AEO & LLM Arama Motoru Optimizasyon Denetleyicisi
Web sitenizin veya makalenizin ChatGPT Search, Perplexity AI ve Google AI Overviews için ne kadar optimize olduğunu analiz edin. Bilgi yoğunluğu, doğrudan yanıt formatı ve llms.txt uyumluluğu için 100 üzerinden AEO skoru ve aksiyon planı alın.
AEO (Answer Engine Optimization) ve GEO (Generative Engine Optimization) Kapsamlı Rehberi
Geleneksel SEO, web sitelerinin Google'ın 10 mavi bağlantısı arasında üst sıralarda çıkmasına odaklanıyordu. Bugün ise kullanıcılar aramalarını ChatGPT Search, Perplexity AI ve Google AI Overviews üzerinden yapıyor.AEO (Cevap Motoru Optimizasyonu) ve GEO (Üretici Motor Optimizasyonu); içeriğinizin yapay zeka modelleri tarafından doğrudan kaynak olarak seçilmesini, özetlenmesini ve kullanıcıya verilen yanıtta alıntı (citation) olarak linklenmesini sağlayan yeni nesil arama stratejisidir.
1. Geleneksel SEO vs AEO / GEO Karşılaştırması
Arama motorlarının kuralları kökten değişti. Yapay zeka modellerinin içeriği değerlendirme kriterleri:
| Kriter | Geleneksel SEO | AEO & GEO (Yapay Zeka Araması) |
|---|---|---|
| Hedef Platformlar | Google Web Arama, Bing, Yandex | ChatGPT Search, Perplexity AI, Google AI Overviews, Claude |
| Kullanıcı Davranışı | Anahtar kelime yazar, siteleri tek tek tıklar | Doğal dilde soru sorar, doğrudan özet ve sentezlenmiş yanıt bekler |
| Metin Yapısı | Uzun girişler, anahtar kelime tekrarı, dolaylı anlatım | İlk 50 kelimede net yanıt, maddeli özetler, yüksek bilgi yoğunluğu |
| Teknik Standartlar | Meta title, meta description, H1-H3 başlıkları | JSON-LD (FAQPage/TechArticle), llms.txt, semantik HTML5 |
| Başarı Ölçütü | SERP Sıralaması (1-10. sıra) ve Organik Tıklama | Alıntılanma Oranı (Citation Rate), Kaynak Bağlantısı Tıklaması |
2. Yapay Zekada Alıntılanma İçin 5 Altın İçerik Kuralı
LLM'lerin Retrieval-Augmented Generation (RAG) süreçlerinde sayfanızı birincil kaynak seçmesini sağlayan yazım taktikleri:
Her başlığın hemen altındaki ilk 1-2 cümlede dolandırmadan doğrudan tanımı verin. Örneğin: "X nedir?" sorusunun altına "X, günümüzde çok popüler olan..." yazmak yerine "X, Y işlemini Z sürede gerçekleştiren açık kaynaklı bir kütüphanedir." şeklinde kesin tanım yazın.
Yapay zeka modelleri muğlak ifadeler yerine somut yüzdeleri, milisaniye cinsinden gecikmeleri ve kıyaslama verilerini alıntılamayı tercih eder. Tablolar ve maddeli listeler RAG chunking algoritmaları için idealdir.
Sayfanızdaki soru ve cevapları application/ld+json formatında işaretleyin. Perplexity ve ChatGPT Search, HTML ayrıştırmadan doğrudan JSON-LD verilerini alıp sentezler.
3. Modern Web Standardı: /llms.txt ve /llms-full.txt
Tıpkı arama motorları için sitemap.xml olduğu gibi, yapay zeka ajanları için de web sitenizin kök dizininde bir llms.txt dosyası bulundurmak AEO uyumluluğunu zirveye taşır:
# llms.txt Örneği
# Web Sitenizin Adı ve Misyonu
> Sitenizin kısa ve öz tanımı (1-2 cümle)
## Temel Dokümantasyon ve İçerikler
- [Next.js 15 Performans Kılavuzu](https://ismailhakkieren.com/blog/nextjs-15-performans): Core Web Vitals optimizasyon reçeteleri.
- [JSON-LD Şema Rehberi](https://ismailhakkieren.com/plugins/json-ld-schema-generator): AEO ve Rich Snippets oluşturma aracı.
## İsteğe Bağlı
- [Tam Metin Dökümü](https://ismailhakkieren.com/llms-full.txt): Tüm yazıların birleşik Markdown formatı.Sıkça Sorulan Sorular (SSS)
AEO skoru neye göre hesaplanır?
Bu denetleyici; sayfanızın JSON-LD şemalarını, ilk 50 kelimedeki yanıt netliğini, soru odaklı H2/H3 başlık hiyerarşisini, tablo ve liste yoğunluğunu ve llms.txt varlığını analiz ederek 100 üzerinden kapsamlı bir AEO puanı üretir.
Google AI Overviews organik trafiğimi düşürür mü?
Genel ve yüzeysel bilgiler içeren siteler için "sıfır tıklama (zero-click)" riski taşır. Ancak AEO kriterlerine uygun, derinlemesine uzmanlık (E-E-A-T) sunan ve doğrudan yapay zekanın referans kartlarında alıntılanan siteler son derece nitelikli hedef kitle trafiği kazanır.
ai.txt ve robots.txt arasındaki fark nedir?
robots.txt hangi botların sayfayı tarayacağını (crawl) kısıtlar. ai.txt ve llms.txt ise taranan verilerin yapay zeka modelleri tarafından nasıl yorumlanacağını ve bağlamsal içeriğin en verimli şekilde modele nasıl besleneceğini tanımlar.