Schema markup voor AI-zoekmachines

Schema-markup is een stukje gestructureerde code in je pagina, meestal in JSON-LD, dat machines vertelt wat de tekst op die pagina voorstelt: dit is een organisatie, dit is een artikel, dit is een prijs. Voor AI-citaties is het effect in het beste beschikbare onderzoek vrijwel nul.

Dat is een ongemakkelijke openingszin voor een onderwerp dat in vrijwel elk GEO-artikel als de belangrijkste technische stap wordt gepresenteerd. Ik heb dat zelf ook een tijd zo verteld en ik heb het bijgesteld toen de eerste gecontroleerde studie beschikbaar kwam. Schema blijft nuttig, alleen om andere redenen dan meestal beweerd wordt.

Wat het onderzoek precies deed

Ahrefs volgde 1.885 pagina’s die tussen augustus 2025 en maart 2026 JSON-LD toevoegden en koppelde die aan ongeveer 4.000 vergelijkbare pagina’s die dat niet deden. Vervolgens vergeleken ze de verandering in de ene groep met de verandering in de andere. Dat heet een difference-in-differences-analyse en het is het sterkste onderzoeksdesign dat in dit veld beschikbaar is, omdat het corrigeert voor alles wat in dezelfde periode voor iedereen veranderde.

De uitkomsten: AI Overviews −4,6 procent, AI Mode +2,4 procent en ChatGPT +2,2 procent. De positieve uitslagen waren statistisch niet van nul te onderscheiden. Met andere woorden: de meting kan het verschil tussen dit resultaat en helemaal geen effect niet aantonen.

Google zelf bevestigt de lijn. Search Central stelt dat er geen speciale schema.org-markup nodig is voor AI Overviews of AI Mode. De technische eisen zijn dat je pagina geïndexeerd is en in aanmerking komt voor een snippet en dat je markup overeenkomt met wat er zichtbaar op de pagina staat.

Waar de misvatting vandaan komt

De correlatie is echt en die is groot. In een Ahrefs-analyse van zes miljoen URL’s hadden pagina’s die door AI werden geciteerd bijna drie keer vaker JSON-LD dan pagina’s die dat niet werden. Een preprint van UC Berkeley zette gestructureerde data zelfs op de derde plaats in een lijst van voorspellers, met plus 39 procent.

Alleen zegt zo’n correlatie hier weinig. Sites die de moeite nemen om schema te implementeren zijn doorgaans ook de sites met betere content, meer vermeldingen en een verzorgde techniek. Het schema is een symptoom van zorgvuldigheid en niet de oorzaak van de citatie. Precies dat verschil is wat de gecontroleerde studie wel kan meten en de correlatiestudie niet.

Wat schema dan wel doet

Er blijven drie goede redenen over om het gewoon te doen.

De eerste is Google zelf. Rich results, dus de sterrenbeoordelingen, de recepten, de veelgestelde vragen en de evenementgegevens die in de zoekresultaten verschijnen, komen rechtstreeks uit je markup. Dat is klassieke winst in de zoekresultaten en die verdwijnt niet.

De tweede is begrip. Een pagina met een correct Organization-blok vertelt een machine expliciet hoe je heet, waar je zit en welke profielen bij je horen. Dat scheelt gokwerk. En een model dat moet gokken over wie je bent, gokt in de praktijk vaak je concurrent.

De derde is Bing en Copilot. Bing leest schema.org actief uit en Organization-markup met een sameAs-verwijzing naar LinkedIn wordt daar als eerste hefboom genoemd. Bewezen is dat niet en het is een redelijk vermoeden op basis van hoe het platform werkt.

Waar de echte winst zit: consistentie

Het onderdeel van je markup dat er wel toe doet is de sameAs-verwijzing: de expliciete verklaring welke andere pagina’s over dezelfde organisatie gaan. Zonder die verwijzing kan hetzelfde bedrijf in een kennisgraaf als meerdere halve knooppunten bestaan, elk met een deel van de signalen. Met een kloppende keten komen die signalen op één punt samen.

Let daarbij op één ding: een kapotte sameAs-link is schadelijker dan geen sameAs-link. De aanbevolen volgorde van doelen is Wikidata, Wikipedia, LinkedIn, Crunchbase en GitHub.

Dat werk gaat verder dan code plakken. Het vraagt dat je je externe profielen langsloopt en overal dezelfde naam, dezelfde omschrijving en dezelfde gegevens neerzet. In een gedocumenteerde B2B-casus leverde die opschoning, samen met canonieke naamgeving en het opruimen van verouderde vermeldingen, binnen ongeveer twaalf weken opname op in AI-antwoorden voor categorievragen waarin het bedrijf nooit eerder verscheen.

Wat ik zou implementeren

Houd het klein en houd het kloppend.

• Organization op je homepage, met naam, logo, adres, contactgegevens en een sameAs-lijst naar je officiële profielen.
• Person voor de gezichten van je bedrijf, als je merk aan mensen hangt, met sameAs naar hun LinkedIn-profiel.
• Article op je blogartikelen, met auteur, publicatiedatum en wijzigingsdatum.
• FAQPage waar je echt vragen beantwoordt, dus niet als bak om zoekwoorden in te lozen.
• Controleer met de Rich Results Test en zorg dat elk veld overeenkomt met wat er zichtbaar op de pagina staat.

Dat is een middag werk en daarna is het klaar. Wie er meer tijd in stopt, kan die tijd beter besteden aan de dingen die het volgens hetzelfde onderzoek wel doen: bereikbaar zijn voor crawlers, snel laden en genoemd worden op plekken buiten je eigen domein. Die volgorde staat in GEO-optimalisatie in vijf stappen.

Wat schema technisch precies is, staat in wat is schema-markup. Het tweede advies dat vaak in hetzelfde rijtje wordt genoemd komt aan bod in llms.txt uitgelegd, met een vergelijkbare uitkomst.

Wil je weten of jouw pagina’s überhaupt gelezen kunnen worden, dan kijkt de gratis AI-zichtbaarheidscheck daar als eerste naar.

Dit is een van de onderdelen die we uitvoeren bij GEO-optimalisatie.