Referans · Ücretsiz
Bu, yaşayan bir AEO sözlüğüdür: Cevap Motoru Optimizasyonu, GEO ve yapay zeka araması için alıntılanabilir 62 sade tanım — sıralama veya atıf garantisi değildir.
llms.txt ve RAG’dan atıf takibine kadar kavramları pazarlamacılar, geliştiriciler ve net tanıma ihtiyaç duyan herkes için kapsar. Her madde kavramı ilk cümlede adıyla açar ve yapay zeka cevabında tek başına duracak kadar kısa kalır. Sitede derin rehber veya ücretsiz araç varsa kart oraya bağlanır. İngilizce ve Türkçe tek veri kaynağını paylaşır; metin ile schema birbirinden ayrılmaz.
Cevap Motoru Optimizasyonu (AEO), web içeriğinin ChatGPT, Google AI Overviews, Perplexity ve Gemini gibi yapay zeka cevap sistemleri tarafından doğru şekilde bulunması, anlaşılması ve kaynak gösterilmesi için yapılandırılmasıdır. AEO; önce-cevap yazım, net varlıklar, yapılandırılmış veri ve taranabilir sayfaları birleştirir; sıralama veya atıf garantisi vermez.
Üretken Motor Optimizasyonu (GEO), bir markayı yapay zeka tarafından üretilen cevaplarda kaynak gösterilen veya önerilen taraf haline getirme disiplinidir. AEO tek bir sayfayı optimize ederken GEO marka düzeyinde çalışır: varlık otoritesi, üçüncü taraf bahisleri, bilgi grafiği varlığı ve markayla ilgili tutarlı bilgiler.
Yapay zeka arama optimizasyonu, yapay zeka destekli arama yüzeylerinde görünürlüğü artırmayı kapsayan şemsiye terimdir; sayfa düzeyinde AEO ile marka düzeyinde GEO bunun altında yer alır. Sıralanmış bağlantı listeleri yerine birden fazla kaynaktan cevap sentezleyen sistemleri hedefler: AI Overviews, ChatGPT Search, Perplexity, Copilot.
LLM Optimizasyonu (LLMO), büyük dil modellerinin bir içeriği veya markayı anması ya da kaynak göstermesi için yapılan optimizasyonun alternatif adıdır. Pratikte LLMO büyük ölçüde AEO ve GEO ile örtüşür; ayrı bir teknik disiplinden çok pazarlama literatüründe kullanılan bir etikettir.
Cevap motoru, sıralanmış bağlantı listesi yerine sentezlenmiş, doğrudan bir cevap döndüren arama sistemidir. ChatGPT Search, Perplexity, Google AI Overviews ve Bing Copilot gibi cevap motorları uygun sayfaları getirir, pasajları alaka ve güvene göre sıralar, ardından isteğe bağlı atıflarla tek bir yanıt üretir.
Google AI Overviews, uygun sorgularda klasik sonuçların üstünde gösterilen yapay zeka üretimi özetlerdir. Temel kaliteyi karşılayan dizinlenmiş sayfalardan beslenir; çıkarılabilir, iyi yapılandırılmış ve güvenilir pasajları tercih eder. Güçlü SEO temeli ile AEO tarzı schema ve önce-cevap biçimlendirme, hem snippet hem Overview uygunluğunu artırır.
Google AI Mode, Gemini modelinin dizin üzerinde çok adımlı, ajan benzeri araştırma yürüttüğü ve takip sorularını tek bir akışta yanıtladığı diyalog tabanlı arama deneyimidir. AI Mode, net ve olgusal pasajlara ayrıştırabildiği kaynakları tercih eder; bu da varlık netliğini ve yapılandırılmış içeriği klasik aramadan daha kritik hale getirir.
Tıklamasız arama, kullanıcının herhangi bir siteye gitmeden sorgusunun sonuç sayfasında çözüldüğü aramadır; öne çıkan snippet, bilgi paneli veya AI Overview bunu sağlar. Yapay zeka cevapları büyüdükçe tıklamasız oran artar; hedef yalnızca tıklama almaktan, cevapta anılan veya kaynak gösterilen taraf olmaya kayar.
Öne çıkan snippet, Google tarafından organik sonuçların üstünde gösterilen ve sorguyu doğrudan yanıtlayan bir sayfadan çıkarılan vurgulu cevap kutusudur. Snippetlar AEO ile aynı kalıpları ödüllendirir: kısa tanımlar, soru biçimli başlıklar, listeler ve tablolar. Bu pasajlar çoğu zaman AI Overviews tarafından da yeniden kullanılır.
Diyalog tabanlı arama, kullanıcının doğal dille ve birden fazla turda soru sorduğu, sistemin bağlamı koruyarak cevabı rafine ettiği arama biçimidir. Optimizasyon hedefini değiştirir: kısa anahtar kelimelerin yerini uzun ve spesifik sorular alır; takip sorularını önceden karşılayan içerikler (SSS blokları, karşılaştırma bölümleri) daha çok seçilir.
Sesli arama optimizasyonu, içeriği Google Asistan, Siri ve Alexa gibi asistanların sesli okumasına uygun hale getirir. Kısa ve konuşma uzunluğunda cevaplara, soru biçimli başlıklara ve hangi pasajların seslendirmeye uygun olduğunu işaretleyen speakable yapılandırılmış verisine dayanır; AEO uygulamalarının en erken biçimlerinden biridir.
Önce-cevap içerik; bağlam, kanıt ve nüans eklemeden önce doğrudan ve eksiksiz bir cevapla — genellikle ilk 40 ila 60 kelimede — açılan içeriktir. Bu kalıp, cevap motorlarının pasaj çıkarma biçimini yansıtır: kendi başına yeterli bir giriş paragrafı, makale ortasına gömülü bir cevaptan çok daha doğru alıntılanır.
Büyük dil modeli (LLM), devasa metin derlemleri üzerinde eğitilerek dil tahmin eden ve üreten yapay zeka sistemidir. GPT, Gemini, Claude ve Llama gibi LLM modelleri cevap motorlarını ve sohbet asistanlarını çalıştırır. Görünürlük açısından önemli olan, modelin eğitimde hangi kaynakları gördüğü ve canlı olarak hangilerini getirdiğidir.
Getirme destekli üretim (RAG), yapay zeka aramasının arkasındaki temel mimaridir: sistem önce ilgili belge veya pasajları getirir, ardından cevabı bu getirilen materyale dayandırarak üretir. Taranabilirlik, çıkarılabilir yapı ve pasaj düzeyinde netliğin bir sayfanın kaynak gösterilip gösterilmeyeceğini doğrudan belirlemesinin nedeni RAG mimarisidir.
Temellendirme, yapay zeka üretimi bir cevabın yalnızca modelin iç hafızasına değil, doğrulanabilir ve o anda getirilen kaynaklara dayandırılmasıdır. Temellendirilmiş sistemler cevap anında çektikleri belgeleri alıntılar veya kaynak gösterir; bu da halüsinasyonu azaltır. Olguları net, adlandırılmış varlıklar ve tarihlerle ifade eden sayfalar daha kolay temellendirilir.
Yapay zeka atfı, yapay zeka üretimi bir cevabın içinde görünen kaynak referansıdır; iddianın geldiği sayfaya işaret eden bağlantı, dipnot veya adlı atıf biçimini alır. Atıflar yapay zeka arama görünürlüğünün temel para birimidir: kullanıcı tıklamasa bile yönlendirme trafiği, marka görünürlüğü ve güven sağlar.
Yapay zeka halüsinasyonu, bir dil modelinin kendinden emin biçimde ürettiği yanlış ifadedir; uydurulmuş bir olgu, fiyat, özellik veya alıntı olabilir. Asistanlar yanlış iddiaları tekrarladığında halüsinasyonlar markalar için itibar riskine dönüşür. Temel savunma, modellerin getirip temellendirebileceği net, tutarlı ve iyi yapılandırılmış bilgiler yayınlamaktır.
Eğitim verisi, modelin bilgi kesim tarihinden önce öğrendikleridir; canlı getirme ise cevap anında webden çektikleridir. Yapay zeka görünürlüğünün iki saati vardır: eğitim derlemlerindeki uzun vadeli varlık (bahisler, otorite, süreklilik) ve kısa vadeli getirilebilirlik (taranabilir, çıkarılabilir, güncel sayfalar).
Bilgi kesim tarihi, bir dil modelinin eğitim verisinin sona erdiği tarihtir. Bu tarihten sonra yayınlanan her şey, model sayfayı canlı olarak getirmedikçe ona görünmezdir. Zamana duyarlı içeriğin yapay zeka botları tarafından taranabilir olması bu yüzden kritiktir; kesim sonrası cevaplara girmenin tek yolu canlı getirmedir.
Bağlam penceresi, bir dil modelinin tek istekte işleyebileceği, token cinsinden ölçülen azami metin miktarıdır. Getirme sistemleri bu pencereyi bütün siteler yerine en alakalı pasajlarla doldurur; bu nedenle bir sayfanın her bölümü kendi başına anlaşılır olmalıdır, çünkü modeller çoğu zaman tam belgeyi değil parçaları görür.
Gömme vektörü, bir metin parçasının anlamını temsil eden ve yapay zeka modeli tarafından üretilen sayısal vektördür. Arama sistemleri, birebir kelime eşleşmesi olmasa da anlamca benzer pasajları bulmak için gömme vektörlerini karşılaştırır; semantik aramanın mekanizması budur ve anahtar kelime tekrarından çok konuyu net işlemeyi önemli kılar.
Semantik arama, sorguları içerikle birebir anahtar kelime yerine anlam üzerinden eşleştirir; bunu genellikle gömme vektörlerini karşılaştırarak yapar. Bir sayfa, kavramı iyi işliyorsa hiç kullanmadığı ifadeler için bile görünebilir. Bu, optimizasyonu anahtar kelime yoğunluğundan konunun ve varlıklarının eksiksiz, belirsizlikten uzak işlenmesine kaydırır.
Parçalama, getirme sistemlerinin sayfaları dizinlemeden ve sıralamadan önce pasaj boyutunda parçalara bölme sürecidir. Parça sınırları genellikle başlıkları ve paragrafları izler; bu yüzden temiz başlık hiyerarşisi ve kendi başına yeterli bölümler, çıkarılan bir parçanın bağlamından koptuğunda hâlâ anlamlı olup olmadığını ve kaynak gösterilebilirliğini belirler.
Pasaj sıralaması, bir sorguya karşı bütün belgeyi değil sayfanın tek tek bölümlerini puanlar. Cevap motorları yanıtlarını temellendirmek için en yüksek puanlı pasajları seçer. Sayfanın geri kalanı bambaşka bir konuyu hedeflese bile, iyi yapılandırılmış tek bir bölüm kendi başına atıf kazanabilir.
llms.txt, site kök dizinine yerleştirilen ve yapay zeka sistemlerine hangi sayfaların en önemli olduğunu ve sitenin nasıl organize edildiğini anlatan, öneri aşamasındaki düz metin dosyasıdır. Erişimi denetleyen robots.txt dosyasının aksine llms.txt, dil modelleri için öncelikli içeriği derler. Benimsenme henüz erken ama artıyor; dosyayı yayınlamak düşük maliyetli bir hazırlık sinyalidir.
Yapay zeka botları için robots.txt, GPTBot, ClaudeBot ve PerplexityBot gibi yapay zeka tarayıcılarına user-agent kurallarıyla izin verme veya onları engelleme pratiğidir. Engellemek siteyi eğitimden ve canlı getirmeden çıkarır; izin vermek atıfların önünü açar. Her motor kendi user-agent adlarını yayınlar, bu yüzden kurallar bot bazında güncel tutulmalıdır.
GPTBot, OpenAI tarafından model eğitimi için içerik toplamak amacıyla çalıştırılan web tarayıcısıdır; ChatGPT için canlı arama getirmelerini ise ilişkili ajanlar yapar. Site sahipleri GPTBot erişimini robots.txt user-agent kurallarıyla yönetir. GPTBot iznini vermek, içerik koruması ile ChatGPT cevaplarındaki görünürlük arasında stratejik bir tercihtir.
Yapay zeka tarayıcıları, yapay zeka sistemleri için web içeriği çeken botlardır: OpenAI için GPTBot ve OAI-SearchBot, Anthropic için ClaudeBot, Perplexity için PerplexityBot, Gemini eğitimi için Google-Extended. Eğitim tarayıcıları ve canlı getirme botları olarak ikiye ayrılırlar; hangilerinin siteyi gerçekten ve hangi sıklıkla ziyaret ettiğini sunucu logları gösterir.
Yapılandırılmış veri, bir sayfadaki varlıkları ve olguları etiketleyen makine tarafından okunabilir işaretlemedir; en yaygın biçimi Schema.org sözlüğünü kullanan JSON-LD formatıdır. Kimin yazdığını, neyi anlattığını, ne zaman değiştiğini belirtir. Yapılandırılmış veri, arama motorları ve yapay zeka sistemleri için tahmin payını ortadan kaldırır; zengin sonuç uygunluğunu ve doğru atıfları güçlendirir.
JSON-LD (bağlı veri için JavaScript nesne gösterimi), yapılandırılmış veriyi sayfaya gömmek için önerilen formattır: görünür HTML kodundan ayrı bir script bloğu içinde varlıkları ve ilişkilerini tanımlar. Google, yazması, doğrulaması ve bakımı daha kolay olduğu için JSON-LD formatını microdata ve RDFa yerine açıkça tercih eder.
Schema.org; Google, Microsoft, Yahoo ve Yandex tarafından kurulan ve yapılandırılmış veride kullanılan tür ile özellikleri tanımlayan ortak sözlüktür: Article, Person, Organization, FAQPage, Product ve yüzlerce diğer tür. Bir sayfanın, makinelerin güvenebileceği olguları ifade etmek için kullandığı ortak dildir.
@graph yöntemi, bir sayfadaki tüm yapılandırılmış veriyi her varlığın @id taşıdığı ve varlıkların birbirine referans verdiği tek bir JSON-LD bloğunda birleştirir: WebPage yazarına, yazar Organization varlığına bağlanır. Bağlantılı graflar, sayfaya dağılmış izole schema parçalarına göre varlıkları çok daha güvenilir biçimde çözümler.
FAQPage şeması, bir sayfadaki soru-cevap çiftlerini işaretleyen yapılandırılmış veridir. Google, SSS zengin sonuçlarını artık yalnızca dar bir otoriter site kümesine gösterir; ancak işaretleme AEO için değerini korur: cevap motorlarına, kullanıcıların sorgu biçimiyle örtüşen, önceden paketlenmiş ve çıkarılabilir soru-cevap birimleri sunar.
HowTo şeması; adımları, sıralarını, gereken araçları ve tahmini süreyi tanımlayan, adım adım talimatlara özel yapılandırılmış veridir. Google, HowTo zengin sonuçlarını 2023 yılında kaldırdı; yine de bu işaretleme, yapay zeka sistemlerinin süreç içeriğini temiz ve sıralı adımlara ayrıştırmasına yardım eder. Asistanlar nasıl-yapılır sorularını yanıtlarken bu formatı yeniden kullanır.
Speakable işaretlemesi, bir sayfada sesli okumaya en uygun pasajları gösteren yapılandırılmış veridir (SpeakableSpecification): asistanın sesli okuyabileceği kısa ve kendi başına yeterli özetler. Destek sınırlı ve haber odaklıdır; ancak dayattığı disiplin — kısa ve çıkarılabilir bloklar yazmak — her cevap yüzeyine fayda sağlar.
Kanonik URL, kopyalar veya varyantlar bulunduğunda bir sayfanın yetkili sürümü olarak bildirilen tek adrestir. Tutarlı kanonikler sinyalleri tek URL üzerinde toplar; bu, yapay zeka getirmesi için kritiktir çünkü motorlar tek bir adresi kaynak gösterir ve bölünmüş sinyaller, birbirine karşı yarışan daha zayıf pasajlar demektir.
Taranabilirlik, botların bir sayfayı çekip okuyabilme derecesidir: erişilebilir URL, izin veren robots kuralları, hızlı HTML yanıtı ve JavaScript ile işlenmeye muhtaç olmayan içerik. Yapay zeka araması için kapı koşuludur; erişilemeyen bir sayfa getirilemez, temellendirilemez ve kaynak gösterilemez.
Çıkarılabilirlik, bir makinenin sayfadan doğru ve kendi başına yeterli cevapları ne kadar kolay alabildiğidir: net başlıklar, önce-cevap paragraflar, listeler, tablolar ve belirsizlikten uzak varlık referansları. Yüksek çıkarılabilirlik, AEO çalışmasının nihai olarak optimize ettiği sayfa özelliğidir; taranabilir sayfalar getirilir, çıkarılabilir sayfalar alıntılanır.
Varlık; arama ve yapay zeka sistemlerinin, adlandırmak için kullanılan kelimelerden bağımsız olarak takip ettiği, benzersiz biçimde tanımlanabilir şeydir: kişi, marka, ürün, yer veya kavram. Modern sistemlerin üzerinde akıl yürüttüğü birim anahtar kelimeler değil varlıklardır; bir sayfa, netleştirdiği varlıklar üzerinden sıralanır ve kaynak gösterilir.
Varlık SEO, bir sitenin varlıklarını ne kadar net tanımlayıp bağladığını optimize eder: sayfalar arasında tutarlı adlandırma, sabit tanımlayıcılı yapılandırılmış veri, otoriter profillere sameAs bağlantıları ve belirsizlikten uzak açıklamalar. Güçlü varlık sinyalleri, hem Google hem de dil modellerinin olguları doğru markaya veya kişiye atfetmesini sağlar.
Bilgi grafiği, varlıkları ve aralarındaki ilişkileri tutan yapılandırılmış veritabanıdır: kimin neyi kurduğu, hangi ürünün hangi şirkete ait olduğu gibi. En bilineni Google tarafından yönetilir; ancak yapay zeka sistemleri de benzer iç temsiller kurar. Bilgi grafiklerinde yer almak, doğru marka cevaplarını besleyen temel bir GEO hedefidir.
Bilgi paneli, Google tarafından tanınan bir varlık — kişi, marka veya kuruluş — için gösterilen ve Bilgi Grafiğinden beslenen bilgi kutusudur. Panel kazanmak, Google tarafından varlığın güvenle çözümlendiğini doğrular. Paneller yalnızca doğrudan düzenlemeyle değil; yapılandırılmış veri, web genelinde tutarlı bilgiler ve otoriter üçüncü taraf içerikleriyle etkilenir.
sameAs, yapılandırılmış verideki bir varlığı başka yerlerdeki otoriter profillerine bağlayan Schema.org özelliğidir: Wikipedia, Wikidata, LinkedIn, GitHub, resmi sosyal hesaplar. sameAs bağlantıları, varlık çözümlemesi için en düşük maliyetli güçlü sinyaldir; web geneline dağılmış referansların aynı tek şeyi tanımladığını makinelere söyler.
Varlık anlam ayrımı, aynı adı taşıyan şeyleri makinelerin ayırt etmesine yardım etmektir: meyve olan elma ile şirket olan Apple, aynı ismi taşıyan iki kişi gibi. Sayfalar; bağlam, yapılandırılmış veri ve sameAs bağlantılarıyla anlam ayrımı yapar. Belirsiz varlıklar yapay zeka cevaplarında birleştirilir, yanlış atfedilir veya atlanır; anlam ayrımı doğruluğu korur.
Konu otoritesi, bir sitenin konuyu eksiksiz ve tutarlı işleyerek kazandığı itibardır: izole yazılar yerine birbirine bağlı rehberler, tanımlar, araçlar ve cevaplar. Hem arama motorları hem yapay zeka sistemleri derinlik gösteren kaynakları tercih eder; bu yüzden otorite birikir — her yeni içerik, mevcut olanların tümünü güçlendirir.
Semantik HTML; yapısal görünecek şekilde stillenmiş genel kapsayıcılar yerine anlamı tanımlayan öğeler kullanır: article, nav, tablo, başlık seviyeleri. Ayrıştırıcılar ve yapay zeka parçalayıcıları sayfaları doğru bölümlemek için bu öğelere dayanır; bu yüzden semantik işaretleme, içeriğin çıkarma sürecinden ne kadar sadık çıktığını doğrudan iyileştirir.
Konu kümesi, bir ana sayfanın konuyu geniş biçimde ele aldığı, bağlantılı destek sayfalarının her alt konuyu derinlemesine işlediği ve tümünün birbirine bağlandığı içerik mimarisidir. Kümeler konu otoritesini yoğunlaştırır ve yapay zeka sistemlerine gezinilebilir bir uzmanlık haritası sunar; bu sözlük ve bağlı rehberleri bir küme oluşturur.
Bilgi kazancı, bir sayfanın konu hakkında halihazırda var olanın ötesine ne kadar gerçekten yeni bilgi eklediğini ölçer: özgün veri, birinci elden deneyim, yeni analiz. Sistemler tekrarı değil kazancı giderek daha çok ödüllendirir; fikir birliğini yineleyen sayfa binlercesiyle yarışır, yeni bir şey ekleyen sayfa ise başkalarının kaynak gösterdiği adres olur.
E-E-A-T; Deneyim, Uzmanlık, Otorite ve Güvenilirlik kavramlarının kısaltmasıdır — Google kalite yönergelerinde içerik itibarını değerlendirmek için kullanılan çerçevedir. Doğrudan bir sıralama puanı değildir; ancak sistemleri ve değerlendirici eğitimini şekillendirir. Yapay zeka motorları da benzer bir yargıya yaklaşır: kimliği belli yazarlar, yetkinlikler, kaynaklar ve birinci elden deneyim seçilmeyi sağlar.
YMYL (paranız veya hayatınız); sağlığı, finansı, güvenliği veya esenliği ciddi biçimde etkileyebilecek konuları tanımlar: tıbbi tavsiye, hukuki yönlendirme, finansal kararlar. Hem Google hem yapay zeka sistemleri YMYL içeriğine daha katı güven eşikleri uygular; sıralamadan veya kaynak göstermeden önce daha güçlü yazarlık, kaynaklandırma ve doğruluk talep eder.
Yazar işaretlemesi, bir sayfayı kimin yazdığını tanımlayan yapılandırılmış veridir: adı, rolü, yetkinlikleri ve doğrulanabilir profillere sameAs bağlantıları olan bir Person varlığı. Makine tarafından okunabilir yazarlık, anonim bir sayfayı hesap verebilir bir sayfaya dönüştürür; E-E-A-T sinyallerini güçlendirir ve yapay zeka sistemlerine atıf yapılacak adlandırılmış bir kaynak verir.
Marka bahisleri, bir markaya web üzerinde herhangi bir yerde yapılan referanslardır: bağlantılı veya bağlantısız; makalelerde, forumlarda, yorumlarda veya dizinlerde. Dil modelleri marka çağrışımlarını büyük ölçüde eğitim verisindeki bahislerden öğrenir; bu da tutarlı, doğru ve yaygın bahisleri klasik backlink çalışmasının yanında temel bir GEO girdisi yapar.
Dijital PR; özgün araştırma, veri çalışmaları, uzman yorumu ve araçlar gibi haber değeri taşıyan varlıklarla bağımsız yayınlardan içerik, bahis ve bağlantı kazanmaktır. Yapay zeka görünürlüğü için çifte iş görür: üçüncü taraf içerikleri modellerin öğrendiği bahis ayak izini büyütür ve getirme sistemlerinin tarttığı otorite sinyallerini sağlar.
Güncellik sinyalleri bir sayfanın ne kadar güncel olduğunu gösterir: görünür son güncelleme tarihleri, yapılandırılmış verideki dateModified alanı, güncellenmiş bilgiler ve yakın tarihli tarama etkinliği. Cevap motorları zamana duyarlı sorgularda taze kaynakları tercih eder; içerik neredeyse hiç değişmese bile bayat sayfalar atıflarını daha yenilerine kaptırır.
Alıntılanabilirlik, bir pasajı yapay zeka sistemi için alıntılamaya güvenli ve cazip kılan niteliklerin toplamıdır: doğrulanabilir olgular, adlandırılmış kaynaklar, kesin dil, net yazarlık ve düşük belirsizlik. Kendinden emin, lafı dolandırmayan ve spesifik ifadeler kaynak gösterilir; belirsiz pazarlama metni sıralaması ne olursa olsun atlanır.
Yapay zeka görünürlüğü, bir markanın veya sayfanın yapay zeka üretimi cevaplarda ne ölçüde yer aldığıdır: ChatGPT, Perplexity, Gemini ve AI Overviews genelinde kaynak gösterilmek, anılmak veya önerilmek. Sıralamaların aksine resmi konum verisi yoktur; motorlara sistematik sorular sorup kimin göründüğünü kaydederek ölçülür.
Yapay zeka ses payı, sabit bir soru kümesi üzerinden zaman içinde ölçülen ve ilgili yapay zeka cevaplarının yüzde kaçında markanın rakiplere kıyasla yer aldığını gösteren orandır. Sıralama payının yapay zeka aramasındaki karşılığıdır: GEO programlarının ve atıf takip araçlarının birincil rekabet metriğidir.
Atıf takibi, yapay zeka motorlarının bir markayı veya URL adresini ne zaman, nerede ve nasıl kaynak gösterdiğini sistematik izlemektir: hangi soruların atıf tetiklediği, hangi sayfaların alıntılandığı ve cevapların zamanla nasıl değiştiği. Motorlar yanıtları kişiselleştirip çeşitlendirdiği için takip, tek seferlik kontroller yerine tekrarlı örneklemeye dayanır.
Prompt izleme, gerçekçi kullanıcı sorularından oluşan seçilmiş bir kümeyi yapay zeka motorlarına düzenli aralıklarla sorup cevapları kaydetmektir: hangi markalar görünüyor, hangi kaynaklar gösteriliyor, hangi iddialar dile getiriliyor. Ses payı, duygu ve halüsinasyon metriklerinin altındaki veri toplama katmanıdır.
AEO skoru, bir sayfanın cevap motorlarına ne kadar hazır olduğunu özetleyen sezgisel bir 0–100 puanıdır; schema geçerliliğini, başlık yapısını, önce-cevap yazımı, taranabilirliği ve güven sinyallerini tartar. Sayfa içi hazırlığı teşhis eder; herhangi bir platformun resmi metriği değildir ve sıralama ya da atıf garantisi vermez.
Yapay zeka cevaplarında marka duygusu, motorların bir marka sorulduğunda onu hangi tonla tanımladığıdır — olumlu, nötr, olumsuz veya karışık — ve buna eşlik eden somut iddialardır. Eğitim verisi ve getirilen kaynaklar değiştikçe duygu kayar; bu yüzden tek seferlik kontrol yerine atıflarla birlikte zaman içinde izlenir.
Yapay zeka kaynaklı yönlendirme trafiği, yapay zeka yüzeylerinden gelen ziyaretlerdir: ChatGPT, Perplexity, Copilot veya AI Overviews içindeki atıflara tıklayan kullanıcılar. Analitikte yönlendiren alan adları ve UTM kalıplarıyla tespit edilir. Hacmi klasik organik trafikten küçüktür; ancak kullanıcılar cevapla önceden nitelendirilmiş geldiği için dönüşümü yüksektir.
Bu sözlüğü nasıl kullanırsınız — doğrudan yanıtlar.