GEO en Rich Results: waarom AI's je prijs tonen maar je concurrent aanbevelen

Waarom AI's je prijs tonen maar je concurrent aanbevelen

Moderne AI-engines (ChatGPT, Perplexity, Gemini, Claude) scheiden twee verschillende taken: het extraheren van gestructureerde data en het genereren van aanbevelingen. Je Product- of Offer-schema wordt correct geparseerd, je prijzen en ratings verschijnen in het AI-antwoord, maar het algoritme beveelt de aankoop of actie bij een concurrent aan. Deze scheiding is geen bug, het is de architectuur zelf van taalmodellen: ze verwerken metadata en natuurlijke content afzonderlijk, en de uiteindelijke rangschikking hangt niet uitsluitend af van de zichtbare gestructureerde data.

Het cruciale onderscheid: extractie versus aanbeveling

Wanneer je een JSON-LD-schema op je site installeert, vergemakkelijk je de extractie van gestructureerde data. AI-crawlers halen je Product-schema op met de naam, de prijs, de gemiddelde score en de beschikbaarheid. Het is deze laag die de tabel of de fiche vult die in het antwoord wordt weergegeven. De uiteindelijke aanbeveling ("kies dit product", "koop bij deze verkoper") berust echter op andere signalen: tekstuele relevantie, domeinautoriteit, externe vermeldingen, de coherentie tussen gebruikersintentie en natuurlijke content, en de trainingspatronen van het model.

Een concurrent met minder gestructureerde data maar met informatievere content, een betere externe reputatie of een betere overeenkomst met de query kan dus de voorkeur krijgen ondanks het ontbreken van een verrijkt schema. AI's "lezen" je rich results niet als een telefoongids: ze gebruiken ze als signalen naast tientallen andere.

Hoe AI-modellen rich results anders verwerken

Product-schema: zichtbaar maar niet beslissend

Het Product-schema (naam, afbeelding, beschrijving, price, offers) wordt geëxtraheerd en weergegeven. ChatGPT en Gemini vermelden het vaak in hun contexten: "Je vindt dit product bij X voor de prijs van Y euro". Dit schema verbetert echter niet rechtstreeks de ranking van de aanbeveling. Het dient vooral om de weergave te verrijken en basisinformatie te leveren. Een site zonder Product-schema maar met rijke content over de productkenmerken en gedetailleerde reviews kan een concurrent overtreffen die het schema heeft geïnstalleerd maar niets anders biedt.

Review-schema: de impact op waargenomen geloofwaardigheid

Het Review-schema (author, rating, reviewBody, datePublished) heeft een ander gewicht. Perplexity en Claude citeren gestructureerde reviews om hun aanbevelingen te rechtvaardigen: "dit artikel heeft een score van 4,8/5 van 200 gebruikers". Dit schema beïnvloedt dus indirect de aanbeveling, omdat het het sociale bewijs levert dat het model in zijn antwoord verwoordt. Een product met 3 gestructureerde reviews van 5 sterren wordt systematisch gunstiger geciteerd dan een zonder reviewdata.

Offer-schema: de informatie over beschikbaarheid en prijs

Het Offer-schema omvat de prijs, de valuta, de beschikbaarheid (in stock, out of stock, preorder) en de leveringsvoorwaarden. AI's extraheren deze informatie voor de onmiddellijke weergave. Als je Offer-schema "in stock" en een competitieve prijs aangeeft, zal het AI-antwoord dit tonen. Maar als een concurrent een betere verhouding prijs/beschikbaarheid/levertijd heeft, wordt deze laatste aanbevolen, zelfs als je gestructureerde data onberispelijk zijn.

De verborgen signalen die rich results overstijgen

Domeinautoriteit en de geschiedenis van de entiteit

AI-modellen bevatten een interne representatie van de autoriteit van domeinen. Een site zoals Amazon of Cdiscount geniet, ongeacht zijn rich results, een structureel gewicht: hij is bekend, zijn historische data zijn massaal, de modellen hebben hem miljoenen keren zien aanbevelen. Een nieuwe site met uitstekende rich results maar zonder externe geschiedenis haalt dat voordeel niet onmiddellijk in.

Externe vermeldingen en merkvermeldingen

Wanneer een onafhankelijke blog, een forum of een medium je product vermeldt of je merk aanbeveelt zonder link, integreren AI-modellen die vermelding in hun representatie van je entiteit. Een concurrent die 50 keer wordt vermeld in aanbevelingscontexten krijgt de voorkeur, zelfs als hij niet in rich results heeft geïnvesteerd.

De coherentie tussen context en gebruikersquery

Als een gebruiker vraagt naar "beste laptop voor programmeren", wordt een site met een basis Product-schema maar gedetailleerde content over Python-programmeren, CPU-specificaties en RAM eerder aanbevolen dan een site met een volledig Product-schema maar generieke content. AI's zoeken de maximale overeenkomst tussen intentie en globale content.

Waarom Perplexity, ChatGPT en Gemini niet degene met de beste data aanbevelen

Modellen optimaliseren voor relevantie, niet voor rijkdom van metadata

De loss-functies die worden gebruikt om LLM's te trainen belonen relevantie en nut, niet de aanwezigheid van gestructureerde schema's. Een model leert een goed product herkennen via de omringende content, externe kwaliteitssignalen en goed opgebouwde natuurlijke taal. De afwezigheid van een JSON-LD-schema is nooit een directe straf: het is de afwezigheid van kwaliteitsvolle content die bestraft.

De diversiteit van bronnen in het contextvenster

Perplexity en Claude nemen doorgaans meerdere bronnen op in hun context. Als je site op nummer 2 of 3 staat maar nummer 1 heeft betere natuurlijke content, gaat de aanbeveling naar nummer 1. Zelfs als je het beste Product-schema van de sector hebt, blijf je in dezelfde categorie van bronnen als de anderen, zonder beslissend voordeel.

Trainingspatronen overstijgen de data van het moment

Generatieve modellen zijn getraind op miljarden pagina's voordat GEO (Generative Engine Optimization) een onderwerp was. Hun interne patronen over wat een "goede bron" is voor aanbevelingen komen uit een tijd waarin rich results geen SEO-strategie waren. Hoewel recentere modellen meer technische signalen integreren, blijft deze historische bias bestaan.

Hoe je data-extractie omzet in aanbeveling

1. Verrijk rich results met samenhangende natuurlijke content

Installeer je rich results niet geïsoleerd. Schrijf rond elk Product-schema content die uitlegt waarom dit product relevant is, wat de onderscheidende voordelen zijn en wat de use cases zijn. Als het model je schema in een rijke en coherente context vindt, zal het eerder geneigd zijn het aan te bevelen. Voorbeeld: als je een hoofdtelefoon verkoopt met een Product-schema, schrijf dan ook een sectie over akoestiek, de soorten gebruik (sport, studio, reizen) en eerlijke vergelijkingen met de alternatieven.

2. Structureer Review-schema's met gedetailleerde rechtvaardigingen

Zet niet alleen "5 sterren" in je Review-schema's. Voeg een beschrijvende reviewBody toe die de rating rechtvaardigt. Een zin als "Uitstekende prijs-kwaliteitverhouding, batterij van 48u, zeer comfortabel voor lange sessies" is nuttiger voor het model dan een simpele numerieke ster. AI's extraheren en citeren deze reviewteksten: hoe specifieker ze zijn, hoe meer ze de aanbeveling beïnvloeden.

3. Bouw een externe aanwezigheid op met thematische vermeldingen

Rich results alleen volstaan niet: je hebt relevante externe vermeldingen nodig. Moedig blogs, nicheforums en technische influencers aan om over je product te praten. Beantwoord vragen op Reddit, Stack Overflow en Quora door (ingetogen, zonder spam) je oplossing aan te bevelen. Elke externe vermelding versterkt het signaal dat AI's in hun uiteindelijke aanbeveling integreren.

4. Zet autoriteits- en attributieschema's op

Gebruik de Organization- en Author-schema's om een sterke en geloofwaardige entiteit op te bouwen. Een Author-schema geeft aan wie een review of content heeft geschreven; een Organization-schema geeft je legitimiteit, je certificeringen en je aanwezigheid in directories aan. Deze signalen vullen de Product- en Review-schema's aan om een betrouwbaar beeld op te bouwen.

5. Optimaliseer het Offer-schema voor vergelijking

Vul in je Offer-schema alle velden in: price, priceCurrency, availability, seller, shippingDetails, hasMerchantReturnPolicy. Hoe vollediger je Offer, hoe meer AI-modellen hem in detail kunnen citeren en vergelijken met andere. Een minimaal Offer maakt extractie mogelijk, maar een rijk Offer vergemakkelijkt de differentiatie en de aanbeveling in je voordeel (als je aanbod effectief beter is).

De signalen die zwaarder wegen dan je rich results

De kwaliteit van de landingspagina

Een snelle, mobielvriendelijke productpagina met een duidelijke structuur, hoogwaardige afbeeldingen en unieke content weegt zwaarder dan een perfect Product-schema op een trage en generieke pagina. AI's evalueren de gebruikerservaring impliciet: als je site frictie veroorzaakt, redden zelfs de beste metadata de aanbeveling niet.

Backlinks en interne linking

Externe links naar je product, afkomstig van relevante en autoritatieve sites, blijven een van de sterkste signalen. Een concurrent met 10 autoriteitsbacklinks zal waarschijnlijk een site overtreffen met onberispelijke rich results maar zonder externe links.

Duurzame en originele content

Een complete gids, een gedetailleerde FAQ, videotutorials of case studies rond je product maken deel uit van de content die AI-modellen waarderen voor de aanbeveling. Rich results vergemakkelijken het parsen, maar de content creëert de waargenomen waarde.

Complete strategie om AI-aanbevelingen te domineren

Stap 1: Audit je bestaande rich results

Controleer of al je Product-, Review- en Offer-schema's aanwezig, geldig en volledig zijn. Gebruik Google's Rich Results Test om te bevestigen dat er geen fouten zijn. Als je rivalen deze schema's niet hebben, is dat een eerste overwinning: je hebt op zijn minst het voordeel van de verrijkte weergave.

Stap 2: Produceer gespecialiseerde natuurlijke content rond elk aanbod

Maak voor elk belangrijk product een pagina met duurzame content: de geschiedenis van het product, gebruiksmogelijkheden, eerlijke vergelijkingen, FAQ en gedetailleerde reviews. Deze content moet uniek zijn en antwoorden op de vragen die AI's impliciet stellen: "waarom dit product en niet een ander?".

Stap 3: Vermenigvuldig authentieke Review-schema's

Moedig klanten aan om gedetailleerde reviews achter te laten. Importeer deze reviews in gestructureerde Review-schema's. Elke review wordt een stuk content dat AI-modellen kunnen extraheren en citeren om een aanbeveling te rechtvaardigen. 50 gestructureerde reviews van 4+ sterren wegen zwaarder dan welke zelfgeproduceerde content dan ook.

Stap 4: Bouw een gerichte externe aanwezigheid op

Identificeer de forums, nicheblogs, youtubers en influencers die relevant zijn voor je sector. Maak je product bekend zonder agressieve spam. Beantwoord vragen op Reddit of Quora door je oplossing aan te bevelen wanneer het echt relevant is. Externe vermeldingen verhogen je geloofwaardigheid in de ogen van AI-modellen.

Stap 5: Monitor AI-aanbevelingen en stuur bij

Stel dezelfde vragen aan ChatGPT, Perplexity en Gemini als je klanten. Noteer wie wordt aanbevolen en waarom. Als een concurrent je voor is ondanks je betere rich results, analyseer dan zijn natuurlijke content, zijn backlinks en zijn externe aanwezigheid. Pas je strategie aan om die lacunes op te vullen.

Veelvoorkomende valkuilen om te vermijden

Niet aannemen dat rich results volstaan

Veel sites installeren perfecte Product-schema's en verwachten dan AI-aanbevelingen. Dat is een valse zekerheid. Rich results zijn een noodzakelijke maar geen voldoende voorwaarde. Ze vergemakkelijken de extractie en de weergave, maar garanderen de aanbeveling niet.

De coherentie tussen schema en content niet verwaarlozen

Als je Product-schema een prijs van 99€ aangeeft maar je pagina 120€ toont, of als het Product-schema een kenmerk vermeldt dat niet in de content staat, zullen AI-modellen de incoherentie detecteren en je geloofwaardigheid bestraffen.

Negatieve Review-schema's niet negeren

Als er gestructureerde reviews van 2 of 3 sterren met gegronde kritiek zijn, zullen AI's ze zien en vermelden. Verwijder negatieve reviews niet uit je schema's: beantwoord ze in plaats daarvan publiekelijk in de natuurlijke content om te tonen dat je de feedback serieus neemt.

Externe vermeldingen niet spammen

Manipulatiepogingen (valse reviews op andere sites, verborgen betaalde vermeldingen, robotcommentaren) worden gedetecteerd door moderne AI-modellen. Relevante en authentieke vermeldingen zijn oneindig veel meer waard dan honderd verdachte vermeldingen.

De toekomst: de toenemende integratie van rich results in AI-aanbevelingen

AI-modellen zullen waarschijnlijk evolueren naar een beter gebruik van gestructureerde schema's, met name voor Product en Offer. Naarmate GEO een standaardpraktijk wordt, zullen modellen leren om sites die rijke en coherente gestructureerde data bieden meer te belonen. Dat betekent dat je investering in de rich results van vandaag niet tevergeefs zal zijn: ze bereidt je site voor op morgen.

Dat zal echter de noodzaak van uitstekende content, een externe aanwezigheid en domeinautoriteit niet wegnemen. Rich results versterken deze factoren, ze vervangen ze niet.