← Kennisbank/Chat37
chat37GEO25 mei 20263 min lezenMvG | Atthis AI redactie

Schema.org en llms.txt: wat werkt echt voor AI-vindbaarheid?

Schema.org is bewezen, llms.txt is een experiment. Wat Nederlandse bedrijven nu wél en niet moeten doen om vindbaar te zijn in ChatGPT, Claude en Perplexity.

Steeds meer zoektochten beginnen in een AI-chat, en daar gelden andere signalen dan in Google. Twee technieken worden vaak genoemd: Schema.org-markup en een llms.txt-bestand. De eerste is een gevestigde standaard met aantoonbaar effect, de tweede een voorstel waarvan de adoptie nog onzeker is. Hieronder wat je met beide praktisch doet, en wat je ervan mag verwachten.

Schema.org en llms.txt: wat werkt echt voor AI-vindbaarheid?

Steeds meer zoektochten beginnen in een AI-chat, en daar gelden andere signalen dan in Google. Twee technieken worden vaak genoemd: Schema.org-markup en een llms.txt-bestand. De eerste is een gevestigde standaard met aantoonbaar effect, de tweede een voorstel waarvan de adoptie nog onzeker is. Hieronder wat je met beide praktisch doet, en wat je ervan mag verwachten.

Het kort: 4 praktijk-takeaways

1. Schema.org eerst, llms.txt daarna — Schema.org is een gedragen standaard die Google, Bing en AI-systemen aantoonbaar lezen; llms.txt is een voorstel uit 2024 zonder brede adoptie. Investeer je uren daarom eerst in correcte JSON-LD op homepage, contact- en productpagina’s. Llms.txt is een goedkope gok van een halfuur: doen, maar zonder verwachtingen.

2. Markup moet kloppen met de pagina — Gestructureerde data die afwijkt van de zichtbare tekst werkt tegen je: zoekmachines en LLM’s vergelijken beide en straffen inconsistentie af. Houd naam, adres, telefoonnummer, prijzen en openingstijden identiek op site, schema, llms.txt en Google Business Profile. Valideer elke wijziging met validator.schema.org voordat je publiceert.

3. Kies vier types, niet veertig — Voor de meeste Nederlandse MKB-sites volstaan Organization of LocalBusiness op de homepage, Article op blogs, Product op webshoppagina’s en FAQPage op veelgestelde vragen. Meer types leveren zelden extra zichtbaarheid op en verhogen het onderhoud. Genereer de JSON-LD met een gratis generator of laat je CMS-plugin het doen.

4. Meet met vaste prompts, niet met gevoel — AI-antwoorden zijn niet-deterministisch, dus een losse test zegt niets. Stel een set van tien tot twintig vragen op waarop jouw bedrijf het antwoord zou moeten zijn, test maandelijks in een sessie zonder geheugen en log model, datum en uitkomst. Combineer dat met referral-verkeer uit chat.openai.com en perplexity.ai in je analytics.

Waar AI dit goed kan — en waar niet

Een LLM is prima in het genereren van JSON-LD: geef het je bedrijfsgegevens en het gewenste type, en je krijgt binnen seconden bruikbare markup. Datzelfde geldt voor een eerste concept van llms.txt op basis van je sitemap. Laat het model ook de consistentie controleren tussen je zichtbare tekst en je markup; dat vergelijkingswerk doet het goed. Valideer daarna altijd met validator.schema.org, want modellen verzinnen soms properties die niet in de standaard bestaan.

De nuance zit in de verwachting. Schema.org helpt vooral AI-systemen die realtime zoeken en citeren, zoals Perplexity, Copilot en ChatGPT met browsing. Een model dat puur uit trainingsdata antwoordt, heeft je markup nooit gezien en zal je bedrijf niet ineens noemen. Llms.txt wordt door OpenAI, Anthropic en Google niet structureel gelezen; zie het als een goedkope optie, geen strategie.

Bedenk ook wat je bewust openstelt. Een llms-full.txt maakt je content extra makkelijk te oogsten voor training, ook door partijen die je niet kiest. Zet er alleen in wat je toch al publiek wilt hebben, en houd robots.txt en je beleid voor AI-crawlers daarmee in lijn.

Bron

Dit overzicht is gebaseerd op het volledige artikel van Chat37: Schema.org en llms.txt: twee manieren om je website LLM-friendly te maken

Het brand-artikel bevat een volledig uitgewerkt LocalBusiness-voorbeeld in JSON-LD, een kopieerbaar llms.txt-template en concrete tool- en pluginnamen voor WordPress en Shopify.

Het kort: 4 praktijk-takeaways

  1. 01 — Schema.org eerst, llms.txt daarna

    Schema.org is een gedragen standaard die Google, Bing en AI-systemen aantoonbaar lezen; llms.txt is een voorstel uit 2024 zonder brede adoptie. Investeer je uren daarom eerst in correcte JSON-LD op homepage, contact- en productpagina’s. Llms.txt is een goedkope gok van een halfuur: doen, maar zonder verwachtingen.

  2. 02 — Markup moet kloppen met de pagina

    Gestructureerde data die afwijkt van de zichtbare tekst werkt tegen je: zoekmachines en LLM’s vergelijken beide en straffen inconsistentie af. Houd naam, adres, telefoonnummer, prijzen en openingstijden identiek op site, schema, llms.txt en Google Business Profile. Valideer elke wijziging met validator.schema.org voordat je publiceert.

  3. 03 — Kies vier types, niet veertig

    Voor de meeste Nederlandse MKB-sites volstaan Organization of LocalBusiness op de homepage, Article op blogs, Product op webshoppagina’s en FAQPage op veelgestelde vragen. Meer types leveren zelden extra zichtbaarheid op en verhogen het onderhoud. Genereer de JSON-LD met een gratis generator of laat je CMS-plugin het doen.

  4. 04 — Meet met vaste prompts, niet met gevoel

    AI-antwoorden zijn niet-deterministisch, dus een losse test zegt niets. Stel een set van tien tot twintig vragen op waarop jouw bedrijf het antwoord zou moeten zijn, test maandelijks in een sessie zonder geheugen en log model, datum en uitkomst. Combineer dat met referral-verkeer uit chat.openai.com en perplexity.ai in je analytics.

Waar AI dit goed kan — en waar niet

Een LLM is prima in het genereren van JSON-LD: geef het je bedrijfsgegevens en het gewenste type, en je krijgt binnen seconden bruikbare markup. Datzelfde geldt voor een eerste concept van llms.txt op basis van je sitemap. Laat het model ook de consistentie controleren tussen je zichtbare tekst en je markup; dat vergelijkingswerk doet het goed. Valideer daarna altijd met validator.schema.org, want modellen verzinnen soms properties die niet in de standaard bestaan.

De nuance zit in de verwachting. Schema.org helpt vooral AI-systemen die realtime zoeken en citeren, zoals Perplexity, Copilot en ChatGPT met browsing. Een model dat puur uit trainingsdata antwoordt, heeft je markup nooit gezien en zal je bedrijf niet ineens noemen. Llms.txt wordt door OpenAI, Anthropic en Google niet structureel gelezen; zie het als een goedkope optie, geen strategie.

Bedenk ook wat je bewust openstelt. Een llms-full.txt maakt je content extra makkelijk te oogsten voor training, ook door partijen die je niet kiest. Zet er alleen in wat je toch al publiek wilt hebben, en houd robots.txt en je beleid voor AI-crawlers daarmee in lijn.