AI SEO ve GEO: Yapay Zeka Optimizasyonunda Gerçekten Ne İşe Yarıyor?

ChatGPT, Gemini, Perplexity ve AI Overview cevaplarına bir marka esas olarak birbirine geçen iki yoldan girer ve AI SEO bu ikisi üzerinde yapılan iştir:

1. Arama yoluyla. Model cevap verirken internette arar ve bulduğu sayfaların bir kısmını alıntılar. Burada SEO'daki şey geçerlidir: botların erişimi, indeks, anahtar kelimede ve varyantlarında görünürlük, sayfanın geri kalanı olmadan soruyu cevaplayan parçalar. Etki, SEO'daki gibi haftalar ya da aylar sonra görünür.
2. Modelin belleği yoluyla. Model, eğitimi bitmeden önce öğrendiklerinden cevap verir ve bu bellek, internette arama yaptığında kimi anacağını da etkiler. Burada başkalarının marka hakkında yazdıkları ve markanın birçok kaynakta tek, tutarlı bir tanımı olması belirleyicidir. Bellekteki değişimin hızını ölçmedim, bu yüzden üç aylık bir ufukta burada hiçbir şey vaat etmiyorum.

“GEO hileleri”nin çoğunun kanıtı yok ve bir kısmını kendi verilerimde sınadım. llms.txt dosyasının ve yapılandırılmış verinin alıntı getirdiğine dair kanıt yok. Testimde daha fazla başlık sayfaları ilk 3'e çıkarmadı. Alt sorgulardaki sıranın alıntıyı ana anahtar kelimedeki sıradan daha iyi tahmin edip etmediği testi hiçbir şeyi çözmedi ve ondan çıkardığım ilk sonucu çapraz kontrol çürüttü. Bu cümlelerin her birinin kanıtı aşağıda.

AI SEO nedir ve nasıl adlandırılır?

AI SEO, markanın yapay zekanın ürettiği cevaplarda yer almasını sağlama işidir: Google'ın AI Overview ve Yapay Zeka Modu'nda, ChatGPT'de, Gemini'de, Perplexity'de ve Copilot'ta. Aynı işin birkaç adı var ve aralarındaki farklar çoğunlukla pazarlama kaynaklı:

GEO adının bilimsel bir kaynağı var ve bütün bu işin temeli SEO ile aynı. GEO, Kasım 2023 tarihli ve KDD 2024 konferansında kabul edilen bir akademik çalışmadan geliyor. Yazarları Pranjal Aggarwal ve çalışma arkadaşları, kendi test setlerinde içerikteki değişikliklerin bir kaynağın üretken cevaplardaki görünürlüğünü yüzde 40'a kadar artırabildiğini gösterdi (arXiv). Google dokümantasyonunda üretken aramaya yönelik optimizasyonun hâlâ SEO olduğunu yazıyor (Google Search Central). Zyppy'den Cyrus Shepard, bir şirketin ayrı bir GEO stratejisine ihtiyacı olup olmadığı sorusuna benzer cevap veriyor:

İnsanların da bu iş için tek bir adı yok ve bu Google sonuçlarında görünüyor. “Yapay zekada sıralamanın adı nedir?” sorusu Polonya sonuçlarındaki “Benzer sorular” bölümünde çıkıyor, karşılıkları Almanya, İspanya ve Finlandiya sonuçlarında, İngilizce “What is AI SEO called now?” ise ABD, İsveç ve Singapur sonuçlarında. GEO (ya da LLMO) ile SEO arasındaki farkı soran soru, Brezilya'dan Japonya'ya kontrol ettiğim 27 pazarın 9'unda çıkıyor.

Hangi adın öne çıktığı pazara göre değişiyor. Japonya'da bu konudaki aylık yaklaşık 16.730 aramanın %72'si LLMO, “llmo” ifadesinin tek başına aylık yaklaşık 12.100 araması var; bu, ABD'deki “ai seo” ifadesinden (yaklaşık 6.600) fazla. Almanya ve Fransa'da GEO öne çıkıyor (%64 ve %66), Güney Kore'de %83. Polonya'da aylık yaklaşık 2.265 aramanın %58'i “ai seo” ifadesiyle ve Lehçe tanımlarla (“pozycjonowanie ai”, “pozycjonowanie w ai”) birlikte AI SEO, GEO ise %32. ABD'de AI SEO ve GEO başa baş gidiyor: aylık yaklaşık 25.400 aramanın %42'si ve %39'u; İspanya'da ise berabere (%44 ve %44). Çekya'da verilerde adlardan hiçbirine talep yok.

“ai seo” ifadesi belirsiz, bu yüzden AI SEO payını üst sınır olarak okuyorum. “ai seo” için Google, yapay zekada sıralamayla ilgili metinlerin yanında yapay zeka araçlarını ve yapay zekayla SEO yapmayı anlatan rehberleri de gösteriyor: ABD'de ilk 10 sonucun yarısından fazlası, Danimarka'da 8'den en az 6'sı. Yine de bu ifade için AI Overview ABD'de ve Danimarka'da AI SEO'yu yapay zeka cevaplarına yönelik optimizasyon olarak tanımlıyor, yani Google onu bu işin adı sayıyor. Bu tek ifade olmadan GEO blogumun 26 pazarından 25'inde önde, Japonya'da ise LLMO kalıyor. Polonya'da belirsizliği olmayan Lehçe tanımlar (“pozycjonowanie ai”, “pozycjonowanie w ai”) birlikte aylık yaklaşık 580 arama alıyor, GEO ise yaklaşık 725. SEO için yapay zeka araçlarına ayrı bir yazı ayıracağım.

“aeo” ifadesinin kendisini saymıyorum, çünkü Polonya'da en çok gümrük sertifikası anlamına geliyor, ABD'de ise sonuçların bir kısmı American Eagle adlı giyim zincirinin borsa kotasyonları. Polonya Google'ında “aeo” için ilk dört sonucun üçü maliye bakanlığının sayfaları. “answer engine optimization” gibi tam adlı ifadeleri “Diğer” serisinde sayıyorum.

Bu metnin her dil sürümü, o pazarda insanların aradığı adı kullanıyor. Japonca sürüm LLMO'dan, Almanca ve Fransızca sürümler GEO'dan, Lehçe sürüm ise “pozycjonowanie w AI” ve AI SEO'dan söz ediyor. Türkçe sürüm AI SEO adını kullanıyor, çünkü Türkiye'de bu konudaki yaklaşık 935 aylık aramanın %57'si AI SEO ailesine (“ai seo”, “yapay zeka seo”), %37'si GEO'ya ait; başlıkta ikisinin yan yana durması bu yüzden.

Yapay zeka cevap kaynaklarını nasıl seçer?

Model ya arama sonuçlarından ya da belleğinden cevap verir ve neyi değiştirebileceğiniz buna bağlı. İnternette arama yaptığında soruyu birkaç sorguya böler, sonuçları çeker, onlardan parçalar seçer ve bir kısmını alıntılar. Google bunu dokümantasyonda “query fan-out” diye adlandırıyor: sistem alt konulara ve farklı kaynaklara dair birbiriyle ilişkili birçok arama gönderiyor (Google Search Central). Model aramıyorsa eğitim sırasında öğrendiklerinden cevap verir ve o zaman sayfanın Google'daki sırası hiçbir şeyi değiştirmez.

Bu yollar birbirine geçiyor, çünkü modelin belleği, internette aradığı cevabı da etkiliyor. Dejan'dan Dan Petrovic, cevabın metninde bir markanın anılmasının her şeyden önce modelin önceki bilgisine dayandığını, tek bir sayfanın bunu neredeyse hiç kaydırmadığını yazıyor (Dejan, 7 Temmuz 2026). Bu yüzden iki yolu ayrı ölçüyorum ama paralel çalışıyorum.

Modelin ne sıklıkla internette aradığı modele bağlı: testimde 94 anahtar kelimenin 10'u ile 94'ü arasında. Bunu, yürüttüğüm projelerden 94 anahtar kelimeyle, İngilizce ve Lehçe, API üzerinden 3'ten 4 Ekim 2026'ya geçen gece ve sabah ikinci kez sınadım. SEO stratejisi yazısında aynı etkiyi beş rehber sorusunda anlatmıştım, burada daha geniş bir sette.

• 94'te 93Gemini 2.5 Flash'ın ilk turda arama motoruna başvurma sayısı (ikinci turda 94'te 94).Kendi API testim, 3-4 Ekim 2026
• 94'te 71Gemini 3.5 Flash'ın arama sayısı (ikinci turda 94'te 69).Kendi API testim, 3-4 Ekim 2026
• 84'te 25Gemini 3.1 Pro'nun arama sayısı (10 çağrı limit hatasıyla bitti; ikinci turda 94'te 32).Kendi API testim, 3-4 Ekim 2026
• 94'te 10Gemini 3.8 Flash'ın arama sayısı (ikinci turda 94'te 15). Diğer anahtar kelimelerde belleğinden cevap verdi.Kendi API testim, 3-4 Ekim 2026

Bu yapılandırmada Gemini Flash'ın yeni sürümleri daha seyrek aradı ama Gemini 3.1 Pro bu örüntüye uymuyor. Pro'nun sürüm numarası 3.5 Flash'tan eski, yine de ondan daha seyrek aradı. Bu tek bir model ailesi ve tek bir API yapılandırması, kullanıcının gördüğü Gemini uygulaması değil; bu yüzden rakamları kural değil, işaret olarak görüyorum. Yine de her ölçümde modelin kaç soruda gerçekten aradığını kontrol etmem için yeterli.

Modellerin yeni bir Polonya markası hakkındaki belleği boşluklu çıktı ve modellerin bir kısmı markanın tanımını uydurdu. Aynı projede, çalıştığım markalarla ilgili yaklaşık 500 cevabı ayrı bir model kör olarak değerlendirdi. Bu setteki yeni Polonya markalarından biri kontrol edilen tüm modellerce bilinmiyordu ve onunla ilgili 12 cevabın 9'unda tanım uydurmaydı. Uydurma oranı modele göre değişti: tüm markalara dair cevapların %5'i ile %77'si arasında. Cevapları tek bir hakem model değerlendirdi, bu yüzden yaklaşık 10 puanın altındaki farkları gürültü sayıyorum.

Aynı alan adı bir yolda görünür, diğerinde görünmez olabilir. Sitelerden biri Google'ın Yapay Zeka Modu'nda 13 anahtar kelime çiftinin 10'unda alıntılandı, aramasız model cevaplarında ise bir kez bile çıkmadı (13'te 0). Bu tek alan adı ve 13 çift, yani kural değil, bir örnek.

Benzer bir olay daha büyük ölçekli bir çalışmada görülüyor. Dan Petrovic, Google Research'ün 13 model ve Vikipedi'den 2.150 olgu üzerindeki çalışmasını aktarıyor: Gemini 3 Pro ve GPT-5 gibi önde gelen modeller bu bilginin %95-98'ini ağırlıklarında taşıyor ama %26-34'ünü hatırlayamıyor (Dejan, 17 Ağustos 2026). Bunlar ansiklopedik olgular, markalarla ilgili bilgi değil; ama marka için çıkarım benzer: bilginin eğitim verisinde olması modelin onu söyleyeceğini garanti etmiyor.

Arama yoluyla yapay zeka cevaplarına nasıl girilir?

Arama yolunda SEO'daki şey geçerli, tek bir farkla. Google, AI Overview'a ve Yapay Zeka Modu'na girmek için sayfanın indekste olması ve sonuçlarda bir metin parçasıyla çıkabilmesi gerektiğini, ek teknik gereklilik olmadığını yazıyor (Google Search Central). Fark şurada: model aynı anda birkaç sorgu soruyor, bu yüzden yalnızca ana anahtar kelimede görünen sayfanın, varyantlarında da görünen sayfaya göre alıntılanma fırsatı daha az. ChatGPT'nin ayrıca kendi arama botu var (aşağıda), bu yüzden Google'daki görünürlük ona doğrudan aktarılmıyor.

Yapay zeka botlarının erişimi

Yapay zeka arama motorlarının botları, site sahibinin haberi olmadan engellenmiş olabilir. Bir güvenlik duvarı ya da içerik dağıtım ağındaki (CDN) bir ayar, çoğu zaman yalnızca sorgu sayısı bir eşiği aştıktan sonra onları engelleyebilir; bu yüzden tek bir test hiçbir şey göstermez. Google, OpenAI, Perplexity ve Anthropic botlarının adlarıyla bir sorgu serisi gönderiyor ve sunucunun cevabını sıradan bir tarayıcının aldığı cevapla karşılaştırıyorum.

Modellerin eğitimini engellemek, aramayı engellemekten farklı bir karar. OpenAI bu rolleri ayırıyor: GPTBot, model eğitimine girebilecek içerikleri topluyor, OAI-SearchBot ise ChatGPT arama sonuçlarındaki varlığı belirliyor. OpenAI, OAI-SearchBot'u engelleyen sitelerin ChatGPT arama cevaplarında gösterilmeyeceğini, GPTBot'un engellenmesinin bunu değiştirmediğini yazıyor (OpenAI). Benzer biçimde Google-Extended, içeriğin Gemini modelleri tarafından kullanımını yönetiyor, ama Google'a göre aramadaki varlığı ya da sırayı etkilemiyor (Google Search Central). Tüm yapay zeka botlarını tek bir anahtarla engelleyen biri, hiç vermek istemediği ChatGPT arama varlığını kaybedebilir.

Anahtar kelimedeki ve alt sorgulardaki sıra

Daha yüksek sıranın alıntılanma şansını artırıp artırmadığını bilmiyorum, çünkü verilerim bunu çözmüyor. SEO stratejisi yazısında, hipotez haritasında, birbirine çok yakın beş anahtar kelimede AI Overview'da yalnızca birinde alıntılanan bir makaleyi anlattım ve bu, en düşük sırada durduğu anahtar kelimeydi. Alt sorguları model oluşturuyor ve her cevapta farklı olabilir, bu yüzden “X anahtar kelimesinin alt sorguları” diye sabit bir liste yok. 94 anahtar kelimelik setimde model tek turda 493 farklı alt sorgu üretti, anahtar kelime başına ortalama beşten fazla.

Alt sorgulardaki sıranın alıntıyı ana anahtar kelimedeki sıradan daha iyi tahmin edip etmediğini sınadım ve ilk sonucum kontrolden geçmedi. Yürüttüğüm projelerden anahtar kelime-sayfa çiftlerinde, sonucu hesaplamadan önce kuralı yazdım. Ölçü, ROC eğrisi altındaki alandı (AUC), yani sinyalin alıntılanan sayfaları alıntılanmayanlardan ne kadar iyi ayırdığı (0,5 yazı-tura düzeyi, 1 hatasız ayrım). Alt sorguların alanı en az 0,10 büyükse kazanacaktı. AI Overview testi için ayırdığım 29 çiftte fark 0,44 çıktı, yani test “geçti”.

Çapraz kontrol, doğruluğu farklı iki ölçümü karşılaştırdığımı gösterdi. Her şeyi sıfırdan yeniden hesaplayan inceleyici sayılarımı rakamına kadar yeniden üretti ama ana anahtar kelimedeki sırayı Google sonuçlarının tek çekiminden, alıntıyı ise beş çekimden aldığımı fark etti. Sırayı aynı beş çekimden hesaplayınca fark 0,04'e düştü, aralığı -0,28 ile +0,36. Yani alt sorguların sıradan daha iyi olduğunu da, daha kötü olduğunu da göstermedim. İki sinyal de bir şey söylüyor, bu yüzden ikisiyle de çalışıyorum.

DataForSEO'dan tek çekimle alınan sıra, sonuçların birkaç varyantından birinin çekilmesi gibi çıktı. Aynı 94 anahtar kelimeyi yaklaşık birer saat arayla üç kez çektiğimde, aynı anahtar kelimenin iki çekimi ilk 10'da medyan olarak az sayıda ortak adres taşıdı: Jaccard indeksi, yani iki kümenin uyumunu 0 ile 1 arasında ölçen değer, 0,14-0,15 çıktı. Varyantların bir kısmı muhtemelen tarayıcıdaki bir insanın görmediği sonuçlar, çünkü 5 anahtar kelimede tarayıcı varyantlardan biriyle uyuşuyordu. AI Overview ise kararlıydı: varlığı çekimler arasında %97-99 uyuştu. Bu yüzden bu araçtan sırayı bugün aynı anda gönderilen yaklaşık 10 çekimin payı olarak hesaplıyorum. Diğer araçları böyle sınamadım.

Tek başına cevap veren parçalar

Model genellikle sayfanın tamamını değil, sorgusunu cevaplayan parçaları kullanır. Bu yüzden her parçanın sayfanın geri kalanı olmadan anlaşılabileceği biçimde yazıyorum: başlığın altındaki ilk cümlede cevap, paydası ve tarihi olan somut rakamlar, “bu” ve “şu” yerine adlar. Bu yazıdaki her paragraf tam bu nedenle sonuç cümlesiyle başlıyor. Bu, insanlara da yardımı olan iyi bir yazım pratiği, yapay zeka için ayrı bir teknik değil.

Bu, içeriği ufak parçalara bölmek ya da başlıkları çoğaltmak gerektiği anlamına gelmiyor. Google, yapay zekanın içeriği daha iyi anlaması için içeriği küçük parçalara bölme zorunluluğu olmadığını açıkça yazıyor (Google Search Central). Daha fazla başlığın ilk 3'e girmeye yardım edip etmediğini de sınadım. İş yazılımı nişinden 119 İngilizce sorgunun ilk 10'undaki 632 sayfada (ABD, 26 Eylül 2026) odds oranı 0,95 çıktı (%95 güven aralığı: 0,81-1,12), metin uzunluğu hesaba katıldığında 1,00. Sayfaların ilk 3'teki payı, başlık sayısı en azdan en çoğa üç grupta neredeyse aynıydı: %32, %34 ve %32. Bu, SEO stratejisi yazısında anlattığım aynı test: tek bir niş ve tek bir ölçüm günü. Yine de sırayı düzeltmek için başlık eklememem için yeterli: başlık, altındaki parçanın ne hakkında olduğunu söylemeli.

Lehçe sorular, İngilizce alt sorgular

Setimde, Lehçe sorulara üretilen alt sorguların bir kısmı İngilizceydi. Lehçe anahtar kelimelere üretilen 277 alt sorgunun 81'inde Lehçe özelliği yoktu. Örneğin bir kategorideki ürün sıralamasına dair Lehçe soru, adında yıl olan İngilizce bir sorguya dönüştü. Bu tek sette kaba bir sezgisel yöntem, ama bir Polonya markasında İngilizce kaynakların onun hakkında ne söylediğine de bakmam için yeterli.

Modelin belleğine nasıl girilir?

Modelin belleğini yalnızca kendi sitenizle değiştiremezsiniz: başkalarının sizin hakkınızda yazdıkları belirleyici. Model, eğitim bitmeden önce toplanmış büyük metin yığınlarından öğrenir. Bir marka hakkında esas olarak markanın kendisi yazıyorsa, başkalarının kaynakları eskiyse ya da çelişkiliyse, model eski ya da çelişkili bir görüntüyü tekrar eder. Modellerin belleğinin ne kadar hızlı yenilendiğine dair ölçümüm yok. Bunun ancak sonraki sürümlerde olacağını varsayıyorum, bu yüzden üç aylık bir ufukta burada hiçbir şey vaat etmiyorum.

Kendi markamda hata kaynaklarının ikisini birden görüyorum. Gemini beni birkaç yıl öncesinin işvereniyle şimdiki zamanda anlattı, rogala.pro'yu ise “yapım aşamasında” bir site olarak. Modellerin benim hakkımda en sık tekrarladığı iki tanım, adım-soyadım için Google'da üst sıralarda çıkan bir sektör sitesindeki biyografimden birebir geliyor. Bu işvereni şimdiki olarak ise adım-soyadım sonuçlarında kontrol ettiğim 26 sayfanın hiçbiri vermiyor, yani bu hata büyük olasılıkla modelin belleğinde. Biyografi güncellendiğinde aynı sorularla kontrol edeceğim.

Modelin bir marka hakkında ne hatırladığını, yapay zeka görünürlüğü araçları olmadan kendiniz kontrol edebilirsiniz. Markayla ilgili soruları arama erişimi olmadan sorun, en güvenilir yol arama aracı olmayan API. Markanın ne iş yaptığını, kimler için çalıştığını ve ne zamandır faaliyette olduğunu sorun, her soruyu üç kez. Sonra cevapları olgularla karşılaştırın ve güncel, eski ve uydurma olanı ayrı ayrı not edin.

Markanın tutarlı bir tanımı olmayan anılmalar eski tanımı tekrarlar, bu yüzden kimlikle başlıyorum. Sıram şöyle:

• markanın tek bir tanımı, sitede, profillerde ve başkalarının sitelerindeki biyografilerde aynı;
• elle kontrol ettiğim kimlik numaralarıyla yapılandırılmış veri;
• Wikidata gibi bilgi tabanlarındaki kayıtlar, yalnızca onları doğrulayacak kaynakların olduğu yerde;
• ancak ondan sonra, editörlüğünü başkalarının yaptığı yerlerde anılmalar ve yayınlar.

Kimlik numarası, sayfanın koduna girmeden önce açılıp okunmalı. 5 Ekim 2026'da, bir gün önce rogala.pro'nun yapılandırılmış verisine koyduğum Knowledge Graph kimliğinin, aynı ad ve soyadı taşıyan bir oyuncunun paneline gittiğini fark ettim. Yaklaşık bir gün boyunca sitem arama motorlarına oyuncu olduğumu bildirdi. Kontrol bir dakika sürüyor: google.com/search?kgmid= adresine kimliği eklemek, kime ait olduğunu gösteriyor.

Wikidata, kaynağı olmayan bir iddiayı kabul etmez. Wikidata, yaşayan kişilerle ilgili bilgiler için kaynak istiyor, bu yüzden sizden başka kimsenin yazmadığı bir uzmanlığı orada ilan edemezsiniz. Bu yüzden kendi tarafımda bir bilgi tabanı kaydıyla değil, editörlüğünü başkalarının yaptığı yerlerdeki yayınlarla başladım.

AI SEO'da ne işe yarıyor, ne efsane?

GEO ile ilgili iddiaları kanıtın gücüne göre ayırıyorum. Belgelenmiş olanı arama motorunun dokümantasyonu doğruluyor, kendi ölçümüm ise tekrarladığım tek bir yapılandırmanın sonucu. Çürütülen ve kanıtlanamayan, kendi verilerimde sınadığım ve ya ayakta kalmayan ya da hiçbir şeyi çözmeyen iddialar. Kanıtsız olanlar ise arkasında ölçüm olmayan, bazen tersine kanıt bulunan yaygın tavsiyeler.

llms.txt dosyasının ve sayfaların Markdown sürümlerinin yapay zeka cevaplarına girmeye yardım ettiğine dair kanıt yok. Google, aramasında yer almak için makineler için yeni dosyalar, yapay zeka için metin dosyaları, işaretlemeler ya da Markdown oluşturmak gerekmediğini yazıyor (Google Search Central). Temmuz 2026'da portföyümden 10 alan adını kontrol ettiğimde hiçbiri yapay zeka ajanlarına Markdown sürümü sunmuyordu. rogala.pro'da her sayfanın 8 Ekim'den beri bir Markdown sürümü ve bir llms.txt dosyası var ve 8 Kasım'a kadar sunucu loglarında birinin bunları indirip indirmediğini ölçüyorum. Polonya'da “llms txt” ifadesi aylık yaklaşık 720 arama alıyor, bu yüzden bu konuyu ayrıca yazacağım.

Yapılandırılmış veri markayı arama motoruna anlatır, ama alıntı getirdiğine dair kanıt yok. Google, yapılandırılmış verinin üretken aramada zorunlu olmadığını ve eklenmesi gereken özel bir schema.org işaretlemesi bulunmadığını yazıyor (Google Search Central). Seer Interactive'den Matt Buxbaum, AI Overview'lı 8.500 anahtar kelimeyi ve bunlarda ilk alıntıyı alan 6.354 sayfayı inceledi: schema ve E-E-A-T sinyalleri kazanmayla en zayıf ilişkiliydi, en çok FAQ ve HowTo işaretlemesi olan sayfalar ise yaklaşık 10 kat daha kötü çıktı (Seer Interactive, 28 Mayıs 2026). Bu bir korelasyon, işaretlemelerin zarar verip vermediğini bilmiyorum, ama bu verileri bir yarar kanıtı olarak okumuyorum. Yapılandırılmış veriyi amacı bu olduğu için varlığı tanımlamak için kullanıyorum (kim, ne, nerede, hangi kimliklerle). Yapay zeka cevapları üzerindeki etkisine dair kendi testimi henüz bitirmedim.

Anılma ile alıntı iki farklı şey ve birçok rapor bunları karıştırıyor. Petrovic üç olayı ayırıyor: sistemin cevap için malzeme olarak çektiği sayfa, alıntı yani kaynak olarak gösterilen sayfa ve anılma yani kullanıcının okuyup hatırladığı cevap metnindeki marka adı (Dejan, 7 Temmuz 2026). Bir marka metinde anılmadan alıntılanabilir, sayfası alıntılanmadan da anılabilir. Bu yüzden bu ikisini ayrı ölçüyorum ve tek bir “yapay zeka görünürlük skoru”nda toplamıyorum.

AI SEO'nun işe yarayıp yaramadığı nasıl ölçülür?

Başlangıç noktası olmadan etkiyi hiçbir değişikliğe atfedemezsiniz, bu yüzden onu ilk düzeltmeden önce kaydediyorum. Başlangıç noktasına kelimesi kelimesine kaydedilmiş sorular, modellerin adları ve sürümleri, tarih ve pazar giriyor. Soruları talep verisinden ve Search Console'dan kuruyorum, çoğu marka adını içermiyor, çünkü sorudaki ad modele cevabı kendiliğinden fısıldar. İki sıra bandından kurulan soru setini SEO stratejisi yazısında anlatıyorum.

Beş şeyi ayrı ölçüyorum, çünkü her biri farklı yöne gidebilir:

1. Cevap metninde markanın anılmasını.
2. Sayfanın kaynak olarak alıntılanmasını.
3. Modelin internette gerçekten arayıp aramadığını, yani arama ve belleği ayrı.
4. Analitikte yapay zeka asistanlarından gelen trafiği; bu her zaman alt sınırdır, çünkü girişlerin bir kısmı kaynak bilgisi olmadan gelir.
5. Aynı dönemde Google'dan gelen trafiği, yapay zeka için yapılan değişiklik sıradan sonuçlar pahasına olmasın diye.

Sohbet cevapları rastgele, bu yüzden aynı soruyu aynı anda üç kez soruyorum. AI Overview kararlı ve onun için tek bir çekim yeterli. Yapay zeka görünürlüğü aracındaki rakamı her zaman paydasıyla okuyorum: bu, benim soru setimdeki pay, kimsenin bilmediği “yapay zeka pazarındaki pay” değil.

Kendi sitemde ne yapıyorum, neyi henüz bilmiyorum?

Arama motorlarındaki yapay zeka hakkında 2016'dan beri herkese açık konuşuyorum ve yapay zeka cevaplarında kendi markam henüz yok; bu deney de buradan başladı. 26 Temmuz 2026 başlangıç noktası: rogala.pro'nun Ahrefs'te Polonya için kontrol edilen 7 yapay zeka yüzeyinin hiçbirinde tek bir alıntısı yoktu ve üç platformda, adımın geçmediği sorularla yapılan 6 kontrolde hiçbir model beni anmadı. Adımla sorulduğunda model birkaç yıl öncesinin tanımını tekrarladı. Bu tek bir ölçüm ve ChatGPT'siz, çünkü cevapları topladığım araç onun için sonuç döndürmedi; bu yüzden onu bir kanıt değil, başlangıç noktası sayıyorum.

İşlerin sırası verilerden çıkıyor: önce kimlik, sonra erişim. Profillerde tek bir tanım oluşturdum (LinkedIn'de 30 dil sürümüyle), yapılandırılmış veri kimliklerini kontrol ettim (oyuncu hatası buradan), siteyi ve blogu Markdown sürümleriyle 27 dilde kurdum. Erişim, yani başkalarının mecralarındaki yayınlar ve anılmalar bundan sonra geliyor.

Bunun işe yarayıp yaramadığını henüz bilmiyorum. Yapay zeka cevaplarının ilk tekrar ölçümünü 1 Kasım 2026'dan itibaren planladım, Markdown dosyalarının ölçümünün sonucu 8 Kasım'dan sonra olacak. Sonuçları, sıfır çıksalar bile, bu yazıya ekleyeceğim.

AI SEO hakkında sık sorulan sorular

Nereden başlamalı?

İlk üç adım zamandan başka bir şeye mal olmaz. Yapay zeka arama motorlarının botlarının sitenize ulaşıp ulaşmadığını kontrol edin. Müşterilerinizin sorduğu birkaç soruyu markanızın adı olmadan aynı anda üç kez sorun ve kimin anıldığını, kimin alıntılandığını yazın. Markanızın adının kendisi için Google sonuçlarının ne söylediğini okuyun, çünkü modeller aynı kaynaklardan yararlanıyor. Sonuç sizi şaşırtırsa, bu danışmanlık için iyi bir konu.