LLM'ler Sayfanın Neresinden Alıntı Yapar? AI Atıf İçin İçerik Yapısı

LLM'ler Sayfanın Neresinden Alıntı Yapar? AI Atıf İçin İçerik Yapısı

LLM sitenizi baştan sona okumuyor. Sayfanızı parçalara bölüp her bloğu tek tek puanlıyor — ve 1,2 milyon AI yanıtının analizi gösteriyor ki atıfların %44,2'si içeriğin ilk üçte birinden geliyor. Yani cevabınızı 900 kelimelik girişten sonra "toparladıysanız", yapay zeka onu hiç görmedi bile.

Doğru cevabı yazmak yetmez; onu sayfanın LLM'in okuduğu yere koymak gerekir. Bu yazıda akademik çalışmaların (Princeton GEO, GEO-SFE) ve 700 binden fazla AI Overview atıfının ölçtüğü tam konumu — hangi yüzdeye, hangi başlığın altına, paragrafın kaçıncı cümlesine — veriyle gösteriyoruz. Türkçe kaynaklarda bu spesifiklikte bir yerleşim datası bugüne kadar işlenmedi.

TL;DR — Bir bakışta atıf konumu verisi

LLM atıfı, sayfanın hangi bölümünden geldiğine bağlıdır ve bu dağılım tesadüfi değildir. Aşağıdaki altı bulgu, "cevabı nereye koyacağınızı" doğrudan söyler:

• Sayfa içi dağılım: Atıfların %44,2'si ilk üçte birden, %31,1'i ortadan, %24,7'si son üçte birden gelir (Kevin Indig, 1,2M AI yanıtı, Search Engine Land, Şubat 2026).
• Paragraf içi konum: Bir bölümdeki atıfların %53'ü paragrafın orta cümlelerinden, %24,5'i ilk, %22,5'i son cümleden gelir (aynı çalışma).
• Başlık gücü: Soru temelli atıfların %78,4'ü başlıklardan (H2/H3) gelir; çok alıntılanan içerik %20,6 varlık yoğunluğuna sahiptir (tipik içerik %5-8).
• Yapı tek başına etkili: Sadece yapısal düzenleme, anlam değişmeden 6 motorda atıfı %17,3 artırır (GEO-SFE, arXiv, Mart 2026).
• Kanıt eklemek: İstatistik ~+%41, kaynak +%30-40, alıntı ~+%22 görünürlük getirir (Princeton GEO, KDD 2024).
• Uzunluk yanılgısı: Alıntılanan sayfaların %53,4'ü 1.000 kelimenin altında; kelime sayısı-atıf korelasyonu 0,04 (Ahrefs, Aralık 2025).

LLM sayfanızı nasıl okur? Baştan sona değil, parça parça

LLM'ler bir web sayfasını insan gibi yukarıdan aşağı okumaz; içeriği bağımsız parçalara (chunk) böler ve her parçayı belirli bir soruya olası cevap olarak ayrı ayrı puanlar. Retrieval katmanı, kullanıcının sorusuna en yakın bloğu seçer; dil modeli yalnızca o seçilmiş blokları yanıta taşır. Sayfanın geri kalanı, ne kadar iyi yazılmış olursa olsun, o an için görünmezdir.

Bu, geleneksel SEO sezgisini tersine çevirir. Arama motoru tüm sayfayı bir bütün olarak sıralar; üretken motor ise sayfayı parçalayıp en işe yarayan bölümü çeker. Sonuç şu: içeriğinizin puanı sayfa ortalaması değil, en güçlü tek bloğunuzun puanıdır. Zayıf bir giriş, arkasındaki mükemmel bir bölümü kurtarmaz.

Bu mekaniğin pratik sonucu, cevabı "hangi bloğa" koyduğunuzun en az "ne yazdığınız" kadar önemli olmasıdır. GEO'nun temel mantığını GEO nedir yazımızda ele aldık; bu yazı ise o mantığın konum boyutuna odaklanıyor.

Atıfların %44'ü girişten geliyor: sayfa içi konum verisi

Kevin Indig'in 1,2 milyon AI yanıtı üzerindeki analizi, atıfların %44,2'sinin içeriğin ilk üçte birinden, %31,1'inin ortadan, %24,7'sinin son üçte birden geldiğini gösterdi (Search Engine Land, Şubat 2026). Indig bu desene "kayak rampası" (ski ramp) adını veriyor: LLM sayfanın başını orantısız biçimde tartıyor, sona doğru ilgi düşüyor.

Bu dağılımın somut anlamı nettir. Eğer bir "X nedir?" sorusunun cevabını sayfanızın ortalarında, uzun bir bağlam girişinden sonra veriyorsanız, o cevabın alıntılanma olasılığını yaklaşık üçte bir azaltıyorsunuz. Buna karşılık ana cevabı ilk %33'lük dilime taşımak, hiçbir kelimesini değiştirmeden görünürlük kazandırır.

Pratik eşik şudur: her sayfanın ana sorusuna, ilk 40-150 kelime içinde, tek başına anlaşılabilen bir cevap paragrafı koyun. Bu blok, sayfanın geri kalanı okunmadan bağımsız olarak doğru ve tam olmalı. AI Overview'ın "çıkarıp gösterebileceği" hazır bir birim olarak düşünün.

Bu, girişi çöpe atmak değildir; girişi bir "cevap" hâline getirmektir. Kancayı atın, ama kancanın hemen ardından çekirdek cevabı verin — merakı sona saklamayın.

Paragrafın neresi alıntılanıyor? Orta cümle sürprizi

Aynı çalışma, bir bölüm içindeki atıfların %53'ünün paragrafın orta cümlelerinden, %24,5'inin ilk cümleden, %22,5'inin son cümleden geldiğini buldu. Yani yaygın "sadece ilk cümleyi güçlü yaz" öğüdü eksiktir: alıntının yarısından fazlası paragrafın gövdesinden çıkar.

Bu bulgu, blok bütünlüğü ilkesini doğrular. LLM tek bir cümleyi değil, kendi kendine yeten bir anlam birimini alıntılar. Paragrafınız ilk cümlede iddiayı atıp, orta cümlelerde onu kanıtla, rakamla ve tanımla desteklemeli; son cümle sonucu bağlamalı. Orta cümleler boş geçiş cümleleriyle dolduysa, alıntılanacak asıl madde yoktur.

İdeal blok uzunluğu 40-60 kelime aralığındadır ve tek bir fikri tam olarak kapatır. Çok kısa bloklar bağlamsız kalır, çok uzun bloklar (150 kelime üzeri) ise retrieval'ın net bir birim olarak seçmesini zorlaştırır. Kendinize sorun: "Bu paragrafı sayfadan koparıp tek başına gösterirsem, hâlâ doğru ve eksiksiz mi?" Cevap hayırsa, blok kendine yetmiyor demektir.

Başlıklar atıf mıknatısıdır: soru temelli atıfların %78,4'ü

Soru temelli AI atıflarının %78,4'ü başlıklardan (H2/H3) geliyor ve çok alıntılanan içerik %20,6 özel-isim/varlık yoğunluğuna sahip — tipik içeriğin %5-8'inin iki-üç katı (Indig, Şubat 2026). LLM, kullanıcının sorusunu sayfanızdaki başlıklarla eşleştiriyor; başlığın hemen altındaki cevabı yanıta taşıyor.

Bunun içerik yapısına çevirisi doğrudandır: başlıklarınızı kullanıcının sorduğu soru olarak yazın, ifade olarak değil. "İçerik yapısı ipuçları" yerine "LLM'ler sayfanın neresinden alıntı yapar?" gibi. Ardından cevabı başlığın altına, ilk cümleye koyun. Başlık soruyu, ilk paragraf cevabı, gövde kanıtı taşısın.

Varlık yoğunluğu ikinci kaldıraçtır. Somut isimler — markalar, ürünler, kişiler, tarihler, kaynaklar, rakamlar — LLM'e "bu içerik bir şey biliyor" sinyali verir. "Bir çalışma gösteriyor ki" yerine "Kevin Indig'in 1,2 milyon AI yanıtı analizi (Search Engine Land, Şubat 2026) gösteriyor ki" yazmak, hem varlık yoğunluğunu hem de atıf edilebilirliği yükseltir.

Uzunluk değil yapı: "kapsamlı içerik" yanılgısı

Ahrefs'in 174.048 sayfa ve 560.346 AI Overview üzerindeki analizi, alıntılanan sayfaların %53,4'ünün 1.000 kelimenin altında olduğunu; kelime sayısı ile atıf konumu arasındaki Spearman korelasyonunun 0,04 (fiilen sıfır) çıktığını gösterdi (Aralık 2025). "Daha uzun yaz, daha kapsamlı ol" bir GEO stratejisi değildir.

Bu, hâlâ "3.000 kelimelik kapsamlı rehber yaz" öğütleyen Türkçe içeriklerin karşı-sezgisel gerçeğidir. Uzunluk, atıfı ne artırır ne de garanti eder. Atıfı belirleyen değişken yapıdır: cevabın konumu, blokların kendine yeterliliği, başlıkların soru formatı ve kanıt yoğunluğu.

Nedensel kanıt, GEO-SFE çalışmasından geliyor: yalnızca yapısal düzenleme — cevap-önce açılış, chunk uzunluğu, görsel vurgu — metnin anlamı hiç değişmeden 6 üretken motorda atıf oranını %17,3, algılanan öznel kaliteyi %18,5 artırdı (arXiv 2603.29979, Mart 2026). Aynı cümleler, farklı yerleşim; ölçülü fark. Yapı, semantikten bağımsız bir kaldıraçtır.

Kanıt katmanı: istatistik, kaynak ve alıntı

GEO'nun kurucu akademik makalesi (Aggarwal ve ark., Princeton, KDD 2024), içeriğe kaynak göstermenin görünürlüğü +%30-40, istatistik eklemenin ~+%41, doğrudan alıntı eklemenin ~+%22 artırdığını ölçtü (arXiv 2311.09735). Bu, yapısal yerleşimin üzerine binen ikinci bir katmandır: doğru yere koyduğunuz bloğu kanıtla doldurmak.

Bu üç öğe birbirini besler. Bir iddiayı istatistikle desteklemek varlık yoğunluğunu (rakam + kaynak + tarih) yükseltir; kaynak göstermek güvenilirlik sinyali verir; alıntı ise otorite bağlar. Üçü bir arada, LLM'in "bu blok atıflanmaya değer" kararını kolaylaştırır.

Pratik kural: her önemli iddianın yanında en az bir somut çıpa olsun — bir rakam, bir kaynak adı ya da bir tarih. AI platformlarının bu çıpaları nasıl değerlendirdiğine dair teknik detayları firstcitation.com üzerinde takip edebilirsiniz.

İdeal içerik yapısı: adım adım

AI atıfı için optimize edilmiş bir sayfa altı yapısal kuralı izler. Bunlar semantikten bağımsızdır; iyi yazılmış herhangi bir içeriğe uygulanabilir:

1. Cevap-önce açılış (ilk 40-150 kelime): Sayfanın ana sorusuna, ilk üçte birde, tek başına anlaşılan bir cevap ver. Merakı sona saklama.
2. Soru formatında başlıklar: Her H2/H3 bir kullanıcı sorusu olsun. Cevabı başlığın hemen altına, ilk cümleye koy.
3. Kendine yeten bloklar (40-60 kelime): Her paragrafı, sayfadan koparıldığında bile doğru ve tam olacak şekilde kur. Orta cümleleri kanıtla doldur.
4. Kanıt yoğunluğu: Her iddiaya rakam, kaynak veya tarih çıpası ekle. Varlık yoğunluğunu %15-20 bandına çıkarmayı hedefle.
5. Yapılandırılmış listeler ve tablolar: Süreçleri numaralı liste, kriterleri madde işareti, karşılaştırmaları tablo yap. Her madde bağımsız okunabilsin.
6. Konum önceliği: En değerli cevabı sayfanın başına, ikincil detayları sona koy. Sona sadece "iyi olur" bilgiyi bırak.

Bu yapı, kelime sayısını artırmadan atıf olasılığını yükseltir. Uzunluğu değil yerleşimi optimize eder.

Atıfı kaçıran 4 yaygın yapısal hata

Alıntılanmayan içeriğin çoğu, yanlış bilgi verdiği için değil, doğru bilgiyi yanlış yere veya yanlış biçimde koyduğu için kaçırır. Yukarıdaki verinin ışığında en sık dört yapısal hata şunlardır:

1. Gömülü cevap (buried lede): Ana cevabı 500+ kelimelik bir bağlam girişinin ardına saklamak. Atıfın %44,2'si ilk üçte birden geldiği için, ortada verilen mükemmel cevap retrieval'ın seçtiği blok olamaz (Indig, Şubat 2026).
2. Boş orta cümleler: Paragrafın gövdesini "bunu birazdan göreceğiz", "pek çok faktör var" gibi geçiş cümleleriyle doldurmak. Atıfın %53'ü orta cümlelerden geldiğinden, gövde boşsa alıntılanacak madde de yoktur.
3. İfade başlıkları: H2'leri "Konumun önemi" gibi etiketlerle yazmak. LLM soruyu başlıkla eşleştirdiği ve soru temelli atıfın %78,4'ü başlıktan geldiği için, başlık soru değilse eşleşme kaçar.
4. Kanıtsız iddia: "Konum önemlidir" demek ama rakam, kaynak veya tarih vermemek. Çok alıntılanan içeriğin %20,6 varlık yoğunluğuna karşılık, düşük yoğunluklu blok LLM'e "bir şey biliyor" sinyali veremez.

Dört hatanın ortak paydası şudur: her biri, teknik olarak doğru bir içeriği retrieval katmanı için görünmez kılar. İçerik kötü değildir; yapısı yanlış yerleştirilmiştir.

Kötü vs iyi paragraf: somut örnekler

Aynı bilgiyi taşıyan iki paragraf, yapısı yüzünden farklı atıf alır. Aşağıdaki üç before/after çifti, yukarıdaki dört hatayı önce/sonra biçiminde gösterir.

Çift 1 — Gömülü cevap ve boş gövde.

Kötü (cevap gizli, blok kendine yetmiyor):

"Bu bölümde, yapay zekanın içeriği nasıl değerlendirdiğine dair önemli bir konuyu ele alacağız. Pek çok faktör var ve bunların hepsi birbiriyle bağlantılı. İlerleyen satırlarda göreceğimiz gibi, konumun da bir rolü olabilir ve bunu dikkate almak faydalı olacaktır."

Bu paragraf hiçbir soruya cevap vermez, hiçbir rakam içermez, tek başına koparıldığında anlamsızdır. LLM bunu atlar.

İyi (cevap-önce, kendine yeten, kanıtlı):

"AI atıflarının %44,2'si içeriğin ilk üçte birinden gelir (Kevin Indig, 1,2 milyon AI yanıtı, Şubat 2026). Bu yüzden ana cevabınızı sayfanın başına, ilk 40-150 kelimeye koyun. Cevabı geç veren içerik, ne kadar iyi yazılmış olursa olsun retrieval katmanının seçtiği blok olmaz."

İkinci blok bir soruya cevaptır, iki somut çıpa taşır (%44,2 + kaynak) ve bağlamsız okunduğunda bile tamdır. Fark, kelimelerde değil; iddianın konumunda ve blok bütünlüğündedir.

Çift 2 — İfade başlığı ve gecikmeli cevap.

Kötü (başlık etiket, cevap iki cümle sonra):

"Başlıkların rolü Başlıklar içeriğin düzenlenmesinde uzun süredir kullanılan bir araçtır. Okuyucular için gezinmeyi kolaylaştırır. Bu arada, yapay zeka açısından da bir işlevi vardır ve alıntılar çoğunlukla buralardan gelir."

Başlık bir soru değil, cevap ise üçüncü cümleye ertelenmiş. LLM soruyu bu başlıkla eşleştiremez.

İyi (soru başlık, ilk cümlede cevap):

"Başlıklar atıf oranını nasıl etkiler? Soru temelli AI atıflarının %78,4'ü doğrudan H2/H3 başlıklarından gelir (Indig, Şubat 2026). Bu yüzden başlığınızı kullanıcının sorduğu soru olarak yazın ve cevabı hemen altındaki ilk cümleye koyun."

İkinci versiyon başlığı bir soruya çevirir, cevabı ilk cümleye taşır ve bir çıpa (%78,4 + kaynak) ekler. Aynı bilgi; alıntılanabilir yapı.

Çift 3 — Kanıtsız iddia vs varlık yoğunluğu.

Kötü (belirsiz, çıpasız):

"Araştırmalar, kısa içeriklerin de yapay zeka tarafından sıkça alıntılandığını gösteriyor. Yani her zaman uzun yazmak gerekmez; bazen kısa içerik de yeterli olabilir."

"Araştırmalar" kim, ne zaman, hangi rakam? Blok hiçbir somut çıpa taşımıyor.

İyi (kaynaklı, sayısal):

"Ahrefs'in 174.048 sayfa üzerindeki analizi, alıntılanan sayfaların %53,4'ünün 1.000 kelimenin altında olduğunu; kelime sayısı ile atıf arasındaki korelasyonun 0,04 (fiilen sıfır) çıktığını buldu (Aralık 2025). Uzunluk değil, yapı belirleyicidir."

İkinci blok üç çıpa taşır (174.048 + %53,4 + 0,04) ve bir kaynağa bağlanır. Varlık yoğunluğu, LLM'in "bu blok bir şey biliyor" kararını verdiği sinyaldir.

Alıntılanabilir içerik denetim checklist'i

Yayına almadan önce her sayfayı bu on maddeyle geçirin; her kutu, yukarıdaki verilerden birine dayanır. İşaretlenmeyen her madde, kaçırılmış bir atıf fırsatıdır:

• Cevap-önce açılış: Ana soruya cevap, ilk 40-150 kelimede ve ilk üçte birde mi? (%44,2 kuralı)
• Kendine yeten giriş bloğu: Giriş paragrafı sayfadan koparıldığında tek başına doğru ve tam mı?
• Soru formatı başlıklar: Her H2/H3 bir kullanıcı sorusu mu, etiket değil mi? (%78,4 kuralı)
• Başlık altı cevap: Her başlığın hemen altındaki ilk cümle direkt cevap mı?
• Blok uzunluğu: Paragraflar 40-60 kelime bandında mı, 150 kelimeyi aşan blok var mı?
• Dolu orta cümleler: Her paragrafın gövdesi rakam/tanım/kanıt taşıyor mu, boş geçiş cümlesi var mı? (%53 orta cümle kuralı)
• Kanıt çıpası: Her önemli iddianın yanında en az bir rakam, kaynak veya tarih var mı?
• Varlık yoğunluğu: Özel isim/rakam yoğunluğu %15-20 bandında mı? (çok alıntılanan içerik %20,6)
• Yapılandırılmış öğeler: Süreçler numaralı liste, karşılaştırmalar tablo; her madde bağımsız okunabilir mi?
• Konum önceliği: En değerli cevap başta, "iyi olur" bilgi sonda mı?

Bu checklist bir stil rehberi değil, bir retrieval kontrolüdür. Her madde "bu blok tek başına seçilebilir mi?" sorusunun bir parçasını yanıtlar.

Nasıl ölçülür? Atıf konumunu izlemek

Yapısal iyileştirmenin işe yarayıp yaramadığını görmenin tek yolu, hangi bloğunuzun hangi soruda alıntılandığını ölçmektir. Ölçüm iki koldan yürür: manuel AI testi ve Google Search Console (GSC) dolaylı sinyalleri. İkisi birlikte, hem "hangi blok çekiliyor" hem de "trafik nasıl değişiyor" sorularını yanıtlar.

Manuel AI testi — hangi blok çekiliyor? Hedef sorularınızı ChatGPT, Perplexity ve Google AI Overview'a sorun, dönen yanıttaki alıntılanan cümleleri sayfanızdaki bloklarla eşleştirin. Bu eşleştirme size iki şey söyler: hangi bloğunuz çekiliyor (onu koru ve güçlendir) ve hangi soruda rakip alıntılanıyor (o cevabı senin sayfanda kendine yeten bir bloğa çevir). Aynı sorguları 15 günde bir tekrarlayıp yanıtları bir tabloya işlerseniz, yapısal değişikliğin öncesi-sonrası farkını görürsünüz.

GSC sinyalleri — trafik nasıl değişiyor? GSC, AI Overview atıflarını ayrı bir rapor olarak listelemez; ancak dolaylı iki iz vardır. Birincisi, AI Overview çıktığında impression artarken CTR'nin düşmesi klasik bir izdir — kullanıcı yanıtı SERP'te alır, tıklamaz (Semrush'a göre AI Overview web tıklamalarını azaltıyor, 2025). İkincisi, page ve query filtresiyle hangi sayfaların hangi sorularda impression aldığını görüp bu soruları manuel AI testinizin girdisi yapabilirsiniz. Sheltron gözlemi: GSC'de belirli bir sorguda impression yüksek ama CTR anormal düşükse, o sorgu büyük olasılıkla AI Overview'a düşmüştür ve manuel testle blok eşleştirmesi yapılmalıdır.

Ölçüm olmadan yapısal düzenleme kör atıştır; hangi değişikliğin atıf getirdiğini bilemezsiniz. Sheltron'un AI Görünürlük Spot Check aracı bu manuel süreci otomatikleştirir: hedef sorularınızda hangi bloğunuzun veya rakibinizin alıntılandığını gösterir. LLM'lerin sayfanızı ilk etapta doğru okuyabilmesi için llms.txt üretici ile de erişim katmanınızı düzenleyebilirsiniz.

Türkiye notu: TR'de bu veri neden yok?

Türkçe GEO kaynaklarının hiçbiri bugüne kadar sayfa içi atıf konumu verisini işlemedi. Taranan Türkçe içerikler aynı genel katmanda kalıyor: "cevabın içinde adın geçsin", "kısa chunk yaz", "FAQ ekle". Üçü de doğru ama yüzeysel; "cevabı sayfanın hangi yüzdesine, hangi başlığın altına, paragrafın kaçıncı cümlesine koyacağın" hiçbir Türkçe kaynakta ölçülmüş veriyle anlatılmadı.

Bunun bir nedeni, primer kaynakların Türkçe literatüre henüz geçmemiş olması: Indig'in kayak-rampası analizi, GEO-SFE makalesi ve Ahrefs'in uzunluk çalışması Türkçe içeriklerde geçmiyor. Herkes birbirinden "chunk yaz" diye kopyalıyor, ama veriyle bağlamıyor. TR-özel bir atıf konumu datası da mevcut değil — Türkçe içerikler üzerinde yapılmış geniş ölçekli bir yerleşim çalışması yok; bu yazıdaki dağılımlar İngilizce ağırlıklı korpuslardan gelir ve Türkçe için birebir aynı olduğunu varsaymak yanlış olur.

Yine de mekanik evrenseldir: retrieval her dilde parçalar, cevap-önce her dilde işe yarar, kendine yeten blok her dilde alıntılanabilir. Sheltron olarak Türkiye'nin GEO teknoloji katmanını inşa ederken bu spesifikliği önceliğimiz yapıyoruz; metodolojinin daha derin teknik tartışması için The GEO Authority araştırma içeriklerine, GEO'yu adım adım öğrenmek için GEO Akademi ücretsiz kaynaklarına bakabilirsiniz.

Sonuç: doğru cevabı doğru yere koyun

LLM sayfanızı bir bütün olarak değil, en güçlü bloğunuz üzerinden değerlendirir. Atıfların %44,2'si ilk üçte birden, %53'ü paragrafın orta cümlelerinden, %78,4'ü başlıklardan gelir — ve uzunluğun bununla neredeyse hiç ilgisi yoktur (Spearman 0,04). Yapmanız gereken uzun yazmak değil, cevabı LLM'in tarttığı yere koymak.

İçeriğinizin AI'da nerede alıntılandığını ve rakiplerinizin sizi hangi soruda geçtiğini bilmek istiyorsanız, GEO danışmanlığı ekibimiz sayfa içi konum denetimi çıkarır: hangi bloğunuzun çekildiğini, hangisinin kör noktada kaldığını gösterir. Cevabı zaten yazdınız — sırada onu görünür kılmak var.