10. Bölüm: Okunabilir ve Alıntılanabilir Sayfa

Son güncelleme: 1 Kasım 2026.

Bot sayfanıza ulaştı. 9. bölümde bunun nasıl kontrol edileceğini konuştuk: hangi botlar geliyor, sayfada ne görüyorlar, neyi göremiyorlar. Ama ulaşmak, sayfadaki bilginin bir yapay zekâ cevabına girmesine yetmiyor. Model sayfayı okuyabilmeli, ne anlattığını anlayabilmeli ve içinden doğru bir parçayı alıp cevabına koyabilmeli.

Üçüncü bölümde yapay zekânın sayfayı bütün olarak değil parça parça kullandığını, Google’ın da içeriği yapay zekâ için lokma lokma bölmeye karşı çıktığını gördük. İkisini yan yana koyunca yapılacak iş belli oluyor. Yapay zekâ için ayrı bir sayfa yazmıyoruz; okuyucu için iyi yazılmış bir sayfayı makinenin de kolay okuyabileceği bir düzene sokuyoruz. Bu düzen başlıklardan, cevabın yerinden, tanımlardan, paragraflardan, tablolardan ve sayılardan oluşuyor. Yapılandırılmış veri (Schema) ise bu işin sanıldığından küçük bir parçası.

1. Alıntılanabilir sayfa

Sayfadaki önemli bir paragrafı alıp başka bir yere koyduğunuzda hâlâ doğru, anlaşılır ve kime ait olduğu belli kalıyorsa, o sayfa alıntılanabilir.

Bu tanım üç şey istiyor. Metin okunabilir olmalı, yani bir makinenin çıkarabileceği biçimde sayfanın HTML’inde durmalı; görselin içinde, JavaScript’in arkasında ya da bir PDF’in 14. sayfasında değil. Her bölüm neyi cevapladığını başlığıyla ve ilk cümlesiyle söylemeli. Paragraf da kendi bağlamını taşımalı, somut bilgi vermeli ve doğrulanabilir olmalı.

Bu özelliklerin alıntılanmayla ilişkisini gösteren veriler de var. Kevin Indig, Şubat 2026’da yaklaşık 1,2 milyon ChatGPT cevabından ayırdığı 18.012 doğrulanmış kaynak gösterimini incelediği bir analiz yayımladı (Search Engine Journal):

• Kaynak gösterimlerinin yüzde 44,2’si metnin ilk yüzde 30’luk kısmından geliyordu.
• Çok alıntılanan metinlerde kesin ve tanımlayıcı bir dil yüzde 36,2 oranında görülürken az alıntılananlarda bu oran yüzde 20,2’de kalıyordu.
• Çok alıntılanan metinlerde özel isimlerin ve somut varlıkların yoğunluğu yüzde 20,6 idi.

Bunlar bir korelasyon, nedensellik değil; tek bir platformu ve tek bir dönemi ölçüyorlar. Ama iyi editörlerin yıllardır söylediğiyle örtüşüyorlar: Cevabı başa koyun, açık konuşun, somut olun.

2. İçindekiler gibi okunan başlıklar

Google’ın üretken yapay zekâ araması rehberi, içeriğin paragraflar ve bölümler halinde, gezinmeyi kolaylaştıran açık başlıklarla düzenlenmesini öneriyor. Aynı rehber mükemmel semantik HTML’in şart olmadığını, ama ekran okuyucular gibi başka kullanıcılara da yardım ettiği için mümkün olduğunca kullanılmasını söylüyor (Google Search Central).

Basit bir test var. Sayfadaki bütün paragrafları silin, sadece başlıkları bırakın. Geriye kalan liste sayfanın neyi cevapladığını anlatıyor mu? “Genel Bilgiler”, “Detaylar”, “Özellikler” bu testi geçemiyor. “Köpüren ürünlerde dolum hızı”, “Hangi şişe boyutlarıyla çalışır?”, “Servis ve yedek parça süreleri” geçiyor.

Sayfada tek bir H1 olsun ve sayfanın ana konusunu söylesin. H2’ler kullanıcının karar verirken sorduğu ana soruları ya da sayfanın ana bölümlerini, H3’ler de bunların altındaki ayrıntıları taşısın. Başlık seviyesi tasarım için değil yapı için seçilir; bir yazıyı büyük göstermek için H2 kullanmak yapıyı bozar. Her bölüm tek bir konuyu anlatsın. Bir başlığın altında kapasite, servis ve fiyat bir arada anlatılıyorsa o bölümden doğru parçayı çıkarmak zorlaşıyor.

Google aynı rehberde ana içeriğin sayfadaki diğer unsurlardan kolayca ayırt edilebilmesini de istiyor. Menüler, kampanya bantları, açılır pencereler ve ilgili ürün kutuları arasında kaybolan bir metin okuyucuyu da makineyi de yoruyor.

3. Cevabı başa koymak

Gazetecilikte “ters piramit” denen bir kural var: En önemli bilgi başta, ayrıntı sonra. Yapay zekâ aramasında bu kuralın değeri arttı. Indig’in verisinde kaynak gösterimlerinin neredeyse yarısının metnin ilk üçte birinden gelmesi de bunu destekliyor.

Kural iki seviyede uygulanıyor. Sayfanın ilk paragrafı sayfanın ana sorusunu cevaplasın: Ürün sayfasında ürünün ne olduğu, kime uygun olduğu ve başlıca farkları; bir rehberde sorunun kısa cevabı. Her başlığın altındaki ilk cümle de o başlığın cevabı olsun. Ayrıntı, koşul ve istisna sonra gelir.

Bir dolum makinesi üreticisinin sayfasında “Köpüren ürünler için hangi dolum sistemi uygun?” diye bir başlık olsun. Altındaki paragraf iki şekilde başlayabilir:

• “Firmamız 1998’den bu yana sektöre yönelik çözümler üretmekte olup, müşterilerimizin farklı ihtiyaçlarına göre…”
• “Köpüren ürünlerde en sık kullanılan yöntem dalıcı nozullu dolumdur; nozul şişenin dibinden doldurmaya başlayıp sıvı yükseldikçe yukarı çıktığı için köpürmeyi azaltır.”

İlki soruyu cevaplamıyor. İkincisi cevabı veriyor, nedenini söylüyor ve tek başına alıntılanabiliyor. Okuyucunun ilk cümlede aradığını bulamadığı bir bölüm yapay zekânın da işine yaramıyor.

Bu, sayfayı kısaltmak demek değil. Google’ın rehberi ideal bir sayfa uzunluğu olmadığını açıkça söylüyor. Cevap başa geldikten sonra ayrıntıyı, örneği, istisnayı ve karşılaştırmayı istediğiniz kadar anlatabilirsiniz.

4. Tek cümlelik tanımlar

Yapay zekâya en sık sorulan soruların bir kısmı tanım sorusu: “Dalıcı nozul nedir?”, “Pistonlu dolum ne demek?”, “CIP sistemi ne işe yarar?” Bunların cevabı genelde tek cümle. Modelin o cümleyi sizin sayfanızdan alması için tanımın sayfanızda açık bir cümle olarak yazılmış olması gerekiyor.

İyi bir tanım cümlesi üç parçadan oluşuyor: terim, ait olduğu kategori ve onu aynı kategorideki diğerlerinden ayıran özellik.

Pistonlu dolum makinesi, sıvıyı bir silindir ve piston yardımıyla hacim olarak ölçerek dolduran bir dolum makinesidir; bu yöntem özellikle krem ve macun gibi yoğun ürünlerde kullanılır.

Bu cümlede terim (pistonlu dolum makinesi), kategori (dolum makinesi) ve ayırt edici özellik (silindir ve pistonla hacimsel ölçüm) bir arada. Cümle sayfadan çıkarıldığında da anlaşılıyor.

Kesin konuşun ama abartmayın. “Genellikle”, “bazı durumlarda”, “olabilir” gibi ifadeleri her cümleye eklemek metni bulanıklaştırıyor. “En iyi”, “tek çözüm” gibi iddialar da doğru değilse sizi yanlış bir kaynak yapıyor. Kesin dili, kesin olan bilgide kullanın.

Aynı şeye hep aynı adı verin. Bir sayfada “dalıcı nozul”, diğerinde “dalgıç nozul”, üçüncüsünde “alttan dolum” yazıyorsa okuyucu da makine de bunların aynı şey olup olmadığını tahmin etmek zorunda kalıyor. Eş anlamlı bir terim varsa ilk geçtiği yerde bir kez belirtin, sonra tek terimle devam edin.

Tanımı kullanıldığı yere de koyun. Ayrı bir sözlük sayfası faydalı olabilir, ama terimin ilk geçtiği ürün ya da rehber sayfasında da kısa bir tanım bulunmalı.

5. Paragraf kendi ayağı üzerinde durmalı

Her paragrafın kendi bağlamını taşıması gerektiğini 3. bölümde söylemiştik. Uygulaması düşündüğümüzden zor, çünkü hepimiz metni baştan sona okunacakmış gibi yazıyoruz.

En sık rastlanan sorun, bağlamı önceki paragrafta bırakan kelimeler: “bu model”, “söz konusu sistem”, “yukarıda belirttiğimiz gibi”, “bu yüzden”. Aynı bilgi iki şekilde:

• Önce: “Bu modelde nozul sayısı artırılabiliyor. Böylece kapasite iki katına çıkıyor.”
• Sonra: “X-200 dolum makinesinde nozul sayısı 4’ten 8’e çıkarılabiliyor. Bu değişiklikle saatlik kapasite yaklaşık iki katına çıkıyor.”

İkinci versiyon biraz daha uzun ama paragrafın dışına çıkarıldığında da doğru kalıyor. Hangi makine olduğu, neyin değiştiği ve sonucun ne olduğu belli. Indig’in verisinde çok alıntılanan metinlerde özel isim yoğunluğunun yüksek çıkması da bununla uyumlu. Model adı, marka, şehir, standart adı gibi somut isimler paragrafı kendi başına anlaşılır kılıyor.

Amaç her cümlede marka adını tekrar etmek ya da metni yapay zekâ için küçük lokmalara bölmek değil; 3. bölümde Google’ın bu konudaki uyarısını görmüştük. Amaç, bir bölüme doğrudan gelen okuyucunun kaybolmaması. Arama sonucundan, bir linkten ya da bir yapay zekâ cevabından sayfanın ortasına düşen kişi için de aynı kural geçerli.

6. Karşılaştırma için tablo

Birçok öğeyi aynı özellikler üzerinden karşılaştıracaksanız en iyi araç tablo. Model karşılaştırmaları, teknik özellikler, fiyat paketleri, kapasite aralıkları ve uyumluluk listeleri tabloda çok daha kolay okunuyor. 1. bölümdeki kullanıcıyı düşünün: “Günde 3.000 şişe, köpüren ürün” diyen birine cevap ararken en kolay okunan bilgi, bir tablonun ilgili satırı.

Aşağıdaki tablo varsayımsal bir üretici için hazırlandı. Model adları ve değerler gerçek değil:

Bu tabloda birim başlıkta duruyor: “Kapasite” yerine “Kapasite (şişe/saat)”. Böylece hücrelerde sadece sayı kalıyor ve karşılaştırma kolaylaşıyor. Her hücrede tek bilgi var; bir hücreye “4–8, opsiyonel 12, siparişe göre” yazmak tabloyu metne çevirir. Birleştirilmiş hücre de yok. Birleştirilmiş hücreler göze düzenli görünür ama bir makine için hangi değerin hangi satıra ait olduğunu belirsizleştirir. Tablodan önce de neyi karşılaştırdığını söyleyen bir cümle var.

Hepsinden önce, tablo gerçek bir HTML tablosu olmalı. Görselin içindeki, PDF katalogdaki ya da JavaScript ile sonradan doldurulan bir tablo, 9. bölümde konuştuğumuz botların bir kısmı için hiç yok. Teknik özelliklerini katalog görseli olarak yükleyen bir üretici, en değerli bilgisini makinelerden saklamış oluyor.

Tablo her şey için doğru araç da değil. Bir süreci, bir nedeni ya da bir kararın arkasındaki mantığı anlatmak için paragraf gerekiyor. Tablo “ne” sorusunu iyi cevaplıyor; “neden” ve “ne zaman” sorularını metin cevaplıyor. İyi sayfalarda ikisi yan yana duruyor: Tablo karşılaştırıyor, altındaki paragraf hangi durumda hangi satırın seçileceğini anlatıyor.

7. Listeler, adımlar ve sık sorulan sorular

Listeler de yapı taşıyor ama her türü başka bir işe yarıyor. Numaralı liste sırası olan işler için: kurulum adımları, bakım süreci, sipariş aşamaları. Sıra değişince anlam da değişiyorsa numara kullanın. Madde işaretli liste sırası olmayan, birbirine paralel öğeler için: uygun ürün tipleri, servis verilen şehirler, paket içeriği. Bir neden, bir koşul ya da bir karşılaştırmanın mantığı ise paragraf ister; bunları madde madde yazınca aradaki bağ kopuyor.

Listeyi fazla kullanmak da bir sorun. Her şeyin madde işaretiyle yazıldığı bir sayfada hangi bilginin neden orada olduğu kayboluyor. Bence işe yarayan ayırım şu: Liste okuyucunun gözüyle tarayacağı şeyler için, paragraf anlaması gereken şeyler için.

Sık sorulan sorular (SSS) bölümü ayrı bir durum. Doğru yapıldığında yapay zekâ araması için en değerli bölümlerden biri, çünkü 6. bölümde konuştuğumuz kullanıcı sorularına doğrudan cevap veriyor. Doğru yapmanın üç şartı var:

• Sorular gerçek olsun: satış ekibinin, çağrı merkezinin ve müşteri e-postalarının en sık getirdiği sorular. “Neden bizi seçmelisiniz?” gibi pazarlama soruları değil.
• Cevap ilk cümlede olsun. “Köpüren ürünlerle çalışır mı?” sorusunun cevabı “Evet” ya da “Hayır” ile başlasın, hangi model ve hangi koşulda olduğu sonra gelsin.
• Cevap sayfanın geri kalanıyla tutarlı olsun. SSS’de “teslim süresi 4 hafta”, ürün açıklamasında “6–8 hafta” yazıyorsa yapay zekâ hangisini aktaracağını seçmek zorunda kalıyor.

Google, 7 Mayıs 2026’dan itibaren SSS zengin sonuçlarını arama sonuçlarında göstermeyi bıraktı (Search Engine Journal). Bu, SSS bölümünün değerini azaltmıyor; sadece SSS işaretlemesinin Google’da görünür bir sonuç üretmediği anlamına geliyor. SSS’yi zaten okuyucu için yazıyoruz.

8. Sayıların birimi, koşulu ve tarihi

Yapay zekâ cevaplarında en çok aktarılan bilgiler somut olanlar: kapasite, fiyat, süre, ölçü, adres, tarih. 3. bölümde yapay zekânın yanlış bilgiyi de emin bir dille söyleyebildiğini gördük. Bu riskin azımsanmayacak bir kısmı belirsiz ya da eskimiş somut bilgilerden geliyor.

Sayıyı birimiyle yazın: “yüksek kapasite” yerine “saatte 1.600 şişe”, “hızlı teslimat” yerine “siparişten sonra 6–8 hafta”. Koşulu da sayının yanına koyun. “Saatte 1.600 şişe (500 ml, su kıvamında ürün için)” cümlesi, koşulu başka bir paragrafta duran bir sayıdan çok daha güvenli alıntılanıyor.

Fiyat paylaşıyorsanız para birimini ve geçerlilik tarihini de yazın. Paylaşmıyorsanız bunu açıkça belirtin ve fiyatın neye göre değiştiğini anlatın; yoksa yapay zekâ boşluğu başka bir kaynaktan dolduruyor. Fiyat, mevzuat ve teknik bilgi içeren sayfalarda güncelleme tarihini gösterin, ama tarihi sadece içerik değiştiğinde yenileyin. İçeriğe dokunmadan tarihi değiştirmek okuyucuyu yanıltır.

Bir standart, bir test sonucu ya da bir istatistik veriyorsanız kaynağını gösterin. 2. bölümde konuştuğumuz güven sinyallerinin sayfa içindeki karşılığı bu.

Bir de tek doğru kaynak (single source of truth) meselesi var. Aynı bilgi sitenizde birden fazla yerde geçiyorsa (ürün sayfası, PDF katalog, SSS, blog yazısı, kampanya sayfası) hepsinin aynı olması gerekiyor. Bir değer değiştiğinde nerelerde geçtiğini bilmiyorsanız, eski değer er ya da geç bir yerde kalıyor ve yapay zekâ onu buluyor.

Aynı mantık dizine açtığınız sayfalar için de geçerli. 2. bölümdeki Filmler.com örneğinde yaklaşık 450.000 oyuncu ve ekip kaydının hepsini değil, sadece içerik girilmiş sayfaları dizine açmıştık. Boş ya da eksik sayfaları dizinden uzak tutmak, yapay zekânın okuyacağı yanlış ya da yetersiz kaynak sayısını da azaltıyor.

9. Yapılandırılmış verinin işe yaradığı yerler

Yapılandırılmış veri (structured data), sayfadaki bilgileri makinelerin kolay okuyabileceği standart bir biçimde işaretlemek demek. En yaygın sözlük Schema.org, en yaygın format JSON-LD. Google da mümkünse JSON-LD kullanılmasını öneriyor (Google Search Central).

Google, web’de bulduğu yapılandırılmış veriyi sayfanın içeriğini anlamak için kullandığını yazıyor. Bir sayının fiyat mı, stok adedi mi, model numarası mı olduğunu tahmin etmek yerine okuyabiliyor. Ürün, fiyat, stok, yorum puanı ve işletme bilgisi gibi zengin sonuçlar için de hâlâ gerekli; Google’ın yapay zekâ rehberi yapılandırılmış veriyi kullanmaya devam etmeyi bu yüzden öneriyor.

Ticari tarafta fiyat, stok ve kargo bilgisinin sayfada, işaretlemede ve ürün feed’inde aynı olması, 15. bölümde konuşacağımız alışveriş deneyimlerinin temeli. İşaretleme varlıkları da birbirine bağlıyor. Organization işaretlemesi markanızın adını, logosunu, adresini ve resmî profillerini; Product işaretlemesi ürünün markasını ve modelini; Article işaretlemesi yazarı ve yayın tarihini makinenin okuyabileceği şekilde söylüyor. Marka ve varlık konusu 13. bölümde.

Microsoft tarafında da benzer bir mesaj var. Search Engine Land’in haberine göre Bing’den Fabrice Canel, SMX Munich konferansında Schema işaretlemesinin Microsoft’un büyük dil modellerinin içeriği anlamasına yardım ettiğini doğruladı (Search Engine Land).

Bir üretici ya da e-ticaret sitesi için başlangıçta Organization (ana sayfada), Product ve Offer (ürün sayfalarında), LocalBusiness (fiziksel bir adres ya da şube varsa), Article (blog ve rehberlerde) ve BreadcrumbList (sayfa hiyerarşisi için) yeterli. Bunları doğru ve tutarlı yapmak, onlarca türü yarım yamalak eklemekten daha değerli.

10. Schema’dan beklenmemesi gerekenler

Yapay zekâ aramasıyla birlikte yapılandırılmış veriye büyük bir beklenti yüklendi. “Yapay zekâ için Schema ekleyin, kaynak gösterilin” türünden tavsiyeler çok yaygın. Elimizdeki bilgiler bu beklentiyi desteklemiyor.

Google’ın tutumu açık. Üretken yapay zekâ araması için yapılandırılmış veri gerekli değil ve eklenmesi gereken özel bir Schema.org işaretlemesi yok (Google Search Central).

Test sonuçları da aynı yönde. Ahrefs, Mayıs 2026’da yayımladığı testte JSON-LD ekleyen 1.885 sayfayı hiç eklemeyen benzer sayfalarla karşılaştırdı. Ekledikten sonraki 30 günde ChatGPT’de yüzde 2,2, AI Modu’nda yüzde 2,4 artış görüldü ama ikisi de rastlantısal değişim sınırları içindeydi. AI Bakışı’nda ise kontrol grubuna göre yüzde 4,6’lık küçük bir düşüş vardı (Search Engine Journal). Testin sınırları da var: Bütün sayfalar zaten yapay zekâda görünür sayfalardı ve 30 gün yavaş etkileri göstermeyebilir. Ama “Schema ekle, kaynak gösterilmeye başla” beklentisini desteklemiyor.

Aynı haberde aktarılan başka bir deneyde de searchVIU’nun test ettiği beş yapay zekâ sisteminin, sayfayı canlı olarak getirirken JSON-LD, Microdata ya da RDFa işaretlemesini kullanmadığı görüldü. Bu test eğitim ya da dizinleme aşaması hakkında bir şey söylemiyor, ama canlı okuma sırasında modelin asıl gördüğü şeyin sayfadaki metin olduğunu hatırlatıyor.

Zengin sonuçlar da daralıyor. Google, Ocak 2026’dan itibaren bazı yapılandırılmış veri türlerinin Search Console desteğini kaldırmaya başladı (Search Engine Land). Mayıs 2026’da da SSS zengin sonuçları tamamen kalktı. Google bu işaretlemelerin sayfada kalmasının zarar vermediğini söylüyor, ama görünür bir sonuç da üretmiyorlar.

İşaretleme sayfadaki içeriğin önüne de geçemez. Google’ın kuralları açık: Okuyucunun görmediği içeriği işaretlemeyin, yapılandırılmış veri sayfa içeriğinin doğru bir temsili olmalı. Kurallara aykırı işaretleme manuel işleme yol açabiliyor (Google Search Central). Sayfada olmayan bir bilgiyi Schema ile “yapay zekâya fark ettirmeye” çalışmak işe yaramıyor, üstelik risk taşıyor.

Yapılandırılmış veri, sayfadaki doğru bilginin makine için yazılmış bir kopyası. Sayfadaki bilgi eksik, belirsiz ya da yanlışsa işaretleme onu düzeltmiyor. Bilgi iyiyse, işaretleme onun doğru ve tutarlı okunmasına yardım ediyor. Bu yüzden önce sayfayı, sonra işaretlemeyi düzeltin.

Sayfayı yayına almadan önce

Bu bölümdeki kuralların hiçbiri yapay zekâ için icat edilmedi. İyi bir editör de anlamlı başlık, başta duran cevap, birimiyle yazılmış sayı ve “bu model” yerine modelin adını ister. Bugün değişen, bu kurallara uymayan bir sayfanın sadece okuyucuyu değil, onu okuyup alıntılayacak modeli de kaybetmesi.

Başlamak için en çok satış getiren birkaç sayfanızı açın ve sadece başlıklarını ve her bölümün ilk cümlesini okuyun. Sayfanın neyi cevapladığı buradan anlaşılmıyorsa ilk iş orada. Biçim düzeldikten sonra sıra içeriğe geliyor: Bilgi içeriği neden tek başına yetmiyor ve kullanıcı cevabı aldıktan sonra sayfanın hâlâ bir görevi var mı? 11. bölüm bununla ilgili.

Kontrol listesi

Kaynaklar

• Google Search Central: Optimizing for generative AI search (son güncelleme 10 Temmuz 2026)
• Google Search Central: Introduction to structured data (son güncelleme 10 Aralık 2025)
• Google Search Central: General structured data guidelines (son güncelleme 10 Temmuz 2026)
• Search Engine Journal: The science of how AI pays attention (Kevin Indig, 17 Şubat 2026)
• Search Engine Journal: Schema markup didn’t move AI citations in Ahrefs test (11 Mayıs 2026; özgün çalışma: Ahrefs)
• Search Engine Journal: Google drops FAQ rich results (10 Mayıs 2026)
• Search Engine Land: Google to remove more search features (yapılandırılmış veri desteğinin kaldırılması Ocak 2026’dan itibaren)
• Search Engine Land: Microsoft Bing/Copilot use schema for its LLMs (SMX Munich haberi)

Önceki: 9. Bölüm, Yapay Zekâ Botları Sitenizi Nasıl Görüyor? · Kitabın dizini · Sonraki: 11. Bölüm, Yapay Zekâ Çağında İçerik