Structured data en AI Search — wat werkt echt?

structured-data-entity6 min leestijd

Iedereen in SEO kent structured data. Maar de meeste implementaties zijn gericht op Google Rich Results, niet op AI-zichtbaarheid. Het verschil is subtiel maar belangrijk: bij AI-search gaat het niet om sterretjes in zoekresultaten, maar om entity-context die LLMs gebruiken om te begrijpen wat je bent.

Generieke voorbeelden in dit artikel zijn geanonimiseerd of fictief. Verwijzingen naar specifieke Hiveminds projecten zijn wel echt.

Inhoudsopgave

Waarom structured data er anders toe doet bij AI

Inhoud: Leg het fundamentele verschil uit:

  • Google gebruikt structured data voor display (rich results, knowledge panels)
  • AI-systemen gebruiken structured data voor begrip (entity-context, relaties, specialisaties)

Bij Google: je krijgt een mooier zoekresultaat. Bij AI: je geeft het model context om te bepalen of je relevant bent voor een specifieke query.

Dit betekent dat sommige schema-types die waardeloos zijn voor Google Rich Results (bijv. uitgebreide Organization-properties) juist cruciaal zijn voor AI-zichtbaarheid.

💡 Lens check: We analyseren je huidige structured data niet op Google Rich Results-eligibility, maar op AI-relevantie: geeft je schema het model genoeg context om je te selecteren bij relevante queries?

De schema-types die er echt toe doen

Inhoud: Gerangschikte lijst van schema-types op impact voor AI-zichtbaarheid:

Tier 1: Hoge impact

  1. Organization / LocalBusiness: entity-definitie: wie ben je, waar zit je, wat doe je
  2. FAQPage: direct citeerbare Q&A-content
  3. Article / BlogPosting: auteurschap, expertise-signalen
  4. Product + AggregateRating: voor e-commerce: vergelijkbare product-data

Tier 2: Matige impact

  1. HowTo: stappenplannen die AI-systemen graag citeren
  2. Service: dienstbeschrijvingen met concrete properties
  3. Review / AggregateRating: social proof signalen

Tier 3: Minimale directe AI-impact

  1. BreadcrumbList: helpt crawlers, geen directe citation-impact
  2. WebSite + SearchAction: Google sitelinks, geen AI-effect
  3. VideoObject: YouTube heeft eigen indexatie

Maak duidelijk: dit is geen wetenschappelijke ranking, maar gebaseerd op patronen uit 100+ audits.

Organization-schema: de basis die vrijwel iedereen mist

Inhoud: Diepte-sectie over Organization-schema als AI-zichtbaarheid-fundament:

Het typische Organization-schema dat bureaus implementeren:

{
  "@type": "Organization",
  "name": "Bedrijf",
  "url": "https://bedrijf.nl",
  "logo": "https://bedrijf.nl/logo.png"
}

Wat je nodig hebt voor AI-context:

{
  "@type": "Organization",
  "name": "Bedrijf",
  "url": "https://bedrijf.nl",
  "logo": "...",
  "foundingDate": "2018",
  "numberOfEmployees": {"@type": "QuantitativeValue", "value": 12},
  "areaServed": ["Amsterdam", "Utrecht", "Randstad"],
  "knowsAbout": ["hypotheekadvies", "expat hypotheek", "ondernemershypotheek"],
  "hasOfferCatalog": {...},
  "sameAs": ["linkedin-url", "kvk-url"],
  "aggregateRating": {...}
}

Bespreek elke property en waarom die relevant is voor LLM-context.

Voorbeeld: SwissDentalCare schema-implementatie

Voor SwissDentalCare bouwden we de volledige schema-implementatie als onderdeel van het multi-tenant dental clinic platform. Elke aangesloten kliniek krijgt automatisch correcte structured data:

{
  "@type": "Dentist",
  "name": "Zahnarztpraxis Beispiel",
  "url": "https://swissdentalcare.ch/kliniek/beispiel",
  "parentOrganization": {
    "@type": "Organization",
    "name": "SwissDentalCare"
  },
  "areaServed": {"@type": "City", "name": "Zurich"},
  "medicalSpecialty": ["Orthodontics", "Implantology", "Preventive Dentistry"],
  "availableService": [
    {"@type": "MedicalProcedure", "name": "Dental Implants"},
    {"@type": "MedicalProcedure", "name": "Invisalign"}
  ],
  "openingHoursSpecification": [...]
}

In de SwissDentalCare-stack hebben we Dentist (subtype van LocalBusiness) gecombineerd met MedicalProcedure en medicalSpecialty, zodat AI-systemen per kliniek weten welke behandelingen beschikbaar zijn en in welke regio. Dit type granulaire schema-implementatie is precies wat de meeste dienstverlenersites missen.

📋 Voorbeeld uit een audit (geanonimiseerd)

Klant: Hypotheek Voorbeeld Bevinding: Organization-schema bevat alleen name + url + logo. Mist: areaServed, knowsAbout, hasOfferCatalog, sameAs, foundingDate Impact: Bij prompt "hypotheekadviseur voor expats Amsterdam" heeft het model geen gestructureerde context dat het bedrijf (a) expats bedient en (b) in Amsterdam actief is Fix: Schema uitbreiden met alle relevante properties. Geschatte implementatietijd: 2 uur. Verwacht effect: binnen 2-4 weken bij retrieval-based systemen.

FAQ en HowTo schema: direct citeerbaar

Inhoud: Uitleg waarom FAQ-schema dubbel waardevol is:

  1. Het structureert content als vraag-antwoord, precies het formaat dat AI-systemen genereren
  2. Het maakt content machine-readable zonder parsing
  3. FAQ-content matcht direct op hoe gebruikers prompts formuleren

Concrete implementatie-voorbeelden. Tip: FAQ's moeten echte vragen beantwoorden, niet SEO-keyword-stuffed nepvragen.

Wat NIET helpt (maar wel veel wordt geïmplementeerd)

Inhoud: Eerlijke sectie over cargo-cult structured data:

  • BreadcrumbList alleen: helpt Google, niet AI
  • Minimaal Organization-schema (alleen name + url): geeft geen context
  • VideoObject zonder transcript: AI kan video niet "lezen"
  • Honderden Product-schema's zonder AggregateRating: kwantiteit is geen kwaliteit
  • Structured data op pagina's die niet crawlbaar zijn: de deur staat open maar niemand komt binnen

⚠️ Niet beloven: Structured data is geen ranking-knop. Het is context. Perfect schema met slechte content levert niets op. Het is een signaal-versterker, geen signaal-creator. Je moet eerst iets relevants te zeggen hebben.

Implementatie-checklist

Technische checklist

  • Organization-schema met minimaal: name, url, areaServed, knowsAbout, sameAs, foundingDate
  • FAQPage-schema op elke pagina met echte FAQ-content
  • LocalBusiness-schema als je lokaal opereert (met geo-coordinates)
  • Article-schema op kennisbank/blog-pagina's met author en datePublished
  • Validatie via Google Rich Results Test (zoek naar warnings, niet alleen errors)
  • sameAs links naar alle officiële profielen (LinkedIn, KVK, branche-directory)
  • Check: komt je schema overeen met je zichtbare content? (consistentie)

Veelgestelde vragen

Gebruikt ChatGPT structured data direct? Niet bewezen dat het model schema-markup direct leest. Maar: structured data maakt content duidelijker voor crawlers, wat de kwaliteit van geïndexeerde informatie verbetert. Het indirecte effect is wel meetbaar.

Moet ik JSON-LD of Microdata gebruiken? JSON-LD. Altijd. Makkelijker te implementeren, makkelijker te valideren, wordt door Google aanbevolen, en is het formaat dat het best leesbaar is voor geautomatiseerde parsers.

Hoeveel schema is te veel? Er is geen penalty voor "te veel" schema, maar irrelevant schema (schema dat niet matcht met zichtbare content) is zinloos. Focus op kwaliteit en relevantie boven kwantiteit.

Hoe snel zie ik effect? Bij retrieval-based systemen (Perplexity, ChatGPT browsing): 2-4 weken na indexatie. Bij training-data: pas bij de volgende model-update (onvoorspelbaar).

Wil je weten hoe je structured data scoort?

Met een Lens Scan analyseren we je huidige schema-implementatie en vergelijken die met je concurrenten. Je krijgt een specifiek rapport: wat mis je, wat is fout, en wat is de prioriteit.

→ Bekijk de Lens Scan

Gerelateerde kennisbankartikelen