Ampirik Kanıtlar, Canlı Telemetri ve Mimari Kayıt
Bu sayfa Taghi Molavi ve InTen’in Google ve ChatGPT gibi yapay zeka sistemlerinde görünürlük için nasıl çalıştığını belgeler. Arama Konsolu verileri, açık kaynak benchmarkları ve akademik kayıtlar sunulmuştur.
Sorunu, inşa edilen sistemi ve kamuya açık kanıtı gösterir. Müşteri alan adları gizlilik sözleşmesi (NDA) gereği maskelenmiştir; doğrulanmış konsol sahipliği korunmuştur.
Direct Google Search Console Telemetry
Doğrudan Google Search Console telemetrisi; NDA gereği alan adı gizlenmiştir, doğrulanmış konsol yönetimi ve büyüme eğrileri açıktır.
Clicks (3m)
4.3M
↑ vs 1.42M prev
Impressions
53.5M
↑ vs 16.9M prev
NewsArticle Şeması, yazar doğrulaması ve Bilgi Grafiği entegrasyonu ile 3 kat organik keşif artışı.
🔒 Client domain redacted under NDA
AI Impressions
153K
↑ vs 0 prev
Period
6 Mos
Consistent
GEO entite ayrıştırması ile Google AI Overviews yanıtlarında doğrulanmış varlık görünürlüğü.
🔒 Client domain redacted under NDA
Avg Position
1.5
Multimodal
Impressions (28d)
81.7K
1.11K Clicks
Görsel ve yapılandırılmış veri optimizasyonu ile multimodal aramalarda üst düzey konumlanma.
🔒 Client domain redacted under NDA
Reproducible AI Visibility Metrics
4 sağlayıcı (ChatGPT, Perplexity, Gemini, Claude) ve SHA-256 ile doğrulanmış 118 gözlem üzerinden tekrarlanabilir yapay zeka görünürlük ölçümü.
| Hedef Marka | Bahsedilme | Birincil Öneri | Alıntı Kaydı | Örneklem |
|---|---|---|---|---|
| HubSpot | 73.7% | 26.3% | 79.7% | n = 118 |
| Salesforce | 62.7% | 46.6% | 61.0% | n = 118 |
| Zoho CRM | 64.4% | 17.8% | 30.5% | n = 118 |
| Pipedrive | 61.0% | 9.3% | 33.9% | n = 118 |
💡 Teknik not: Bahsedilme oranı, birincil öneri ve alıntı kaydı farklı metriklerdir ve ayrı ayrı ölçülmelidir.
GitHub’da Canlı Veri Setini ve SHA-256 Kodlarını Gör ↗Problem → Build → Evidence
Müşteri detayları NDA kapsamındadır; problem kalıpları ve niteliksel kanıtlar incelenebilir.
Günde yüzlerce içerik üreten ve çok kanallı dağıtım yapan büyük ölçekli dijital medya.
Yüksek yayın hızı veri kalitesini geride bırakmış ve yapay zeka cevap motorlarında kaynak gösterilme oranını düşürmüştü.
Otomatik NewsArticle ve yazar entity grafiği tasarlandı; şemalar harici kaynaklarla doğrulandı.
Niteliksel sonuç: Search Console üzerinde sıfır hata ile tam Rich Results ve Knowledge Graph uyumu sağlandı.
🔒 Müşteri kimliği ve altyapı detayları gizlilik sözleşmesi (NDA) kapsamındadır.
Bölgesel ihracat yapan endüstriyel makine ve mühendislik firması.
Ürün kataloglarının yapılandırılmamış olması yapay zeka motorlarının teknik verileri yanlış aktarmasına yol açıyordu.
Product ve Service şemaları yeniden yapılandırıldı, çok dilli hreflang düzenlemeleri tamamlandı.
Niteliksel sonuç: Model halüsinasyonları giderildi ve teknik varlık doğrulaması sağlandı.
🔒 Sözleşme bilgileri ve marka adı gizli tutulmaktadır.
Farklı dillerde sınır ötesi danışmanlık hizmeti sunan uluslararası şirket.
Niteliksiz müraciət fazlalığı operasyonel yük yaratırken hizmet sayfaları yapay zekada eksik görünüyordu.
Dijital İkiz ön eleme hattı kuruldu, doğrulanmış bilgi tabanı entegre edildi.
Niteliksel sonuç: Niteliksiz talepler otomatik filtrelendi ve hizmet sayfalarının görünürlüğü artırıldı.
🔒 Müşteri verileri ve iç süreçler gizlidir.
Inspecting the Engineering
Yöntemin parçalarını ve ölçüm mantığını şeffaf kılan üç açık kaynak GitHub deposu.
Sorun: Varlıkların yapay zeka cevap motorlarındaki görünürlüğünü karşılaştıracak tekrarlanabilir bir yöntem yoktu.
İnşa edilen: Promptları, model yanıtlarını, alıntıları ve geri getirme farklarını kaydeden Python tabanlı tekrarlanabilir benchmark çatısı.
Örnek: Aynı soruyu birden fazla motorda çalıştırarak marka ve kaynak alıntılarının nerede yer aldığını incelemek.
Doğrulanabilir sonuç: Belirsiz iddialar yerine Python ile tekrarlanabilir raporlama ve benchmark yöntemi.
Sorun: Yapay zeka kodlama ajanları dağınık yönergelere sahipti ve standart beceri tanımları eksikti.
İnşa edilen: YAML ön bilgisine sahip Markdown beceri tanımları ve Model Context Protocol (MCP) sunucu yapılandırmaları koleksiyonu.
Örnek: Ajan bir görevi çalıştırmadan önce doğrulanmış alan becerisini yükler ve kontrollü araçlarla işlem yapar.
Doğrulanabilir sonuç: Beceriler ve MCP yapılandırmaları açık kaynakta keşfedilebilir, sürümlenebilir ve incelenebilir hale gelir.
Sorun: n8n otomasyonları demoda çalışıyor ancak canlı ortamda yapılandırılmış doğrulama adımları eksik kalıyordu.
İnşa edilen: Çalışma öncesi ve sonrası doğrulama kontrolleri içeren n8n iş akışı kalıpları, ajan becerileri ve MCP yönlendirmesi.
Örnek: İçerik yayınlanmadan veya görev tamamlanmadan önce şemaları, bağlantıları ve API yanıtlarını denetlemek.
Doğrulanabilir sonuç: Denetimsiz çalıştırma yerine izlenebilir, kontrollü ve hata kurtarmalı iş akışı.
Scientific Integrity & Verification
Uluslararası araştırmacı kimlikleri, Zenodo ve OpenAIRE arşivleri ve açık geliştirici profilleri.
0009-0009-6253-5354
International Researcher ID
orcid.org ↗Zenodo / CERN DOI10.5281/zenodo.23234349
OpenAIRE & CERN Archival DOI
zenodo.org ↗Hugging Facetaqimolavi
Live Spaces & AI Benchmarks
huggingface.co ↗PyPI Distributiontaghi-molavi88
Official geo-scope Python package
pypi.org ↗Wikidata Knowledge GraphQ141270530
Canonical Knowledge Graph Node
wikidata.org ↗OpenAIRE European PortalPublication Index
European Research Registry
openaire.eu ↗Academia.eduERP AI Architecture
Enterprise ERP Governance Paper
academia.edu ↗GitHub Organizationtmolavi
Canonical Git Organization
github.com/tmolavi ↗Açık kaynak ve Arama Konsolu telemetrisi, sonuçların pazarlama iddialarına dayanmadığını gösterir. Uzmanlar gerçek verileri, benchmark yöntemini ve kaynak kodunu inceleyebilir; müşteri gizliliği ise korunur.