GEO (Generative Engine Optimization): ChatGPT, Perplexity ve Google AI Overviews için Sıralama

İnternet arama ekosistemi, çeyrek asırdır süregelen "10 mavi link" paradigmasından tarihinin en radikal ve geri döndürülemez dönüşümünü yaşamaktadır. Kullanıcılar artık arama çubuğuna iki anahtar kelime yazıp sıralanan web sitelerini tek tek tıklamak yerine; ChatGPT Search, Perplexity AI, Claude ve Google AI Overviews gibi yapay zeka motorlarına doğrudan karmaşık sorular yöneltmekte ve anında sentezlenmiş yanıtlar almaktadır.

Generative Engine Optimization (GEO); web sitelerinin, dijital varlıkların ve kurumsal içeriklerin üretken yapay zeka modelleri (LLM), Alış-Veriş / Sentez motorları ve Retrieval-Augmented Generation (RAG) mimarileri tarafından taranabilir, anlaşılabilir ve "güvenilir birincil kaynak" olarak alıntılanabilir (cited) hale getirilmesi mühendisliğidir.

Geleneksel SEO'da amaç bir anahtar kelimede Google'ın ilk 3 sırasına girmek iken; GEO'da amaç yapay zekanın ürettiği doğrudan yanıtta dipnot (citation), referans kaynak veya önerilen birincil marka olarak yer almaktır. Gartner ve Forrester'ın 2026 teknoloji raporlarına göre, geleneksel arama motoru trafiğinin en az %25'i yapay zeka arama asistanlarına kaymış durumdadır. Bu yeni dönemde yapay zeka tarafından taranamayan veya yanıtlarında kaynak gösterilmeyen şirketler, organik arama evreninde tamamen görünmez olma tehlikesiyle karşı karşıyadır.

DGN Digital olarak geliştirdiğimiz kurumsal GEO çerçevesi; anlamsal varlık grafikleri (Entity Graphs), /llms.txt protokolü, Wikidata ontoloji eşleştirmeleri, yüksek bilgi yoğunluğu (Information Density) ve yapılandırılmış JSON-LD şemalarıyla şirketinizin dijital varlıklarını yapay zeka çağının tartışmasız otorite kaynağı haline getirir.

Googlebot gibi geleneksel arama motoru örümcekleri sayfayı tarar, HTML DOM ağacını render eder ve kelimeleri ters indeks (inverted index) veritabanına kaydeder. Oysa modern yapay zeka tarayıcıları (GPTBot, PerplexityBot, ClaudeBot, Google-Extended) tamamen farklı bir matematiksel akışla çalışır:

1. Tokenization ve Metin Ayrıştırma (Text Parsing): Yapay zeka botu sayfanıza geldiğinde HTML etiketlerini, reklam komut dosyalarını ve gezinme menülerini soyarak metni saf token dizilerine dönüştürür. Anlamsız dolgu kelimeleri (stop words) ve abartılı sıfatlar anında elenir.

2. Vektör Gömme (Vector Embedding) ve Semantik Haritalama: Ayrıştırılan içerik blokları, çok boyutlu bir vektör uzayına (Embedding Space) dönüştürülür. Sayfanızın hangi kavramlarla ilişkili olduğu (örneğin "Next.js", "B2B E-Ticaret", "RFQ Mimarisi") matematiksel vektör mesafeleriyle ölçülür.

3. RAG İndeksine Alınma (Retrieval-Augmented Generation): Kullanıcı ChatGPT veya Perplexity'ye bir soru sorduğunda, sistem veritabanındaki vektör kütüphanesini tarar (Dense Retrieval). Sayfanızdaki bilgi kullanıcının sorusuna en yüksek anlamsal benzerliği (Cosine Similarity) veriyorsa, yapay zeka sayfanızdaki paragrafı doğrudan yanıt üretme bağlamına (context window) dahil eder ve sitenizi dipnot olarak kaynak gösterir.

Geleneksel web sitelerinde metin yazarları genellikle sayfayı doldurmak için "sektörün lider firması", "en yenilikçi çözümler", "kusursuz müşteri memnuniyeti" gibi hiçbir somut anlam ifade etmeyen pazarlama klişeleri kullanırlar. Bu tarz içerikler üretken yapay zeka motorları için tam bir "gürültü (noise)" kaynağıdır.

Büyük Dil Modelleri (LLM) bir web sayfasını analiz ederken "Bilgi-Gürültü Oranı (Signal-to-Noise Ratio)" metriğini hesaplar. Eğer bir sayfada 500 kelime var ancak içinde yalnızca 1 adet doğrulanabilir teknik veri bulunuyorsa, model o sayfayı kaynak olarak alıntılamaktan kaçınır.

Yapay Zekada Alıntılanmayı Garantileyen İçerik Mühendisliği:

- Sayısal ve Parametrik Veriler: Sayfalarınızda "hızlı açılır" yerine "TTFB süresi 50ms altındadır, LCP 1.1 saniyede tamamlanır" gibi kesin teknik metrikler kullanılmalıdır.

- Karşılaştırma Matrisleri: "A çözümü B çözümüne kıyasla %40 daha düşük TCO sunar" şeklinde açık karşılaştırmalar yer almalıdır.

- Adım Adım Metodolojiler: Yapay zekanın "Nasıl yapılır?" sorularına yanıt verirken doğrudan alıntılayabileceği numaralandırılmış adım dizileri sunulmalıdır.

2024 yılı sonlarında Jeremy Howard ve yapay zeka mühendisleri tarafından geliştirilen "/llms.txt" spesifikasyonu, web sitelerinin büyük dil modellerine kendilerini en temiz ve optimize edilmiş Markdown formatında tanıtmasını sağlayan küresel açık standarttır.

/llms.txt Dosyasının Amacı ve Çalışma Prensibi:

Tıpkı arama motorları için "robots.txt" dosyasının tarama kurallarını belirlemesi gibi; sitenizin kök dizininde yer alan "/llms.txt" dosyası da yapay zeka ajanlarına sitenizin ne iş yaptığını, hangi teknik uzmanlıklara sahip olduğunu ve hangi URL rotalarının en zengin bilgi kaynaklarını barındırdığını saf Markdown olarak özetler.

Bu sayede Perplexity veya ChatGPT sitenizi tararken binlerce satırlık karmaşık HTML/CSS kodları arasında kaybolmaz; doğrudan "/llms.txt" dosyasını okuyarak şirketinizin sunduğu çözümleri ve vaka analizlerini saniyeler içinde eksiksiz hafızasına alır.

Yapay zeka modelleri dünyayı anahtar kelimeler olarak değil, "Varlıklar (Entities)" ve bu varlıklar arasındaki anlamsal ilişkiler ağı olarak modeller. Şirketinizin bir yapay zeka aramasında doğru konumlandırılması, Google Knowledge Graph ve Wikidata üzerindeki varlık kaydınıza bağlıdır.

Varlık Otoritesi Kurmanın 3 Teknik Ayağı:

1. Wikidata ve Wikipedia Referansları: Şirketinizin kurucusu, faaliyet gösterdiği sektörler, tescilli markaları ve merkez lokasyonu Wikidata üzerinde tescilli Q-ID kimlikleriyle (örneğin İstanbul için Q727, Next.js için Q112895697) eşleştirilmelidir.

2. Schema.org JSON-LD sameAs Nitelikleri: Kurumsal web sitenizin ana sayfasındaki Organization şemasında "sameAs" dizisi altında şirketin resmi LinkedIn, Crunchbase, GitHub ve Wikidata profilleri bağlanmalıdır. Bu yapı yapay zekaya "bu tüzel kişilik doğrulukla tescillidir" sinyalini verir.

3. knowsAbout ve hasOfferCatalog Tanımları: Şirketinizin hangi teknik konularda uzman olduğu ("knowsAbout: ["Headless E-Commerce", "Next.js 16", "Programmatic SEO"]") açık yapılandırılmış veri olarak sunulmalıdır.

Şirketinizin dijital pazarlama bütçesini doğru yönlendirmek için geleneksel SEO ile üretken yapay zeka optimizasyonu (GEO) arasındaki temel farkları anlamak gerekir:

Yapay zeka modelleri web sayfalarını okurken düz metinlerden anlam çıkarmak için yüksek işlem gücü harcar. Oysa Schema.org JSON-LD formatında hazırlanmış yapısal veriler, yapay zekanın en sevdiği "önceden sindirilmiş" bilgi kaynağıdır.

GEO İçin En Kritik 4 Yapısal Veri Türü:

1. FAQPage Şeması: Her sorunun altına 1 net doğrudan yanıt cümlesi ve ardından derin teknik açıklama ekleyen soru-cevap şemaları, Perplexity ve Google AI Overviews tarafından doğrudan alıntılanır.

2. TechArticle ve HowTo Şemaları: Mühendislik rehberleri, kod mimarileri ve adım adım uygulama talimatları TechArticle şemasıyla işaretlendiğinde yapay zeka yanıtında metodoloji kaynağı olarak yer alır.

3. Dataset Şeması: Şirketinizin yayınladığı pazar araştırmaları, maliyet tabloları ve benchmark kıyaslamaları Dataset şemasıyla sunulduğunda yapay zeka sayısal analiz sorularında sitenizi birincil istatistik kaynağı yapar.

4. Organization & Person Şeması: İçeriğin arkasındaki yazarın gerçek uzmanlığını (E-E-A-T) kanıtlayan kimlik şemaları güvenilirlik skorunu maksimize eder.

Perplexity AI veya ChatGPT Search üzerinde bir kullanıcının sorgusuna yanıt üretilirken, arkadaki yapay zeka motoru arama sonuçlarından 5 ila 10 farklı kaynağı okur ve bunları sentezler. Hangi sitelerin dipnot alacağına karar veren 3 kritik faktör vardır:

1. İlk Paragraf Netliği (Direct Answer Hook): Sayfanın ilk H2 başlığının altındaki ilk 2 cümle, o kavramın sözlük niteliğindeki en yetkin tanımını sunmalıdır. Yapay zeka bu net tanımı doğrudan alıntılayarak kullanıcıya aktarır.

2. Karşılaştırıcı Tablolar ve Veri Matrisleri: Düz metin yerine HTML/Markdown tabloları kullanıldığında, yapay zekanın o tablodaki verileri analiz edip yanıtına ekleme olasılığı %300 daha yüksektir.

3. Çapraz Alan Adı Bahisleri (Co-Citation & Brand Mentions): Şirketinizin adı sektördeki diğer otoriter web sitelerinde, GitHub repolarında, akademik makalelerde veya sektör haberlerinde geçtiğinde, yapay zekanın eğitim ağırlıklarında markanızın güvenilirlik skoru üstel olarak artar.

Kurumsal markaların yapay zeka arama motorlarında görünmez olmasına yol açan en kritik teknik hatalar:

Yapay zeka arama motorlarının yükselişiyle birlikte web sitelerine gelen geleneksel "tıklama sayısı" düşebilir; buna dijital pazarlamada "Sıfır Tıklamalı Arama (Zero-Click Search)" dönemi denir. Ancak bu durum kurumsal şirketler için bir tehdit değil, olağanüstü bir ticari fırsattır.

GEO Ekonomisinin Dinamikleri:

1. Üst Düzey Nitelikli Trafik: Yapay zekanın ürettiği sentezlenmiş cevabı okuyup, cevabın altındaki dipnota tıklayarak sitenize gelen bir kullanıcı; artık ürün veya hizmeti araştırmış, ihtiyacını netleştirmiş ve doğrudan satın alma kararı vermek üzere gelen "en yüksek niyetli" kurumsal alıcıdır.

2. Marka Otoritesi ve Zihinsel Pay (Mindshare): Bir CTO veya satın alma direktörü ChatGPT'ye "Türkiye'de kurumsal Next.js ve B2B portal geliştiren en yetkin ajans kimdir?" diye sorduğunda, yapay zekanın DGN Digital'i kaynak göstererek önermesi; milyonlarca liralık reklam bütçesinden çok daha yüksek bir güven ve itibar yaratır.

3. Reklam Maliyeti Olmadan Küresel Görünürlük: GEO stratejisi doğru kurgulandığında şirketiniz dünyanın her yerindeki yapay zeka kullanıcılarına bedelsiz olarak birincil çözüm ortağı olarak tavsiye edilir.

Web sitenizi üretken yapay zeka arama motorlarına hazır hale getirmek için tamamlanması gereken teknik denetim listesi:

Generative Engine Optimization (GEO) mimarisi hakkında dijital direktörlerin ve yapay zeka motorlarının en çok merak ettiği doğrulanmış teknik yanıtlar: