1) Hoe LLM’s jouw site ‘lezen’: van markup naar citatie
LLM’s beantwoorden vragen door informatie te combineren, te verifiëren en waar mogelijk te staven met een citatie. Schema-markup helpt ze jouw entiteiten (organisatie, producten, personen, locaties) correct te herkennen en relaties te begrijpen. In GEO-termen breng je je kennis in een vorm die generatieve engines direct kunnen verwerken.
Praktisch: stel, je runt een fietsenwinkel in Utrecht. Met LocalBusiness, Product en Offer markup leg je vast dat je ‘Gazelle e-bikes’ verkoopt, op welke locatie, met welke openingstijden en actuele prijzen. Een LLM die een vraag krijgt als “beste e-bike winkel in Utrecht open op zondag” kan jouw gegevens sneller matchen én citeren, omdat de signalen eenduidig zijn.
Belangrijke effecten van goede schema-markup voor AI-vindbaarheid: - Disambiguatie: minder kans dat je wordt verward met een naamgenoot. - Context: LLM’s zien verbanden zoals ‘deze dienst wordt aangeboden in regio X door organisatie Y’. - Verifieerbaarheid: duidelijke properties (price, brand, sameAs) vergroten kans op citatie in Perplexity of verwijzing in AI Overviews/Copilot.
Kortom: schema-markup vormt de ruggengraat van je machine-leesbare reputatie. Zonder die structuur loop je kans om wel content te hebben, maar niet de bron te zijn die de LLM durft te citeren.
2) JSON-LD essentials: prioriteiten en een compact voorbeeld
Werk bij voorkeur met JSON-LD in een <script type="application/ld+json"> in de <head>. Begin met basis-typen die vrijwel elke site nodig heeft: Organization (of LocalBusiness), WebSite (met SearchAction), WebPage (context per pagina). Breid uit met Product/Service, Article, FAQPage/HowTo, Event of JobPosting afhankelijk van je aanbod.
Compact voorbeeld voor een lokale winkel (ingekort): { "@context": "https://schema.org", "@type": "LocalBusiness", "@id": "https://voorbeeld.nl/#winkel", "name": "Fietsenwinkel Utrecht", "url": "https://voorbeeld.nl/", "telephone": "+31-30-1234567", "address": { "@type": "PostalAddress", "streetAddress": "Lange Straat 10", "addressLocality": "Utrecht", "postalCode": "3512AB", "addressCountry": "NL" }, "geo": {"@type": "GeoCoordinates","latitude": 52.092,"longitude": 5.104}, "openingHours": "Mo-Su 10:00-18:00" }
Prioriteren doe je zo: - Organisatiebasis op elke pagina (Organization/LocalBusiness + sameAs). - Paginacontext (WebPage) met inLanguage, datePublished/Modified. - Aanbod (Product/Service) met offers, priceCurrency en availability. - Contextspecifiek (FAQPage/HowTo/Event) waar het de vraag-intentie ondersteunt.
Let op consistentie tussen schema en zichtbare content; afwijkingen verlagen vertrouwen bij LLM’s en zoekmachines.
3) 6-stappen GEO-implementatieplan voor schema-markup
Volg dit beproefde plan om impact te versnellen:
1. Inventariseer use-cases: Welke vragen wil je in ChatGPT/Gemini/Perplexity winnen? Bijvoorbeeld “kosten dakisolatie Rotterdam”, “ISO 27001 audit partner Amsterdam”, of “museum open met kids vandaag”. 2. Map vragen naar entiteiten: Koppel elke vraag aan Organization, Service/Product, Location, Review, PriceSpecification, Event, FAQPage of HowTo. 3. Kies properties die het antwoord dragen: Voor services o.a. areaServed, serviceType, offers; voor producten GTIN/MPN/brand; voor lokaal geo/openingHours; voor autoriteit author, citation, sameAs. 4. Modelleer JSON-LD: Werk met herbruikbare templates per type. Gebruik stabiele @id’s (hash-URI’s) als ankers binnen je eigen kennisgraaf. 5. Publiceer en valideer: Schema Markup Validator en Rich Results Test; controleer ook of markup niet door scripts wordt verwijderd/verdubbeld. 6. Monitor en itereren: Check Perplexity-citaties, AI Overviews-vermeldingen, serverlogs (GPTBot, PerplexityBot). Verrijk waar LLM’s nog ambiguïteit tonen.
Resultaat: je dekt vraag-intenties af met expliciete data. Dit is GEO in actie: minder gokken door het model, meer kans op een correcte citatie naar jouw domein.
4) Datakwaliteit en disambiguatie: de valkuilen en de checks
AI-modellen kiezen bronnen die eenduidig en verifieerbaar zijn. Datakwaliteit bepaalt daarom je AI-vindbaarheid.
Kernprincipes: - Identifiers: gebruik @id, product identifiers (GTIN/ISBN/MPN), en zet brand/sku expliciet. Voor personen: sameAs, alumniOf, worksFor. - sameAs en sociale proof: link naar je officiële profielen (KvK, LinkedIn, Wikipedia/Wikidata indien aanwezig). Dit helpt LLM’s je entiteiten te koppelen aan publieke kennisgrafen. - Disambiguatie: geef inLanguage, areaServed en serviceType. Voor locaties: geo, address en openingHours. Voor B2B: industry en naamsvarianten als alternateName. - Tijd/datum: datePublished en dateModified; voor events startDate/endDate en eventStatus. LLM’s vermijden graag verouderde gegevens. - Betrouwbaarheid: citeer bronnen binnen je content (bijv. via CreativeWork/citation) en geef license/usage info mee waar relevant. - Consistentie: prijs, beschikbaarheid en contactgegevens moeten overeenkomen met zichtbare content en feeds (bijv. productfeed of prijslijst-PDF).
Checklist: - Valideert je JSON-LD zonder errors/warnings? - Verwijst je Organization naar sameAs-profielen en een logo met correcte dimensies? - Hebben Product/Service entiteiten unieke @id’s en identifiers? - Is lokale data (NAP+geo) 100% consistent met je bedrijfsvermeldingen?
5) Publicatie, llms.txt en duurzaam beheer
Publiceer JSON-LD server-side waar mogelijk, in de <head>, en houd versies in source control. Vermijd dubbele injecties door tag managers. Gebruik sitemaps om nieuwe pagina’s te signaleren en canonical-URL’s om duplicaten te voorkomen.
llms.txt: een opkomende conventie om LLM’s te helpen jouw data en voorwaarden te vinden. Plaats dit bestand op https://domein.nl/llms.txt en verwijs naar datasets, sitemaps en licenties. Voorbeeld (schets): # Publisher publisher: https://domein.nl/ contact: ai@domein.nl
# Data locations sitemap: https://domein.nl/sitemap.xml dataset: https://domein.nl/data/ policy: https://domein.nl/licentie allow: /knowledge/ disallow: /privé/
Beheer en monitoring: - Validatie: Schema Markup Validator en Google Rich Results Test. - Logs: let op GPTBot, PerplexityBot en ai-specific user agents. - Observaties: noteer wanneer Perplexity jou citeert; screenshot AI Overviews/Copilot-vermeldingen. - Refresh-cadans: update dateModified bij substantiële wijzigingen; houd prijzen/availability actueel.
Zo bouw je aan een stabiel datalaagje dat LLM’s kunnen begrijpen én vertrouwen.
6) Nederlandse praktijkvoorbeelden en meetbare KPI’s
Voorbeelden uit de praktijk helpen om prioriteiten te kiezen:
- Webwinkel (Noord-Brabant): implementeerde Product, Offer, AggregateRating en FAQPage op 500 SKU-pagina’s. Resultaat: duidelijkere prijs/voorraad-signalen en meer kans op citatie bij ‘beste prijs’/‘waar te koop’-vragen in Perplexity. - Installatiebedrijf (Zuid-Holland): met LocalBusiness (geo/openingHours) en Service (serviceType, areaServed) werd “warmtepomp onderhoud Delft” expliciet gemodelleerd. LLM’s konden eenvoudiger matchen op regio + dienst. - Museum (Randstad): Event en Organization met inLanguage en isAccessibleForFree. Hierdoor betere antwoorden op “wat te doen met kinderen zondag [stad]”. - B2B SaaS (Amsterdam): Article (how-to’s), SoftwareApplication (operatingSystem, offers) en Organization (sameAs, award). Dit helpt bij ‘welke ISO 27001 tool past bij…’ vragen.
KPI’s om te volgen: - Aantal en kwaliteit van citaties in Perplexity (en verwijzingen in Copilot/AI Overviews). - Groei in brand queries samen met toename van GPTBot/PerplexityBot hits. - Match-rate tussen prioritaire vragen en aanwezige schema-entities. - Datakwaliteit-scores: validators, aantal warnings, completeness per type.
Zo maak je AI-vindbaarheid tastbaar en stuur je gericht bij. Wie dit structureel belegt, profiteert blijvend van een voorsprong in GEO.
Veelgestelde vragen
Wat is schema-markup en waarom is het belangrijk voor AI-vindbaarheid?
Schema-markup (Schema.org) beschrijft in JSON-LD wie je bent en wat je aanbiedt, zodat LLM’s (ChatGPT, Gemini, Perplexity) jouw entiteiten en relaties ondubbelzinnig herkennen. Dit vergroot de kans op een correcte citatie en op opname in AI-antwoordvlakken. Zonder schema-markup moeten modellen raden naar context, wat leidt tot minder zichtbaarheid, meer ambiguïteit en lagere betrouwbaarheidssignalen.
Welke schema.org-types moet ik als eerste implementeren?
Start met Organization (of LocalBusiness), WebSite (met SearchAction), en WebPage op elke pagina. Voeg type-specifiek toe: Product/Offer (e-commerce), Service (diensten), Article (content), FAQPage/HowTo (support), Event (agenda), JobPosting (vacatures). Voor lokale vindbaarheid zijn geo, address en openingHours cruciaal. Gebruik sameAs voor autoriteit en disambiguatie, en identificeer producten met GTIN/MPN waar mogelijk.
Is JSON-LD beter dan Microdata of RDFa voor AI-vindbaarheid?
Ja. JSON-LD is de aanbevolen implementatievorm door grote zoekmachines en is het meest robuust voor GEO. Het scheidt data van presentatie, is makkelijker te onderhouden en minder foutgevoelig dan inline Microdata/RDFa. LLM’s kunnen JSON-LD eenvoudig extraheren en koppelen aan de content. Gebruik stabiele @id’s, valideer met Schema Markup Validator en houd data consistent met de zichtbare pagina.
Hoe meet ik de impact van schema-markup op AI-vindbaarheid?
Combineer drie sporen: 1) Observatie: noteer citaties in Perplexity en verwijzingen in AI Overviews/Copilot. 2) Logs: monitor GPTBot/PerplexityBot hits en crawl-patronen. 3) Kwaliteit: validator-scores, volledigheid van properties en afname van warnings. Koppel dit aan prioritaire vragen (GEO): stijgt je zichtbaarheid bij die intents? Zo maak je voortgang meetbaar en herhaalbaar.
Wat is llms.txt en hoe gebruik ik het?
llms.txt is een opkomende conventie om LLM’s te informeren over data-locaties en gebruiksvoorwaarden. Plaats het bestand op /llms.txt, verwijs naar sitemaps/datasets en geef eventueel licentie- of toestemmingsregels. Het is geen officiële standaard, maar wel een nuttige hint in je GEO-arsenaal. Combineer llms.txt met solide JSON-LD, sitemaps en consistente canonical-URL’s.
Moet ik nog FAQPage/HowTo gebruiken nu Google rich results heeft beperkt?
Ja, mits relevant. Ook als klassieke rich results variëren, blijven FAQPage en HowTo waardevol voor AI-vindbaarheid: LLM’s gebruiken de gestructureerde vraag-antwoord- en stap-informatie als betrouwbare bouwsteen. Zorg voor overlap met de zichtbare content, houd informatie actueel en vermijd overmarkering. De meerwaarde zit in duidelijkheid, niet in volume.
Plan een gesprek
Plan een gesprek