Wat een AI-agent van je productpagina afleest

Wat leest een AI-agent van je productpagina?

Een AI-agent leest je productpagina van boven naar beneden, en de kop weegt het zwaarst. Sinds 8 september vragen wij elke ochtend aan Googles Gemini-model met zoekfunctie welk Nederlands bureau iets kan maken, en we noteren welke pagina's het model als bron ophaalt. Drie pagina's kwamen op elke meetdag terug. Ze hebben allemaal de letterlijke koopzin in hun paginatitel, H1 of adres. Onze eigen pagina's hebben dezelfde nette schema-markup als die drie, en stonden op twee van de vragen zestien dagen lang op nul.

Dat is de korte versie, en hij wijkt af van het recept dat rondgaat. In ons eigen onderzoek van 21 september schreven we nog dat drie dingen het verschil maken: de koopzin, een prijs en vragen in de taal van de koper. Toen we die conclusie tegen zestien meetdagen legden, bleef de koopzin overeind. De prijs zagen we bij twee van de drie sterkste pagina's, maar we hebben hem niet getest. De vragen bleken het zwakste signaal: een pagina die elke dag werd opgehaald, staat vol procesvragen.

Een voorbehoud vooraf, omdat de titel "productpagina" zegt. Wij hebben dienstpagina's van bureaus gemeten, geen webshops. Voor een model dat antwoord geeft op de vraag wie iets kan leveren, is een dienstpagina een productpagina voor een dienst. De vertaling naar een webshop maken we verderop, en daar staat ook bij wat we niet weten.

Waar AI-bezoekers binnenkomen

De reden om dit uit te zoeken staat in de cijfers van Shopify. In het kwartaalgesprek van augustus zei het bedrijf dat de helft van alle sessies die via AI binnenkomen direct op een productpagina landt, 2,5 keer zo vaak als bij klassiek zoeken. De homepage en de categoriepagina worden overgeslagen. Wie via een assistent komt, ziet als eerste de pagina waar het product op staat.

Die bezoeker is bovendien meer waard. Adobe meet op Amerikaanse retailsites dat AI-bezoekers 60% beter converteren dan ander verkeer, en dat het AI-verkeer in juli met 62% groeide ten opzichte van een jaar eerder. Dat zijn Amerikaanse cijfers en Shopify noemt het kanaal zelf nog klein ten opzichte van het totaal. Maar de richting is duidelijk.

Het gedrag zit in Nederland al. Volgens het onderzoek AI in Nederland 2026 van Peil.nl, zoals Computable het samenvat, gebruikt 63% van de regelmatige AI-gebruikers AI als zoekmachine.

Een productpagina heeft daarmee twee rollen tegelijk. Hij is de bron waar een model zijn antwoord uit haalt, en hij is de landingsplek waar de koper daarna terechtkomt. Voor de tweede rol schrijf je al jaren. Voor de eerste bijna niemand. Wat het verschuiven van dat verkeer voor je cijfers betekent, schreven we eerder in agentic search en je webshopverkeer. Dit artikel gaat over de eerste rol.

Hoe we het gemeten hebben: negen koopvragen, zestien dagen

Onze scan draait sinds 8 september elke ochtend. Hij stelt negen Nederlandse vragen aan Gemini, via de API met Google-zoekfunctie aan, allemaal in de vorm "welk bureau kan dit maken, noem bedrijfsnamen met hun website". Per vraag slaan we drie dingen op: welke merken het antwoord noemt, welke pagina's het model als bron heeft opgehaald en welke zoekopdrachten het zelf heeft ingetypt. Van 8 tot en met 24 september leverde dat zestien bruikbare meetdagen op. Op 22 september gaf de scan alleen foutmeldingen; die dag tellen we niet mee.

Eén dag zegt weinig. Ons eigen bureau wordt de ene dag op drie vragen genoemd en de volgende op één. Over zestien dagen tekent zich wel een patroon af, en dat patroon splitst zich per vraag.

Bij een deel van de vragen draagt één eigen pagina het antwoord, elke dag weer. Bij andere vragen, zoals Shopify, wisselen de bronnen en komen ze uit ranglijsten en gidsen. Die tweede route werken we in een apart artikel uit. Daar win je met profielen en beoordelingen op de juiste gidsen, niet met je eigen pagina.

Wat we niet gemeten hebben, is net zo belangrijk. Het is één model, via de API en niet via de gewone zoekpagina. Het zijn negen vragen in één markt. Geen enkele vraag gaat over prijs. En wat we zien is samenhang, geen bewezen oorzaak. Je kunt het wel zelf nakijken: de pagina's zijn openbaar.

Wat hebben de drie pagina's die elke dag terugkwamen gemeen?

We hebben de drie pagina's die op elke meetdag bron waren opgehaald als kale HTML, de gestructureerde data uitgelezen en ze naast een paar vergelijkingspagina's gelegd. Namen laten we weg; het gaat om het patroon, niet om de bureaus.

Lees de tabel van links naar rechts en er blijft één constante over. Elke pagina die vaak wordt opgehaald, heeft de koopzin bovenaan staan. De vierde rij is het duidelijkste voorbeeld. Een brandbookpagina van een ander bureau is inhoudelijk vrijwel leeg: een melding dat de pagina nog niet af is, plus een blok met beoordelingen. Hij heet wel "Brandbook laten ontwerpen", en dat staat ook in het adres. Zeven van de zestien dagen haalt het model hem op.

Het bedrag staat bij twee van de drie vaste bronnen in de tekst, en bij geen van onze pagina's. Dat is een verschil dat opvalt, maar onze listingpagina wordt zonder bedrag veertien van de zestien dagen opgehaald. Het vragenblok is het zwakste signaal: de bol-specialist die elke dag bron is, stelt vooral procesvragen. De laatste twee kolommen komen in de volgende sectie terug.

Dezelfde schema-markup, nul keer opgehaald

Onze dienstpagina's hebben een complete set gestructureerde data: een vragenblok als FAQPage, bedrijfsgegevens als LocalBusiness, een gemiddelde beoordeling, coördinaten. Technisch zit het beter in elkaar dan bij twee van de drie pagina's die elke dag worden opgehaald. De bol-winkel heeft nul vragen in zijn markup en wordt elke meetdag gebruikt. Onze Shopify-pagina heeft een keurig vragenblok in de markup en werd geen enkele keer opgehaald.

Dat past bij wat Google zelf schrijft, met één kanttekening. De pagina over AI-functies in Google Zoeken zegt dat er geen extra eisen of speciale optimalisaties nodig zijn om in AI Overviews of AI Mode te verschijnen. Wel belangrijk: dat belangrijke content als tekst beschikbaar is en dat gestructureerde data overeenkomt met de zichtbare tekst. Die pagina gaat over Google Zoeken, niet over het Gemini-model dat wij via de API bevragen. Het is dus geen bevestiging van onze meting, wel dezelfde richting.

De algemene regels voor gestructureerde data zijn scherper: markeer geen content die niet zichtbaar is voor lezers van de pagina. En het FAQ-rijke resultaat is weg. Volgens het wijzigingslogboek van Google Search Central verschijnt die functie sinds 7 mei 2026 niet meer in de zoekresultaten. Wie zijn vragenblok alleen daarvoor had gebouwd, bouwde voor iets dat niet meer bestaat.

Het duidelijkste voorbeeld staat bij onszelf. Het enige euroteken op onze dienstpagina's zit in de gestructureerde data, in het veld priceRange, met als waarde twee eurotekens. Dat is geen prijs, dat is een symbool.

Schema is hygiëne. Een productpagina met een verkeerde prijs in de markup doet het slechter dan een zonder markup, en voor productfeeds heb je het nodig. Maar in onze meting maakte het geen verschil tussen opgehaald worden en onzichtbaar blijven.

De koopzin: de enige constante in de meting

Het model zoekt zelf, en we kunnen zien wat het intypt. Bij de brandbookvraag, de bol-vraag en de Shopify-vraag staan in onze data de zoekopdrachten die Gemini uitvoerde voordat het antwoordde. Dat zijn geen merkzinnen. Het zijn zinnen als "Shopify experts Nederland design" en "Shopify webshop laten maken Nederland design". Dat is de taal van een koper, en de pagina's die die taal in hun kop hebben, worden gevonden.

Onze eigen koppen doen het wisselend. De paginatitel van onze listingpagina is "Bol.com listing laten maken dat verkoopt", en die pagina is veertien van de zestien dagen bron. De H1 van onze 3D-pagina is "3D product renders zonder fysiek prototype"; een koper zoekt op "3D-render laten maken", en die woorden staan niet in paginatitel of H1. Onze brandingpagina heet in de H1 "Brandingbureau voor merken die serieus genomen willen worden". Mooi gezegd, maar niemand typt dat. En voor brandbook hebben we geen aparte pagina, dus ook geen kop die de vraag herhaalt.

Nu het tegenvoorbeeld, want dat hoort erbij. Onze Shopify-pagina heeft "Shopify webshop laten maken" in paginatitel én H1. Op 24 september zocht Gemini letterlijk op die woorden. Toch haalde het een lijstje op en niet ons. Bij die vraag wint geen enkele bureaupagina, ook de beste niet. De koopzin helpt waar het model eigen pagina's ophaalt. Waar het ranglijsten zoekt, helpt hij niet. Welke route een vraag volgt, zie je alleen door hem een tijd te meten.

Voor een webshop betekent dit iets concreets. "Zacht als een zomerochtend" is een merkzin. "Linnen dekbedovertrek 240 bij 220, stonewashed" is een koopzin. Wij zijn een merkbureau en vinden die merktaal juist waardevol, maar hij staat op de verkeerde plek als hij de paginatitel en H1 bezet. De koopzin hoort bovenaan, de merkzin in de subkop en de eerste alinea. Hoe je die merktaal zo opschrijft dat een model hem wél meeneemt, staat in merkpositionering voor AI-agenten.

De prijs: wat we zagen en wat we niet gemeten hebben

Twee van de drie pagina's die elke dag bron waren, noemen een bedrag in de lopende tekst. Geen van onze dienstpagina's doet dat. Het is verleidelijk om daar een conclusie aan te hangen, maar onze scan stelt geen enkele kostenvraag. We weten dus niet of een bedrag helpt als iemand vraagt wat iets kost. We weten alleen dat de sterkste pagina's het hebben en wij niet.

Wat we wel weten, is hoe onze eigen pagina die vraag beantwoordt. Onze Shopify-pagina heeft "Wat kost een Shopify store?" in het vragenblok staan. Het antwoord begint met "Scope-afhankelijk." Daarna volgt een uitleg over hoe we offreren. Er staat geen bedrag, geen bandbreedte, geen vanafprijs. Voor een mens is dat een eerlijk antwoord. Voor een model dat moet antwoorden op wat een webshop ongeveer kost, staat er niets om te citeren.

Daarom voegen we een kostenvraag toe aan de dagelijkse scan. Dan meten we het, in plaats van het te veronderstellen.

Bij webshops speelt nog iets anders: de prijs staat er vaak wel, maar niet in de tekst die een model leest. Een paar patronen die een model de prijs kunnen onthouden:

• De prijs verschijnt pas nadat JavaScript een variant heeft gekozen; in de kale HTML staat niets of een nul.
• Er staat alleen "vanaf" zonder dat duidelijk is waarvoor.
• Levertijd en verzendkosten staan in een pop-up of pas in de winkelwagen.
• De prijs in de gestructureerde data wijkt af van de prijs op de pagina, bijvoorbeeld na een actie.

Adobe schat dat bij de retailers die het onderzocht 39% van de homepages niet leesbaar is voor taalmodellen. Dat is een Amerikaanse meting op homepages, niet op Nederlandse productpagina's. Shopify ziet het verschil tussen nette en slordige productdata ook terug: zoekopdrachten van AI-agenten die op de gestructureerde Shopify Catalog draaien, converteren twee keer zo goed als zoekopdrachten op gegevens die van pagina's zijn geschraapt.

Onze vragen komen na de keuze, die van de koper ervoor

Het derde element uit ons oorspronkelijke recept, vragen in de taal van de koper, kwam het zwakst uit de meting. De bol-specialist die elke dag bron is, stelt in zijn vragenblok vooral procesvragen: wat moet ik aanleveren, hoeveel feedbackrondes, voor welke platformen. Dat is bijna letterlijk wat wij ook hebben. Als onderscheid tussen opgehaald worden of niet, zegt het vragenblok in onze data dus weinig.

Toch herschrijven we onze vragen, om een andere reden. Een model dat antwoord moet geven op een kostenvraag of een geschiktheidsvraag, kan alleen citeren wat ergens als tekst staat. Onze vragen zijn geschreven vanuit ons proces. "Wat hebben jullie nodig om te starten?" "Wat is de doorlooptijd?" Dat zijn vragen die een klant stelt nádat hij voor ons heeft gekozen. De vragen die ervóór komen, beantwoorden we nergens.

Een goede koopvraag gaat over geld, geschiktheid of vergelijking, is geformuleerd zoals de koper praat, en heeft een feit in het antwoord: een bedrag, een termijn, een grens. Voor een productpagina in een webshop zijn dat vragen als: past dit op een bed van 160 breed, kan het in de wasmachine, hoe lang duurt levering naar België. Of dat je vaker in een antwoord brengt, weten we niet. Dat het de enige plek is waar het antwoord op zo'n vraag kán staan, wel.

Wat betekent dit voor een productpagina in je webshop?

Hier houdt de meting op en begint de vertaling. Wij hebben gemeten welke bureaupagina's een model ophaalt bij de vraag wie iets kan maken. Wij hebben geen webshops gemeten. En een deel van het AI-verkeer naar webshops loopt niet via de pagina maar via productfeeds, zoals de Shopify Catalog die hierboven al opdook. Wat volgt is beredeneerd, niet bewezen.

De redenering is deze. Shopify zegt dat in het tweede kwartaal 75% van de AI-bestellingen buiten de honderd grootste productcategorieën viel. Volgens Shopify zoekt een agent naar het product dat past bij de specifieke vraag van de koper, niet naar het populairste. Het voorbeeld dat ze gaven: een autostoeltje dat met drie naast elkaar op de achterbank van een sedan past. Zo'n vraag beantwoord je met precieze gegevens, en die gegevens staan op de productpagina of in de feed, liefst op allebei hetzelfde.

Per productpagina komt dat neer op dit:

De eerste rij is de enige die onze meting direct ondersteunt. De rest volgt uit wat Google schrijft over tekst en markup, en uit gezond verstand over wat een model moet kunnen lezen om een vraag te beantwoorden.

Op Shopify komt er een laag bij, omdat het platform zelf een beschrijving van je winkel aan agenten aanbiedt. Wat daarin staat en waarom bijna niemand die tekst heeft aangepast, lees je in agents.md op Shopify. Voor categoriepagina's staan de elementen in GEO-ready categoriepagina's.

Je eigen pagina controleren: vijf checks en een week meten

Je hebt geen tool nodig om te zien wat een model van je pagina kan lezen. Je hebt een browser nodig, één koopvraag en een week geduld.

1. Schrijf de koopvraag op. Niet je zoekwoord, maar de hele vraag zoals een klant hem aan een assistent zou stellen. "Welke webshop verkoopt een linnen dekbedovertrek van 240 bij 220 met levering binnen een week?"
2. Leg je paginatitel en H1 naast die vraag. Staan de woorden van de koper erin, of staat de merkzin op die plek?
3. Bekijk de paginabron en zoek je prijs. Staat het bedrag als tekst in de HTML, dan kan een model het lezen. Staat er niets of een nul, dan laadt de prijs pas na JavaScript.
4. Zoek je vragenblok in dezelfde bron. Staan vragen en antwoorden als leesbare tekst, en is er minstens één vraag over geld, geschiktheid of levering met een feit in het antwoord?
5. Vergelijk je gestructureerde data met de pagina. Prijs, beschikbaarheid, naam. Alles in de markup moet ook zichtbaar zijn.

Daarna de week. Stel elke dag dezelfde koopvraag aan een assistent met zoekfunctie en noteer welke pagina's als bron worden genoemd. Na een paar dagen zie je welke route je vraag volgt: eigen pagina's of lijstjes. Loopt hij via lijstjes, dan helpt het herschrijven van je pagina weinig en moet je op die lijstjes zien te komen. Wil je daarna ook zien of er echt AI-verkeer binnenkomt, dan kan dat in je eigen analytics; hoe, staat in AI-verwijzingen meten in GA4.

Wat wij op onze eigen pagina's aanpassen

Op de vraag wie een bol.com-listing kan maken, staan we veertien van de zestien dagen in het antwoord, en onze pagina is daar net zo vaak bron. Die pagina heeft de koopzin in de paginatitel. Op de vraag wie een brandbook maakt, bestaan we niet: we hebben er geen pagina voor. Op de Shopify-vraag staan we ook op nul, maar daar is onze pagina niet het probleem; die vraag wordt beslist door lijstjes waar wij niet op staan.

Dit is de volgorde waarin we het aanpakken:

Stap vier is de lastigste, en niet om technische redenen. Een bureau noemt liever geen prijs, omdat elk project anders is. Dat klopt. Maar een bandbreedte met uitleg wat het verschil maakt, is eerlijker dan "scope-afhankelijk", en het is het enige antwoord waar een model iets mee kan.

Voor klanten lopen we dezelfde punten na bij elke Shopify-oplevering en elk SEO-traject: de koopzin bovenaan, de prijs in de HTML, vragen met een feit in het antwoord, en gestructureerde data die klopt met de pagina. Wil je weten hoe jouw belangrijkste productpagina er voor een model uitziet, dan lopen we hem in een kort gesprek samen door.