GEO ve AEO: Yapay Zeka Çağında Görünürlük

Generative Engine Optimization, web içeriğinin generatif arama ve yanıt sistemleri tarafından keşfedilmesi, anlaşılması, kaynak olarak seçilmesi ve doğru bağlamda kullanılabilmesi için yapılan optimizasyon çalışmalarını tanımlar.

Generatif motorlar, kullanıcıya yalnızca sıralanmış bağlantılar sunmak yerine farklı kaynaklardan bilgi getirerek yeni bir cevap oluşturur. Google AI Overviews, AI Mode, ChatGPT Search, Microsoft Copilot, Claude ve Perplexity bu deneyimlerin farklı örnekleridir. Ancak platformların tamamı aynı indeksleme, retrieval veya citation sistemini kullanmaz.

GEO kavramı akademik zemine, Pranjal Aggarwal ve çalışma arkadaşlarının 2023’te yayımladığı, 2024 KDD konferansında sunulan araştırmayla taşındı. Çalışmada 10.000 sorguluk GEO-bench veri seti kullanıldı; kaynak ekleme, istatistik kullanma ve uzman alıntıları gibi yöntemlerin belirli deney koşullarında generatif yanıtlardaki görünürlüğü yüzde 40’a kadar artırabildiği bildirildi. Perplexity üzerinde yapılan deneylerde de yüzde 37’ye varan değişimler gözlendi. n doğru okunması gerekir. Araştırma, belirli kaynakların zaten yanıt üretim havuzunda bulunduğu kontrollü bir ortamı ölçüyordu. Yüzde 40’lık artış; organik keşfedilme, trafik, lead veya satış artışı değildir. Kaynağın üretilen cevap içindeki görünürlüğünü ifade eder.

Dolayısıyla GEO henüz tek algoritması, sabit sıralama sistemi veya garanti veren optimizasyon formülü bulunan olgun bir kanal değildir.

Answer Engine Optimization, içeriğin kullanıcının sorusuna doğrudan, açık ve doğru bir cevap sağlayabilecek biçimde düzenlenmesidir.

AEO’nun kökeni generatif yapay zekâdan daha eskidir. Featured snippet, People Also Ask alanları, bilgi panelleri ve sesli asistanların verdiği kısa cevaplar bu yaklaşımın erken örnekleri sayılabilir. Günümüzde AEO; Google AI Overviews gibi generatif deneyimlerle de kesişmektedir.

Answer-first yaklaşımı, bir bölümün başında konuyu doğrudan açıklamayı önerir. Ancak bu yöntem, bütün içeriği kısa soru-cevap parçalarına bölmek anlamına gelmez. Basit bir tanım sorgusu birkaç cümlede cevaplanabilirken; finans, hukuk, sağlık veya B2B teknoloji gibi alanlarda koşulların, istisnaların ve karar kriterlerinin ayrıntılı biçimde açıklanması gerekir.

AEO’nun amacı yalnızca kısa cevap üretmek değil, kullanıcının doğru bilgiye ulaşmasını ve bir sonraki adıma ilerlemesini sağlamaktır.

Bu üç alan birbirini dışlamaz.

Google, generatif arama deneyimlerinde görünmek için temel SEO uygulamalarının geçerliliğini koruduğunu açıkça belirtiyor. AI Overviews ve AI Mode, Google Search indeksindeki sayfalardan yararlanıyor; bu yüzeyler için ayrı bir teknik uygunluk sistemi veya özel GEO işaretlemesi bulunmuyor. , teknik SEO problemlerini ortadan kaldırmaz.

• AEO, her başlığı soru hâline getirmek değildir.
• Organik sıralama ile AI citation aynı metrik değildir.
• Bir platformdaki görünürlük, diğer platformda aynı sonucu garanti etmez.
• Citation almak, otomatik olarak trafik ya da dönüşüm üretmez.

Platformların mimarileri farklı olsa da genel süreç şu aşamalarla açıklanabilir:

• Tarama: Bot veya arama altyapısı sayfaya erişir.
• İndeksleme: İçerik aranabilir bir veri havuzuna eklenir.
• Sorguyu anlama: Kullanıcının niyeti ve ihtiyaç duyduğu bilgi belirlenir.
• Retrieval: İlgili olabilecek dokümanlar getirilir.
• Reranking: Kaynak adayları ilgi, kalite ve sistemin kendi ölçütlerine göre yeniden değerlendirilir.
• Context allocation: Seçilen içerik bölümleri modelin kullanacağı bağlama aktarılır.
• Answer synthesis: Model, kaynakları kullanarak yeni bir cevap oluşturur.
• Citation: Bazı kaynaklar bağlantı veya referans olarak gösterilir.

Retrieval, sorguyla ilgili kaynakların veri havuzundan bulunmasıdır. Reranking, bulunan adayların ikinci kez değerlendirilmesidir. Grounding, üretilen cevabın doğrulanabilir dış kaynaklara dayandırılması anlamına gelir. Retrieval-Augmented Generation, modelin yalnızca eğitim verisine güvenmek yerine güncel kaynakları getirerek cevap üretmesidir.

Query fan-out ise tek bir karmaşık sorunun arka planda birden fazla alt sorguya ayrılmasıdır. Google, AI Overviews ve AI Mode’un farklı alt konular için eş zamanlı sorgular çalıştırabileceğini resmî olarak açıklamaktadır. li bölümü kamuya açık değildir. Kaynak seçimi hakkında makul modeller kurulabilir; ancak platformların açıklamadığı ölçütleri kesin sıralama faktörleri gibi sunmak yanıltıcıdır.

AI görünürlüğü tek bir sonuçtan oluşmaz. Bir markanın adı yanıtta geçebilir, fakat sayfası kaynak gösterilmeyebilir. Sayfa cite edilebilir, fakat kullanıcı bağlantıya tıklamayabilir. Trafik gelebilir, fakat nitelikli talep oluşmayabilir.

AI yanıtında kullanılmak citation almak değildir. Citation almak trafik üretmek değildir. Trafik üretmek de otomatik olarak iş sonucu oluşturmaz.

Başarı metriği, markanın hedefi ve kullanıcının yolculuğundaki aşama dikkate alınarak belirlenmelidir.

Structured data, sayfadaki bilgilerin makine tarafından daha açık sınıflandırılmasına yardımcı olabilir. Organization, Person, Article, Product, LocalBusiness, Service, BreadcrumbList ve VideoObject gibi türler doğru bağlamda kullanılmalıdır.

Ancak üç ayrım kritiktir:

• Structured data, Google’ın içeriği anlamasına ve sayfanın uygun zengin sonuçlara aday olmasına yardımcı olabilir.
• AI görünürlüğü için özel bir “GEO schema” bulunmamaktadır.
• Geçerli schema, citation veya generatif yanıtta görünme garantisi vermez.

Google, generatif arama için özel yapılandırılmış veri gerekmediğini ve structured data’ya aşırı odaklanılmaması gerektiğini açıkça söylüyor. klamalıdır; içerikte bulunmayan bilgileri ekleyerek otorite üretmez.

llms.txt, sitenin önemli içeriklerini LLM ve ajan sistemlerine sade bir Markdown diziniyle sunmayı amaçlayan deneysel bir öneridir. Bazı dokümantasyon platformları bu dosyayı kendi içerik haritalarını sunmak için kullanmaktadır. Ancak kullanımın varlığı, dosyanın genel AI görünürlüğünde bir sıralama sinyali olduğu anlamına gelmez.

25 Temmuz 2026 itibarıyla:

• llms.txt, evrensel bir web standardı değildir.
• Google Search ve Google’ın generatif arama özellikleri bu dosyayı özel bir görünürlük sinyali olarak kullanmamaktadır.
• Google, dosyanın varlığının arama görünürlüğüne ne olumlu ne de olumsuz etki ettiğini belirtmektedir.
• Bazı geliştirici araçları ve dokümantasyon sistemleri dosyayı içerik keşfi amacıyla kullanabilir.
• Dosyanın güncel tutulması ayrı bir bakım maliyeti doğurur.

Google bu konuda nettir: llms.txt, özel Markdown sürümleri veya “AI için hazırlanmış” ayrı dosyalar Google Search görünürlüğü için gerekli değildir. txt`, belirli sistemler için kontrollü bir deney olabilir; fakat robots.txt, sitemap, indeksleme ve içerik kalitesinin yerini tutmaz.

Türkçe sorgular her zaman yalnızca Türkçe kaynaklarla cevaplanmaz. Platform; konu, veri güncelliği ve kaynak havuzuna göre İngilizce veya farklı dillerdeki içerikleri getirip Türkçe bir yanıt sentezleyebilir.

Türkiye’deki markalar için savunulabilir yaklaşım şudur:

• Global araştırmaları doğrudan çevirmek yerine Türkiye bağlamını açıklayın.
• Yerel mevzuat, para birimi, pazar dinamikleri ve kullanıcı davranışlarını güncel kaynaklarla işleyin.
• İngilizce ve Türkçe sayfalar gerçekten eşdeğerse doğru hreflang yapısı kurun.
• Aynı kavram için site genelinde tutarlı Türkçe terminoloji kullanın.
• Resmî kurumlar, yerel araştırmalar ve birinci elden verilerle kaynak değerini artırın.
• İngilizce içerik gerekiyorsa makine çevirisi yerine editoryal yerelleştirme yapın.
• Marka, hizmet ve uzmanlık entity’lerini her dilde tutarlı biçimde tanımlayın.

Türkçe içeriklerin görünmeyeceği yönündeki kesin iddiaların kanıtı yoktur. Asıl risk, yerel içeriğin global kaynaklarda zaten bulunan bilgiyi daha zayıf ve kaynaksız biçimde tekrar etmesidir.

AI görünürlüğü, klasik sıra takibi gibi tek pozisyon üzerinden ölçülemez.

Güvenilir bir test sistemi şu şekilde kurulabilir:

• Kullanıcı niyetlerine göre bir sorgu seti oluşturun.
• Bilgilendirici, ticari, karşılaştırmalı, yerel ve markalı sorguları ayırın.
• Aynı niyeti taşıyan doğal ifade varyasyonları üretin.
• Her platformu ayrı raporlayın.
• Testleri farklı tarihlerde tekrarlayın.
• Dil, konum, oturum ve model koşullarını kaydedin.
• Mention ile citation’ı ayrı ölçün.
• Kaynak URL’leri ve yanıt ekranlarını tarih damgasıyla saklayın.
• Marka temsil doğruluğunu uzman kontrolünden geçirin.
• Referral ve CRM verileriyle sonuçları ilişkilendirin.

Üçüncü taraf AI visibility araçları bu süreci ölçeklendirebilir. Ancak bu araçların çoğu gerçek kullanıcı aramalarına veya platformların iç sıralama sistemlerine erişmez; belirlenmiş sorguları sentetik olarak çalıştırarak sonuç toplar.

Bu nedenle “AI rank” veya “ChatGPT sırası” gibi skorlar mutlak gerçeklik değil, aracın kendi örneklem ve hesaplama yönteminin çıktısıdır.