MAVI: Molavi Süni İntellekt Görünmə İndeksi

MAVI: Molavi Süni İntellekt Görünmə İndeksi — Struktur Hazırlıq və Müşahidə Edilən Görünmə üçün Ölçmə Çərçivəsi

Müəllif və Tədqiqatçı: Taqi Molavi

Nəşriyyat: Molavi T&T Araşdırma Mərkəzi (molavi.pro/research)

Versiya: 1.1, Oktyabr 2026 (Metodologiya və Statistik Kıyaslama Cədvəllərinin Tam Yenilənməsi)

İstinad: Molavi, T. (2026). MAVI: The Molavi AI Visibility Index — A Measurement Framework for Readiness and Observed AI Visibility. Molavi R&D Think Tank. https://molavi.pro/az/research/mavi

1. Böyük Bir Yanlış Anlaşılmanın Hekayəsi: Süni İntellekt Sizi Yalnız Tanıyırmış Kimi Davrandıqda!

Təsəvvür edin ki, böyüyən bir texnologiya şirkətinin rəhbərisiniz və generativ axtarış sistemlərinin (ChatGPT Search, Perplexity, Google Gemini və ya Claude) markanızı nə dərəcədə tanıdığını yoxlamaq istəyirsiniz. Süni intellektə birbaşa ad çəkərək sorğu ünvanlayırsınız:

«[Şirkətinizin Adı] haqqında nə bilirsən?»

Model dərhal səlis və tərif dolu bir cavab formalaşdırır: «Şirkətiniz sahəsində innovativ həllər təqdim edən, tanınmış və etibarlı bir qurumdur...» Siz bu cavabı oxuyub rahat nəfəs alır və süni intellektdə görünmənizin ən yüksək səviyyədə olduğuna inanırsınız!

Lakin reallıq tamamilə fərqlidir: Siz qərəzli və birbaşa ad çəkilən sorğu (Branded Query) vermisiniz və model sadəcə olaraq adınızı təkrar edib — saytınıza heç bir kliklənən rəsmi istinad belə vermədən!

İndi isə markanızı heç vaxt eşitməmiş həqiqi bir müştərinin eyni süni intellektdən nə soruşduğunu düşünün:

«2026-cı ildə beynəlxalq ticarət üçün anbar idarəetməsi olan ən yaxşı 3 bulud ERP proqramı hansıdır?»

Bu suala cavab olaraq süni intellekt üç birbaşa rəqibinizi ətraflı müqayisə edir, onların saytlarına birbaşa keçid linkləri yerləşdirir və sizin şirkətinizin adını ümumiyyətlə çəkmir!

Bax bu acı reallıq MAVI İndeksinin (Molavi AI Visibility Index) yaradılmasının əsas səbəbidir. Bizə bəzi marketinq alətlərinin uydurduğu "85% AI SEO Balı" kimi əsassız rəqəmlərdən uzaq, süni intellektdə görünməni elmi laboratoriya dəqiqliyi ilə ölçən real bir ölçmə çərçivəsi lazım idi.

2. Problemin Mahiyyəti: Niyə Tək Bir Sehirli Bal Yanıltıcıdır?

Ənənəvi axtarış sistemlərində (Google SEO) veb səhifənin mövqeyi deterministik bir nəticə idi; «kredit kartı alışı» axtaran istifadəçilərin çoxu eyni nəticələri görürdü. Lakin generativ axtarış mühərriklərində hər şey ehtimal əsaslı və stokastikdir:

1. Modellər ehtimal paylanması ilə növbəti sözləri təxmin edir: Temperatur (Temperature) və təsadüfilik parametrləri dəyişdikdə eyni sorğuya verilən cavab tamamilə fərqli ola bilər.
2. RAG sisteminin iki mərhələli mexanizmi: Son akademik tədqiqatların sübut etdiyi kimi (arXiv:2604.25707), generativ axtarış mühərrikləri əvvəlcə bir İstinad Seçimi (Citation Selection) mərhələsi keçir, daha sonra isə həmin mənbənin fikirlərini yekun cavaba daxil edib-etməyəcəyinə qərar verir (Citation Absorption). Yüzlərlə səhifə axtarışda tapılır, lakin yekun mətndə heç vaxt istifadə olunmur!
3. Dillər və mühərriklər arasındakı uçurum: Bir sayt Perplexity-nin ingiliscə versiyasında yüksək istinad ala bilər, lakin ChatGPT-nin Azərbaycan və ya fars dillərində tamamilə kənarda qala bilər.

Etibarlılıq intervalları, sınaq sayı və məxrəc göstərilmədən "Süni intellekt balınız 75%-dir" demək həm elmi, həm də biznes baxımından özünü aldatmaqdır.

3. İkiölçülü MAVI Memarlığı: Struktur Hazırlıq və Müşahidə Edilən Görünmənin Ayrılması

Bu qarışıqlığa son qoymaq üçün MAVI bütün ölçmə prosesini iki müstəqil ölçüyə ayırır:

┌────────────────────────────────────────────────────────────────────────┐
│                        Birləşdirilmiş MAVI İndeksi                     │
└───────────────────────────────────┬────────────────────────────────────┘
                                    │
         ┌──────────────────────────┴──────────────────────────┐
         ▼                                                     ▼
┌──────────────────────────────────┐        ┌──────────────────────────────────┐
│      1. Struktur Hazırlıq        │        │    2. Müşahidə Edilən Görünmə    │
│       (MAVI-R: Readiness)        │        │        (MAVI-O: Observed)        │
├──────────────────────────────────┤        ├──────────────────────────────────┤
│ • Kod RAG botları üçün açıqdırmı?│        │ • Canlı süni intellekt modelləri │
│ • JSON-LD və entity qrafı varmı? │        │   real sorğularda markanı qeyd   │
│ • Mətn hissələri fəkt-sıxdırmı?  │        │   edir və link verirmi?          │
│ (Mənbə kodundan deterministik)   │        │ (Çoxmodeli empirik sınaqlar)     │
└──────────────────────────────────┘        └──────────────────────────────────┘

[!IMPORTANT]

MAVI-nin Qızıl Qaydası: 100% Struktur Hazırlığa (MAVI-R) malik olmaq süni intellektin sizi canlıda tövsiyə edəcəyinə zəmanət vermir. Hazırlıq yalnız yarışa daxil olmaq biletidir. Tövsiyə olunmaq isə xarici nüfuz, üçüncü tərəf təsdiqləri və ilkin məlumat sahibliyi tələb edir.

4. Dəqiq Metrik Təsnifatı: Adın Çəkilməsindən Model Payına Qədər

Bütün empirik hesabatlarda bu 5 anlayış riyazi dəqiqliklə fərqləndirilməlidir:

$$\text{Mention} \neq \text{Citation} \neq \text{Recommendation} \neq \text{Position} \neq \text{Share of Model}$$

5. Beş MAVI Qatı və Molavi GEO Piramidası ilə Əlaqəsi

Molavi GEO Piramidası bizim strateji çərçivəmizdir, MAVI isə onun diaqnostik ölçmə qoludur:

                        ▲
                       / \
                      / L5\   L5: Empirik Görünmə (GEO-Scope ilə Canlı Sınaq)
                     /-----\
                    /  L4   \   L4: İstinad Hazırlığı / CSP (İstinadın Yaşama İndeksi)
                   /---------\
                  /    L3     \   L3: Entity Aydınlığı (Bilik Qrafları və Əlaqələr)
                 /-------------\
                /      L2       \   L2: Semantik Çıxarıla Bilmə (JSON-LD Sxemləri)
               /-----------------\
              /        L1         \   L1: Texniki Əlçatanlıq (SSR Render və Təmiz Kod)
             /---------------------\

Piramida və MAVI Metriklərinin Uyğunluq Cədvəli (Crosswalk Table)

6. Açıq Mənbəli Alətlər Ekosistemimiz (Qapalı Dövrəli Mühəndislik Zənciri)

Bu metodologiya havadan götürülməmişdir! Biz bu prinsipləri addım-addım həyata keçirmək üçün qapalı mühəndislik dövrəsi kimi işləyən açıq mənbəli proqram təminatları hazırlamışıq:

$$\text{AnswerPath} \longrightarrow \text{GEO-Scope} \longrightarrow \text{SAGE} \longrightarrow \text{MAVI} \longrightarrow \text{SiteProbe} \longrightarrow \text{Yenidən Ölçmə}$$

1. [AnswerPath (İstifadəçi Niyyətinin və Sualların Çıxarılması)](https://github.com/tmolavi/answerpath-geo):

Təyinatı:* Süni intellekt modellərini sınaqdan keçirməzdən əvvəl sahənizdəki real istifadəçi suallarını və axtarış niyyətlərini toplayır və standart sınaq ssenarilərinə çevirir.

* GitHub: github.com/tmolavi/answerpath-geo | PyPI: pypi.org/project/answerpath-geo

1. [GEO-Scope (Çoxmodeli Kıyaslama Mühərriki)](https://github.com/tmolavi/geo-scope):

Təyinatı:* Hazırlanmış sorğuları avtomatlaşdırılmış şəkildə Perplexity, ChatGPT, Claude və Gemini sistemlərində icra edir; model identifikatorlarını (Provenance) və etibarlılıq intervallarını qeyd edərək L5 qatını ölçür.

* GitHub: github.com/tmolavi/geo-scope | PyPI: pypi.org/project/geo-scope

1. [SAGE (Üç Qatlı SEO, AEO və GEO Audit Mühərriki)](https://github.com/tmolavi/sage-audit):

Təyinatı:* Saytınızın mənbə kodunu dərindən analiz edərək L1-dən L3-ə qədər olan Struktur Hazırlıq İndeksini (MAVI-R) hesablayır.

* GitHub: github.com/tmolavi/sage-audit | PyPI: pypi.org/project/sage-audit

1. [mcp-geo-server (Model Kontekst Protokolu Serveri)](https://github.com/tmolavi/mcp-geo-server):

Təyinatı:* Bu diaqnostika imkanlarını birbaşa proqramlaşdırma agentlərinə (Cursor, Antigravity, Claude Desktop) qoşaraq kodun avtomatlaşdırılmış yoxlanışını təmin edir.

* GitHub: github.com/tmolavi/mcp-geo-server

1. [SiteProbe (Təmir və Bərpa Mühərriki)](https://github.com/tmolavi/siteprobe):

Təyinatı:* DOM quruluşunda, mikroməlumatlarda və robots.txt direktivlərində tapılan xətaları avtomatik təmir edir.

7. Canlı Kıyaslama Məlumat Matrisi: 4 Mühərrik və 5 Dildə Praktiki Sınaq

Modellərin real davranışını nümayiş etdirmək üçün aşağıdakı matris 250 fərqli sınaq sorğusunun (5 kateqoriya: informasiya, kommersiya, həll yönümlü, etibarlılıq və müqayisə) icra nəticələrini təqdim edir:

[!NOTE]

Məlumatların Təhlili: Göründüyü kimi, ingilis dilindən kənar dillərdə İstinadın Udulma Nisbəti (Absorption Ratio) nəzərəçarpacaq dərəcədə aşağıdır. Bu o deməkdir ki, modellər yerli dildəki səhifələri istinad kimi oxuyur, lakin yekun mətndə mülahizələrini beynəlxalq ingilis dilli mənbələr əsasında formalaşdırır. Bu çatışmazlığı aradan qaldırmağın yeganə yolu fəkt-sıx mətn arxitekturası və VPA strukturunun tətbiqidir.

8. Riyazi Düstur və Praktiki Hesablama Nümunəsi (Worked Example)

Ümumi MAVI balı aşağıdakı çəkili cəm düsturu ilə hesablanır:

$$\text{MAVI} = w_1(L_1) + w_2(L_2) + w_3(L_3) + w_4(L_4) + w_5(L_5)$$

Kalibrlənmiş standart başlanğıc çəkiləri ilə:

$$\text{MAVI} = 0.15(L_1) + 0.20(L_2) + 0.20(L_3) + 0.20(L_4) + 0.25(L_5)$$

Real Layihədən Hesablama Nümunəsi:

Fərz edək ki, bir B2B proqram təminatı şirkəti SAGE və GEO-Scope alətləri ilə audit olunub:

$L_1$ Balı (Texniki Mənbə Sağlamlığı): 90* / 100 (Sürətli SSR render, təmiz DOM və problemsiz status kodları).

$L_2$ Balı (Semantik Sxem Çıxarışı): 85* / 100 (Təşkilat və Məhsul üzrə kamil JSON-LD nişanlaması).

$L_3$ Balı (Entity Aydınlığı və Əlaqələr): 70* / 100 (Rəsmi profillər bağlıdır, lakin açıq bilik bazalarında ziddiyyətlər var).

$L_4$ Balı (İstinad Hazırlığı və Çank Sıxlığı): 55* / 100 (Mətnlər çox reklam xarakterlidir və fəkt sıxlığı azdır).

$L_5$ Balı (Canlı Sınaqlarda Empirik Görünmə): 35* / 100 (Mention 45%, Citation 25%).

#### Addım 1: Struktur Hazırlıq Balının Hesablanması ($\text{MAVI-R}$)

$$\text{MAVI-R} = \frac{0.15(90) + 0.20(85) + 0.20(70) + 0.20(55)}{0.15 + 0.20 + 0.20 + 0.20} = \frac{13.5 + 17.0 + 14.0 + 11.0}{0.75} = \frac{55.5}{0.75} = \mathbf{74.0\%}$$

#### Addım 2: Ümumi Birləşdirilmiş MAVI Balının Hesablanması

$$\text{MAVI} = 55.5 + 0.25(35) = 55.5 + 8.75 = \mathbf{64.25\%}$$

Biznes Təhlili:

Bu şirkət texniki cəhətdən tam hazırdır (Hazırlıq 74%), lakin məzmunu faktiki sübutlardan məhrum olduğuna görə ($L_4 = 55$), canlı sınaqlarda zəif nəticə göstərmişdir ($L_5 = 35$). Şirkətin ehtiyacı daha çox texniki SEO deyil; müstəqil nüfuzlu mənbələrdə təsdiqlənmiş faktiki məzmun istehsalıdır.

9. Çatışmayan Məlumat Qaydası: Niyə Məlumat Olmayanda Bal Sıfır Olmamalıdır?

Əgər yeni bir müştəri üçün hələlik canlı model sınaqları keçirilməyibsə, nə baş verir?

Keyfiyyətsiz alətlər dərhal $L_5$ qatına 0 balı verirlər ki, bu da bütün sistemi korlayır. MAVI-nin rəsmi siyasəti isə belədir:

1. Ölçülməmiş qat aydın şəkildə not_measured statusu ilə qeyd olunur.
2. Mövcud nailiyyət kimi yalnız Struktur Hazırlıq Balı ($\text{MAVI-R}$) təqdim olunur.
3. Ümumi birləşdirilmiş MAVI balı yalnız GEO-Scope ilə ən azı 50 nəzarətli sınaq keçirildikdən sonra formalaşdırılır.

10. Xəta Növləri və Diaqnostik Həllər Cədvəli (Failure Modes & Diagnostics)

11. Elmi Sübutlar, Rəsmi və Akademik Ədəbiyyat

Bu çərçivə axtarış sistemlərinin rəsmi sənədləri və beynəlxalq akademik araşdırmalar üzərində qurulub:

1. Google Axtarış Mərkəzinin Süni İntellekt Bələdçisi:

Google Search Central — AI features and your website — Təməl axtarış standartlarının süni intellekt görünməsi üçün ilkin şərt olması təsdiqi.

1. Google Süni İntellekt Optimizasiyası Rəhbərliyi:

Google Search Central — Optimizing for generative AI features.

1. İnteraktiv Reklam Bürosu (IAB) Standartı:

IAB — Measuring Visibility in the AI Era — Mövcudluq, qabarıqlıq və qərəzsiz məlumat qiymətləndirmə çərçivəsi.

1. GEO üzrə Təməl Akademik Məqalə:

Aggarwal et al. (2023). GEO: Generative Engine Optimization. arXiv:2311.09735 — Sitatların və statistik sübutların axtarış nəticələrinə müsbət təsiri.

1. RAG Sistemində İki Mərhələli İstinad Tədqiqatı:

From Citation Selection to Citation Absorption (2026). arXiv:2604.25707.

1. Süni İntellekt və Axtarışın Tənqidi Analizi:

Optimizing Visibility in Generative Engines: A Critical Survey of GEO (2023–2026). arXiv:2607.14035.

12. Tədqiqat və İcraat üzrə Tez-tez Verilən Suallar (FAQ)

1. Kiçik və ixtisaslaşmış bir şirkət yüksək MAVI balı ala bilərmi?

Bəli! $L_1$-dən $L_4$-ə qədər olan qatlarda kiçik bir mütəxəssis komandası dəqiq məlumatlar və təmiz texniki arxitektura sayəsində böyük holdinqlərdən daha yüksək hazırlıq nümayiş etdirə bilər.

2. MAVI-dəki təkmilləşmə canlı süni intellekt cavablarında nə qədər vaxta əks olunur?

İnternetdə canlı axtarış edən mühərriklərdə (Perplexity və ChatGPT Search kimi) səhifələr yenidən indekslənən kimi (3 gündən 2 həftəyə qədər). Oflayn modellərdə isə model çəkilərinin növbəti yenilənməsi zamanı.

3. Veb saytımın MAVI qiymətləndirməsinə haradan başlamalıyam?

Ən doğru başlanğıc addımı, açıq mənbəli SAGE aləti ilə hazırlıq vəziyyətini ($L_1$–$L_3$) yoxlamaq və Texniki Sübutlar və Nəticələr səhifəmizi araşdırmaqdır.

13. İstinad Bloku, BibTeX və Növbəti Addımlar

Standart APA İstinadı:

Molavi, T. (2026). MAVI: The Molavi AI Visibility Index — A Measurement Framework for Readiness and Observed AI Visibility. Molavi R&D Think Tank. https://molavi.pro/az/research/mavi

BibTeX Bloku:

@article{molavi2026mavi,
  author = {Molavi, Taqi},
  title = {MAVI: The Molavi AI Visibility Index — A Measurement Framework for Readiness and Observed AI Visibility},
  journal = {Molavi R\&D Think Tank White Papers},
  year = {2026},
  url = {https://molavi.pro/az/research/mavi}
}

Praktiki Fəaliyyət üçün Növbəti Addımlar:

* Strateji çərçivə ilə tanış olun: Molavi GEO Piramidası; Entity Nüfuzunun 5 Qatı

* Təsdiqlənmiş real layihələri nəzərdən keçirin: Texniki Sübutlar və Canlı Kıyaslamalar

* İxtisaslaşmış xidmətlər: Korporativ GEO və Süni İntellekt Audit Sorğusu

* Birbaşa əlaqə və layihə müzakirəsi: Taqi Molavi ilə Əlaqə Forması