Query Fan-Out Nedir? AI Search Bir Soruyu Neden Birden Fazla Sorguya Bölüyor?

Geleneksel SEO düşüncesinde temel model çoğu zaman şöyledir:

Tek query
    ↓
Tek SERP
    ↓
Sıralanan sayfalar
    ↓
Tıklama

Bu model klasik web aramasının önemli bir bölümünü hâlâ açıklar. Fakat bazı AI Search deneyimlerini anlamak için artık yeterli değildir.

Kullanıcı tek bir soru yazsa bile sistem bu sorunun içinde birden fazla bilgi ihtiyacı bulunduğunu değerlendirebilir. Ardından farklı alt konular, kısıtlar, karşılaştırmalar ve veri kaynakları için birden fazla arama çalıştırabilir.

Bu işleme query fan-out denir.

Query fan-out, tek bir kullanıcı sorgusunun cevaplanabilmesi için birbiriyle ilişkili alt sorgulara veya araştırma görevlerine ayrılmasıdır.

Query fan-out yalnız teknik bir retrieval yöntemi değildir. SEO ve içerik stratejisi açısından daha büyük bir değişime işaret eder:

Artık yalnız görünür query için tek sayfa üretmek değil, kullanıcının kararını oluşturan alt ihtiyaçlarda hangi sayfanın kanıt, karşılaştırma, işlem veya dönüşüm noktası olacağını belirlemek gerekir.

Query fan-out nedir?

Query fan-out, bir yapay zekâ destekli arama sisteminin kullanıcının sorusunu cevaplamak için eş zamanlı veya ardışık biçimde birden fazla ilişkili arama oluşturmasıdır.

Google, query fan-out’u model tarafından üretilen ve kullanıcının sorgusunu farklı yönlerden cevaplamak üzere ek bilgi getiren ilişkili sorgular kümesi olarak tanımlar.^[2]

Örneğin kullanıcı şu soruyu sorabilir:

Ev tadilatı için 10.000 TL altında
Bosch mu Makita mı almalıyım?

Bu tek soru aşağıdaki alt ihtiyaçlara ayrılabilir:

• Ev tadilatı için hangi matkap türü gerekir?
• 10.000 TL altındaki Bosch modelleri hangileridir?
• 10.000 TL altındaki Makita modelleri hangileridir?
• Modellerin tork, akü ve ağırlık farkları nelerdir?
• Yedek akü ve servis erişimi nasıldır?
• Hangi model amatör kullanıcı için daha uygundur?
• Fiyat ve stok bilgileri güncel mi?

Sistem bu ihtiyaçların tamamını aynı sayfada bulmak zorunda değildir. Teknik rehberden kullanım bilgisi, kategori sayfasından ürün kümesi, ürün sayfasından teknik özellik, üretici dokümanından garanti ve başka bir kaynaktan kullanıcı deneyimi alabilir.

Ardından getirilen kaynakları ve pasajları kullanarak sentezlenmiş bir cevap oluşturabilir.

Query fan-out neden kullanılır?

Karmaşık sorular çoğu zaman tek bir information need içermez.

Kullanıcı “hangi matkabı almalıyım?” dediğinde yalnız ürün adı istemiyor olabilir. Kullanım alanını anlamaya, seçenekleri daraltmaya, teknik özellikleri karşılaştırmaya, bütçesine uygun modeli bulmaya ve satın alma riskini azaltmaya çalışıyor olabilir.

Query fan-out bu bileşik görevi daha küçük araştırma parçalarına ayırır:

Alt ihtiyaç	Sistemin aradığı şey	Olası kaynak
Kavramı anlamak	Tanım ve temel ayrımlar	Rehber veya dokümantasyon
Seçenekleri bulmak	Uygun ürün veya çözüm kümesi	Kategori, PLP veya veri tabanı
Karşılaştırmak	Ortak kriterler ve farklar	Karşılaştırma sayfası veya ürün verisi
Doğrulamak	Kanıt, kaynak ve güncel bilgi	Araştırma, üretici veya birinci taraf veri
Karar vermek	Bağlama özel öneri	Decision-support içerik veya araç
Aksiyon almak	Satın alma, rezervasyon veya iletişim	Ürün, pricing, booking veya form sayfası

Google, AI Overviews ve AI Mode’un alt konular ve veri kaynakları üzerinde birden fazla ilişkili arama çalıştırabildiğini ve cevap oluşturulurken destekleyici web sayfaları bulabildiğini açıklar.^[1]

Bu mekanizma özellikle şu görevlerde yararlı olabilir:

• çok kriterli ürün veya hizmet karşılaştırmaları,
• birden fazla açıklama gerektiren teknik sorular,
• güncel veri ve tarihsel bağlamı birlikte isteyen araştırmalar,
• yer, bütçe, kullanım amacı ve kişi özelliklerine bağlı öneriler,
• tek cevabı olmayan karar problemleri,
• takip sorularıyla genişleyen keşif süreçleri.

Query fan-out nasıl çalışır?

AI Search ürünlerinin bütün teknik ayrıntıları kamuya açık değildir ve sağlayıcılar aynı mimariyi kullanmaz. Genel çalışma modeli ise şöyle gösterilebilir:

Kullanıcı sorusu
       ↓
Görevi ve kısıtları anlama
       ↓
Alt information need'leri çıkarma
       ↓
Birden fazla grounding query üretme
       ↓
Search index / web / API / ürün verisi
       ↓
Belge, pasaj ve veri retrieval
       ↓
Kaynak seçimi ve yeniden sıralama
       ↓
Grounded generation
       ↓
Citations + cevap + takip yolları

Buradaki sorgular kullanıcının yazdığı cümlenin basit varyasyonları olmak zorunda değildir. Sistem, ilk prompt’ta açıkça yazılmayan fakat cevabın tamamlanması için gerekli gördüğü konuları da araştırabilir.

Örneğin “küçük balkon için hangi kahve makinesi uygun?” sorgusu şu boyutlara açılabilir:

• cihaz ölçüsü,
• elektrik tüketimi,
• su deposu kapasitesi,
• gürültü,
• hava koşullarına dayanıklılık,
• bütçe,
• servis ve garanti.

Bu nedenle bir prompt’un fan-out alanı, kelime listesi değil, cevap için gereken kanıt alanıdır.

Query fan-out ile query expansion aynı şey midir?

Tam olarak değil.

Kavram	Temel amaç	Basit örnek
Query reformulation	Sorguyu daha iyi ifade etmek	“şarjlı matkap” → “akülü matkap”
Query expansion	Aynı ihtiyaca ilişkin ek terimler kullanmak	“matkap” + “delme makinesi” + ilişkili kavramlar
Query decomposition	Karmaşık görevi alt problemlere ayırmak	Fiyat, performans, garanti ve kullanım alanını ayırmak
Query fan-out	İlgili alt ihtiyaçlar için birden fazla arama çalıştırmak	Her karşılaştırma ölçütü için ayrı kaynak getirmek

Gerçek sistemlerde bu teknikler birlikte çalışabilir. Önce kullanıcının ifadesi yeniden yorumlanabilir, ardından görev alt ihtiyaçlara ayrılabilir ve her ihtiyaç için genişletilmiş sorgular üretilebilir.

Bu nedenle dışarıdan bakarak belirli bir AI cevabının tam olarak hangi dahili sorgularla üretildiğini kesin biçimde bildiğimizi varsaymamalıyız. Görünen prompt ile sistemin retrieval sırasında kullandığı grounding query’ler aynı olmak zorunda değildir.

Tek query → tek URL modeli neden yetersiz kalıyor?

Klasik içerik planlaması çoğu zaman bir ana sorgu ile bir landing page’i eşleştirir:

Anahtar kelime
      ↓
Search intent
      ↓
Owner URL

Bu model hâlâ gereklidir. Site içinde aynı ihtiyacın birincil sahibi belirlenmeden sağlam bir mimari kurulamaz.

Fakat query fan-out, tek bir prompt’un birden fazla owner ve kaynak rolünü harekete geçirebileceğini gösterir:

Kullanıcı prompt'u
      ↓
Birden fazla information need
      ↓
Tanım + kanıt + veri + karşılaştırma + aksiyon
      ↓
Birden fazla uygun kaynak ve page role

Örneğin “KOAH için bronkoskopik tedavilerden hangisi bana uygun?” sorusunun tek bir sayfayla eksiksiz cevaplanması beklenmemelidir.

• KOAH değerlendirme kriterleri ayrı bir bilgi ihtiyacıdır.
• Balon, valf ve diğer yöntemlerin mekanizmaları ayrı kaynaklar gerektirebilir.
• Uygunluk kararı klinik değerlendirme ve hasta verisine bağlıdır.
• Bilimsel kanıt sayfaları doğrulama görevi üstlenir.
• Randevu veya iletişim sayfası sonraki aksiyonu tamamlar.

Burada ownership ortadan kalkmaz. Her sayfa kendi bilgi ihtiyacının sahibi olur; AI Search ise bir cevap için bu sahiplerden birden fazlasını birlikte kullanabilir.

Information Retrieval ile information need arasındaki ilişki, bu ayrımın teknik temelini açıklar.

Query fan-out içerik stratejisini nasıl değiştirir?

Query fan-out’un içerik stratejisine etkisi “daha fazla long-tail içerik yazmak” değildir.

Asıl değişim, içerik portföyünün farklı görevler üzerinden değerlendirilmesidir:

• Hangi sayfa temel gerçeği açıklar?
• Hangi sayfa iddiayı kanıtlar?
• Hangi sayfa güncel veri sunar?
• Hangi sayfa seçenekleri karşılaştırır?
• Hangi sayfa kullanıcıya bağlama özel karar desteği verir?
• Hangi sayfa satın alma veya iletişim aksiyonunu tamamlar?
• Hangi bilgi marka sitesinde, hangisi üçüncü taraf kaynaklarda doğrulanır?

Tek bir AI cevabında bu rollerin tamamı aynı kaynaktan gelmeyebilir. Marka sitesi canonical ürün ve politika bilgisini sağlayabilir; bağımsız inceleme sitesi karşılaştırma yapabilir; kullanıcı topluluğu gerçek deneyim sunabilir; ürün sayfası ise satın alma aksiyonunu tamamlayabilir.

Bu nedenle yalnız daha fazla içerik yayınlayan değil, kanıt ve aksiyon sistemi kuran markalar daha savunulabilir bir yapıya sahip olur.

AI kolay açıklama içeriklerini değersizleştiriyor mu?

Bazılarını evet.

Kullanıcının ihtiyacı yalnız kısa, genel ve herkes tarafından aynı şekilde açıklanabilecek bir bilgiyse AI arayüzü bu ihtiyacı siteye tıklama gerektirmeden karşılayabilir.

Örnekler:

• tek cümlelik kavram tanımları,
• yaygın ve zamandan bağımsız temel bilgiler,
• başka kaynakların yüzeysel özeti,
• özgün örnek, veri veya karar desteği sunmayan liste içerikleri,
• yalnız arama hacmi bulunduğu için yazılmış commodity içerikler.

Aleyda Solis’in içerik önceliklendirme çerçevesi de AI cevaplarının hızlı açıklama ihtiyacını daha kolay tatmin ettiğini; kanıt, güncel veya kişiselleştirilmiş veri, anlamlı karşılaştırma, bağlama özel rehberlik ve aksiyon gerektiğinde site ziyaretinin daha dayanıklı olduğunu öne sürüyor.^[3]

AI kolay açıklamayı tüketebilir. Fakat kanıt, işlem, güncel veri, özgün deneyim, anlamlı karşılaştırma ve karar desteği hâlâ ayrı bir değer üretir.

Buradan “bütün X nedir içerikleri öldü” sonucu çıkarılmamalıdır.

Bir tanım içeriği şu koşullarda hâlâ stratejik olabilir:

• alanın temel kavram owner’ıysa,
• benzer kavramlar arasındaki farkı gerçekten açıklıyorsa,
• özgün bir model veya sınıflandırma sunuyorsa,
• daha derin rehber ve commercial sayfalara giriş oluşturuyorsa,
• markanın uzmanlık alanını doğru biçimde temsil ediyorsa,
• citation veya eğitim değeri taşıyorsa.

Sorun içerik formatı değil, information gain ve utility eksikliğidir.

Hangi içerikler hâlâ üretilmeye değer?

İçerik yatırımı, AI’nın metni özetleyip özetleyemeyeceğinden daha geniş değerlendirilmelidir.

İçerik türü	AI’nın doğrudan tatmin etme ihtimali	Kullanıcının siteye gitme nedeni	Temel değer
Yüzeysel “X nedir?” içeriği	Yüksek	Zayıf	Sınırlı
Özgün araştırma veya benchmark	Özetlenebilir	Metodoloji ve kanıtı incelemek	Citation ve otorite
Güncel veri sayfası	Veri retrieve edilebilir	Canlı ve tam veriyi görmek	Güncellik ve referans
Karşılaştırma ve karar rehberi	Kısmen	Kriterleri ve bağlamı değerlendirmek	Decision support
Hesaplayıcı veya interaktif araç	Düşük/orta	Kişisel sonuç üretmek	Utility ve click resilience
Case study	Özetlenebilir	Süreç, kanıt ve gerçek uygulamayı görmek	Deneyim ve güven
Ürün, pricing veya booking sayfası	Bilgi bölümü özetlenebilir	Aksiyonu tamamlamak	Click ve business value
Teknik dokümantasyon	Kısmen	Tam adım, sürüm ve hata ayrıntısı	Kanıt ve task completion

Google’ın generative AI Search rehberi de internetteki mevcut bilgileri yeniden paketleyen commodity içerik yerine özgün görüş, birinci el deneyim ve kullanıcı açısından gerçek değer taşıyan içeriklere odaklanılmasını önerir.^[2]

AI traffic ile AI citation neden aynı şey değildir?

AI Search performansında en kritik ayrımlardan biri budur:

Citation Value ≠ Click Value ≠ Business Value

AI citation, bir URL’nin AI cevabında kaynak, referans veya destekleyici bağlantı olarak gösterilmesidir.

AI referral, kullanıcının AI platformundaki bir bağlantıdan siteye gelmesidir.

Business value, bu görünürlük veya ziyaretin lead, satış, rezervasyon, ürün keşfi, destek maliyeti veya başka bir iş sonucuna katkısıdır.

Bunlar birbirine bağlı olabilir fakat aynı olayı ölçmez.

Sayfa örneği	Citation potansiyeli	Click potansiyeli	Business value
Özgün araştırma / benchmark	Yüksek	Orta veya düşük	Dolaylı; otorite ve talep yaratma
Detaylı karşılaştırma	Yüksek	Orta/yüksek	Karar ve assisted conversion
Ürün veya hizmet sayfası	Orta	Yüksek	Yüksek; işlem ve gelir
Pricing / booking / quote	Düşük veya orta	Yüksek	Çok yüksek; aksiyon tamamlama
Yüzeysel temel açıklama	Düşük	Düşük	Düşük

Aleyda Solis’in 40 siteyi ve dört dikeyi kapsayan yönsel araştırması, AI referral alan sayfalar ile AI cevaplarında cite edilen sayfaların sıklıkla farklı yolculuk görevleri üstlendiğini gösteriyor. Citation’lar discovery ve evaluation katmanlarına daha geniş dağılırken, AI trafiği marka girişleri ile işlem ve görev sayfalarında daha yoğun görünüyor.^[4]

Bu bulgu bütün siteler için sabit oran veya nedensellik kanıtı değildir. Araştırma üçüncü taraf veri kaynaklarına dayanır ve sonuçların yönsel okunması gerekir. Fakat ölçüm modeli açısından ayrım geçerlidir:

Citation hangi kaynağın cevaba bağlandığını, referral tıklamanın nereye ulaştığını, business value ise bu yolculuğun marka için ne ürettiğini açıklar.

Citation alan sayfa neden trafik almayabilir?

Kullanıcı, ihtiyaç duyduğu kısa bilgiyi AI cevabının içinde görebilir. Kaynak bağlantısı cevabın güvenilirliğini destekler fakat kullanıcı ayrıntıya ihtiyaç duymadığı için tıklamayabilir.

Örneğin bir benchmark sayfasındaki tek istatistik cevaba cite edilebilir. Kullanıcı bu sayının bağlamını veya metodolojisini incelemek istemiyorsa sayfaya geçmez.

Citation yine de tamamen değersiz değildir. Şu görevleri üstlenebilir:

• markayı belirli konu veya veriyle ilişkilendirmek,
• araştırma ve uzmanlık görünürlüğü sağlamak,
• başka yayın ve kullanıcıların kaynağı keşfetmesini sağlamak,
• doğrudan tıklama olmadan değerlendirme sürecini etkilemek,
• markanın iddialarını doğrulayacak kanıt üretmek.

Fakat citation sayısını gelir veya dönüşüm gibi sunmak yanlıştır. Etkiyi gösterecek bağlantı kurulmadığında yalnız görünürlük sinyalidir.

Citation almayan sayfa neden değerli AI trafiği alabilir?

Kullanıcı araştırmanın önemli bölümünü AI arayüzünde tamamladıktan sonra aksiyon almak için siteye geçebilir.

Bu durumda tıklanan sayfa cevabın kanıt kaynağı olmak zorunda değildir:

• ürün sayfası,
• kategori veya arama sonucu,
• pricing sayfası,
• randevu formu,
• teklif alma sayfası,
• checkout,
• hesap veya destek akışı.

Kanıt başka bir kaynak tarafından sağlanmış, aksiyon ise markanın kendi sayfasında tamamlanmış olabilir.

Evidence page
      ↓
AI cevabı ve değerlendirme
      ↓
Action page
      ↓
Lead / satış / rezervasyon

Bu nedenle evidence owner ile click owner aynı URL olmak zorunda değildir.

Query fan-out sayfa rollerini nasıl değiştirir?

Query fan-out, her sayfanın aynı anda hem bilgi kaynağı, hem citation mıknatısı, hem trafik sayfası hem de dönüşüm owner’ı olması gerektiği anlamına gelmez.

Daha sağlıklı model, sayfaları birincil görevlerine göre sınıflandırmaktır:

Sayfa rolü	Temel görev	Öncelikli değer	Sonraki bağlantı
Definition owner	Kavramı ve sınırlarını açıklamak	Topic ownership ve eğitim	Derin teknik içerik
Evidence owner	Veri, metodoloji ve kanıt sunmak	Citation ve güven	Karar veya commercial sayfa
Decision owner	Kriterleri karşılaştırmak ve seçimi kolaylaştırmak	Click resilience ve assisted conversion	Uygun ürün/hizmet
Data owner	Güncel fiyat, stok, oran veya durum sunmak	Güncellik ve doğrulama	Aksiyon sayfası
Action owner	Satın alma, rezervasyon veya başvuruyu tamamlamak	Business value	İşlem sonucu
Experience owner	Gerçek kullanım ve sonucu göstermek	Güven ve dış doğrulama	Karar sayfası

Bu roller arasında güçlü internal linking kurulmadığında citation alan bilgi içeriği ticari yolculuktan kopabilir; action page ise karar desteği olmadan zayıf bir varış noktası olarak kalabilir.

İçerik değeri nasıl puanlanmalı?

İçerik yalnız tahmini trafik veya arama hacmiyle önceliklendirilmemelidir.

Her içerik fikri için aşağıdaki altı boyut 0–3 arasında yönsel olarak puanlanabilir:

Boyut	Sorulacak soru	Yüksek değer sinyali
Need coverage	Önemli bir bilgi veya karar ihtiyacını karşılıyor mu?	Yüksek öncelikli yolculukta açık boşluk
Information gain	İnternetteki mevcut özetlerden farklı ne sunuyor?	Özgün veri, deneyim, yöntem veya sentez
Citation potential	Doğrulanabilir bir kanıt veya referans üretiyor mu?	Birinci taraf veri ve açık metodoloji
Click resilience	Kullanıcının cevabı gördükten sonra siteye gitmesi gerekir mi?	Araç, tam veri, ayrıntı veya kişiselleştirme
Business adjacency	İçerik ölçülebilir bir aksiyona bağlanıyor mu?	Ürün keşfi, lead, satış veya destek sonucu
Sustainability	İçerik doğru ve güncel tutulabilir mi?	Net owner, veri kaynağı ve bakım süreci

Bu bir ranking formülü değildir. Ama içerik fikirlerini aynı sorular üzerinden karşılaştırarak karar kalitesini artırır.

Örneğin yüzeysel bir sözlük içeriği düşük click resilience ve information gain alabilir. Buna karşılık gerçek proje verisine dayanan bir faceted navigation vaka analizi daha yüksek citation, karar desteği ve marka uzmanlığı değeri taşıyabilir.

Tek bir “AI visibility score” dashboard üretir; karar sistemi üretmez.

Üç değer katmanı birlikte nasıl okunmalı?

İçerik portföyü üç ayrı değer ekseninde incelenmelidir:

1. Citation value

Sayfa, AI cevabının bir iddiasını destekleyecek açık ve doğrulanabilir bilgi sağlıyor mu?

Örnek sinyaller:

• özgün veri,
• açık metodoloji,
• teknik dokümantasyon,
• ürün veya politika gerçeği,
• uzman görüşü,
• birinci el deneyim.

2. Click value

Kullanıcının AI cevabından sonra sayfaya geçmesi için güçlü bir neden var mı?

Örnek sinyaller:

• tam veri seti,
• hesaplayıcı veya interaktif araç,
• güncel stok ve fiyat,
• kişiye özel sonuç,
• ayrıntılı metodoloji,
• işlem tamamlama.

3. Business value

Sayfa veya yolculuk markanın gerçek hedefine katkı sağlıyor mu?

Örnek sonuçlar:

• ürün keşfi,
• nitelikli lead,
• satış veya gelir,
• rezervasyon,
• marka tercihi,
• destek maliyetinin azalması,
• otorite ve iş fırsatı.

Bir sayfanın üç eksende de yüksek olması ideal olabilir fakat zorunlu değildir. Araştırma sayfası evidence owner, pricing sayfası action owner olarak ayrı görevler üstlenebilir.

Owned content tek başına yeterli midir?

Her zaman değil.

Query fan-out yalnız marka sitesindeki sayfaları aramaz. AI sistemi, görevin farklı parçaları için üretici, yayıncı, marketplace, inceleme sitesi, topluluk, video ve rakip kaynaklarını birlikte kullanabilir.

Markanın kendi sitesi şu görevleri üstlenir:

• canonical ürün ve hizmet gerçeklerini açıklamak,
• fiyat, stok, politika ve teknik özellikleri güncel tutmak,
• araştırma ve metodolojinin birinci taraf kaynağı olmak,
• karar ve işlem sayfalarını yönetmek.

Üçüncü taraf kaynaklar ise şu rolleri oynayabilir:

• iddiaları bağımsız biçimde doğrulamak,
• markayı alternatiflerle karşılaştırmak,
• gerçek kullanıcı deneyimi sunmak,
• ürünü farklı bağlamlarda göstermek,
• markanın kendi başına kuramayacağı dış güveni sağlamak.

Aleyda Solis’in SaaS, e-ticaret ve finans markaları üzerindeki araştırması da öne çıkan citation kaynaklarının önemli bölümünün marka dışındaki sitelerden gelebildiğini gösteriyor. Oranlar dikeye ve platforma göre değiştiği için tek bir “en iyi kaynak türü” yoktur.^[5]

Owned facts
     +
Earned validation
     +
Shared experience
     ↓
Daha güçlü kanıt sistemi

Bu nedenle AI Search stratejisi yalnız on-page içerik düzenleme işi değildir. SEO, product data, digital PR, uzman katkısı, topluluk ve measurement ekiplerinin ortak çalışmasını gerektirebilir.

E-ticarette query fan-out nasıl görünür?

E-ticaret sorguları query fan-out için güçlü örneklerdir; çünkü ürün seçimi genellikle birden fazla kısıt ve bilgi kaynağı içerir.

Kullanıcı şöyle sorabilir:

Uzun süre çalışabileceğim, hafif,
kömürsüz ve yedek aküsü kolay bulunan
18V matkap öner.

Bu prompt aşağıdaki veri ve sayfa rollerine açılabilir:

Fan-out ihtiyacı	Owner veya veri kaynağı
18V ürün kümesi	Kategori veya seçilmiş facet/PLP
Kömürsüz motor	Teknik özellik ve seçim rehberi
Ürün ağırlığı	PDP ve product data
Akü kapasitesi ve çalışma süresi	PDP, üretici verisi ve karşılaştırma
Yedek akü bulunabilirliği	Aksesuar kategorisi, stok ve uyumluluk verisi
Gerçek kullanım deneyimi	İnceleme, video veya topluluk
Satın alma	Ürün sayfası

Burada yalnız ürün açıklamasını uzatmak yeterli değildir. Ürün özelliklerinin yapılandırılmış olması, varyant ve aksesuar ilişkilerinin açık kurulması, fiyat ve stok bilgisinin güncel tutulması ve rehberlerin doğru commercial owner’lara bağlanması gerekir.

E-ticaret SEO sistemi, kategori mimarisi ile ürün verisinin neden aynı görünürlük zincirinde olduğunu ayrıntılı olarak açıklar.

Query fan-out için yeni sayfa açmak gerekir mi?

Her alt sorgu için yeni URL açılmaz.

Query fan-out gözlemi, kontrolsüz içerik üretiminin bahanesi haline getirilmemelidir.

Yeni sayfa açılmadan önce şu sorular sorulmalıdır:

• Bu alt ihtiyaç mevcut bir owner sayfa tarafından karşılanıyor mu?
• Bağımsız ve sürdürülebilir bir kullanıcı ihtiyacı var mı?
• Yeni sayfa farklı bilgi, veri veya görev sunacak mı?
• Başka bir sayfayla query ownership çakışması yaratacak mı?
• Sayfa güncel tutulabilecek mi?
• Kanıt, karar veya aksiyon zincirinde açık bir rolü var mı?
• Mevcut sayfaya yeni bölüm, tablo veya araç eklemek daha doğru mu?

Cevaplar zayıfsa yeni içerik yerine mevcut owner sayfanın kapsamı geliştirilebilir.

Query fan-out daha fazla URL üretme gerekçesi değil, mevcut bilgi mimarisindeki eksik görevleri görme yöntemidir.

Query fan-out nasıl analiz edilir?

Platformların ürettiği bütün dahili sorgular her zaman görünmez. Bu nedenle analiz, kesinlik iddiası yerine kontrollü gözlem ve hipotez üzerinden yürütülmelidir.

Uygulanabilir süreç şöyledir:

1. Önemli kullanıcı görevlerini seç: Trafiği yüksek rastgele prompt’lar yerine ürün, hizmet ve karar yolculuğu açısından değerli görevleri belirle.
2. Prompt’u alt ihtiyaçlara ayır: Tanım, kriter, kanıt, karşılaştırma, güncellik, kişiselleştirme ve aksiyon parçalarını çıkar.
3. Muhtemel grounding query’leri yaz: Sistemin hangi alt aramaları yapabileceğine dair hipotez oluştur.
4. Kaynak ekosistemini incele: Hangi owned ve third-party kaynakların görünür olduğunu kaydet.
5. Page role eşleştirmesi yap: Definition, evidence, decision, data ve action owner’ları belirle.
6. Boşlukları sınıflandır: Eksik içerik mi, eksik veri mi, zayıf dış doğrulama mı, yoksa bozuk teknik erişim mi?
7. Önceliği üç değerle ver: Citation, click ve business value’yu ayrı puanla.
8. Sonucu tekrar ölç: Aynı prompt kümesini platform, tarih, ülke ve cihaz bağlamıyla yeniden test et.

Microsoft’un Bing Webmaster Tools AI Performance raporunda sunduğu grounding queries, intents, topics ve citation share gibi alanlar bu yönde daha ayrıntılı görünürlük sağlıyor. Microsoft, citation share’in ranking veya trafik payı olmadığını özellikle belirtiyor.^[6][7]

Bu ayrım bütün platform ölçümleri için geçerli bir uyarıdır: citation count, mention share, referral ve conversion tek bir skora sıkıştırılmamalıdır.

Query fan-out performansı nasıl ölçülmeli?

Katman	Temel soru	Örnek sinyal
Need coverage	Önemli alt ihtiyaçlarda uygun owner var mı?	Coverage map ve içerik boşluğu
Retrieval readiness	Sayfa erişilebilir, anlaşılır ve güncel mi?	Crawl, index, yapı ve veri kalitesi
Presence	Marka cevapta doğru bağlamda bulunuyor mu?	Mention, recommendation ve representation accuracy
Citation	Hangi URL’ler kanıt veya kaynak olarak gösteriliyor?	Cited pages ve citation share
Referral	Kullanıcı hangi sayfaya tıklıyor?	AI referral session ve landing page
Engagement	Ziyaretçi sonraki adımı gerçekleştiriyor mu?	Ürün görüntüleme, araç kullanımı ve form başlangıcı
Business outcome	Yolculuk markaya ne kazandırıyor?	Lead, satış, gelir ve assisted conversion

Ölçümde şu hatalardan kaçınılmalıdır:

• citation sayısını organik trafik gibi raporlamak,
• AI referral’ı bütün AI etkisi sanmak,
• homepage, checkout ve araştırma sayfasını aynı KPI içinde toplamak,
• tek seferlik prompt sonucunu kalıcı ranking gibi sunmak,
• marka mention’ı ile linked citation’ı aynı kabul etmek,
• görünürlüğü lead veya gelir kanıtı gibi göstermek.

Query fan-out hakkında yaygın yanlışlar

• “Her prompt mutlaka çok sayıda sorguya bölünür.” Kullanılan teknik sorguya ve ürüne göre değişebilir.
• “Fan-out sorgularını tam olarak biliyoruz.” Dahili aramaların tamamı her zaman görünmez.
• “Her alt sorgu için ayrı içerik yazmalıyız.” Bu yaklaşım duplicate ve düşük değerli sayfa üretir.
• “Anahtar kelime araştırması artık gereksiz.” Query verisi hâlâ talebi anlamaya yardımcı olur; yalnız tek başına yeterli değildir.
• “Citation alan sayfa tıklamayı da alır.” Evidence owner ile click owner farklı olabilir.
• “Trafik almayan citation değersizdir.” Discovery, doğrulama ve marka ilişkisi dolaylı değer üretebilir.
• “Citation iş sonucu demektir.” İş etkisi ayrıca ölçülmelidir.
• “Bütün kısa açıklama içerikleri silinmeli.” Owner rolü ve sistem değeri incelenmeden karar verilmez.
• “AI Search yalnız on-page optimizasyondur.” Üçüncü taraf doğrulama ve işlem yüzeyleri de önemlidir.

Uygulanabilir query fan-out karar sistemi

Bir prompt veya içerik fikri için şu karar akışı kullanılabilir:

Önemli bir kullanıcı görevi var mı?
       ↓
Hangi alt ihtiyaçlara ayrılıyor?
       ↓
Her ihtiyacın mevcut owner'ı var mı?
       ↓
Eksik olan şey içerik mi, veri mi, kanıt mı, aksiyon mu?
       ↓
AI cevabı ihtiyacı tamamen karşılayabilir mi?
       ↓
Kullanıcının siteye gelmesi için hangi neden kalıyor?
       ↓
Citation, click ve business value ayrı ayrı nedir?
       ↓
Yeni sayfa mı, mevcut sayfa geliştirmesi mi, araç mı, dış doğrulama mı?
       ↓
Ölç → doğrula → güncelle

Bu model içerik ekibini “kaç yazı yayınladık?” sorusundan çıkarır. Yerine şu soruyu getirir:

Bu içerik, kullanıcının kararında hangi eksik bilgiyi, kanıtı veya aksiyonu sahipleniyor ve marka için hangi değeri üretiyor?

SEO stratejisinin veri, karar ve uygulama sistemi olarak kurulması gerektiği gibi, query fan-out analizi de tek başına yeni bir rapor değil, içerik ve site mimarisi kararlarına bağlanan bir katman olmalıdır.

Query fan-out nedir sorusunun kısa cevabı

Query fan-out, AI Search sistemlerinin kullanıcının tek bir sorusunu farklı alt konulara, kısıtlara veya araştırma görevlerine ayırarak birden fazla sorgu çalıştırması ve getirilen kaynaklardan sentezlenmiş cevap üretmesidir.

SEO açısından sonuç, tek query için daha fazla içerik üretmek değildir. Görünür prompt’un altında bulunan information need’leri, bu ihtiyaçların owner sayfalarını ve her sayfanın evidence, decision, data veya action rolünü belirlemektir.

İçerik değeri de tek metrikle ölçülmemelidir:

Citation Value ≠ Click Value ≠ Business Value

AI’nın kolayca özetleyebildiği ve özgün katkı sunmayan içerikler zayıflayabilir. Ancak kanıt, canlı veri, kişiselleştirme, karşılaştırma, gerçek deneyim, interaktif utility ve aksiyon sağlayan sayfalar kullanıcıya ve markaya ayrı değer üretmeye devam eder.

Doğru strateji, citation almak için her şeyi bilgi içeriğine çevirmek veya yalnız tıklama alan action sayfalara yatırım yapmak değildir. Kanıtı, kararı ve aksiyonu birbirine bağlayan bir içerik sistemi kurmaktır.

AI Search’ün retrieval, generation, citations ve takip sorularıyla nasıl çalıştığını temel kavramlarıyla ayrıca inceleyebilirsiniz.

Kaynaklar ve teknik referanslar

1. Google Search Central — AI features and your website
2. Google Search Central — Optimizing for generative AI features
3. Aleyda Solis — Content Prioritization in an AI Search Era
4. Aleyda Solis — AI Traffic vs AI Citations
5. Aleyda Solis — AI Search Citations and Third-Party Corroboration
6. Microsoft Bing — AI Performance in Bing Webmaster Tools
7. Microsoft Bing — Intents, Topics and Citation Share