Witte achtergrond productfoto: waarom jouw wit geen 255 is

Wit is een meetwaarde, geen kleur

Een witte achtergrond productfoto is geen ontwerpkeuze. Het is een getal. Amazon vraagt zuiver wit, en zuiver wit betekent RGB 255, 255, 255: de hoogst mogelijke waarde die een pixel kan hebben. Wat je in een studio fotografeert haalt die waarde zelden, want een camera meet licht en licht valt nooit gelijkmatig op een achtergrond.

Wij hebben op 14 augustus 2026 245 hoofdafbeeldingen op bol.com doorgemeten, verdeeld over acht categorieën. Slechts 30 daarvan hadden nog genoeg zichtbare marge rond het product om de achtergrond te kunnen aflezen. Van die 30 haalden er 5 zuiver 255.

Dat cijfer is op bol niet interessant, want bol kijkt sinds 1 juli 2025 niet meer naar de eigen beeldregels. Het wordt interessant zodra hetzelfde bestand ergens anders heen gaat. Amazon controleert wel en kan een listing uit de zoekresultaten houden. Google trekt per 31 januari 2027 een harde ondergrens en hanteert als enige van de drie ook een bovengrens.

Ontwerp je beeld daarom op de strengste van de drie, niet op de makkelijkste. Anders bepaalt het kanaal dat je het minst controleert hoe je product er elders uitziet.

Waarom haalt een witte achtergrond productfoto bijna nooit 255?

Omdat een camera licht meet en geen kleur toewijst. Een witte achtergrond in een studio reflecteert licht, en dat licht is nooit overal gelijk. Aan de randen valt het weg, achter het product ontstaat een schaduw, en de lens zorgt voor vignettering: de hoeken worden donkerder dan het midden. Het resultaat oogt wit en meet net iets minder dan wit.

Feller belichten lost dat niet op. Je verhoogt dan de belichting van het hele beeld, dus ook van het product, en je verliest de detaillering in de lichte delen ervan. Een wit T-shirt op een achtergrond die je met licht naar 255 hebt geduwd, heeft geen naden meer. Dat is een slechtere foto.

De juiste route loopt via nabewerking. Je fotografeert op een achtergrond die duidelijk lichter is dan je product en trekt daarna uitsluitend het achtergrondgebied naar 255. Het product blijft ongemoeid. Dat kost per beeld een paar minuten, het is een standaardhandeling, en het is precies de stap die wegvalt zodra iemand bestanden rechtstreeks uit de camera aanlevert.

Een AI-achtergrondverwijderaar haalt die 255 trouwens wel. Op de zoekterm waar dit artikel over gaat, bestaat de hele eerste pagina van Google zo ongeveer uit dat soort gereedschap. Wat zo'n tool niet oplost is de rand: halo's rond haar, glas en transparante delen, en een product dat na het uitsnijden strak tegen de kaderrand wordt geplakt. Je ruilt dan een achtergrondprobleem in voor een kaderprobleem, en het tweede is op meer kanalen zichtbaar dan het eerste.

223 van de 245 bol-beelden vullen het kader te ver

Wij hebben 245 hoofdafbeeldingen opgehaald zoals bol ze zelf toont, verdeeld over acht categorieën, en per beeld drie dingen gemeten: hoeveel van het kader het product vult, of het product de rand raakt, en of het beeld vierkant is.

Die eerste regel is geen slordigheid van verkopers. Het is bol zelf. Bol snijdt witruimte automatisch weg voordat een beeld op het platform verschijnt en documenteert dat ook zo. Je uploadt een vierkant beeld met nette marge, en bol toont een uitgesneden versie waarin het product tot tegen de rand loopt.

Voor bol werkt dat goed. Alle producten ogen even groot, het overzicht wordt rustig, en de klant ziet het product zonder omweg. Die uitsnede is alleen geen presentatiekeuze die op het platform blijft. Het bestand dat bol serveert is een ander bestand dan jij hebt aangeleverd: in onze meting was 170 van de 245 beelden na die bewerking niet meer vierkant.

Je ziet op bol het resultaat na die uitsnede. Je ziet nooit wat je zelf hebt geüpload. Wie zijn beeldbibliotheek samenstelt op basis van hoe het er op bol uitziet, bouwt zijn hele set op de uitvoer van één platform.

Drie platforms meten hetzelfde bestand op drie manieren

De verschillen zijn klein om te lezen en bepalend voor de uitkomst.

Lees de rij over kadervulling nog een keer. Daar zit het verschil dat geld kost. Amazon stelt een ondergrens aan hoeveel van het kader je product moet vullen en laat de bovenkant vrij. Bol stelt geen van beide en snijdt bovendien zelf bij. Google is de enige die er een plafond op zet.

Een beeldvullende foto is daardoor op twee van de drie kanalen precies goed en op het derde te vol. En het kanaal dat je richting dat plafond duwt, is bol, met een bewerking die na de upload gebeurt en die je niet ziet.

De rij over formaat werkt op dezelfde manier. Amazon rekent op de langste zijde, dus alle 245 beelden uit onze meting halen die eis moeiteloos. Google rekent op beide zijden. Zodra de nieuwe ondergrens per 31 januari 2027 geldt, zakt 224 van diezelfde 245 beelden daar doorheen. Dat is een andere meting dan de 223 hierboven en toevallig bijna hetzelfde getal: de eerste gaat over kadervulling, deze over pixelafmetingen.

Wij hebben eerder uitgewerkt wat er aan de kant van Amazon en zijn beeldeisen precies geldt. Wat daar ontbrak is deze laag: dat de drie kanalen aan de bovenkant uit elkaar lopen en dat je klant dat nergens te horen krijgt.

Waarom je bol-foto stilletjes je Shopping-feed verzwakt

Neem de meest voorkomende route bij een middelgrote webshop. Een fotograaf levert een set aan. De set gaat naar bol. Iemand haalt later de beelden van bol af om de webshop te vullen, want daar staan ze immers al netjes op wit. De feed van die webshop gaat naar Merchant Center.

Wat er dan gebeurt: het beeld dat naar Google gaat is de bol-versie. Uitgesneden tot tegen de rand, vaak niet vierkant, zonder marge. In onze meting komt 223 van de 245 beelden boven de bovengrens van Google uit en zit 8 van de 245 binnen de bandbreedte die Google adviseert.

Niemand merkt dit, omdat er geen foutmelding komt. Een afkeuring in Merchant Center volgt op een harde eis. Een advies dat je niet haalt levert alleen een slechtere plek op, en dat zie je pas terug in een kwartaalrapportage die niemand aan de foto's koppelt.

De ontwerpregel die hieruit volgt kost niets: lever aan de bron vierkant aan, met marge, op minimaal 1500 pixels. Laat het uitsnijden over aan het platform dat wil uitsnijden. Bol snijdt zelf en is tevreden. Amazon rekent op de langste zijde en is tevreden. Google krijgt marge binnen de bandbreedte die het adviseert. Andersom werkt het niet, want uit een strak uitgesneden bestand kun je geen marge terughalen.

Dit is dezelfde denkfout die we bij productcontent over meerdere kanalen vaker zien. Er wordt geoptimaliseerd voor het kanaal dat het snelst reageert, en dat is zelden het kanaal met de strengste norm.

Waarom staat je oude foto zes weken later nog in Google Shopping?

Omdat je waarschijnlijk het bestand hebt vervangen in plaats van een nieuw pad te publiceren. Google Merchant Center is daar expliciet over: werk je de inhoud van een beeld bij en houd je dezelfde URL aan, dan kan het aanzienlijk langer duren voordat het systeem de wijziging oppikt. Zet je het nieuwe beeld op een nieuwe, unieke URL in het image_link-veld, dan volgt er doorgaans binnen drie dagen een nieuwe crawl.

Reken dat om naar de praktijk. Een klant laat in september een nieuwe set maken voor het najaar. De ontwikkelaar zet de nieuwe bestanden netjes op dezelfde paden, want zo blijft de mediabibliotheek overzichtelijk. Zes weken later staan de zomerfoto's nog steeds in Google Shopping terwijl de campagne al op het nieuwe beeld draait. De foto's zijn betaald, de shoot is geweest, en het kanaal toont de vorige set.

Bij ons staat het daarom als leverregel in de aanlevering: vervang nooit een bestand, publiceer een nieuw pad. Het geldt voor Merchant Center en om precies dezelfde reden voor elk content delivery network dat bestanden lang bewaart. De cache van je eigen webshop kent hetzelfde gedrag en dezelfde vertraging.

De uitvoering is een naamgevingsafspraak. Zet een versie of een datum in de bestandsnaam, zodat een nieuwe set automatisch een nieuw pad krijgt. Dat kost bij het inrichten een half uur en het scheelt bij elke volgende shoot weken.

Nog een reden om dit vóór een nieuwe fotoshoot te regelen: in de twee gedocumenteerde gevallen die wij vonden van een onderdrukte Amazon-listing, gebeurde dat bij een wijziging van een listing die al draaide, niet bij de eerste upload. Twee gevallen zijn geen bewijs van een patroon, maar het is wel het moment waarop je bestanden aanraakt terwijl er omzet op staat.

Komt je beeld überhaupt bij de machine aan?

Dit is de laag onder alles hierboven. Een foto die technisch klopt maar niet leesbaar wordt aangeboden, doet in de kanalen die er nu bij komen weinig.

Google vraagt in de documentatie voor merchant listings om meerdere beelden in drie beeldverhoudingen: 16x9, 4x3 en 1x1, met een ondergrens van 50K pixels wanneer je breedte en hoogte vermenigvuldigt. Google adviseert daarbij het productschema in de initiële HTML te zetten, omdat markup die door JavaScript wordt opgebouwd de shopping-crawls minder betrouwbaar maakt.

Wij hebben 55 productpagina's bij 11 Nederlandse webshops nagekeken. Van die 55 pagina's hebben er 16 geen bruikbaar beeldveld in het productschema in de initiële HTML, en leveren er 45 nul of één beeld aan. Meerdere beelden in meerdere verhoudingen wordt bij 9 van de 11 gemeten shops nergens gehaald.

Bij vijf Nederlandse Shopify-merken hebben we daarnaast 522 beelden bekeken op de route waar agenten naartoe worden gestuurd. Alle 522 hadden een lege alt-tekst, zonder uitzondering. Alt-tekst is jarenlang behandeld als een vinkje voor toegankelijkheid. Het is nu het kanaal waarlangs een machine leest wat er op de foto staat, want de beschrijvende velden in de beeldsitemap zijn geschrapt en alleen de locatie telt nog mee.

Ondertussen groeit de kant waar dit toe doet snel. Google meldt ruim 20 miljard visuele zoekopdrachten per maand via Lens, en 20% daarvan is shopping-gerelateerd. Dat zijn zoekopdrachten die met een camera beginnen in plaats van met een toetsenbord. Daar is geen tekstuele optimalisatie voor. Er is alleen beeld.

Wie zich afvraagt welk geheim trucje daarbij hoort: dat is er niet. Google schrijft in de eigen documentatie over AI-functies dat er geen speciale schema.org-markup bestaat die je moet toevoegen, en noemt in dezelfde alinea beeld van hoge kwaliteit wel expliciet als factor. De feed en de foto's. Verder niets. Wij hebben dat uitgewerkt in ons artikel over visuele vindbaarheid via Google Afbeeldingen.

De controle die wij vóór aanlevering draaien

Wij hebben dit tot een vaste stap gemaakt in elk productfotografie-traject, omdat het aan onze kant minuten kost en aan de klantkant een listing scheelt. De controle draait op de definitieve bestanden, voordat ze het kanaal in gaan.

Bij Screenmate en KG Goods liep de aanlevering over meerdere kanalen tegelijk, en daar is deze lijst uit voortgekomen. Ingewikkeld werk is het niet. Gedaan wordt het alleen zelden: in zes jaar hebben wij honderden listings opgeleverd en nul keer een klant gehad die zelf naar een achtergrondwaarde vroeg. Het gesprek gaat over hoe de foto eruitziet, terwijl de uitkomst wordt bepaald door hoe hij gemeten wordt.

Wat je maandagochtend doet

Vier stappen, in deze volgorde, en je hebt binnen een uur een antwoord.

Zet je eigen hoofdafbeelding zoals bol hem toont naast het bestand dat je hebt aangeleverd. Zie je verschil in uitsnede, dan verdwijnt jouw marge bij de upload en is het bol-beeld niet je bronbestand.

Open daarna één beeld in een fotobewerker en lees de pixelwaarde af in een hoek van de achtergrond. Staat er 255, 255, 255, dan ben je klaar. Staat er iets anders, dan weet je waarom een vervangen set op Amazon kan vastlopen.

Kijk vervolgens waar de beelden staan die in je productfeed zitten. Zijn dat dezelfde bestanden die naar bol gaan, dan lever je aan het strengste kanaal het bestand dat door het soepelste is bewerkt.

Spreek tot slot met wie je bestanden beheert af dat een nieuwe set een nieuw pad krijgt. Dat is de goedkoopste van de vier en de enige die weken scheelt.

Wil je een bestaande set laten doormeten voordat je een nieuwe shoot inplant: dat doen we als losse controle binnen product listing design-trajecten. Boek een gesprek en neem één listing mee die je zelf al verdacht vindt.