De beste productomschrijving staat misschien in je reviews

Maar daar ontstaat een interessant probleem. Want de webshop beschrijft datzelfde T-shirt misschien alleen als zwart T-shirt, 100% katoen, regular fit, ronde hals.

Het product kan precies zijn wat je zoekt. Alleen staat nergens waarom.

De consument beschrijft een behoefte. De aanbieder beschrijft een product.

En daartussen moet AI de juiste match zien te vinden.

Maar wat als het antwoord allang op je eigen website staat? Alleen niet in de productomschrijving, maar een stukje lager op de pagina: in de reviews.

Van zoekwoorden naar behoeften

Volgens het Connected Shoppers Report van Salesforce gebruikt 39% van de consumenten AI om producten te ontdekken. Onder Gen Z is dat 54%. Adobe zag begin 2025 in een onderzoek onder 5.000 Amerikaanse consumenten een vergelijkbaar beeld: 39% had generatieve AI gebruikt bij online winkelen, vooral voor productonderzoek en aanbevelingen.

Traditionele zoekmachines verdwijnen niet morgen, maar er komt een nieuwe manier van zoeken naast te staan. En die is fundamenteel anders. Een zoekopdracht bestaat uit een paar woorden, een gesprek met AI bevat context. Niet alleen wát iemand zoekt, maar ook waarom, wanneer en welke afwegingen belangrijk zijn. Niet zomaar een kinderwagen, maar eentje die in een kleine auto past, met één hand inklapt en handig is in het openbaar vervoer.

Ondertussen bouwen Google en Shopify met het Universal Commerce Protocol al aan de infrastructuur waarmee AI-agents ook namens consumenten kunnen afrekenen. Een deel van het kiezen gebeurt dan voordat iemand je webshop ooit bezoekt. Des te belangrijker wordt de informatie waarop die keuze is gebaseerd.

De informatie die ontbreekt

Bedrijven hebben jarenlang geïnvesteerd in gestructureerde productinformatie: namen, categorieën, kleuren, materialen, maten, prijzen en voorraad. Logisch, want webshops, filters, advertenties en logistiek draaien erop.

Maar een productcatalogus is niet hetzelfde als een beschrijving van de behoefte die een product vervult. Materiaal en pasvorm zeggen iets over het T-shirt, maar niet hoe zacht het aanvoelt, of het na een lange dag nog comfortabel zit en of het netjes genoeg oogt voor een diner.

AI-systemen kunnen natuurlijk verbanden leggen en verschillende bronnen combineren. Maar hoe minder relevante en betrouwbare informatie er is, hoe lastiger het wordt om met zekerheid te zeggen dat een product past bij een specifieke situatie.

Ik zie dit op dit moment heel duidelijk bij de cosmetische klinieken waar ik mee werk. Een behandelpagina beschrijft vaak wat er gebeurt: het type behandeling, het behandelgebied, de duur en de prijs. Maar een potentiële cliënt vraagt AI iets heel anders: iets tegen een vermoeide uitstraling, met een natuurlijk resultaat, en op tijd voor een bruiloft over zes weken. Ook in de data zie je die kloof. Het systeem legt keurig vast welke behandeling iemand kreeg, wanneer en voor welk bedrag, maar waaróm iemand kwam, staat hooguit in de aantekeningen van een intakegesprek. Terwijl juist dat motief bepaalt welke informatie iemand nodig heeft om te kiezen. Wie het motief niet kent, kan ook niet uitleggen waarom een behandeling past.

Wat je klanten al hebben opgeschreven

En hier wordt het interessant. Want de context die in de productcatalogus ontbreekt, is vaak allang opgeschreven. Door je klanten.

Een klant schrijft: ‘Heerlijk zacht T-shirt. Ik heb het een weekend in Parijs de hele dag gedragen en ’s avonds met een blazer gecombineerd. Blijft ook na het wassen mooi.’

Dat is bijna letterlijk het antwoord op de oorspronkelijke zoekvraag.

De productomschrijving vertelt wat een product is. De review vertelt hoe iemand het heeft ervaren. En in die ervaring zit precies de context die andere consumenten zoeken.

Onderzoek ondersteunt dat. Een studie van Konstantin Bauman en Alexander Tuzhilin (NYU) in Information Systems Research (2022) liet zien dat context uit reviews systematisch te herkennen is en kan leiden tot betere aanbevelingen, bij restaurants, hotels en schoonheidssalons. En een analyse van zo’n 1,6 miljoen Amazon-reviews in het Journal of Business Research (2025) liet zien dat lezers reviews het nuttigst vinden als ze over dezelfde onderwerpen gaan als de productomschrijving, maar andere woorden gebruiken. Hetzelfde product dus, maar in de taal van de klant.

Een mooi detail uit dat eerste onderzoek: context staat in reviews vaak aan het begin, in langere zinnen, in de verleden tijd en in zinnen die naar een moment verwijzen. Die review over het weekend Parijs is daar een schoolvoorbeeld van.

Bij de klinieken werkt het net zo. Waar de behandelpagina het behandelgebied en de duur noemt, schrijven cliënten in hun reviews over hoe snel ze weer aan het werk konden, of iemand iets had gezien en hoe ze zich voelden op die bruiloft. Precies de vragen waarmee een volgende cliënt bij AI aanklopt.

Reviews zijn daarmee veel meer dan sterren of sociaal bewijs. Ze bevatten gebruikssituaties, verwachtingen, teleurstellingen en precies die eigenschappen die voor klanten het verschil maken. Natuurlijk zijn ze subjectief, soms verouderd en niet altijd betrouwbaar, en hoe zwaar AI-systemen ze laten meewegen verschilt per systeem. Maar hun waarde als bron van context is moeilijk te negeren.

Wat betekent dit voor marketeers?

Veel gesprekken over AI-search gaan nu over GEO en productfeeds. Jesse Commandeur liet hier onlangs nog zien hoe belangrijk een goede productfeed is geworden. Terecht, maar zelfs een perfecte feed beschrijft vooral wat een product is. Voordat een AI-systeem je product kan aanbevelen, moet het ook begrijpen waarom het past bij de vraag die iemand stelt.

Dat waarom staat vaak al in je eigen reviews, klantonderzoek, retourredenen en klantenservicegesprekken. Alleen behandelen de meeste organisaties reviews als sociaal bewijs onder de koopknop, niet als data. En daarmee is het ook een vraag over je datafundament, want die kennis is zelden verbonden met de productdata.

In de praktijk betekent dat bijvoorbeeld:

• analyseer je reviews op terugkerende gebruikssituaties, motieven en momenten
• vraag in je reviewverzoek niet alleen om sterren, maar ook waarvoor iemand het product gebruikte
• vertaal wat klanten steeds noemen naar je productinformatie: voor wie en waarvoor is het geschikt?
• gebruik retourredenen en negatieve reviews als signaal waar verwachting en product niet op elkaar aansluiten
• bewaak de kwaliteit, want gemanipuleerde reviews of onjuiste claims werken net zo hard door

Meer informatie is immers niet automatisch betere informatie.

De klant verandert sneller dan de productcatalogus

Consumenten kunnen hun behoeften steeds makkelijker in natuurlijke taal beschrijven, en AI neemt steeds meer zoek- en vergelijkwerk over. Maar veel productinformatie is nog ingericht op een wereld van categorieën, kenmerken en filters.

De consument zoekt een T-shirt voor een stedentrip. De webshop verkoopt precies dat T-shirt, maar beschrijft vooral stof, kleur en pasvorm. De ervaring die het relevant maakt, staat in een review. Of in een intakegesprek. Of nergens.

De uitdaging is dus niet alleen beter gevonden worden door AI, maar je aanbod beter begrijpelijk maken. En vaak hebben je klanten een groot deel van dat werk al voor je gedaan.

Want in een wereld waarin consumenten steeds beter kunnen uitleggen wat ze nodig hebben, wordt het voor bedrijven minstens zo belangrijk om uit te leggen waarom hun product daarbij past.