Gestructureerde data voor onderwijsinstellingen: verhoog je AI-zichtbaarheid met Schema.org

Waarom gestructureerde data onmisbaar zijn geworden voor onderwijsinstellingen

AI-systemen lezen je website niet zoals een mens. ChatGPT, Perplexity en Google AI Overviews doorzoeken je broncode op signalen die een machine kan verwerken: entiteiten, relaties tussen entiteiten, verifieerbare kenmerken. Schema.org gestructureerde data is precies dat — markup die je content vertaalt naar machinetaal.

Onderwijsinstellingen met volledig Schema.org-markup behalen gemiddeld +12 punten GEO-zichtbaarheid vergeleken met instellingen zonder (Bron: Skolbot GEO-monitoring, 500 vragen x 3 AI-systemen, feb. 2026). Van 120 geanalyseerde Europese instellingen beschikt slechts 18% over Schema.org-markup die minimaal EducationalOrganization en Course bestrijkt. De overige 82% laat een belangrijk concurrentievoordeel liggen.

Dit is geen klassiek SEO-probleem. Google toont je pagina's ook zonder gestructureerde data. Maar AI-systemen werken anders: ze moeten je instelling als entiteit herkennen, koppelen aan opleidingen, accreditaties en reviews. Zonder markup is je instelling een blok tekst tussen miljarden. Met markup is het een gestructureerde entiteit die het systeem kan benoemen, vergelijken en aanbevelen.

De 4 essentiële schema's voor een onderwijsinstelling

EducationalOrganization: het visitekaartje van je instelling

Het schema EducationalOrganization is het fundament. Het vertelt het AI-systeem: "Dit is een onderwijsinstelling, met een naam, adres, accreditaties en website." Zonder dit schema moet het systeem gokken — en het zit er regelmatig naast.

Een minimaal JSON-LD-voorbeeld:

{
  "@context": "https://schema.org",
  "@type": "EducationalOrganization",
  "name": "Universiteit van Amsterdam",
  "alternateName": "UvA",
  "url": "https://www.uva.nl",
  "logo": "https://www.uva.nl/logo.png",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "Spui 21",
    "addressLocality": "Amsterdam",
    "postalCode": "1012 WX",
    "addressCountry": "NL"
  },
  "memberOf": {
    "@type": "Organization",
    "name": "Universiteiten van Nederland"
  },
  "foundingDate": "1632",
  "numberOfStudents": 39000
}

De kritieke velden zijn accreditation, memberOf en numberOfStudents. Dit zijn de datapunten die AI-systemen kruislings verifiëren met andere bronnen om de reputatie van je instelling te valideren. Als je universiteit bij Nuffic en in de NVAO-registers voorkomt, en deze informatie ook in je markup staat, heeft het AI-systeem drie convergerende bronnen — een sterk vertrouwenssignaal.

Course: elke opleiding wordt een identificeerbare entiteit

Het schema Course (of EducationalOccupationalProgram voor beroepsopleidingen) maakt elke opleiding tot een entiteit die het AI-systeem zelfstandig kan aanbevelen. Het is het verschil tussen "deze instelling biedt opleidingen aan" en "deze instelling biedt een 2-jarige Master Data Science aan, Engelstalig, met 94% arbeidsmarktpercentage."

{
  "@context": "https://schema.org",
  "@type": "Course",
  "name": "Master Data Science",
  "description": "2-jarige Engelstalige masteropleiding",
  "provider": {
    "@type": "EducationalOrganization",
    "name": "Universiteit van Amsterdam"
  },
  "educationalLevel": "Master",
  "inLanguage": ["en"],
  "timeRequired": "P2Y",
  "occupationalCategory": "Data Science, Machine Learning, Statistiek",
  "offers": {
    "@type": "Offer",
    "price": "2530",
    "priceCurrency": "EUR",
    "description": "Wettelijk collegegeld per jaar (EU/EER)"
  },
  "hasCourseInstance": {
    "@type": "CourseInstance",
    "courseMode": "onsite",
    "startDate": "2026-09-01"
  }
}

Het opnemen van collegegeld in het Course-markup is een krachtige differentiator. Van 120 geanalyseerde instellingen vermeldt slechts 7% de kosten in hun gestructureerde data (Bron: Skolbot technische audit, jan. 2026). Toch is het de eerste informatie waar 89% van de studiekiezers naar zoekt. Een AI-systeem dat de prijs in de markup vindt, kan een volledig antwoord formuleren zonder dat de studiekiezer hoeft door te klikken.

FAQPage: je antwoorden rechtstreeks in de AI

Het schema FAQPage is het meest direct bruikbaar voor AI-systemen. Wanneer een studiekiezer ChatGPT vraagt "Wat zijn de toelatingsvoorwaarden bij [jouw instelling]?", zoekt het systeem een gestructureerd antwoord. Een gemarkeerde FAQ reikt het op een presenteerblaadje aan.

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Hoeveel bedraagt het collegegeld voor de Master Data Science?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Het wettelijk collegegeld voor EU/EER-studenten bedraagt € 2.530 per jaar (2026-2027). Voor niet-EU-studenten geldt het instellingscollegegeld van € 17.500 per jaar. Er zijn diverse beurzen beschikbaar."
      }
    },
    {
      "@type": "Question",
      "name": "Hoe hoog is het arbeidsmarktpercentage na afstuderen?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "94% van de afgestudeerden van de lichting 2025 heeft binnen 6 maanden na afstuderen een baan gevonden (WO-Monitor 2025). Het mediaan bruto startsalaris is € 45.000."
      }
    }
  ]
}

Het effect is tweeledig. Ten eerste toont Google je FAQ's als rich snippets, wat je CTR met 15 tot 25% verhoogt volgens Google Search Central. Ten tweede gebruiken AI-systemen deze FAQ's als directe citatiebron. Een gemarkeerde FAQ wordt 2,4 keer vaker geciteerd in een AI-antwoord dan een niet-gemarkeerde (Bron: Skolbot GEO-monitoring, feb. 2026).

AggregateRating: verifieerbaar sociaal bewijs

Het schema AggregateRating toont een geconsolideerde score op basis van verifieerbare beoordelingen. Voor een onderwijsinstelling zijn legitieme beoordelingsbronnen QS, THE, Keuzegids, Studiekeuze123 en Google Business-reviews.

{
  "@context": "https://schema.org",
  "@type": "EducationalOrganization",
  "name": "Universiteit van Amsterdam",
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.2",
    "bestRating": "5",
    "ratingCount": "1890",
    "reviewCount": "1340"
  }
}

Let op: Google en AI-systemen controleren de consistentie van beoordelingen. Als je markup 4,8/5 toont maar je Google-reviews 3,6 geven, stort het vertrouwenssignaal in. Gebruik AggregateRating alleen als je scores echt en verifieerbaar zijn. Verzonnen data is erger dan ontbrekende data.

Fouten die het effect van markup tenietdoen

Fout 1: Markup zonder overeenkomende zichtbare content

Schema.org-markup moet de zichtbare content op de pagina weerspiegelen. Als je markup een collegegeld van € 2.530 declareert maar de pagina "collegegeld op aanvraag" toont, detecteren zoekmachines en AI de inconsistentie en bestraffen ze het vertrouwen. Google noemt dit "gestructureerd cloaking" en kan je rich results intrekken.

Fout 2: Onvolledig of verouderd markup

Een EducationalOrganization-schema met alleen een naam en URL is vrijwel nutteloos. Het minimaal bruikbare omvat het adres, minstens één accreditatie en de aangeboden opleidingen. Markup dat in maart 2026 nog "collegejaar 2024-25" toont, zendt een verouderingssignaal uit.

31% van de instellingen met Schema.org heeft hun markup al meer dan 12 maanden niet bijgewerkt (Bron: Skolbot technische audit, jan. 2026). Verouderd markup is erger dan ontbrekend markup: het voedt AI-systemen met onjuiste informatie.

Fout 3: Gedupliceerd markup

Elke pagina mag slechts één JSON-LD-blok per entiteitstype bevatten. Meerdere EducationalOrganization-blokken op dezelfde pagina veroorzaken ambiguïteit die AI-systemen niet kunnen oplossen. De Google Rich Results Test detecteert deze duplicaties.

Fout 4: Opleidingspagina's negeren

85% van de instellingen met markup heeft het alleen op de homepage (Bron: Skolbot-audit, 120 instellingen). Dat is onvoldoende. AI-systemen formuleren aanbevelingen op opleidingsniveau ("beste deeltijd MBA in Amsterdam"), niet op instellingsniveau. Elke opleidingspagina heeft eigen Course-markup nodig.

Technische implementatie: waar beginnen

Audit van het bestaande

Begin met controleren wat er al op je site staat. De Google Rich Results Test en de Schema Markup Validator analyseren elke URL. Test je homepage, je overzichtspagina opleidingen en een specifieke opleidingspagina.

Prioritering: de 80/20 van markup

De optimale implementatievolgorde voor maximale impact:

1. EducationalOrganization op de homepage en de "Over ons"-pagina — 1 dag ontwikkeling
2. Course op elke opleidingspagina — 2 tot 3 dagen afhankelijk van het aantal opleidingen
3. FAQPage op toelating-, collegegeld- en studentenlevenpagina's — 1 dag
4. AggregateRating op de homepage als scores verifieerbaar zijn — 2 uur

Totale geschatte inspanning: 4 tot 5 dagen ontwikkeling. De ROI is direct en duurzaam. Het is de beste inspanning-resultaat-verhouding in GEO.

CMS en tools

• WordPress — Yoast SEO Premium en Rank Math Pro bieden native ondersteuning voor EducationalOrganization en Course
• Custom CMS / Next.js / Nuxt — Gebruik de schema-dts-bibliotheek of genereer JSON-LD-blokken in de <head>
• HubSpot / Squarespace — JSON-LD-injectie via custom HTML-modules

Validatie

Valideer met de Rich Results Test en de Schema Markup Validator. Monitor vervolgens het tabblad "Verbeteringen" in Google Search Console. Plan een driemaandelijkse audit.

De meetbare impact op AI-zichtbaarheid

De resultaten van Schema.org-implementatie zijn binnen weken meetbaar. Bij een panel van 15 instellingen die tussen oktober 2025 en januari 2026 volledig markup implementeerden, werden de volgende resultaten waargenomen:

+12 punten gemiddelde GEO-zichtbaarheid (van 14% naar 26% vermeldingspercentage in AI-antwoorden). +34% organische klikratio dankzij Google rich results. 2,4 keer meer citaties in FAQ-achtige AI-antwoorden.

Deze cijfers komen overeen met waarnemingen van Merkle/Dentsu, dat rapporteert dat pagina's met gestructureerde data een 20 tot 40% hogere CTR behalen in klassieke Google-resultaten.

Voor een volledig overzicht van de GEO-strategie voor hoger onderwijs, zie onze uitgebreide GEO-gids voor onderwijsinstellingen. En om te begrijpen welke criteria AI-systemen gebruiken bij het selecteren van instellingen, beschrijft ons artikel over AI-aanbevelingscriteria voor scholen de onderliggende mechanismen.

FAQ

Zijn gestructureerde data verplicht om in AI-antwoorden te verschijnen?

Technisch gezien niet, maar in de praktijk zijn ze onmisbaar geworden. De data laten een zichtbaarheidsverschil van +12 punten zien tussen instellingen met en zonder markup. Dat is het equivalent van de sprong van pagina 3 naar pagina 1 in klassiek SEO — het verschil tussen onzichtbaar zijn en geciteerd worden.

Hoelang duurt het voordat markup resultaten oplevert?

Google rich results verschijnen binnen 1 tot 3 weken na indexering. Het effect op AI-zichtbaarheid duurt 2 tot 6 weken, de tijd die AI-systemen nodig hebben om je pagina's via hun RAG-mechanismen opnieuw te indexeren. Het effect is cumulatief: elk kwartaal met actueel markup versterkt het signaal.

Mijn CMS ondersteunt Schema.org niet standaard. Wat nu?

Alle CMS-platforms maken het mogelijk om aangepaste HTML in de <head> te injecteren. JSON-LD-markup is een simpel <script type="application/ld+json">-blok dat elke ontwikkelaar in enkele uren kan toevoegen. Als je CMS echt op slot zit, kun je JSON-LD ook via Google Tag Manager injecteren.

Kan AggregateRating worden gebruikt zonder verifieerbare reviews?

Nee. Google bestraft kunstmatige beoordelingen. Gebruik AggregateRating alleen als je beschikt over Google Business-reviews, Keuzegids-scores of gedocumenteerde evaluaties. Een zelf-opgegeven score zonder bron wordt genegeerd — of erger, bestraft.