Wat is schema-markup, en helpt het bij AI-zoeken?
Schema-markup, of gestructureerde data, is code op een pagina, meestal JSON-LD met de schema.org-woordenschat, die feiten over de pagina en het onderwerp vastlegt in een vorm die machines kunnen lezen. Schema-markup legt feiten over een pagina vast, zoals dat het om een organisatie gaat of dat een product zoveel kost, in een vorm die machines lezen zonder te gokken. Het helpt zoekmachines een pagina te begrijpen. Het is geen schakelaar die je in AI-antwoorden zet.
Hoe werkt schema-markup?
Google definieert gestructureerde data als een gestandaardiseerd formaat om informatie over een pagina te geven en de inhoud van de pagina te classificeren. Het ondersteunt JSON-LD, Microdata en RDFa, raadt JSON-LD aan waar de opzet van een site dat toelaat, en merkt op dat de meeste gestructureerde data voor zoeken het schema.org-vocabulaire gebruikt (Google Search Central, bijgewerkt op 10 december 2025).
Een JSON-LD-blok staat in een scripttag op de pagina en zegt bijvoorbeeld dat de pagina een Organization beschrijft met een naam, logo, URL en sameAs-links naar de officiële profielen.
Helpt schema-markup bij AI-zichtbaarheid?
Niet als speciale hefboom, volgens Google zelf. De richtlijnen voor de AI-functies zeggen dat er geen speciale schema.org-gestructureerde data nodig is om in AI Overviews of AI Mode te verschijnen, en adviseren ervoor te zorgen dat gestructureerde data overeenkomt met de zichtbare tekst op de pagina (Google Search Central, gelezen op 15 okt. 2026).
De gids over generatieve AI-functies herhaalt het: gestructureerde data is niet vereist voor generatief AI-zoeken (Google, bijgewerkt op 10 juli 2026). Beweringen over vaste procentuele stijgingen in AI-antwoorden door markup toe te voegen, konden we niet herleiden tot een gepubliceerde meting (het artikel).
Hoe ziet dit eruit in een echt voorbeeld?
In het openbare Tesla-voorbeeld (4 okt 2026) beantwoordde Google AI Overviews „Wat is Tesla?” door te beginnen met de magnetische eenheid voordat het bij het bedrijf aankwam. Dat soort dubbelzinnigheid helpt Organization-markup met sameAs-links een systeem op te lossen, door een site aan één identiteit te koppelen.
Het bepaalt niet hoe een antwoord opent. De antwoorden in dat voorbeeld citeerden video-, forum- en naslagpagina’s veel vaker dan tesla.com, dus markup op de eigen pagina’s van het merk kon altijd maar een klein deel van het plaatje zijn.
Welke schematypes moet een merk gebruiken?
Markeer wat de pagina werkelijk laat zien:
- Organization: naam, URL, logo en sameAs-links naar officiële profielen, op de homepage of Over ons-pagina.
- Product of SoftwareApplication met offers, waar een pagina een prijs noemt.
- Article met auteur en data, bij artikelen en gidsen.
- BreadcrumbList, voor de plek van de pagina in de site.
- Niets wat niet zichtbaar is op de pagina: Google vraagt dat markup overeenkomt met de zichtbare tekst.
Hoe gaat Proofsource om met schema-markup?
Als basishygiëne, niet als hefboom voor je positie: het gatenregister van Proofsource bevat controles op entiteiten en machinetoegang naast gaten in bronvermeldingen en reviews, gerangschikt op verwachte stijging tegenover moeite. Deze woordenlijstpagina heeft zelf DefinedTerm- en FAQPage-JSON-LD die overeenkomt met de zichtbare tekst. Zie Opportunities.
Veelgestelde vragen over Schema-markup (gestructureerde data)
Heb ik speciaal schema nodig om in AI Overviews te verschijnen?
Nee. Google zegt dat er geen speciale schema.org-markup nodig is voor AI Overviews of AI Mode. Wat telt, zijn indexeerbare pagina’s die geschikt zijn voor een snippet en de vraag beantwoorden.
Welk formaat moet ik gebruiken?
JSON-LD, dat Google aanraadt waar je opzet dat toelaat. Het staat in één scriptblok en verandert de zichtbare pagina niet.
Kan onjuiste gestructureerde data schaden?
Markup die niet overeenkomt met de zichtbare pagina kan die ongeschikt maken voor rich results, en onjuiste feiten in een machineleesbare vorm worden net zo verspreid. Houd het juist.
Helpt FAQ-markup bij AI-antwoorden?
Het legt je vragen en antwoorden vast in een standaardvorm, maar geen enkele engine documenteert het als vereiste voor AI-antwoorden. Schrijf het antwoord eerst duidelijk op de pagina.
Gerelateerde termen
- Entiteit
In zoeken en AI is een entiteit één afzonderlijk, herkenbaar ding, zoals een bedrijf, product, persoon of plaats, dat een systeem kan herkennen en kan onderscheiden van dingen met een vergelijkbare naam.
- Knowledge graph
Een knowledge graph is een database van entiteiten en de feiten die ze verbinden; de Knowledge Graph van Google is de bekendste, met miljoenen items over mensen, plaatsen en dingen.
- llms.txt
llms.txt is een voorgesteld markdownbestand in de root van een website dat taalmodellen vertelt wat de site is en de pagina’s opsomt die het lezen het meest waard zijn.
- E-E-A-T
E-E-A-T staat voor experience, expertise, authoritativeness en trustworthiness: ervaring, expertise, autoriteit en betrouwbaarheid, de eigenschappen waarnaar de systemen van Google volgens Google zoeken in nuttige, betrouwbare content.
Uitgewerkt voorbeeld: Tesla, openbare AI-antwoorden, 4 okt. 2026: de eerste scan van Tesla door Proofsource, met 25 koopvragen en 5 merkvragen, één antwoord per vraag op elk van vier engines. Een kleine steekproef van één merk, getoond als voorbeeld, niet als benchmark.
Zie waar AI je overslaat, en wat je moet verbeteren.
Zie welke koopvragen je merk noemen, wie in jouw plaats wordt genoemd en wat je moet verbeteren. 200 antwoorden. 25 Prompts/vraag. Top-AI-engines. 2 dagen. Gratis. Geen creditcard nodig.
Google AI OverviewsGoogle AI Mode
