Google's Review Reply Rejection Filter: Wat 12.752 afgewezen antwoorden onthullen

Google wijst nu stilzwijgend antwoorden op recensies af. Geen melding. Geen uitleg. Je antwoord blijft in een AFGEWEZEN status in de API, terwijl jij aanneemt dat het live is gegaan.

We weten dit omdat we het kunnen zien. De Google Bedrijfsprofiel API introduceerde ReviewReplyState op 1 april 2026 (Google Dev Change Blog). Daarvoor ging elk antwoord dat via de API werd geplaatst automatisch live. Geen moderatie. Geen filter.

Dat veranderde. En daarmee kwam een stil weigeringsprobleem waar de meeste bedrijven en bureaus geen idee van hebben dat ze het ervaren.

We hebben 12.752 afgekeurde recensieantwoorden uit onze platformdata gehaald via twee afzonderlijke extracties – de eerste direct nadat de gegevens beschikbaar kwamen op 22 april 2026, en de tweede op 28 mei 2026 – om erachter te komen wat de filter van Google daadwerkelijk activeert. Dit is de eerste keer dat deze gegevens zijn gepubliceerd. Hier is wat we vonden.

De omvang van het probleem is groter dan iedereen beseft

In onze gecombineerde dataset van 12.752 afgekeurde antwoorden:

92,6% waren antwoorden op 5-sterrenrecensies. Positieve recensies genereren de meeste afkeuringen, vrijwel zeker omdat bedrijven (en AI-tools) hierop reageren met sjablonen en enthousiaste taal.

Afwijzingen namen sterk toe in 2024. Van 354 afwijzingen in heel 2022 en 398 in 2023, steeg het aantal naar 9.393 in 2024 alleen. Of het filter van Google werd aanzienlijk agressiever, of de kwaliteit van de review veranderde.

Het gemiddelde afgewezen antwoord werd 1.221 uur, ongeveer 50 dagen, na de oorspronkelijke review geplaatst. Vertraagde, in bulk geplande antwoorden verschijnen onevenredig vaak in de gegevens, en dat gemiddelde is sinds onze eerste extractie gegroeid. De stille aard hiervan is het kernprobleem. Een antwoord dat wordt afgewezen genereert geen fout. Het stuitert niet terug. Het verschijnt simpelweg niet. Zonder zichtbaarheid op API-niveau zou je het nooit weten.

Twee Momentopnames, Eén Verhaal

De onderstaande grafiek toont de maandelijkse afwijzingsaantallen van beide data-extracties. De eerste extractie (22 april 2026, weergegeven in lichtblauw) bevatte 7.151 afgewezen antwoorden. De tweede extractie (28 mei 2026, weergegeven in effen blauw) identificeerde 12.752, een toename van 78% in slechts vijf weken, wat zowel nieuwe afwijzingen als historisch afgewezen antwoorden weerspiegelt die nog niet in onze eerste extractie waren geïndexeerd.

De oranje lijn toont het percentage afgewezen antwoorden per maand dat detecteerbare AI-standaardtaal bevat. Het traject ervan is de centrale bevinding van deze analyse.

De twee datasets vertellen een consistent verhaal: een vlakke basislijn gedurende 2022-2023, een explosieve piek in 2024, en een scherpe compositionele verschuiving vanaf medio 2025, waarbij het volume daalt terwijl het karakter van wat overblijft aanzienlijk verandert.

Reden 1: AI-standaardtaal is de grootste trigger

67% van alle afgewezen antwoorden in onze dataset bevatte ten minste één detecteerbare AI-standaardzin. Dit percentage steeg van ongeveer 35% begin 2024 naar 85% medio 2024, en bleef daar tot begin 2025.

De zinnen die het meest voorkomen in afgewezen antwoorden zijn precies de zinnen die zijn geproduceerd door niet-geconfigureerde of generieke AI-antwoordtools:

Deze zinnen komen niet alleen voor in afgewezen antwoorden; ze domineren ze. Dit is geen correlatie. Het patroon is te consistent en de tijdlijn te precies om toeval te zijn.

Onze hypothese: Google’s moderatiesysteem heeft een statistisch model opgebouwd van geautomatiseerde reacties op recensies van lage kwaliteit. De bovenstaande zinnen zijn de vingerafdrukken van massale AI-generatie. Ze verschijnen met een onnatuurlijke frequentie in miljoenen reacties bij miljarden bedrijven. Het filter van Google lijkt reacties te markeren die deze signalen combineren tot een herkenbaar sjabloonpatroon.

Zie het als een spamfilter. Afzonderlijke woorden zijn het probleem niet. De combinatie, 'opener + naam + complimenterende zin + tevredenheidsregel + vooruitblikkende afsluiting', is het patroon dat Google heeft leren afwijzen.

Hier is een echt voorbeeld uit onze data (een 5-sterren reactie op een loodgietersrecensie, 1.731 tekens, onmiddellijk afgewezen):

“Hallo Tannas, Bedankt voor uw lovende recensie en voor het van harte aanbevelen van Kingstree Plumbing! We zijn u ongelooflijk dankbaar voor uw aanbeveling… Het is geweldig om te horen dat Dane’s informatieve, efficiënte en vriendelijke aanpak zo'n positieve impact heeft gehad… Uw feedback is van onschatbare waarde voor ons… #KingstreePlumbing #HighlyRecommended #EfficientService…”

Dit antwoord bevat hashtags, keyword stuffing, overmatige lengte, AI-achtige lofuitingen en leest alsof het is gegenereerd door een tool zonder vangrails. Het werd onmiddellijk afgewezen.

De les: als je AI-antwoordtool reacties produceert die klinken als elke andere AI-antwoordtool, zal het filter van Google dit uiteindelijk oppikken.

Reden 2: Godslastering in namen, bedrijfsnamen en menu-items

Dit verrast mensen. Het godslasteringsfilter van Google werkt op de volledige tekst van het antwoord, maar het kan geen onderscheid maken tussen een belediging en een context waarin dezelfde tekenreeks legitiem is.

Het probleem manifesteert zich in drie verschillende vormen.

De praktische regel: voordat je antwoordtool een reactie plaatst, moet deze een pre-flight check uitvoeren op de volledige tekst, inclusief de naam van de recensent, eventuele productnamen en de handtekening van het bedrijf. Als een string een geautomatiseerd vloekfilter kan activeren, heeft het antwoord menselijke beoordeling nodig voordat het wordt ingediend.

Reden 3: Exacte duplicaten en antwoorden met minimale inhoud

In de data diende één account exact “Dank u!” (tien tekens) in als antwoord op meer dan 100 opeenvolgende recensies. Deze werden allemaal afgewezen. Een ander account verstuurde “bedankt voor een goede review” identiek naar 46 recensies achter elkaar. Een derde patroon: “Dank u 🙏” met alleen de voornaam van de recensent toegevoegd, honderden keren verzonden via één account.

Aan het extreme uiteinde: afgewezen antwoorden die uitsluitend bestonden uit een enkele emoji zoals “👍”, “🙌”, “😊”, of enkel leestekens zoals “!!!” of “.”.

Twee mechanismen zijn hier waarschijnlijk aan het werk. Ten eerste is exacte duplicatie op schaal een schoolvoorbeeld van een spamsignaal. Wanneer dezelfde tekst in een korte periode vanuit hetzelfde account wordt ingediend voor tientallen of honderden recensies, komt dat patroon overeen met bekend automatisch gedrag van lage kwaliteit, ongeacht of de individuele tekst aanstootgevend is. Ten tweede lijkt Google een drempel voor minimale kwaliteit te handhaven. Een antwoord dat geen informatieve waarde toevoegt aan het openbare register, zoals "Dank u!", draagt niets bij dat een lezer niet uit de sterrenbeoordeling kan afleiden, en kan een kwaliteitsdrempel niet halen die het moderatiesysteem toepast voordat een antwoord wordt goedgekeurd.

De praktische implicatie: templating is niet alleen een probleem met standaardtaal. Zelfs een kort, schoon, niet-AI-antwoord wordt geweigerd als het identiek is aan tientallen andere antwoorden van hetzelfde account.

Reden 4: Contactgegevens in de antwoordtekst

Recensieantwoorden zijn geen kanaal om verkeer te genereren of leads te verzamelen. Het contentbeleid van Google maakt dit duidelijk, en onze gegevens weerspiegelen dit.

327 antwoorden (2,6%) bevatten een e-mailadres dat in de hoofdtekst was ingesloten. Dit zijn bijna altijd goedbedoelde pogingen om een klacht op te lossen: "Neem contact met ons op via [email protected] zodat we dit recht kunnen zetten." 

287 antwoorden (2,3%) bevatten de tekst "neem contact met ons op" of "bel ons", waarbij de recensent werd gevraagd actie te ondernemen buiten het platform. Het patroon komt overeen met negatieve en neutrale recensies, waarbij bedrijven instinctief het gesprek offline willen verplaatsen.

Google's standpunt is duidelijk: een antwoord op een recensie moet de recensent openbaar aanspreken. Als u privé wilt opvolgen, gebruikt u de bestaande privéberichtenfunctie van Google. Het insluiten van uw ondersteunings-e-mail in een openbaar antwoord wordt behandeld als een commerciële of off-platform-sollicitatie en wordt geblokkeerd.

Reden 5: Hashtags in antwoordtekst

38 antwoorden in onze dataset bevatten hashtags, en alle 38 werden afgewezen. Hashtags zijn een functie van socialemediaplatforms waar ontdekking wordt gedreven door tagging. Google Bedrijfsprofiel-recensies zijn geen sociale media. Ze zijn een gestructureerd vertrouwenssignaal.

Het afgewezen hashtagvoorbeeld uit onze gegevens maakt het probleem duidelijk: #KingstreePlumbing #HighlyRecommended #EdmontonAreaExperts  

Dit leest als SEO-manipulatie, waarbij bedrijfsnamen en locatiebegrippen in een antwoord worden gepropt om lokale zoeksignalen te beïnvloeden. Ongeacht de intentie, leest het filter van Google het zo.

De regel is simpel: geen hashtags in antwoorden op recensies.

Reden 6: Bulkplanning en antwoordsnelheid

De responstijd alleen veroorzaakt geen afwijzing. Maar het is wel een onderdeel van het bredere patroon dat Google lijkt te analyseren.

78,7% van de afgekeurde antwoorden in onze dataset werd meer dan 24 uur na het schrijven van de recensie geplaatst. De gemiddelde vertraging was 1.221 uur, ongeveer 50 dagen, tegenover 720 uur bij onze eerste meting. Dit weerspiegelt het gedrag van bedrijven die hun antwoorden bundelen, vaak eenmaal per week of per maand bulk-AI-generatie uitvoeren in plaats van in realtime te reageren. Dat gemiddelde wordt slechter, niet beter.

Wanneer hetzelfde account in korte tijd een groot aantal reacties indient, allemaal volgens hetzelfde structurele sjabloon, komt dat patroon overeen met geautomatiseerd misbruik. Het is het digitale equivalent van het verzenden van 500 e-mails vanaf hetzelfde IP in één uur, technisch legitiem, maar statistisch verdacht.

Onze hypothese over bulkplanning: het systeem van Google evalueert een antwoord mogelijk niet afzonderlijk. Het kan het evalueren in de context van de snelheid, hoeveel antwoorden dit account in dit tijdsbestek heeft ingediend, hoe structureel vergelijkbaar die antwoorden zijn, en of het patroon overeenkomt met bekend gedrag van automatisering van lage kwaliteit. Dit is moeilijker te bewijzen vanuit alleen de antwoordtekst. Maar de timinggegevens, gecombineerd met de boilerplate- en duplicatiegegevens, wijzen sterk in deze richting.

Het veld dat alles verandert: Accountstatus vs. inhoud

Alles hierboven is gebouwd door reverse-engineering van de tekst van het afgewezen antwoord zelf, omdat dat tot voor kort het enige beschikbare signaal was. Google heeft sindsdien een reden voor beleidsschending direct toegevoegd aan de API-reactie voor afgewezen antwoorden, zodat bedrijven en platforms voor het eerst de opgegeven oorzaak kunnen zien in plaats van deze af te leiden.

We hebben dit nieuwe veld getrokken over ons huidige klantenbestand: 11.893 afgewezen antwoorden in totaal. De uitsplitsing was niet wat we verwachtten.

Meer dan 90% van de afwijzingen in deze dataset heeft als reden ACCOUNT_RESTRICTED_AND_EDIT_REJECTED. Volgens de eigen API-documentatie van Google betekent die specifieke waarde dat het Google-account achter het bedrijfsprofiel beperkt is, waardoor bewerkingen, inclusief antwoorden op recensies, worden afgewezen. Cruciaal is dat het bedrijfsprofiel zelf niet is opgeschort en openbaar zichtbaar blijft. Alleen de mogelijkheid van het account om te bewerken is geblokkeerd.

Met andere woorden, voor de overgrote meerderheid van de afwijzingen die we nu direct kunnen toewijzen, lag het probleem nooit bij de bewoordingen van het antwoord. Het lag aan de status van het Google-account dat het heeft ingediend. Een perfect geschreven, niet-getemplateerd, hashtag-vrij, contactdetail-vrij antwoord wordt net zo goed afgewezen als het account erachter beperkt is.

Dit maakt redenen 1 tot en met 6 hierboven niet ongeldig. GENERIC_VIOLATION en OFFENSIVE, de twee inhoudsgebaseerde redenen die wel in dit nieuwe veld verschijnen, zijn samen goed voor ongeveer 9% van de afwijzingen waarbij inhoud expliciet de vermelde oorzaak is, en de patronen die we eerder identificeerden (AI-standaardtekst, scheldwoorden in context, duplicatie, contactgegevens, hashtags, bulksnelheid) zijn de meest plausibele oorzaken van dat kleinere deel. Wat is veranderd, is de schaal: inhoudskwaliteit verklaart een eencijferig percentage van wat we nu direct kunnen meten, niet de meerderheid die we aannamen toen we alleen vanuit tekst werkten.

Eén eerlijke waarschuwing: GENERIC_VIOLATION en GENERIC_VANDALISM komen niet voor in Google's eigen gepubliceerde enum-lijst voor dit veld (de gedocumenteerde waarden lopen van ACCOUNT_RESTRICTED_AND_SUSPENDED tot VIOLENCE_AND_GORE, en bestrijken zowel accountstatus- als inhoudscategorieën). We kunnen nog niet bevestigen of deze twee legacy interne labels zijn, ongedocumenteerde waarden, of iets specifieks voor hoe ze via de API worden weergegeven. Het is een echte open vraag, en niet een die al beantwoord is.

Wat we met vertrouwen kunnen zeggen: Google's eigen categorieën vallen duidelijk uiteen in twee families. Account- en vermeldingstatus (ACCOUNT_RESTRICTED_AND_SUSPENDED, ACCOUNT_RESTRICTED_AND_EDIT_REJECTED, ASSOCIATED_ACCOUNT_SUSPENDED, OWNERSHIP_REVOKED, LOCATION_SUSPENDED, LOCATION_DISABLED, EDITING_RESTRICTION, en vergelijkbaar) vallen in de ene familie. Inhoudsproblemen (FAKE_ENGAGEMENT, ADVERTISING_AND_SOLICITATION, OFFENSIVE, GIBBERISH_AND_REPETITIVE, VIOLENCE_AND_GORE, en andere) vallen in de andere. Onze gegevens tonen aan dat de eerste familie verreweg de meeste afwijzingen momenteel telt.

Wat het inhoudsbeleid van Google daadwerkelijk verbiedt

De beleidsregels van Google voor reacties op reviews zijn breed en niet volledig gedocumenteerd. Op basis van onze gegevens en de API-documentatie dragen de volgende inhoudscategorieën het hoogste afwijsrisico:

Duidelijke oorzaken:

• Scheldwoorden of aanstootgevende taal (ook in namen van recensenten, bedrijfsnamen en productnamen die in het antwoord zijn verwerkt)
• E-mailadressen
• Hashtags
• Exacte duplicaat antwoorden die op schaal zijn ingediend vanaf hetzelfde account
• Antwoorden onder een minimale kwaliteits- of inhoudsdrempel (enkele emoji, alleen “Dank u wel!”)

Sterke hypotheses gebaseerd op onze gegevens:

• Gedefinieerde AI-standaardtekst (de dominante oorzaak, 67% van alle afwijzingen)
• Bulk velocity patterns from a single account
• Keyword stuffing of SEO-manipulatie binnen de antwoordtekst
• Antwoorden die een niet-gedocumenteerde lengtedrempel overschrijden (het langste afgewezen antwoord in onze gegevens was 1.731 tekens)

Lager risico, maar de moeite waard om te monitoren:

• Antwoorden in gemengde talen waarbij de inhoud in de ene taal wordt gemarkeerd, maar in de andere niet
• Antwoorden met veel emoji's, vooral in combinatie met zeer korte tekst
• De tijdlijn: wanneer het filter is gewijzigd en hoe het is geëvolueerd

De gegevens vertellen een duidelijk verhaal in twee fasen.

Fase 1: 2024 tot begin 2025. De AI-standaardtekst-epidemie. Vóór 2024 waren de afwijzingen in onze dataset minimaal: 354 in 2022, 398 in 2023. Vanaf maart 2024 begonnen de afwijzingen sterk toe te nemen. Tegen mei 2024 bevatte meer dan 70% van alle afgewezen antwoorden AI-standaardtekst. Tegen juli 2024 bereikte dat cijfer 85% en bleef daar tot februari 2025.

De timing correleert precies met de massale adoptie van AI-gestuurde tools voor het beantwoorden van recensies. Naarmate het volume van AI-gegenereerde antwoorden toenam in het Google-ecosysteem, lijkt het moderatiesysteem van Google de patronen te herkennen die deze tools produceren. Dit is de kerndynamiek: AI-tools creëerden een standaardtekst-epidemie. Google reageert met een standaardtekstfilter (twee jaar later).

Fase 2: April 2025 en verder. Een ander afwijzingsprofiel. Vanaf april 2025 daalt het aandeel AI-standaardtekstafwijzingen in sommige maanden scherp van boven de 70% naar een enkel cijfer. Het totale afwijzingsvolume daalt ook aanzienlijk.

Er zijn twee interpretaties mogelijk, en beide kunnen gedeeltelijk waar zijn. Of de AI-gestuurde hulpmiddelen voor het beantwoorden van recensies werden geavanceerd genoeg dat bedrijven stopten met het gebruiken van die sjablonen van slechte kwaliteit (dus minder standaardantwoorden worden ingediend). Of Google past het filter toe om standaardtekst te onderscheppen in een bepaald stadium van de leeftijd van de recensiebeantwoording, voordat het de formele AFGEWEZEN status bereikt. Dit is onwaarschijnlijk. Google gebruikt de recensiebeantwoordingen mogelijk niet voor AI-entiteit- en contextuele profilering in het eerste jaar van de recensie, of in mindere mate. Wat overblijft in de gegevens van eind 2025 en 2026 is een ander compositioneel profiel: voornamelijk gevallen van vloeken in context, exacte dubbele spam en antwoorden met minimale inhoud, de categorieën die worden behandeld in redenen 2, 3 en 6 hierboven.

Wat dit betekent voor uw strategie voor het beantwoorden van recensies

Controleer de huidige status van uw antwoorden. Als u via de API post, heeft u inzicht nodig in ReviewReplyState. Antwoorden die via de Google Bedrijfsprofiel UI of tools van derden worden gepost die dit veld niet tonen, werken blind. Een klein percentage van uw bestaande antwoorden bevindt zich mogelijk al in de status AFGEWEZEN om de filters voor te blijven; volg deze 5 stappen:

1. Controleer eerst de account- en vermeldingstatus. Als je platform de reden voor de beleidsschending weergeeft, bekijk die dan eerst. Als de reden account- of vermeldinggerelateerd is in plaats van inhoudgerelateerd, zal geen enkele herschrijving van het antwoord dit oplossen. Dat is een accountgezondheidsprobleem dat moet worden geëscaleerd, geen copywritingprobleem, en de vijf onderstaande stappen zullen pas helpen als het is opgelost.
2. Audit je AI-antwoordtool. Als het antwoorden produceert met zinnen als “we zijn verheugd om te horen,” “uw tevredenheid is onze topprioriteit,” of “we kijken ernaar uit u weer te mogen verwelkomen,” genereert het inhoud met een hoog afwijzingsrisico. Deze zinnen zijn statistische indicatoren van lage kwaliteit automatisering. Herschool of herconfigureer de tool met specifiekere, contextuele en gevarieerdere taal.
3. Voer een profaniteitscontrole voorafgaand aan de verzending uit op de volledige antwoordtekst. Dit omvat de naam van de recensent, alle genoemde producten of menu-items, en je bedrijfsnaam in de afsluiting. Het filter van Google begrijpt de context niet. "Pornstar Martini" is een cocktail; het filter ziet twee gemarkeerde woorden.
4. Elimineer exacte duplicaatsjablonen . Als je tool identieke antwoorden verzendt voor meerdere recensies, is dat patroon een direct afwijzingssignaal, ongeacht de inhoudskwaliteit. Elk antwoord moet variëren, zelfs als de variatie gering is.
5. Verwijder contactgegevens uit sjablonen. Elk sjabloon dat je e-mailadres, telefoonnummer of 'neem contact met ons op'-taal bevat, moet worden herzien. Behandel klachten met een algemeen aanbod om contact op te nemen, niet met een directe call-to-action met ingebedde contactgegevens.
6. Verspreid antwoorden over de tijd. Als je 200 antwoorden plant om maandag om 9.00 uur uit te sturen, is dat patroon detecteerbaar. Verspreid antwoorden over tijdvensters en probeer binnen 24 uur na het plaatsen van de recensie te antwoorden.

De zichtbaarheidsgap is het echte probleem

De meeste bedrijven weten niet dat hun antwoorden worden afgewezen. Dat is het lastigere probleem.

Er is geen e-mail van Google. Er is geen vlag in het dashboard van het Bedrijfsprofiel. Het antwoord verschijnt eenvoudigweg niet openbaar, terwijl het intern in een AFGEWEZEN staat verkeert die alleen de API kan tonen. Voor elk bedrijf dat afhankelijk is van tools van derden die dit veld niet blootleggen, is het probleem volledig onzichtbaar.

Daarom is toegang op API-niveau tot ReviewReplyState geen technisch detail; het is een operationele vereiste. Zonder dit publiceert u in een black box.

Bij GMBapi.com wordt de ReviewReplyState voor elk antwoord weergegeven. Wanneer een antwoord wordt afgewezen, markeert het platform dit, zodat het kan worden beoordeeld, gecorrigeerd en opnieuw ingediend. De onderliggende gegevens die dit artikel hebben geproduceerd, kwamen rechtstreeks uit die monitoringinfrastructuur, verzameld in twee extracties met vijf weken ertussen.

Het doel is niet om je te vertellen wat je niet moet doen. Het is om het onzichtbare zichtbaar te maken.