claims, niet tegen artikelaantal.
3. Het waardevolle onderdeel van het systeem is niet de schrijver, maar de afwijzer. Het meeste engineeringwerk zat in het beslissen om dingen niet te schrijven. Juist dat voorkwam dat de output slop werd.

De oude belofte van AI-content was meer. De nieuwe belofte is alleen als er iets te zeggen valt. Dat maakt het lastiger om te bouwen, maar veel makkelijker te verdedigen.