Waarom AI tabellen en lijsten vaker citeert dan lopende tekst

Wie vandaag een productvergelijking of een set specificaties online zet, schrijft niet meer alleen voor de lezer. ChatGPT, Google AI Overviews, Perplexity en Gemini lezen diezelfde pagina, knippen er een stukje uit en presenteren dat als antwoord aan hun gebruiker. Het opvallende patroon: die assistenten grijpen veel liever naar tabellen, lijsten en gestructureerde data dan naar mooie lopende tekst. Een keurig geschreven alinea waarin je drie pakketten beschrijft, verliest het van een simpele tabel met dezelfde informatie.

Dat is geen toeval. Een taalmodel moet uit jouw pagina de relatie tussen feiten afleiden: welke prijs hoort bij welk pakket, welke functie zit in welke tier. In een tabel staat die relatie al expliciet in rijen en kolommen. In proza moet het model gokken. Voor B2B-bedrijven die met vergelijkingen, prijstabellen en technische specs werken, is dit een directe hefboom op je AI-zichtbaarheid. In dit artikel leggen we uit waarom het werkt en hoe je je content concreet herstructureert.

Test je AI-zichtbaarheid: scoor je pagina met onze GEO-check.

Waarom AI gestructureerde data verkiest boven proza

Een groot taalmodel werkt het liefst met wat je een “atomair” stuk informatie kunt noemen: een blokje dat op zichzelf staat en volledig is zonder de omringende tekst. Een tabelrij is per definitie atomair. “Pakket Pro, 49 euro per maand, 10 gebruikers” is een complete eenheid. Het model hoeft niets te reconstrueren.

Onderzoek bevestigt die voorkeur voor structuur. De Princeton GEO-studie, uitgevoerd door onderzoekers van Princeton, Georgia Tech en het Allen Institute over duizenden queries, toont dat gerichte ingrepen op structuur en bewijsvoering de zichtbaarheid in generatieve zoekmachines tot 40% kunnen verhogen. Statistieken toevoegen, bronnen citeren en informatie in extraheerbare blokken zetten waren daarbij de sterkste tactieken.

Ook Backlinko vat het in zijn analyse van AI Overviews helder samen: beantwoord vragen helder en gebruik beknopte definities, lijsten en tabellen. AI Overviews verschijnen zelf vaak als een mini-artikel, een lijst of een tabel, dus content die al in dat formaat staat, kost het model de minste moeite om over te nemen. Hoe meer je het model laat reconstrueren, hoe groter de kans dat het een concurrent kiest die het wel makkelijk maakt. Dit hangt nauw samen met hoe AI grounding snippets uit je pagina haalt.

Tabel versus proza: hetzelfde feit, ander resultaat

Het verschil is het duidelijkst met een voorbeeld. Stel dat je drie abonnementen beschrijft. In proza klinkt dat zo: “Ons Starterspakket kost 19 euro per maand en is geschikt voor één gebruiker, terwijl het Pro-pakket aan 49 euro tien gebruikers en API-toegang biedt.” Voor een mens prima leesbaar, voor een model rommelig om te ontleden.

Dezelfde data in tabelvorm laat geen ruimte voor interpretatie:

Wanneer iemand aan ChatGPT vraagt “wat is het verschil tussen Starter en Pro”, kan het model dit blok rechtstreeks overnemen en correct citeren. Diezelfde logica geldt voor de vergelijking tussen contentformaten zelf:

De boodschap: elke keer dat je content stappen, tools, functies of een vergelijking beschrijft, hoort dat in een lijst of tabel, niet in een alinea. Meer achtergrond over het waarom vind je in onze uitleg over wat gestructureerde data precies is.

Wat data over AI-citaties echt aantoont

De voorkeur voor structuur gaat verder dan tabellen alleen. Uit de analyse van Ahrefs over ranken in ChatGPT komen een paar concrete patronen naar boven die je meteen kunt toepassen.

Ten eerste de koppen. Content met een vraagteken in de kop wordt volgens Ahrefs dubbel zo vaak geciteerd: 18% tegenover 8,9%. Een kop als “Wat kost een CRM voor kmo’s?” werkt beter dan “Prijzen”, omdat het model de kop als gebruikersvraag herkent. Ten tweede de zogenaamde “entity density”: sterk geciteerde tekst noemt drie tot vier keer zoveel concrete entiteiten (merken, tools, producten) als gemiddelde tekst, met een dichtheid rond 20,6%. Vage formuleringen verliezen het van specifieke namen en cijfers, precies wat in een tabel vanzelf gebeurt.

Ten derde de positie. Ahrefs spreekt van een “ski ramp”: 44,2% van alle citaties komt uit de eerste 30% van de pagina. Plaats je belangrijkste tabel of opsomming dus hoog, niet onderaan na duizend woorden inleiding. Wie begrijpt hoe AI een zoekvraag opsplitst en aan intenties koppelt, ziet meteen waarom: zie onze uitleg over query fan-out en intent-classificatie.

Schema markup: de structuur die crawlers ook begrijpen

Leesbare opmaak helpt het taalmodel, maar je wil ook dat de onderliggende crawler de betekenis van je data oppikt. Daar komt schema markup binnen. Google beschrijft in zijn documentatie dat je expliciete aanwijzingen geeft over de betekenis van een pagina door gestructureerde data toe te voegen. Daarmee komt je pagina ook in aanmerking voor rich results, de visueel rijkere weergaven in de zoekresultaten.

Voor B2B-content zijn vooral deze types relevant:

• FAQPage: voor je veelgestelde vragen, ideaal omdat elk antwoord op zichzelf staat.
• Product en Offer: voor prijzen, varianten en beschikbaarheid.
• Table en Dataset: voor expliciet gestructureerde datasets.
• Article met author en datePublished: voor de E-E-A-T-signalen rond je content.

Schema vervangt goede HTML niet, het versterkt ze. Een correcte tabel met th en td, nette ul-lijsten en een logische H2-H3-hiërarchie doen het zware werk voor het taalmodel; de schema markup maakt de betekenis ondubbelzinnig voor de crawler. De volledige aanpak lees je in ons artikel over schema markup.

Concreet stappenplan voor je B2B-content

Je hoeft niet je hele site te herschrijven. Begin bij de pagina’s waar vergelijkende of feitelijke data centraal staat: prijspagina’s, vergelijkingen, specificaties en FAQ’s.

1. Spoor proza-data op. Zoek alinea’s die eigenlijk een vergelijking of opsomming zijn en zet ze om naar een tabel of lijst.
2. Maak koppen vraaggericht. Vervang labels door de echte vraag die je doelgroep stelt.
3. Zet je kerntabel hoog. Plaats de belangrijkste data in de eerste 30% van de pagina.
4. Wees specifiek. Noem concrete cijfers, merken en eenheden in plaats van vage termen.
5. Voeg schema toe. Implementeer FAQPage, Product of Table waar passend.
6. Sluit af met een FAQ. Elk antwoord een atomair blok van twee tot vier zinnen.

Deze ingrepen werken samen aan één doel: je content de standaardbron laten worden waar AI naar grijpt. Hoe je structureel die positie verovert, beschrijven we in becoming source material: AI-bron worden.

Veelgestelde vragen

Citeert AI echt vaker uit tabellen dan uit lopende tekst?

De voorkeur voor structuur is goed gedocumenteerd. Tabellen maken de relatie tussen feiten expliciet, waardoor een taalmodel ze rechtstreeks kan overnemen zonder te reconstrueren. Backlinko en de Princeton GEO-studie bevestigen dat gestructureerde, extraheerbare content de zichtbaarheid in generatieve antwoorden verhoogt, in de Princeton-test tot 40%.

Moet ik kiezen tussen tabellen en schema markup?

Nee, ze versterken elkaar. Een leesbare HTML-tabel helpt het taalmodel je content te begrijpen en te citeren, terwijl schema markup de betekenis ondubbelzinnig maakt voor de crawler van Google. De sterkste aanpak combineert beide: nette tabellen en lijsten plus passende schema zoals Product, Table of FAQPage.

Werkt dit ook als mijn pagina niet bovenaan in Google staat?

Gedeeltelijk wel. De Princeton-studie vond dat het citeren van bronnen de zichtbaarheid juist voor lager gerankte content sterk verhoogde. Generatieve engines wegen relevantie en structuur mee, niet alleen de klassieke positie. Goed gestructureerde data geeft je dus een kans om geciteerd te worden ook zonder toppositie.

Welke pagina’s pak ik eerst aan?

Begin bij pagina’s met vergelijkende of feitelijke data: prijzen, productvergelijkingen, technische specificaties en FAQ’s. Daar levert het omzetten van proza naar tabellen en lijsten het snelste resultaat op, omdat dat exact het soort vraag is waar AI-assistenten een gestructureerd antwoord op willen geven.

Hulp nodig?

Wil je dit vertalen naar uitvoering? Bekijk hoe we dit aanpakken met AI-vindbaarheid.