Arama Artık Bir Sıralama Değil, Bir Cevap
Kullanıcı bir soru sorduğunda artık on mavi link görmüyor. Tek bir paragraf görüyor — ve o paragrafın içinde sizin adınız geçecek mi, geçmeyecek mi sorusu, klasik SEO’nun cevaplayamadığı bir sorudur.
Klasik arama motoru optimizasyonu, son yirmi yıldır anahtar kelime yoğunluğu, backlink sayısı ve sayfa otoritesi gibi metrikler üzerine kurulu çalıştı. Bu paradigma, kullanıcının verdiği bir sorguya karşılık on adet kaynağı sıralamak üzerine tasarlanmıştı. Ancak ChatGPT, Google Gemini, Perplexity, Claude ve Microsoft Copilot gibi büyük dil modeli tabanlı arama asistanlarının yükselişiyle birlikte bu mantık tamamen değişti.
Yeni paradigmada arama motoru artık sıralamıyor, yanıtlıyor. Bu yanıtın içinde markanızın geçmesi için yapılması gereken iş, klasik SEO’dan tamamen farklı disiplinler gerektirir: doğal dil işleme, vektör matematiği, olasılık teorisi ve enformasyon teorisi. Buna AI SEO veya akademik literatürde GEO — Generative Engine Optimization deniyor.
Gülşah Arslan olarak, bu yeni alana edebi yönlendirmelerle değil, dört çekirdek matematiksel metodolojiyle yaklaşıyorum. Bu sayfada her metodolojiyi ve nasıl uyguladığımı detaylandırıyorum. Bu yaklaşımı diğer ajanslardan ayıran şey şu: ben “AI için içerik yazmak” demiyorum; AI’ın istatistiksel olarak seçeceği içeriği üretmek diyorum. Aradaki fark, başarı oranını ikiye katlayan farktır.
Klasik SEO ile AI SEO Arasındaki Yapısal Farklar
Klasik SEO’nun hedefi SERP’te ilk 10 sıraya girmektir; AI SEO’nun hedefi ise üretken yanıtın içinde kaynak veya öneri olarak yer almaktır. Klasik SEO’nun birimi anahtar kelimedir; AI SEO’nun birimi ise varlık (entity), kavram ve vektördür. Klasik SEO’da ölçüm CTR, organik trafik ve sıralama üzerinden yapılırken AI SEO’da mention rate, citation rate ve sentiment skoru ölçülür.
İçerik birimleri de farklıdır. Klasik SEO 1500-3000 kelimelik bloglar üzerinden çalışırken AI SEO alıntılanabilir pasajlar ve yapısal veri üzerinden çalışır. Güven sinyali tarafında klasik SEO Domain Authority’ye bakarken, AI SEO E-E-A-T ve yapılandırılmış otorite katmanlarına bakar. Matematiksel temel olarak klasik SEO TF-IDF ve PageRank kullanırken, AI SEO vektör uzayı, Bayes teoremi ve Information Gain üzerine kuruludur.
En kritik fark ise sonuç süresinde: klasik SEO 6-12 ay sürerken, AI SEO doğru yapıldığında 4-12 hafta içinde ölçülebilir sonuç verir. AI modelleri klasik Google indeksleme döngülerinden çok daha hızlı içerik tarıyor ve değerlendiriyor. Bu da AI SEO’nun, doğru yapıldığında geleneksel SEO’dan kat kat hızlı sonuç verdiği anlamına geliyor. Ancak “doğru yapıldığında” — bu kelimenin altını çiziyoruz. Yanlış yapılan AI SEO, hiç yapılmamış olmasından daha tehlikelidir; çünkü AI modelleri yanlış sinyalleri de hızla öğreniyor.
AI SEO’nun Matematiksel Dört Temeli
Bu dört metodoloji birbirini takip eden lineer bir süreç değildir; iç içe geçen ve birbirini besleyen dört eksen olarak çalışır. Her biri ayrı bir uzmanlık alanıdır.
1. Vektör Modelleme ve Konu Kümeleme (Clustering)
Klasik SEO’daki “tek bir anahtar kelimeye odaklanma” mantığı, semantik aramanın dünyasında tamamen geçersizdir. Bunun yerine tüm sektörü kapsayan bir Semantik Evren haritası çıkarılır. Bu harita, bir kavramın yalnız başına değil, hangi komşu kavramlarla birlikte ortaya çıktığını ve o ilişki ağının matematiksel yoğunluğunu gösterir.
Vektörel Yakınlık
Hedef konunuzla ilgili kavramlar, büyük dil modellerinin (LLM) eğitildiği vektör uzayında temsil edilirler. Her kelime, her ifade, her kavram bu uzayda yüzlerce boyutlu bir sayısal vektör olarak yer alır. Vektörel yakınlık ölçümü cosine similarity ile yapılır: cos(θ) = (A · B) / (‖A‖ × ‖B‖).
Pratik olarak şu anlama gelir: “araba” ve “otomobil” vektör uzayında yan yana iken, “araba” ve “muz” çok uzaktadır. AI modelleri bir konu hakkında yanıt üretirken, bu yakınlık matrisini kullanır. İçeriğinizde sadece ana kelime değil, onunla yüksek vektörel yakınlığı olan tüm yardımcı varlıklar sistematik olarak yer almalıdır. Yoksa AI, içeriğinizi konunun “yüzeysel” bir versiyonu olarak işaretler.
Bilgi Grafiği (Knowledge Graph) İnşası
Ana konuyu besleyen tüm yan kavramlar belirlenerek bir örümcek ağı gibi birbirine bağlanır. Her bir varlık bir düğüm (node), her bir ilişki bir kenar (edge) olarak modellenir. Örneğin “AI SEO” düğümü; “vektör veritabanı”, “embedding”, “RAG mimarisi”, “schema markup”, “LLM tarama davranışı” gibi düğümlerle ayrı kenarlarla bağlanır. Her kenarın bir ağırlığı vardır — iki düğüm arasındaki ilişkinin gücü ölçülebilirdir.
Bu bilgi grafiği inşa edildiğinde, AI bir kullanıcı sorusu aldığında sizin sitenizi tek başına bir kaynak olarak değil, bir bilgi ağının merkezi olarak görür. Bu merkezilik (centrality) skoru, AI’ın hangi kaynağı önereceğinin belirleyici faktörlerinden biridir.
Hiyerarşik Yapı: Pillar ve Cluster Mimarisi
Pillar (Ana Sütun) içerik ile bu içeriği besleyen Cluster (Alt Küme) içeriklerin birbirine nasıl bir matematiksel bağ ile bağlanacağı netleştirilir. Pillar içerik, semantik evrenin merkezindeki en geniş kapsamlı kaynaktır. Cluster içerikler, bu merkezi farklı yönlerden besleyen, dar ve derin uzmanlık parçalarıdır. Bu yapı tesadüfi değildir; graph theory prensipleriyle planlanır.
Pillar-cluster modelinin doğru uygulanması, AI modellerinin bir konu hakkında “domain otoritesi” değerlendirmesinde belirleyicidir. Tek bir uzun makale yerine, birbirine bağlı bir içerik mimarisi, AI’ın “bu site bu konunun otoritesidir” sonucuna varmasını sağlar.
2. Bilgi Kazanımı (Information Gain) Hesaplaması
Arama motorlarının ve AI modellerinin en çok önem verdiği soru şudur: “Bu içerik, internetteki diğer içeriklerden farklı ne sunuyor?” Google’ın 2023’te patent başvurusunda açıkladığı “Information Gain Score” kavramı bu soruyu nicelleştirir. Cevap subjektif yorumla değil, ölçülebilir veriyle verilir.
SERP Veri Madenciliği
Hedef sorgunuzda ilk 10 sırada yer alan rakip içeriklerin yapısal haritası çıkarılır. Bu haritalama şu boyutları içerir: kullanılan H2 ve H3 başlıklarının dağılımı, ortak n-gram’lar, bahsedilen varlıkların frekansı, dış kaynak alıntı sayısı ve türü, ortalama kelime sayısı, görsel ve grafik kullanımı, ortak içerik kalıpları.
Bu analizden çıkan rapor, “sektör baseline’ı” adını verdiğimiz bir ortak bilgi havuzunu tanımlar. Yani: o konuda bir içeriğin minimum olarak söylemesi gereken şeyler. Bu baseline’ın altında kalan içerikler, AI tarafından “yetersiz” olarak değerlendirilir ve hiç dikkate alınmaz.
Boşluk Analizi (Data Gap Analysis)
Rakiplerin tekrar ettiği ortak kelime öbekleri filtrelenir ve henüz hiç değinilmemiş ya da eksik bırakılmış bilgi boşlukları tespit edilir. Üç tip boşluk vardır. Konu boşluğu: rakipler bir alt konuya hiç değinmemiş. Derinlik boşluğu: rakipler değinmiş ama yüzeysel kalmış. Perspektif boşluğu: aynı konu hep aynı açıdan ele alınmış, alternatif bir bakış yok.
Bu üç boşluk tipinin haritası çıkarıldığında, içeriğin nereye doğru genişleyeceği, hangi alanda derinleşeceği ve hangi perspektifi açacağı netleşir. Bu süreç ne kadar metodolojik yapılırsa, içeriğin information gain skoru o kadar yüksek çıkar.
Benzersiz Veri Girişi
İçeriğin information gain skorunu maksimize etmek için ona özgün veri eklenir. Bu veri şu formlardan biri olur: orijinal vaka çalışması, anket sonucu, ham veri seti, özel hesaplama tablosu, sektörel benchmark, kendi müşteri portföyünüzden çıkan istatistikler veya yapılan bir deney. Formül enformasyon teorisinden gelir: IG(içerik) = H(baseline) − H(baseline | yeni_veri).
Pratikte şu demektir: yeni içeriğinizin, sektörün ortalama bilgisine ne kadar azaltıcı belirsizlik katkısı yaptığını ölçer. Yüksek IG’li içerik, AI modelleri tarafından “bu kaynağa atıfta bulunmalıyım” sinyali olarak algılanır. Bu yüzden her AI SEO içerik projesinde, en az bir özgün veri katmanı zorunlu kılıyorum.
3. Bayes Teorisi ile “En Olası Doğru Cevap” Optimizasyonu
Yapay zeka modelleri, kullanıcının sorusuna en yüksek olasılıkla doğru cevabı veren metni seçer. Bu olasılıksal seçim mekanizması, Bayes teoremi üzerine kurulur. Metnin Bayes optimizasyonu, AI’ın seçim mekanizmasıyla matematiksel olarak uyumlu hale getirilmesidir.
Bayes teoremi şu formülle ifade edilir: P(cevap | soru) = [ P(soru | cevap) × P(cevap) ] / P(soru). Bu formül şunu söyler: bir soruya verilen bir cevabın doğru olma olasılığı, o cevabın soruyla uyumu ve önceki olasılığının çarpımına eşittir. AI bir kullanıcı sorusunu aldığında, milyonlarca olası cevap arasından bu denklemde en yüksek skoru alanı seçer. Yani sizin içeriğiniz, bu denklemde rakiplerinizden daha yüksek skor almalıdır.
Niyet (Intent) Eşleme
Kullanıcının arama arkasındaki gerçek niyetinin dildeki istatistiksel karşılığı bulunur. Klasik niyet sınıflandırması üç gruba ayrılırdı: bilgi alma, gezinme, satın alma. AI çağında bu sınıflandırma yetersiz; çünkü modeller mikro-niyetleri ayırt edebiliyor.
Mikro-niyet örnekleri: karşılaştırma niyeti, problem çözme niyeti, alternatif arama niyeti, fiyat doğrulama niyeti, risk değerlendirme niyeti, sosyal kanıt arama niyeti. Her mikro-niyet için içerik farklı bir dilbilgisel yapı, farklı bir cevap kalıbı ve farklı bir yapısal organizasyon gerektirir. Niyet eşleme yapılırken, hedef sorgunun arkasındaki istatistiksel niyet dağılımı çıkarılır ve içerik bu dağılımın en yoğun olduğu mikro-niyete optimize edilir.
Tahmin Edilebilir Dil Yapısı
LLM’ler temelde Next Token Prediction (bir sonraki kelimeyi tahmin etme) prensibiyle çalışır. Bir model bir metni “okurken” aslında bir sonraki kelimenin ne olması gerektiğini istatistiksel olarak öngörür. Eğer metniniz bu öngörüye uygunsa, model metninizi “yüksek olasılıklı doğru” olarak işaretler ve yanıt üretirken alıntılar.
Tahmin edilebilir dil yapısı şu özellikleri taşır: net özne-yüklem-nesne sırası, edilgen yapı yerine etken yapı, parantez içi ifadelerin azaltılması, tek bir cümlede birden fazla iddia yapmaktan kaçınma, terimlerin tutarlı tekrarı, sayısal verilerin metin içinde tutarlı formatlanması.
Bu, edebi olmayan, “estetik açıdan zayıf” bir yazım anlamına gelmez. Aksine, net ve disipline edilmiş bir yazım anlamına gelir. Edebi süslemeler, AI için yalnızca gürültüdür ve metnin perplexity değerini artırır. Perplexity, bir modelin metni tahmin etmekte ne kadar zorlandığının ölçüsüdür ve düşük perplexity, AI alıntılaması için kritiktir.
Yapılandırılmış Veri (Schema Markup)
Metindeki kritik bilgiler — soru-cevaplar, listeler, ürün özellikleri, kişi profilleri, kuruluş bilgileri, lokasyon, fiyat, derecelendirme — arama motorunun ve AI’ın doğrudan okuyabileceği JSON-LD şemalarıyla kodlanır.
En kritik schema türleri: Article, FAQPage, HowTo, Organization, Person, Product, Service, BreadcrumbList, Review, AggregateRating ve sektöre özel türler. Schema markup’ın doğru uygulanması, içeriğin “AI tarafından okunabilirlik” skorunu dramatik biçimde artırır. Aynı içerik, schema’lı haliyle 10 kat daha fazla alıntı alabilir. Her AI SEO çalışmasında schema implementasyonu zorunlu standarttır.
4. Matematiksel İçerik İskelesi (Content Brief) Oluşturma
İçerik yazarına veya yapay zeka motoruna verilecek brief, edebi yönlendirmeler içermez. “Akıcı yaz”, “ilgi çekici başla”, “okuyucuyu yakala” gibi muğlak talimatlar yerine, brief tamamen sayısal kısıtlamalardan oluşur. Bu, içeriğin tutarlılığını ve AI uyumluluğunu garantiler.
Kelimeler Arası Frekans (TF-IDF) ve Co-occurrence
İçerikte hangi kavramın, hangi sıklıkla ve hangi kombinasyonlarla geçmesi gerektiği belirlenir. TF-IDF (Term Frequency – Inverse Document Frequency) klasik bir bilgi getirme metriğidir; bir terimin bir belgede ne kadar önemli olduğunu, hem o belgedeki sıklığı hem de tüm korpustaki nadirliği üzerinden hesaplar. Formül: TF-IDF(t, d) = TF(t, d) × log(N / DF(t)).
Co-occurrence ise, iki kavramın aynı paragraf veya cümle içinde ne kadar sık birlikte geçtiğini ölçer. AI modelleri co-occurrence istatistiklerine ekstra dikkat eder; çünkü iki kavramın birlikte sık geçmesi, aralarındaki semantik bağı kuvvetlendirir. Brief’te her hedef kavram için hem ideal TF-IDF aralığı hem de hangi varlıklarla co-occurrence yapması gerektiği tanımlanır.
Giriş Paragrafı Koşulu
İlk 100 kelimede ana varlığın ve kullanıcı niyetini çözen ana fiilin geçme zorunluluğu vardır. Bu kural rastgele değildir; AI modelleri bir içeriğin “konusunu” belirlerken giriş paragrafına orantısız ağırlık verir. Eğer giriş paragrafında hedef varlık geçmiyorsa, içeriğin geri kalanı o konuya derinlemesine giriyor olsa bile model, içeriği “konu odaklı değil” olarak işaretler. Bu koşul ayrıca okuyucu davranışıyla da uyumludur. İnsanlar bir sayfaya girdiklerinde ilk 5-7 saniye içinde “doğru yerdeyim” sinyalini ararlar.
Okunabilirlik ve Yoğunluk İndeksi
Cümle uzunlukları ve paragrafların yoğunluğu algoritmanın en rahat işleyebileceği sınırlarda sabitlenir. Tipik kısıtlamalar: paragraf başına maksimum 3-4 cümle, cümle başına ortalama 15-20 kelime, Flesch reading ease skoru hedef aralığı (TR için 50-65), pasif yapı oranı %10’un altında, bir paragrafta tek bir ana fikir, H2-H3 dağılımında en az her 300 kelimede bir alt başlık.
Bu kısıtlamalar, içeriği “robotik” yapmaz; aksine onu hem insan okuyucu için hem AI taraması için optimum hale getirir. Bir cümleyi tahmin etmekte zorlanan model, o içeriği alıntılayacak güvene varamaz. Bir paragrafı uzun bularak terk eden okuyucu da dwell time’ı düşürerek dolaylı SEO sinyali gönderir.
Brief Çıktısı: Sayısal Bir Belge
Tüm bu kısıtlamalar birleştirildiğinde, içerik yazarına verilen brief şu şekildedir: ana varlık, sekiz adet zorunlu yardımcı varlık ve her birinin minimum geçme sayısı, üç adet zorunlu co-occurrence çifti, giriş paragrafı için kelime sınırı ve içermesi gereken iki terim, kullanılacak yedi adet alt başlık, listeleme ve tablo zorunlulukları, hedef kelime aralığı, zorunlu schema türleri ve içeriğin en az iki yerinde geçmesi gereken benzersiz veri noktası. Bu brief’le çalışan bir yazar veya AI sistemi, çıktının %80’ini AI SEO uyumlu üretir. Geri kalan %20’lik son rötuş, editöryal kalite ve marka sesi katmanıdır.
Uygulama Süreci
Dört metodoloji, sekiz aşamalı bir uygulama döngüsüyle hayata geçer. Her aşama hem ölçülebilir hem tekrarlanabilir.
Aşama 1 – Semantik Evren Haritası: Sektörünüze ait ana varlıklar, alt varlıklar ve vektörel komşulukları çıkarılır. Knowledge graph oluşturulur.
Aşama 2 – SERP ve LLM Audit: Hedef sorgularda klasik Google ve beş büyük AI modelinin (ChatGPT, Gemini, Perplexity, Claude, Copilot) mevcut yanıtları kayıt altına alınır.
Aşama 3 – Bilgi Boşluğu Tespiti: Konu, derinlik ve perspektif boşlukları matrisi çıkarılır. Hangi boşluğun doldurulacağı önceliklendirilir.
Aşama 4 – Matematiksel İskele Hazırlığı: Her hedef sayfa için sayısal brief üretilir. TF-IDF aralıkları, co-occurrence çiftleri, kısıt setleri tanımlanır.
Aşama 5 – İçerik Üretimi ve Bayes Optimizasyonu: Yazım, Next Token Prediction prensiplerine uygun yapılır. Perplexity skoru ölçülerek revize edilir.
Aşama 6 – Schema ve Teknik Implementasyon: JSON-LD schemaları kurulur, llms.txt, robots.txt ve sitemap güncellenir. Core Web Vitals optimize edilir.
Aşama 7 – Otorite ve Off-Page Sinyaller: Yazar otoritesi, kuruluş otoritesi, harici alıntılar ve sektörel bağlantı ağı inşa edilir.
Aşama 8 – Sürekli Ölçüm ve İterasyon: Aylık mention rate, citation rate, sentiment ve sıralama raporları çıkarılır. İterasyonlar planlanır.
Bu sekiz aşama bir defaya mahsus değildir; sürekli bir döngü olarak çalışır. Çünkü AI modelleri her birkaç ayda bir güncellenir, rakipler yeni içerik üretir ve kullanıcı sorgu kalıpları değişir. Statik bir AI SEO çalışması, yayınlandığı andan itibaren değer kaybetmeye başlar. Bu yüzden minimum çalışma süresi olarak 6 aylık döngüler öneriyoruz; ideal sonuçlar için 12 aylık çalışmalar planlanır.
Ölçemediğinizi Geliştiremezsiniz
AI SEO’nun en büyük tehlikesi, “yapıldı ama ölçülmedi” tuzağıdır. Altı temel metrik üzerinden aylık şeffaf raporlama yapılır.
Mention Rate, hedef sorgu setinde markanın AI yanıtında geçme oranıdır; tipik 6 ay hedefi %25-45 aralığıdır. Citation Rate, AI yanıtında URL’inize doğrudan link verilme oranıdır; hedef %15-30 arasıdır. Recommendation Rank, AI öneri listesinde kaçıncı sırada yer alındığını gösterir; hedef ilk 3 sırada olmaktır. Sentiment Score, AI bahsederken kullandığı tonlamayı -1 ile +1 arası ölçer; hedef +0.4 üzerindedir. Query Coverage, hedef sorgu evreninin yüzdesel kapsama oranını verir; 6 ay hedefi %60-80 arasıdır. Multi-Model Consistency, beş AI modelinde tutarlı görünürlük varyans skorudur; hedef 0.85 ve üzeridir.
Her metrik aylık dashboard’da görselleştirilir. Trend analizi, anomali tespiti ve karşılaştırmalı rakip raporu otomatik üretilir. Hangi sayfanın hangi metriği iyileştirdiği veya kötüleştirdiği takip edilir; bu bilgi bir sonraki ay iterasyonuna girer.
Klasik SEO metriklerinin yeri de önemlidir. Organik trafik, sıralama, CTR, dwell time gibi klasik metrikler terk edilmez; AI SEO döngüsünün arka planında izlenmeye devam eder. Çünkü bu metrikler hâlâ Google’ın temel sıralama sinyalleridir ve AI modellerinin bir kısmı (özellikle Perplexity ve Copilot) bu sinyalleri doğrudan kullanır. AI SEO, klasik SEO’yu tamamlar; ikame etmez.
AI Modellerinin Karar Mantığı
Her büyük dil modeli, kullanıcı sorgularına yanıt verirken farklı bir mimariye, farklı bir tarama davranışına ve farklı bir kaynak tercihine sahiptir. AI SEO çalışmasını tek bir model üzerinden planlamak yetersiz kalır.
ChatGPT (OpenAI)
ChatGPT, eğitim verisi ve web aramaya açık tool çağrıları üzerinden çalışır. Browsing modu aktifken Bing arama sonuçlarını kullanır; aktif değilken eğitim setine güvenir. AI SEO için ChatGPT’de görünmek, hem statik eğitim verisinin parçası olmayı (uzun vadeli otorite) hem de canlı arama sonuçlarında üst sıralarda yer almayı (anlık görünürlük) gerektirir. GPTBot ve ChatGPT-User user-agent’larının robots.txt’de allowed olması zorunludur.
Google Gemini
Gemini, Google’ın Knowledge Graph’ı, arama indeksi ve Google My Business gibi yapısal veri kaynaklarıyla doğrudan beslenir. Bu yüzden lokal sorgularda en güçlü modeldir. Lokasyon bazlı bir işletmeyseniz, Google Business Profile optimizasyonu Gemini görünürlüğünüzün temel taşıdır. Google-Extended user-agent’ı için robots.txt erişim izni Gemini’nin sitenizi öğrenebilmesi için kritiktir.
Perplexity
Perplexity her yanıtında kaynak link verir ve sürekli canlı web araması yapar. Bu, citation rate için en uygun platformdur. Klasik SEO’da iyi performans gösteren içerikler Perplexity’de otomatik olarak öne çıkar. PerplexityBot user-agent’ının erişimi açık olmalı ve içerik kaliteli backlink profiline sahip olmalıdır. Akademik içerik, hakemli yayın ve veri tabanları Perplexity’de aşırı değerlidir.
Claude (Anthropic)
Claude, güvenlik ve doğruluk konusunda en sıkı modellerden biridir. Subjektif öneriden kaçınır; sadece doğrulanabilir bilgi verir. Akademik otoriteyi, hakemli kaynakları ve sıkı yapılandırılmış veriyi yüksek puanlar. ClaudeBot ve Claude-Web user-agent’ları için erişim verilmelidir. Bilgilendirici, ölçülü tonlu içerik Claude’da öne çıkar.
Microsoft Copilot
Copilot, Bing arama altyapısı ve OpenAI modellerinin kombinasyonunu kullanır. Kurumsal arama (Microsoft 365 entegrasyonu) güçlüdür. B2B karar vericilerin yoğun olduğu bir kullanıcı tabanı vardır. Bing Webmaster Tools’da site doğrulaması ve Bing SEO temelleri Copilot görünürlüğünü doğrudan etkiler.
llms.txt: AI Çağının Yeni robots.txt’i
2024’ten itibaren yayınlanan llms.txt standardı, sitenizin AI tarafından nasıl yorumlanması gerektiğini açıkça beyan etmenizi sağlar. robots.txt sadece “neyi tarayabilirsin” der; llms.txt ise “bu site şudur, ana içerikler şunlardır, hangi sayfalar otoriterdir” der. Henüz tüm modeller tarafından destekleniyor olmasa da OpenAI ve Anthropic dahil önde gelen sağlayıcılar bu standardı tanımaya başladı. Her AI SEO projesinde llms.txt implementasyonunu standart paketin parçası olarak sunuyorum.
Sektörel Özelleşmeler
AI SEO metodolojisinin temelleri evrensel olsa da uygulama sektörel olarak farklılaşır. Deneyim sahibi olduğum dikey alanlar şunlardır.
E-ticaret
E-ticaret için AI SEO, ürün varlıklarının (Product schema) zenginleştirilmesi, kategori sayfalarının semantik kümeleme ile yapılandırılması ve karşılaştırma içeriklerinin Bayes optimizasyonuyla yazılması üzerine kuruludur. AI’ın “X ürünü mü Y ürünü mü?” tarzı karşılaştırma sorularına verdiği yanıtlarda görünmek için ürün bilgi grafiğinin yatay (rakipler) ve dikey (üst kategori, alt özellikler) eksenlerde tam olması gerekir.
SaaS ve B2B Yazılım
SaaS sektöründe AI SEO çoğu zaman çözüm aramada görünmek anlamına gelir. “Müşteri ilişkileri yönetimi yazılımı önerir misin?” tarzı sorulara AI yanıt verdiğinde ürün markaları sıralanır. Bu sıralamaya girmek için ürünün özelliklerinin schema’da tanımlı olması, gerçek kullanıcı geri bildirimlerinin yapılandırılmış formda yayınlanması ve karşılaştırma içeriklerinin tarafsız tonla yazılması gerekir.
Sağlık ve Klinik
Sağlık YMYL kategorisinde olduğu için en sıkı E-E-A-T denetimine tabidir. AI SEO burada doktor profillerinin Person ve Physician schema ile zenginleştirilmesi, klinik kimliğinin MedicalOrganization schema’sıyla tanımlanması, hasta sorularına FAQPage formatında yanıt verilmesi ve akademik otorite sinyallerinin pekiştirilmesi üzerine kuruludur. KVKK ve doktor reklam yasağı çerçevesinde uygulanır.
Finans
Finans sektörü de YMYL kategorisidir. AI burada finansal tavsiye vermekten kaçınır; sadece bilgilendirici yanıtlar verir. Bu yüzden finans markaları için AI SEO, bilgilendirme otoritesi inşa etme yoluyla yapılır. Hesaplama tabloları, BDDK ve SPK uyumlu içerikler, akademik makaleler ve uzman analizleri kritik kaynaklardır.
Hukuk
Hukuk firmaları için AI SEO, avukat reklam yasağı çerçevesinde, bilgilendirici hukuki içerikler üzerinden kurulur. “Boşanma davası nasıl açılır?”, “Miras paylaşımı nasıl yapılır?” gibi mikro-niyet bazlı içerikler, doğru schema (LegalService, FAQPage, Person) ve otoriter avukat profilleriyle desteklendiğinde AI hukuki sorgularda görünür hale gelir.
Sağlık Turizmi, Estetik ve Saç Ekimi
Çok dilli AI SEO bu sektörlerin temelidir. Türkçe görünürlük yetmez; İngilizce, Arapça, Almanca ve Rusça vektör evrenleri ayrı ayrı haritalanır. Her dilde ayrı pillar-cluster mimarisi, ayrı schema, ayrı sentiment optimizasyonu yapılır. AI modellerinin dil bazlı varyansları düzenli olarak takip edilir.
Gayrimenkul
Gayrimenkul, yoğun lokal sorgu içeren bir sektördür. Bölge bazlı varlık haritalama, semt-mahalle-cadde hiyerarşisinin schema ile yapılandırılması ve emlak ofisi otoritesinin RealEstateAgent schema’sıyla inşa edilmesi temel adımlardır.
Sık Sorulan Sorular
AI SEO ile klasik SEO arasındaki temel fark nedir?
Klasik SEO anahtar kelime sıralamasına odaklanır; AI SEO ise semantik vektör uzayında varlık ilişkilerine, bilgi kazanımına ve LLM’lerin olasılıksal cevap seçim mekanizmalarına odaklanır. Hedef artık 10 mavi linkte sıralanmak değil, AI cevabında kaynak veya öneri olarak geçmektir. İki disiplin birbirini ikame etmez; birlikte uygulandığında en güçlü sonucu verir.
Vektör modelleme nedir ve SEO’ya nasıl uygulanır?
Vektör modelleme, kavramların çok boyutlu sayısal uzayda temsil edilmesidir. Her kelime ve kavram bu uzayda yüzlerce boyutlu bir vektör olarak yer alır. SEO’ya uygulandığında hedef konunuzla anlamsal yakınlığı yüksek olan tüm varlıklar tespit edilir, bilgi grafiği inşa edilir ve içerik bu vektörel komşuluklarla matematiksel olarak zenginleştirilir.
Bilgi Kazanımı (Information Gain) skoru nasıl hesaplanır?
İlk 10 sıradaki rakip içerikler analiz edilir, ortak bilgi kümesi (baseline) çıkarılır ve sizin içeriğinizin bu baseline’a göre eklediği özgün veri, argüman veya perspektif oranı ölçülür. Enformasyon teorisi formülüyle hesaplanır: IG = H(baseline) − H(baseline | yeni_veri). Skor ne kadar yüksekse içerik AI ve Google tarafından o kadar değerli görülür.
Bayes optimizasyonu içerikte ne işe yarar?
Bayes optimizasyonu, AI modellerinin “kullanıcı sorusu verildiğinde en olası doğru cevap” seçim mekanizmasıyla matematiksel olarak uyumlu metin üretmeyi sağlar. Cümleler tahmin edilebilir, net, manipülasyonsuz ve istatistiksel olarak doğrulanabilir formda yazılır. Bu, LLM’lerin Next Token Prediction mekanizmasına uygun bir yazım stilidir ve perplexity skorunu düşürür.
AI SEO çalışması kaç ayda sonuç verir?
İlk ölçülebilir değişimler 4-6 hafta içinde görülmeye başlar. Anlamlı ve sürdürülebilir sonuçlar için 3-6 aylık döngüler gerekir. AI modellerinin tarama hızı klasik Google indekslemesinden hızlı olduğu için sonuçlar geleneksel SEO’dan kısa sürede ortaya çıkar. İdeal döngü 12 aylık programdır.
Schema markup AI SEO için zorunlu mu?
Evet, kritik bir bileşendir. JSON-LD formatındaki schema markup, içeriğinizdeki kritik bilgileri AI’ın doğrudan okuyabileceği yapılandırılmış formda sunar. Schema’sız içerik, schema’lı içerikten kat kat daha düşük alıntılanma oranına sahiptir. Bu yüzden her AI SEO çalışmasında zorunlu standart olarak uygulanır.
Hangi AI modelleri için optimizasyon yapıyorsunuz?
Beş ana model: ChatGPT (OpenAI), Google Gemini, Perplexity, Claude (Anthropic) ve Microsoft Copilot. Her modelin kendine özgü veri kaynağı, tarama davranışı ve ranking mekanizması var. Optimizasyon hepsinde tutarlı görünürlük yakalayacak şekilde planlanır.
Mevcut sitemi tamamen yenilemem gerekiyor mu?
Hayır, çoğu durumda mevcut site altyapısı korunur. AI SEO çalışması mevcut sayfaların semantik genişletilmesi, schema implementasyonu ve teknik optimizasyon üzerinden yapılır. Ancak çok eski, mobil uyumsuz veya Core Web Vitals’ı çok zayıf sitelerde önce teknik altyapının yenilenmesi tavsiye edilir.
İçerik benim ekibim tarafından mı yazılacak yoksa siz mi yazacaksınız?
İkisi de mümkün. Bazı müşteriler kendi içerik ekipleriyle çalışmayı tercih eder; bu durumda matematiksel brief ve denetim hizmeti sunarım. Bazıları içeriklerin tamamen tarafımdan üretilmesini ister. Hibrit modeller de yaygındır: pillar içerikleri ben yazarım, cluster içerikleri müşteri ekibi brief’imle üretir.
Sözleşme süresi ne kadar?
Minimum 6 aylık çalışma öneriyorum; ideal 12 aylık döngülerdir. AI modellerinin tarama, güncelleme ve değerlendirme döngüleri kısa süreli çalışmalarla sürdürülebilir sonuç vermez. Aylık abonelik bazlı paketler ile proje bazlı paketler bulunur.
Ücretsiz ön analiz neleri içeriyor?
İlk hafta içinde hazırlanan analiz şunları kapsar: sektörünüze ait 30 sorgu üzerinde beş AI modelinin mevcut yanıtları, markanızın mention rate’i, ana üç rakibinizin görünürlük karşılaştırması, ilk seviye semantik evren haritası ve 6 aylık potansiyel yol haritası özeti. Bağlayıcı değildir.
AI SEO yatırımı geri dönüş süresi nedir?
Sektöre, mevcut durumunuza ve rekabet yoğunluğuna göre değişir. Tipik B2B SaaS müşterilerinde 4-6 ay arası mention rate artışı görülür ve bu artış doğrudan demo talebi, lead ve satış konuşmasına yansır. E-ticarette daha hızlı ölçülebilir; 8-12 hafta içinde AI kaynaklı ziyaret ve dönüşüm verisi görülmeye başlar.
Arama Bitti. Cevap Başladı.
Klasik SEO’nun yirmi yıllık paradigması, kullanıcının on link arasından seçim yaptığı bir dünya üzerine kuruluydu. O dünya hızla kapanıyor. Bugünün kullanıcısı tek bir paragraf, tek bir öneri, tek bir cevap görüyor — ve bu cevabın içinde bulunmak yeni bir disiplin gerektiriyor.
Bu disiplin edebi değil, matematikseldir. Vektör uzayında konumlanmak, bilgi kazanımı skorunu maksimize etmek, Bayes seçim mekanizmasında öne çıkmak ve içerik üretiminin tamamını sayısal kısıtlarla yönetmek — bu dört temel sütun, AI SEO’nun gerçek karşılığıdır. Bu dört sütunu uygulamada birleştiren, ölçen ve sürekli iyileştiren bir metodoloji ile çalışıyorum.
İlk adım her zaman bir ölçüm. Markanızın bugün AI’da nerede olduğunu, rakiplerinizin ne durumda olduğunu, ne kadarlık bir potansiyel açığınız bulunduğunu görmeden strateji kurmak anlamsızdır. Bu yüzden ücretsiz ön analizim var.
Ücretsiz AI SEO analizinizi almak için bugün iletişime geçin. Sektörünüzde markanızın ChatGPT, Gemini, Perplexity, Claude ve Copilot’ta nerede olduğunu ölçer, altı aylık potansiyel yol haritanızı hazırlarım.