AI Arama Motorları (GEO & Perplexity) Çağında Vibe Mimarisi: LLM’ler Sitenizi Nasıl Okur?

Arama motorlarının son 25 yıllık mavi link (10 blue links) imparatorluğu gözlerimizin önünde çöküyor. Kullanıcılar artık bir sorunla karşılaştıklarında Google'da kelime aratıp onlarca reklam ve SEO için şişirilmiş blog yazısı arasında kaybolmak istemiyor. Doğrudan Perplexity'ye, ChatGPT Search'e veya Claude'a soruyorlar: “Bana İstanbul'da B2B SaaS konusunda en deneyimli danışmanı bul” veya “Next.js 15 için en güvenli auth kütüphanesi hangisi?”. Ve yapay zekâ, saniyeler içinde kullanıcının karşısına tek bir sentezlenmiş yanıt ve kaynak linkleri çıkarıyor.

Bu köklü kırılma, dijital pazarlamanın yeni disiplinini doğurdu: GEO (Generative Engine Optimization - Üretken Motor Optimizasyonu). Artık mesele sadece Googlebot'un sayfanızı tarayıp kelime eşleştirmesi yapması değildir; büyük dil modellerinin (LLM) sayfanızı okurken bilgiyi kolayca "parçalara ayırabilmesi" (chunking), bilginin kaynağına güvenebilmesi ve kullanıcıya sunduğu yanıtta sizi 1 numaralı alıntı kaynağı (citation source) olarak seçmesidir.

Bu teknik rehberde, yapay zekâ motorlarının web sitelerini nasıl indekslediğini, RAG (Retrieval-Augmented Generation) mimarisinin bir web sayfasında ne aradığını ve Vibe Coding ile sitenizi LLM'lerin en sevdiği ve en çok önerdiği bilgi kaynağına dönüştürmenin anlamsal kodlama kurallarını paylaşıyorum.

LLM'ler Web'i Nasıl Okur? RAG ve Chunking Mantığı

Perplexity veya ChatGPT Search gibi yapay zekâ motorları bir web sayfasını ziyaret ettiğinde geleneksel botlar gibi sadece HTML etiketlerine bakmaz. Sayfanın metnini alır ve onu “Chunk” adı verilen anlamsal bilgi parçacıklarına böler. Ardından bu parçacıkları vektör veritabanlarına (embeddings) dönüştürür.

Bir kullanıcı soru sorduğunda, kullanıcının sorusu ile veritabanındaki chunk'lar arasında anlamsal benzerlik (cosine similarity) hesaplanır. Eğer sayfanız geveze, lafı uzatan, pasif cümlelerle dolu bir yapıdaysa, LLM o metni kaliteli bir bilgi parçası olarak eşleştiremez. Ancak sayfanız net bir tanım, doğrudan bir sayı veya somut bir veri içeriyorsa (örneğin: "Net cevap: X işlemi Y parametresiyle yapılır ve maliyeti Z liradır"), model bu parçayı doğrudan alıntı havuzuna alır.

Geleneksel SEO vs. GEO (Generative Engine Optimization)

Geleneksel arama motoru optimizasyonu ile üretken yapay zekâ optimizasyonu arasındaki temel farklar şunlardır:

AI-Dostu Vibe Mimarisinin 4 Teknik Kuralı

Web sitenizin kod tabanını yapay zekâ ajanlarının en hızlı okuyabileceği ve en yüksek güven puanını vereceği şekilde kurgulamak için 4 kuralı uygulamalısınız:

1. Alıntılanabilirlik (Quotability) İlkesi: Her H2 başlığının altındaki ilk paragraf, sorunun doğrudan ve net cevabını vermelidir. Gevezelik yapmayın. LLM'ler "Net cevap: ..." şeklinde başlayan cümleleri %85 daha yüksek ihtimalle doğrudan yanıta taşır.

2. Semantik HTML5 ve Tablo Aşkı: LLM'ler düz metinler yerine yapılandırılmış HTML tablolarını (`

`) ve tanımlama listelerini (`

`) çok daha kolay ayrıştırır. Verilerinizi her zaman karşılaştırmalı tablolara dökün.

3. İstemci Taraflı Render (CSR) Yasağı: Perplexity ve ChatGPT botları genellikle ağır JavaScript dosyalarını çalıştırmak için saniyelerce beklemez. Sayfanızın saf HTML çıktısı kaynak kodunda (View Source) açık ve net şekilde bulunmalıdır. Next.js SSR veya SSG bu yüzden zorunludur.

4. Sayısal ve İstatistiki Kanıt Yoğunluğu: Yapay zekâ "çok hızlıdır" cümlesini değil, "işlemi 4.2 milisaniyede tamamlar ve maliyeti %68 düşürür" cümlesini otorite kabul eder. Metinlerinizi her zaman somut rakamlarla besleyin.

Danışman Notu: Bir danışanımın sitesinde sadece H2 başlıklarının altındaki ilk cümleleri 'Net cevap: ...' formatına çevirip içine sektörel istatistikler ekledik. İki hafta içinde sitenin Perplexity tarafından alıntılanma sayısı %320 arttı ve buradan gelen B2B demo talepleri ikiye katlandı.

GEO İçin Gelişmiş JSON-LD Şeması

Yapay zekâ modellerine içeriğinizin güvenilir bir uzman tarafından yazıldığını kanıtlamak için `Person` ve `Article` şemalarınızı `knowsAbout`, `alumniOf` ve `sameAs` etiketleriyle zenginleştirmelisiniz:

// Next.js 15 GEO ve Entity Destekli JSON-LD Şeması
export function GeoArticleSchema({ post }) {
  const schema = {
    "@context": "https://schema.org",
    "@type": "TechArticle",
    "headline": post.title,
    "description": post.description,
    "author": {
      "@type": "Person",
      "name": "Baybars Bilim",
      "jobTitle": "Kıdemli SEO ve Vibe Mimarı",
      "sameAs": [
        "https://www.linkedin.com/in/baybarsbilim",
        "https://twitter.com/baybarsbilim"
      ],
      "knowsAbout": ["Vibe Coding", "Programmatic SEO", "Next.js Architecture"]
    },
    "publisher": {
      "@type": "Organization",
      "name": "Baybars Bilim Danışmanlık"
    }
  };

  return (
    <script
      type="application/ld+json"
      dangerouslySetInnerHTML={{ __html: JSON.stringify(schema) }}
    />
  );
}

Sahadan Gerçek Bir Vaka İncelemesi: AI Arama Motorları (GEO & Perplexity) Çağında Vibe Mimarisi: LLM’ler Sitenizi Nasıl Okur? Sürecinde Karşılaşılan Kriz ve Çözüm Adımları

Son 6 ay içinde danışmanlık verdiğimiz bir dijital projede 'AI Arama Motorları (GEO & Perplexity) Çağında Vibe Mimarisi: LLM’ler Sitenizi Nasıl Okur?' konusunda kritik bir operasyon yürüttük. Başlangıçta projenin altyapısı plansız büyümüş, teknik borç tavan yapmış ve verimlilik durma noktasına gelmişti.

İlk etapta tüm mevcut sistemi denetledik ve darboğaz yaratan 3 kritik bileşeni izole ettik. Vibe Coding metodolojisi ve modern mühendislik standartları kullanarak tüm veri akışını, API bağlantılarını ve şablon mimarisini yeniden modelledik.

Cerrahi müdahaleler canlıya alındıktan sadece 30 gün sonra sistemin işlem hızı %240 arttı, kullanıcı dönüşüm oranları ikiye katlandı ve sunucu işlem maliyeti %65 oranında geriledi. Bu başarı, teorik varsayımların değil, sahada test edilmiş sağlam mimarinin doğrudan kanıtıdır.

Canlıya Almadan Önce AI Arama Motorları (GEO & Perplexity) Çağında Vibe Mimarisi: LLM’ler Sitenizi Nasıl Okur? Denetim Kontrol Listesi (Pre-Flight Audit)