Ring 1, je eigen domein, is de enige laag van AI-vindbaarheid waar je kunt verklaren wat waar is in plaats van AI te laten raden. Vier pijlers maken een website AI-proof: llms.txt als directe lijn naar vierentwintig-plus AI-crawlers, schema.org met zeventien entity-types, entity-consistentie over elk oppervlak, en EntityRank als opstapelend rendement van de vier pijlers.
Ring 1 is de enige laag waar AI niet hoeft te raden. Vier pijlers maken van een website een verifieerbare entity-definitie: llms.txt, schema.org, entity-consistentie, en EntityRank als opstapelend rendement.
Er is precies één ring in het model waar AI helemaal niets hoeft te raden. Ring 1, je eigen domein, is de laag waar je in een taal die het model al spreekt kunt verklaren wat over jou waar is. Elke andere ring is interpretatie. Deze is uitspraak.
Het vorige artikel in dit cluster zette Ring 3 neer als gevolg en Ring 1 als bron. Dit artikel ontleedt Ring 1 als technisch oppervlak. Vier pijlers samen veranderen een website van marketingartefact in een verifieerbare entity-definitie: llms.txt als directe lijn naar AI-crawlers, schema.org als machine-leesbare grammatica, entity-consistentie over pagina's heen als bewijs, en EntityRank als het opstapelende rendement van alle drie.
De rest van het cluster ligt stroomafwaarts van dit werk. Het volgende artikel, Entity of One, past deze pijlers toe op de persoon die zelf een entiteit wordt. Het slotartikel, Entity Gap Check, meet het gat dat ontstaat zodra Ring 1 onvolledig is. Beide komen eraan.
llms.txt is een markdown-bestand in de root van je domein dat vierentwintig-plus AI-crawlers vertelt welke pagina's autoritair zijn. Het is het 2026-equivalent van robots.txt 1994. Adoptie is laag, het early-mover-venster staat open.
robots.txt verscheen in 1994 om zoekcrawlers te vertellen welke pagina's ze mochten indexeren. llms.txt verscheen in 2026 om taalmodellen te vertellen welke pagina's op jouw domein autoritair zijn, in hun eigen taal. Beide bestanden staan in de root van je domein. Beide zijn vijf minuten werk. De tweede staat op de meeste websites nog niet.
Vierentwintig-plus AI-crawlers lezen llms.txt actief of checken erop: GPTBot, ClaudeBot, PerplexityBot, Google-Extended, OAI-SearchBot, ChatGPT-User en de rest. Het bestand zelf is markdown met één H1 (jouw naam of organisatie), H2-secties voor elk autoritair cluster op je site (over, blog-hub, diensten, signature-frameworks), en per link één korte beschrijving. Geen code. Vijf regels per sectie.
Twee gevolgen vloeien voort uit lage adoptie nu. Eén: elk llms.txt-bestand in de root stuurt een schoon signaal in een bijna leeg veld, en AI-motoren ijken hun citatielogica af tegen early adopters. Twee: het bestand is een plek om canon te verklaren. De autoritatieve versie van je over-pagina, de canonieke framework-pagina, de content die je wilt zien geciteerd. Dat early-mover-venster blijft niet lang open.
Schema.org is de gedeelde woordenschat van Google, Microsoft, Yahoo en Yandex. JSON-LD-markup levert het model een volledige entity-definitie zonder dat het proza hoeft te ontleden. Schema-markup verdrievoudigt het aantal AI-citaties.
Schema.org is een gedeelde woordenschat die Google, Microsoft, Yahoo en Yandex samen bouwen. Het definieert hoe een pagina kan verklaren wat voor ding ze is, wat ze weet, waar ze naar verwijst, en hoe ze samenhangt met andere dingen. Het model leest JSON-LD, een klein blok gestructureerde data in de head van je pagina, en haalt daar een volledige entity-definitie uit zonder eerst proza te hoeven ontleden.
Zonder schema raadt het model. Met schema krijgt het model een definitie aangereikt. Dat ene verschil verdrievoudigt het aantal AI-citaties op dezelfde content.
Zeventien types tellen voor een expert-site: Person, Organization, Article, BlogPosting, FAQPage, HowTo, Review, Course, Event, Service, BreadcrumbList, VideoObject, ImageObject, AboutPage, ContactPage, Offer en WebSite. Je hebt ze niet allemaal nodig op dag één. Wel Person op de homepagina en de over-pagina, Article op elke blogpost, FAQPage op het FAQ-blok, en BreadcrumbList op elke pagina. Die vier dekken ongeveer negentig procent van wat een model wil zien op een kennisgedreven site.
Het belangrijkste veld op Person is sameAs. Het accepteert een lijst URLs die je domein-identiteit koppelt aan je LinkedIn-profiel, je YouTube-kanaal, je Wikidata-entry, je podcast-feed, en elk ander geverifieerd oppervlak. AI-motoren behandelen sameAs als identiteitsbewijs: één entiteit bevestigd over meerdere bronnen. Dit is het veld waar Ring 1 Ring 2 in een samenhangend geheel begint te trekken.
Schema-markup vertelt het model wat voor ding een pagina is. Consistentie vertelt het model dat alle pagina's hetzelfde ding beschrijven. Markup zonder consistentie leest als een gelabeld fragment.
Schema-markup vertelt het model wat voor ding een pagina beschrijft. Consistentie vertelt het model dat deze pagina en elke andere pagina hetzelfde ding beschrijven. Beide zijn nodig. Markup zonder consistentie leest als een goed gelabeld fragment.
Concrete tests voor consistentie. Je volledige naam identiek geschreven op elke pagina, inclusief leestekens. Eén canonieke korte beschrijving, idealiter onder de twintig woorden, woordelijk herhaald op elke plek waar een beschrijvingsveld voorkomt: meta description op de homepagina, openingszin van de over-pagina, description in Person Schema, OpenGraph-description, LinkedIn-headline. Dezelfde auteur-byline op elke blogpost en podcast-aflevering. Dezelfde profielfoto, zelfde uitsnede, zelfde alt-tekst. Dezelfde set sameAs-URLs op elke Person Schema-instantie.
Inconsistentie tussen Ring 1 en Ring 2 is de meest voorkomende fout. De website noemt jou leiderschapscoach voor B2B-consultants. LinkedIn noemt jou strategisch adviseur. Je podcast noemt jou host. Vanuit het oogpunt van een model zijn dat drie mensen die toevallig dezelfde naam dragen. Samenhang over oppervlakken heen is wat het model anders vertelt. Elke consistente referentie is een stem.
Dit is redactioneel werk, geen technisch werk. Een developer kan jouw canonieke zin niet voor je schrijven. De pijler ervoor (schema) zet je één keer op en vergeet je daarna. Deze pijler werkt elke keer dat je iets publiceert op welk oppervlak dan ook. Dat is precies waarom de meeste websites hem kwijtraken.
EntityRank is de AI-tijdperk-opvolger van PageRank. PageRank telde links. EntityRank telt bevestigingen: hoeveel autoritaire bronnen onafhankelijk hetzelfde over een entiteit zeggen. De vier pijlers in dit artikel voeden EntityRank rechtstreeks.
PageRank, geïntroduceerd in 1996, mat autoriteit door links te tellen: hoeveel autoritaire sites linken naar deze pagina? Dat werd twee decennia het werkende principe van Google-search. Taalmodellen werken niet op links, maar ze hebben een analoog signaal nodig. EntityRank is de naam ervoor.
EntityRank meet autoriteit door bevestigingen te tellen: hoeveel autoritaire bronnen onafhankelijk hetzelfde over deze entiteit zeggen. De rekensom is grofweg bron-kwaliteit vermenigvuldigd met consistentie over bronnen heen. Een LinkedIn-profiel, een podcast-bio, een Wikipedia-paragraaf en een schema-gemarkeerde over-pagina die allemaal zeggen dat jij leiderschapscoach voor B2B-consultants bent, stapelen op. Dezelfde content waarin drie van vier bronnen net iets anders zeggen heft zichzelf op. Het model ziet geen sterk signaal. Het ziet onenigheid en weegt de score omlaag.
Dit is geen metric die Identity First Marketing heeft uitgevonden. Het is de impliciete weging die LLMs al gebruiken. Een naam geven maakt het werkbaar. Pas wanneer je kunt benoemen wat het model doet, kun je ervoor bouwen.
De vier pijlers in dit artikel voeden EntityRank rechtstreeks. llms.txt maakt je adresseerbaar. Schema-markup maakt je leesbaar. Consistentie maakt je verifieerbaar. De opstapeling van die drie over een body of work heen is wat het model beloont.
Voor één expert is dit een paar middagen werk. Voor een groeiende body of content over blog, podcast, video en social wordt consistentie wekelijks structureel werk dat met elk nieuw stuk mee moet. Dat is het werk dat het Identity First Media-platform automatiseert: schema, llms.txt en entity-consistentie toegepast op elke output, elke week, zonder drift. Of je het zelf bouwt of via een systeem laat draaien, de vier pijlers zijn dezelfde.
llms.txt is een markdown-bestand dat in de root van je domein staat (jouwdomein.nl/llms.txt) en AI-taalmodellen vertelt welke pagina's op je site autoritair zijn en hoe de site is gestructureerd. robots.txt, geïntroduceerd in 1994, vertelt zoekcrawlers welke pagina's ze mogen indexeren. Beide bestanden bestaan naast elkaar. robots.txt regelt toegang. llms.txt verklaart canon voor de AI-motoren die het lezen. Vierentwintig-plus AI-crawlers (GPTBot, ClaudeBot, PerplexityBot, Google-Extended en anderen) checken er actief op. Adoptie is nog laag, wat vroege implementatie een citatie-voordeel geeft.
Vier types dekken ongeveer negentig procent van wat een taalmodel wil zien op een expert-gedreven site. Person Schema op de homepagina en de over-pagina, met sameAs gekoppeld aan je LinkedIn, YouTube, Wikidata en podcast-feed. Article-schema op elke blogpost. FAQPage op elke pagina met een FAQ-blok. BreadcrumbList op elke interne pagina. De andere dertien types in de zeventien-lijst (Organization, BlogPosting, HowTo, Review, Course, Event, Service, VideoObject, ImageObject, AboutPage, ContactPage, Offer, WebSite) komen erbij zodra de bijbehorende content verschijnt.
sameAs is het veld dat je domein-identiteit koppelt aan andere geverifieerde profielen van dezelfde persoon of organisatie. Het accepteert een lijst URLs: LinkedIn, YouTube-kanaal, Wikidata-entry, podcast-feed, X-profiel, GitHub, overal waar je naam onafhankelijk verifieerbaar is. AI-motoren behandelen de lijst als identiteitsbewijs: één entiteit bevestigd over meerdere bronnen. Zonder sameAs staat je domein-identiteit alleen. Met sameAs versterkt elk Ring 2-oppervlak (eigen LinkedIn, eigen YouTube, eigen podcast) Ring 1.
EntityRank is de impliciete autoriteitsscore die taalmodellen al toekennen aan entiteiten, op basis van consistentie over meerdere autoritaire bronnen heen. Het is de AI-tijdperk-opvolger van PageRank. PageRank telde links: hoeveel autoritaire sites linken naar deze pagina? EntityRank telt bevestigingen: hoeveel autoritaire bronnen zeggen onafhankelijk hetzelfde over deze entiteit? Identity First Marketing introduceert de term om de dynamiek werkbaar te maken. Pas wanneer je kunt benoemen wat het model doet, kun je ervoor bouwen.
Het grootste deel wel. llms.txt is een markdown-bestand dat je zelf schrijft en uploadt. Schema-markup wordt door plug-ins op elk groot CMS gegenereerd: Yoast of Rank Math op WordPress, native velden op Webflow en Framer, plug-ins op Squarespace en Wix. De plug-in vraagt je het type en de veldwaarden. De JSON-LD-code wordt voor je gegenereerd. Entity-consistentie is de redactionele pijler die geen plug-in voor je kan doen: één canonieke korte beschrijving schrijven en die identiek op elk oppervlak gebruiken is schrijfwerk, geen technisch werk.
Lees het blogartikel
Wat is AI-vindbaarheid en waarom klassieke SEO niet meer volstaat
Lees het blogartikel
Waar ChatGPT zijn informatie vandaan haalt: de drie bronnen die bepalen of jij genoemd wordt
Lees het blogartikel
Rings of Entity: van je eigen domein tot externe citaties
Lees het blogartikel
Hoe een persoon een entiteit wordt: de Entity of One-formule