Model-uitlegbaarheidsscore

Modeluitlegbaarheidsscore is een intern scoresysteem dat beoordeelt hoe duidelijk een AI-model zijn output kan onderbouwen. In GEO en SEO is dat belangrijk wanneer een model adviseert om entiteiten, citaten, de paginastructuur of promptinputs aan te passen en je meer nodig hebt dan alleen “het model zegt het”.

Dit is de harde waarheid: er bestaat geen standaardsysteem voor een Modeluitlegbaarheidsscore die door Google, OpenAI, Ahrefs, Semrush, Moz of Surfer SEO wordt gebruikt. Als je team die term hanteert, definieer dan de formule, de schaal en de beslissingsdrempel. Anders is het dashboardtheater.

Wat de score meestal meet

De meeste teams bouwen MES uit een paar onderdelen: zichtbaarheid van featurebelang, consistentie van uitleg en traceerbaarheid van aanbevelingen. Simpele versie. Kun je zien welke inputs de output aandreven, en blijven die uitlegstellingen stabiel bij vergelijkbare voorbeelden?

Een GEO-model kan bijvoorbeeld zeggen dat een pagina niet waarschijnlijk wordt geciteerd door AI-antwoordsystemen, omdat het ontbreekt aan entiteitsduidelijkheid, first-party bewijslast en bronvermelding. Een bruikbare MES laat de bijdrage van elk onderdeel zien, niet alleen een betrouwbaarheids-score.

• Zichtbaarheid van features: Kun je drivers inspecteren zoals entiteitsdekking, aantal citaten, interne links, actualiteit of passage-structuur?
• Consistentie: Krijgen vergelijkbare pagina’s vergelijkbare uitleg, of wisselt het model van logica tussen runs?
• Uitvoerbaarheid: Kan een SEO-specialist de uitleg binnen 10 minuten omzetten in een ticket in Jira?
• Controleerbaarheid (auditability): Kun je uitleg opslaan en vergelijken na een modelupdate?

Hoe SEO-teams het in de praktijk gebruiken

MES is het meest nuttig voor interne forecasting, aanbevelingsengines en content-score-systemen. Denk aan Python-notebooks, SHAP-waarden, LIME, Azure ML Interpretability, of DataRobot-output die in een Looker-dashboard wordt gevoed. Niet Google Search Console. Niet Screaming Frog. Die tools leveren inputs, geen uitlegbaarheidsscores.

Een praktische opzet is om crawl-data van Screaming Frog te combineren met query- en paginadata uit GSC, linkmetrics van Ahrefs of Semrush en contentfeatures van Surfer SEO of je eigen NLP-pipeline. Vervolgens score je hoe goed het model uitlegt waarom de ene URL waarschijnlijker scoort, een featured snippet verdient, of wordt geciteerd in AI-samenvattingen.

Goede teams stellen drempels vast. Voorbeeld: uitleg beschikbaar voor 95%+ van de aanbevelingen, variantie onder 10% over herhaalde runs en overeenstemming van menselijke reviewers boven 80%. Als je die cijfers niet haalt, doe dan niet alsof het model uitlegbaar is.

Waar het misgaat

Dit concept wordt snel wankel bij grote taalmodellen. Aandachtsgewichten zijn geen betrouwbare uitleg, en post-hocmethoden kunnen precies lijken terwijl ze fout zijn. Google’s John Mueller bevestigde in 2025 dat SEO-teams zich moeten richten op waarneembare siteskwaliteit en gebruikerswaarde, niet op verzonnen AI-metrieken zonder directe betekenis voor zoekrangschikking.

Een andere kanttekening: een hoge MES betekent niet dat het model accuraat is. Je kunt een prachtig uitgelegd slecht model hebben. Dat gebeurt vaak. Schone uitleg lost geen vertekenende trainingsdata, zwakke labels of ontbrekende variabelen zoals merkvraag op.

Gebruik MES als interne governance-metriek. Prima. Verkoop het alleen niet als een industriële KPI of rankingfactor. Dat is het niet.