E-ticaret için AI Görünürlük — Konsolide Master Rehber 2026

Adobe, Nisan 2026'da perakende sitelerini yapay zekânın gözüyle taradı. Ana sayfalar %75 okunabilir çıktı. İade politikası, SSS ve iletişim sayfaları %80'in üzerinde. Ürün detay sayfaları ise %66 — yani satın alma kararının verildiği tek sayfanın üçte biri, yapay zekâ için görünmez. Perakendeciler en az satan sayfalarını en iyi optimize etmiş durumda.

Bu, Türkiye için ortalama bir sorun değil. Dünyada AI yönlendirmelerinin %80,92'si ChatGPT'den gelirken Türkiye'de bu oran %94,49 — gezegendeki en yüksek oran (We Are Social & Meltwater, Digital 2026; aktarım Hürriyet Daily News, 6 Ocak 2026). Yani bir Türk e-ticaret markası için "AI görünürlüğü" neredeyse tamamen tek bir soruya indirgeniyor: ChatGPT sizin ürününüzü okuyabiliyor mu? Ve bu soruyu Türkiye'de bugüne kadar kimse ölçmedi.

Mart 2026'da OpenAI, ChatGPT içinden satın almadan geri adım attı. Bu, agentic commerce'in bittiği anlamına gelmiyor — tam tersi anlamına geliyor: ödeme entegrasyonu artık sizin probleminiz değil, keşfedilebilirlik sizin probleminiz. Model şu: AI'da keşfet, sitede satın al. Bu rehber o keşfedilme kısmını, ürün sayfanızın HTML'ine kadar iniyor.

TL;DR — 60 saniyede tablo

AI kaynaklı trafik artık ölçülebilir bir kanal: 2026 Q1'de yıllık %393 arttı; Ekim 2024'ten Mayıs 2026'ya kümülatif büyüme %1.324 (Adobe Analytics). Aralık 2025'te tatil sezonu etkisiyle yıllık artış %1.151 ile zirve yaptı.

Bu trafik daha değerli: Mart 2026'da AI kaynaklı ziyaretçiler, AI olmayan kanallara göre %42 daha yüksek dönüşüm sağladı; ziyaret başına gelir %37, sitede geçirilen süre %48 daha yüksekti. Bir yıl önce, Mart 2025'te, AI trafiği yaklaşık yarı oranda dönüşüyordu. 12 ayda tam ters dönüş.

Fark açılıyor: Mayıs 2026 ölçümünde dönüşüm farkı %54'e, süre farkı %53'e, sayfa/ziyaret farkı %23'e çıktı (Adobe / Digital Commerce 360, 17 Haziran 2026). Not: %42'lik set Mart 2026'ya, %54'lük set Mayıs 2026'ya aittir — aynı cümlede karıştırılmamalıdır.

Ama altyapı hazır değil: Sektörel makine-okunabilirlik ortalamaları Mayıs 2026'da kozmetikte %63, elektronikte %56, spor ürünlerinde %51, giyimde %51, markette %48, mobilya/ev kategorisinde %47.

Yapılacak iş dört başlıkta toplanıyor: ürün verisini makine-okunabilir hale getirmek, schema ile HTML'i tutarlı kılmak, kategori sayfalarını cevap üreten sayfalara dönüştürmek, ve ölçümü kurmak.

AI alışverişte ürün keşfi nasıl değişti (veri)

Ürün keşfi, "arama kutusuna yaz, on mavi linke bak" modelinden "soruyu sor, üç öneri al" modeline geçti. Fark, kullanıcının artık listeyi değil sonucu görmesi. Bu, e-ticaret için görünürlüğün ikili hale gelmesi demek: ya cevabın içindesiniz ya da hiç yoksunuz.

Değişimin akademik kanıtı da var. NBER Working Paper W34255'e göre "bilgi arama" amaçlı mesaj payı Temmuz 2024'te %18 iken Haziran 2025'te %24'e çıktı (aktarım: Yale Insights, 10 Kasım 2025). Aynı derlemeye göre Deloitte anketi, tüketicilerin %53'ünün üretken AI'yı denediğini veya düzenli kullandığını gösteriyor — 2024'te bu oran %38'di.

Talep tarafındaki büyüklük konusunda dikkatli olmak gerekiyor. Yaygın olarak dolaşan "ChatGPT'de günde 50 milyon alışveriş sorgusu" rakamı, günlük ~2,5 milyar promptun %2'sinin alışveriş amaçlı olduğu varsayımından türetilmiş bir hesaptır; OpenAI'nin resmî beyanı değildir. Kısmi doğrulanmış olarak değerlendirin. Benzer şekilde "tüketicilerin %39'u online alışverişte AI kullanıyor, bu grubun %85'i deneyimin iyileştiğini söylüyor" verisinin örneklem büyüklüğü ve saha tarihi tek kaynakta teyit edilemedi.

Kesin olan şu: hacim hâlâ küçük, değer büyük. AI trafiği toplam ziyaretin küçük bir dilimi ama ziyaret başına gelir ve dönüşümde açık ara önde. Bu, bütçe kararı için önemlidir — AI görünürlüğü bir trafik kanalı yatırımı değil, marj yatırımıdır.

2026 pivotu: satın alma değil, keşif

OpenAI'nin Eylül 2025'te başlattığı ChatGPT içi Instant Checkout, Mart 2026'da önceliksizleştirildi; ödeme "merchant-controlled" bir modele, yani markanın kendi ChatGPT App'ine kaydına doğru kaydı (Digital Commerce 360, 6 Mart 2026). Stripe ile geliştirilen Agentic Commerce Protocol (ACP) yaşamaya devam ediyor, ama farklı biçimde işleyecek. Shopify Başkanı Harley Finkelstein 3 Mart 2026'da stok, KDV ve fiyat güncelleme gibi işlem karmaşıklığı endişelerini kamuya açmıştı.

Google tarafında tablo farklı ilerliyor: Universal Commerce Protocol (UCP) Ocak 2026'da yayınlandı, AI Mode'da agentic checkout seçili ABD satıcılarıyla açıldı ve AP2 (Agent Payments Protocol) Gemini Spark ile dağıtıma başladı. Merchant Center feed'i artık AI cevaplarını doğrudan besliyor.

Protokol katmanının ayrıntılı karşılaştırması için ACP ve UCP'yi ele aldığımız agentic commerce yazısına bakabilirsiniz. Buradaki stratejik sonuç net: iki protokolden hangisi kazanırsa kazansın, her ikisinin de girdisi aynı — temiz, tutarlı, makine-okunabilir ürün verisi.

Makine-okunabilirlik açığı nerede?

Adobe'nin AI Content Visibility Checker taraması, sorunun yerini şaşırtıcı netlikte gösteriyor.

Kaynak: Adobe Q1 2026 AI Traffic Report, 16 Nisan 2026.

Bu tablo bir mühendislik hatası değil, bir öncelik hatası. İade politikası sayfası düz metindir, JavaScript'e ihtiyacı yoktur, bu yüzden kazara okunabilir. Ürün sayfası ise fiyatı, stoğu, varyantı ve yorumları istemci tarafında yükleyen bir uygulamadır — ve tam bu yüzden okunamaz.

Sektör kırılımı da aynı hikâyeyi anlatıyor (Adobe / Digital Commerce 360, Mayıs 2026): kozmetik %63, elektronik %56, spor ürünleri %51, giyim %51, market %48, mobilya/ev %47. Sayfa tipi bazında kozmetik blog/haber içerikleri %78 ile en yüksek, kozmetik kategori sayfaları %71, market PDP'leri %70, giyim ana sayfaları %62, kozmetik müşteri hizmetleri %60 seviyesinde.

Önemli sınır: Bu verilerin tamamı ABD perakendecilerine aittir. Türk e-ticaret sitelerinin makine-okunabilirlik skoruna dair yayımlanmış hiçbir ölçüm yoktur. Adobe rakamlarını Türkiye'ye genellemek metodolojik olarak yanlıştır — ama Türk sitelerinin ağırlıklı olarak aynı SPA mimarilerini kullandığı düşünülürse, sorunun benzer olduğunu varsaymak makul bir çalışma hipotezidir. Doğrusu, varsaymak yerine ölçmektir.

Ürün verisi hazırlığı: feed, GTIN, stok, varyant

Ürün verisi hazırlığı, AI görünürlüğünün temelidir: bir model ürününüzü önerebilmek için önce onu tekil olarak tanımlayabilmeli, sonra fiyat ve stok durumunu güvenilir biçimde okuyabilmelidir. Bu iki koşul sağlanmadan schema da içerik de işe yaramaz.

Beş temel alan var ve sırası önemlidir:

1. Tekil tanımlayıcı (GTIN/MPN/SKU). GTIN, aynı ürünü satan farklı satıcıları birbirine bağlayan çapadır. GTIN'i olmayan ürün, modelin gözünde başka hiçbir kaynakla çapraz doğrulanamayan bir isimdir. Kendi üretiminiz ise MPN + marka kombinasyonu kullanın, ama tutarlı kullanın.
2. Fiyat ve para birimi. Fiyat, sunucu tarafından render edilen HTML'de sayı olarak bulunmalı. "Sepette indirim" ya da "fiyat için tıklayın" kalıpları AI için fiyatın yokluğuna eşdeğerdir.
3. Stok durumu. OpenAI'nin kendi açıklamasına göre ChatGPT, aynı ürünü satan birden fazla satıcıyı sıralarken stok durumu, fiyat, kalite, birincil satıcı olup olmama ve Instant Checkout'un açık olması gibi faktörlere bakıyor (OpenAI, "Buy it in ChatGPT"). Stoksuz görünen ürün elenir.
4. Varyant yapısı. Renk/beden/hacim varyantları ya ayrı URL'lerde ya da tek URL içinde HTML'de listelenmiş olmalı. Yalnızca dropdown JavaScript state'inde yaşayan varyantlar hiç var olmamış sayılır.
5. Kargo ve iade koşulları. İronik biçimde bu sayfalar zaten okunabilir; asıl eksik, bu bilgilerin ürün sayfasına da bağlanmamış olması.

Feed ile sayfa arasındaki tutarlılık

Merchant Center feed'i artık Google'ın AI cevaplarını doğrudan besliyor. Ancak feed tek başına yeterli değil, çünkü feed ile sayfa arasındaki her tutarsızlık bir güven kaybıdır. Feed'de 1.299 TL yazıp sayfada 1.499 TL göstermek, modelin sizi "fiyatı doğrulanamayan satıcı" kategorisine koyması için yeterlidir.

Pratik kural: feed, sayfanın türevi olmalı — tersi değil. Feed'i sayfadan üretin, ikisini ayrı sistemlerde elle yönetmeyin.

Katalog tarafındaki bu hazırlığı elle yürütmek yerine otomatikleştirmek isteyen ekipler için GEO Builder ürün katalogunu AI platformlarının okuyabileceği yapıya dönüştürüyor; katalog ölçeği büyükse geo-builder.com üzerindeki e-ticaret senaryolarını inceleyebilirsiniz.

Product, Offer ve AggregateRating schema'sını doğru kurmak

Schema, ürün sayfanızın makine tarafından okunabilir özetidir; ama tek başına görünürlük üretmez — HTML'de olmayan bir bilgiyi schema'ya yazmak, modelin güvenini artırmak yerine tutarsızlık sinyali üretir. Doğru kurgu, schema'nın sayfada zaten görünen bilgiyi yapılandırmasıdır.

Minimum çalışan yapı şudur:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Örnek Ürün Adı 500 ml",
  "sku": "SKU-10234",
  "gtin13": "8690000000001",
  "brand": { "@type": "Brand", "name": "Marka Adı" },
  "description": "Ürünün ne işe yaradığını, kime uygun olduğunu ve neyle karşılaştırıldığını anlatan 2-3 cümlelik özet.",
  "image": ["https://ornek.com/urun-1.jpg"],
  "offers": {
    "@type": "Offer",
    "price": "1299.00",
    "priceCurrency": "TRY",
    "availability": "https://schema.org/InStock",
    "itemCondition": "https://schema.org/NewCondition",
    "url": "https://ornek.com/urun/ornek-urun",
    "shippingDetails": { "@type": "OfferShippingDetails" },
    "hasMerchantReturnPolicy": { "@type": "MerchantReturnPolicy" }
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.6",
    "reviewCount": "218"
  }
}

Dikkat edilecek dört nokta:

• price ve availability sayfadaki değerle birebir aynı olmalı. En sık görülen hata, schema'nın sunucuda doğru fiyatla basılması ama görünen fiyatın istemci tarafında sonradan yüklenmesidir. Bu durumda model iki farklı kaynak görür ve genellikle metni tercih eder.
• aggregateRating yoksa uydurmayın. Yorum sayısı düşükse alanı hiç eklememek, şişirilmiş bir puan yazmaktan iyidir. Yanlış yapılandırılmış rating, hem arama hem AI tarafında güven kaybettirir.
• Varyantlar için ProductGroup kullanın. Renk ve beden varyantları olan ürünlerde her varyantı ayrı Product olarak yazmak yerine ProductGroup + hasVariant yapısı ilişkiyi doğru kurar.
• description alanını doldurun. Bu alan, modelin ürünü bir cümleyle özetlemesi gerektiğinde kullandığı ilk metindir.

Schema yeterli değil: SSR testi

Schema'nızın doğru olup olmadığını anlamanın en hızlı yolu, JavaScript'i devre dışı bırakıp sayfayı açmaktır. Terminalden hızlı bir kontrol:

curl -s https://ornek.com/urun/ornek-urun | grep -Eo '1299|InStock|Stokta'

Bu komut boş dönüyorsa, fiyat ve stok bilgisi sunucu tarafı HTML'de yok demektir. Schema'da olması bu durumu kurtarmaz; çünkü bazı retrieval katmanları JS render etmeden içeriği alır. Adobe'nin PDP'lerde ölçtüğü %66'lık skorun arkasındaki teknik sebep büyük ölçüde budur.

Aynı testi ürün açıklaması, varyant listesi ve yorum bloğu için de tekrarlayın. Genellikle en çok kaybedilen blok yorumlardır: yorumlar neredeyse her zaman istemci tarafında yüklenir ve sayfanın en ikna edici içeriği modele hiç ulaşmaz.

Kategori ve koleksiyon sayfaları: "en iyi X" sorusunun cevabı

Kategori sayfaları, AI görünürlüğünde en çok küçümsenen varlıktır: "en iyi X" tipi ticari-araştırma promptlarında atıf verilen sayfaların %43,8'i liste (listicle) formatındadır (Grow and Convert). Bir kategori sayfası, doğru kurgulandığında zaten bir listedir — sadece cevap üretmiyordur.

Aynı çalışmanın daha stratejik bulgusu şu: ürün ve sektör odaklı promptlarda LLM'ler sektöre özel siteleri %86 oranında, Reddit/Wikipedia/Forbes gibi genel siteleri yalnızca %14 oranında kaynak alıyor. Yani kendi kategori sayfanız, doğru yazıldığında jenerik bir medya listesine karşı yapısal avantaja sahiptir.

Kategori sayfasını cevap üreten sayfaya dönüştürmenin beş adımı:

1. Sayfanın başına 40-60 kelimelik bir seçim özeti koyun. "Bu kategoride X arıyorsanız şu üç kritere bakın: ..." formatı, modelin doğrudan alıntılayabileceği bir pasajdır.
2. Ürünleri kritere göre gruplayın, sadece sıralamayın. "Bütçe dostu", "yoğun kullanım için", "hassas ciltler için" gibi başlıklar, prompt'taki niyetle eşleşen çapa metinlerdir.
3. Karşılaştırma tablosu ekleyin. Fiyat, temel özellik ve kime uygun olduğu sütunlarını içeren bir tablo, hem kullanıcı hem model için sıkıştırılmış cevaptır.
4. Filtre URL'lerini kontrol edin. Faceted navigation binlerce ince içerikli URL üretiyorsa, hem crawl bütçesi hem model güveni erir. Kanonik yapıyı netleştirin.
5. Sayfanın altına kategoriye özel SSS koyun. Kategori düzeyindeki sorular ("hangi bedeni seçmeliyim", "kaç yıl dayanır") tam olarak kullanıcıların AI'a sorduğu sorulardır.

Kritik nokta: kategori sayfası metni pazarlama dili değil, karar dili olmalıdır. "Kalitenin adresi" cümlesi hiçbir prompt'a cevap vermez; "5.000 TL altında en uzun pil ömrü sunan modeller" cümlesi bir prompta birebir cevap verir.

Ürün açıklaması yazımı: AI'ın pasaj seçimine göre

AI modelleri bir ürünü önerirken sayfanın tamamını değil, tek bir pasajı alıntılar; bu yüzden ürün açıklaması, kendi başına ayakta durabilen 40-60 kelimelik bloklar halinde yazılmalıdır. Uzun ve akışkan pazarlama metni, model için alıntılanabilir bir birim üretmez.

Çalışan yapı şudur:

Birinci blok — tanım (40-60 kelime). Ürünün ne olduğu, kime uygun olduğu, hangi problemi çözdüğü. Marka adı ve ürün adı bu blokta geçmeli, çünkü model pasajı bağlamından kopardığında ürünün hangi ürün olduğunu bu bloktan anlar.

İkinci blok — ayırt edici özellik. "Bu ürünü alternatiflerinden ayıran şey X'tir" kalıbı. Karşılaştırma bilgisi taşıyan cümleler, karşılaştırma promptlarında öne çıkar.

Üçüncü blok — teknik veri, tablo halinde. Ölçü, malzeme, kapasite, uyumluluk. Tablolar kolay parse edilir ve sayısal doğrulama sağlar.

Dördüncü blok — kullanım ve bakım. "Nasıl kullanılır", "ne kadar dayanır" tipi sorular, satın alma öncesi promptlarının önemli bir kısmını oluşturur.

Beşinci blok — kime uygun değil. Bu blok neredeyse hiç yazılmaz ve tam bu yüzden değerlidir. Sınırları açıkça yazan içerik, modelin güven sinyali olarak okuduğu bir dürüstlük işaretidir.

Marka büyüklüğü görünürlüğü garanti etmiyor

Harvard Business Review'da yayımlanan bir yazıda (John Gale, Luca Cian, Luc Wathieu, 29 Haziran 2026) yazarlar ChatGPT, Claude ve Gemini'de koşu ayakkabısı sorgularını test etti. Küçük marka Brooks tutarlı biçimde önerilirken, dünyanın en büyük spor markası Nike çok daha az göründü. Bu büyük-N bir çalışma değil, yazarların kendi testi — istatistik olarak değil, vaka gözlemi olarak değerlendirilmeli. Ama gözlemin işaret ettiği mekanizma önemlidir: model, marka bilinirliğini değil, açıklayıcı içeriğin yoğunluğunu ödüllendiriyor.

Bunu destekleyen bir başka bulgu: Evertune'un 200 milyon prompt analizine göre hiçbir platformda en çok atıf alan domain bile toplam atıfların %5'ini geçmiyor; atıf dağılımı aşırı uzun kuyruklu (aktarım: Contently, 29 Nisan 2026 — birincil rapor doğrulanamadı, kısmi doğrulanmış). Pratik anlamı: tek bir dev otorite siteye backlink kovalamak yerine, kendi ürün sayfalarınızı alıntılanabilir hale getirmek daha yüksek getirili.

Bu mekanizmanın Türkiye karşılığı henüz yazılmadı. Yani Türkiye'de büyük markanın değil, iyi yapılandırılmış küçük markanın önerildiği örnekler hâlâ ölçülmeyi bekliyor.

Marketplace mi kendi siteniz mi?

İkisi de gereklidir ama farklı işler görürler: marketplace listelemesi ürününüzün varlığını ve fiyatını doğrular, kendi siteniz ise "neden bu ürün" sorusunun cevabını üreten tek kaynaktır. AI görünürlüğünde birincisi olmadan güvenilmezsiniz, ikincisi olmadan tercih edilmezsiniz.

Stratejik okuma şu: marketplace, modelin "bu ürün gerçek ve şu fiyata satılıyor" doğrulamasını yaptığı yerdir. Kendi siteniz, modelin "bu ürün neden uygun" cümlesini kurduğu yerdir. LLM'lerin sektöre özel siteleri %86 oranında kaynak alması, ikinci rolün marka açısından neden vazgeçilmez olduğunu gösteriyor.

Türkiye'de bu ikilinin nasıl davrandığına dair yayımlanmış veri yok. "Trendyol ChatGPT görünürlük" araması sıfır çalışma döndürüyor — Adobe'nin ABD verisi çevriliyor, Türk verisi üretilmiyor. Kendi 20-50 promptluk ölçümünü yapıp yayımlayan marka, ülkede bu veriyi üreten ilk kaynak olur ve o veri diğer siteler tarafından atıf alır. Bu, kendi kendini besleyen bir atıf döngüsüdür.

Ölçüm: hangi metrik, hangi araç

AI görünürlüğü dört metrikle ölçülür ve bunların hiçbiri Google Analytics'in varsayılan raporlarında hazır gelmez. Ölçüm kurulmadan yapılan her optimizasyon, sonucu görülemeyen bir harcamadır.

Prompt setini kurarken üç kategori dengeleyin: kategori promptları ("5.000 TL altı en iyi X"), marka promptları ("X markası iyi mi"), ve problem promptları ("Y sorunu için ne almalıyım"). Aynı promptları her ay aynı biçimde çalıştırın; formülasyonu değiştirirseniz zaman serisi bozulur.

Ölçümün neden önemli olduğunu Sheltron kendi verisinde de görüyor. 8 Mart – 5 Temmuz 2026 arasındaki 120 günlük Clarity ölçümümüzde site genelinde %25,37 kaynak atıf payı ve 720 sayfa atfı kaydettik; AI referral oranı 0,35 seviyesinde seyretti. Amiral gemisi içeriğimiz tek başına 157 atıf (%22) topladı. Aynı dönemde e-ticaret konu cebi 852 gösterim üretti ve sitedeki tek sektör bazlı AI atfı buradan geldi — yani e-ticaret, ölçtüğümüz konular arasında AI tarafında en erken karşılık veren alan oldu.

İçerik tipi verimliliği de ölçülebilir bir fark yaratıyor: kendi verimizde veri raporu formatındaki yazılar yazı başına ortalama ~1.182 gösterim üretirken, klasik sektör rehberleri ~115 gösterimde kaldı. Bu on kata yakın fark, "kendi ölçümünüzü yapıp yayımlayın" tavsiyesinin arkasındaki asıl gerekçedir.

Atıf mekaniğinin teknik tarafını derinleştirmek isteyenler için firstcitation.com citation takibi ve analizi üzerine yoğunlaşıyor; metodolojinin araştırma tarafı ise The GEO Authority üzerinde işleniyor.

90 günlük yol haritası

Bu plan, ölçüm-düzeltme-doğrulama sırasını izler; teknik düzeltmeler ölçüm kurulmadan başlatılırsa hangi değişikliğin işe yaradığı asla bilinemez.

Gün 0-30: Ölçüm ve teşhis

1. Baseline prompt testi. 20-50 promptluk sabit set hazırlayın, üç platformda (ChatGPT öncelikli) çalıştırın, sonuçları kaydedin. Türkiye'de AI yönlendirmelerinin %94,49'u ChatGPT'den geldiği için ağırlığı burada tutun — jenerik "5 platformu eşit ele al" yaklaşımı Türkiye için kaynak israfıdır.
2. PDP makine-okunabilirlik denetimi. En çok satan 20 ürün sayfasında JS kapalı testi yapın: fiyat, stok, varyant, açıklama, yorum — hangileri HTML'de var?
3. Schema envanteri. Product/Offer/AggregateRating hangi sayfalarda var, hangilerinde HTML ile tutarsız?
4. GA4 kanal grubu. AI referral kaynaklarını ayrı bir kanal grubunda toplayın, dönüşüm karşılaştırmasını kurun.

Doğrulama: Ay sonunda elinizde bir baseline tablosu olmalı — kapsama oranı, okunabilir PDP yüzdesi, mevcut AI referral hacmi.

Gün 31-60: Teknik düzeltme

5. Fiyat ve stoğu SSR'a taşıyın. Bu tek değişiklik, PDP okunabilirliğinde en büyük sıçramayı yaratır.
6. Schema-HTML tutarlılığını sağlayın. Schema'yı sayfadan üretin, ayrı kaynaktan değil.
7. Yorumları sunucu tarafında render edin. En az ilk 5-10 yorum HTML'de olsun.
8. Kategori sayfalarına seçim özeti + karşılaştırma tablosu ekleyin. En çok trafik alan 10 kategoriyle başlayın.
9. Ürün açıklamalarını beş bloklu yapıya geçirin. En çok satan 50 üründe pilot yapın.

Doğrulama: JS kapalı curl testinde fiyat/stok/açıklama görünür olmalı; schema doğrulayıcıda hata sıfır.

Gün 61-90: İçerik ve doğrulama

10. Kendi ölçüm raporunuzu yayımlayın. Sektörünüzde 20-50 promptluk testin sonucunu içerik olarak yayımlayın. Türkiye'de bu veri yok; üreten ilk kaynak atıf toplar.
11. Karşılaştırma içerikleri üretin. "X vs Y" ve "en iyi X" formatları, atıf verilen sayfaların %43,8'inin liste formatında olduğu gerçeğiyle birebir eşleşir.
12. Baseline prompt setini tekrar çalıştırın. İlk kapsama farkını ölçün.
13. AI trafiği dönüşüm farkını raporlayın. Adobe verisi bu farkın Mayıs 2026'da %54 olduğunu gösteriyor; sizin rakamınız kendi baseline'ınızla karşılaştırılmalı.

Doğrulama: 90. günde kapsama oranında ölçülebilir artış ve AI referral segmentinde tanımlı bir dönüşüm farkı.

Beklenti yönetimi önemli: model önbellekleri ve retrieval indeksleri anında güncellenmez. Teknik düzeltmelerin karşılığı genellikle 6-10 hafta sonra netleşir. 30. günde sonuç aramayın.

Nereden başlamalı

Bu rehberin özeti tek cümleye sığar: 2026'da e-ticarette AI görünürlüğü bir pazarlama problemi değil, bir veri mühendisliği problemidir. Adobe'nin %66'lık PDP skoru, eksik olanın strateji değil sunucu tarafı HTML olduğunu söylüyor.

Başlangıç noktası her zaman aynı: en çok satan 20 ürün sayfanızda JavaScript'i kapatın ve fiyatın hâlâ görünüp görünmediğine bakın. Cevap hayırsa, diğer her şey ikincildir.

Daha geniş bağlam için ürünleriniz ChatGPT'de öneriliyor mu sorusunu ele aldığımız yazıya ve e-ticaret çözümleri sayfamıza bakabilirsiniz. Kavramsal temel için GEO nedir sayfası, kurumsal kapsam için yapay zeka çözümleri sayfası başlangıç noktasıdır.

Katalogunuzun kaç ürünü yapay zekâya görünüyor? 20 ürünlük ücretsiz okunabilirlik taraması için hızlı değerlendirme formunu doldurun — sonucu, bu rehberdeki 90 günlük plana bağlanmış bir öncelik listesiyle birlikte paylaşıyoruz. Bu rehberdeki ölçüm metodolojisi Sheltron kurucusu Eren Çöp tarafından, Sheltron'un kendi 120 günlük atıf verisi üzerinden kurgulanmıştır.

Uygulama tarafında ajans desteği mi arıyorsunuz? Partner GEO ajansımız Lein Digital kampanya ve içerik uygulamasını üstleniyor.