GEO-Scope: Markanın AI cevaplarındaki görünürlüğü nasıl ölçülür?

Bir kişi ChatGPT’ye “İşim için hangi aracı seçmeliyim?” diye sorduğunda, karşısına artık yalnızca mavi bağlantılar çıkmıyor. Yapay zekâ birkaç marka söyleyebilir, birini öne çıkarabilir ve cevabına kaynak ekleyebilir. GEO-Scope’un mevcut README’sinde bazı erken sinyaller de veriliyor: Perplexity için kullanıcı içerikleri yüzde 38, ChatGPT için güvenilir medya yüzde 28 ve inceleme dizinleri yüzde 26. O zaman çok sade ama önemli bir soru ortaya çıkıyor: Markanız bu cevabın neresinde?

Tek bir yapay zekâ cevabının ekran görüntüsüne bakıp büyük sonuçlar çıkarmayı hiç doğru bulmadım. Çünkü yarın model değişebilir, soru başka türlü sorulabilir veya yeni bir kaynak ortaya çıkabilir. Bu yüzden GEO-Scope’u GitHub’da yayımladım. Bu, markaların AI arama sonuçlarındaki görünürlüğünü daha düzenli, ölçülebilir ve incelenebilir biçimde araştırmak için açık kaynaklı bir projedir.

Bu sayıları her sektör için kesin kural gibi okumamak gerekir. Repo, Gemini için bilgi grafiği ve Wikidata sinyallerinden; Claude için de teknik belgeler, açık karşılaştırma tabloları ve sayısal kanıttan söz ediyor. Bunlar projenin şu an raporladığı ilk bulgular ve varsayımlar; daha fazla çalıştırma ile yeniden test edilmeleri gerekir.

GEO-Scope nedir?

Bir şehirde insanların restoran ararken ne gördüğünü anlamak istediğinizi düşünün. Tek bir kişiye sormak yerine birçok soru sorarsınız: “Ailece nereye gidelim?”, “Hangisi daha uygun fiyatlı?”, “Sağlıklı yemek nerede var?” Sonra cevapları yan yana koyar, hangi isimlerin ve gerekçelerin tekrarlandığına bakarsınız.

GEO-Scope aynı fikri üretken arama için kullanıyor. Projenin mevcut tasarımında, ticari, karşılaştırma, problem çözme, uzun kuyruk ve itibar/kullanıcı deneyimi olmak üzere beş niyet altında 1.000 soruluk bir benchmark oluşturuluyor. Bu, projenin bugünkü tasarımıdır; her sektör için değişmez bir kanun değildir.

Sistem sorular üretir, model cevaplarını çalıştırır, marka ve kaynakları ayıklar, sonuçları analiz eder ve bulguları uygulanabilir bir plana dönüştürmeye yardım eder. Kısacası bir büyüteç gibi davranır: “Yapay zekâ neden rakibi söyledi?” diye tahmin yürütmek yerine, farklı sorulardan daha fazla ipucu toplarsınız.

Hangi sinyallere bakıyor?

• Model Payı: Bir marka cevaplarda ne sıklıkla görünüyor?
• İlk Öneri Oranı: Kaç kez ilk sırada öneriliyor?
• Atıf Grafiği: Model hangi sitelere ve kaynaklara dayanıyor?
• Algoritmik ağırlıklar: Proje, öneri veya atıfla birlikte görülen özellikleri incelemeye çalışıyor.

Bunlar Google sıralamasının yerine geçmez. Yapay zekâ görünürlüğünün başka bir yüzünü gösterir. Burada açık anlatım, güvenilir kaynak, gerçek müşteri deneyimi ve birbirine bağlı varlıklar önem kazanır. Konuya yeniyseniz GEO nedir? ve GEO yeni SEO değildir yazılarına bakabilirsiniz.

İşletmeye ne faydası var?

Asıl fayda sihirli bir puan almak değil, daha iyi sorular sorabilmektir. Rakibiniz daha sık öneriliyorsa bunun nedeni yalnızca daha fazla içerik üretmesi olmayabilir. Bağımsız kaynaklar onu daha iyi anlatıyor olabilir. Ürün bilgileri daha anlaşılır olabilir. Müşterileri daha fazla gerçek deneyim paylaşmış olabilir.

GEO-Scope bu izleri tek bir sohbete güvenmeden, bir soru setinin tamamında görmeye yardım eder. SEO ve içerik ekipleri AI görünürlüğü planı çıkarabilir; geliştiriciler deneyi tekrarlayabilir; işletme sahipleri de markalarının cevaplarda neden zayıf kaldığını daha net anlayabilir.

Nasıl başlanır?

Python ve komut satırı kullanıyorsanız:

git clone https://github.com/tmolavi/geo-scope.git
cd geo-scope
pip install -e .
geo-scope serve --host 0.0.0.0 --port 8000
geo-scope run --niche crm_sales --brand HubSpot --count 1000 --out results/

Repo’da Docker, Python SDK ve testler de bulunuyor. Kodu okuyabilir, soru setini değiştirebilir, başka bir alanı deneyebilir ve sonucu yeniden üretebilirsiniz.

Yalnız bir sınırı unutmamak gerekir: sonuçlar kullanılan modele, API’ye, tarihe, sorulara, rakiplere ve sektöre bağlıdır. 1.000 soru, repo’daki benchmark tercihidir; her marka için garanti değildir. Ölçüm ancak nasıl üretildiğini bildiğimizde anlamlıdır. Bu konu için AI görünürlüğünü ölçmek yazısına da bakın.

Bu projeyi “yapay zekânın gizli sıralama formülünü buldum” demek için yazmadım. Amaç daha dürüst bir araştırma zemini kurmak: soruları görünür kılmak, kodu incelemek, varsayımlara itiraz etmek ve yöntemi birlikte geliştirmek.

İşinize yararsa GEO-Scope’u GitHub’da ziyaret edin, Star verin, Issue açın, ekibinizle paylaşın veya Pull Request gönderin. İyi bir hata raporu da en az bir yıldız kadar değerlidir.

Atalarımızın dediği gibi: “Damlaya damlaya göl olur.” AI görünürlüğü de bir günde kurulmaz. Daha iyi sorular, daha sağlam kanıtlar ve düzenli ölçümle yavaş yavaş güçlenir.