Een 100%-score in de Rich Results Test betekent niet dat AI-assistenten je vaker citeren, en soms is het tegenovergestelde waar: Ahrefs volgde 1.885 pagina's die structured data toevoegden en zag de AI Overview-citaties daarvan met 4,6% dalen.
Dat is geen pleidooi om schema over te slaan. Het is wel een waarschuwing dat de meeste artikelen over structured data testen fouten over de verkeerde fouten gaan: syntaxfoutjes, terwijl het echte probleem is dat een groene vink in een testtool wordt verward met bewijs van AI-zichtbaarheid.
- Ahrefs volgde 1.885 pagina's die schema toevoegden: AI Overview-citaties daalden 4,6%, ChatGPT en AI Mode bewogen amper (+2,2% en +2,4%, binnen de ruismarge)
- Een controlled experiment uit februari 2026 toont dat ChatGPT en Perplexity JSON-LD soms als platte tekst tokenizen in plaats van als gestructureerde data parsen
- 68% van 500 onderzochte sites uit 15+ sectoren had gedeeltelijk of volledig ontbrekende structured data
- Bij hotels heeft slechts 10,6% van 121.425 gescande homepages goed werkende Schema.org-markup, de helft scoort exact nul
- In de Writgo AI-Citatie Index verwijst Kimi in 90% van de koopvragen naar een vergelijkingsplatform, tegenover 0% bij Google AI Overview
Wat een groene vink in de Rich Results Test eigenlijk checkt
De Rich Results Test van Google checkt maar één ding: of je markup voldoet aan de eisen voor de schema-types die Google specifiek ondersteunt voor rijke resultaten, zoals recensies, producten of FAQ's. Niet elk correct schema-type valt daaronder.
Dat is een ander soort test dan de Schema.org Validator, die alle vocabulaire-regels van schema.org checkt, ongeacht of een zoekmachine er iets mee doet. Een pagina kan dus perfect valideren in de ene tool en toch niets opleveren in de andere, volgens deze vergelijking van beide testworkflows.
Zelfs een groen vinkje in beide tools garandeert geen rijk resultaat. Google bepaalt de uiteindelijke weergave op basis van contentkwaliteit en autoriteitssignalen, niet alleen op basis van geldige markup. Correcte schema is dus een voorwaarde, geen garantie.
Precies daar gaat het meestal mis in artikelen over structured data testen: ze behandelen 'geldig' en 'zichtbaar in AI-antwoorden' alsof het hetzelfde is. Dat zijn twee losse vragen, met twee losse antwoorden.
Het experiment dat de aanname doorprikt: 1.885 pagina's, vier weken meten
Ahrefs volgde tussen augustus 2025 en maart 2026 pagina's die JSON-LD-schema toevoegden en vergeleek ze met bijna 4.000 controlepagina's zonder die wijziging, allemaal pagina's die al citaties kregen vóór de test begon, blijkt uit het onderzoek van Ahrefs.
De uitkomst 30 dagen na het toevoegen van schema: Google AI Overviews daalden met 4,6%, Google AI Mode steeg met 2,4% en ChatGPT met 2,2%. De twee positieve cijfers vallen volgens de onderzoekers binnen de ruismarge, dus statistisch niet te onderscheiden van toeval.
Op geen van de drie platformen leverde het toevoegen van schema dus een aantoonbare toename in citaties op. Bij Google AI Overviews ging het zelfs de verkeerde kant op, bevestigt Search Engine Journal in de samenvatting van dezelfde data.
Belangrijke kanttekening: dit ging om pagina's die al in de honderden AI-citaties zaten voordat de test begon. Het zegt dus vooral iets over het marginale effect bij pagina's die al meedraaien, niet over gloednieuwe content zonder enige autoriteit.
Waarom ChatGPT en Perplexity je JSON-LD soms gewoon als tekst lezen
Een deel van de verklaring ligt in hoe deze modellen schema verwerken. Een gecontroleerd experiment van SEO-onderzoeker Mark Williams-Cook liet zien dat ChatGPT en Perplexity een adres konden citeren dat alléén in ongeldige schema stond, niet in de zichtbare tekst, meldt Search Engine Roundtable over het experiment.
Dat klinkt als bewijs dat schema werkt, maar de onderzoekers trekken een andere conclusie: de modellen tokenizen het JSON-LD-blok als platte tekst binnen de pagina, niet als gestructureerde data die apart geparseerd en gevalideerd wordt. Fouten in je schema worden dus niet gefilterd, ze worden gewoon meegelezen als extra tekst.
Dat betekent twee dingen tegelijk. Ten eerste: zelfs technisch ongeldige schema kan door een AI-assistent als feit worden opgepikt, wat net zo goed averechts werkt als het niets doet. Ten tweede: een schema-item dat perfect door de Rich Results Test komt, wordt door ChatGPT niet per se anders behandeld dan een alinea gewone tekst.
Voor Google AI Overviews ligt dat anders. Daar wordt schema, met name FAQ- en Article-markup, wel actief gebruikt bij het bepalen van extractie en citatie. Eén testresultaat zegt dus niets over hoe de andere assistent zich gedraagt, zie ook hoe Google AI Overviews content selecteert.
De testfouten die nog steeds wél geld kosten
Dat schema geen garantie is voor AI-citaties, betekent niet dat testfouten onschuldig zijn. Drie fouten komen structureel terug bij audits.
De eerste is het testen van de verkeerde bron: veel content management systemen injecteren JSON-LD via JavaScript, maar de Rich Results Test en Google's crawler kijken naar de gerenderde pagina, niet naar de kale broncode. Als je alleen 'view source' checkt, mis je fouten die pas in de gerenderde DOM zichtbaar worden, waarschuwt Google zelf in de documentatie.
De tweede is toolverwarring: de Schema.org Validator, de Rich Results Test en het Search Console-rapport meten drie verschillende dingen en geven daardoor soms tegenstrijdige uitslagen op dezelfde pagina.
De derde is een leeg veld verwarren met een correct veld: een property die in je template staat maar een lege string uitvoert, wordt door Google hetzelfde behandeld als afwezig, ook al staat de tag er technisch wel.
| Testtool | Wat het checkt | Wanneer gebruiken |
|---|---|---|
| Schema.org Validator | Vocabulaire-correctheid volgens schema.org | Vóór livegang, als eerste check |
| Rich Results Test | Geschiktheid voor Google-rijke resultaten | Na livegang, per paginatype |
| Search Console-rapport | Trend van geldige en foutieve items over tijd, op site-niveau | Doorlopend, voor regressies |
De meeste sites hebben sowieso geen werkende schema staan
Voor je nadenkt over AI-citaties is er een stap eerder die bij veel bedrijven al misgaat. Bij een audit van 500 websites uit 15+ sectoren stond 68% live met gedeeltelijk of volledig ontbrekende structured data, blijkt uit deze schema-analyse.
In specifieke sectoren is het beeld nog scherper. Van 121.425 gescande hotel-homepages had slechts 10,6% goed werkende Schema.org-markup, en de helft scoorde exact nul, volgens dit onderzoek naar schema-adoptie bij hotels.
Dat relativeert de discussie over marginale AI-citatiewinst een beetje. Voor een flink deel van de Nederlandse mkb-sites is de eerste vraag niet 'levert schema mij AI-citaties op', maar simpelweg 'staat er ergens geldige schema op mijn belangrijkste pagina's'.
Die basis op orde hebben blijft dus zinvol, al is het maar omdat kapotte of ontbrekende schema betekent dat je sowieso geen rijk resultaat kunt krijgen. Het is een randvoorwaarde, geen groeihefboom.
Waarom een test op Google je niets vertelt over Kimi of Perplexity
Alle testtools hierboven, inclusief die van Google zelf, meten tegen Google's spelregels. Maar AI-assistenten verschillen onderling sterk in waar ze hun antwoorden vandaan halen.
Uit de Writgo AI-Citatie Index, waarin we maandelijks 50 vaste Nederlandse koopvragen aan verschillende AI-assistenten voorleggen, verwees Kimi (Moonshot AI) in 90% van de vragen naar een vergelijkingsplatform. Google AI Overview deed dat in dezelfde meting in 0% van de gevallen.
Dat verschil zit 'm niet in schema. Het zit in hoe elke assistent zijn bronnen selecteert: de een leunt zwaar op vergelijkers en platforms, de ander bouwt het antwoord uit eigen indexdata. Een schema-test die alleen naar Google kijkt, zegt dus niets over je kansen bij Kimi, Perplexity of andere assistenten.
De praktische consequentie: als je AI-vindbaarheid serieus wilt testen, meet je per assistent, niet per testtool. Eén groen vinkje dekt hooguit één van de vele antwoordmachines die je klanten inmiddels gebruiken.
Wat je dan wél moet testen als schema niet de hefboom is
Schema testen blijft zinvol als technische controle, maar niet als groeistrategie. Wat wel verschil maakt, is of je content het soort vraag beantwoordt dat mensen aan een AI-assistent stellen.
- Check eerst of je schema geldig is (Schema.org Validator) en of Google er iets mee kan (Rich Results Test), als basis-hygiëne.
- Test daarna of AI-assistenten je merk of pagina al noemen bij realistische koopvragen uit jouw markt, niet alleen bij je eigen merknaam.
- Kijk of je pagina een direct, citeerbaar antwoord geeft in de eerste alinea's, in plaats van pas na een lang intro-stuk.
- Herhaal de test per assistent, want zoals de Kimi/Google-vergelijking hierboven laat zien, is één test geen representatieve steekproef.
- Investeer in autoriteitssignalen zoals backlinks en vermeldingen, want die blijven zwaarder wegen dan markup, zowel voor Google als voor AI-antwoorden.
Wie dit patroon herkent, merkt vaak dat het probleem niet content-volume is maar citeerbaarheid: één pagina met een concreet antwoord en checkbare cijfers werkt beter dan tien pagina's die om de vraag heen praten, zoals ook te zien is in de aanpak achter GEO en AEO.
Onze kijk
Wij vinden dat structured data testen fouten te vaak wordt behandeld als een checklist-probleem, terwijl het een prioriteringsprobleem is. Een groen vinkje in de Rich Results Test is fijn, maar het cijfer dat er echt toe doet is of een AI-assistent je daadwerkelijk citeert, en dat test je niet in een validator.
Wij bouwen onze aanbevelingen op cijfers die we zelf meten of die controleerbaar zijn, zoals de Ahrefs-data hierboven en onze eigen AI-Citatie Index. Verzonnen statistieken zijn dodelijk voor je geloofwaardigheid, juist op een onderwerp waar AI-assistenten je woorden letterlijk overnemen.
AI Overviews en AI-assistenten zijn hierbij de kapstok, niet ChatGPT alleen. Wie zijn schema-strategie optimaliseert voor één testtool of één chatbot, optimaliseert voor de uitzondering, niet voor de praktijk van zijn klanten.
En backlinks en autoriteit blijven de rem op groei, ook in AI-antwoorden. Structured data is een laag erbovenop, geen vervanging. Wij testen dat zelf op onze eigen sites voordat we het aanraden, omdat theorie zonder eigen meting niet telt.
Bronnen
- We Tracked 1,885 Pages Adding Schema. AI Citations Barely Moved.
- Schema Markup Didn't Move AI Citations In Ahrefs Test
- ChatGPT & Perplexity Treat Structured Data As Text On A Page
- Rich Results Test vs Schema Validator vs GSC: Testing Workflow
- Generate Structured Data with JavaScript
- Schema Markup Trends: What 500 Websites Are Missing
- Hotel Schema.org Adoption Study 2026
Wat is de grootste fout bij het testen van structured data?
De grootste fout is aannemen dat een groene vink in de Rich Results Test automatisch meer AI-citaties oplevert. Ahrefs zag AI Overview-citaties juist met 4,6% dalen na het toevoegen van schema aan 1.885 pagina's.
Verhoogt structured data mijn kans om geciteerd te worden door AI Overviews?
Aantoonbaar niet: in het Ahrefs-onderzoek daalden citaties bij Google AI Overviews en bleven de veranderingen bij ChatGPT en AI Mode binnen de ruismarge. Schema is een randvoorwaarde, geen groeihefboom.
Wat is het verschil tussen de Rich Results Test en de Schema.org Validator?
De Schema.org Validator checkt of je markup voldoet aan de vocabulaire-regels van schema.org, de Rich Results Test checkt alleen of Google het accepteert voor een rijk resultaat. Beide kunnen een andere uitslag geven op dezelfde pagina.
Lezen ChatGPT en Perplexity mijn JSON-LD als gestructureerde data?
Niet per se: onderzoek laat zien dat deze modellen JSON-LD soms als platte tekst tokenizen in plaats van als apart gevalideerde data. Fouten in je schema worden dan gewoon meegelezen als tekst.
Moet ik dan stoppen met structured data?
Nee, want geldige schema blijft nodig om in aanmerking te komen voor rijke resultaten en wordt door Google AI Overviews wel actief gebruikt bij extractie. Het is vooral de verwachting rond AI-citaties die je moet bijstellen.
Hoe weet ik of AI-assistenten mijn site al citeren?
Dat weet je pas zeker door het te meten per assistent, bijvoorbeeld met een gratis AI-vindbaarheidscheck, in plaats van het af te leiden uit een schema-testresultaat.
Begin met meten, niet met nog een testtool
Voordat je tijd steekt in het perfectioneren van schema, is het handiger om eerst te weten waar je nu staat bij AI-assistenten. Doe de gratis AI-vindbaarheidscheck en zie welke assistenten je al noemen en welke niet, per vraag die je klanten daadwerkelijk stellen.
Wil je dat structureel aanpakken, inclusief schema-hygiëne, contentprioritering en herhaalde metingen per assistent? Bekijk dan de toolkit waarmee we dit ook op onze eigen 15+ sites testen.
