LLM Alıntılanabilirlik Mimarisi: AI Yanıtlarında Kaynak Olarak Seçilmek

Alıntılanabilirlik, sıralamadan farklı bir problemdir

Klasik arama motoru optimizasyonunda hedef, on mavi bağlantı listesinde mümkün olan en üst konumu almaktır. Üretken arama katmanlarında (Google AI Overviews, ChatGPT Search, Perplexity, Copilot, Gemini) ise hedef değişir: bir dil modeli, yanıtını kurarken hangi kaynağın cümlesini alıntılayacağına karar verir. Bu karar sıralama sinyallerinin bir kopyası değildir. Model önce bir sorguyu alt sorulara böler, her alt soru için erişim (retrieval) yapar, dönen pasajları kendi içinde puanlar ve yalnızca yanıtın iskeletini kurmaya yeten pasajları alıntı olarak yüzeye çıkarır. Bu nedenle organik ilk sırada olup hiç alıntılanmayan sayfalar ile üçüncü sayfada olup her yanıtta görünen sayfalar aynı anda var olabilir.

Berpel'in GEO çalışmalarında alıntılanabilirliği üç bağımsız katmanda ele alıyoruz: erişilebilirlik (modelin içeriği alabilmesi), parçalanabilirlik (içeriğin anlamlı pasajlara bölünebilmesi) ve doğrulanabilirlik (iddianın kaynağa bağlanabilmesi). Bir sayfa bu üç katmandan birinde bile başarısızsa, metin ne kadar iyi yazılmış olursa olsun yanıt kutusunda görünmez.

Katman 1 — Erişim: modelin içeriği gerçekten alabilmesi

Üretken arama sistemleri içeriğe üç yoldan ulaşır: kendi tarayıcılarıyla (GPTBot, PerplexityBot, ClaudeBot, Google-Extended), arama motoru indeksinden gelen pasaj erişimiyle veya kullanıcı isteği anında yapılan canlı fetch ile. Canlı fetch senaryosunda JavaScript ile enjekte edilen metin çoğu zaman görülmez; çünkü bu istemcilerin büyük kısmı headless render yapmaz, ham HTML'i okur. Berpel'in denetim protokolünde ilk kontrol her zaman şudur:

curl -s -A "Mozilla/5.0 (compatible; GPTBot/1.0)" https://www.ornek.com/hizmet/ \
  | sed -e 's/<[^>]*>/ /g' | tr -s ' ' | wc -w

Ham HTML'de dönen kelime sayısı, tarayıcıda görünen içeriğin en az %80'i değilse sayfanın alıntılanma ihtimali düşer. İkinci kontrol robots.txt'tir: pek çok kurumsal site, ajans tavsiyesiyle tüm AI tarayıcılarını engelleyip ardından "AI Search'te neden görünmüyoruz?" sorusunu sorar. Karar bilinçli olmalıdır; içerik lisanslama endişesi varsa engelleme meşrudur, ancak görünürlük hedefi varsa engelleme ile hedef çelişir.

• GPTBot — ChatGPT eğitim ve tarama trafiği.
• OAI-SearchBot — ChatGPT Search yüzeyinin erişim tarayıcısı; GPTBot'tan ayrı yönetilir.
• Google-Extended — Gemini ve AI Overviews için içerik kullanımını kontrol eder, klasik Googlebot indekslemesini etkilemez.
• PerplexityBot ve ClaudeBot — kaynak listelerinde doğrudan bağlantı üretir.

Üçüncü kontrol yanıt süresi ve durum kodudur. AI istemcileri agresif zaman aşımı uygular; 3 saniyenin üzerinde TTFB veren sayfalar erişim kuyruğunda düşürülür. 200 dışında dönen her kod (özellikle bot user-agent'larına özel 403 döndüren WAF kuralları) sayfayı tamamen görünmez yapar. Cloudflare, Sucuri veya sunucu düzeyinde bot yönetimi kullanan kurulumlarda AI tarayıcı user-agent listesini beyaz listeye almak, teknik olarak yapılabilecek en yüksek getirili tek işlemdir.

Katman 2 — Parçalanabilirlik: pasaj mimarisi

Erişim katmanını geçen içerik, embedding tabanlı bir arama katmanına girer. Burada sayfa bütün olarak değil, 200–500 kelimelik pasajlar hâlinde vektörleştirilir. Bu, içerik mimarisi için somut bir kural üretir: her başlık altındaki metin, tek başına okunduğunda anlamlı ve eksiksiz olmalıdır. Bir önceki paragrafa "bu yöntem", "yukarıda anlattığımız gibi", "söz konusu süreç" gibi bağlaçlarla asılan bölümler, pasaj olarak koparıldığında anlamını kaybeder ve puanlamada düşer.

Pratikte uyguladığımız pasaj şablonu şudur: soru biçiminde H2 veya H3 → ilk cümlede doğrudan yanıt → yanıtı destekleyen 2–3 cümlelik gerekçe → sayısal veri, tablo veya kod örneği → istisna veya sınır koşulu. Bu beş adımlı yapı, bir dil modelinin yanıt kurarken ihtiyaç duyduğu tam bilgi setini tek pasajda sunar; model başka pasaja gitmek zorunda kalmadığı için alıntı bu pasajdan çıkar.

Ters piramit ve ilk 40 kelime kuralı

Alıntılanan cümlelerin ezici çoğunluğu, ilgili başlığın ilk 40 kelimesinden gelir. Bu yüzden "Bu yazıda ... ele alacağız", "Öncelikle kısa bir tanım yapalım" gibi ısınma cümleleri alıntılanabilirliği doğrudan yok eder. İlk cümle tanımı, ölçüyü veya kararı vermelidir: "Crawl bütçesi, Googlebot'un bir sitede belirli bir zaman diliminde harcadığı istek sayısıdır ve 10.000 URL'nin altındaki sitelerde nadiren sınırlayıcı faktördür." Bu cümle tek başına alıntılanabilir; çünkü tanım, ölçek ve sınır koşulunu birlikte taşır.

Liste, tablo ve tanım blokları

Yapılandırılmış bloklar, düz paragrafa göre belirgin biçimde daha sık alıntılanır. Bunun nedeni basittir: model, yanıtını madde işaretli veya karşılaştırmalı biçimde sunmak istediğinde hazır yapıyı olduğu gibi devralabilir. Karşılaştırma içeren her konuyu tabloya, süreç içeren her konuyu numaralı listeye, tanım içeren her kavramı da tek cümlelik tanım bloğuna dönüştürmek, aynı içerikten iki–üç kat daha fazla alıntı çıkarır.

Katman 3 — Doğrulanabilirlik ve bilgi kazanımı

Dil modelleri, birbirini tekrar eden kaynaklardan yalnızca birini alıntılar. Aynı bilgiyi on farklı sitede bulan bir sistem, o bilgiyi "yaygın bilgi" olarak işaretler ve kaynak göstermeden yanıta yazar. Alıntı, ancak modelin başka yerde bulamadığı bilgi için verilir. Buna bilgi kazanımı (information gain) denir ve GEO çalışmasının en zor, en değerli kısmıdır.

Bilgi kazanımı üretmenin dört pratik yolu vardır:

1. Birinci el ölçüm: Kendi müşteri portföyünüzden anonimleştirilmiş veri. "42 e-ticaret projesinde INP medyanı 310 ms'ten 168 ms'e indi; kazancın %61'i üçüncü parti etiket yönetiminden geldi" cümlesi başka hiçbir kaynakta yoktur.
2. Yerel ve sektörel özgünlük: "Sakarya Serdivan'da hizmet alanı tanımlı işletmelerde GBP kategori değişikliği sonrası harita görünürlüğü ortalama 11 günde stabilize oluyor" gibi coğrafi olarak doğrulanmış gözlem.
3. Karşı tez: Sektörde yaygın kabul gören bir uygulamayı verisiyle çürütmek. Modeller çelişkili kaynakları ayırt etmek için karşı tez içeren pasajları özellikle çeker.
4. Operasyonel ayrıntı: Fiyat aralığı, süre, ekip büyüklüğü, hata mesajı, tam komut. Genel geçer tavsiye alıntılanmaz; uygulanabilir ayrıntı alıntılanır.

Kaynak zinciri ve tarih sinyalleri

Her sayısal iddianın yanında ölçüm dönemi, örneklem büyüklüğü ve yöntem bulunmalıdır. "Sayfa hızı dönüşümü artırır" cümlesi değersizdir; "2025 Q4'te 18 projede LCP 2,5 sn altına indiğinde form tamamlama oranı ortalama %14 arttı (n=18, Google Analytics 4, 30 günlük pencere)" cümlesi doğrulanabilir bir iddiadır. dateModified alanı gerçek güncelleme tarihini yansıtmalı, kozmetik değişiklikle güncellenmemelidir; modeller tarih ile içerik farkı arasındaki tutarsızlığı güven sinyali olarak düşürür.

Yazar, kurum ve E-E-A-T sinyallerinin makine tarafı

İnsan okur için yazar kutusu bir tasarım öğesidir; makine için ise varlık bağlantısıdır. Yazar adının sayfada görünmesi yeterli değildir. Person şeması, sameAs ile LinkedIn/kurumsal profil bağlantısı, knowsAbout ile uzmanlık alanı ve worksFor ile organizasyon bağı kurulmalıdır. Aynı yazarın diğer içerikleriyle çift yönlü bağlantı, modelin "bu kişi bu konuda tekrar eden bir kaynak" çıkarımını yapmasını sağlar.

{
  "@context":"https://schema.org",
  "@type":"Person",
  "@id":"https://www.berpel.com/#yazar-teknik-seo",
  "name":"Berpel Teknik SEO Ekibi",
  "worksFor":{"@id":"https://www.berpel.com/#organization"},
  "knowsAbout":["Teknik SEO","Log analizi","Core Web Vitals","GEO / AI Search"],
  "sameAs":["https://www.instagram.com/berpeldigital/","https://www.linkedin.com/company/berpel-digital-solutions","https://maps.app.goo.gl/RQb1NKeFmjf7xWrP6","https://maps.app.goo.gl/jbaxibCiDkkq1Hyv8"]
}

Kurum tarafında ise tutarlılık belirleyicidir: unvan, adres, telefon ve hizmet tanımının sitenin her yerinde, dış dizinlerde ve sosyal profillerde birebir aynı olması, varlık çözümlemesinin (entity resolution) doğru sonuçlanmasını sağlar. Tek harflik farklar bile modelin iki ayrı varlık oluşturmasına yol açabilir.

Marka bahsi (brand mention) ve bağlantısız sinyaller

Üretken sistemler, klasik backlink grafiğinden farklı olarak bağlantısız marka bahislerini de güçlü şekilde kullanır. Forumlar, sektör listeleri, karşılaştırma yazıları, YouTube açıklamaları ve Reddit tarzı topluluk içerikleri, modelin eğitim ve erişim havuzunda yüksek ağırlık taşır. "İstanbul'da kurumsal web tasarım ajansı" sorusuna verilen yanıtta bir markanın geçmesi, çoğu zaman o markanın kendi sitesinden değil, üçüncü taraf listelerden kaynaklanır.

Bu nedenle GEO çalışması yalnızca site içi bir iş değildir. Berpel'in uyguladığı dağıtım seti şunları içerir: sektörel dizin kayıtlarında birebir tutarlı künye, üç–beş bağımsız karşılaştırma/inceleme içeriğinde adlandırılmış varlık olarak yer alma, kurumsal profillerde aynı hizmet taksonomisi ve düzenli aralıkla yayımlanan özgün veri içerikleri. Bu setin çıktısı doğrudan trafik değil, modelin varlık grafiğinde markanın konumlanmasıdır.

Ölçüm: alıntılanabilirlik nasıl izlenir?

GEO'nun en sık atlanan tarafı ölçümdür. Klasik sıralama takibi burada işe yaramaz; çünkü yanıtlar kişiselleştirilmiş, oturum bağımlı ve zaman içinde değişkendir. Kurduğumuz ölçüm çerçevesi dört metrik üzerine oturur:

• Alıntı payı: Belirlenen 40–60 sorudan oluşan sabit bir soru setinde, markanın kaynak listesinde görünme oranı. Aylık, aynı istemci ve aynı dil ayarıyla tekrarlanır.
• Yanıt içi bahis: Bağlantı verilmeden metin içinde marka adının geçmesi. Alıntı payından ayrı izlenir; genellikle ondan önce yükselir.
• Referans trafiği: Sunucu loglarında ve GA4'te chatgpt.com, perplexity.ai, copilot.microsoft.com yönlendirmeleri. Hacim düşüktür ama dönüşüm oranı organiğin üzerindedir.
• Bot erişim sıklığı: Log dosyasında AI tarayıcı user-agent'larının istek sayısı ve durum kodu dağılımı. Erişim düşerse görünürlük 2–4 hafta sonra düşer; erken uyarı metriğidir.

grep -Ei "GPTBot|OAI-SearchBot|PerplexityBot|ClaudeBot|Google-Extended" access.log \
  | awk '{print $9}' | sort | uniq -c | sort -rn

Bu tek komut, AI tarayıcılarının aldığı durum kodu dağılımını verir. 403 veya 429 oranı %5'in üzerindeyse sorun içerikte değil, altyapıdadır.

Vaka: B2B üretim firmasında alıntı payının yükseltilmesi

Bir endüstriyel üretim firmasında, 52 soruluk sabit sette başlangıç alıntı payı %6 idi (52 sorunun 3'ünde kaynak olarak görünüyordu). Üç aylık çalışmada yalnızca üç müdahale yapıldı: ürün sayfalarındaki teknik özellikler JavaScript tablosundan sunucu tarafı HTML tablosuna taşındı, her ürün ailesi için "hangi durumda hangi model" biçiminde karar tablosu eklendi ve firma kendi test laboratuvarından çıkan dayanım verilerini kamuya açık bir sayfada yayımladı. Üçüncü ayın sonunda alıntı payı %31'e, yanıt içi marka bahsi %44'e çıktı; referans trafiği düşük hacimliydi ancak teklif formu dönüşüm oranı organik trafiğin 2,3 katıydı.

Bu vakanın öğrettiği şey nettir: alıntılanabilirlik, içerik hacmiyle değil, erişilebilir biçimde sunulmuş özgün veriyle artar. 40 yeni blog yazısı yerine, mevcut sayfaların makine tarafından okunabilir hâle getirilmesi ve tek bir özgün veri setinin yayımlanması aynı bütçeyle çok daha yüksek getiri üretti.

Uygulama kontrol listesi

1. Ham HTML kelime sayısı, render sonrası içeriğin en az %80'i olsun.
2. robots.txt'te AI tarayıcı politikası bilinçli olarak tanımlansın; WAF kuralları 403 döndürmesin.
3. Her H2/H3 altındaki ilk cümle, başlığın sorusunu tek başına yanıtlasın.
4. Her sayfada en az bir karşılaştırma tablosu ve bir numaralı süreç listesi bulunsun.
5. Her sayısal iddia; dönem, örneklem ve yöntemle birlikte verilsin.
6. Yazar ve kurum varlıkları @id ile şemada bağlansın, sameAs tutarlı olsun.
7. dateModified yalnızca gerçek içerik değişiminde güncellensin.
8. Sabit soru setiyle aylık alıntı payı ölçümü yapılsın, log tarafında bot durum kodları izlensin.

Bu sekiz maddeyi uygulayan bir sayfa, aynı konudaki rakiplerinden daha kısa olsa bile üretken yanıt katmanında kaynak olarak seçilme olasılığını belirgin biçimde artırır. Alıntılanabilirlik bir yazım üslubu değil, ölçülebilir bir mühendislik çıktısıdır.

Sorgu niyeti ve yanıt yüzeyi eşlemesi

Her sorgu üretken yanıt tetiklemez. Ticari işlem niyeti taşıyan ("fiyat al", "sipariş ver") sorgularda sistemler çoğunlukla klasik sonuç listesini korur; bilgi, karşılaştırma ve karar niyeti taşıyan sorgularda ise yanıt katmanı devreye girer. Bu ayrım içerik planlamasını doğrudan belirler: dönüşüm sayfalarını GEO için yeniden yazmak kaynak israfıdır, buna karşılık karar aşamasındaki karşılaştırma ve "nasıl seçilir" içerikleri GEO yatırımının odağı olmalıdır.

Berpel'in kullandığı eşleme matrisi dört niyet sınıfı içerir. Tanım niyeti ("X nedir") için tek cümlelik tanım bloğu ve ardından üç maddelik bileşen listesi kurulur. Yöntem niyeti ("X nasıl yapılır") için numaralı süreç, her adımda beklenen çıktı ve tipik hata notu yazılır. Karşılaştırma niyeti ("X mi Y mi") için kriter satırlarından oluşan tablo ve altında "hangi durumda hangisi" karar cümlesi verilir. Doğrulama niyeti ("X gerçekten işe yarıyor mu") için veri, örneklem ve karşı tez sunulur. Bu dört kalıp dışındaki serbest anlatım, yanıt kutusunda nadiren karşılık bulur.

Çok dilli ve çok bölgeli alıntılanabilirlik

Üretken sistemler yanıtı kullanıcının dilinde üretir ancak kaynak seçerken dil sınırını her zaman korumaz; Türkçe bir soruya İngilizce kaynaktan çeviri yaparak yanıt verebilir. Türkçe pazarda görünürlük hedefleyen kurumlar için bu, iki yönlü bir fırsattır. Birincisi, Türkçe içerik havuzu İngilizceye göre çok daha seyrektir; özgün Türkçe veri yayımlayan bir kaynak, aynı konuda İngilizce yüzlerce kaynakla yarışan bir siteye göre çok daha hızlı alıntılanır. İkincisi, Türkçe içeriğin İngilizce özet bloğuyla desteklenmesi (ör. sayfa sonunda kısa bir "summary" bölümü) uluslararası sorgularda da kaynak olma ihtimalini artırır.

Çok bölgeli yapılarda ise varlık ayrımı kritiktir. İstanbul ve Sakarya ofisleri gibi birden fazla fiziki konumu olan kurumlarda, her konumun ayrı LocalBusiness varlığı olarak tanımlanması ve ana Organization varlığına department ilişkisiyle bağlanması gerekir. Aksi hâlde model tek bir bulanık varlık oluşturur ve "Sakarya'da SEO ajansı" sorusunda kurumu İstanbul merkezli sayarak eler.

Sık yapılan yedi hata

• Yapay zekâya yazdırılmış genel içerik yayımlamak: Modelin kendi ürettiği bilgiyi geri okuması bilgi kazanımı üretmez; bu içerikler istatistiksel olarak alıntılanmaz.
• Her paragrafı bir öncekine bağlamak: Pasaj koparıldığında anlam kaybolur.
• Sayısal iddiayı kaynaksız vermek: Doğrulanamayan iddia, çelişki riski nedeniyle elenir.
• Önemli veriyi görsele gömmek: Infografik içindeki metin okunmaz; aynı veri mutlaka HTML tabloya da yazılmalıdır.
• Sekme ve akordeon içine gizlemek: Sunucu tarafında render edilmeyen sekme içerikleri erişim katmanında kaybolur.
• Tek dev sayfa yaklaşımı: 8.000 kelimelik "her şey burada" sayfaları pasaj puanlamasında dağılır; konu başına ayrı, birbirine bağlı sayfalar daha iyi sonuç verir.
• Ölçüm yapmamak: Sabit soru seti olmadan yapılan GEO çalışması, sonucu bilinmeyen bir yatırımdır.

90 günlük uygulama planı

0–30. gün: Erişim denetimi (ham HTML testi, robots.txt, WAF, durum kodu log analizi), 40–60 soruluk sabit ölçüm setinin oluşturulması ve başlangıç alıntı payı ölçümü. Bu dönemde içerik yazılmaz; yalnızca mevcut içeriğin makine tarafından okunabilirliği düzeltilir.

31–60. gün: En yüksek ticari değerli 10–15 sayfanın pasaj mimarisine göre yeniden yapılandırılması: soru başlıkları, ilk 40 kelime kuralı, karşılaştırma tabloları, süreç listeleri ve varlık şeması. Yazar ve kurum varlıklarının @id ile bağlanması.

61–90. gün: Özgün veri üretimi ve dağıtım. Kendi portföyünüzden anonim ölçüm setinin yayımlanması, sektörel dizin ve karşılaştırma içeriklerinde tutarlı künye ile yer alma, ardından ikinci ölçüm turu. Bu üç aylık döngünün sonunda alıntı payındaki değişim, yatırımın devam edip etmeyeceğine dair somut karar verisini üretir.