MAVI: Molavi Yapay Zeka Görünürlük İndeksi

MAVI: Molavi Yapay Zeka Görünürlük İndeksi — Yapısal Hazırlık ve Ampirik Görünürlük İçin Ölçüm Çerçevesi

Yazar ve Geliştirici: Taqi Molavi

Yayıncı: Molavi Ar-Ge Düşünce Kuruluşu (molavi.pro/research)

Sürüm: 1.1, Ekim 2026 (Kapsamlı Metodoloji ve İstatistiksel Kıyaslama Güncellemesi)

Alıntı: 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/tr/research/mavi

1. Yanlış Anlaşılan Bir Metriğin Hikayesi: Yapay Zeka Sizi Yalnızca Bildiğini Sandığında!

Büyüyen bir teknoloji şirketinin kurucusu olduğunuzu düşünün. Yapay zeka motorlarının markanızı nasıl algıladığını merak edip ChatGPT veya Perplexity'yi açıyor ve doğrudan soruyorsunuz:

"[Markanızın Adı] hakkında ne biliyorsun?"

Model akıcı ve övgü dolu bir yanıt veriyor: "Şirketiniz sektörde öncü, yenilikçi çözümler sunan tanınmış bir kuruluştur..." Sekmeyi rahatlayarak kapatıyor ve yapay zekada görünürlüğünüzün kusursuz olduğuna inanıyorsunuz.

Şimdi bir de markanızı daha önce hiç duymamış gerçek bir potansiyel müşterinin aramasını düşünün:

"2026 yılında kurumsal e-ticaret için en yüksek performanslı 3 bulut altyapısı hangisidir?"

Yapay zeka kapsamlı bir karşılaştırma hazırlıyor, üç doğrudan rakibinize tıklanabilir kaynak bağlantıları veriyor ve sizin markanızdan tek bir kelime bile bahsetmiyor!

İşte Molavi Yapay Zeka Görünürlük İndeksi (MAVI) tam olarak bu yanılsamayı ortadan kaldırmak için geliştirildi. Pazarlama ajanslarının sunduğu temelsiz puanlar yerine, varlıkların modeller tarafından nasıl keşfedildiğini, alıntılandığını ve önerildiğini bilimsel bir laboratuvar titizliğiyle ölçüyoruz.

2. Sorunun Özü: Neden Tek Bir Yüzdelik Puan Yanıltıcıdır?

Geleneksel SEO'da bir anahtar kelimenin arama sonuç sayfasındaki (SERP) konumu belirgindi. Ancak ChatGPT Search, Perplexity ve Google AI Overviews gibi modern sistemlerde:

1. Çıktılar Olasılıksaldır (Stokastik): Modeller sonraki kelimeleri olasılık dağılımlarına göre seçer; sıcaklık (Temperature) parametresi değiştikçe sonuçlar farklılaşır.
2. İki Aşamalı RAG Mimarisi: Üniversite araştırmalarında belgelendiği üzere (arXiv:2604.25707), modeller önce bir Alıntı Seçimi (Citation Selection) yapar, ardından bu bilgiyi nihai metne dahil edip etmeyeceğine karar verir (Citation Absorption). Pek çok site taranır ancak yanıtta hiç yer almaz!
3. Diller Arası Davranış Farkı: Bir marka İngilizce sorgularda güçlü alıntılar alırken, Türkçe aramalarda tamamen göz ardı edilebilir.

Örneklem büyüklüğü, güven aralıkları ve katman analizi olmadan "Sitenizin yapay zeka puanı %78'dir" demek bilimsel açıdan geçersizdir.

3. İkili Mimari: Yapısal Hazırlık ile Canlı Görünürlüğün Ayrılması

MAVI bu karmaşayı çözmek için iki bağımsız boyutu birbirinden kesin olarak ayırır:

┌────────────────────────────────────────────────────────────────────────┐
│                        Bileşik MAVI Puan Mimarisi                      │
└───────────────────────────────────┬────────────────────────────────────┘
                                    │
         ┌──────────────────────────┴──────────────────────────┐
         ▼                                                     ▼
┌──────────────────────────────────┐        ┌──────────────────────────────────┐
│       1. Yapısal Hazırlık        │        │      2. Gözlemlenen Görünürlük   │
│       (MAVI-R: Readiness)        │        │         (MAVI-O: Observed)       │
├──────────────────────────────────┤        ├──────────────────────────────────┤
│ • Kod ve DOM taranabilir mi?     │        │ • Canlı modeller markasız        │
│ • JSON-LD varlık şeması tam mı?  │        │   sorgularda markayı gerçekten   │
│ • Metin parçaları yoğun mu?      │        │   anıyor, alıntılıyor mu?        │
│ (Kaynak Kod Düzeyinde Denetim)   │        │ (Ampirik Çoklu Model Kıyaslaması)│
└──────────────────────────────────┘        └──────────────────────────────────┘

[!IMPORTANT]

MAVI'nin Altın Kuralı: %100 Hazırlık Puanına sahip olmak, yapay zekanın sizi canlıda önereceğini garanti etmez. Hazırlık yalnızca oyuna giriş biletidir; önerilmek ise üçüncü taraf doğrulaması, varlık otoritesi ve birincil veri sahipliği gerektirir.

4. Kesin Metrik Taksonomisi: Adın Geçmesinden Zihin Payına

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

5. Molavi GEO Piramidi ve Beş MAVI Katmanı Eşleştirmesi

Piramit ↔ MAVI Karşılaştırma Tablosu

6. Açık Kaynak Araç Setimiz: Kapalı Devre Mühendislik Döngüsü

$$\text{AnswerPath} \longrightarrow \text{GEO-Scope} \longrightarrow \text{SAGE} \longrightarrow \text{MAVI} \longrightarrow \text{SiteProbe} \longrightarrow \text{Yeniden Ölçüm}$$

1. [AnswerPath (Kullanıcı Niyeti ve Soru Madenciliği)](https://github.com/tmolavi/answerpath-geo): Sektörünüzdeki gerçek kullanıcı sorularını çıkarır.

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

1. [GEO-Scope (Çoklu Model Görünürlük Kıyaslaması)](https://github.com/tmolavi/geo-scope): Perplexity, ChatGPT, Claude ve Gemini testlerini otomatikleştirir.

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

1. [SAGE (Üç Katmanlı SEO, AEO ve GEO Denetim Motoru)](https://github.com/tmolavi/sage-audit): Kaynak kod düzeyinde MAVI-R Hazırlık Puanını hesaplar.

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

1. [mcp-geo-server (Model Bağlam Protokolü Arayüzü)](https://github.com/tmolavi/mcp-geo-server): Geliştirici yapay zekalarıyla doğrudan iletişim kurar.

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

1. [SiteProbe (Onarım ve İyileştirme Motoru)](https://github.com/tmolavi/siteprobe): DOM ve indeksleme hatalarını otomatik onarır.

7. Ampirik Kıyaslama Veri Matrisi: Çok Dilli ve Çok Motorlu Canlı Test Sonuçları

Standardize edilmiş 250 sorguluk canlı test sonuçları:

8. Matematiksel Formül ve Sayısal Örnek (Worked Example)

Bileşik MAVI puanı ağırlıklı doğrusal toplam olarak hesaplanır:

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

Kalibre edilmiş standart temel ağırlıklarla:

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

Gerçek Bir Projeden Örnek Denetim:

Bir B2B yazılım kuruluşunun SAGE ve GEO-Scope ile denetlendiğini varsayalım:

$L_1$ Puanı (Teknik Altyapı Sağlığı): 90* / 100 (Kusursuz SSR, temiz DOM ve sıfır HTTP hatası).

$L_2$ Puanı (Anlamsal Şema Çıkarılabilirliği): 85* / 100 (Kuruluş ve Ürün bazında eksiksiz JSON-LD işaretlemesi).

$L_3$ Puanı (Varlık Netliği ve Bilgi Grafı): 70* / 100 (Resmi profiller bağlı, ancak açık ansiklopedilerde belirsizlikler mevcut).

$L_4$ Puanı (Alıntı Hazırlığı ve Parça Yoğunluğu): 55* / 100 (Metinler fazla tanıtım odaklı, somut veri ve olgu yoğunluğu düşük).

$L_5$ Puanı (Canlı Testlerde Ampirik Görünürlük): 35* / 100 (%45 Anılma Oranı, %25 Alıntı Oranı).

#### Adım 1: Yapısal Hazırlık Puanının Hesaplanması ($\text{MAVI-R}$)

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

#### Adım 2: Genel Bileşik MAVI Puanının Hesaplanması

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

Stratejik Yorum:

Kuruluş teknik olarak mükemmel bir hazırlığa sahiptir (%74 Hazırlık), ancak içeriği sloganlarla dolu ve birinci el verilerden yoksun olduğu için ($L_4 = 55$), canlı modellerde zayıf kalmıştır ($L_5 = 35$). Çözüm daha fazla teknik SEO değil; olgu-yoğun metin mimarisi ve bağımsız güvenilir kaynaklarda alıntı oluşturmaktır.

9. Eksik Veri Politikası: Neden Sıfır Atanamaz?

Yeni bir müşteri için henüz canlı model testleri yapılmadığında ne olur?

Standart dışı araçlar doğrudan $L_5$ katmanına 0 puanı vererek tüm sistemin ortalamasını haksız yere düşürür. MAVI'nin resmi metodolojisinde ise:

1. Ölçülmemiş katman açıkça not_measured olarak etiketlenir.
2. Elde edilen mevcut kazanım olarak yalnızca Yapısal Hazırlık Puanı ($\text{MAVI-R}$) bağımsız sunulur.
3. Nihai bileşik puan ancak GEO-Scope ile canlı motorlarda en az 50 kontrollü test yürütüldükten sonra hesaplanır.

10. Hata Türleri ve Teşhis Tedavileri Tablosu (Failure Modes & Diagnostics)

11. Bilimsel Kanıtlar, Resmi ve Akademik Literatür

Bu çerçeve arama motorlarının resmi belgeleri ve uluslararası akademik araştırmalar üzerine inşa edilmiştir:

1. Google Arama Merkezi Yapay Zeka Kılavuzu:

Google Search Central — AI features and your website — Temel arama dizinlemenin yapay zekada görünürlük için ön koşul olduğunun resmi onayı.

1. Google Üretken Yapay Zeka Optimizasyon Rehberi:

Google Search Central — Optimizing for generative AI features.

1. IAB Yapay Zeka Döneminde Görünürlük Standartları:

IAB — Measuring Visibility in the AI Era — Varlık, belirginlik ve tarafsız veri değerlendirme çerçevesi.

1. GEO Temel Akademik Makalesi:

Aggarwal et al. (2023). GEO: Generative Engine Optimization. arXiv:2311.09735 — Alıntıların ve istatistiksel kanıtların arama performansına doğrudan etkisi.

1. RAG İki Aşamalı Alıntı Araştırması:

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

1. Üretken Arama ve GEO Kritik Değerlendirmesi:

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

12. Araştırma ve Uygulama SSS (FAQ)

1. Küçük ve uzman bir kuruluş yüksek MAVI puanı alabilir mi?

Evet! $L_1$ ile $L_4$ katmanları arasında küçük uzman ekipler, yoğun olgusal veriler ve temiz teknik altyapı sayesinde dev portallardan çok daha yüksek hazırlık puanı alabilirler.

2. MAVI'deki iyileştirmelerin canlı yapay zeka yanıtlarına yansıması ne kadar sürer?

Canlı web araması yapan motorlarda (Perplexity ve ChatGPT Search gibi) sayfalar yeniden tarandığı anda (3 gün ile 2 hafta arası). Çevrimdışı modellerde ise bir sonraki model ağırlık güncelleme döngüsünde.

3. Web sitemizi MAVI standartlarında denetlemeye nereden başlamalıyız?

En doğru başlangıç noktası, açık kaynaklı SAGE aracımız ile $L_1$–$L_3$ hazırlık seviyesini denetlemek ve Teknik Kanıtlar Sayfamızı incelemektir.

13. Alıntı, BibTeX ve Sonraki Adımlar

Standart APA Formatı:

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/tr/research/mavi

BibTeX Formatı:

@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/tr/research/mavi}
}

Sonraki Adımlar ve Eylemler:

* Stratejik çerçeveyi inceleyin: Molavi GEO Piramidi; 5 Varlık Otoritesi Katmanı

* Doğrulanmış vaka çalışmalarını görün: Teknik Kanıtlar ve Canlı Kıyaslamalar

* Kurumsal hizmetler: Kurumsal GEO ve Yapay Zeka Denetimi Başvurusu

* Doğrudan iletişim ve proje değerlendirmesi: Taqi Molavi ile İletişim Formu