AI Search Nedir? Geleneksel Aramadan Ne Değişiyor?

AI Search, yalnızca bir dil modelinin kullanıcıya cevap vermesi değildir.

Bir sistemin akıcı metin üretmesi, güncel web kaynaklarını aradığı, ilgili belgeleri getirdiği veya verdiği iddiaları güvenilir kaynaklarla desteklediği anlamına gelmez. Genel amaçlı bir LLM, yalnızca modelin eğitim sürecinde öğrendiği örüntüler üzerinden de cevap üretebilir.

AI Search ise arama ve üretim katmanlarını bir araya getirir. Kullanıcının sorgusunu anlamaya çalışır, gerektiğinde sorguyu alt araştırmalara ayırır, bir search index veya başka veri kaynaklarından bilgi getirir, elde edilen kanıtları değerlendirir, bir yanıt üretir ve kullanıcıyı ilgili kaynaklara bağlar.

AI Search, arama motorunun yerine geçirilmiş bir chatbot değildir. Retrieval, ranking, generation, grounding, citations ve follow-up interaction katmanlarının birlikte çalıştığı bir arama sistemidir.

Bu yüzden AI Search ile geleneksel arama arasındaki farkı yalnız “on mavi bağlantı yerine tek cevap gösteriliyor” şeklinde açıklamak eksik kalır. Değişen yalnız sonuç sayfasının görünümü değil; sorgunun işlenme, kaynakların seçilme, bilginin sunulma ve arama yolculuğunun devam etme biçimidir.

AI Search nedir?

AI Search, kullanıcı sorgusuna yanıt üretirken arama teknolojileri ile üretken yapay zekâyı birlikte kullanan sistem ve deneyimlerin genel adıdır.

Tek bir evrensel AI Search mimarisi yoktur. Google AI Overviews ve AI Mode, Microsoft Copilot Search, ChatGPT Search ve başka ürünler farklı indeksler, modeller, sıralama sistemleri, veri sağlayıcıları ve arayüzler kullanabilir.

Bununla birlikte genel çalışma modeli şu katmanlardan oluşabilir:

1. Kullanıcının sorgusu veya görevi alınır.
2. Sorgunun anlamı, kapsamı ve olası alt ihtiyaçları değerlendirilir.
3. Gerekli olduğunda birden fazla arama veya alt sorgu oluşturulur.
4. Search index, web, ürün verisi, veri tabanı, API veya bağlı kaynaklardan sonuçlar getirilir.
5. Belgeler, sayfalar veya pasajlar alaka ve kalite açısından seçilir.
6. Model, getirilen kaynaklara dayanarak bir yanıt oluşturur.
7. Destekleyici bağlantılar veya citations kullanıcıya sunulur.
8. Kullanıcının takip sorusu yeni bir retrieval ve generation döngüsü başlatabilir.

Google, AI Overviews ve AI Mode’un temel Search sistemlerinden getirilen güncel web sayfalarını kullanarak retrieval-augmented generation uygulayabildiğini açıklıyor. Aynı sistemler, tek bir kullanıcı sorgusu için birden fazla ilişkili arama çalıştıran query fan-out tekniğini de kullanabiliyor.^[3][4]

OpenAI ise ChatGPT Search’ün güncel web bilgilerini kaynak bağlantılarıyla cevaplara taşıdığını ve kullanıcının konuşma bağlamını koruyarak takip soruları sorabildiğini belirtiyor.^[5]

Bu ürünler aynı değildir. Fakat hepsi arama deneyiminin yalnız bir belge listesi sunmaktan çıkarak araştırma, sentez ve etkileşim katmanlarını içerebildiğini gösterir.

AI Search ile LLM aynı şey midir?

Hayır.

LLM, dili işlemek ve üretmek için kullanılan modeldir. AI Search ise bu modeli bir bilgi erişim sistemi içinde kullanabilir.

Sistem	Temel kaynak	Tipik çıktı	Güncellik
Retrieval kullanmayan LLM	Model parametrelerinde öğrenilmiş örüntüler	Üretilmiş cevap	Eğitim ve güncelleme sınırlarına bağlı
Geleneksel web araması	Search index ve sıralama sistemleri	Sıralanmış sonuçlar ve SERP özellikleri	İndeksin güncelliğine bağlı
AI Search	Search index, web veya başka güncel kaynaklar ile üretken model	Sentezlenmiş cevap, bağlantılar ve takip yolları	Retrieval yapılan kaynakların güncelliğine bağlı
Agentic/deep research sistemi	Birden fazla arama, araç ve veri kaynağı	Çok aşamalı araştırma veya tamamlanmış görev	Araştırma sırasında kullanılan kaynaklara bağlı

Bu ayrım önemlidir. Bir chatbotun verdiği her cevap AI Search sonucu değildir. Benzer şekilde AI Search sonucu da yalnız modelin hafızasından üretilmiş bir metin değildir.

Search index ile modelin eğitim verisi de aynı şey değildir. Search index, arama sırasında erişilebilen ve güncellenebilen belge alanıdır. Model parametreleri ise eğitim sürecinde öğrenilen dilsel ve kavramsal örüntüleri taşır. Retrieval, modelin cevap sırasında harici ve daha güncel kanıtlara erişmesini sağlar.

Geleneksel arama nasıl çalışır?

Geleneksel web araması da yalnız kullanıcının yazdığı kelimeleri sayfalarda eşleştiren basit bir sistem değildir.

Basitleştirilmiş akış şöyledir:

Web sayfaları
      ↓
Crawling
      ↓
Indexing
      ↓
Search Index
      ↓
Kullanıcı sorgusu
      ↓
Query understanding
      ↓
Retrieval ve ranking
      ↓
SERP
      ↓
Kullanıcı tıklaması

Google, Search sürecini crawling, indexing ve serving search results aşamalarıyla açıklar. İndeksleme sırasında sayfanın içeriği ve temel sinyalleri işlenir; arama sırasında ise sorguyla ilgili sonuçlar seçilip kullanıcıya sunulur.^[1]

Geleneksel arama uzun süredir yapay zekâ teknikleri de kullanır. Google’ın açıkladığı BERT, neural matching ve RankBrain gibi sistemler sorguların, kavramların ve sayfaların daha iyi anlaşılmasına yardımcı olur.^[2]

AI Search öncesindeki arama “AI içermeyen arama” değildir. Yeni olan, üretken modelin retrieval ve ranking hattının üzerine cevap sentezi ve konuşmalı etkileşim katmanı eklemesidir.

Geleneksel SERP de yalnız organik mavi bağlantılardan oluşmaz. Featured snippets, knowledge panels, görseller, videolar, ürün sonuçları, haritalar ve başka zengin sonuçlar uzun süredir cevabın bir bölümünü sonuç sayfasında sunar.

Bu nedenle AI Search bir gecede doğmuş tamamen ayrı bir sistem değil; arama motorlarının query understanding, retrieval, ranking ve doğrudan cevap üretme yönündeki gelişiminin yeni aşamasıdır.

Crawling, indexing, retrieval ve ranking arasındaki fark, bu temel hattın hangi aşamalarında ne olduğunu daha ayrıntılı açıklar.

AI Search nasıl çalışır?

AI Search ürünlerinin tam mimarileri sağlayıcıya göre değişir ve her ayrıntı kamuya açık değildir. Ancak genel sistemi aşağıdaki gibi düşünebiliriz:

Kullanıcı görevi
      ↓
Query understanding ve planning
      ↓
Tek sorgu veya query fan-out
      ↓
Search index / web / API / veri kaynağı
      ↓
Retrieval ve kaynak seçimi
      ↓
Pasajlar, ürünler veya veri noktaları
      ↓
Grounded generation
      ↓
Citations ve destekleyici bağlantılar
      ↓
Takip sorusu veya aksiyon

Bu akışın her sorguda bütün aşamaları aynı biçimde çalışmak zorunda değildir.

• Basit ve zamandan bağımsız bir soru yalnız model bilgisiyle cevaplanabilir.
• Güncel bilgi isteyen bir soru doğrudan web aramasını tetikleyebilir.
• Karmaşık karşılaştırma sorgusu birden fazla alt aramaya ayrılabilir.
• Ürün sorgusu web sayfalarının yanında ürün feed’leri veya ticari veri kaynaklarını kullanabilir.
• Yerel sorgu harita, işletme ve konum verilerini gerektirebilir.
• Takip sorusu, önceki konuşmanın bağlamını koruyarak yeni kaynaklar getirebilir.

Dolayısıyla AI Search’i tek bir ranking algoritması gibi düşünmek yanlıştır. Kullanıcı görevinin yorumlanmasından yanıtın oluşturulmasına kadar birden fazla retrieval, selection ve generation kararı vardır.

Query fan-out nedir?

Query fan-out, kullanıcının tek bir sorgusunun birden fazla ilişkili alt aramaya dönüştürülmesidir.

Örneğin kullanıcı şöyle bir soru sorabilir:

Ev kullanımı için 18V kömürsüz matkap almalı mıyım?
Bosch ve Makita arasında ne fark var?

Sistem bu görevi cevaplamak için şu alt ihtiyaçları araştırabilir:

• 18V matkap hangi kullanım alanları için yeterlidir?
• Kömürlü ve kömürsüz motor arasındaki fark nedir?
• Bosch 18V kömürsüz matkap modelleri hangileridir?
• Makita’nın aynı sınıftaki modelleri hangileridir?
• Modellerin tork, akü, ağırlık ve fiyat farkları nelerdir?
• Ev kullanıcısı için hangi özellikler gerçekten gereklidir?

Klasik aramada kullanıcı bu sorguların birkaçını ayrı ayrı yazıp sonuçları kendisi birleştirebilirdi. AI Search, bu araştırmanın bir bölümünü sistem içinde yaparak sentezlenmiş bir cevap oluşturabilir.

Google, AI Overviews ve AI Mode’un bir sorguyla ilişkili alt konular ve veri kaynakları üzerinde birden fazla arama çalıştırabildiğini açıkça belirtir.^[3]

SEO açısından önemli sonuç şudur:

Bir kullanıcı prompt’u tek bir hedef anahtar kelimeye değil, birden fazla information need ve grounding query’ye açılabilir.

Bu durum anahtar kelime araştırmasını geçersiz kılmaz. Fakat yalnız görünür ana sorguya bakmanın eksik olduğunu gösterir. Markanın, konunun farklı alt ihtiyaçlarında retrieve edilebilecek doğru sayfa ve veri katmanlarına sahip olması gerekir.

Information need ile query arasındaki fark, query fan-out’un neden yalnız yeni anahtar kelimeler üretmek olmadığını anlamak için temel çerçeveyi sağlar.

Retrieval ve generation aynı şey midir?

Hayır.

Retrieval, sorgu veya alt sorguyla ilgili belge, sayfa, pasaj, ürün ya da veri noktalarının bulunmasıdır.

Generation, modelin mevcut bağlam ve getirilen kanıtlar üzerinden kullanıcıya yönelik cevap oluşturmasıdır.

Bu iki katman arasında kaynak seçimi, yeniden sıralama, pasaj çıkarımı, tekrarların azaltılması ve güvenlik kontrolleri gibi başka işlemler de bulunabilir.

Katman	Temel soru	Olası çıktı
Query understanding	Kullanıcı ne yapmak istiyor?	Yorumlanmış görev veya alt ihtiyaçlar
Retrieval	Hangi kaynaklar ilgili olabilir?	Aday sayfalar, pasajlar veya veri
Ranking / selection	Hangi adaylar daha yararlı ve güvenilir?	Seçilmiş ve sıralanmış kanıtlar
Generation	Kanıtlardan nasıl bir cevap oluşturulmalı?	Sentezlenmiş yanıt
Citation	Kullanıcı hangi kaynağa gidebilir?	Kaynak bağlantısı veya referans

İyi retrieval kötü bir cevabı tamamen engellemez. Benzer şekilde güçlü bir dil modeli, yanlış veya eksik kaynaklar getirildiğinde güvenilir sonuç üretmeyi garanti etmez.

AI Search kalitesi bu nedenle yalnız model kalitesiyle ölçülemez. İndeks kapsamı, güncellik, kaynak kalitesi, retrieval doğruluğu, bağlam seçimi, generation ve citation doğruluğu birlikte değerlendirilmelidir.

Grounding ve RAG ne anlama gelir?

Grounding, üretilen cevabın harici kanıtlara veya veri kaynaklarına dayandırılmasıdır. Retrieval-augmented generation, yani RAG, modelin cevap üretmeden önce veya üretim sırasında ilgili bilgileri dış kaynaklardan getirmesini sağlayan genel yaklaşımdır.

Basitleştirilmiş model şöyledir:

Kullanıcı sorusu
      ↓
İlgili kaynakları getir
      ↓
Kaynaklardan gerekli bağlamı seç
      ↓
Bu bağlama dayanarak cevap üret

Google, generative AI özelliklerinin temel Search ranking ve kalite sistemleri üzerinden güncel web sayfalarını retrieve ederek RAG kullandığını belirtir.^[4]

Grounding, halüsinasyon riskini azaltmaya ve güncel bilgi sağlamaya yardımcı olabilir. Fakat hatayı tamamen ortadan kaldırmaz.

• Yanlış kaynak getirilebilir.
• Doğru kaynak yanlış yorumlanabilir.
• Kaynağın yalnız belirli bir bölümü kullanılabilir.
• Birden fazla kaynaktaki çelişkiler hatalı birleştirilebilir.
• Yanıttaki bazı ifadeler kaynak tarafından doğrudan desteklenmeyebilir.

Bu nedenle kaynak gösteren bir AI cevabı otomatik olarak doğru kabul edilmemelidir. Citation, doğrulamayı mümkün kılan bir izdir; doğruluğun kendisi değildir.

Citations AI Search’te ne yapar?

Citations, sentezlenmiş cevabın dayandığı veya kullanıcıya daha fazla bilgi sağlayabilecek kaynaklara açılan bağlantılardır.

Geleneksel aramada web sayfası çoğunlukla doğrudan sonuç olarak gösterilir. AI Search’te ise sayfa farklı rollerde bulunabilir:

• cevabın belirli bir iddiasını destekleyen kaynak,
• karşılaştırmaya veri sağlayan ürün veya kategori sayfası,
• daha ayrıntılı okuma için önerilen bağlantı,
• doğrudan alıntılanmayan fakat retrieval sırasında kullanılan aday kaynak,
• kullanıcının sonraki aksiyonunu tamamlayacağı ticari sayfa.

ChatGPT Search cevaplarda web kaynaklarına bağlantılar sunabilir ve kullanıcı kaynak panelinden ilgili sayfaları inceleyebilir.^[5][6] Microsoft da Copilot Search’ün generative cevap içinde ve çevresinde kaynak bağlantıları gösterdiğini açıklar.^[7]

Citation ile klasik ranking aynı ölçüm değildir.

• Kaynağın citation alması, klasik SERP’te birinci sırada olduğu anlamına gelmez.
• Citation görünmesi, kullanıcının bağlantıya tıkladığını göstermez.
• Tıklama alınması, kullanıcının dönüşüm gerçekleştirdiğini kanıtlamaz.
• Bir URL’nin çok cite edilmesi, bütün sorgu ailesinin owner’ı olduğu anlamına gelmez.

Google’ın query fan-out açıklamasından çıkarılabilecek makul sonuç, bir AI cevabında kullanılan kaynak kümesinin kullanıcının yazdığı ana sorgunun klasik SERP’iyle birebir aynı olmak zorunda olmadığıdır. Çünkü sistem cevap oluştururken görünür sorgunun yanında başka alt sorgular da çalıştırabilir. Bu bir sistem davranışı çıkarımıdır; her ürün ve her sorgu için sabit kural değildir.

Takip soruları arama yolculuğunu nasıl değiştirir?

Geleneksel aramada kullanıcı genellikle yeni ihtiyacını yeni bir sorguyla ifade eder. AI Search arayüzünde ise kullanıcı aynı konuşma içinde devam edebilir:

İlk soru:
18V kömürsüz matkap ne işe yarar?

Takip sorusu:
Peki ev kullanımı için fazla mı?

Sonraki soru:
5.000 TL altında iki model karşılaştır.

Sonraki aksiyon:
İkinci modelin yedek aküsü kolay bulunuyor mu?

Burada her soru önceki konuşmanın bağlamına dayanır. Kullanıcı marka, ürün türü ve bütçe bilgisini tekrar yazmak zorunda kalmaz.

OpenAI, ChatGPT Search’ün takip sorularında konuşmanın tam bağlamını kullanabildiğini belirtiyor.^[5] Google ise AI Mode’u daha önce birden fazla arama gerektirebilecek keşif ve karmaşık karşılaştırma görevleri için konumlandırıyor.^[3]

Bu değişim kullanıcı yolculuğunu tekil sorgulardan oluşan doğrusal bir akış olmaktan çıkarabilir:

Geleneksel model

Sorgu → SERP → Tıklama → Sayfa

AI Search modeli

Görev → Araştırma → Sentez → Kaynak → Takip sorusu
                  ↘ Yeni retrieval ↗
                  ↘ Aksiyon / tıklama

Bu nedenle AI Search optimizasyonu yalnız ilk sorguda görünmeyi değil, karar sürecinin farklı aşamalarında kullanılabilecek bilgi ve sayfa rollerine sahip olmayı gerektirir.

AI Search geleneksel aramadan neyi değiştiriyor?

Boyut	Geleneksel arama	AI Search
Temel giriş	Kısa veya açık sorgu	Doğal dilde soru, görev veya kısıtlar
Sorgu işleme	Query understanding, retrieval ve ranking	Query understanding, planning, olası fan-out, retrieval ve generation
Ana çıktı	Sıralanmış sonuç sayfası	Sentezlenmiş cevap ve destekleyici bağlantılar
Kullanıcı görevi	Kaynakları açıp cevabı birleştirmek	Cevabı incelemek, doğrulamak ve gerektiğinde kaynağa gitmek
Arama adedi	Kullanıcı birden fazla sorguyu kendisi yapabilir	Sistem bir görev için birden fazla alt arama yapabilir
Etkileşim	Yeni sorgular çoğunlukla ayrı aramalardır	Takip soruları önceki bağlamı koruyabilir
Web sayfasının rolü	Sıralanan landing page	Landing page, kanıt, citation veya aksiyon noktası
Temel ölçüm	Impression, position, click, CTR	Eligibility, citation, referral, engagement ve conversion

Bu tablo iki sistemin tamamen ayrı olduğunu söylemez. AI Search çoğu durumda klasik aramanın indeks, retrieval, ranking, kalite ve spam kontrol katmanlarına dayanır.

AI Search SEO’yu ortadan kaldırır mı?

Hayır.

AI Search sisteminin web’den güncel kaynak getirebilmesi için sayfanın keşfedilmesi, taranması, işlenmesi ve retrieval sırasında ilgili bulunması gerekir. Bunlar SEO’nun temel çalışma alanlarıdır.

Google, AI Overviews veya AI Mode’da destekleyici bağlantı olarak gösterilebilmek için sayfanın indekslenmiş ve klasik Google Search’te snippet ile gösterilmeye uygun olması gerektiğini belirtiyor. Ayrı bir AI dosyası, özel schema türü veya ek teknik gereksinim bulunmadığını da açıkça söylüyor.^[3]

Geçerliliğini koruyan temel işler şunlardır:

• sayfaların taranabilir ve indekslenebilir olması,
• site mimarisi ve internal linking ile önemli owner sayfaların bulunabilmesi,
• sayfa rolünün ve ana konunun açık olması,
• önemli bilgilerin görünür metin içinde bulunması,
• structured data ile görünür içeriğin uyuşması,
• ürün, işletme ve başka operasyonel verilerin güncel tutulması,
• özgün deneyim, analiz, veri ve kanıt sunulması,
• kopya, düşük değerli ve belirsiz sayfa kümelerinin kontrol edilmesi.

Değişen şey SEO’nun ortadan kalkması değil, görünürlüğün kapsamıdır.

Klasik SEO’da temel soru “hangi URL hangi sorguda sıralanıyor?” iken AI Search’te buna “hangi bilgi parçası hangi alt ihtiyatta retrieve ediliyor, nasıl cite ediliyor ve hangi aksiyona katkı sağlıyor?” soruları eklenir.

Google’ın kendi yaklaşımında generative AI görünürlüğü hâlâ Search deneyiminin ve dolayısıyla SEO’nun parçasıdır. Google ayrıca yapay zekâ sistemleri için ayrı bir optimizasyon etiketi kullanılsa bile temel işin Search için faydalı içerik ve erişilebilir sayfalar üretmek olduğunu belirtir.^[4]

AI Search için içerik nasıl düşünülmeli?

AI Search için içerik hazırlamak, mevcut metinleri kısa paragraflara bölüp daha fazla soru başlığı eklemek değildir.

Asıl hedef, kullanıcının karar sürecindeki bilgi ihtiyaçlarını açık, doğrulanabilir ve tekrar kullanılabilir biçimde karşılamaktır.

Güçlü içerik şu özellikleri taşıyabilir:

• konuyu açık biçimde tanımlar,
• benzer kavramlar arasındaki farkı gösterir,
• iddiaları kaynak, veri veya gerçek deneyimle destekler,
• karar kriterlerini tablo ve sınıflandırmalarla açıklar,
• önemli varlık, ürün ve kavramları tutarlı adlandırır,
• güncelliğe bağlı bilgileri düzenli olarak yeniler,
• başka sayfalardan kopyalanamayacak özgün gözlem ve uygulama örneği sunar,
• bilgi ihtiyacını doğru commercial veya informational owner sayfaya bağlar.

Google’ın generative AI Search rehberi de mevcut web bilgisini yeniden paketleyen commodity içerik yerine özgün bakış açısı, birinci el deneyim ve kullanıcı açısından gerçek değer sunan içeriklerin önemini vurgular.^[4]

Burada amaç “LLM kolay okusun” diye yalnız makineye yönelik içerik üretmek değildir. Açık yapı, doğru terminoloji, kanıt ve tablolar kullanıcı için de değerlidir.

AI Search e-ticaret aramalarını nasıl etkileyebilir?

E-ticaret aramalarında kullanıcı görevi yalnız ürün bulmak olmayabilir. Kullanıcı aynı konuşma içinde ihtiyacını tanımlayabilir, alternatifleri karşılaştırabilir, bütçe belirleyebilir ve belirli ürünün stok veya uyumluluk bilgisini sorabilir.

Örnek akış:

Hangi matkap türü bana uygun?
      ↓
18V ve 12V arasındaki fark ne?
      ↓
Kömürsüz modelleri karşılaştır
      ↓
5.000 TL altındakileri göster
      ↓
Bu ürünün yedek aküsü var mı?
      ↓
Satın alma

Bu yolculukta farklı sayfa ve veri türleri görev alır:

İhtiyaç	Olası kaynak
Ürün türünü anlamak	Teknik rehber
Ürün sınıflarını karşılaştırmak	Karşılaştırma içeriği
Uygun ürün kümesini görmek	Kategori veya seçilmiş PLP
Belirli ürünü değerlendirmek	Ürün sayfası
Fiyat ve stok doğrulamak	Sayfa, structured data ve ürün feed’i
Satın almak	Ürün sayfası ve checkout

Bu nedenle AI Search görünürlüğü yalnız blog içeriği üretme işi değildir. Kategori ownership’i, ürün verisi, varyant ilişkileri, teknik özellikler, fiyat, stok ve Merchant Center gibi ticari veri katmanları da sistemin parçasıdır.

E-ticaret SEO’nun çalışma modeli, sayfa mimarisi ile ürün verisinin neden birlikte yönetilmesi gerektiğini ayrıntılı ele alır.

AI Search görünürlüğü nasıl ölçülür?

AI Search ölçümü yalnız referral trafiğine bakılarak yapılamaz.

Dört ayrı katman düşünmek daha sağlıklıdır:

Katman	Temel soru	Örnek ölçüm
Eligibility	Sayfa sistem tarafından kullanılmaya teknik olarak uygun mu?	Crawl, index, snippet ve robots kontrolleri
Appearance	Marka veya URL cevaplarda görünüyor mu?	Citation, mention, cited page ve grounding query
Traffic	Görünürlük site ziyaretine dönüşüyor mu?	Referral session, landing page ve click
Business outcome	Ziyaret gerçek sonuç üretiyor mu?	Lead, satış, gelir, assisted conversion ve engagement

Bu katmanların sayıları birebir eşleşmez. Bir sayfa cite edilebilir fakat tıklama almayabilir. Bir marka adı cevapta geçebilir fakat kaynak bağlantısı gösterilmeyebilir. Az sayıdaki tıklama ise yüksek niyetli kullanıcılar getirebilir.

Google, AI Overviews ve AI Mode performansının Search Console’da ayrı bir AI filtresi yerine Web arama türünün toplam verileri içinde raporlandığını belirtiyor.^[3] Bu nedenle yalnız Search Console üzerinden AI görünürlüğünü klasik sonuçlardan eksiksiz biçimde ayırmak mümkün değildir.

Microsoft, 2026’da Bing Webmaster Tools içinde AI Performance raporunu public preview olarak duyurdu. Bu rapor total citations, cited pages ve örnek grounding queries gibi metrikler sunuyor; ancak citation sayısının ranking, otorite veya cevaptaki konumu göstermediğini özellikle belirtiyor.^[8]

Sağlıklı ölçüm modeli bu nedenle birden fazla kaynağı birleştirir:

• Search Console ile klasik Search görünürlüğü,
• mevcut olduğunda platformların citation raporları,
• analytics ile AI referral ve landing page davranışı,
• seçilmiş görev ve prompt kümelerinde kontrollü görünürlük gözlemi,
• CRM veya e-ticaret verisiyle lead ve gelir sonucu.

Burada prompt tracking sonuçları kesin ranking raporu gibi sunulmamalıdır. Cevaplar modele, konuma, zamana, kişiselleştirmeye, arayüze ve aynı sorgunun farklı çalıştırmalarına göre değişebilir.

AI Search hakkında yaygın yanlışlar

• “AI Search yalnız LLM cevabıdır.” Retrieval, kaynak seçimi ve güncel veri katmanı gözden kaçırılır.
• “Geleneksel arama AI kullanmıyordu.” Arama sistemleri uzun süredir query understanding ve ranking için AI tekniklerinden yararlanıyor.
• “Anahtar kelimeler öldü.” Sorgular ve kavramlar retrieval için hâlâ gereklidir; yalnız tekil keyword eşleştirmesi yetersizdir.
• “Ranking artık yok.” Kaynak, belge ve pasaj seçimi hâlâ sıralama ve seçim kararları gerektirir.
• “Her sorgu AI cevabı üretir.” Ürünler sorguya ve güven düzeyine göre klasik sonuç veya AI özelliği gösterebilir.
• “Özel AI schema eklemek gerekir.” Google, AI Overviews ve AI Mode için ayrı bir schema gerekmediğini açıklar.
• “llms.txt olmadan görünemezsiniz.” Google Search kendi AI özellikleri için ayrı bir AI dosyası gerekmediğini belirtir.
• “Citation trafik demektir.” Kaynak olarak görünmek, tıklama veya dönüşüm garantisi değildir.
• “AI için ayrı içerik, kullanıcı için ayrı içerik yazılmalı.” Bu yaklaşım içerik kalitesini ve tutarlılığı bozabilir.
• “Daha çok içerik daha çok citation getirir.” Tekrarlanan commodity içerik, gerçek bilgi kazancı sağlamaz.

AI Search için nasıl bir sistem kurulmalı?

AI Search çalışması ayrı birkaç optimizasyon maddesi yerine mevcut Search ve içerik sisteminin genişletilmesi olarak ele alınmalıdır.

Information need
      ↓
Olası query ve fan-out ihtiyaçları
      ↓
Doğru page ownership
      ↓
Crawl ve index uygunluğu
      ↓
Retrieval için açık içerik ve veri
      ↓
Kaynak veya citation görünürlüğü
      ↓
Referral ve kullanıcı davranışı
      ↓
Lead, satış veya başka iş sonucu

Uygulama sırası şöyle kurulabilir:

1. Kritik kullanıcı görevlerini belirle: İnsanların yalnız hangi kelimeleri yazdığını değil, ne öğrenmek veya yapmak istediğini tanımla.
2. Page ownership’i kur: Her bilgi, kategori, ürün ve ticari ihtiyacın birincil owner sayfasını belirle.
3. Teknik erişimi doğrula: Önemli sayfaların taranabilir, indekslenebilir ve snippet ile gösterilebilir olduğundan emin ol.
4. Bilgi ve veri katmanını geliştir: Tanım, karşılaştırma, özellik, fiyat, stok ve kanıtları görünür ve tutarlı sun.
5. İç bağlantıları kur: Rehber, kategori, ürün ve dönüşüm sayfaları arasındaki gerçek ilişkileri göster.
6. Özgün katkı üret: Birinci el deneyim, gerçek veri, vaka analizi, test veya uzman değerlendirmesi ekle.
7. Görünürlük ile sonucu ayır: Citation, trafik, etkileşim ve dönüşümü farklı katmanlar olarak ölç.
8. Değişimi izle: Ürünlerin raporlama ve kaynak kullanım biçimleri değiştikçe yöntemleri yeniden doğrula.

Bu modelde AI Search, SEO’nun üzerine sonradan eklenen ayrı bir kutu değildir. Search Systems, içerik mimarisi, structured data, ürün verisi, measurement ve conversion katmanlarının kesişimidir.

AI Search geleneksel aramanın yerine mi geçiyor?

AI Search bazı sorgularda kullanıcının araştırma biçimini ciddi ölçüde değiştiriyor. Özellikle açıklama, keşif, karşılaştırma ve çok adımlı karar görevlerinde tek bir sentezlenmiş cevap, daha önce yapılması gereken birkaç aramanın yerini alabilir.

Fakat bu, klasik aramanın bütün işlevlerinin ortadan kalktığı anlamına gelmez.

• Kullanıcılar hâlâ belirli site ve sayfalara gitmek ister.
• Ürün satın almak, rezervasyon yapmak veya form doldurmak için landing page gerekir.
• Kaynağı doğrulamak isteyen kullanıcı web sayfasına geçer.
• Görsel, harita, haber, video ve alışveriş gibi yüzeyler farklı görevleri karşılar.
• AI Search’ün kullandığı güncel web bilgisi büyük ölçüde crawling, indexing ve retrieval altyapısına dayanır.

Daha doğru ifade şudur:

AI Search geleneksel aramayı basitçe silmiyor; arama indeksinin ve ranking sistemlerinin üzerine araştırma, sentez, citation ve konuşmalı etkileşim katmanları ekliyor.

AI Search nedir sorusunun kısa cevabı

AI Search; kullanıcının sorgusunu veya görevini anlayan, gerektiğinde bunu alt aramalara ayıran, search index ve başka güncel veri kaynaklarından ilgili bilgileri retrieve eden, seçilen kanıtlardan üretken bir cevap oluşturan, kaynak bağlantıları sunabilen ve takip sorularıyla arama sürecini sürdürebilen sistemdir.

Geleneksel aramadan temel farkı yalnız sonuçların görünümü değildir. Kullanıcıya sunulan temel çıktı, sıralanmış belge listesinden sentezlenmiş ve etkileşimli bir cevaba doğru genişler.

Ancak temel Search gereksinimleri ortadan kalkmaz. Bir içeriğin AI Search içinde kullanılabilmesi için önce bulunabilir, erişilebilir, anlaşılabilir, ilgili ve güvenilir bir kaynak olması gerekir.

Bu nedenle AI Search stratejisinin başlangıç noktası yeni bir dosya veya özel bir schema değil; iyi çalışan Search altyapısı, doğru page ownership, açık bilgi mimarisi, kaliteli veri ve gerçek kullanıcı değeridir.

Kaynaklar ve teknik referanslar

1. Google Search Central — In-depth guide to how Google Search works
2. Google Search Central — A guide to Google Search ranking systems
3. Google Search Central — AI features and your website
4. Google Search Central — Optimizing for generative AI features
5. OpenAI — Introducing ChatGPT Search
6. OpenAI Help Center — Searching the web with ChatGPT
7. Microsoft Bing — Introducing Copilot Search in Bing
8. Microsoft Bing — AI Performance in Bing Webmaster Tools