AI Citation Engineering, bir markanın yararlı kanıtlarını arama motorları veya AI destekli araştırma araçlarıyla araştırılırken daha kolay bulunur, yorumlanır, doğrulanır ve güncellenir hâle getirme disiplinidir. Bu tanım, ChatGPT’nin, Claude’un, Gemini’nin, Perplexity’nin veya Google’ın bir sayfayı mutlaka kaynak göstereceği anlamına gelmez. Hiçbir yayıncı başka bir sistemin retrieval, sıralama ya da yanıt politikasını kontrol edemez. Daha dar ve daha dayanıklı hedef şudur: İnsan okuyucunun bağlam içinde anlayabildiği, kaynağına iz sürebildiği ve gerçekler değiştiğinde yeniden kontrol edebildiği bilgi yayımlamak.
Bu ayrım önemlidir. Google, E-E-A-T’yi experience, expertise, authoritativeness ve trustworthiness kavramlarıyla açıklar; aynı zamanda E-E-A-T’nin tek başına bir sıralama faktörü olmadığını söyler. Bunun yerine yayıncılardan yararlı, güvenilir ve insan odaklı içerik üretmelerini; içeriği kimin hazırladığını göstermelerini; nasıl ve neden üretildiğini açıklamalarını ister. Bu nedenle Google’ın people-first içerik rehberi, citation çalışması için doğru bir kalite eşiğidir: Kanıt, retrieval sistemine faydalı olmadan önce soruyu soran insana faydalı olmalıdır.
Bu rehber; güvenilir bir hizmeti, ürünü, araştırma süreci veya operasyonel deneyimi olduğu hâlde bunu temiz bir kamuya açık kanıt zincirine dönüştüremeyen ekipler içindir. Uydurma vaka çalışmaları, şişirilmiş sonuçlar veya schema’yı kısa yol gibi kullanmadan bu zincirin nasıl kurulduğunu açıklar.
Citation engineering nedir, ne değildir?
Retrieval-augmented generation, bir dil modelini haricî bilgi deposuyla birleştiren yaklaşımların genel adıdır. Özgün RAG araştırması, bilgi yoğun görevlerde üretime yardımcı olmak için yoğun bir indeksten pasajlar getirilmesini açıklar. Bu araştırma iyi bir arka plandır; ancak her kamuya açık AI ürününün özel retrieval veya citation kurallarını açıklamaz. Bu nedenle çalışmayı, belirli bir platformun sayfanızı seçeceğinin kanıtı olarak değil, mimari örüntünün açıklaması olarak değerlendirin.
Pazarlama bağlamında citation engineering’in kontrol edilebilen dört işi vardır:
- Soru uyumu: Potansiyel müşteri, mevcut müşteri, analist veya iş ortağının vermeye çalıştığı gerçek kararı belirlemek.
- Kanıt netliği: Yanıtı, entity’yi, koşulu ve kaynağı tek okumada anlaşılır kılmak.
- Doğrulama: Ölçülmüş sonucu, müşteri beyanını, kamuya açık dokümantasyonu ve yorumlamayı ayırmak.
- Bakım: Teklif, politika, benchmark veya kaynak değiştiğinde iddiayı güncellemek ya da kaldırmak.
Bu yaklaşım keyword stuffing, üretilmiş backlink talebi veya spekülatif bir öngörüyü kesin gerçek gibi sunma yöntemi değildir. Google sıralamasını, AI mention’larını, referral trafiğini ve geliri tek bir metrikte birleştirmemelidir. Bunlar farklı ölçüm yöntemleri olan farklı sonuçlardır.
Çalışma kuralı: Bilgili bir okuyucu iddiayı kimin yaptığını, hangi kanıtın desteklediğini, ne zaman geçerli olduğunu ve sınırlarını anlayamıyorsa pasaj kamuya açık kanıt olmaya hazır değildir.
Soru ve kanıt haritasıyla başlayın
Çoğu içerik programı konuyla başlar. Citation engineering kararla başlar. Bir alıcının sağlayıcı seçmeden veya mevcut müşterinin kritik bir sonraki adımı atmadan önce sorduğu soruların küçük bir haritasını çıkarın. “Bir B2B ekip AI görünürlüğünü modeller arasında nasıl ölçmeli?” veya “Citation performansı iddiasına hangi kanıt eşlik etmeli?” gibi sorular dürüstçe yanıtlanabilir. “En iyi ajans kim?” gibi kanıtlanamayan üstünlük soruları zayıftır.
Taslak yazmadan önce her soru için şu dört alanı tanımlayın:
| Alan | Ne kaydedilmeli? | Örnek |
|---|---|---|
| Okuyucu işi | Okuyucunun vermesi gereken karar | Bir ölçüm baseline’ı seçmek |
| Doğrudan yanıt | Bir veya iki cümlede koşullu yanıt | Aynı prompt setini model ve tarihe göre ölçmek |
| Kanıt sahibi | İddiayı kim doğrular veya onaylar? | Analitik sorumlusu, müşteri onayı veya kamu kaynağı |
| Gözden geçirme tetikleyicisi | Pasajı ne zaman eskiltir? | Model değişimi, yeni veri, sözleşme değişimi veya altı aylık kontrol |
Bu harita, temayı tanıtıp okuyucunun işini hiç çözmeyen uzun makaleyi önler. Ayrıca sorumlu biçimde yayımlayamayacağınız iddiaları erkenden görünür kılar. Sonuç ölçülmediyse bunun bir hipotez olduğunu söyleyin veya çıkarın. Müşteri vaka çalışması ayrıntısını onaylayamıyorsa, okuyucunun sınırları anlayabildiği anonim bir örüntü dışında bu ayrıntıyı kullanmayın.
Kendi başına anlaşılır kanıt birimleri yazın
İnsanlar tarayarak okur; retrieval sistemleri de sayfanın bir bölümü üzerinde çalışabilir. Bu nedenle önemli her bölüm, girişinden ayrıldığında bile anlaşılacak kadar bağlam taşımalıdır. Yararlı bir kanıt birimi genellikle adlandırılmış özneyi, iddiayı, ilgili koşulu, iddianın dayanağını ve daha fazla ayrıntıya giden yolu içerir. Bu mekanik bir üslup zorunluluğu değildir; bir paragraf girişinden ayrıldığında yanıltıcı olup olmadığını test etme biçimidir.
Zayıf ifade: “Yaklaşımımız daha iyi görünürlük üretir.” Özne, ölçü, karşılaştırma, zaman aralığı ve kanıt yoktur.
Daha güçlü ifade: “RAG Signal, sabit bir alıcı sorusu setini adlandırılmış modellerde ölçer ve test edilen yanıtların markadan bahsetme veya markaya kaynak verme payını raporlar. Bu gözlem test edilen prompt setinin sonucudur; gelecekteki trafik veya gelir tahmini değildir.” Bu ifade yöntemi ve sınırı açıklar. Ardından metodoloji sayfasına, toplu veriye veya örneklemin açıklamasına bağlanabilir.
Sonraki soruyu yanıtlayan başlıklar kullanın; “Yaklaşımımız” veya “Daha fazlası” gibi başlıklar kullanmayın. Terimi ilk kullanımında tanımlayın. Açılmamış kısaltmaları genişletin. Sitenizde uzmanlaşmış bir anlam taşıyan kavram varsa onu her sayfada farklı tanımlamak yerine canonical tanıma bağlayın. RAG Signal’ın citation oranı rehberi ve Brand Memory açıklaması bu tür kavramların taşınabileceği sayfalardır.
Kaynak kalitesini görünür kılın
Güven, sayfa üç tür ifadeyi ayırdığında daha kolay değerlendirilir. Birinci taraf operasyonel gerçekler, ürünün ne yaptığı, hizmetin nasıl sunulduğu ve hangi verinin ölçüldüğü ile ilgilidir. Birincil haricî kaynaklar resmî dokümantasyonu, özgün araştırmayı, düzenlemeyi veya müşterinin onaylanmış anlatımını içerir. Yorumlama ise bu kaynakların okuyucu için ne anlama gelebileceğini açıklar; istatistiğin içine gizlenmiş bir sonuç gibi sunulmamalıdır.
Maddi bir iddiayı desteklediği noktada kaynağa bağlantı verin. Blog özetine değil özgün belgeye öncelik verin. Örneğin Google, structured data’nın sayfanın anlamına ilişkin açık ipuçları verebileceğini ve daha zengin arama görünümlerini destekleyebileceğini söyler; bunun gelişmiş sonuç veya sıralama avantajı garanti ettiğini söylemez. Structured data giriş rehberi ile genel politikalar bu sınırı açıkça koyar.
Sadece alan adı prestijli diye kaynak göstermeyin. Kaynağın tam olarak hangi önermeyi desteklediğini, tarihinin hâlâ geçerli olup olmadığını ve yönteminin iddianızla uyumunu kontrol edin. Bir tedarikçinin benchmark’ı bağlam sağlayabilir; bağımsız nedensel bulgu değildir. Küçük örnekleme dayalı veri, kapsamını içermelidir. Bu editoryal disiplin, sonradan süs gibi eklenen “kaynaklar” bölümünden daha değerlidir.
Structured data’yı kanıt değil açıklama olarak kullanın
Article markup, arama motorlarının headline, yazar, görsel ve yayın tarihi gibi ayrıntıları tanımasına yardımcı olur. Google, doğru yazar bilgisini önerir; uygun olduğunda datePublished ve dateModified alanlarını destekler. Markup, insanın gördüğü içerikle — yazar ve tarihler dahil — aynı olmalı; yalnızca içerik gerçekten değiştiğinde güncellenmelidir.
Bu, şeffaflığı destekler; tek başına uzmanlık kurmaz. Doğru JSON-LD bloğu muğlak makaleyi kurtaramaz; yanlış veya yanıltıcı markup uygunluk ve politika sorunu yaratabilir. Teknik biçimi Google’ın Article dokümantasyonuyla doğrulayın; görünür içeriğin maddi doğruluğunu ayrıca editoryal incelemeyle kontrol edin.
Tekrarlanabilir inceleme döngüsü kurun
Dayanıklı süreçte sorumlular bellidir. Her ay yeni kanıt adaylarını gözden geçirin. Her çeyrekte yüksek etkili sayfaları ve haricî linkleri tekrar kontrol edin. Ürün değiştiğinde, müşteri izni çekildiğinde, alıntılanan çalışma düzeltildiğinde veya yayınlanmış metrik yeniden hesaplandığında iddiayı derhâl inceleyin. İç kanıt defterinde sayfa URL’si, iddia metni, kaynak URL’si, sorumlu, onay durumu, son kontrol tarihi ve kaldırma tetikleyicisi bulunsun.
AI görünürlük ölçümünde sabit prompt seti kullanın; model ve tarihi kaydedin; izin verilen yerde ham yanıtı tutun; sonuçları okumadan önce mention veya citation’ın ne sayılacağını tanımlayın. Benzer koşulları karşılaştırın. Prompt, model, coğrafya veya yanıt modu değişirse alttaki marka değişmemiş olsa bile sonuç değişebilir. Bu nedenle citation oranı, tanımlanmış testin tanısal çıktısıdır; evrensel kalite puanı değildir.
30 günlük uygulama sırası
- Gerçek kararın arkasındaki beş alıcı sorusunu seçin.
- Her destekleyici gerçeği birinci taraf, birincil haricî, onaylı müşteri kanıtı veya yorum olarak sınıflandırın.
- Bir canonical tanım sayfası ve kendi başına anlaşılır bölümleri olan bir pratik rehber yayımlayın.
- Görünür byline, doğru tarih, kaynak bağlantıları ve sayfayı yansıtan Article markup ekleyin.
- Taslak ekibinin dışından bir kişiyle netlik testi yapın: Hangi iddiaya inanıyor, hangi kaynakla desteklendiğini görüyor mu?
- Belgelenmiş baseline ölçümü yapın; tek seferlik yanıt kovalamak yerine sonraki karşılaştırılabilir ölçümü takvime ekleyin.
Sınırlar ve kaynaklar
Bu çerçeve, kontrol ettiğiniz bilginin kalitesini ve izlenebilirliğini iyileştirir. Arama sıralamasını, AI retrieval’ı, üçüncü taraf citation’ı, referral trafiğini veya ticari sonucu belirleyemez. Sistemler değişir ve iç seçim mantıkları çoğu zaman kamuya açık değildir. Bu nedenle vaat edilen görünürlük yerine daha iyi kanıt ve daha iyi ölçüm odağını koruyun.
İleri okuma: Google — helpful, reliable, people-first content; Google — Article structured data; Google — publication dates; Lewis ve ark. — Retrieval-Augmented Generation.