Yapay Zekâ Hazırlığı
Yapay zekâ asistanları soruları yanıtlarken içeriğinizi alıp, güvenip alıntılayabiliyor mu?
toplam puanın 0,16’sıSıralamalar, trafik ve güven için neden önemli?
Araştırma ve satın alma kararlarının büyüyen bir bölümü artık bir yapay zekâ cevabının içinde başlıyor — ChatGPT, Perplexity, Copilot, Google AI Overviews. Bir asistanın alıntıladığı kaynak olmak yeni bir trafik ve güven kanalıdır ve bu kanal makine-okunabilirlikle kazanılır ya da kaybedilir: temiz yapı, açık üst veri ve alım için tasarlanmış yayınlanmış içerik. Bu disipline genellikle GEO (Generative Engine Optimization) denir ve bu araçtaki en hızlı büyüyen eksendir.
Yapay zekâ sistemleri çıkarıp doğrulayabilecekleri içeriği tercih eder: schema.org JSON-LD ile sarılmış gerçekler; başlık, liste ve tablo biçiminde şekillendirilmiş cevaplar; ve sitenizin ne olduğunu, asıl içeriğin nerede olduğunu ajanlara anlatan bir /llms.txt dosyası. Ne kadar parlak olursa olsun yapılandırılmamış bir metin duvarı, alıntılanabilir parça arayan bir model için görünmezdir.
Savunmacı bir tarafı da var: her şeyi istemci tarafında çizen ya da yine de alıntılanmayı umarak yapay zekâ tarayıcılarını engelleyen siteler iki dünyanın da kötüsünü alır. Yapay zekâ hazırlığı, bilinçli bir seçim yapıp bunu makinelerin gerçekten okuduğu dosyalarda ifade etmek demektir.
Bu bölümdeki her sinyal — motorun tam olarak neyi kontrol ettiği
Nasıl düzeltilir?
Sık görülen nedenler
- Yalnızca JavaScript çalıştıktan sonra var olan içerik — birçok ajan paketinizi hiç çalıştırmaz.
- /llms.txt olmaması (ve /llms-full.txt olmaması) — ajanların ilk baktığı gelişen kural.
- Bozuk JSON-LD ya da üzerinde bulunduğu sayfadan farklı bir sayfayı tanımlayan JSON-LD.
- Başlık taslağı (H1/H2), liste veya tablo olmaması — modelin alıntıyı bağlayacağı bir dayanak yok.
- SSS tarzı cevapların yalnızca görsellerde veya PDF’lerde gömülü olması.
- Yapay zekâ alıntıları beklerken robots.txt içinde GPTBot/PerplexityBot’u engellemek.
Önerilen kurulum
İki dosyayı yayınlayın, gerçekleri işaretleyin, cevapları şekillendirin. llms.txt kuralı, yapay zekâ ajanları için sitenizin markdown haritasıdır; llms-full.txt ise taramadan alım yapan ajanlar için eksiksiz içerik versiyonudur.
# Acme Robotics
> Orta ölçekli sipariş merkezleri için depo otomasyon yazılımı.
## Dokümanlar
- [Depo Otomasyonu](https://example.com/depo-otomasyonu): toplama, paketleme, yönlendirme
- [Fiyatlandırma](https://example.com/fiyatlandirma): planlar ve ROI hesaplayıcı
## Cevaplar
- [Toplama süresini ne kadar kısaltıyoruz?](https://example.com/faq#toplama): tipik olarak 90 günde %35–45
- [Entegrasyonlar](https://example.com/faq#entegrasyon): Shopify, SAP EWM, Manhattan WMS<script type="application/ld+json">
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Organization",
"@id": "https://example.com/#org",
"name": "Acme Robotics",
"url": "https://example.com/",
"logo": "https://example.com/logo.png",
"sameAs": ["https://www.linkedin.com/company/acme-robotics"]
},
{
"@type": "WebSite",
"@id": "https://example.com/#site",
"url": "https://example.com/",
"publisher": { "@id": "https://example.com/#org" }
},
{
"@type": "FAQPage",
"mainEntity": [{
"@type": "Question",
"name": "Acme toplama süresini ne kadar kısaltıyor?",
"acceptedAnswer": { "@type": "Answer",
"text": "Müşteriler tipik olarak 90 günde %35–45 daha hızlı toplama görür." }
}]
}
]
}
</script><h2>Toplama süresini ne kadar kısaltıyoruz?</h2>
<p>Müşteriler tipik olarak 90 gün içinde <strong>%35–45 daha hızlı toplama</strong> görür.</p>
<h3>Sayıyı ne etkiler</h3>
<ul>
<li>Kutu başına SKU ve yürüyüş mesafesi</li>
<li>Parti büyüklüğü ve kesim saati</li>
</ul>
<table>
<caption>Acme öncesi/sonrası toplama hızı</caption>
<tr><th>Tesis</th><th>Önce</th><th>90 gün sonra</th></tr>
<tr><td>Fresh Foods Co.</td><td>112 ü/s</td><td>171 ü/s</td></tr>
</table>