Agent-ready website laten maken: zo bouw je een site die door AI-agents wordt gelezen
ChatGPT, Perplexity en autonome AI-agents lezen websites anders dan Google. Wat is een agent-ready website precies, en hoe richt je je site in zodat agents jouw bedrijf als bron kiezen?

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
FollowNow.io serveert vier read-only agent-skills via /.well-known/agent-skills/ met SHA-256 verifiable digests, ontworpen voor veilige agent-discovery
Bron: FollowNow agent-skills registry, mei 2026
Steeds meer mensen stellen hun vraag aan ChatGPT, Perplexity of de AI-samenvatting in Google in plaats van aan een lijst met links. 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 is veel makkelijker te citeren, 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), kan een agent zien waarin FollowNow zich onderscheidt. Dat is geen marketing-truc, het is een kwestie 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 (dat maakt voor een model duidelijk waar je grenzen liggen), 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.
“We wilden geen webshop die er over een jaar verouderd uitziet. NexBridge heeft een platform neergezet dat ook leesbaar is voor de zoekmachines van morgen, en een Intercom-agent die ons team 's nachts laat slapen.”

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.
Content in JSON-LD is voor een model makkelijker te lezen, omdat de betekenis niet uit de opmaak afgeleid hoeft te worden. 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. Hoe zwaar dat weegt, verschilt per platform. Lees hier meer over hoe wij SEO opbouwen voor MKB-klanten.
Wat je wel en niet kunt verwachten
Een agent-ready site is geen garantie dat ChatGPT of Perplexity je noemt. Een taalmodel kiest zelf zijn bronnen, en dat verschilt per vraag en per moment. Wat de vier lagen wel doen, is de drempel weghalen: een agent die je site bezoekt, vindt in een paar honderd tokens wie je bent, wat je aanbiedt en welk beleid geldt, zonder te hoeven raden.
Of het effect heeft, moet je meten in plaats van aannemen. Tools als Ahrefs laten per platform zien hoe vaak je site als bron in AI-antwoorden gelinkt wordt. Een voorbeeld met cijfers staat in de SEO resultaten van MTechniek: daar ging het aantal AI-citaties van 0 op 1 maart 2026 naar 217 op 10 november 2026, gemeten door Ahrefs.
De drempel om er nu mee te beginnen is laag, want de meeste concurrenten hebben nog geen van deze lagen staan.
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.
Een llms.txt is wel maar één onderdeel van gevonden worden in AI-antwoorden. Hoe het samenhangt met content, bedrijfsgegevens en vermeldingen op andere sites, en hoe je meet of het werkt, lees je bij GEO optimalisatie voor ChatGPT en AI-zoekmachines.
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 staat die basis nu live: een llms.txt, een publieke OpenAPI-spec, read-only agent-skills en structured data, allemaal uit hetzelfde datamodel als de site zelf.
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.
Veelgestelde vragen
Wat betekent agent-ready precies?
Heb ik een llms.txt nodig als ik al goede SEO heb?
Wat is het verschil tussen llms.txt en robots.txt?
Wat zijn agent-skills via /.well-known?
Hoe maak ik mijn bestaande WordPress site agent-ready?
Wat kost een agent-ready website laten maken?
“Een website is een investering, geen kostenpost. Als die investering je meer klanten oplevert dan hij kost, is het altijd de moeite waard.”
