Dit Whiteboard legt uit hoe je je website optimaliseert voor Agentic AI

Dit Whiteboard legt uit hoe je je website optimaliseert voor Agentic AI

In de nieuwste aflevering van Whiteboard Friday legt Miracle Inameti-Archibong uit hoe je je website kunt optimaliseren voor agentic commerce met behulp van Markdown, productfeeds, structured data en MCP.

Ik ben Miracle Inameti-Archibong. Om te beginnen leg ik een aantal belangrijke concepten uit, omdat ik graag op een logische manier naar zaken kijk. Ik geloof dat inzicht in de onderliggende logica en in de manier waarop de verschillende systemen met elkaar samenhangen, ons helpt om weloverwogen plannen te maken voor het optimaliseren van websites.

AI-agents versus Agentic AI

Het eerste onderwerp dat ik wil bespreken zijn AI-agents.

AI-agents zijn in essentie werknemers. Het zijn agents die je autonoom op pad stuurt en die stap voor stap acties uitvoeren met behulp van een LLM-database. We noemen ze werknemers omdat ze kunnen vastlopen en daardoor veel menselijke input nodig hebben.

Het tweede concept is Agentic AI. Agentic AI heeft minder menselijke input nodig. Het zijn autonomere agents die gebruikmaken van redeneervermogen uit LLM-modellen en van toolconnectiviteit. Ik denk dat toolconnectiviteit iets is om te onthouden, omdat we dit gedurende deze presentatie vaker zullen noemen. Ze gebruiken toolconnectiviteit om een taak uit te voeren.

Je kunt ze daarom vergelijken met een manager. Je geeft ze een doel. Vervolgens gaan ze zelf op zoek naar manieren en ontwikkelen ze strategieën om dat doel te bereiken.

Onthoud dit even, want hier komen we op terug wanneer we bespreken hoe LLMs hallucineren.

Hoe LLMs data verwerken en hallucineren

Het volgende dat we moeten begrijpen, is hoe deze modellen, databases en structuren taal verwerken.

Het is fascinerend om informatie in al deze LLMs te stoppen en vervolgens een perfect antwoord terug te krijgen.

We hebben verhalen gehoord over mensen die AI gebruiken als vriend of als therapeut, juist vanwege de ogenschijnlijke magie waarmee AI taal analyseert en het gevoel geeft dat het ons begrijpt. In werkelijkheid begrijpen deze modellen taal echter niet op dezelfde manier als mensen.

Ze moeten een proces toepassen dat chunking wordt genoemd. Wanneer we een grote hoeveelheid data aanleveren, wordt deze opgesplitst in kleinere delen. Vervolgens wordt de informatie getokeniseerd en gevectoriseerd door deze om te zetten in getallen. Daarna maakt het model een zo goed mogelijke voorspelling over wat die getallen betekenen.

Dit gebeurt allemaal binnen een relatief klein context window. Dat betekent dat het opdelen, verwerken en interpreteren van al deze data snel, efficiënt en goedkoop moet gebeuren.

En dat brengt ons bij data.

Data staat centraal in al deze systemen en in de manier waarop ze functioneren. Om onze websites voor deze technologie te optimaliseren, moeten we daarom begrijpen hoe we data efficiënt kunnen aanbieden, hoe we modellen kunnen helpen data te begrijpen en hoe we ze kunnen helpen data te verifiëren.

We hebben eerder besproken dat LLMs voorspellende modellen gebruiken om data en taal te interpreteren. Dit is ook de reden waarom ze hallucineren, en dit geldt in het bijzonder voor Agentic AI.

Agentic AI werkt als een manager die een doel wil bereiken. Het systeem probeert daarom de best mogelijke manier te vinden om dat doel te realiseren. Wanneer de juiste data ontbreekt, kan het tijdens dat proces voorspellingen doen die niet op feiten zijn gebaseerd.

Data efficiënt aanbieden

Hoe optimaliseer ik mijn website voor Agentic AI, zodat de technologie mijn data goed kan verwerken, begrijpen en aanbieden?

Het eerste waar je aan moet denken is: geen JavaScript.

Ik denk niet dat ik dit uitgebreid hoef toe te lichten. We herhalen dit al lange tijd. Helaas moeten we dat nog steeds doen, omdat deze systemen JavaScript niet uitvoeren.

Het volgende punt is Markdown.

Ik gebruik graag een analogie om het verschil tussen HTML en Markdown uit te leggen. HTML is de technologie die we traditioneel gebruiken en is bedoeld voor webbrowsers.

Een agent HTML aanbieden is bijvoorbeeld alsof ik bij jou thuis kom en zeg: “Hé, mag ik spaghetti?”

Jij zegt: “Ja, ga maar naar de keuken.”

Ik loop naar de keuken en denk vervolgens: “Waar liggen de messen? Waar zijn de tomaten? Wat moet ik hier precies doen?”

Bij Markdown is het alsof je zegt: “Hier is alles. Dit is waar alles ligt, dit is het recept en zo maak je de beste spaghetti.”

Markdown is een zeer efficiënte manier om AI van data te voorzien, omdat het minder tokens gebruikt. Alleen de data die nodig is, wordt doorgegeven. Dat helpt het systeem om binnen het beschikbare context window zoveel mogelijk taken uit te voeren.

Het volgende onderwerp dat ik wil bespreken – en dit is vooral belangrijk voor retailwebsites – is het optimaliseren en opnieuw inzetten van de data die je al hebt.

Weet je nog wat feeds zijn? Ze zijn weer helemaal terug.

Denk aan Google Merchant, dat je misschien al een tijdje niet meer hebt geoptimaliseerd. Ook dat is weer relevant. Waarom?

Omdat dit allemaal concepten zijn die opnieuw belangrijk worden doordat ze efficiënte manieren bieden om data aan agents aan te leveren. Bovendien zijn ze al beschikbaar. Je hebt deze hulpmiddelen waarschijnlijk al in je gereedschapskist.

Haal ze tevoorschijn, werk ze bij en zorg ervoor dat ze bruikbaar zijn.

En tot slot: structured data.

Dit is eenvoudig. We hebben besproken dat deze systemen taal niet op dezelfde manier begrijpen als mensen. Structured data begrijpen ze daarentegen wel. Dus waarom zou je het niet gebruiken?

Agents helpen data te vinden en ermee te verbinden

We hebben onze data nu op een efficiënte manier beschikbaar gemaakt. Wat moeten we vervolgens doen?

We moeten agents helpen die data te vinden.

Ik weet dat hierover veel discussie bestaat en dat verschillende experts verschillende zaken belangrijk vinden. Daarom ben ik begonnen met het uitleggen van de belangrijkste concepten, zodat we op een logische manier kunnen bepalen waar we naartoe willen.

Ik vergelijk dit graag met mobile first.

Weet je nog toen mobiel internet voor het eerst opkwam? Er waren allerlei dingen die we moesten doen. Bedrijven moesten mobiele versies van hun websites bouwen.

En weet je nog wat AMP was? Waarschijnlijk bijna niemand meer. In die periode moesten we onze websites specifiek optimaliseren voor zoekmachines.

Uiteindelijk werden zoekmachines slimmer. Ze konden zichzelf beter aanpassen om toegang te krijgen tot onze content en deze goed te verwerken. Het web werd daardoor één geïntegreerd geheel en veel van die afzonderlijke oplossingen konden weer verdwijnen.

Op dit moment bevinden we ons met deze technologie in een vergelijkbare fase.

Het is een opkomende technologie. Daardoor ontstaan er nieuwe structuren en nieuwe talen. Al deze ontwikkelingen zijn erop gericht om voorop te lopen en je website toegankelijk te maken voor deze nieuwe technologie.

Wat je kunt doen, is bijvoorbeeld gebruikmaken van agent-permissions.json en llms.txt.

Dit zijn in essentie structuren die LLMs of agents vertellen waar ze op je website moeten zijn, hoe ze je data moeten verwerken en hoe ze de benodigde informatie efficiënt kunnen vinden.

Dat is eigenlijk alles wat ze doen.

Je kunt ook je robots.txt-bestanden bijwerken. Ik weet zeker dat er voordat deze presentatie voorbij is weer nieuwe technologieën en standaarden zullen ontstaan die agents helpen om je data beter te begrijpen.

Vertrouwen en verificatie opbouwen

Het volgende onderwerp is MCP.

MCP is in essentie een adapter. Het zorgt voor de verbinding tussen je website en verschillende tools.

We hebben besproken dat AI-agents tools nodig hebben om een doel te bereiken. MCP zegt in feite: “Mijn website is bijvoorbeeld in het Duits en er komen verschillende agents langs. Ik hoef mijn website niet voor al die agents naar allerlei talen te vertalen. Dit is één universeel protocol. Maak hiermee verbinding en ik interpreteer de data voor je.”

Dat is wat MCP doet.

Wat hier interessant aan is, is dat dit een soort nieuwe vorm van log file analysis kan worden. Je kunt namelijk rechtstreeks zien waar AI-agents naar zoeken op je website, welke parameters ze aanroepen en welke fouten zich op je website voordoen.

Ik weet dat dit traditioneel waarschijnlijk niet onder het SEO-team valt. Maar bespreek dit met je engineers en met de information architects die verantwoordelijk zijn voor je website. Zij zijn hier waarschijnlijk al mee bezig of bouwen deze functionaliteit momenteel uit.

En dan komen we ten slotte bij vertrouwen.

We weten dat al deze systemen worden aangedreven door grote taalmodellen en dat deze modellen de informatie die ze verstrekken moeten kunnen verifiëren.

Wat doen ze wanneer ze data moeten verifiëren?

Ze gaan naar de Knowledge Graph, raadplegen betrouwbare websites en proberen de informatie daar te controleren.

Daarom is het laatste wat je moet doen ervoor zorgen dat je website als een betrouwbare bron wordt beschouwd.

Zorg ervoor dat je aanwezig bent in de Knowledge Graph, dat andere websites naar je verwijzen en dat anderen jouw informatie citeren. Zorg er ook voor dat deze externe bronnen signalen afgeven dat jouw website betrouwbaar en gezaghebbend is, zodat je informatie in de relevante databases kan worden opgenomen.

Ik hoop dat dit nuttig was.

*Dit artikel is vertaald naar het Nederlands