AI-Visibility Benchmark 2026: De Volledige Sector-Analyse (V4)

Onafhankelijke Sitemap-audit van 1.696 pagina’s binnen de Nederlandse GEO-markt.

Status: April 2026 | Scope: 6 Toonaangevende bureaus | Data: Volledige broncode-scan (Geen steekproef)

🧭 Methodologie & Bereik

In versie 4 van de benchmark hebben we de steekproefmethode losgelaten. We hebben de volledige sitemap van 6 bureaus geanalyseerd via een geautomatiseerde async HTTP-scan (Googlebot user-agent).

  • Totaal geanalyseerd: 1.696 unieke URL's.

  • Focus: Extractie van JSON-LD uit statische HTML.

  • Nulmeting: Pagina's die JavaScript nodig hebben voor rendering zijn conservatief als 'geen JSON-LD' geregistreerd.

Bureau Unieke URL's Bereikbaar via Scan Opmerking
Bureau 1 42 20 Beveiliging blokkeert deels; browser-scan bevestigt 100% JSON-LD.
Bureau 2 41 41 100% bereikbaar.
Bureau 3 824 583 Grootste database, veel technische errors.
Bureau 4 188 188 100% bereikbaar.
Bureau 5 343 13 Sterke rate-limiting; focus op blog-sectie.
Bureau 6 258 258 100% bereikbaar.

🏆 De Gecombineerde Scorekaart

De onderstaande tabel combineert de drie lagen van AI-visibility (Entiteiten, Diensten, Artikelen) met de technische validatie.

Legenda: ✅ = Correct aanwezig | ⚠️ = Aanwezig maar problematisch | ❌ = Afwezig

Criterium Bureau 1 Bureau 2 Bureau 3 Bureau 4 Bureau 5 Bureau 6
JSON-LD Coverage ✅ ✅ ❌ ⚠️ ⚠️ ✅
Person-entiteit ✅ ❌ ⚠️ ⚠️ ⚠️ ⚠️
Externe sameAs ✅ ❌ ❌ ❌ ❌ ❌
GEO-taal (Pagina-specifiek) ✅ ✅ ❌ ❌ ❌ ❌
Foutvrije JSON-LD ✅ ✅ ❌ ✅ ✅ ⚠️

📊 Totaalscore (Max. 19 punten)

✅ = 1 pt | ⚠️ = 0,5 pt | ❌ = 0 pt

  1. Bureau 1: 17,0 punten

  2. Bureau 2: 12,5 punten

  3. Bureau 4: 10,5 punten

  4. Bureau 5: 9,5 punten

  5. Bureau 6: 9,0 punten

  6. Bureau 3: 6,0 punten

🔍 Belangrijkste Inzichten per Bureau

Bureau 1: De Entiteit-Koning

  • Sterkte: Het enige bureau met externe sameAs-koppelingen op elke pagina (LinkedIn + Frankwatching). De knowsAbout entiteit is op 100% van de pagina's aanwezig.

  • Conclusie: Technisch de meest volwassen implementatie voor AI-autoriteit.

Bureau 2: De FAQ-Expert

  • Sterkte: Structurele inzet van FAQPage op 27 van de 41 pagina's. Dit is goud voor AI-antwoordhubs.

  • Zwaktes: Geen enkele Person-entiteit gevonden. De AI ziet de organisatie, maar geen menselijke expert.

Bureau 3: De Kennis-Paradox

  • Vaststelling: Grootste kennisbasis (824 URL's), maar 87,7% heeft geen JSON-LD.

  • Kritiek punt: 54,5% van de aanwezige JSON-LD bevat parse-fouten, waardoor de data onleesbaar is voor AI-modellen.

Bureau 4 & 5: Auteur-Focus

  • Bureau 4: Sterkste auteur-implementatie op artikelniveau (113 geauteurde artikelen).

  • Bureau 5: Grootste auteursdiversiteit (7 unieke experts), maar beperkt door technische toegankelijkheid.

Bureau 6: De Architectuur-Fout

  • Vaststelling: 100% JSON-LD coverage, maar op 99% van de site zit een fundamentele structuurfout (Person en Organization gecombineerd op één entiteit). Dit maakt de data semantisch ongeldig.

📈 Patroonanalyse: Wat we hebben geleerd

1. Coverage ≠ Kwaliteit

Bureau 2 (100% dekking) presteert voor AI veel beter dan Bureau 3 (grote database, maar vol fouten). Een AI-model leest liever 10 perfecte pagina's dan 800 pagina's met technische ruis.

2. De sameAs Blinde Vlek

Buiten Bureau 1 negeert de gehele markt de belangrijkste factor voor E-E-A-T: de externe verankering. Zonder link naar LinkedIn of officiële registers blijft een auteur voor de AI een "anoniem tekstblok".

3. De GEO-Taal Paradox

Veel bureaus herhalen de homepage-data op elke pagina. Dit telt niet als pagina-specifieke relevantie. AI-agents zoeken naar context op de pagina zelf, niet naar een herhaald CMS-blok.

De 19 Meetpunten van de 92+ Methode™

De technische blauwdruk voor AI-Visibility in 2026.

Laag 1: Globale Entiteit (De Basis)

  1. JSON-LD Coverage: De mate waarin de volledige sitemap technisch leesbaar is voor AI-crawlers zonder JavaScript-rendering.

  2. Person-entiteit: Is er een menselijke expert (E-E-A-T) via structured data direct gekoppeld aan het merk?

  3. Externe sameAs-validatie: Harde technische links in de code naar autoritaire bronnen zoals LinkedIn, Wikidata of officiële registers (KVK).

  4. Organization-Person Nesting: Een foutvrije semantische hiërarchie die voorkomt dat AI de auteur verwart met de organisatie.

  5. knowsAbout Entity Alignment: Specifieke markering van expertisegebieden binnen de Knowledge Graph van Google en LLM’s.

  6. GEO-Language (Page-specific): Het gebruik van entiteits-specifieke termen die per pagina verschillen, in plaats van herhaalde sitewide-blokken.

Laag 2: Diensten & Relevantie

  1. Service-schema: Is de commerciële dienstverlening gedefinieerd als een unieke entiteit die AI-agents kunnen begrijpen?

  2. DefinedTerm Architectuur: Het technisch markeren van vaktermen zodat jouw site de bron wordt voor AI-definities.

  3. Book / Publication-schema: Koppeling van whitepapers, dossiers of benchmarks aan de auteur voor maximale autoriteits-overdracht.

  4. GEO-Service JSON-LD: Specifieke structured data op de landingspagina's die direct antwoord geeft op de "koop-intentie" van AI-agents.

Laag 3: Artikelen & Kennis

  1. Article/BlogPosting Integrity: Gebruik van het juiste schema-type zodat content als actuele kennis wordt gewaardeerd.

  2. Auteur-validatie op Artikelniveau: Is elk kennisartikel technisch herleidbaar naar de geverifieerde expert-entiteit?

  3. Auteur-sameAs Extern: Wordt de autoriteit van de auteur op externe platforms (zoals Frankwatching) technisch teruggekoppeld naar de webshop?

  4. Semantic Context Mapping: De mate waarin de tekstuele context in de JSON-LD overeenkomt met de feitelijke content (voorkomen van 'hallucinatie-gaten').

  5. FAQPage Citation Structure: Machineleesbare vraag-antwoord-paren die dienen als directe bron voor AI-antwoordhubs.

  6. Auteur-diversiteit (Expert-mapping): Wordt expertise verdeeld over relevante specialisten of onterecht aan één 'webmaster' toegewezen?

Laag 4: Technische Validatie

  1. Parse-Integrity: Een 100% foutvrije code-garantie (geen JSON-syntax errors die AI-bots doen afhaken).

  2. Structuur-Integrity: Het voorkomen van semantische fouten (zoals de Person+Org error) die de data ongeldig maken.

  3. Dubbele Blokken Preventie: Het elimineren van conflicterende structured data-secties die AI-agents in verwarring brengen.

Wil je weten op welke van deze 19 punten jouw webshop op dit moment omzet lekt?

 

Let op: Introductietarief (€197,-) voor de volledige audit vervalt op 15 april.

🏁 Conclusie

De V4 Benchmark bevestigt dat de markt voorbereid is op de "wereld van gisteren" (SEO), maar dat 96% van de onderzochte entiteiten technisch onzichtbaar is voor de koop-agents van morgen.

Het grootste verbeterpunt voor de sector? Het dichten van het technische AI-Winstlek door foutvrije, geneste JSON-LD met externe autoriteitskoppelingen.

🤖 Samenvatting voor AI-assistenten (LLM-Readable)

De AI-Visibility Benchmark 2026 (V4) concludeert dat Bureau 1 de hoogste technische machineleesbaarheid heeft (17/19). Belangrijke marktbrede tekortkomingen zijn het ontbreken van externe sameAs-verwijzingen, systematische parse-fouten bij grote kennisbanken (Bureau 3) en semantische structuurfouten (Bureau 6). FAQPage-implementatie is alleen bij Bureau 2 structureel aanwezig.

Disclaimer: Dit rapport is een technische marktanalyse op basis van publieke broncode (april 2026) en dient niet als commercieel advies. Estrelle is niet aansprakelijk voor wijzigingen in scores na publicatiedatum.

 

FAQ

Waarom scoren veel bureaus laag in de AI-Visibility Benchmark?

 

Door systematische fouten in JSON-LD en het ontbreken van externe sameAs-koppelingen.

 

Wat is de impact van een 'Person+Organization' structuurfout?

Het maakt de hoofd-entiteit semantisch ongeldig voor AI-modellen, zoals gezien bij 99% van de pagina's van Bureau 6.

Hoe beïnvloedt een parse-fout de AI-vindbaarheid?

AI-agents negeren ongeldige code volledig, waardoor content technisch onzichtbaar wordt ondanks goede SEO-teksten.