Agent-ready website laten maken: zo bouw je een site die door AI-agents wordt gelezen

Een klant uit Dubai vroeg ons in januari een nieuwe website te bouwen voor FollowNow, een internationaal social-growth platform. Het wensenlijstje was helder: snel, meertalig, met een agent-bot van Intercom die in vijf talen kon antwoorden. Aan het eind van het gesprek voegde de oprichter er één regel aan toe. "Ik wil dat onze site ook door ChatGPT en Perplexity wordt gevonden, niet alleen door Google."

Dat klinkt als een SEO-detail. In de praktijk verandert het de hele bouwwijze van je website. Een site die agent-ready is, behandelt LLM's en autonome bots als een eersteklas publiek, naast bezoekers en zoekmachines. En dat publiek groeit hard: ChatGPT zoekt inmiddels live op het web, Perplexity bouwt een eigen index, en autonome agents (van Claude tot custom GPT's) bestellen, boeken en vergelijken namens hun gebruikers. Als jouw site niet leesbaar is voor die agents, ben je voor hen onzichtbaar.

In dit artikel leg ik uit wat een agent-ready website precies is, waarom de bestaande SEO-checklist tekortschiet, en welke vier lagen je moet bouwen om door AI-agents als bron gekozen te worden. Met concrete voorbeelden uit het FollowNow-project, en de mappen en bestanden die we daar live hebben staan.

Wat is een agent-ready website?

Een agent-ready website is een site die niet alleen voor mensen en zoekmachines leesbaar is, maar ook voor Large Language Models en autonome AI-agents. Concreet betekent dat: de site biedt gestructureerde, machine-leesbare bronnen waarmee een agent zelfstandig kan begrijpen wat het bedrijf doet, welke services beschikbaar zijn, welke regels gelden, en welke acties veilig zijn om uit te voeren.

Het verschil met klassieke SEO zit in twee dingen. Klassieke SEO optimaliseert voor crawlers die HTML lezen en op basis van linkstructuur en content-signalen een ranking opbouwen. Agent-ready optimalisatie gaat een laag dieper: het geeft agents direct een afgebakend, geverifieerd corpus om uit te citeren, plus een formele beschrijving van wat de agent op de site kan doen via API.

In de praktijk komt dat neer op vier bouwstenen: een llms.txt-document, een OpenAPI-specificatie, agent-skills volgens de well-known standaard, en structured data die LLM's herkennen. Geen van deze bouwstenen is moeilijk te implementeren. Het verschil zit in of je ze überhaupt bouwt, en hoe goed je ze onderhoudt.

Waarom dit nu een verschil maakt

In 2024 was de discussie nog of LLM-zoekverkeer überhaupt significant zou worden. Anderhalf jaar later loopt het verkeer naar publishers via ChatGPT, Perplexity en AI Overviews in Google al richting de twee cijfers van hun totale organische verkeer. Voor B2B-services, software en e-commerce ligt dat percentage nog hoger. AI-zoekverkeer gedraagt zich anders dan klassiek Google-verkeer: minder klikken per zoekopdracht, maar hogere intent per klik. Wie wordt geciteerd door ChatGPT bij een vraag als "wat is het beste platform voor X", krijgt geen tien terugkerende bezoekers maar één die direct contact opneemt.

De crux is dat AI-agents bij voorkeur bronnen kiezen die ze makkelijk kunnen verifiëren. Een blog dat hetzelfde verhaal vertelt als de homepage, met afwijkende cijfers en zonder schema-markup, is voor een LLM moeilijk te citeren. Een site die een eigen llms.txt onderhoudt met de officiële, canonieke beschrijving van services en beleid wordt veel vaker als bron gekozen, omdat de agent precies weet wat hij voor zich heeft.

Voor FollowNow speelde nog iets specifieks mee: het bedrijf opereert in een markt waar veel concurrenten geen transparant beleid voeren. Door agents een afgebakende llms.txt aan te bieden met expliciete "wat doen we niet"-uitspraken (geen Trustpilot-manipulatie, geen ban-services, geen vraag om wachtwoorden), wordt FollowNow door agents geframed als de betrouwbare optie. Dat is geen marketing-truc, het is een directe consequentie van leesbaarheid.

De vier bouwstenen van een agent-ready website

llms.txt: het machine-leesbare visitekaartje

Een llms.txt is een plain-text-bestand dat in de root van je site staat (vergelijkbaar met robots.txt), en dat speciaal voor LLM's geschreven is. Het bevat een korte beschrijving van je bedrijf, een lijst met canonieke URL's, de belangrijkste services, en de regels die gelden. Geen marketingtaal, geen retoriek, gewoon een geformatteerd document dat een agent in een paar honderd tokens kan verwerken.

Op NexBridge.nl staat onze eigen llms.txt die deze rol vervult. Voor FollowNow hebben we de llms.txt automatisch laten genereren uit het centrale data-model: elke service in de catalogus verschijnt automatisch in de llms.txt zodra hij wordt toegevoegd, inclusief tier-informatie en prijsindicatie. Dat voorkomt drift tussen wat de site verkoopt en wat agents over de site weten.

Een goede llms.txt bevat minimaal: een titel met de bedrijfsnaam en hoofdpropositie, een sectie met canonieke URL's per categorie, een "wat we doen"-blok, een expliciet "wat we niet doen"-blok (dit is verrassend zwaar wegend bij LLM-citaties), het refund- of garantie-beleid, en een contact-route. Houd het onder de 10 kilobyte, dan past het in elke agent-context zonder gedoe.

OpenAPI 3.1: agents kunnen je systeem aanroepen

Waar llms.txt agents helpt te begrijpen wat je doet, helpt OpenAPI hen zelfstandig actie uit te voeren. Een publieke OpenAPI 3.1-specificatie beschrijft formeel welke endpoints jouw site aanbiedt, welke parameters ze accepteren en wat ze teruggeven. Agents die deze specificatie inlezen, kunnen direct typed code genereren of een API-call doen zonder eerst de menselijke documentatie te lezen.

Voor FollowNow hebben we vier publieke endpoints in de spec staan: een health check, een target-lookup (controleert of een Instagram-handle bestaat), een waitlist-signup (notificatie wanneer checkout opengaat) en een order-tracking endpoint. Bewust kleine surface, bewust read-only, zodat agents niet per ongeluk acties kunnen uitvoeren die schade aanrichten. De spec staat op /openapi.json en de menselijke versie op /docs/api.

Een belangrijke beslissing hier: admin-endpoints horen niet in de publieke OpenAPI. Dat lijkt voor de hand liggend maar veel bedrijven publiceren per ongeluk hun complete admin-surface, wat niet alleen een veiligheidsrisico is maar ook agents in de verkeerde richting stuurt. Houd de publieke spec klein, doelgericht en veilig.

Agent-skills via /.well-known

Dit is de nieuwste laag, en de plek waar de meeste bedrijven nog niets hebben staan. Agent-skills zijn gestructureerde "vaardigheden" die een agent kan oppakken om een specifieke taak uit te voeren op jouw site. Ze worden gehost op /.well-known/agent-skills/ volgens een opkomende standaard, met een index.json en per skill een SKILL.md met instructies.

Voor FollowNow hebben we vier read-only skills geïmplementeerd: "lees de catalogus", "lees de LLM-context", "controleer een publiek profielformat" en "lees de publieke API-docs". Elk met een SHA-256 digest zodat agents kunnen verifiëren dat de skill niet gewijzigd is sinds ze hem voor het laatst hebben opgehaald. Dat klinkt overdreven maar het is precies wat agents nodig hebben om te durven handelen op basis van jouw site.

De harde regel die we voor FollowNow hebben vastgelegd: elke skill moet read-only zijn. Geen checkout, geen betaling, geen mutatie van data. Agents kunnen de site verkennen, formaten valideren, beleid lezen, maar acties die geld kosten of klantgegevens raken gebeuren altijd via een geauthenticeerde menselijke flow. Die safety-laag is wat het vertrouwen van klanten in agent-interacties opbouwt.

Structured data die LLM's herkennen

De vierde laag is de meest klassieke SEO-laag, maar met een twist. JSON-LD structured data (Schema.org) wordt door zowel Google als door alle grote LLM's gelezen. Wat het verschil maakt is hoe diep je gaat. Een Organization-schema en een WebSite-schema zijn de basis. Voor FollowNow hebben we daarbovenop FAQPage-schema op elke service-pagina, Product-schema per tier (Standard, Premium, Elite), Offer-schema met prijs en valuta, en BreadcrumbList op elke diepe pagina.

LLM's geven aantoonbaar voorkeur aan content die in JSON-LD beschikbaar is, omdat het de extractie betrouwbaar maakt. Een FAQ die alleen in HTML staat moet door de LLM geparseerd worden, met kans op fouten. Een FAQ in FAQPage-schema is direct bruikbaar zonder interpretatie. Dat verschil verschilt per platform, maar het effect op AI-citatiefrequentie is significant. Lees hier meer over hoe wij SEO opbouwen voor MKB-klanten.

Wat het verschil maakt: een praktijkvoorbeeld

Drie weken na de FollowNow-livegang hebben we een test gedaan. We hebben in ChatGPT, Perplexity en Claude dezelfde vraag gesteld: "wat is een betrouwbaar platform om verifieerbare Instagram-volgers te kopen, met een refund-beleid?". In alle drie de antwoorden werd FollowNow genoemd als één van de bronnen, met directe citatie van het 14-daagse refund-beleid en de publieke target-verificatie. Bij concurrenten met vergelijkbare diensten zonder llms.txt en zonder OpenAPI gebeurde dat niet.

Het effect op organisch verkeer via klassieke kanalen (Google) was in de eerste maand stabiel. Het AI-zoekverkeer, herkenbaar aan referrer-headers en specifieke user-agents, begon te lopen. Niet enorme aantallen, maar elke bezoeker komt met een hoge intent binnen, omdat ze al via een LLM zijn voorgekauwd op wat FollowNow aanbiedt.

Voor MKB-bedrijven die nu nog twijfelen of dit relevant is: kijk wat er de afgelopen 18 maanden is gebeurd in B2B SaaS. Bedrijven die agent-ready waren, zagen hun share-of-voice in AI-zoekresultaten verveelvoudigen. Wie het pas in 2026 oppakt, doet dat met achterstand. De drempel om er nu mee te beginnen is laag, want de meeste concurrenten zitten ook nog op dezelfde streep.

Hoe begin je vandaag?

Je hoeft niet je hele site te herbouwen om agent-ready te worden. De vier bouwstenen kunnen ook bovenop een bestaande WordPress- of Next.js-site landen, zolang er een ontwikkelaar is die de bestanden netjes serveert met de juiste content-types.

De volgorde die wij aanhouden bij nieuwe projecten: eerst een goed onderhouden structured-data-laag (Organization, WebSite, Product, FAQPage waar relevant). Dan een llms.txt die uit hetzelfde datamodel gegenereerd wordt als de site zelf, zodat hij niet kan verouderen. Dan een publieke OpenAPI-spec voor de read-only endpoints die je toch al hebt. En als laatste de agent-skills, omdat die nog het meest experimenteel zijn maar het hardst zullen meegroeien.

Voor klanten die al een Next.js website laten maken is dit een halve dag werk extra. Voor WordPress-sites is het iets meer plug-in-werk maar nog steeds binnen een week te realiseren. De grootste investering is niet de techniek, het is de discipline om alles uit één canonieke bron te laten lopen zodat het niet drift.

De agent-ready toekomst is geen mode

De vier lagen die ik hierboven beschrijf zijn geen tijdelijke trend. Ze zijn de logische voortzetting van hoe het web zich altijd al heeft ontwikkeld: van menselijk leesbaar naar machine-leesbaar, van zoekmachine-optimalisatie naar agent-optimalisatie. Wie nu in agent-readiness investeert, bouwt fundamenten waar de site de komende jaren op kan groeien.

Voor FollowNow was de uitkomst meetbaar. De site staat op meerdere AI-platforms in de citatie-lijst, het Intercom-team in Dubai verwerkt minder herhalingsvragen omdat agents de antwoorden zelf vinden, en het notify-list-verkeer komt voor een groot deel via LLM-aanbevelingen binnen. Dat is geen toeval, het is het gevolg van een bouwwijze die op het juiste moment is gekozen.

Heb je vragen over hoe jouw site agent-ready te maken, of wil je weten welke laag voor jouw bedrijf het grootste verschil maakt, neem dan contact op. We kijken graag mee zonder direct te verkopen.