Publicatiedatum: 20 mei 2026
AI zichtbaarheidsaudit 2026
Hoe goed kent AI Nederlandse bedrijven — en wie controleert dat verhaal?
De AI-Zichtbaarheidsaudit 2026 is het eerste grootschalige onderzoek naar AI-zichtbaarheid bij Nederlandse websites. Uitgevoerd door Bianca Kopier (Estrelle) via de 92+ Methode™ in mei 2026. 100 websites, 17 sectoren, vier fasen. Dit rapport is vrij beschikbaar en volledig reproduceerbaar.
1. Executive Summary
Na 100 onderzochte Nederlandse websites, 17 sectoren en meer dan 300 AI-model-interacties is de conclusie van de AI-Zichtbaarheidsaudit 2026 scherper dan verwacht. De meeste Nederlandse bedrijven zijn zichtbaar in AI — maar op de manier die anderen voor hen hebben bepaald.
Structured data is geen zichtbaarheidsinstrument. Het is een narratiefinstrument.
Bedrijven die het niet inzetten zijn niet onzichtbaar — ze zijn zichtbaar op de manier die anderen voor hen hebben bepaald.
De vijf kernbevindingen
| # | Bevinding | Onderbouwing |
|---|---|---|
| 1 | 55% van de 100 websites is technisch onzichtbaar voor AI | 55 sites scoren Rood (0–6/19) — geen AI-infrastructuur aanwezig |
| 2 | 100% van de sites heeft geen llms.txt | 0 van 100 sites — universeel afwezig in Nederland |
| 3 | HowTo-schema en Speakable staan op 0% | Geen enkele site — twee volledige blinde vlekken |
| 4 | Slechts 1 site scoort Groen in de volledige benchmark | Een marketingbureau: 14/19 — enige site met voldoende AI-infrastructuur |
| 5 | Hoge technische score garandeert geen aanbeveling door AI | Een e-commerce site: 10/19 maar 0/9; een hardloopspecialist: 0/19 maar 9/9 |
Publiceerbare claims — definitief na 100 sites
- 100% van de 100 onderzochte Nederlandse websites heeft geen llms.txt
- 55% is technisch onzichtbaar voor AI (score 0–6 van 19)
- Geen enkel advocatenkantoor heeft een LegalService schema geïmplementeerd.
- Dierenartsen zijn de minst zichtbare sector: gemiddeld 2,7/19 — vier van de zes scoren 0/19
- Een restaurant met 0/19 geeft bezoekers via AI verkeerde openingstijden: schema zegt 09:00–17:00, restaurant opent pas om 14:30
- De Organization-naam ‘My Blog’ staat in het JSON-LD van een restaurant op Michelin-niveau
- Vier van de elf marketing- en SEO-bureaus scoren Rood op hun eigen website
- De nieuwste sector fysiotherapie herhaalt het patroon: sterke claims volledig onbenut in structured data
2. Context & Aanleiding
ChatGPT, Gemini en Perplexity beantwoorden steeds meer koopvragen. Ze geven één antwoord, noemen één of twee merken. De rest bestaat niet voor die klant.
De meeste Nederlandse bedrijven gaan ervan uit dat AI hen kent. Dat klopt — grotendeels. Maar er is een fundamenteel verschil tussen gekend worden en het juiste verhaal verteld krijgen.
De AI-Zichtbaarheidsaudit 2026 begon als een technische meting: beschikt een website over de structured data die AI nodig heeft? Na 100 geanalyseerde websites en meer dan 300 model-interacties is de conclusie scherper dan verwacht.
AI-modellen gebruiken structured data als anker. Ontbreekt dat anker, dan vult AI de leegte met wat ér beschikbaar is: externe directories, persartikelen, reviews — of de beschrijving van een naamgenoot.
Waarom dit onderzoek nu
GEO (Generative Engine Optimization) is in Nederland nog nauwelijks in kaart gebracht. Dit onderzoek is de eerste grootschalige meting van AI-zichtbaarheid bij Nederlandse websites — niet op basis van theorie, maar op basis van 100 concrete audits, uitgevoerd via de 92+ Methode™ van Estrelle.
3. Methodologie — De 92+ Methode™
Het onderzoek bestaat uit vier opeenvolgende fasen. Elke fase meet een andere laag van AI-zichtbaarheid.
| Fase | Naam | Wat wordt gemeten | Tool | Score |
|---|---|---|---|---|
| 1 | Technische Infrastructuur | 19 criteria: JSON-LD, structured data, sameAs, Person-entiteit | Perplexity | 0–19 per site |
| 2 | Inhoud & Toegankelijkheid | 11 criteria: citatiewaardige content, crawlbaarheid, entiteitssignalen | Gemini | 0–11 per site |
| 3 | Merkidentiteit | Herkent AI het bedrijf? Klopt het narratief? Wie controleert het verhaal? | ChatGPT + Gemini + Perplexity | Niveau 1/2/3 |
| 4 | Aanbeveling | Wordt het bedrijf spontaan aanbevolen bij de zoekvraag van een klant? | ChatGPT + Gemini + Perplexity | 0–9 per site |
Steekproef — selectiecriteria
- Actieve Nederlandse website met minimaal 1 jaar online aanwezigheid
- Publiek toegankelijke URL — geen login vereist
- Webshops: minimaal 10 productpagina’s
- Dienstverleners: minimaal een dienstenpagina met omschrijving
- Lokale bedrijven: actief en vindbaar via Google Maps
- Geen Estrelle-klanten of gelieerde partijen
Kleurcodering Fase 1
| Kleur | Score | Betekenis |
|---|---|---|
| Rood | 0–6 / 19 | Technisch onzichtbaar — geen AI-infrastructuur aanwezig |
| Oranje | 7–12 / 19 | Gedeeltelijk zichtbaar — basis aanwezig maar onvolledig |
| Groen | 13–19 / 19 | AI-gereed — voldoende infrastructuur voor narratiefcontrole |
Transparantie & reproduceerbaarheid
Elke scan is reproduceerbaar — elke derde partij kan dezelfde URL opnieuw analyseren. Estrelle neemt niet deel als subject in het onderzoek. Er is geen opdrachtgever en geen commercieel belang bij specifieke uitkomsten. Fase 3 en 4 gebruiken drie modellen voor triangulatie; bevindingen gelden als robuust bij 2/3 modelovereenstemming.
4. Resultaten per Sector — Alle 100 Sites
| Sector | N | Gem. 19p | A-K | 🔴 | 🟠 | 🟢 | Sectorkarakter |
|---|---|---|---|---|---|---|---|
| Mode | 11 | 5,2/19 | 5,4/11 | 4 | 6 | 0 | Platformfouten domineren: drie cases van verkeerde merknaam in JSON-LD |
| Wonen | 8 | 5,8/19 | 6,8/11 | 3 | 5 | 0 | Sterkste contrast groot vs. klein — premiummerken technisch zwak |
| Drogisterij | 6 | 4,8/19 | 6,3/11 | 3 | 3 | 0 | Expertise-content sterk aanwezig, structured data benut het niet |
| Sport | 5 | 5,6/19 | 6,6/11 | 1 | 4 | 0 | Meeste benoemde methodes — sterkste inhoudelijke sector |
| Huisdier | 5 | 6,0/19 | 6,2/11 | 3 | 2 | 0 | Hoogste gemiddelde 19p-score — meest consistent |
| Diensten | 15 | 5,1/19 | 6,6/11 | 6 | 9 | 0 | Platform bepaalt plafond — grote bureaus 0/19 zonder technische basis |
| Financieel | 1 | 7,0/19 | 7,0/11 | 0 | 1 | 0 | Sterk merk — Wikipedia ontbreekt in sameAs |
| B2B/Infra | 1 | 5,0/19 | 5,0/11 | 1 | 0 | 0 | Schemafout (name=EN) leidt tot entiteitsverwarring |
| Vastgoed | 2 | 4,0/19 | 5,0/11 | 1 | 1 | 0 | Funda sterk via extern platform — niet via eigen site |
| E-commerce/ Drukwerk | 3 | 8,7/19 | 5,7/11 | 0 | 3 | 0 | Hoogste 19p gemiddelde — maar geen enkele 9/9 aanbeveling |
| Marketing bureau | 11 | 8,5/19 | 6,5/11 | 4 | 7 | 0 | Scherpste paradox: hóógste technische scores, zwakste aanbeveling |
| Gezondheidszorg | 5 | 2,8/19 | 6,8/11 | 5 | 0 | 0 | Ziekenhuizen sterk via merkautoriteit — reputatierisico hoog |
| Horeca | 10 | 6,5/19 | 5,9/11 | 5 | 5 | 0 | Kritieke datakwaliteitsfouten — openingstijden en merknaam onjuist |
| Dierenartsen | 6 | 2,7/19 | 4,7/11 | 6 | 0 | 0 | Slechtste sector — vier van zes scoren 0/19 — netwerk compenseert |
| Makelaars | 4 | 3,0/19 | 5,3/11 | 4 | 0 | 0 | Volledig afhankelijk van Funda voor AI-zichtbaarheid |
| Advocaten | 4 | 5,8/19 | 6,0/11 | 2 | 2 | 0 | Geen enkel LegalService schema — meest logische schema universeel afwezig |
| Fysiotherapie | 3 | 4,3/19 | 6,0/11 | 3 | 0 | 0 | Sterke kwaliteitsclaims volledig onbenut in structured data |
| TOTAAL | 100 | 5,3/19 | 5,9/11 | 55 | 44 | 1 | 1 groene site in 100 — een marketingbureau |
5. De Drie Universele Blinde Vlekken
Drie punten staan na 100 sites op exact 0%. Geen één uitzondering.
| Punt | Naam | Score | Observatie |
|---|---|---|---|
| E | llms.txt | 0/100 | Universeel afwezig. Geen enkel Nederlands bedrijf in de steekproef heeft een llms.txt aangemaakt. |
| H | HowTo-schema | 0/100 | Geen enkele site heeft stapsgewijze instructies in JSON-LD verankerd, ook niet bij sites met uitgebreide how-to content. |
| I | Speakable-schema | 0/100 | Voice-optimalisatie volledig afwezig in de volledige dataset. Geen enkele uitzondering. |
Op basis van actuele vakdiscussies is llms.txt in de praktijk minder kritiek dan aanvankelijk aangenomen. De standaard is experimenteel en wordt door de grote AI-modellen niet consistent verwerkt. De bevinding (0% adoptie) blijft als datapunt staan, maar de duiding verschuift: het ontbreken van llms.txt is geen kritieke fout. HowTo- en Speakable-schema’s zijn wel degelijk relevante optimalisaties.
6. Vier Structurele Risico’s voor Bedrijven
Uit de merkidentiteitscheck (Fase 3) komen vier patroonmatige risico’s naar voren. Elk risico is herkenbaar bij meerdere sites in de dataset.
Risico 1 — Geleende zichtbaarheid
Het bedrijf is zichtbaar via een platform dat het niet controleert. Zodra dat platform wegvalt — of AI-modellen zonder live search werken — verdwijnt de zichtbaarheid.
Patroon in de data
Alle vier onderzochte makelaars zijn zichtbaar in AI uitsluitend doordat modellen live Funda raadplegen. De eigen websites leveren geen structured data-bijdrage. Hetzelfde geldt voor dierenartsen die via het IVC Evidensia-netwerk zichtbaar zijn, en voor internationale merken die drijven op merkautoriteit.
Publiceerbare claim: „Makelaars met 0/19 op structured data zijn zichtbaar in AI dankzij Funda — niet dankzij henzelf.
Risico 2 — Reputatiegevoelig narratief
AI bouwt beschrijvingen op basis van alles wat beschikbaar is — inclusief crises, kritiek en negatieve reviews. Bedrijven zonder structured data hebben geen enkel tegenwicht.
Patroon in de data:
Bij alle vijf onderzochte zorgsites bevatten AI-antwoorden reputatiegevoelige informatie: ketenvorming-kritiek, hoge productiviteitseisen, herstructurering en een bacterie-uitbraak uit 2011. Een restaurant in de dataset krijgt van AI een volledig verkeerde positionering — als sociale hotspot met live muziek — terwijl het een Spaans tapasrestaurant is.
Publiceerbare claim: "Een crisis van 14 jaar geleden leeft voort in AI-antwoorden — en het bedrijf heeft geen instrument om dat bij te sturen".
Risico 3 — Entiteitsverwarring
AI verwisselt het bedrijf met een naamgenoot. Oorzaak: ontbrekende sameAs-koppelingen en een zwak Organization-schema.
Patroon in de data:
Twee bedrijven in de benchmark worden door AI consistent verwisseld met andere organisaties. Een strategieadviesbureau wordt beschreven als een Brits projectmanagementbureau in de bouwsector. Een B2B-producent wordt beschreven als een vastgoedbedrijf uit Rotterdam. Een derde geval: het JSON-LD bevat name=‘My Blog’ — de WordPress-standaardwaarde, nooit aangepast.
Publiceerbare claim: "Zonder entity-anchoring kan een AI-model een bedrijf simpelweg verwisselen met een bekendere naamgenoot".
Risico 4 — Verouderd narratief
Trainingsdata loopt achter op merkwijzigingen, rebranding en fusies. Zonder geüpdatete structured data en sameAs-koppelingen blijft de oude naam circuleren in AI-antwoorden.
Patroon in de data:
Een advocatenkantoor dat in 2016 van naam veranderde, wordt in 2026 nog steeds onder de oude naam beschreven door ChatGPT. Negen jaar later leeft de verouderde naam voort in trainingsdata — puur omdat de structured data nooit werd bijgewerkt.
Publiceerbare claim: "Een naamswijziging van negen jaar geleden leeft voort in AI — omdat de structured data nooit is bijgewerkt".
Fase 4 — De Aanbevelingscheck
Fase 4 is de meest directe meting in het onderzoek. Een bedrijf kan door AI gekend worden en toch nooit aanbevolen worden. Fase 3 meet of AI het bedrijf herkent als ernaar gevraagd wordt. Fase 4 meet of AI het bedrijf noemt als een klant zijn zoekvraag stelt. Dat is waar omzet wordt bepaald.
Scoringslogica
Per site werd één sectorspecifieke aanbevelingsvraag gesteld in ChatGPT, Gemini én Perplexity — zonder de bedrijfsnaam te noemen.
| Score per model | Betekenis |
|---|---|
| Aanbevolen = 3 punten | Het bedrijf wordt spontaan bij naam of domein genoemd |
| Deels = 1,5 punt | Het bedrijf wordt indirect of als één van velen in een lange lijst genoemd |
| Niet = 0 punten | Het bedrijf wordt niet genoemd — onzichtbaar op het moment dat het telt |
De kernbevinding: techniek ≠ aanbeveling
De meest opvallende bevinding van Fase 4 is niet wie wordt aanbevolen — maar de ontkoppeling tussen technische score en aanbevelingskracht.
| Patroon | Voorbeeld | 19p-score | Fase 4 | Verklaring |
|---|---|---|---|---|
| Positief contrast | Hardloopspecialist (Sport) | 0/19 | 9/9 | Merkautoriteit en specialisatie winnen van techniek |
| Positief contrast | Gezondheidsorganisatie (Drogisterij) | 0/19 | 9/9 | Citatiewaardige content compenseert volledig |
| Negatief contrast | E-commerce site (Drukwerk) | 10/19 | 0/9 | Technisch sterk maar geen merkautoriteit in aanbevelingen |
| Negatief contrast | Hardloopspeciaalzaak (Sport) | 8/19 | 0/9 | Technisch oranje maar volledig onzichtbaar bij aanbevelingsvraag |
| Bureauparadox | 4 van 11 bureaus | Rood | 0/9 | SEO-bureaus die klanten optimaliseren zijn zelf niet aanbevolen |
Structured data is één factor. Voor bedrijven zonder grote merkautoriteit is het een cruciaal instrument. Voor wereldmerken is het primair een narratief instrument. Het verschil: een wereldmerk wordt gevonden zonder structured data, maar kan het verhaal niet sturen. Een kleiner merk wordt zonder structured data helemaal niet gevonden.
Aanbevelingspercentages per AI-model (n=100)
| Model | Aanbevelingspercentage | Karakter |
|---|---|---|
| ChatGPT | 43% | Sterkst op bekende merken via trainingsdata |
| Gemini | 42% | Combineert trainingsdata met live webscan |
| Perplexity | 41% | Live search — meest actueel, meest niche-gevoelig |
8. Drie Niveaus van AI-Zichtbaarheid
De merkidentiteitscheck laat zien dat AI-zichtbaarheid niet binair is. Er zijn drie niveaus — en het verschil tussen niveau 2 en 3 is het verschil tussen een vals gevoel van veiligheid en echte narratiefcontrole.
| Niveau | Omschrijving | Kenmerk | Kwetsbaarheid |
|---|---|---|---|
| 1 Niet gekend | Model geeft geen of volledig generieke beschrijving | Klein, lokaal, geen externe bronnen | Hoog — volledig onzichtbaar |
| 2 Gekend, niet gestuurd | AI kent het bedrijf via externe bronnen maar vertelt een generiek of fout verhaal | Zichtbaar via Funda, netwerken, directories — niet via eigen site | Zeer hoog — vals gevoel van veiligheid |
| 3 Gekend en gestuurd | AI gebruikt de eigen site als gezaghebbende bron en herhaalt eigen claims | Structured data + citatiewaardige content + sameAs-koppelingen | Laag — narratief onder eigen controle |
De meerderheid van de onderzochte bedrijven bevindt zich op niveau 2. Ze zijn zichtbaar — maar op basis van wat anderen over hen zeggen, niet wat zijzelf communiceren.
9. Opvallende Gevallen
De beste sites in de benchmark
Een klein aantal sites laat zien dat het anders kan.
| Site | Sector | 19p | Fase 4 | Reden |
|---|---|---|---|---|
| Marketingbureau A | Marketing bureau | 14/19 🟢 | Zie noot | Enige groene site. Rank Math met dubbele Person-entiteit. Correcte @graph-structuur. |
| E-commerce site B | E-commerce | 10/19 🟠 | 0/9 | Gedeeld hoogste technische score. Laat zien dat techniek alleen niet voldoende is. |
| Hypotheekadviseur C | Diensten | 10/19 🟠 | 9/9 | FAQPage met 6 vragen + @graph. Enige correcte FAQPage én hoge aanbevelingsscore. |
| Hardloopspecialist D | Sport | 0/19 🔴 | 9/9 | Scherpste positief contrast. Geen structured data, maar sterke merkautoriteit via specialisatie. |
| Online dierengezondheid E | Huisdier | 5/19 🔴 | 9/9 | Expertise-content én externe autoriteit compenseren voor zwakke technische basis. |
Alle bedrijven in dit rapport zijn geanonimiseerd. De volledige dataset is beschikbaar voor verificatie op verzoek.
De kritieke platformfouten
Drie gevallen verdienen bijzondere aandacht omdat ze aantoonbare schade veroorzaken — en direct te herstellen zijn.
De verkeerde merknaam. Een grote Nederlandse modewinkel gebruikt een platform-template waarbij de Organization-naam in het JSON-LD de naam van een concurrent bevat. AI-modellen herkennen het merk daardoor consistent als dat andere merk. De fout is te herleiden tot een blueprint dat is gekopiëerd zonder de basisinstelling aan te passen. Hetzelfde patroon bij een internationaal modehuis dat de naam van een Europese moedermaatschappij in het legalName-veld heeft staan.
De verkeerde openingstijden. Een restaurant in de dataset heeft openingstijden in zijn JSON-LD staan die volledig onjuist zijn: het schema communiceert 09:00–17:00 terwijl het restaurant pas om 14:30 opent. Bezoekers die ChatGPT vragen wanneer het restaurant open is, krijgen verkeerde informatie. Dit is geen zichtbaarheidsrisico — het is een reputatierisico met directe impact op gasten.
My Blog als restaurantnaam. Een restaurant op Michelin-niveau heeft als Organization-naam ‘My Blog’ in het JSON-LD — de WordPress-standaardwaarde die nooit is aangepast. AI-modellen koppelen de entiteit aan ‘My Blog’. Tegelijkertijd verwijst de Person-entiteit naar de webbouwer, waardoor E-E-A-T-signalen worden doorgestuurd naar het bureau in plaats van naar het restaurant.
10. De Bureauparadox
Vier van de elf marketing- en SEO-bureaus in de benchmark scoren Rood op hun eigen website.
Dit zijn bureaus die klanten dagelijks adviseren over online zichtbaarheid.
Geen enkel marketingbureau in de dataset wordt spontaan aanbevolen door alle drie de AI-modellen.
De bureauparadox is geen aanval op de sector — het is de meest heldere illustratie van een algemeen patroon: GEO is een nieuw vakgebied en de meeste organisaties, inclusief degenen die online zichtbaarheid als kerncompetentie hebben, hebben de omslag naar AI-zichtbaarheid nog niet gemaakt.
Eén bureau scoort 14/19 en is daarmee de hoogst scorende site in de volledige dataset. Dat laat zien dat het mogelijk is — en hoe groot de kloof is met de rest van de sector.
11. Nieuwe Sectoren — Batch 4
Advocatenkantoren — 4 sites
De advocatensector laat een grote spreiding zien: van 1/19 (volledig geen JSON-LD) tot 10/19 (correcte Yoast @graph-structuur). Het meest opvallende patroon: geen enkel advocatenkantoor heeft een LegalService schema geïmplementeerd. Dit is het meest voor de hand liggende schema-type voor een advocatenkantoor — en tegelijkertijd universeel afwezig.
- Geen enkel kantoor heeft een LegalService schema
- Een top-10 kantoor van Nederland heeft uitsluitend een kaal WebSite schema
- Een kantoor met de naam die in 2016 veranderde wordt in 2026 nog steeds onder de oude naam beschreven door ChatGPT
- Een volledig gebrek aan JSON-LD gecombineerd met een standaard welkomsttekst leidt tot niveau 1: niet gekend
Fysiotherapiepraktijken — 3 sites
Fysiotherapie bevestigt het patroon van lokale dienstverleners: sterke inhoudelijke claims staan nergens in structured data verankerd.
- "13 jaar Beste Opleider van Nederland" nergens in schema opgenomen
- "Al sinds 1962" krachtig entiteitssignaal, volledig afwezig in JSON-LD
- Geen enkele praktijk heeft een MedicalBusiness of Physiotherapist schema
- Alle drie praktijken scoren 0/9 op aanbeveling: lokale zorgpraktijken zijn voor AI onzichtbaar op het moment dat de patiënt zijn vraag stelt
12. Wat Wél Werkt — Patronen van Succesvolle Sites
De data wijst op drie factoren die consistent correleren met hogere scores en betere aanbevelingskansen.
Factor 1 — Citatiewaardige content
Sites met een benoemde methode, originele data of een citeerbare uitspraak scoren structureel hoger op Fase 2 en worden vaker en correcter beschreven in Fase 3. Een eigenhandige loopanalyse-methodiek, een gepubliceerd marktonderzoek of een concreet statistisch gegeven (‘81.000 huidkankerdiagnoses per jaar’) geven AI iets om mee te werken. Generieke tekst geeft niets.
Factor 2 — Correcte @graph-structuur
Sites met een correcte @graph-structuur — waarbij Organization, Person en WebSite als entiteiten aan elkaar zijn gekoppeld — worden door AI-modellen als gezaghebbender behandeld. Slechts 6% van de 100 sites heeft een @graph geïmplementeerd. Het is de meest onderbenutte technische optimalisatie in de dataset.
Factor 3 — sameAs-koppelingen naar externe autoriteiten
Sites met sameAs-links naar LinkedIn, Wikipedia of Wikidata worden beter en correcter beschreven. De combinatie van eigen beschrijving + externe autoriteitsbevestiging is het recept voor niveau 3: gekend én gestuurd. Slechts 18% van de sites heeft LinkedIn of Wikipedia correct in sameAs opgenomen.
13. Conclusie
De kloof is niet tussen bekende en onbekende merken.
De kloof is tussen bedrijven die hun AI-verhaal zelf sturen en bedrijven die dat verhaal overlaten aan wat anderen over hen zeggen.
55% van de onderzochte Nederlandse websites is technisch onzichtbaar voor AI. Maar de resterende 45% heeft vaak een groter probleem: ze zijn zichtbaar op de verkeerde manier. Ze worden beschreven via Funda, via een oud persartikel, via een netwerk dat ze niet controleren. Of ze worden niet aanbevolen op het moment dat een potentiële klant de vraag stelt die voor hen relevant is.
De drie universele blinde vlekken — llms.txt, HowTo-schema en Speakable — staan op 0%. Niet 5%, niet 2%. Nul. In een dataset van 100 bedrijven, waaronder grote retailers, marktleiders en bureaus die online zichtbaarheid als kernactiviteit hebben.
Structured data is niet moeilijk. De 19 pijlers zijn implementeerbaar. De drie blinde vlekken zijn oplosbaar. Wat ontbreekt is niet de techniek — het is de kennis dat dit nu urgent is.
14. Aanbevelingen
De bevindingen leiden tot drie concrete aanbevelingen, geordend naar prioriteit op basis van de data.
Aanbeveling 1 — Leg de technische basis
73% van de onderzochte sites heeft JSON-LD aanwezig, maar slechts 6% heeft een correcte @graph-structuur. De eerste prioriteit is niet het toevoegen van nieuwe elementen — het is het correct verbinden van wat al aanwezig is.
- Implementeer een @graph-structuur die Organization, WebSite en — indien van toepassing — Person als gekoppelde entiteiten beschrijft
- Voeg sameAs-koppelingen toe naar LinkedIn en — waar beschikbaar — Wikipedia of Wikidata
- Controleer of de Organization-naam in het schema overeenkomt met de naam zoals het bedrijf zichzelf presenteert
- Voeg voor lokale bedrijven OpeningHoursSpecification toe en verifiër dat de tijden kloppen met de werkelijkheid
Aanbeveling 2 — Geef AI iets om te herhalen
71% van de sites heeft citatiewaardige content aanwezig, maar deze content is zelden in structured data verankerd. AI kan alleen herhalen wat het kan vinden en begrijpen.
- Formuleer één concrete, citeerbare claim over de eigen expertise, methode of positie — en structureer die als FAQPage of als benoemde service in het schema
- Koppel externe bevestiging (awards, publicaties, keurmerken) via sameAs of als AggregateRating
- Gebruik sectorspecifieke schema-types: LegalService voor advocaten, MedicalBusiness voor zorgverleners, FoodEstablishment voor horeca
Aanbeveling 3 — Bescherm de entiteit
Entiteitsverwarring en verouderd narratief zijn de meest onderschatte risico’s. Ze zijn stil, niet meetbaar in traditionele analytics, en direct te adresseren.
- Controleer periodiek wat de grote AI-modellen over uw organisatie zeggen — in een nieuw gesprek, zonder context
- Verifieer of de Organization-naam in het JSON-LD exact overeenkomt met de huidige handelsnaam
- Voeg bij recente naamswijzigingen een alternateName toe zodat de overgang voor AI-modellen expliciet wordt
- Controleer of de Person-entiteit verwijst naar de eigenaar of expert — niet naar een CMS-gebruiker of webbouwer
15. Over het Onderzoek
Over Bianca Kopier & Estrelle
Estrelle is Bianca Kopier — e-commerce strateeg en GEO-specialist gevestigd in Maarssen. Bianca ontwikkelde de 92+ Methode™ na data-analyse op haar eigen platformen en past deze toe voor webshops en dienstverleners door heel Nederland en België.
- Auteur: Het onzichtbare winstlek
- Gepubliceerd op Frankwatching
- Ontwikkelaar van de 92+ Methode™ en GEO-Sprint™
- KvK 30243482 | Maarssen, regio Utrecht
Methodologische transparantie
Geautomatiseerde scan via Perplexity/Gemini analyseert publiek toegankelijke broncode
- Elke scan is reproduceerbaar — elke derde partij kan dezelfde URL opnieuw analyseren
- Estrelle neemt niet deel als subject in het onderzoek
- Geen opdrachtgever — geen commercieel belang bij specifieke uitkomsten
- Fase 3 en 4: drie modellen voor triangulatie — bevindingen gelden als robuust bij 2/3 modelovereenstemming
- Alle bedrijven in dit rapport zijn geanonimiseerd. De onderliggende data is beschikbaar voor verificatie op verzoek.
Privacyverklaring
Dit onderzoek is uitgevoerd door Bianca Kopier (Estrelle, KvK 30243482). De technische analyse is uitgevoerd op publiek toegankelijke URLs. Er worden geen persoonsgegevens verzameld of verwerkt.
estrelle.nl · bianca@estrelle.nl · KvK 30243482 · Maarssen