Sitenizde fiyat, adres ve ürün bilgisi yazıyor olabilir. Ancak bir AI modeli bu bilgiyi doğru markaya, doğru ürüne ve doğru bağlama bağlayabiliyor mu? Yapılandırılmış veri tam bu noktada devreye giriyor. Bu yazıda, schema markup'ın AI görünürlüğündeki gerçek rolünü araştırma verileriyle, abartmadan ele alıyoruz.
1. Araştırmalar Ne Söylüyor?
Yapılandırılmış veri ile LLM doğruluğunu ilişkilendiren en çarpıcı çalışmalardan biri data.world'ün 2023 benchmark araştırması. Araştırmaya göre, kurumsal veriler üzerinde sorulan sorularda GPT-4 ham SQL veritabanı şemasıyla yaklaşık %16 doğruluğa ulaşırken, aynı veri bilgi grafiği (knowledge graph) olarak temsil edildiğinde doğruluk yaklaşık %54'e çıktı. Çalışma web sitelerini değil kurumsal veriyi test etti. Ancak ana mesaj geçerli: anlamı açıkça tanımlanmış veri, modellerin hata yapma ihtimalini belirgin biçimde düşürüyor.
Princeton, Georgia Tech, Allen AI ve IIT Delhi araştırmacılarının yayımladığı Generative Engine Optimization (GEO) çalışması ise içeriğin yapısı ve netliğinin üretken motorlardaki görünürlüğü etkilediğini gösterdi. Kaynak gösterme, istatistik ve doğrudan alıntı gibi yöntemler görünürlüğü yüzde 40'a varan oranda artırabildi. Bu bulgu schema'yı değil içerik netliğini ölçüyor. Ama aynı mantık işaretleme için de geçerli: model ne kadar az tahmin yürütürse o kadar doğru anlatır.
Microsoft tarafında da benzer bir sinyal var. Bing ekibinden Fabrice Canel, Mart 2025'te SMX Munich konuşmasında schema markup'ın Microsoft'un LLM'lerinin içeriği anlamasına yardımcı olduğunu söyledi.
2. AI Markanızı Nasıl Bir Varlık Olarak Görür?
Modeller markaları metin parçaları olarak değil, birbirine bağlı varlıklar olarak temsil etmeye çalışır: şirket adı, ürünleri, kurucuları, konumu, kategorisi, fiyat aralığı. Bu bilgi sitenizde dağınık, çelişkili ya da yalnızca görsellerde duruyorsa model boşlukları üçüncü taraf kaynaklarla ya da tahminle doldurur. Türk markalarda sık görülen riskler şunlar:
Resmi unvan ile marka adının farklı yazılması, eski adresin ya da telefonun eski dizinlerde kalması, fiyatın yalnızca PDF ya da görsel içinde verilmesi ve ürün adlarının sayfadan sayfaya değişmesi. Her biri modelin markanızı yanlış ya da eksik tarif etme ihtimalini yükseltir.
3. Hangi Schema Türleri Önemli?
Her işaretleme türü aynı değeri taşımıyor. Aşağıdaki tablo, Türk markalar için öncelik sırasını özetliyor.
| Schema türü | AI tarafında çözdüğü sorun | Öncelik |
|---|---|---|
| Organization | Marka kimliği, logo, resmi profiller (sameAs) | Yüksek |
| Product / Service + Offer | Ürün tanımı ve fiyat algısı | Yüksek |
| FAQPage | Sık sorulan soruların net cevapları | Orta |
| LocalBusiness | Adres, saat, hizmet bölgesi | Yerel markalarda yüksek |
| Article + Person | Yazar uzmanlığı ve içerik tarihi | Orta |
Burada sameAs özelliği özellikle önemli. Markanızın LinkedIn, Vikipedi, Crunchbase ya da sektör dizinindeki resmi profillerini bağlamak, modelin farklı kaynaklardaki bilgileri aynı varlıkla eşleştirmesini kolaylaştırır.
4. Nasıl Uygulanır ve Ölçülür?
Yapılandırılmış veri için 6 adımlık plan
- Marka adınızın, unvanınızın ve ürün adlarınızın tüm sayfalarda ve dizinlerde aynı yazıldığını doğrulayın.
- Ana sayfaya JSON-LD formatında Organization schema ekleyin ve sameAs ile resmi profillerinizi bağlayın.
- Ürün ve hizmet sayfalarına Product veya Service ile Offer ekleyin, fiyatı metin olarak da yayımlayın.
- Gerçekten cevaplanmış sık sorular için FAQPage ekleyin, sayfada görünmeyen içeriği işaretlemeyin.
- Zengin Sonuçlar Testi ile hataları temizleyin ve robots.txt ile AI tarayıcılarına erişimi kontrol edin.
- Aynı sorgu setini ChatGPT, Gemini, Claude ve Perplexity üzerinde değişiklik öncesi ve sonrası çalıştırıp karşılaştırın.
Ölçüm adımı çoğu zaman atlanıyor. AI cevapları her çalıştırmada değiştiği için tek bir test yeterli değil. Değişikliğin etkisini anlamak için aynı sorguları haftalar boyunca tekrarlamalı, markanızın anılma sıklığını ve cevaplardaki bilgi doğruluğunu birlikte izlemelisiniz.
Sonuç
Yapılandırılmış veri, AI görünürlüğünün tek belirleyicisi değil. Ancak araştırmalar, net ve makine tarafından okunabilir bilginin model doğruluğunu artırdığını gösteriyor. Düşük maliyetli ve geri döndürülebilir bir yatırım olduğu için çoğu Türk marka için mantıklı bir başlangıç noktası. Önemli olan, uyguladıktan sonra modellerin markanızı gerçekten daha doğru anlatıp anlatmadığını ölçmek.
Bu yazıyı paylaş