Binnen Google's Reviewfilter: Een Blik op Hoe Machine Learning Neprecensies Vindt

Google geeft geen handleiding voor zijn detectie van neprecensies. Maar uit bedrijfsblogposts, overheidsdocumenten en analyses van experts wordt het ontwerp van het systeem duidelijk – en het is veel geavanceerder dan velen aannemen.

Elke dag landen 20 miljoen bijdragen op Google Maps en Zoeken. Dit zijn recensies, foto's, wijzigingen en ideeën. De overgrote meerderheid is echt. Een aanzienlijk deel niet. Het sorteren van dit volume is geen taak voor mensen. Het is een taak voor machine learning, en die machine is extreem effectief geworden.

Om te begrijpen hoe Google's filter werkt, moet je eerst de cijfers waarderen. Dagelijks komen er twintig miljoen door gebruikers ingediende items binnen. Dat zijn er ongeveer 230 per seconde, 24/7, uit alle hoeken van de wereld, in elke taal, op elk type apparaat. Het idee dat mensen zelfs een klein deel hiervan zouden kunnen beoordelen – laat staan dit consequent zouden kunnen doen – is een fundamenteel misverstand. Dit was nooit een probleem dat mensen konden oplossen.

In plaats daarvan heeft Google een gelaagd handhavingssysteem geconstrueerd dat altijd actief is. In 2023 verwijderde het 170 miljoen recensies die in strijd waren met de regels, 45% meer dan het jaar ervoor. In 2024 steeg het totaal naar 240 miljoen. Deze jaar-op-jaar toename betekent niet alleen dat er meer neprecensies worden geschreven, hoewel dat een factor kan zijn. Het betekent dat de detectietechnologie sneller verbetert dan de methoden om deze te omzeilen.

De belangen voor bedrijven zijn enorm. Een studie uit 2023 in de Journal of Business Research onthulde dat valse negatieve recensies onevenredig gericht zijn op succesvolle restaurants, waardoor juist de bedrijven worden geschaad die het meest afhankelijk zijn van hun welverdiende reputatie. Aan de aanbodzijde hebben Google's eigen advocaten verkopers van neprecensies aangeklaagd, waaronder een zaak uit 2023 tegen een aanbieder in Bangladesh wiens website, Bigboostup.com, valse recensies creëerde voor Amerikaanse lokale bedrijven.

Waarom komen neprecensies nog steeds door?

Als Google jaarlijks honderden miljoenen neprecensies verwijdert, waarom komen er dan toch nog op een profiel terecht? Het is dezelfde reden waarom sommige spam-e-mails nog steeds in je inbox belanden, zelfs met goede filters. Ontwijkingsmethoden worden slimmer, en er is een dunne lijn tussen valse positieven (echte recensies die ten onrechte worden verwijderd) en valse negatieven (neprecensies die erdoorheen komen). Google stemt zijn systeem af om te voorkomen dat authentieke recensies worden verwijderd, wat betekent dat slimme neprecensies langer kunnen blijven staan dan overduidelijke.

Joy Hawkins, oprichter van Sterling Sky en een vooraanstaand onderzoeker op het gebied van lokale SEO, heeft deze onbalans gedetailleerd bestudeerd. Haar werk toont aan dat Google's filter soms groepen legitieme recensies kan verwijderen, vooral voor advocaten en artsen, waar meerdere echte cliënten dezelfde wachtkamer-wifi kunnen gebruiken. Het filter is in geen van beide richtingen perfect.

Google heeft geen technische handleiding voor zijn recensiemoderatiesysteem vrijgegeven. We hebben bedrijfsblogposts, verklaringen aan de FTC en de analyse van onderzoekers die de acties van het systeem observeren. Samengenomen wijzen deze bronnen op een vijfdelig proces dat constant naast de normale functies van Google Maps draait.

Het centrale ontwerpprincipe – dat Google heeft genoemd in zijn blog 'Keeping Reviews Authentic' – is dat het proces niet eindigt wanneer een recensie wordt gepubliceerd. Een recensie die aanvankelijk wordt goedgekeurd, kan dagen of weken later opnieuw worden gecontroleerd als er nieuwe informatie binnenkomt. Als Account A op maandag een voldoende krijgt, maar op donderdag wordt gekoppeld aan een cluster van twaalf andere accounts die net zijn gemarkeerd, worden de gepubliceerde recensies van Account A opnieuw bekeken. Dit is de reden waarom bedrijven soms recensies zien verdwijnen lang nadat ze voor het eerst verschenen.

De Rol van Menselijke Analisten

Geautomatiseerde systemen behandelen de grote aantallen gevallen waarbij het systeem zeer zeker is. De grensgevallen gaan naar menselijke onderzoekers. Dit zijn lastige neprecensies die gaten in de statistieken vinden, of echte recensies die eruitzien als een verdacht patroon. Deze Google-medewerkers kijken naar het directe bewijs: screenshots van oplichterschats, patronen in rapporten van bedrijfseigenaren en taalanalyse. Wat ze vinden, wordt gebruikt om het model opnieuw te trainen. Zo is de verwijdering van een netwerk van 5 miljoen recensies in 2023 gebeurd: mensen definieerden het patroon, het model absorbeerde het, en nieuwe detecties werden automatisch.

Deze feedbackcyclus is het meest kritieke ontwerpelement van het systeem. Het doel is niet om een lijst met regels te creëren. Het is om een model te creëren dat zo geavanceerd is dat het zijn eigen definitie van fraude, bijna in realtime, herziet.

Tekstanalyse en NLP

Een minder bekend aspect van de detectie van neprecensies betreft de tekst zelf. Natural Language Processing (NLP)-modellen kunnen taalkundige signalen opsporen die veel voorkomen in verzonnen recensies: te veel superlatieven, een gebrek aan concrete details, overmatig gebruik van 'ik' en herhalende zinsneden over verschillende accounts. Onderzoek in de Journal of Marketing Analytics toonde aan dat psychologische taalmarkers – zoals cognitieve inspanning en emotionele toon – neprecensies met grote nauwkeurigheid kunnen onderscheiden van echte. Google's eigen NLP, verbeterd met Gemini in 2024, doet dit werk op grote schaal.

Google heeft geen volledige inventaris van zijn detectiesignalen verstrekt. Door echter officiële verklaringen, FTC-getuigenissen, expertstudies en zorgvuldige observatie van wat wordt gemarkeerd versus wat niet, te combineren, kunnen we de belangrijkste set signalen samenstellen. Tien daarvan zijn verantwoordelijk voor het grootste deel van de handhaving.

Deze tien signalen zijn geen eenvoudige checklist; het zijn gewogen datapunten in een waarschijnlijkheidsmodel. Eén signaal alleen is zelden voldoende om actie te triggeren. Het systeem zoekt naar combinaties – patronen waarbij verschillende signalen elkaar bevestigen. Een nieuw account van een gedeeld IP-adres dat sjabloontekst gebruikt zonder foto's, raakt vier signalen tegelijk, en die mix levert een hoge betrouwbaarheidsscore op voor verwijdering.

De Account Burst: Google's Meest Veelzeggende Patroon

Van alle signalen is het detecteren van account bursts het meest effectief in het ontmantelen van grootschalige recensieschema's. Wanneer een verkoper vijftig neppe accounts aanmaakt om het profiel van een klant te beoordelen, delen die accounts vaak aanmaakgegevens, zelfs als ze verschillende IP's en apparaten gebruiken. Ze kunnen vergelijkbare e-mailproviders hebben, achter elkaar zijn geregistreerd, of identieke startinstellingen hebben. In zijn transparantieverslag van 2023 schreef Google specifiek graafgebaseerde clustering toe als de technologie die 5 miljoen neprecensies van één oplichtersnetwerk in slechts enkele weken verwijderde.

Waarom Sommige Neprecensies Er Toch Doorheen Komen

Geen enkel detectiesysteem kan 100% van de neprecensies vangen zonder ook een desastreus aantal echte ten onrechte te markeren. Google's systeem is afgestemd om de minste schade toe te brengen aan authentieke recensies. Dit betekent dat een zeer goed gemaakte neprecensie – een van een echt, ouder account, op een thuis-IP-adres in de juiste stad, met een geschiedenis van andere recensies – de eerste controle kan doorstaan en wekenlang kan blijven staan. De toevoeging van Gemini aan het systeem in 2024 is bedoeld om precies dit probleem op te lossen door diepgaande gedragsanalyse uit te voeren die kleine inconsistenties kan vinden die zelfs statistische modellen missen.

Niet elke poging om een neprecensie te plaatsen heeft dezelfde kans om betrapt te worden. Het risico varieert van subtiele tactieken die het filter vaak over het hoofd ziet tot overduidelijk gedrag dat leidt tot bijna onmiddellijke verwijdering. Weten waar een tactiek op dit spectrum valt, scheidt de beginners van de professionals – en daarom wordt Google's detectie steeds beter.

Wat dit voor bedrijven betekent, is eenvoudig: het detectierisico groeit veel sneller dan het aantal recensies. Twintig recensies kopen van een goedkope aanbieder is exponentieel risicovoller dan vijf van een high-end aanbieder. Bij twintig recensies is de snelheid van aankomst alleen al voldoende om detectie te activeren, hoe goed de accounts ook zijn. Volume is het enige dat het systeem het meest betrouwbaar van observeren naar handelen duwt.

Abstract praten over detectiesignalen is één ding. Ze in actie zien tijdens specifieke verwijderingen maakt het tastbaar. De vier gevallen hier zijn afkomstig uit openbare informatie, juridische documenten en rapportages. Het zijn geen verzonnen verhalen, maar echte situaties waarin Google's systeem neprecensieschema's heeft gevonden en erop heeft gehandeld.

De rode draad in alle vier de gevallen is dat het niet de kwaliteit van een enkele recensie was die hen betrapt deed worden. Het waren de patronen: snelheid, locatie, accountverbindingen en cross-platform activiteit. Het systeem leest een recensie niet als een persoon. Het leest de gegevens eromheen.

In april 2024 kondigde Google aan dat het Gemini – zijn krachtigste taalmodel – zou toevoegen aan het moderatiesysteem van Google Bedrijfsprofiel. Dit was een grote verandering. Gemini's vermogen om te redeneren met meerdere signalen en langetermijngedrag te analyseren, pakte de grootste blinde vlek van het systeem aan: de goed gemaakte, eenmalige neprecensie. Oudere modellen keken signaal voor signaal. Gemini kan het hele verhaal van de acties van een account begrijpen – de timing van de recensies, de logica van de recensies voor verschillende bedrijven, en of het activiteitspad logisch is.

Het effect was duidelijk in de gegevens: 240 miljoen neprecensies verwijderd in 2024, een stijging van 40% ten opzichte van 2023. Belangrijker nog, meer werden gestopt vóór publicatie – voordat iemand ze zag. Deze verschuiving van reactieve verwijdering naar proactieve blokkering is het kenmerk van een slimmer model. Het betekent dat minder bedrijven te maken krijgen met recensiepieken, minder mensen neppe inhoud lezen, en het hele platform dichter bij wat Google wil komt.

Het Label 'Verdachte Neprecensies'

Naast de algoritme-update bracht 2024 een nieuwe functie voor consumenten: een waarschuwing voor 'verdachte neprecensies'. Wanneer een bedrijfsprofiel vreemde patronen vertoont – zoals een plotselinge stroom recensies van accounts van lage kwaliteit – toont Maps nu een banner om potentiële klanten te waarschuwen. De functie verscheen eind 2024 in de VS, het VK en India en begon de wereldwijde uitrol in mei 2025. Dit markeert een beleidswijziging van alleen handhaving naar ook transparantie. Zelfs als Google een recensie niet verwijdert, kan het nu gebruikers zijn eigen onzekerheid tonen over de echtheid ervan.

De richting is duidelijk. In 2021 had een goed geplande neprecensiecampagne – met behulp van oude accounts, thuis-IP's en een goede geografische mix – een redelijke kans om maandenlang te blijven staan. Tegen 2026 staat diezelfde campagne tegenover een Gemini-aangedreven analyse die inconsistenties kan opsporen die eerdere modellen niet konden. De levensduur van een neprecensie wordt elk jaar korter. Tegelijkertijd worden de negatieve gevolgen – recensiegevangenis, accountverboden en FTC-boetes – erger.

Weten hoe Google's detectiesysteem is opgebouwd, verandert het spel voor elk bedrijf dat zijn recensiestrategie overweegt. Het filter zoekt niet naar recensies die 'nep klinken'. Het zoekt naar patronen die niet natuurlijk zijn. Dit verschil is enorm. Veel bedrijven die nooit een enkele neprecensie hebben gekocht, hebben gezien dat echte recensies werden gefilterd, terwijl sommige slimme nepcampagnes een tijdje blijven staan.

De les is dat een recensiestrategie zo moet worden ontworpen dat deze er op patroonniveau natuurlijk uitziet, niet alleen op inhoudsniveau. Een perfect geschreven recensie is waardeloos als het account dat deze heeft geplaatst een snelheidsalarm activeert of een locatiecontrole niet doorstaat. Het signaal dat voor Google het belangrijkst is, is niet 'lijkt deze recensie echt?' Het is 'lijkt het hele digitale spoor van deze recensent op dat van een echte klant?'

Waarom een Natuurlijk Recensietempo Beter is dan Hoog Volume

De meest consistente les uit het bestuderen van Google's detectie van neprecensies is dat snelheid de grootste risicofactor is voor handhaving. Een bedrijf dat 50 echte recensies in zes maanden krijgt, heeft nul detectierisico, ongeacht hoe het erom heeft gevraagd. Een bedrijf dat 50 recensies in één week krijgt – zelfs als ze allemaal echt zijn – kan een anomalie-alarm activeren en sommige laten filteren. Het algoritme kan de gebeurtenis in de echte wereld die tot een recensie leidde niet zien. Het beoordeelt de legitimiteit op basis van hoe statistisch geloofwaardig het patroon is. Een gestaag, natuurlijk tempo is het patroon dat echte recensieverzameling zou moeten nastreven.

De Positieve Feedbackloop van Echte Recensies

Er is een cumulatief voordeel aan het opbouwen van een basis van authentieke recensies. Accounts die veel activiteit op Maps hebben en een geschiedenis van het beoordelen van andere bedrijven, signaleren legitimiteit aan het systeem. Wanneer deze accounts uw bedrijf beoordelen, heeft hun input meer autoriteit en is de kans kleiner dat deze wordt gefilterd. Dit is precies waarom diensten die gebruikmaken van speciale 'recensenten'-accounts – die geen geschiedenis hebben behalve het plaatsen van neprecensies – zo voorspelbaar falen. Hun nepheid is transparant voor het algoritme. Het echte argument voor authentieke recensies gaat niet alleen over het vermijden van problemen. Het is dat echte accounts recensiesignalen creëren die na verloop van tijd sterker worden, terwijl neppe accounts signalen creëren die bij inspectie uit elkaar vallen.

Duidelijke antwoorden op vragen die niet in de officiële documenten van Google te vinden zijn – gebaseerd op openbare gegevens, expertanalyse en waargenomen systeemgedrag.