Alıntılanabilir İçerik: Araştırmalar Gerçekte Ne Gösteriyor?
GEO makalesindeki "%40'a kadar" artış, kaynağın zaten cevabın context'inde olduğu tek aktörlü bir benchmark'ta ölçüldü; C-SEO Bench çoğu yöntemin rekabette etkisiz kaldığını, 2026 derlemesi ise kalıcı nedensel etkisi gösterilmiş bir taktik olmadığını buldu. Kanıtla uyumlu pratikleri ve bu sitedeki bir yazının incelemesini veriyoruz.
Sürüm notu: Bu yazı Aggarwal ve arkadaşlarının GEO (Generative Engine Optimization) makalesini (KDD 2024), Puerto ve arkadaşlarının C-SEO Bench çalışmasını (NeurIPS 2025 Datasets and Benchmarks) ve Temmuz 2026 tarihli "A Critical Survey of Generative Engine Optimization (2023–2026)" derlemesini esas alır.
Önce Tahmin Et
Bookstore'un pazarlama ekibi bir blog yazısı okuyor: "Araştırmalar gösteriyor: içeriğe istatistik ve alıntı eklemek AI (Artificial Intelligence, yapay zekâ) cevaplarındaki görünürlüğü %40'a kadar artırıyor." Öneri, bütün kitap incelemelerinin bir hafta içinde "istatistik ve alıntı" eklenerek yeniden yazılması. Sence bu %40 nerede, hangi koşullarda ölçüldü? Aynı etki gerçek bir AI cevap motorunda, rakipler de aynı şeyi yaparken sürer mi? Bir de şunu düşün: istatistiği olmayan bir kitap incelemesine istatistik eklemek ne demek?
GEO Makalesi: Ne Ölçtüler?
GEO terimini ortaya atan çalışma, Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan ve Deshpande'nin Kasım 2023'te arXiv'de yayımlayıp KDD (Knowledge Discovery and Data Mining) 2024'te sunduğu makale. Özetteki cümle sık alıntılanıyor: GEO, generative engine cevaplarındaki görünürlüğü %40'a kadar artırabiliyor. Bu sayının ne anlama geldiğini anlamak için deney düzeneğine bakmak gerekiyor.
Yazarlar GEO-bench adlı, dokuz kaynaktan toplanmış 10.000 sorguluk bir benchmark kurdu. "Generative engine" olarak her sorgu için Google'dan ilk 5 sonucu alan ve bunlara dayanarak kaynaklı bir cevap yazan bir düzenek kullandılar; cevabı GPT (Generative Pre-trained Transformer) ailesinden GPT-3.5-turbo yazıyordu. Sonra bu 5 kaynaktan birinin metnini dokuz farklı yöntemle yeniden yazıp o kaynağın cevaptaki görünürlüğünün nasıl değiştiğini ölçtüler. Görünürlük için iki metrik var: cevapta o kaynağa atfedilen kelimelerin, cevaptaki konumuna göre ağırlıklandırılmış payı (Position-Adjusted Word Count) ve bir LLM'in (Large Language Model) değerlendirdiği öznel bir izlenim skoru (Subjective Impression).
Dokuz yöntem şunlar: Authoritative, Statistics Addition, Keyword Stuffing, Cite Sources, Quotation Addition, Easy-to-Understand, Fluency Optimization, Unique Words ve Technical Terms. En iyi sonucu Quotation Addition, Statistics Addition ve Cite Sources verdi; en iyi yöntemler Position-Adjusted Word Count'ta yaklaşık %41, Subjective Impression'da yaklaşık %28 iyileşme sağladı. Klasik SEO (Search Engine Optimization) taktiği keyword stuffing ise neredeyse hiç işe yaramadı, Position-Adjusted Word Count'ta optimize edilmemiş metnin bile altında kaldı. Yazarlar ayrıca 200 sorguluk bir alt kümede Perplexity.ai üzerinde de denedi: Quotation Addition Position-Adjusted Word Count'ta %22, Statistics Addition Subjective Impression'da %37'ye kadar iyileşme gösterdi, keyword stuffing ise yaklaşık %10 daha kötü sonuç verdi. Etkinliğin alana göre değiştiğini de not ediyorlar.
Sınırları: Sabit Context ve Tek Benchmark
Bu sonuçlar kendi düzeneğinde geçerli ve dikkatle kurulmuş bir çalışma. Ama pazarlama cümlesine dönüştüğünde kaybolan üç ayrıntı var.
Birincisi, kaynak zaten context'te. Deneyde optimize edilen sayfa, cevabın dayandığı 5 kaynaktan biri olarak baştan prompt'ta. Ölçülen şey "bu sayfa bulunur mu?" değil, "bulunmuş bir sayfa cevapta ne kadar yer kaplar?". Serinin ilk yazısındaki zincirde bu, retrieval'dan sonraki adım. Retrieval'a girmeyen bir sayfaya alıntı eklemek hiçbir şey değiştirmez.
İkincisi, tek bir benchmark ve 2023'ün modelleri. Cevabı GPT-3.5-turbo yazıyor; bugünün motorları farklı modeller, query fan-out ve farklı retrieval katmanları kullanıyor.
Üçüncüsü, tek aktör. Deneyde yalnızca bir kaynak optimize ediliyor; diğer dördü olduğu gibi kalıyor. Gerçek dünyada rakipler de aynı blog yazısını okuyor.
C-SEO Bench: Çoğu Yöntem Etkisiz
Üçüncü noktayı doğrudan test eden çalışma, Puerto, Gubri, Green, Oh ve Yun'un Haziran 2025'te yayımlayıp NeurIPS (Neural Information Processing Systems) 2025 Datasets and Benchmarks'ta kabul edilen C-SEO Bench'i. "Conversational SEO" yöntemlerini iki görevde, soru cevaplama ve ürün önerisinde, her biri üç alanla test ediyor ve en önemlisi, yöntemi benimseyen aktör sayısını değiştirerek birden çok aktörün yarıştığı durumu modelliyor.
Bulgular net. Mevcut C-SEO yöntemlerinin çoğu büyük ölçüde etkisiz ve kaynağın sıralamasına zarar bile verebiliyor. Geleneksel SEO stratejileri, bir kaynağın LLM context'indeki sıralamasını iyileştirmede belirgin biçimde daha etkili. Ve daha çok aktör C-SEO yöntemlerini benimsedikçe kazanç azalıyor; yazarlar bunu problemin sıkışık ve sıfır toplamlı doğasıyla açıklıyor. Baştaki ikinci sorunun cevabı burada: herkes istatistik eklediğinde, istatistik eklemek bir avantaj olmaktan çıkıyor.
2026 Eleştirel Derlemesi: Kalıcı Nedensel Etki Yok
Temmuz 2026'da arXiv'de yayımlanan "Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)" derlemesi, Kasım 2023 ile Temmuz 2026 arasındaki 45 çalışmayı inceliyor. Tek yazarlı bir preprint olduğunu not edelim; hakem sürecinden geçmiş bir yayın değil. Bulgularının özü şu:
- GEO tek bir sıralama problemi değil, çok aşamalı ve belirsiz bir pipeline; her aşama ayrı ölçülmeli.
- İlk GEO makalesinin kazançları kendi düzeneğinde, kaynak sabit bir context'teyken geçerli; organik keşfedilebilirliği veya kalıcı trafik etkisini göstermiyor.
- En tekrarlanabilir etkenler konuyla ilgililik ve context içindeki konum. Genel sezgisel taktikler platformlar arasında zayıf taşınıyor, rekabet kazancı aşındırabiliyor ve citation odaklı yeniden yazımlar retrieval'a zarar verebiliyor.
- Ticari denetimler platformlar arasında düşük kaynak örtüşmesi ve koşudan koşuya büyük değişkenlik buluyor.
Ve ana cümle: incelenen tekniklerin hiçbiri, organik keşfedilebilirlik veya sonraki kullanıcı davranışı üzerinde istikrarlı, uzun dönemli ve platformlar arası nedensel bir etki göstermiyor. Derlemenin önerisi tekrarlanabilir bir protokol: tekrarlı ölçüm, soru varyantları, kontrol grupları, insan doğrulaması ve birden çok rekabet eden aktörü hesaba katmak.
Üç Çalışma Yan Yana
| Çalışma | Ne ölçtü | Ana bulgu | Sınır |
|---|---|---|---|
| GEO, KDD 2024 | Context'teki bir kaynağın cevaptaki payı | Alıntı, istatistik ve kaynak eklemek payı artırıyor | Kaynak zaten context'te, tek aktör, GPT-3.5 |
| C-SEO Bench, 2025 | Çok aktörlü ortamda sıralama | Çoğu yöntem etkisiz veya zararlı; klasik SEO daha etkili | Benchmark ortamı, gerçek motor değil |
| Eleştirel derleme, 2026 | 45 çalışmanın kanıt kalitesi | Kalıcı, platformlar arası nedensel etki gösterilmemiş | Preprint, tek yazar |
Kanıtla Uyumlu Pratikler
Bu tablodan "hiçbir şey işe yaramıyor" sonucu çıkmıyor; çıkan sonuç, kanıtın klasik iyi içerik pratiklerini desteklediği. Hem araştırmalar hem Google'ın rehberi aynı yöne işaret ediyor:
İlk elden deneyim ve özgün veri. Google'ın non-commodity içerik vurgusu ve araştırmaların "konuyla ilgililik" bulgusu aynı yere çıkıyor: başka hiçbir yerde olmayan bilgi, bir motorun seni seçmesi için gerçek bir neden.
Net tanım, doğrulanabilir iddia ve kaynak. GEO makalesindeki "Cite Sources" ve "Quotation Addition" yöntemlerinin işe yaradığı durum, iddiaların gerçekten kaynaklı olduğu durum. Uydurma bir istatistik veya bağlamsız bir alıntı bunun tersi; Google'ın helpful content soruları ve spam policy'leri açısından da risk.
Yazar ve tarih bilgisi. Google'ın Who ve How soruları, yazarın kim olduğunu ve içeriğin nasıl üretildiğini açık etmeyi öneriyor. Bir sürüm notu ve güncelleme tarihi, okur için de, bir motorun bilginin güncelliğini değerlendirmesi için de anlamlı.
Soruya doğrudan cevap veren yapı. Başlıkların bir soruya karşılık gelmesi ve ilk cümlenin o soruyu cevaplaması, okurun aradığını hızlı bulmasını sağlıyor. Google'ın passage ranking system'i de sayfanın tek tek bölümlerini değerlendiriyor. Bu, içeriği parçalamak değil, onu iyi yapılandırmak.
Fark ettiysen bu listedeki hiçbir madde AI'a özel değil. Hepsi zaten iyi SEO.
Bir Yazıyı İncelemek: "C# 14 Yenilikleri"
Bu sitenin C# serisindeki "C# 14 Yenilikleri: Extension Members, field ve Null-Conditional Atama" yazısını bu ölçütlerle okuyalım.
Güçlü yanlar: yazı bir sürüm notuyla başlıyor ve kodların .NET 10 SDK (Software Development Kit) ile derlenip denendiğini söylüyor. Her örneğin gerçek çıktısı var; örneğin null-conditional atamada sağ tarafın atlandığını gösteren iki satırlık çıktı, başka bir yerden kopyalanamayacak, ölçülmüş bir kanıt. Başlıklar özelliklerin adlarıyla birebir eşleşiyor; "field Keyword'ü" diye arayan biri doğrudan o bölüme gidebiliyor.
Geliştirilebilecek yanlar: sitenin HTML (HyperText Markup Language) kuralları yazı gövdesinde link'e izin vermiyor; kaynaklar adıyla anılıyor ama tıklanabilir değil. Bu bilinçli bir editoryal karar, ama bir okur veya bir motor iddianın kaynağına tek adımda ulaşamıyor. Yazının özeti, ilk cümlesinde net bir cevap yerine özelliklerin bir listesini veriyor; sitenin kendi GEO notları özetin cevap niteliğinde bir cümleyle başlamasını öneriyor. Yazar ve tarih bilgisi ise sayfada JSON (JavaScript Object Notation) tabanlı JSON-LD (Linked Data) işaretlemesi ve görünen meta bilgiyle geliyor; bu tarafta eksik yok.
Bu incelemenin söylemediği şey de önemli: bu değişikliklerin yazının herhangi bir AI cevabında alıntılanma sıklığını ne kadar değiştireceğini bilmiyoruz ve araştırmalar bunu güvenilir biçimde tahmin etmeye izin vermiyor.
Üretimde Dikkat
Toplu yeniden yazım yapma. Bütün içeriği bir "GEO şablonuna" göre yeniden yazmak, derlemenin bulduğu gibi retrieval'a zarar verebilir, Google tarafında da değer katmadan ölçekli içerik üretimi riskine yaklaşır.
Değişikliği ölçülebilir yap. Bir sayfada bir şey değiştiriyorsan tarihini kaydet ve önce, sonra karşılaştırmasını aynı kanallardan yap. Hangi kanalların veri verdiğini serinin son yazısında göreceğiz.
Kanıt düzeyini etiketle. Ekip içinde bir GEO önerisi tartışılırken "resmi doküman", "hakemli araştırma", "preprint" ve "blog iddiası" ayrımını yap.
Sık Düşülen Tuzaklar
Bir benchmark sonucunu garanti sanmak. %40, sabit bir context'te, tek aktörlü ve 2023 modelleriyle ölçülmüş bir pay artışı.
Olmayan veriyi eklemek. Bir incelemeye uydurma istatistik veya bağlamsız alıntı eklemek hem okura yalan söylemek hem de Google'ın helpful content ve spam kuralları açısından risk.
Herkesin uyguladığı taktikten avantaj beklemek. C-SEO Bench'in sıfır toplamlı bulgusu, yaygınlaşan her taktiğin değerinin düştüğünü gösteriyor.
Retrieval'ı atlayıp alıntıya odaklanmak. Bulunmayan sayfanın alıntılanabilirliği sıfır.
Küçük Bir Deneme
★☆☆ Sitendeki bir yazıyı bu yazıdaki dört pratikle değerlendir: ilk elden veri, kaynaklı iddia, yazar ve tarih, soruya cevap veren yapı. Her biri için sayfada bir kanıt göster.
★★☆ GEO makalesinin özetini ve deney bölümünü kendin oku. Pazarlama yazılarında "%40" diye aktarılan sonucun hangi metrikte, hangi düzenekte elde edildiğini kendi cümlelerinle yaz.
★★★ Derlemenin önerdiği protokolü kendi sitende küçük ölçekte tasarla: hangi soruları, hangi motorlarda, kaç tekrarla ölçeceksin, kontrol grubun ne olacak ve sonucu hangi durumda "etki yok" diye yorumlayacaksın? Yalnızca planı yaz; bir motora toplu otomatik sorgu gönderme.
Bir sonraki yazıda, Google'ın "gerek yok" dediği ama başka araçların kullanabildiği bir dosyaya bakıyoruz: llms.txt'in spec'i, kimin kullandığı ve ASP.NET Core'da Markdown sürümleriyle birlikte nasıl üretileceği.