Basale Schema.org-implementatie volstaat niet meer in 2026. Elke serieuze website heeft een Organization-schema en Article-tags. Het verschil tussen geciteerd worden en genegeerd worden zit nu in de geavanceerde lagen: geneste entiteiten, relatieverbanden tussen schema's, sector-specifieke types en correcte implementatie van Author-entiteiten met EEAT-signalen.
LLM's in RAG-modus parsen uw JSON-LD om te begrijpen wie u bent, wat u weet, en of u betrouwbaar bent. Een rijke, consistente schema-implementatie is het equivalent van een sterk CV dat de AI overtuigt u als bron te gebruiken. Een minimale implementatie is als een blank CV: technisch aanwezig maar niet onderscheidend.
Deze gids gaat verder dan de basisschema's. We behandelen de geavanceerde types die het meest bijdragen aan AI-zichtbaarheid, de correcte nesting van entiteiten, en de validatiemethoden die u vertellen of uw implementatie correct werkt.
De vijf schema-types met de grootste impact op AI-citaties
FAQPage met nested Question en Answer. Dit is het meest geciteerde schema door RAG-systemen. Een FAQ-schema met vijf tot tien gerichte vragen en directe antwoorden biedt LLM's kant-en-klare snippets die ze kunnen integreren in generatieve antwoorden. De vragen moeten overeenkomen met echte gebruikersvragen, niet met uw intern jargon.
HowTo met ordered Steps. Stappenplannen in HowTo-schema worden door LLM's gebruikt om gestructureerde instructies te genereren. Elke Step krijgt een name, text en optioneel een image. De sleutel is precisie: vage stappen ("optimaliseer uw content") worden genegeerd, concrete stappen ("voeg het FAQPage-schema toe in een JSON-LD blok in de head van de pagina") worden geciteerd.
Article met Author en dateModified. Artikelen zonder Author-entiteit worden door RAG-modellen lager gewaardeerd dan artikelen met een volledig Author-profiel. De Author moet een Person zijn met name, url (naar een auteurspagina) en optioneel sameAs-links naar LinkedIn of andere verificatiebronnen. dateModified is niet optioneel: verouderde content zonder bijwerkdatum wordt bestraft.
Entiteiten nesten: Organization, Person en Product verbinden
De kracht van geavanceerd Schema.org zit in de relaties tussen entiteiten, niet in de entiteiten zelf. Een Organization-schema dat verbonden is met Person-entiteiten (oprichters, auteurs) en Product-entiteiten (diensten, tools) creert een kennisgraaf die LLM's begrijpen als een coherente, betrouwbare bron.
Technisch ziet dit eruit als geneste JSON-LD waarbij de Organization linkt naar founder (een Person), makesOffer (een Offer met daarin een Service), en knowsAbout (een lijst van onderwerpen). Deze verbanden versterken het entiteitssignaal: de AI begrijpt niet alleen dat u bestaat maar ook wie u bent, wat u doet, en op welke gebieden u autoriteit claimt.
Een veelgemaakte fout is elk schema-type als een losstaand blok te behandelen. Op de Over ons-pagina staat dan een Organization-schema, op blogposts een Article-schema, maar de twee zijn niet verbonden. De auteur van het artikel is niet gelinkt aan de Organization. Dit is een gemiste kans: verbonden schema's versterken het E-E-A-T-signaal exponentieel meer dan losstaande schema's.
Sector-specifieke schema-types die AI-citaties versnellen
Naast de generieke types biedt Schema.org sector-specifieke types die LLM's helpen de exacte aard van uw diensten te begrijpen. Voor dienstverleners is ProfessionalService met hasCredential cruciaal. Voor e-commerce is Product met Review en AggregateRating niet meer optioneel. Voor SaaS-bedrijven is SoftwareApplication met featureList en screenshot bijzonder effectief.
De sectoren waar wij de meeste impact zien van geavanceerde schema-implementatie zijn de SaaS-sector en de adviessector. In beide gevallen is het vermogen van de AI om uw expertise op een specifiek domein te valideren doorslaggevend voor citatiekans.
Voor adviesdiensten raden we LocalBusiness aan als aanvulling op Organization, met openingHours, areaServed en priceRange. Dit helpt niet alleen bij lokale AI-zoekopdrachten maar versterkt ook de legitimiteitsperceptie van het model: een bedrijf met een fysiek adres en openingsuren wordt als betrouwbaarder beschouwd dan een anonieme online aanwezigheid.
JSON-LD versus Microdata: de juiste keuze voor AI-optimalisatie
Voor AI-zichtbaarheid heeft JSON-LD een duidelijk voordeel boven Microdata. JSON-LD staat los van de HTML-structuur van de pagina, wat betekent dat u rijke schema's kunt implementeren zonder de HTML te herstructureren. LLM's parsen JSON-LD efficienter dan Microdata omdat het een gestandaardiseerd, machineleesbaar formaat is dat niet interfereert met de zichtbare content.
Plaats uw JSON-LD in de head van de pagina, niet in de body. Sommige implementaties plaatsen JSON-LD onderaan de pagina voor laadperformance, maar voor AI-parsing is het beter in de head. Gebruik een enkel, uitgebreid JSON-LD blok per pagina in plaats van meerdere kleine blokken: dit maakt de kennisgraaf explicieter en vermijdt parseer-conflicten.
Valideer elke implementatie via drie tools in combinatie: Google's Rich Results Test voor Google-compatibiliteit, Schema.org Validator voor correcte type-implementatie, en een handmatige JSON-lint check voor syntaxfouten. Een syntaxfout in JSON-LD maakt het volledige schema onleesbaar, niet alleen het onderdeel met de fout.
Dynamische schema's voor grote sites
Voor sites met honderden of duizenden pagina's is handmatige schema-implementatie niet schaalbaar. De oplossing is template-gebaseerde JSON-LD die automatisch wordt gegenereerd op basis van pagina-eigenschappen. In een Next.js of Nuxt.js omgeving betekent dit een schema-component die de juiste types en waarden injecteert op basis van het contenttype van elke pagina.
De variabelen die dynamisch worden gevuld zijn: datePublished en dateModified (uit het CMS), author.name en author.url (uit het auteursprofiel), headline en description (uit de meta-data), en voor e-commerce: price, availability en aggregateRating. Statische velden zoals Organization en Publisher zijn hetzelfde op alle pagina's en worden eenmalig geconfigureerd.
Test uw dynamische implementatie op een representatieve steekproef van pagina's, niet alleen op de homepage. De meeste schema-fouten manifesteren zich op subpagina's waar de dynamische variabelen niet correct worden gevuld. Vergelijkingen en vergelijkingspagina's verdienen bijzondere aandacht: zij profiteren het meest van correcte schema-implementatie maar worden het vaakst vergeten.
De meetbare impact van geavanceerde schema-implementatie
Na de implementatie van geavanceerde schema-markup bij onze klanten zien we gemiddeld een stijging van 35 tot 45% in nauwkeurige AI-citaties binnen zestig dagen. De impact is het grootst op informatieve vragen en het kleinst op transactionele vragen, wat logisch is: LLM's zoeken bij informatieve vragen naar de meest gestructureerde bron.
De meting verloopt via onze standaard AI-auditprocedure: een set van twintig vragen gesteld aan ChatGPT, Perplexity, Gemini en Claude, uitgevoerd voor en na de implementatie. We meten citatiefrequentie, nauwkeurigheid van de geciteerde informatie, en sentiment. Schema-rijke pagina's worden niet alleen vaker geciteerd maar ook nauwkeuriger geciteerd: de AI reproduceert de gestructureerde data in plaats van parafrasen te genereren.
Wilt u weten hoe schema-markup integreert met uw bestaand CMS? Onze integratiepagina behandelt de meest gebruikte platformen. Voor een volledig beeld van uw huidige implementatie is een audit de snelste weg vooruit.