Vector Salience-score

Vector Salience Score is de semantische overeenkomst tussen een query-embedding en een document-embedding, meestal gemeten met cosine similarity binnen een vectorindex. In GEO-werk is dit van belang omdat ophalen (retrieval) vaak plaatsvindt vóór de generatie. Als je pagina niet wordt opgehaald, kan er niet naar worden geciteerd.

De nuttige plaatsbepaling: dit is geen Google-rankingfactor. Het is een retrieval-relevantie-signaal binnen embedding-gebaseerde systemen. Dat omvat RAG-pipelines, sommige AI-antwoordlagen en interne zoekproducten. Andere stack, andere regels.

Wat de score je echt vertelt

Een hogere score betekent dat je pagina semantisch meer aansluit op een set prompts of vragen. Teams berekenen het meestal door doelprompts en paginacontent te embedden en vervolgens de vectors te vergelijken in Pinecone, Weaviate, pgvector of vergelijkbare infrastructuur.

Dat maakt het bruikbaar. Je kunt pagina’s benchmarken, concurrenten vergelijken en zwakke dekking opsporen die keywordtools missen. Ahrefs en Semrush helpen nog steeds bij vraagdetectie. Ze berekenen alleen geen embedding-similariteit voor je.

Hoe SEO-teams het gebruiken

Het logische werkproces is eenvoudig. Bouw een set prompts op uit Google Search Console-query’s, People Also Ask, supporttickets, Reddit-threads en on-site zoeken. Embed die prompts. Embed je pagina’s. Track vervolgens welke URL’s het hoogst scoren voor high-intent prompts.

• Gebruik Screaming Frog om paginatitels, koppen (headings) en body copy te exporteren voor de embedding-voorbereiding.
• Gebruik GSC om echte zoekwoord-/querytaal op te halen in plaats van verzonnen promptvarianten.
• Gebruik Ahrefs of Semrush om entiteitendekking uit te breiden rondom aangrenzende onderwerpen en modifiers.
• Gebruik Surfer SEO of handmatige contentbriefs om ontbrekende subtopic-dekking bij te werken, en test daarna opnieuw.

In de praktijk kijken teams vaak naar relatieve verschuiving, niet naar vaste absolute drempels. Een sprong van 0.62 naar 0.74 ten opzichte van een commerciële promptset is waardevol. Verklaren dat 0.80 het doel is voor alle modellen is onzin.

Wat vector salience verbetert

Duidelijke entiteitendekking. Strakke introducties. Consistente terminologie. Sterke relevantie op passage-niveau. Interne links helpen een beetje als ze de topicscontext versterken, maar ze lossen zwakke bron-copy niet magisch op.

Ook chunking doet ertoe. Een pagina kan grofweg relevant zijn, maar toch aan retrieval verliezen omdat de nuttige passage 1.500 woorden verderop zit in een slechte chunking-setup. Dit is waar veel GEO-strategieën breken: men legt de schuld bij de contentkwaliteit wanneer de retrieval-pipeline het echte probleem is.

Beperkingen en aandachtspunten

Dit is het eerlijke deel: Vector Salience Score is niet gestandaardiseerd. OpenAI, Anthropic, Google, Perplexity en custom enterprise RAG-systemen publiceren geen gedeelde metriek. Je score hangt af van het embeddingmodel, chunkgrootte, normalisatiemethode en de promptset. Verander één van deze factoren en het getal verschuift.

John Mueller van Google bevestigde in 2025 dat SEO-teams voorzichtig moeten zijn met het verzinnen van precieze AI-visibility-metrieken die niet worden blootgelegd door Google-systemen. Hij heeft gelijk. Gebruik dit als interne diagnose, niet als universele KPI.

Behandel vector salience daarom zoals crawl depth of DR. Handig. Richtinggevend. Makkelijk te misbruiken als mensen doen alsof het waarheid is.