GEO voor webshops: hoe productdata bepaalt of AI jouw assortiment noemt

De klassieke funnel begon met een zoekopdracht en een klik. In 2026 begint een groeiend deel met een gesprek: "ik zoek een duurzame werkbroek voor buitenwerk onder 120 euro". Het antwoord bevat drie tot vijf merken. Wie daar niet bij staat, wordt niet vergeleken — hoe goed de productpagina ook is.

Die selectie loopt niet op advertentiebudget maar op beschrijfbaarheid. Een model kiest producten waarvan het de eigenschappen betrouwbaar kan samenvatten en waarvan die eigenschappen op meerdere plekken hetzelfde zijn.

De meeste webshops hebben rijke data in het PIM en armoedige data op de pagina. Assistenten lezen wat er staat, niet wat je bedoelt. Vul daarom per product de attributen in die in aankoopvragen terugkomen:

• Toepassing: waarvoor is dit product bedoeld en waarvoor juist niet.
• Harde specs met eenheden: gewicht in gram, maat in cm, capaciteit in liter.
• Garantie, retourtermijn en levertijd als losse velden, niet in een voorwaardenpagina.
• Materiaal en herkomst — steeds vaker onderdeel van de vraag.
• Prijsklasse en positionering ten opzichte van je eigen alternatieven.

Spiegel diezelfde velden in Product-schema. Consistentie tussen zichtbare tekst en structured data is wat een model overtuigt dat de feiten kloppen.

Vergelijkende vragen ("welke lijkt op X maar goedkoper?") worden beantwoord vanuit pagina's die meerdere producten naast elkaar zetten. Een categoriepagina met alleen een grid en filters biedt daarvoor geen tekst. Voeg boven of onder het grid een echte keuzehulp toe: drie tot vijf gebruiksscenario's met een aanbeveling, een vergelijkingstabel met de belangrijkste attributen en een korte alinea over wanneer je iets níet moet kiezen.

Dat is bovendien geen SEO-truc: het is precies het advies dat een goede verkoper geeft. Daarom converteert het ook.

Reviewwidgets die pas na een JavaScript-call laden, bestaan voor veel crawlers niet. Render minimaal de tekst van de recentste reviews server-side, met datum en een korte samenvatting van de rode draad ("valt klein", "levering meestal binnen twee dagen").

Voeg waar je het hebt eigen ervaring toe: testresultaten, retourredenen, gebruikstips van klantenservice. Dat zijn feiten die geen concurrent kan kopiëren en die assistenten graag citeren.

Bouw per categorie een promptset van tien tot twintig realistische aankoopvragen en leg maandelijks vast of je merk en producten genoemd worden, in welke volgorde en met welke argumenten. Die argumenten zijn de bruikbaarste output: ze vertellen je precies welke attributen ontbreken of verkeerd worden overgenomen.

Combineer dat met merkzoekvolume en direct verkeer. Stijgt je vermeldingspercentage, dan volgt merkvraag vaak binnen een kwartaal — ook als de klikken uit informatieve zoekopdrachten dalen.