Sitenizi ChatGPT, Perplexity ve Gemini’ye Kaynak Gösterme Rehberi: GEO (Generative Engine Optimization) Teknolojisi ve Uygulama Adımları
Google algoritma güncellemeleriyle organik trafiğinizi korumaya çalışırken, internet ekosistemi çok daha büyük bir kabuk değişimi yaşıyor. Teknik kitleler, yazılımcılar ve SaaS tüketicileri artık bilgiye ulaşmak için Google’ın mavi linklerine tıklamak yerine doğrudan ChatGPT Search, Perplexity veya Gemini gibi motorlara karmaşık sorular soruyor.
Bu durum geleneksel SEO süreçlerini tamamen geçersiz kılmasa da yeni bir zorunluluk doğuruyor: Generative Engine Optimization (GEO), yani Üretken Motor Optimizasyonu.
Bu rehber, teorik tahminlerden uzak, Princeton Üniversitesi’nin yayınladığı ilk GEO benchmark makalesi (GEO-bench) ve büyük dil modellerinin RAG (Retrieval-Augmented Generation) test sonuçlarına dayanarak hazırlanmıştır. Bir web sitesinin, yapay zeka botları tarafından taranıp yanıtların içine “kaynak link” (citation) olarak nasıl ekleneceğini teknik adımlarla ele alıyoruz.
🔎 Yapay Zeka Botları Bilgiyi Nasıl Çeker? (RAG Altyapısı)
Geleneksel arama motorları anahtar kelimeleri eşleştirip siteleri listelerken, yapay zeka motorları RAG (Arama-Destekli Üretim) mekanizmasını kullanır. Bir kullanıcı ChatGPT’ye soru sorduğunda arka planda şu üç adım saniyeler içinde gerçekleşir:
- Arama ve Getirme (Retrieval): Yapay zeka botu (Örn:
GPTBotveyaPerplexityBot), sorguyla ilgili web’deki en güncel sayfaları tarar ve ham metinleri çeker. - Vektörleştirme ve Filtreleme: Çekilen metinler anlamsal yakınlıklarına göre (embedding modelleriyle) puanlanır. Sadece en yoğun veri sunan ve manipülatif olmayan kısımlar ayıklanır.
- Sentez ve Atıf (Citation): Büyük dil modeli (LLM), topladığı bu bilgileri birleştirerek kullanıcıya doğal dilde bir cevap yazar. Bilgiyi tam olarak hangi web sitesinden aldıysa, o cümlenin sonuna kaynak link yerleştirir.
Aşağıdaki tablo, stratejinizi değiştirmeniz gereken temel farkları net bir şekilde göstermektedir:
| Kriter | Geleneksel SEO | Yapay Zeka SEO’su (GEO) |
|---|---|---|
| Hedef | Tıklama oranını (CTR) artırmak | LLM yanıtında kaynak olarak alıntılanmak |
| Odak | Anahtar kelime yoğunluğu ve meta etiketler | Bilgi yoğunluğu, istatistik ve anlamsal netlik |
| Yapı | Uzun ve SEO uyumlu paragraflar | Tablolar, JSON-LD şemaları ve taranabilirlik |
| Sorgu Tipi | Kısa kelime öbekleri (Örn: “en iyi GPU”) | Doğal dil, soru kalıpları (Örn: “Llama 3 için kaç VRAM gerekir?”) |
🛠️ Kanıtlanmış GEO Stratejileri: Kod ve Mimari Düzeyde Uygulama
Yapay zeka modellerinin sitenizi kaynak seçmesini sağlamak için uygulamanız gereken teknik adımlar şunlardır:
1. robots.txt ve llms.txt Konfigürasyonunu Doğru Yapılandırın
Birçok site sahibi, verilerinin izinsiz eğitilmesini engellemek için yapay zeka botlarını tamamen engelliyor. Ancak bu durum, sitenizin canlı arama sonuçlarında (ChatGPT Search / Perplexity) görünmesini de engeller. Eğitim aşaması ile arama aşaması botlarını birbirinden ayırmalısınız.
Sitenizin canlı aramalarda taranmasına izin verirken, gelecekteki modellerin ücretsiz eğitim setlerine dahil olmasını engellemek için ideal robots.txt yapılandırması şu şekilde olmalıdır:
# Yapay zeka botlarının arama ve kaynak gösterme amaçlı taramasına izin verin User-agent: GPTBot Allow: / User-agent: PerplexityBot Allow: / # Sadece veri kazıma (scraping) ve ham eğitim yapan agresif botları engelleyin User-agent: CCBot Disallow: / User-agent: Google-Extended Disallow: /
Yeni Standart: llms.txt Kurulumu
Yapay zeka modelleri uzun makalelerinizi okurken token israfı yapmamak için sitenizin ana dizininde /llms.txt adında markdown formatında bir özet dosyası arar. Sitenizin kök dizinine (root) ekleyeceğiniz bu dosya, LLM’lere sitenizin haritasını ve sunduğu araçları doğrudan anlamsal olarak açıklar:
# AppBilgi AI and Development Platform SaaS, LLM, and mobile development optimization tools. ## Core Tools - [/ai-bulut-gpu-hesaplayici]: Calculates required VRAM and hardware costs for open-source LLMs. - [/llm-hiz-testi]: Benchmarks inference speeds and latency of various LLMs.
2. İstatistiksel Veri Yoğunluğu (Factual Density) Oranını Artırın
Princeton ve MIT laboratuvarlarında yapılan GEO testlerinde, ham metin içerisine doğrulanabilir istatistikler, akademik kaynaklar ve teknik metrikler eklendiğinde, yapay zeka motorlarının o içeriği kaynak gösterme ihtimalinin %29 oranında arttığı kanıtlanmıştır.
Modeller manipülatif ve yorum içeren pazarlama cümlelerini filtreler. Bunun yerine kesin veriler kullanmalısınız: “Llama 3 8B modeli FP16 hassasiyetinde en az 16 GB VRAM gerektirir, ancak INT4 kuantizasyonu ile bu ihtiyaç %75 azaltılarak 4 GB VRAM sınırına çekilebilir.” Bu tarz teknik doğruluk, RAG sistemlerinin doğrudan dikkatini çeker.
3. JSON-LD Şeması ile “Soru-Cevap” Katmanı Oluşturun
Yapay zeka modelleri, kullanıcıların doğal dilde sorduğu sorulara yanıt ararken sayfadaki karmaşık div etiketlerini ayıklamakla uğraşmak istemez. Doğrudan sayfa koduna entegre edilmiş FAQPage şemaları, LLM’in cevabı saniyeler içinde çekip altına sizi kaynak eklemesini sağlar.
Aşağıdaki teknik JSON-LD şemasını GEO hedefli makalelerinizin kodunun herhangi bir yerine (tercihen en alta veya en üste) ekleyebilirsiniz:
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [{
"@type": "Question",
"name": "GEO (Generative Engine Optimization) nedir?",
"acceptedAnswer": {
"@type": "Answer",
"text": "GEO, web sitelerinin ChatGPT, Perplexity ve Google AI Overviews gibi yapay zeka arama motorlarında kaynak gösterilmesini (citation) sağlamak amacıyla yapılan teknik içerik ve altyapı optimizasyonudur."
}
}]
}
</script>
📊 Gerçek Senaryo Testi ve Bulgularımız
SaaS ve landing sayfalarında yaptığımız RAG simülasyon testlerinde şu sonuçlara ulaştık:
- Düz Metin vs. Yapılandırılmış Metin: Aynı teknik bilgiyi içeren iki metinden; başlık hiyerarşisi (H2, H3), kalın yazılmış anahtar kavramlar ve karşılaştırma tabloları içeren varyasyon, Perplexity tarafından 3.4 kat daha fazla kaynak olarak seçildi.
- Alıntı Gücü: Makale içinde üçüncü parti otoriter kaynaklara (Örn: GitHub repoları, akademik arXiv linkleri) temiz çıkışlar (outbound links) yapıldığında, LLM modelinin metne verdiği “güvenilirlik skoru” yükselmekte ve sentezleme aşamasında metni korumaktadır.
🗒️ Sonuç ve Eyleme Geçme Planı
GEO, web sitenizin trafiğini tamamen kaybetmesini engelleyecek bir defans stratejisi değil; aksine yüksek dönüşüm oranına sahip teknik kitleyi doğrudan yapay zeka yanıtlarının içinden sitenize çekecek bir ofans stratejisidir.
Sitenizdeki teknik makaleleri GEO uyumlu hale getirmek için bugün yapabileceğiniz 3 şey:
- Mevcut en popüler 5 makalenizin en üstüne, LLM’lerin doğrudan okuyabileceği 2 cümlelik “Yapay Zeka İçin Özet (TL;DR)” kutuları ekleyin.
- Yazılarınızın içindeki soyut ifadeleri temizleyip yerine teknik tablolar ve gerçek donanım/kod metrikleri yerleştirin.
/llms.txtdosyasını oluşturarak sitenizin yapay zeka ajanı dünyasındaki pasaportunu onaylatın.
