Ik heb onlangs een flinke tijd met Claude zitten discussiëren over canonicals.
De site had slot-URL’s, het soort parametergestuurde opzet dat niet netjes in het leerboek past. Ik wilde een visie op hoe je daarmee omgaat. Claude had er een. Het had naar de site gekeken, een mening gevormd, en die geleverd met het rustige zelfvertrouwen van iets dat elk SEO-artikel heeft gelezen dat ooit is gepubliceerd. Wat min of meer is wat er gebeurd was.
Het antwoord was het mainstream-antwoord. Canonical naar de schone versie, signalen samenvoegen, door. In het algemeen prima te verdedigen. Verkeerd voor deze site.
Dus duwde ik terug. Niet op de feiten, op het oordeel. Ik liet het de aanbeveling verdedigen tegen de specifieke opzet, en vroeg waarom het de optie die het stil had uitgesloten nooit had genoemd. Daar kwamen twee dingen uit. Ik kreeg de juiste output. En het behandelde zijn eigen eerste antwoord niet langer als vaststaand. Dat tweede deel is het interessante.
Het advies dat deze week rondgaat
Er is een reeks stukken die hetzelfde betogen, en het is een redelijk betoog. Search Engine Land publiceerde een stuk waarin staat dat AI het beste werkt als het werk weghaalt en geen oordeel, dat het juist een easy button wordt als je het beperkt tot het saaie en repetitieve, en riskant wordt op het moment dat je het laat beslissen. Een week eerder zei dezelfde uitgever het botter: gebruik Claude voor SEO, laat Claude geen SEO doen. Lily Ray komt via een andere deur op vergelijkbaar terrein uit met haar betoog dat shortcuts zelden winnen in SEO of AI-search: de shortcuts hebben nooit gewonnen, en duurzame zichtbaarheid komt uit echte expertise.
Ik ben het er helemaal mee eens. Niet met tegenzin, en niet als een bodem waar nog iets bovenop moet. Delegeer het werk en houd de verantwoordelijkheid is het juiste instinct, en het is een stuk beter dan het alternatief, namelijk een junior die een AI-aanbeveling in een ticket plakt omdat het gezaghebbend klonk.
Ik zou er alleen de voorwaarde bij zetten die niemand hardop noemt.
Het advies werkt omdat het de klus splitst in een saaie helft en een oordeelshelft. Prima. Maar de saaie helft is waar de slechte data zit. Redirect-tabellen, productfeeds, hreflang-matrices, parameterafhandeling, exports die al fout waren voordat er ook maar iets geautomatiseerd werd. Niemand kijkt daar goed naar, en precies daarom kregen ze het label saai. Automatiseer een mechanische taak op een input die niemand heeft gecontroleerd en je hebt geen risico weggehaald. Je hebt de persoon weggehaald die het gemerkt zou hebben.
Werk weghalen is dus veilig, op één voorwaarde: dat de data onder dat werk deugt. Die voorwaarde draagt een enorme last, voor iets wat niemand controleert.
De lijn
De grens is dus juist. Er hoort alleen een hand aan. Ik behandel dit als een lijn, en ik verontschuldig me niet voor de vergelijking.
Er moeten vier dingen waar zijn voordat ik automatisering iets van betekenis laat overnemen. Het krijgt instructies, zodat de klus specifiek is in plaats van dat er vaag naar gewezen wordt. Het krijgt een Umfeld, een referentiekader om binnen te redeneren, want een model zonder conceptueel kader valt elke keer terug op de consensus. Ik moet zicht hebben op de grond van zijn beslissingen, niet alleen op de output, want de output alleen vertelt me niets over de vraag of het geredeneerd heeft of nagezegd. En dan krijgt het ruimte om te bewegen, maar aan een lijn die ik kan aanhalen.
Het alternatief is de hond uitlaten zonder lijn en hopen dat hij terugkomt als je roept. Soms doet hij dat. Dat is geen systeem, dat is een stemming.
Het onderscheid doet ertoe, omdat het de canonicals-episode verklaart. Claude verzon geen feit. Het reproduceerde de mainstream-positie met volledige zekerheid en wilde niet buiten de lijntjes kleuren. Dat is ook een hallucinatie, alleen een sociaal acceptabele: een hallucinatie van consensus. Duane Forrester heeft de merkvariant van diezelfde fout beschreven, waarbij een model met dunne informatie over jouw bedrijf zelfverzekerd een concurrent beschrijft. Zelfde mechanisme, op een ander doel gericht. Dunne input levert geen twijfel op. Het levert het gemiddelde antwoord op, gebracht als een vonnis.
En een gemiddeld antwoord is het enige waar een ervaren vakgenoot nooit voor betaald wordt.
Het oordeel dat je vroeg, en het oordeel dat erin kroop
Daarmee kom ik bij de regel die ik aan het advies van deze week zou toevoegen in plaats van ermee in discussie te gaan. Ik ben er niet tegen om AI oordeel te geven. Ik ben ertegen om het per ongeluk te geven.
Wil je oordeel, vraag er dan bewust om, accepteer dat je een betrouwbaarheidsprobleem hebt gekocht en beheers dat vervolgens. Wil je geen oordeel, geef dan geen vage taak weg in de hoop dat er niets in kruipt. Geef het een specifieke klus. De fout die ik het vaakst zie is dat mensen het tweede willen en om het eerste vragen.
| Je wilt oordeel | Je wilt geen oordeel | |
|---|---|---|
| Wat je eigenlijk vraagt | Een aanbeveling tussen opties | Uitvoering van een omschreven klus |
| Wat je moet aanleveren | Context, randvoorwaarden, het Umfeld, de details die jouw geval ongewoon maken | Een ondubbelzinnige spec en een gecontroleerde input |
| Wat je moet accepteren | Het is een betrouwbaarheidsvraag, geen garantie op juistheid | Het doet precies wat je vroeg, ook als wat je vroeg fout was |
| Hoe je erachter komt dat het misging | Je bevraagt de redenering, niet het antwoord | Je controleert de inputdata voordat je de output controleert |
| De faalmodus | Zelfverzekerde consensus, verkleed als analyse | Opgeschaalde, nette, consistente onzin |
Lees de rechterkolom twee keer, want dat is de kolom die het advies niet bereikt. Je kunt elke oordeelsbeslissing bij een mens houden, precies zoals aanbevolen, en nog steeds een redirect-map opleveren die op een verouderde export is gebouwd. Op volume. Op schema. Vlekkeloos uitgevoerd.
Vraag waar het het eigenlijk mee moest doen
Er is een detail van deze week dat het punt mooi scherpt. Data over hoe Claude en Claude Code het web gebruiken laat zien dat consumenten-Claude in 93% van de antwoorden op een set identieke prompts een zoekopdracht op het web deed, en Claude Code in 13%. Hetzelfde onderliggende model. Wild verschillende grounding, bepaald door het venster waarin je toevallig zat te typen. De twee noemen ook zelden dezelfde merken, wat een aparte hoofdpijn is voor een andere dag.
Sta daar even bij stil. Als je dat cijfer niet kende, had je geen manier om te weten of het antwoord voor je neus kwam uit iets dat vijf seconden eerder was opgehaald, of uit iets dat tijdens de training is opgenomen en sindsdien bevroren is.
Dit is dezelfde kloof als waar ik over schreef in Je LLM kent je niet, daarom zijn de antwoorden middelmatig. Een engine die jouw context mist, vertelt je niet dat hij jouw context mist. Hij geeft je het gemiddelde antwoord met een zelfverzekerde stem, en die zekerheid heeft geen verband met de grounding.
Wat ik je werkelijk zou zeggen
Stop met de vraag of AI een mening mag hebben. Begin met drie saaiere vragen, in deze volgorde.
Wat vroeg ik eigenlijk, een oordeel of een klus? Had het genoeg eerstehandsinformatie over déze specifieke situatie om te antwoorden, of ging het me altijd de consensus geven? En controleer ik de redenering, of lees ik de output en ga ik door omdat het goed klonk?
Niets daarvan is een beperking van het gereedschap. Het is het deel van het werk dat nog van jou is, en het is het deel dat achttien jaar je oplevert. Ik kreeg het juiste antwoord over die canonicals omdat ik genoeg wist om een leerboekantwoord niet te vertrouwen. Het gereedschap faalde niet. Het deed wat een zelfverzekerde, goed gelezen, contextvrije adviseur altijd doet.
Neem mijn lezing hiervan trouwens niet als vaststaand, bij software die elke twee weken onder je verandert.
Maar de lijn is geen gebrek aan vertrouwen in de AI. Het is vertrouwen in je eigen hand.
We staan altijd paraat.
