AI yanıtlarında kaynak gösterilen içeriklerin ortak özellikleri

Yapay zekâ destekli arama motorları bir soruyu yanıtlarken bazı sayfaları kaynak olarak gösteriyor, bazılarını hiç anmıyor. Bu yazıda, hangi içeriklerin kaynak gösterildiğine dair yayımlanmış akademik çalışmaları ve platformların kendi dokümanlarını kanıt gücüne göre ayırarak inceliyoruz. Ardından, kaynak gösterimini kendi sektörünüzde gözlemleyebilmeniz için tekrarlanabilir bir yöntem öneriyoruz.

Neden "kaynak gösterilmek" ayrı bir hedef?

Klasik aramada başarı ölçütü belliydi: sıralama, tıklama, gösterim. Üretken arama motorlarında ise kullanıcı çoğu zaman tek bir sentezlenmiş yanıt görür ve yanıtın içinde ya da altında birkaç kaynak bağlantısı yer alır. Bir sayfanın arama sonuçlarında üst sıralarda olması, bu yanıtta anılacağı anlamına gelmez. Tersine, alt sıralardaki bir sayfa bazı koşullarda yanıta daha fazla katkı verebilir.

Bu nedenle "hangi içerik kaynak gösteriliyor?" sorusu, SEO'dan devralınan sezgilerle değil, ayrı bir kanıt tabanıyla cevaplanmalı. Sorun şu ki bu kanıt tabanı henüz genç, çalışmalar farklı ortamlarda yapılmış ve platformlar sıralama mantıklarını açıklamıyor.

Kanıtları nasıl sınıflandırıyoruz?

Aşağıdaki bulguları üç düzeyde ele alıyoruz:

• Platform dokümanı: Google, OpenAI veya Perplexity'nin kendi resmi sayfalarında yazanlar. Teknik erişim konusunda güçlüdür, sıralama mantığı konusunda neredeyse hiçbir şey söylemez.
• Kontrollü akademik deney: Değişkenlerin bilinçli olarak değiştirildiği, ölçümün tanımlandığı çalışmalar. Nedensellik hakkında daha güçlüdür, ancak çoğu zaman laboratuvar ortamında, belirli bir model ve veri setiyle yapılır.
• Gözlemsel çalışma: Gerçek motorlara çok sayıda sorgu gönderilip sonuçların kaydedildiği denetimler. Gerçek dünyayı yansıtır, fakat neden-sonuç ilişkisi kurmak zordur.

Pazarlama ajanslarının "şu faktör alıntılanmayı yüzde X artırıyor" türü iddialarını bu yazıda kanıt olarak kullanmıyoruz; çünkü çoğunun yöntemi yayımlanmış değil.

Temel çalışma: "GEO: Generative Engine Optimization"

Alanın kurucu çalışması, Aggarwal ve arkadaşlarının 2023'te arXiv'de yayımladığı ve KDD 2024'e kabul edilen makaledir. Yazarlar GEO-bench adlı bir veri seti oluşturdu: dokuz farklı kaynaktan derlenmiş 10 bin sorgu, her sorgu için Google'ın ilk 5 sonucu. Değerlendirme 1 bin sorguluk test bölümünde yapıldı.

Makalede dokuz içerik düzenleme yöntemi test edildi: otoriter üslup, istatistik ekleme, anahtar kelime doldurma, kaynak gösterme, alıntı ekleme, anlaşılır dil, akıcılık optimizasyonu, özgün kelimeler ve teknik terimler. Görünürlük iki ölçütle ölçüldü: yanıtta kaynağa atfedilen kelime sayısını konumla ağırlıklandıran "Position-Adjusted Word Count" ve alaka, etki, tıklanma olasılığı gibi yedi alt boyuttan oluşan "Subjective Impression".

Öne çıkan bulgular:

• En iyi sonuç veren yöntemler alıntı ekleme, istatistik ekleme ve kaynak gösterme oldu. Position-Adjusted Word Count ölçütünde temel değer 19,5 iken alıntı ekleme 27,8, istatistik ekleme 25,9, kaynak gösterme 24,9 değerine ulaştı.
• Makale, en iyi yöntemlerin temel değere göre yaklaşık yüzde 41 (kelime sayısı ölçütü) ve yüzde 28 (öznel izlenim ölçütü) iyileşme sağladığını raporluyor. Özetteki "yüzde 40'a kadar" ifadesi buradan geliyor.
• Anahtar kelime doldurma temel değerin altında kaldı (17,8). Yani klasik SEO refleksi bu ortamda işe yaramadı.
• Etki, kaynağın başlangıç sıralamasına göre değişti. Örneğin kaynak gösterme yöntemi 5. sıradaki kaynakların görünürlüğünü yüzde 115,1 artırırken 1. sıradakileri yüzde 30,3 düşürdü.
• Etkiler alana göre farklılaştı. Örneğin kaynak gösterme olgu ve hukuk/kamu yönetimi gibi alanlarda, alıntı ekleme tarih ve toplum konularında daha iyi çalıştı.
• Yazarlar 200 sorguluk bir alt kümede Perplexity.ai üzerinde de test yaptı; alıntı ekleme kelime sayısı ölçütünde yüzde 22, istatistik ekleme öznel izlenim ölçütünde yüzde 37 iyileşme gösterdi, anahtar kelime doldurma ise yaklaşık yüzde 10 daha kötü sonuç verdi.

Bu bulguları nasıl okumalı?

Bu çalışma güçlü bir başlangıç noktası, ama sınırları var. Test edilen "motor", büyük ölçüde araştırmacıların kurduğu bir üretken arama düzeneğiydi; Perplexity testi küçük bir alt kümeyle yapıldı. Ayrıca ölçülen şey "kaynak gösterilip gösterilmemek" değil, yanıtta kaynağa ne kadar yer verildiğiydi. 2023'teki modeller ve arama sistemleri bugünküyle aynı değil. Bu nedenle sonuçları "istatistik eklemek her zaman işe yarar" diye değil, "doğrulanabilir, somut ve alıntılanabilir bilgi içeren metinlerin sentez sırasında daha fazla kullanılma eğiliminde olduğuna dair kontrollü bir kanıt var" diye okumak daha doğru.

Takip çalışmaları: tablo karmaşıklaşıyor

C-SEO Bench: çoğu yöntem işe yaramayabilir

Puerto ve arkadaşlarının NeurIPS 2025 Datasets & Benchmarks bölümüne kabul edilen C-SEO Bench çalışması, "konuşma tabanlı SEO" yöntemlerini soru-cevap ve ürün önerisi görevlerinde test etti. Sonuç çarpıcı biçimde olumsuz: yazarlara göre mevcut yöntemlerin çoğu büyük ölçüde etkisiz ve sıklıkla belgenin sıralamasını olumsuz etkiliyor. Kaynağın modele verilen bağlam içindeki sırasını iyileştiren geleneksel SEO stratejileri ise belirgin biçimde daha etkili bulundu. Ayrıca daha fazla aktör aynı yöntemleri uyguladıkça kazancın azaldığı, yani sıfır toplamlı bir rekabet oluştuğu raporlanıyor.

Bu, GEO makalesiyle doğrudan çelişmekten çok, bir uyarı niteliğinde: tek başına metin manipülasyonu, sayfanın zaten aday kaynaklar arasına girmesinin yerini tutmuyor.

Kazanılmış medya eğilimi

Chen ve arkadaşlarının 2025 tarihli "Generative Engine Optimization: How to Dominate AI Search" çalışması, yapay zekâ arama hizmetlerini Google ile karşılaştıran kontrollü deneyler yürüttü. Yazarlar, yapay zekâ aramanın üçüncü taraf ve otoriter kaynaklara (kazanılmış medya) markanın kendi içeriğine ve sosyal içeriğe göre sistematik ve belirgin bir öncelik verdiğini, Google'ın ise daha dengeli bir karışım sunduğunu raporluyor. Hizmetlerin alan çeşitliliği, güncellik, diller arası tutarlılık ve soru ifadesine duyarlılık açısından birbirinden belirgin biçimde ayrıştığı da bulgular arasında.

Pratik anlamı: kendi sitenizdeki içeriği optimize etmek, sizin hakkınızda başkalarının ne yazdığından bağımsız düşünülemez.

Sunum biçimi ve atıf payı

Eylül 2026'da arXiv'de yayımlanan ve henüz hakem değerlendirmesinden geçmemiş CITECHOICE çalışması, aynı iddiayı destekleyen birden fazla kaynak varken motorun hangisini andığını inceliyor. Yazarlar aynı metni düz yazı ya da yapılandırılmış biçimde sunarak karşılaştırdı. Yapılandırılmış sunum, hedef belgenin yanıt başına atıf sayısını ortalama 0,50 artırdı; ancak belgenin hiç anılıp anılmaması üzerindeki etki istatistiksel olarak belirsiz kaldı. Yazarlar ayrıca ikili atıf kararlarının yaklaşık yüzde 15'inin aynı girdiyle yeniden üretimde değiştiğini raporluyor. Bu son bulgu, aşağıda önereceğimiz yöntemin neden tekrarlı ölçüm gerektirdiğini açıkça gösteriyor.

Atıfların kendisi de güvenilir değil

Liu, Zhang ve Liang'ın 2023 tarihli denetimi Bing Chat, NeevaAI, Perplexity.ai ve YouChat'i insan değerlendirmesiyle inceledi. Üretilen cümlelerin yalnızca yaklaşık yüzde 51,5'i atıflarıyla tam olarak desteklenmiş, atıfların yaklaşık yüzde 74,5'i bağlı oldukları cümleyi destekliyordu. Columbia Journalism Review bünyesindeki Tow Center'ın Mart 2025 çalışması ise sekiz yapay zekâ arama aracına 1.600 sorgu göndererek haber makalelerinin kaynağını bulmalarını istedi; araçlar toplamda sorguların yüzde 60'ından fazlasına yanlış yanıt verdi.

Bu çalışmalar şunu hatırlatıyor: "Sayfamız kaynak gösterildi" demek, sayfanızın içeriğinin doğru aktarıldığı anlamına gelmez. Ölçümünüzde atfın doğruluğunu da kaydetmelisiniz.

Platformların resmi olarak söyledikleri

Platform dokümanları sıralama mantığını açıklamaz ama giriş koşullarını netleştirir:

• Google: AI Overviews ve AI Mode için ek bir gereklilik ya da özel optimizasyon olmadığını, sayfanın dizine eklenmiş ve snippet ile gösterilmeye uygun olmasının yeterli olduğunu, özel bir schema.org işaretlemesi gerekmediğini belirtiyor. Bu özelliklerin alt konulara birden fazla ilişkili arama gönderen "query fan-out" tekniğini kullanabileceğini de açıklıyor.
• OpenAI: ChatGPT aramasında görünmek için OAI-SearchBot'un robots.txt'de engellenmemesi gerekiyor. Eğitim amaçlı tarayıcı GPTBot bundan bağımsız yönetiliyor. ChatGPT, yönlendirme bağlantılarına utm_source=chatgpt.com parametresini ekliyor.
• Perplexity: PerplexityBot'un robots.txt'ye uyduğunu ve sitelerin arama sonuçlarında görünmesi için izin verilmesini önerdiğini belirtiyor. Yanıtların kaynaklara bağlanan numaralı atıflar içerdiğini söylüyor.

Yani resmi kanıtın söylediği şey özetle şu: önce taranabilir, dizine eklenebilir ve erişilebilir olun. Gerisi için platformlar sessiz.

Ortak özellikler: kanıt gücüne göre bir özet

• Erişilebilirlik ve dizine eklenme (güçlü kanıt, resmi doküman): İlgili tarayıcıyı engelleyen ya da dizinde olmayan sayfa aday bile olamaz.
• Arama sıralamasında aday olmak (orta-güçlü kanıt): GEO makalesi kaynakları Google'ın ilk 5 sonucundan aldı; C-SEO Bench bağlam içi sıranın belirleyici olduğunu buldu.
• Somut, doğrulanabilir bilgi: istatistik, alıntı, kaynak (orta kanıt, kontrollü deney): GEO makalesinde en tutarlı olumlu sinyal, ama C-SEO Bench'in olumsuz bulgularıyla birlikte okunmalı.
• Üçüncü taraf otoritesi (orta kanıt, gözlemsel): Kazanılmış medya eğilimi tek bir çalışma grubunun bulgusu; motorlar arası fark büyük.
• Yapılandırılmış sunum (zayıf-orta kanıt, ön baskı): Atıf payını etkileyebilir, kaynak seçimine girişi garanti ettiği gösterilmedi.
• Anahtar kelime yoğunluğu (olumsuz kanıt): GEO makalesinde temel değerin altında kaldı.

Kendi gözleminizi yapmak için tekrarlanabilir yöntem

Literatür size hipotez verir; kendi sektörünüzde neyin geçerli olduğunu ise ancak düzenli ölçümle görebilirsiniz. Aşağıdaki yöntem, özel araç gerektirmeden bir tablo programıyla uygulanabilir.

1. Sorgu setini tanımlayın

1. Hedef kitlenizin gerçekten sorduğu 30 ila 50 soruyu listeleyin. Müşteri hizmetleri kayıtları, Search Console sorguları ve satış ekibinin notları iyi kaynaklardır.
2. Soruları niyete göre etiketleyin: bilgi, karşılaştırma, ürün önerisi, nasıl yapılır.
3. Her soru için bir veya iki farklı ifade biçimi ekleyin. Chen ve arkadaşları motorların ifade değişikliklerine duyarlı olduğunu raporluyor.
4. Seti sabitleyin ve sürüm numarası verin. Ölçüm dönemleri arasında soruları değiştirmeyin.

Örnek: Ankara'da faaliyet gösteren "örnek" bir muhasebe yazılımı markası, "küçük işletmeler için e-fatura zorunluluğu kimleri kapsıyor?" ve "e-fatura geçişi için hangi yazılımlar uygun?" gibi sorularla başlayabilir.

2. Ortamı standartlaştırın

• Hangi motorları ölçtüğünüzü yazın: örneğin Perplexity, ChatGPT arama, Google AI Mode.
• Mümkünse oturum açmamış ya da geçmişi temiz bir hesap kullanın; kişiselleştirme sonuçları etkileyebilir.
• Dil ve konum ayarını sabitleyin. Türkçe ve İngilizce sorgular farklı kaynak havuzları getirebilir.
• Model veya mod seçimi varsa (örneğin hızlı arama ile derin araştırma), her ölçümde aynısını kullanın ve kaydedin.

3. Her yanıt için aynı alanları kaydedin

• Tarih ve saat, motor, mod, sorgu kimliği, sorgunun tam metni.
• Kaynak gösterilen tüm URL'ler ve görünme sırası.
• Sizin alan adınız yanıtta var mı, kaçıncı sırada, kaç kez anılıyor?
• Rakiplerin ve üçüncü taraf sitelerin (haber, forum, karşılaştırma siteleri) varlığı.
• Atıf doğruluğu: Yanıttaki iddia, atıf yapılan sayfada gerçekten var mı? Evet, kısmen, hayır.
• Anılan sayfanın türü: blog yazısı, ürün sayfası, SSS, resmi kurum, forum.

4. Tekrarlayın ve değişkenliği ölçün

Tek bir ekran görüntüsü kanıt değildir. CITECHOICE çalışmasının raporladığı yaklaşık yüzde 15'lik yeniden üretim değişkenliği, aynı sorgunun farklı denemelerde farklı kaynaklar getirebileceğini gösteriyor. Bu nedenle:

1. Her sorguyu aynı gün içinde en az üç kez çalıştırın.
2. Aynı seti haftalık ya da iki haftalık aralıklarla tekrarlayın.
3. Sonuçları tek tek değil, oran olarak raporlayın: "Bu dönemde 40 sorgunun X'inde, toplam denemelerin Y'sinde kaynak gösterildik."
4. Bir sorguda sonuç denemeler arasında sık değişiyorsa, onu "kararsız" olarak işaretleyin ve yorumlarken ağırlığını düşürün.

5. Kaynak gösterilen sayfaları inceleyin

Ölçümün asıl değeri, anılan sayfaların ortak özelliklerini çıkarmaktır. Her anılan sayfa için şu soruları sorun:

• Sorunun yanıtı sayfada açık ve kısa bir cümleyle var mı?
• Sayfa somut veri, tarih, kaynak veya alıntı içeriyor mu?
• Yazar, güncelleme tarihi ve kurum bilgisi görünür mü?
• Sayfa bir üçüncü taraf (haber, sektör derneği, kamu kurumu) mı, marka sitesi mi?

Örnek: "Örnek" bir kahve ekipmanları markası, "ev için espresso makinesi seçimi" sorularında anılan sayfaların çoğunun bağımsız inceleme siteleri olduğunu görürse, kendi blogunu yeniden yazmaktan önce inceleme sitelerine ürün göndermeyi önceliklendirebilir. Bu bir kural değil, kendi verisinden çıkarılmış bir hipotezdir.

6. Değişiklikleri kontrollü yapın

Bir sayfayı güncellediğinizde tarihini kaydedin ve ölçüm setinde o sayfayla ilgili sorguları işaretleyin. Aynı anda birçok değişiklik yaparsanız, hangisinin etkili olduğunu bilemezsiniz. Ayrıca dış etkenleri (motorun model güncellemesi, sektörde önemli bir haber, rakibin yeni içeriği) not edin. Korelasyonu nedensellik olarak raporlamayın.

Sık yapılan yorum hataları

• Tek sorgudan genelleme: Bir sorguda anılmak ya da anılmamak, rastgele değişkenlik olabilir.
• Yalnızca kendi markanıza bakmak: Rakiplerin ve üçüncü tarafların payını kaydetmezseniz bağlamı kaçırırsınız.
• Atıfı doğruluk sanmak: Literatür, atıfların önemli bir kısmının ilgili cümleyi desteklemediğini gösteriyor.
• Akademik bulguları evrensel kural saymak: GEO makalesindeki yüzdeler belirli bir veri seti ve düzenekte ölçüldü; sizin sektörünüzde aynı büyüklükte etki beklemek için bir neden yok.

Özet

• En çok alıntılanan akademik çalışma, istatistik, alıntı ve kaynak eklemenin kontrollü bir düzenekte görünürlüğü artırdığını, anahtar kelime doldurmanın ise işe yaramadığını gösterdi.
• Takip çalışmaları tabloyu karmaşıklaştırıyor: metin manipülasyonu çoğu zaman etkisiz kalabiliyor, aday kaynak olmak ve üçüncü taraf otoritesi belirleyici görünüyor.
• Platformların resmi dokümanları yalnızca erişim ve dizine eklenme koşullarını netleştiriyor; seçim mantığı açıklanmıyor.
• Atıflar hem değişken hem de her zaman doğru değil; ölçümde tekrar ve doğruluk kontrolü şart.
• Kendi sabit sorgu setiniz, standart kayıt alanlarınız ve tekrarlı ölçümünüz, genel tavsiyelerden daha güvenilir bir yol gösterici olur.

Kaynaklar

• GEO: Generative Engine Optimization (Aggarwal vd., arXiv 2311.09735)
• GEO: Generative Engine Optimization, tam metin (HTML)
• C-SEO Bench: Does Conversational SEO Work? (arXiv 2506.11097)
• Generative Engine Optimization: How to Dominate AI Search (arXiv 2509.08919)
• CITECHOICE: A Causal Audit of How Document Presentation Redistributes Citation Credit in Agentic Search (arXiv 2609.15164)
• Evaluating Verifiability in Generative Search Engines (arXiv 2304.09848)
• AI Search Has a Citation Problem (Tow Center, CJR)
• AI features and your website (Google Search Central)
• Overview of OpenAI Crawlers
• Publishers and Developers FAQ (OpenAI Help Center)
• Perplexity Crawlers
• How does Perplexity work? (Perplexity Help Center)