Analitik Araştırma
Adın Geçmesi ile Alıntı Aynı Şey Değildir: Yapay Zeka Arama Görünürlüğü İçin Pratik Taksonomi
InTen’de kıdemli SEO stratejisti ve GEO sistemleri mimarı olan Taghi Molavi bu konuyu inceliyor.
Doğrudan yanıt
Üretken arama değerlendirmesinde Adın Geçmesi, Alıntı, Öneri, Sıralama ve Model Payı arasındaki temel farkların matematiksel ve pratik analizi.
Yazar ve Araştırmacı: Taqi Molavi Yayıncı: Molavi Ar-Ge Düşünce Kuruluşu (molavi.pro/notes) Yayın Tarihi: 10 Ekim 2026 Kategori: Uygulamalı Yapay Zeka Arama ve GEO Metodolojisi
1. Giriş ve Sorunun Tanımı
Üretken Motor Optimizasyonu (GEO) ve Yapay Zeka Görünürlüğü (AI Visibility) alanında en yaygın ve tehlikeli analitik hata, birbirinden tamamen farklı niteliksel ve niceliksel göstergelerin birbirine karıştırılmasıdır. Piyasada mantar gibi türeyen denetim araçları, tutarsız sinyalleri tek bir "Yapay Zeka Puanı" içinde birleştirerek işletmeleri yanıltmaktadır.
Bu araştırma notu, Molavi GEO Piramidi ve Molavi Yapay Zeka Görünürlük İndeksi (MAVI) çerçevesinde bu olguları birbirinden kesin olarak ayıran operasyonel bir taksonomi sunmaktadır.
┌──────────────────────────────┐
│ Model Payı (%) │
├──────────────────────────────┤
│ Sıralama Konumu (1..n) │
├──────────────────────────────┤
│ Çözüm Önerisi (Solution) │
├──────────────────────────────┤
│ Alıntı (Tıklanabilir Link) │
├──────────────────────────────┤
│ Adın Geçmesi (Mention) │
└──────────────────────────────┘2. Kesin Metrik Taksonomisi ve Matematiksel Formülasyonlar
Büyük Dil Modellerini (LLM) değerlendirirken şu eşitsizlik temel bir kuraldır:
$$\text{Mention} \neq \text{Citation} \neq \text{Recommendation} \neq \text{Position} \neq \text{Share of Model}$$
2.1. Adın Geçmesi (Mention)
* Tanım: Model tarafından üretilen metin içinde marka, ürün veya kişi adının bağlantı verilmeden anılması. * Formül: $$\text{Mention Oranı} = \frac{\text{Marka adını içeren yanıt sayısı}}{\text{Toplam test edilen istem sayısı}} \times 100$$ * Yaygın Hata: Adın geçmesini ticari başarı sanmak; adınız olumsuz bir bağlamda veya bir kriz örneği olarak da geçmiş olabilir!
2.2. Doğrudan Alıntı ve Bağlantı (Citation)
* Tanım: Modelin yanıt metninde kullanıcının doğrudan resmi sitenize gitmesini sağlayan tıklanabilir bir köprü (link) sunması. * Formül: $$\text{Alıntı Oranı} = \frac{\text{Doğrudan bağlantı sunan yanıt sayısı}}{\text{Toplam test edilen istem sayısı}} \times 100$$
2.3. Çözüm Olarak Önerilme (Recommendation)
* Tanım: Modelin, kullanıcının sorununa en uygun çözüm olarak markanızı açıkça tavsiye etmesi.
3. Metrik Karşılaştırma ve Kontrol Tablosu
| Metrik | Operasyonel Tanım | Ölçek ve Birim | Yaygın Analitik Yanılgı | Bilimsel Kontrol Yöntemi |
|---|---|---|---|---|
| Mention | Marka adının metinsel varlığı | Yüzde (%0-100) | Olumsuz duygu bağlamını göz ardı etmek | Duygu analizi ve bağlam filtreleme |
| Citation | Doğrudan tıklanabilir bağlantı | Yüzde (%0-100) | Kaynak seçimini metne dahil olma sanmak | Alıntı seçimi ile emilimi ayırmak |
| Recommendation | Çözüm olarak tavsiye edilme | Yüzde (%0-100) | Tek bir istemi tüm sektöre genellemek | Çok aşamalı niyet testleri yapmak |
| Position | Öneriler listesindeki sıra | Tamsayı (1..n) | Doğrusal ortalama almak | Ağırlıklı ters sıralama (MRR) hesaplamak |
| Share of Model | Çıktıdaki kelime payı | Yüzde (%0-100) | Modelin gevezeliğine aldanmak | Rakip kümesine göre normalize etmek |
4. Araç Ekosistemimizle Denetim
Bu metrikleri kendi alanınızda ölçmek için: * [GEO-Scope](https://github.com/tmolavi/geo-scope): Canlı modellerde Mention ve Citation oranlarını otomatik test eder. * [SAGE](https://github.com/tmolavi/sage-audit): Kod ve şema düzeyinde alıntı hazırlığını denetler.
5. İlgili Araştırmalar ve Sonraki Adımlar
* Molavi Yapay Zeka Görünürlük İndeksi (MAVI) * Molavi GEO Piramidi; 5 Varlık Otoritesi Katmanı * Teknik Kanıtlar ve Canlı Kıyaslamalar * Kurumsal GEO Denetimi Başvurusu