GEO Gerçekte Nasıl Çalışıyor? Yapay Zekâ Aramasının Kısa Rehberi ve Sektörün İnandığı 6 Yanlış

Bu hafta haber aktarmıyorum, rehber yazıyorum. Bir dil modeli markanız hakkında ne söyleyeceğine yalnızca iki şeye bakarak karar veriyor: eğitim verisi ve grounding.

Sahadaki yanlış inanışların neredeyse hepsi bu ayrımı kaçırmaktan doğuyor. Altı yanlışı tek tek açıyorum. Merkezde llms.txt vakası var ve asıl ders dosyada değil: ne Google’ın beyanına ne de sevdiğiniz uzmanın bugünkü cümlesine sorgusuz inanın.

Sonunda tek bir canlı gözlem: Google’a “en iyi kredi kartı hangisi” dedim, yedi bankanın kartını saydı; ama cevabı besleyen kaynaklar karşılaştırma siteleriydi.

Herkese merhaba!

Geçen hafta bir okurum şunu sordu: “Mert, ölçmesi tamam da, bu model benim hakkımda konuşurken tam olarak neye bakıyor?”

Basit bir soru ama sahadaki kafa karışıklığının tam merkezinde duruyor. GEO tartışmalarının çoğu, modelin cevabı nasıl ürettiğine dair yanlış bir resimden besleniyor. Yanlış resimden de doğru strateji çıkmaz.

Kahvenizi alın, temele iniyoruz.

Mekanizma: model sizi iki yoldan tanır

Bir dil modelinin markanız hakkında ne söyleyeceğini belirleyen yalnızca iki mekanizma var ve kaldıracınızın tamamı ikincisinde.

1. Eğitim verisi. Modelin eğitildiği anda internetten dondurulmuş bir kesit. Markanız o kesitte varsa model sizi bilir, yoksa bilmez. Bunu kolayca değiştiremezsiniz; gelecek eğitim döngülerini etkilemek aylar alır.

2. Grounding. Kullanıcı soruyu sorduğu anda modelin gidip canlı kaynak çekmesi, o kaynakları okuması ve cevabı onlara bakarak yazması. Teknik adı RAG (retrieval augmented generation), sade adı web araması. Motorlar tipik bir sorgu için 40–50 kaynak tarıyor ve en ilgili 12–20’sini yanıta alıyor.

İyi haber şu: grounding dinamiktir ve tamamen sizin sahanızdır. Model bu sabah yayımlanmış bir içeriği alıntılayabilir; eğitim verisinde hiç görmediği bir markayı önerebilir. Yani “biz küçüğüz, yapay zekâ bizi bilmiyor” cümlesi bir kader değil, yalnızca başlangıç noktasıdır.

Sektörün inandığı 6 yanlış

Yanlış 1: “Model beni eğitim verisinden bilmiyorsa iş bitti.”

Bitmedi. Eğitim verisi donmuş fotoğraf, grounding canlı yayın. Adınız eğitim verisinde hiç geçmese bile, soru sorulduğunda yapılan aramada bulunursanız cevaba girersiniz.

Ne yapmalı: Enerjinizi “modele kendimi öğretmeye” değil, “soru sorulduğunda bulunacak yerde olmaya” harcayın.

Yanlış 2: “Modeller Google kullanıyor, Google’da sıralanırsam yeter.”

En pahalı yanlış bu. Google’ın Yapay Zekâ Bakışı Google’ı kullanıyor, doğru. Ama ChatGPT kısmen Bing’den besleniyor, Perplexity’nin kendi indeksi var, Claude Brave’i kullanıyor, Grok ise web aramasının yanında X’i de tarıyor.

Ne yapmalı: Hepsi için ayrı optimizasyon şart değil. Ama hiçbirini yanlışlıkla engellemediğinizden emin olun. Google’da birinci olup ChatGPT’nin hiç göremediği bir site olmak bugün fazlasıyla mümkün.

Yanlış 3: “Tek bir soruya göre optimize ederim.” (Ve tersi: “Her fan-out için bir sayfa açarım.”)

Model sizin sorunuzu olduğu gibi aratmıyor. Tek bir promptu içeride 2, 6, bazen 20 ayrı aramaya bölüyor. Buna fan-out (dağılan sorgular) deniyor. “50 kişilik B2B şirketi için en iyi CRM” sorusu içeride “en iyi B2B CRM 2026”, “orta ölçek SaaS için CRM”, “50 kullanıcı altı fiyatlandırma” gibi aramalara dağılıyor.

Bunu öğrenen ekipler ise ikinci bir tuzağa düşüyor ve Lily Ray bu hafta tam da onu yazdı: fan-out sorgularının tek tek peşine düşmek zaman kaybı; her fan-out için ayrı bir sayfa açmak ise sizi spam tarafına savurur. Kendi ifadesiyle bu, Faydalı İçerik Güncellemesi öncesindeki taktikleri hatırlatıyor. Doğrusu, fan-out sorgularını ölçekte analiz edip ana konu kümelerine ayırmaktır.

Biz bunu GeoGenie.ai üzerinde yapısal olarak yürütüyoruz: platform konu ve persona kümesini baştan kuruyor, promptları beş motorda ayrı ayrı izliyor ve cevabın hangi alan adlarından beslendiğini gösteriyor.

Ne yapmalı: Tek bir fan-out için sayfa açmayın; promptun arkasındaki konu kümesi için içerik kurun. Modelin fan-out sırasında eklediği kelimelere de dikkat edin. En sık eklediği iki şey var: güncel yıl ve “yorumlar”.

Yanlış 4: “Sayfam alıntılandıysa sayfam okundu demektir.”

Model sayfanın tamamını almıyor, pasaj alıyor. 3.000 kelimelik bir yazınız alıntılandığında, cevaba giren şey oradaki 40 kelimelik tek bir paragraf olabilir.

Ne yapmalı: Her önemli sayfanın üst kısmına, tek başına ayakta duran, kendi kendine yeten, net bir cevap paragrafı koyun. Cevabı 14. paragrafa, üç şartlı cümlenin arasına saklarsanız model onu oradan çıkaramaz.

Yanlış 5: “Bir sihirli dosya koyarım, iş biter.” (Rehberin kalbi burası.)

Google, yapay zekâ için optimizasyon rehberinde, başlığı düpedüz “yanlış inanışları çürütmek” olan bir bölümde llms.txt gibi dosyalara ihtiyacınız olmadığını yazdı. Sektör de “konu kapandı” dedi. Ben de aylardır “sihirli dosya peşinde koşmayın” diyorum.

Sonra Google kendi kendisiyle çelişti. Chrome Lighthouse, Mayıs 2026’da ajan taraması (Agentic Browsing) denetimini varsayılan hâle getirdi ve bu denetim sitede llms.txt olup olmadığını kontrol ediyor. Yani Google’ın bir eli “boş ver” derken, öbür eli dosyayı arıyor.

Sonra Cyrus Shepard (Zyppy kurucusu, Moz’un eski Global SEO başkanı) lafı bırakıp test etti. Bulduğu şu: Google llms.txt dosyalarını tanıyor, içindekini okuyor ve yanıtlarında kaynak gösterebiliyor. Verdiği bir örnekte, o konu için alıntılanan tek URL llms.txt dosyasının kendisiydi. Demek ki “tamamen yok sayıyorum” cümlesi, kelimenin tam anlamıyla doğru değil.

Madalyonun öbür yüzünü de çevirelim. Uzmanlar yerinde bir itiraz getirdi: bu, llms.txt’ye özel bir muamele olmayabilir. Google zaten iç linki verilen her .txt dosyasını tarar ve dizine ekler; dosyanın adı llms.txt olmuş, notlar.txt olmuş, tarayıcı için fark etmez. Cyrus da bu teknik açıklamaya katıldığını açıkça söyledi. (Tartışmanın ayrıntılı dökümünü toplulukta paylaşmıştım.)

Doğru okuma şu: Google llms.txt’yi yok saymıyor ama özel bir standart olarak da kutsamıyor. Gerçek, iki uç arasında bir yerde duruyor.

Bu arada Ahrefs 137 bin siteyi inceledi ve tabloyu netleştirdi: sitelerin yüzde 28’i llms.txt yayımlıyor ama bu dosyaların yüzde 97’si Mayıs 2026’da hiç istek almadı. Cevabı canlı üreten yapay zekâ botlarının payı ise tüm isteklerin yalnızca yüzde 1,1’i. Dahası, var olmayan llms.txt dosyaları için hiçbir yapay zekâ botu istek göndermemiş. Yani kimse o kapıyı aramıyor bile.

Asıl ders burada ve llms.txt’nin çok ötesinde: Google bir şey söylediğinde ona balıklama atlamayın. “Görmezden geliyorum” cümlesi, “tamamen görünmez” demek değilmiş.

Ama şüpheciliğimizi yalnızca Google’a saklamayalım. Cyrus’un kendisi de bir dönem “llms.txt için elde pek kanıt yok” diyenlerdendi; sonra test etti ve pozisyonunu güncelledi. Bu güzel bir şey, iyi bir uzman veriye göre fikir değiştirir. Ama bizim çıkaracağımız ders şu: sevdiğimiz isimler de yanılabilir, onlar da geri adım atabilir. Ne Google’ın beyanını ne de bir uzmanın bugünkü cümlesini sorgusuz kabul edelim. En sağlam pusula, kendi testimizdir.

Bir dengeyi de gözden kaçırmayalım: bunların hiçbiri “llms.txt bir sıralama faktörüdür” anlamına gelmiyor. Gelmiyor.

Yanlış 6: “Yanlışı bir kez düzeltirsem model öğrenir.”

Model zaten öğrenmiyor. Her sorguda yeniden grounding yapıyor, yani aynı kaynak havuzuna gidip aynı bilgiyi tazeliyor.

Kendi verimle göstereyim. Beş haftalık takibimde, Stradiji’nin kuruluş yılını “2010” diye veren hata (doğrusu 2009), beş motordan dördünde ve beş haftanın hepsinde tekrar etti. Üstelik doğru bilgi kendi sayfalarımızda apaçık dururken. Sebebi basit: hatayı besleyen üçüncü taraf sayfalar orada durdukça, model her hafta aynı yanlışı yeniden keşfediyor.

Ne yapmalı: Kendi sayfanızı düzeltmek yetmez. Yanlışı besleyen kaynakları düzeltin.

Sıradaki sınav: OKF (Open Knowledge Format)

Yukarıdaki 5. yanlışı okuduktan hemen sonra bunu anlatmak istiyorum, çünkü disiplinimizin bir sonraki sınavı kapıda.

OKF nedir? Google Cloud’un 15 Haziran 2026’da duyurduğu Open Knowledge Format, kurumsal bilgiyi yapay zekâ ajanlarının okuyabileceği ortak bir formatta paketlemek için önerilen açık bir standart. Teknik olarak sade: markdown dosyaları ve başlarına eklenen YAML üstverisi. Her kavram (bir veri kümesi, bir metrik tanımı, bir API ucu) bir belge oluyor; Google buna “ağaç” diyor, belgeleri bir araya getirince de “orman” çıkıyor. Tedarikçiden bağımsız, sürüm kontrolünde yaşayabilen, hem insanın hem makinenin okuduğu bir yapı. Spesifikasyon GitHub’da açık.

Google’ın gerekçesi çarpıcı: temel modeller güçlendikçe onları sınırlayan şey artık zekâ değil, bağlam eksikliği.

Neden önemli? Çünkü yapay zekâdaki rekabetin merkezi kayıyor: artık mesele daha iyi model geliştirmek değil, modele doğru bağlamı verebilmek. Bu da aslında SEO’cuların yıllardır bildiği bir gerçeğin yeni versiyonu. En iyi içeriğe sahip olmak asla tek başına yetmedi; bilginin yapılandırılması, ilişkilendirilmesi ve makine tarafından okunabilir hâle getirilmesi gerekti. Yapılandırılmış veriye ve varlık SEO’suna yıllardır bu yüzden yatırım yapıyoruz. OKF, aynı problemin ajan çağındaki karşılığı.

Şimdi disiplin kısmı, dikkat. Bu sayının bütün dersi burada işliyor: OKF bir Google sıralama faktörü değil. Sitenize bir okf/ klasörü koyduğunuzda Yapay Zekâ Bakışı’nda daha çok görünmezsiniz. OKF açık web için değil, kurum içi bilgi katmanı ve ajanlar için tasarlandı. Üstelik Google’ın kendisi açıkça yazıyor: “OKF v0.1 bir başlangıç noktasıdır, bitmiş bir standart değil.”

Yani llms.txt filmini yeniden izlemeyelim. Sektörün refleksi belli: “Google yeni bir format çıkardı, hemen üretelim, belki görünürlük getirir.” Getirmez. En azından bugün, elimizdeki veriye göre getirmez.

Peki ne yapmalı? Formatın kendisine değil, altındaki ilkeye yatırım yapın: makinenin okuyamadığı bilgi, ajan için var olmayan bilgidir. Bu ilke, OKF kazansa da kaybetse de doğru kalacak. Kurumsal bilginizi (ürün verisi, fiyat mantığı, uzmanlık alanınız, sık sorulanlar) dağınık PDF’lerden ve kimsenin açmadığı sunumlardan çıkarıp yapılandırılmış, güncel ve okunabilir bir katmana taşıyın. Bunu yaparsanız hangi standart kazanırsa kazansın hazır olursunuz. Yapmazsanız, hiçbir dosya sizi kurtarmaz.

Tek bir canlı gözlem (çalışma değil, gözlem)

Önce dürüst bir itirafta bulunayım. Bu bölüm için SEO araçlarından sıralama verisi çektim, çarpıcı tablolar çıktı ve neredeyse “şu site 1. sırada” diye manşet atacaktım. Sonra aynı sorguları kendi tarayıcımda canlı arattım; sonuçlar tutmadı. Sıralama; oturuma, kişiselleştirmeye, konuma ve sorguyu tam olarak nasıl yazdığınıza göre oynuyor.

O yüzden size sıralama tablosu göstermiyorum. Bunun yerine çok daha sağlam olan tek şeye bakıyorum: atıflar. Grounding’in görünen yüzü tam olarak orası.

Google’a “en iyi kredi kartı hangisi” diye sordum. Yapay Zekâ Bakışı yedi bankanın kartını isim isim saydı: Garanti BBVA Shop&Fly ve Miles&Smiles, İş Bankası Maximiles, Yapı Kredi Worldcard, Akbank Axess, nakit avans için QNB, TEB, DenizBank.

Sonra kaynaklara baktım: Cimri, HesapKurdu, getkampania, HangiKredi, TeklifimGelsin. Yani karşılaştırma ve kampanya siteleri. Aynı soruyu Perplexity’ye de sordum; onun atıflarında da bir kredi blogu, bir YouTube videosu ve yine bir karşılaştırma sitesi vardı.

İki motor, aynı tablo: bankaların ürünlerini anlatan cevabı, bankalar beslemiyor. Dahası, Google’ın cevabı kullanıcıyı başvuru için doğrudan HangiKredi ve HesapKurdu sayfalarına yönlendirerek bitiyor. Yani başvuruyu bile bankaya değil aracıya yolluyor.

Ve en öğretici detay: Atıflara giren tek banka sayfası vardı, Yapı Kredi Worldcard. Peki neden o girdi? Çünkü o sayfa “biz en iyiyiz” demiyor, şunu belgeliyor: “The Banker tarafından dünyanın en değerli 10 kredi kartı listesine seçilen ilk ve tek Türk kredi kartı.”

Kendini öven sayfa değil, başkasının övgüsünü belgeleyen sayfa cevaba giriyor. Kanıt, beyanı yeniyor.

Sınırlarını da söyleyeyim: bu tek bir sorgu, tek bir gün, tek bir oturum. Buradan “Türkiye’de finans sektörü şöyledir” diye bir yargıya varmıyorum. Sizden istediğim, benim tablomu okumak değil; aynı testi kendi sektörünüzde kendiniz yapmak.

Kontrol listesi (bu hafta yapın)

• Cevaba değil, kaynağa bakın. Hedef sorunuzu bir motora sorun; cevabı değil, altındaki kaynak listesini açın. Orada siz mi varsınız, yoksa hakkınızda yazanlar mı?
• Aynı testi en az iki motorda yapın. Atıflar örtüşüyorsa elinizde bir sinyal var demektir; örtüşmüyorsa henüz gürültüye bakıyorsunuz.
• Tek bir gözleme iman etmeyin. Aynı sorguyu farklı günlerde, farklı oturumlarda ve giriş yapmadan tekrarlayın. Tekrar etmeyen bulgu, bulgu değildir.
• Kapıları kontrol edin. robots.txt dosyanızda GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot ve Google-Extended erişimi açık mı? Bing’de düzgün dizinleniyor musunuz?
• Fan-out’u kovalamayın, kümeleyin. Sorguları ana konu kümelerine ayırın ve içerik portföyünüzle karşılaştırın.
• Beyan değil, kanıt yayımlayın. “En iyiyiz” demek yerine bağımsız bir sıralamayı, ödülü ya da üçüncü taraf incelemesini belgeleyin. Yapay zekânın okumaya değer bulduğu sayfa çoğunlukla bu oluyor.
• Aracıları bir kanal olarak görün. Modelin okuduğu metin bir karşılaştırma sitesindeyse, orada doğru temsil edilmek bir SEO işi değil, bir dağıtım işidir.