Wat zijn embeddings?
Embeddings zijn numerieke weergaven van tekst: lange reeksen getallen (vectoren) die vastleggen wat een woord, zin of pagina betekent. Teksten met een vergelijkbare betekenis krijgen vergelijkbare getallen. Zo kan een computer meten hoe sterk twee stukken content met elkaar te maken hebben, ook als ze geen woorden delen.
Een embeddingmodel zet tekst om in een vector met honderden of duizenden dimensies. In die ruimte ligt "betaalbare hardloopschoenen" dicht bij "goedkope sportschoenen om mee te joggen" en ver van "een hardloopwedstrijd organiseren". Veel zoeksystemen slaan deze vectoren op in een vectordatabase en vergelijken ze met de vector van een vraag om de beste matches te vinden.
Embeddings vormen de basis van semantisch zoeken, aanbevelingen en de zoekstap van retrieval-augmented generation. Je ziet ze nooit in een AI-antwoord, maar ze helpen bepalen welke content het model te lezen krijgt.
Waarom embeddings belangrijk zijn voor AI-zichtbaarheid
Haalt een AI-assistent bronnen op, dan kijkt hij vaak naar de betekenis van de vraag en niet naar de exacte zoekwoorden. Een pagina kan dus worden opgehaald voor een prompt die er letterlijk niet in staat, en een pagina vol zoekwoorden kan worden overgeslagen omdat de betekenis vaag is. Relevantie draait om hoe goed een passage past bij de bedoeling achter een vraag.
Dat beloont content die een onderwerp helder en specifiek behandelt. Een passage die precies uitlegt voor wie je product is, wat het doet en hoe het zich verhoudt tot alternatieven, ligt dichter bij de vragen van kopers dan algemene marketingtekst. Diepgang over verwante subonderwerpen, vaak topical authority genoemd, geeft je meer passages die bij meer vragen passen.
Zo optimaliseer je content voor embeddings
Schrijf één helder idee per passage. Een gefocuste alinea levert een gefocuste embedding op die bij een specifieke vraag past.
Gebruik de woorden van je klanten. Beschrijf problemen en toepassingen zoals kopers ze in prompts formuleren, niet alleen in intern jargon.
Benoem dingen expliciet. Noem je merk, productcategorie en doelgroep in de passage zelf, zodat de betekenis ook los van de pagina duidelijk is.
Behandel de vragen rond je onderwerp. Prijzen, alternatieven, koppelingen en toepassingen verdienen elk een helder antwoord.
Zoek de gaten. Vergelijk de prompts waarin concurrenten verschijnen met de onderwerpen die jouw content behandelt.
Met prompt tracking van Trackbase zie je waar concurrenten wel genoemd worden en jij niet. Onze gids over een contentgap-analyse voor AI-zichtbaarheid laat zien hoe je dat omzet in een contentplan.
Voorbeelden van embeddings
Iemand vraagt om "een fiets die steile heuvels aankan met boodschappen achterop". De pagina van een Nederlandse fietsenwebshop over "elektrische bakfietsen met een sterke motor voor heuvelachtige routes" wordt opgehaald, ook al overlappen de woorden nauwelijks.
De pagina van een B2B-softwareleverancier voor salarisadministratie over "contractors in meerdere landen uitbetalen" past bij de prompt "internationale betalingen aan freelancers", omdat beide embeddings naar dezelfde betekenis wijzen.
Een marketingteam zet zijn blogarchief en gevolgde prompts om in embeddings, om vragen te vinden waar geen enkel artikel goed bij past.
Een klantenservicechatbot gebruikt embeddings om het juiste helpartikel te vinden als een klant schrijft "mijn bestelling is nooit aangekomen" in plaats van "zending kwijt".
Veelgestelde vragen
Wat is het verschil tussen embeddings en zoekwoorden?
Zoekwoorden matchen exacte woorden of varianten daarvan. Embeddings matchen betekenis, dus "goedkope vluchten naar Rome" en "voordelig vliegen naar de Italiaanse hoofdstad" worden als dezelfde vraag herkend. Veel zoeksystemen combineren beide. Voor je content blijven zoekwoorden nuttig, maar in AI-zoekopdrachten weegt een heldere uitleg van wat je aanbiedt en voor wie zwaarder.
Kan ik de embeddings zien die ChatGPT voor mijn website gebruikt?
Nee. AI-assistenten publiceren de embeddings die ze voor retrieval gebruiken niet, en elk systeem werkt met eigen modellen. Wel kun je met openbaar beschikbare embeddingmodellen testen hoe dicht je pagina's bij belangrijke prompts liggen. De praktische les blijft hetzelfde: heldere, specifieke passages die echte vragen beantwoorden, passen meestal het best bij die vragen.
Zijn embeddings hetzelfde als tokens?
Nee. Tokens zijn de stukjes waarin tekst wordt opgeknipt voordat een model hem verwerkt. Embeddings zijn numerieke weergaven van betekenis, gemaakt op basis van die tokens. Eén embedding kan een woord, een zin of een hele passage vertegenwoordigen. Tokens bepalen hoeveel tekst in een model past, embeddings bepalen hoe goed een passage bij een vraag past.