Review schema voor AI: zo werkt het

Review schema is gestructureerde data (Review en AggregateRating in JSON-LD) die klantbeoordelingen machineleesbaar maakt, zodat zoekmachines en AI-engines een score, het aantal reviews en de individuele meningen ondubbelzinnig kunnen interpreteren. Voor AI-zichtbaarheid is dat waardevol: een gemiddelde van 4,7 op 128 beoordelingen is een concreet, citeerbaar feit dat een taalmodel makkelijker als vertrouwenssignaal kan oppikken dan losse tekst. In dit artikel lees je hoe review- en rating-schema sociale bewijskracht omzet in signalen die AI begrijpt, en vooral welke policy-valkuil de meeste bedrijven over het hoofd zien.

Wat is review- en rating-schema?

Review- en rating-schema is een afspraak uit het schema.org-vocabulaire waarmee je een beoordeling expliciet als data markeert in plaats van als gewone tekst. Je gebruikt het type Review voor een individuele beoordeling (met de auteur, de score en de reviewtekst) en AggregateRating voor het samengevatte cijfer over meerdere reviews (het gemiddelde plus het totaal aantal beoordelingen). In de praktijk plaats je dit als een JSON-LD-blok in de broncode van je pagina, los van wat de bezoeker ziet.

Het verschil met een sterrenwidget op je pagina is fundamenteel. Een bezoeker ziet de sterren sowieso, maar een machine moet anders raden of “4,7” een score, een prijs of een versienummer is. De markup haalt die twijfel weg. Daarom is review schema een vorm van wat we content-architectuur voor AI noemen: je structureert informatie zo dat een extractiemodel je content betrouwbaar kan ontleden in plaats van te moeten interpreteren.

Hoe maakt schema van reviews een citeerbaar vertrouwenssignaal voor AI?

Schema verandert reviews van losse meningen in een afgebakend feit dat een AI-engine kan overnemen zonder interpretatiefouten. Een taalmodel dat een prompt als “is dit een betrouwbare B2B-leverancier” beantwoordt, zoekt naar harde, herhaalbare signalen. Een gestructureerd cijfer (gemiddelde score en aantal beoordelingen) is precies zo’n signaal: het is concreet, telbaar en moeilijk verkeerd te lezen.

Dat sluit aan op hoe AI bepaalt wat waar is. Generatieve engines leunen op grounding, het proces waarbij ze beweringen verankeren in vindbare bronnen. Een score die zowel zichtbaar op je pagina staat als netjes in schema is gemarkeerd, is makkelijker te verankeren dan dezelfde claim verstopt in een alinea. Belangrijk om eerlijk te zijn: schema is geen directe ranking- of citatiegarantie. Het is een ondersteunend signaal dat de kans verhoogt dat je beoordelingen correct worden opgepikt, niet een knop die zichtbaarheid afdwingt.

Voor B2B is de nuance dat reviews maar een van de vertrouwenssignalen zijn. Vaak wegen consistente vermeldingen op onafhankelijke plekken zwaarder, omdat AI-engines merkvermeldingen over het hele web als autoriteitssignaal gebruiken. Review schema werkt het best als onderdeel van dat grotere geheel, niet als losse truc.

Wat is Google’s self-serving review-policy en waarom is dat de grootste valkuil?

Google toont geen review-sterren meer voor LocalBusiness- of Organization-markup wanneer de beoordeelde entiteit zelf de reviews controleert, omdat dat als self-serving geldt. Dit is volgens de officiele documentatie van Google de regel die de meeste bedrijven verkeerd inschatten. Concreet: een review over bedrijf A die op de website van bedrijf A staat, valt onder de beperking, of die nu rechtstreeks in je structured data staat of via een ingesloten widget van bijvoorbeeld Google- of Facebook-reviews.

Dat betekent dat de klassieke aanpak, je eigen bedrijfsreviews als AggregateRating op je homepage of contactpagina zetten, geen review-rich-result meer oplevert in Google. De markup is voor dat doel uitgeschakeld. Veel bedrijven blijven dit toch doen en vragen zich af waarom de sterren nooit verschijnen.

Voor AI-zichtbaarheid is de les breder dan alleen Google’s weergaveregel. Als een platform self-serving reviews structureel wantrouwt, is het verstandig je vertrouwenssignalen niet te bouwen op markup die je volledig zelf controleert. Onafhankelijk verifieerbare beoordelingen zijn geloofwaardiger, en geloofwaardigheid is precies wat een AI-engine probeert in te schatten. Markup die de regels overtreedt kan bovendien als spam-signaal werken, dus de valkuil is niet alleen “het werkt niet” maar ook “het kan tegen je werken”.

Welk review schema mag je dan wel gebruiken?

De self-serving beperking geldt voor LocalBusiness en Organization en hun subtypes, niet voor Product. Als je echte klantbeoordelingen verzamelt over een specifiek product of een afgebakende dienst, en die reviews zichtbaar op de pagina staan, dan is AggregateRating-markup op die pagina wel toegestaan. Dat is het scenario waar review schema zijn citeerbare waarde behoudt.

Naast je eigen productpagina’s tellen ook beoordelingen op onafhankelijke platforms mee. Reviews op een externe, gerenommeerde reviewsite zijn per definitie niet self-serving, want jij controleert ze niet. Voor B2B is dat vaak de sterkere route: een consistent profiel op platforms die AI-engines al als bron raadplegen, levert vertrouwenssignalen op die buiten je eigen domein leven en daardoor zwaarder wegen.

Twee harde voorwaarden gelden altijd. De reviews moeten echt en onbewerkt zijn (geen verzonnen beoordelingen) en ze moeten zichtbaar op de pagina staan voor de bezoeker. Je mag geen “onzichtbare” reviews markeren die alleen in de code bestaan. Houd het gemiddelde en het aantal beoordelingen in je markup exact gelijk aan wat de bezoeker ziet.

Hoe zet je review schema correct op voor AI-zichtbaarheid?

Begin bij de bron, niet bij de code: zonder echte, recente reviews heeft markup geen waarde. De volgorde die voor B2B werkt:

Verzamel eerst echte beoordelingen over je producten of afgebakende diensten en zet ze zichtbaar op de relevante pagina. De markup volgt de inhoud, nooit andersom.
Gebruik Product met AggregateRating op productpagina’s, en vermijd Organization- of LocalBusiness-review-markup voor je eigen bedrijf, want die levert geen rich result op.
Houd score en aantal synchroon tussen wat de bezoeker ziet en wat in JSON-LD staat. Verschil tussen beide is een rechtstreekse policy-overtreding.
Bouw onafhankelijke reviewsignalen op externe platforms, zodat je vertrouwenssignalen niet volledig op je eigen domein steunen.
Test je markup met Google’s Rich Results Test en de Search Console om te controleren of het zonder fouten wordt herkend.

Vergeet daarbij niet dat schema een laag is bovenop goede inhoud. Het versterkt bestaande sociale bewijskracht, het creeert er geen. Onze lijn richting klanten is consequent: we sturen op echte signalen die leads en omzet ondersteunen, niet op markup-trucs die op korte termijn een ster opleveren en op lange termijn risico vormen. Wil je weten hoe review schema past in je bredere aanpak, dan vind je het volledige kader in onze GEO-gids, en bekijk hoe wij dit aanpakken via AI-zoekoptimalisatie.

De korte samenvatting

Review- en rating-schema maakt klantbeoordelingen machineleesbaar, zodat AI-engines een score en het aantal reviews als concreet vertrouwenssignaal kunnen oppikken. De grootste valkuil is Google’s self-serving regel: eigen bedrijfsreviews in Organization- of LocalBusiness-markup leveren geen sterren op. Wat wel werkt zijn echte, zichtbare productreviews met AggregateRating en onafhankelijke beoordelingen op externe platforms. Schema versterkt bestaande sociale bewijskracht, maar verzint nooit autoriteit, dus de inhoud moet eerst kloppen.

Wil je je reviews omzetten in vertrouwenssignalen die AI daadwerkelijk oppikt, zonder de policy-valkuilen? Plan je gratis intake.