Orijinal GEO Araştırması: Yapay Zeka Modelleri Kaynakları Nasıl Seçiyor?

Giriş

Üretken Motor Optimizasyonu (GEO) ile ilgili en sık sorulan sorulardan biri, aldatıcı bir şekilde basit görünüyor:

"AI modelleri hangi kaynakları kullanacaklarını nasıl seçiyorlar?"

Sayfaları nasıl sıraladıkları değil. Bilgileri nasıl özetledikleri değil. Halüsinasyonları nasıl durdurdukları değil.

Daha derin, daha stratejik bir soru:

Bir markayı veya web sayfasını "dahil edilmeye değer" kılan ve diğerini görünmez kılan nedir?

2025 yılında, LLM'lerin bir cevap üretmeden önce kaynakları nasıl değerlendirdiğini, filtrelediğini ve seçtiğini analiz etmek için Google SGE, Bing Copilot, Perplexity, ChatGPT Browsing, Claude Search, Brave Summaries ve You.com gibi birçok generatif motor üzerinde bir dizi kontrollü GEO deneyi gerçekleştirdik.

Bu makale, üretken kanıt seçiminin iç mantığına ilişkin ilk orijinal araştırmayı ortaya koymaktadır:

• Modellerin belirli URL'leri seçme nedenleri

• Bazı alan adlarının alıntılarda neden baskın olduğu

• motorlar güvenilirliği nasıl değerlendirir

• hangi yapısal sinyallerin en önemli olduğu

• varlık netliği ve olgusal istikrarın rolü

• LLM muhakemesinde "kaynak uygunluğu" nasıl görünür

• bazı sektörlerin neden yanlış yorumlandığı

• bazı markaların tüm motorlarda tercih edilme nedenleri

• geri alma, değerlendirme ve sentez sırasında gerçekte neler olur

Bu, GEO ile ciddi olarak ilgilenen herkes için temel bir bilgidir.

Bölüm 1: Beş Aşamalı Model Seçim Süreci (Gerçekte Neler Oluyor)

Test edilen her üretici motor, kaynakları seçerken oldukça benzer beş aşamalı bir süreç izler.

LLM'ler sadece "web'i okumaz". Web'i sınıflandırırlar.

İşte tüm büyük motorların ortak kullandığı süreç.

Aşama 1: Geri Alma Penceresi Oluşturma

Model, aşağıdakileri kullanarak potansiyel kaynakların ilk setini toplar:

• vektör gömmeleri

• arama API'leri

• tarama ajanları

• dahili bilgi grafikleri

• önceden eğitilmiş web verileri

• çoklu motorlu karma arama

• önceki etkileşimlerin hafızası

Bu, en geniş aşamadır ve çoğu web sitesinin anında filtrelendiği aşamadır.

Gözlem: Güçlü SEO ≠ güçlü arama. Modeller genellikle vasat SEO'ya sahip ancak güçlü semantik yapıya sahip sayfaları seçer.

Aşama 2: Kanıt Filtreleme

Kaynaklar geri getirildikten sonra, modeller eksik olanları hemen eler:

• yapısal netlik

• gerçeklere dayalı doğruluk

• güvenilir yazarlık sinyalleri

• tutarlı markalaşma

• doğru varlık tanımları

• güncel bilgiler

Bu aşamada, veri setimizdeki uygun sayfaların yaklaşık %60-80'i elenmiştir.

Burada en büyük sorun nedir? Markanın kendi ekosisteminde tutarsız veya çelişkili bilgiler.

Aşama 3: Güven Ağırlığı

LLM'ler, kalan kaynaklara birden fazla güven sezgisel yöntemi uygular.

Motorlarda kullanılan yedi ana sinyali belirledik:

1. Varlık Güveni

Markanın ne olduğu, ne yaptığı ve ne anlama geldiğinin netliği.

2. Web Çapında Tutarlılık

Gerçekler tüm platformlarda (site, LinkedIn, G2, Wikipedia, Crunchbase vb.) birbiriyle uyumlu olmalıdır.

3. Kaynak ve Yazarlık

Doğrulanmış yazarlar, şeffaflık ve güvenilir meta veriler.

4. Güncellik

Modeller, güncel olmayan ve bakımı yapılmayan sayfaları önemli ölçüde sıralamada aşağıya çeker.

5. Alıntı Geçmişi

Arama motorları sizi daha önce alıntılamışsa, sizi tekrar alıntılamaları daha olasıdır.

6. İlk Kaynak Avantajı

Orijinal araştırmalar, veriler veya birincil gerçekler büyük ölçüde tercih edilir.

7. Yapılandırılmış Veri Kalitesi

Tutarlı şema, kanonik URL'ler ve temiz işaretleme.

Birden fazla güven sinyali içeren sayfalar, geleneksel SEO gücüne sahip sayfalardan tutarlı bir şekilde daha iyi performans gösterdi.

Aşama 4: Bağlamsal Eşleme

Model, içeriğinizin aşağıdakileri karşılayıp karşılamadığını kontrol eder:

• amaçla uyumlu

• varlıkla uyumlu

• mantık zincirini destekler

• benzersiz bir bakış açısı sağlar

• gereksiz tekrarları önler

• belirsizliği giderir

Model burada bir "zihinsel harita" oluşturmaya başlar:

• kim olduğunuzu

• kategoriye nasıl uyduğunuz

• cevapta hangi rolü oynadığınız

• bilgi ekliyor musunuz yoksa tekrar mı ediyorsunuz

İçeriğiniz yeni bir değer katmıyorsa, hariç tutulur.

Aşama 5: Sentez Dahil Etme Kararı

Son olarak, model karar verir:

• hangi kaynakları alıntılamak

• hangilerine dolaylı olarak atıfta bulunacaksınız

• derinlemesine akıl yürütme için hangilerini kullanacağınız

• hangilerini tamamen hariç tutacağınız

Bu aşama acımasızca seçicidir.

Genellikle sadece 3-10 kaynak, nihai cevabı etkileyecek kadar uzun süre hayatta kalır — model başlangıçta 200'den fazla kaynak bulmuş olsa bile.

Üretilen cevap, bu zorlu süreçten galip çıkanlardan oluşturulur.

Bölüm 2: Modellerde Gözlemlediğimiz Yedi Temel Davranış

100'den fazla markaya ait 12.000 test sorgusundan, aşağıdaki modeller tekrar tekrar ortaya çıktı.

Davranış 1: Modeller Blog Yazıları Yerine "Kanonik Sayfaları" Tercih Ediyor

Tüm motorlarda, AI tutarlı bir şekilde şunları tercih etti:

• Hakkında sayfaları

• Ürün tanımı sayfaları

• Özellik referans sayfaları

• Resmi belgeler

• Sıkça sorulan sorular

• Fiyat

• API belgeleri

Bunlar, güvenilir "doğru kaynak" öğeleri olarak görüldü.

Blog gönderileri yalnızca şu durumlarda daha iyi performans gösterdi:

• birinci elden araştırma içeriyorlardı

• yapılandırılmış listeler içeriyorlardı

• tanımları açıklığa kavuşturuyorlardı

• uygulanabilir çerçeveler sağladılar

Aksi takdirde, kanonik sayfalar blog gönderilerinden 3:1 oranında daha iyi performans gösterdi.

Davranış 2: Motorlar, Daha Az ve Daha İyi Sayfalara Sahip Markalara Güveniyor

Büyük web siteleri genellikle aşağıdaki nedenlerle düşük performans gösterdi:

• içerik eski içerikle çelişiyordu

• eski destek sayfaları hala sıralamada yer alıyordu

• gerçekler zamanla değişti

• ürün isimleri değişti

• eski makaleler netliği bozdu

Küçük, iyi yapılandırılmış siteler önemli ölçüde daha iyi performans gösterdi.

Davranış 3: Güncellik Şaşırtıcı Derecede Güçlü Bir Göstergedir

Motorlar anında sıralamayı düşürür:

• güncel olmayan istatistikler

• eski tanımlar

• eski ürün açıklamaları

• değişmemiş sayfalar

• sürüm uyuşmazlıkları

Tek bir kanonik bilgi sayfasını güncellemek, testlerimizde 72 saat içinde üretken cevaplara dahil edilme oranını artırdı.

Davranış 4: Modeller, Güçlü Varlık İzleri Olan Markaları Tercih Ediyor

Aşağıdaki özelliklere sahip markalar:

• bir Wikipedia sayfası

• bir Wikidata varlığı

• tutarlı şema

• webler arası eşleşen açıklamalar

• birleşik marka tanımı

çok daha sık seçildi.

Modeller tutarlılığı = güven olarak yorumlar.

Davranış 5: Modeller Birincil Kaynaklara Yönelik Önyargılıdır

Motorlar şunlara büyük öncelik verir:

• orijinal çalışmalar

• özel veriler

• anketler

• karşılaştırmalı değerlendirmeler

• teknik raporlar

• birincil kaynak belgeler

Orijinal verileri yayınlarsanız:

Referans haline gelirsiniz. Rakipleriniz ise türev haline gelir.

Davranış 6: Çok Modlu Netlik Seçimi Etkiler

Modeller, görsel öğeleri aşağıdaki özelliklere sahip kaynakları giderek daha fazla seçmektedir:

• anlaşılmış

• çıkarılmış

• açıklanmış

• doğrulanmış

Ürün ekran görüntüleri ve videolar önemlidir. Seçim vakalarının %40'ında temiz görseller önemlidir.

Davranış 7: Motorlar Belirsizliği Acımasızca Cezalandırır

Dışlanmanın en hızlı yolu:

• tutarsız ürün adları

• belirsiz değer önerileri

• örtüşen kategori tanımları

• belirsiz konumlandırma

• birden fazla olası yorum

AI, kafa karışıklığına neden olan kaynakları önler.

Bölüm 3: Kaynak Seçiminde En Önemli 12 Sinyal (Gözlemlenen Etkiye Göre Sıralanmış)

En yüksek etkiden en düşük etkiye doğru sıralanmıştır.

1. Varlığın netliği

2. Web siteleri arasında olgusal tutarlılık

3. Güncellik

4. İlk kaynak değeri

5. Yapılandırılmış içerik biçimlendirme

6. Kanonik tanım istikrarı

7. Temiz erişim (tarama kolaylığı + yükleme hızı)

8. Güvenilir yazarlık

9. Yüksek kaliteli geri bağlantılar (otorite grafiği)

10. Çok modlu hizalama

11. Doğru kategori yerleştirme

12. Minimum belirsizlik

Bunlar yeni "sıralama faktörleri"dir.

Bölüm 4: Neden Bazı Markalar Her Arama Motorunda Görünürken (Diğerleri Hiçbirinde Görünmez)

100'den fazla marka arasında, birkaç marka sürekli olarak üst sıralarda yer aldı:

• Kafa karışıklığı

• Claude

• ChatGPT

• SGE

• Bing

• Brave

• You.com

Neden?

Çünkü bu markalar şunlara sahipti:

• tutarlı varlık grafikleri

• net tanımlar

• güçlü kanonik merkezler

• orijinal veriler

• gerçeklere dayalı ürün sayfaları

• birleşik konumlandırma

• çelişkili iddialar yok

• doğru üçüncü taraf profilleri

• uzun vadeli gerçek istikrar

Motor bağımsız görünürlük, ölçekten değil güvenilirlikten gelir.

Bölüm 5: Kaynak Seçimi için Optimizasyon (Pratik GEO Yöntemi)

Aşağıda, tüm araştırmalardan ortaya çıkan özetlenmiş yöntem yer almaktadır.

Adım 1: Kanonik Gerçek Sayfaları Oluşturun

Tanımlayın:

• kim olduğunuz

• ne yaptığınız

• nasıl çalıştığınız

• ne olmadığınız

• ürün isimleri ve tanımları

Bu sayfalar düzenli olarak güncellenmelidir.

Adım 2: İç Çelişkileri Azaltın

Denetim:

• ürün isimleri

• açıklamalar

• özellikler

• iddialar

Arama motorları tutarsızlıkları sert bir şekilde cezalandırır.

Adım 3: İlk Kaynak Bilgileri Yayınlayın

Örnekler:

• orijinal istatistikler

• yıllık sektör karşılaştırmaları

• performans raporları

• teknik analizler

• kullanıcı davranış çalışmaları

• kategori içgörüler

Bu, AI'nın dahil edilmesini önemli ölçüde iyileştirir.

Adım 4: Varlık Profillerini Güçlendirin

Güncelleme:

• Wikidata

• Bilgi Grafiği

• LinkedIn

• Crunchbase

• GitHub

• G2

• sosyal biyografiler

• şema işaretlemesi

AI modelleri bunları bir güven grafiğine birleştirir.

Adım 5: Her şeyi yapılandırın

Kullanım:

• madde işaretleri

• kısa paragraflar

• H2/H3/H4 başlıkları

• tanımlar

• listeler

• karşılaştırmalar

• Soru-cevap modülleri

LLM'ler yapınızı doğrudan ayrıştırır.

Adım 6: Önemli Sayfaları Aylık Olarak Yenileyin

Güncellik şunlarla ilişkilidir:

• dahil etme

• doğruluk

• güven ağırlığı

• sentez olasılık

Eski sayfalar batar.

7. Adım: Net Karşılaştırma Sayfaları Oluşturun

Modeller şunları sever:

• artıları ve eksileri

• özellik ayrıntıları

• şeffaf sınırlamalar

• yan yana netlik

Karşılaştırmaya uygun içerik daha fazla alıntı alır.

Adım 8: AI'nın hatalarını düzeltin

Düzeltmeleri erken gönderin.

Modeller, dürtüldüklerinde hızlı bir şekilde güncellenir.

Bölüm 6: Kaynak Seçiminin Geleceği (2026–2030 Tahminleri)

2024–2025 yıllarında gözlemlenen davranışlara dayanarak, şu eğilimler kesin olarak ortaya çıkmaktadır:

1. Güven grafikleri resmi sıralama sistemleri haline gelir

Modeller, özel güven puanlarını koruyacaktır.

2. İlk kaynak içerik zorunlu hale gelir

Motorlar, türev içerikleri alıntılamayı bırakacaktır.

3. Anahtar kelime odaklı keşif, varlık odaklı keşif ile yer değiştirecek

Varlıklar > anahtar kelimeler.

4. Menşe imzaları (C2PA) zorunlu hale gelir

İmzasız içeriklerin sıralaması düşürülecektir.

5. Çok modlu kaynak seçimi olgunlaşır

Görseller, videolar ve grafikler birinci sınıf kanıt haline gelir.

6. Ajanlar iddiaları bağımsız olarak doğrulayacak

Tarama ajanları sizi iki kez kontrol edecektir.

7. Kaynak seçimi, netlik yarışına dönüşür

Belirsizlik ölümcül hale gelir.

Sonuç: GEO, sıralama ile ilgili değil, seçilme ile ilgilidir

Üretici motorlar sayfaları "sıralamıyor". Akıl yürütme zincirine dahil edecek kaynakları seçiyorlar.

Araştırmamız, kaynak seçiminin şunlara bağlı olduğunu göstermektedir:

• netlik

• yapı

• gerçekçi istikrar

• varlık uyumu

• özgün içgörü

• güncellik

• tutarlılık

• menşe

Üretken cevaplarda görünen markalar, en iyi SEO'ya sahip olanlar değildir. Bunlar, AI akıl yürütme için kendilerini en güvenli, en net ve en yetkili girdiler haline getiren markalardır.

GEO, bu güvenilir girdi haline gelme sürecidir.