Structured data voor AI-search: maak je content leesbaar voor de machine

#aisearch #geo #chatgpt #vindbaarheid

Een taalmodel leest je pagina niet zoals jij. Het ziet geen mooie hero-afbeelding, geen strak lettertype, geen slim geanimeerde call-to-action. Het ziet tekst, structuur en, als je het goed doet, machine-leesbare context. Die laatste laag heet structured data, en het is een van de meest onderschatte hefbomen om vindbaar te worden in AI-antwoorden.

Ik ben geen fan van magische oplossingen, en JSON-LD is er geen. Het maakt je niet automatisch de bron die ChatGPT citeert. Maar het verlaagt de kans dat een systeem jouw content verkeerd interpreteert, en het verhoogt de kans dat het jouw feiten correct oppikt. Voor B2B, waar precisie telt, is dat het verschil tussen genoemd worden en genegeerd worden.

Wat structured data eigenlijk doet

Structured data is een gestandaardiseerde manier om aan een machine te vertellen wat er op je pagina staat. Niet "hier staat wat tekst", maar "dit is een organisatie, dit is haar naam, dit is een FAQ met deze vragen en antwoorden". Het vocabulaire komt van schema.org, en de aanbevolen syntax is JSON-LD: een blokje JSON in je HTML.

Een simpel voorbeeld voor een FAQ-sectie op een dienstpagina:

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [{
    "@type": "Question",
    "name": "Wat kost een CRM voor een adviesbureau?",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "Reken op 40 tot 70 euro per gebruiker per maand voor een CRM met projectfacturatie."
    }
  }]
}

Dat blokje zet je in de <head> of onderaan de <body>. Het is onzichtbaar voor bezoekers, maar glashelder voor een crawler. Je vertelt letterlijk: hier is een vraag, hier is het antwoord, in deze exacte woorden.

Waarom dit werkt voor AI-search

AI-zoeksystemen halen antwoorden op via retrieval: ze zoeken pagina's, lezen ze, en vatten samen. Hoe minder werk het model moet doen om jouw kernfeit te vinden, hoe betrouwbaarder het dat feit overneemt. Ongestructureerde tekst dwingt het model tot gokken over wat belangrijk is. Structured data neemt dat giswerk weg.

Er is nog een reden. Google's AI Overviews leunen sterk op dezelfde signalen die Google al jaren gebruikt. In zijn richtlijnen over nuttige, betrouwbare content benadrukt Google expertise, duidelijkheid en echte antwoorden. Structured data is geen vervanging voor die kwaliteit, maar een versterker ervan. Je kwaliteit wordt makkelijker herkend.

Belangrijk om eerlijk te blijven: markup vult geen gaten. Als je antwoord slecht is, maakt schema het niet beter. De regel is simpel. Schrijf eerst een echt goed, specifiek antwoord. Markeer het dan zodat de machine het niet mist.

De schema-types die er voor B2B toe doen

Je hebt geen twintig schema-types nodig. Voor de meeste Belgische B2B-sites tellen er een handvol echt mee.

Organization op je homepage: naam, logo, sociale profielen, contactgegevens. De basis-identiteit van je merk.
FAQPage op dienst- en kennispagina's: de echte vragen van klanten, in kort antwoordformaat.
Article op je blog- en kennisartikelen: auteur, publicatiedatum, onderwerp. Auteurschap is een sterk autoriteitssignaal.
Breadcrumb en interne navigatie: helpt systemen je site-structuur begrijpen.

Overdrijf niet. Ik heb sites gezien met vijf overlappende schema-blokken die elkaar tegenspraken. Dat is slechter dan geen markup. Eén correct, consistent blok per pagina-type is beter dan tien half-ingevulde.

Consistentie tussen je feiten telt zwaarder dan je denkt

Een detail dat vaak misgaat: de feiten in je markup, in je zichtbare tekst, en op externe bronnen moeten overeenkomen. Als je schema zegt dat je sinds 2011 bestaat, je footer 2013 vermeldt, en je LinkedIn 2012, dan zaai je twijfel. Modellen wegen tegenstrijdige signalen af, en bij twijfel kiezen ze een andere, consistentere bron.

Dit heet entity-consistentie, en het is de saaie randvoorwaarde die veel bedrijven overslaan. Zorg dat je bedrijfsnaam, adres, oprichtingsjaar en dienstbeschrijving overal identiek zijn: op je site, in je markup, op je bedrijfsprofielen. Die eenvoud is precies wat een machine nodig heeft om je met vertrouwen te citeren. Onderzoek naar wat content laat presteren, zoals de cijfers in deze marketingstatistieken, wijst telkens dezelfde kant op: betrouwbaarheid en consistentie verslaan volume.

Testen: doe dit voor je publiceert

De grootste fout is markup schrijven en nooit valideren. JSON-LD is gevoelig voor kleine syntaxfouten, een ontbrekende komma en het hele blok wordt genegeerd.

Gebruik de Rich Results Test van Google en de schema.org-validator. Plak je URL of code, en je ziet meteen of het model je markup kan lezen en welke velden ontbreken. Doe dit bij elke wijziging. Het kost twee minuten en het voorkomt dat je maandenlang op stukke markup vertrouwt.

Meet daarna het effect op de manier die telt: stel je kernvragen aan ChatGPT en Perplexity, en kijk of je feiten correcter terugkomen. Structured data is geen doel op zich, het is een middel om als correcte, citeerbare bron herkend te worden.

Waar structured data eindigt en strategie begint

Hier is de nuance die veel technische mensen missen. JSON-LD lost het leesbaarheidsprobleem op, niet het autoriteitsprobleem. Een model citeert je niet alleen omdat je markup netjes is. Het citeert je omdat je een betrouwbare bron bent die anderen ook noemen.

Dat is een breder verhaal: consistente vermeldingen, links van vakmedia, een auteur met een naam en een reputatie, content die echt iets toevoegt. De markup is de laatste, technische millimeter van dat traject. Waardevol, maar niet voldoende in zijn eentje.

Als je zowel de techniek als de strategie erachter goed wil krijgen, is dat precies waar onze AI-search aanpak bij Customer Impact op mikt: van je content een bron maken die machines kunnen lezen én willen citeren. Begin klein. Zet FAQPage-markup op je drie belangrijkste pagina's, valideer het, en meet een maand later of je feiten correcter opduiken in AI-antwoorden. Dat is een concrete eerste stap die je vandaag kunt zetten.