Yedi katman
Metodoloji yedi katmandan oluşur. Katmanlar birbirinden bağımsız iyileştirmeler değildir; her biri bir öncekinin üzerine oturur ve bütün, parçaların tek tek toplamından daha fazlasını üretir.
1. Semantik HTML: makinenin okuduğu iskelet
Genel amaçlı div ve span kapsayıcılarının semantik anlamı yoktur; bir yapay zeka sistemi, bir div'in navigasyon mu, ana içerik mi yoksa alt bilgi mi olduğunu bilemez. AI-First bir sayfa bu yüzden anlam taşıyan HTML5 etiketleriyle kurulur: bağımsız içerik article, tematik gruplar section, gezinme nav, çekirdek içerik main içinde yaşar.
Uygulamada
Her sayfada tam olarak bir main ve bir h1 bulunur; başlık hiyerarşisi H1, H2, H3 sırasını atlamadan iner. Bu hiyerarşi, makine için bir içindekiler tablosudur: motor, sayfanın hangi bölümde neyi anlattığını başlıklardan çıkarır.
2. Schema.org yapılandırılmış veri: JSON-LD ile varlık tanımı
Görünen içerik insana anlatır; yapılandırılmış veri makineye tanımlar. Her sayfaya JSON-LD formatında Schema.org işaretlemesi eklenir: Organization şirketi bir varlık olarak tanımlar, Service her hizmeti sağlayıcısıyla ilişkilendirir, FAQPage soru ve cevap çiftlerini motorların alıntılayabileceği biçimde sunar, BreadcrumbList sayfanın site hiyerarşisindeki yerini bildirir.
Uygulamada
Tek bir ilke pazarlıksızdır: şema, görünen içerikle birebir uyumludur. Sayfada olmayan bir bilgi şemaya yazılmaz; çünkü görünenle çelişen işaretleme güven sinyalini güçlendirmez, zayıflatır.
3. llms.txt: sitenin makineler için öz tanımı
robots.txt bir tarayıcıya neyi tarayabileceğini söyler; llms.txt ise sitenin ne olduğunu anlatır. Kök dizinde /llms.txt adresinde yayınlanan bu düz metin dosyası, sitenin yapay zeka sistemleri için hazırlanmış kompakt ve makine tarafından okunabilir öz tanımıdır.
Uygulamada
Dosya dört bölümden oluşur: şirketin tek cümlelik tanımı, kısa bir hakkında bloğu, ana bölümlerin ve hizmetlerin açıklamalı bağlantı listesi ve iletişim bilgileri. Amaç, bir motorun siteyi sayfa sayfa gezmeden önce doğru çerçeveyi tek dosyadan edinmesidir.
4. Bot optimizasyonu: kapıları bilinçli açmak
İçerik ne kadar iyi olursa olsun, motorun tarayıcısı sayfaya ulaşamıyorsa atıf da üretemez. robots.txt dosyasında GPTBot (ChatGPT), ClaudeBot (Claude) ve Google-Extended (Gemini) gibi yapay zeka tarayıcılarının erişimi bilinçli olarak tanımlanır; XML site haritası güncel tutulur ve önemli sayfalar ana sayfadan az tıklamayla ulaşılabilir kalır.
Uygulamada
İkinci koşul render edilebilirliktir: içerik JavaScript arkasına saklanmaz. Sayfanın çekirdek metni sunucudan hazır HTML olarak gelir; yalnızca tarayıcıda JavaScript çalıştıktan sonra görünen içerik, birçok bot için hiç var olmamış demektir.
5. Performans: Core Web Vitals ve sunucu tarafı üretim
Hız hem insan hem makine için bir kalite sinyalidir. Metodoloji, kamuya açık Core Web Vitals eşiklerini hedefler: LCP (en büyük içerikli boyama) 2.5 saniyenin, INP (sonraki boyamaya etkileşim) 200 milisaniyenin, CLS (birikimli düzen kayması) 0.1 değerinin altında tutulur. Bu eşikler bizim icadımız değil, kamuya açık standart değerlerdir.
Uygulamada
Sayfalar sunucu tarafında üretilir (SSR) veya artımlı statik yenileme (ISR) ile önceden hazırlanır; görseller modern formatlarda, doğru boyutta ve alan rezervasyonuyla sunulur. Böylece içerik hem ziyaretçiye hem tarayıcıya beklemeden ulaşır.
6. E-E-A-T: deneyim, uzmanlık, otorite, güven
Yapay zeka motorları kaynağın kim olduğunu önemser. Metodoloji E-E-A-T sinyallerini yapının parçası yapar: içerikler gerçek yazar profillerine bağlanır, ilk elden deneyim anlatılır ve her iddia doğrulanabilir tutulur.
Uygulamada
Bu katmanın kuralı metodolojinin karakterini belirler: ölçülmemiş rakam yazılmaz. Uydurma yüzdelerden, temsili müşterilerden ve garanti dilinden uzak durmak yalnızca etik bir tercih değil, teknik bir gerekliliktir; çünkü doğrulanamayan iddia güven sinyalini zayıflatır.
7. Ölçüm: temel çizgi ve fark
Son katman ilk günden kuruludur: yayına almadan önce mevcut durumun temel çizgisi ölçülür. Search Console görünürlük ve tıklama verisini, GA4 trafik kaynaklarını ve kullanıcı davranışını, AI Authority Score ise markanın dört motordaki (ChatGPT, Gemini, Claude, DeepSeek) görünürlüğünün başlangıç değerini kaydeder.
Uygulamada
Yayın sonrasında aynı metrikler aynı yöntemle izlenir ve fark raporlanır. Konuşulan şey "site güzel oldu" duygusu değil, temel çizgiye karşı ölçülmüş değişimdir; neyin ölçüm, neyin öngörü olduğu raporlarda ayrı ayrı işaretlenir.
Metodoloji pratikte: bir sayfanın doğuşu
Katmanlar soyut kalmasın: yeni bir hizmet sayfası yayına şu akışla hazırlanır.
- 1
İçerik modeli
Önce sayfanın yanıtlayacağı sorular listelenir; başlık hiyerarşisi bu sorulardan kurulur. Hedef kitlenin dili ve aradığı kavramlar başlıklarda birebir kullanılır.
- 2
Şema
Sayfa tipine uygun Schema.org işaretlemesi eklenir: hizmet sayfasına Service ve FAQPage, rehber içeriğe Article ve BreadcrumbList. Şema, görünen içerikle satır satır karşılaştırılır.
- 3
İç bağlantı
Sayfa site hiyerarşisine bağlanır: üst hizmet sayfasından bağlantı alır, ilgili blog ve bilgi bankası içeriklerine bağlantı verir. Yetim sayfa yayınlanmaz.
- 4
Yayın kontrol listesi
Yayın öncesi kontrol listesi işletilir: tek h1, geçerli JSON-LD, dolu meta alanları, robots.txt ve site haritası kaydı, Core Web Vitals ölçümü, render edilebilirlik testi.
- 5
Ölçüm
Sayfa, temel çizgisi ölçülmüş olarak yayına çıkar; Search Console, GA4 ve AI Authority Score verisi izlenir ve fark, sonraki içerik kararlarını besler.
Sık sorulan sorular
AI-First metodoloji hangi projelere uygun?
İçeriğiyle bulunmak isteyen her proje için uygundur: yeni site kurulumları, kurumsal yenilemeler ve e-ticaret dahil. Aranmanın ve atıf almanın önemli olduğu her yerde katmanlar aynıdır; yalnızca ağırlıkları değişir. Küçük bir tanıtım sitesinde şema ve llms.txt görece dar bir iştir; içerik yoğun bir platformda ölçüm ve içerik modeli katmanları öne çıkar.
Mevcut bir siteye kademeli uygulanabilir mi?
Evet. Metodoloji sıfırdan kurulumda en rahat çalışır, ama katmanlar mevcut bir siteye adım adım uygulanabilir. Tipik sıra şudur: önce temel çizgi ölçümü, ardından robots.txt ve llms.txt gibi düşük riskli eklemeler, sonra şema işaretlemesi, en sonda semantik yapı ve performans için şablon düzeyinde değişiklikler. Her adım kendi başına değer üretir ve bir sonraki adımın kararı ölçümle verilir.
Hangi framework'lerle çalışıyorsunuz?
Araç seçimi ihtiyaçtan sonra gelir. Metodolojinin teknik ön koşulu, sunucu tarafı üretim (SSR) veya artımlı statik yenileme (ISR) yeteneği olan modern bir yığındır; bu siteyi de ürettiğimiz Next.js bu ihtiyacı iyi karşılar, ama tek doğru yanıt değildir. Mevcut altyapınız render edilebilir HTML üretebiliyorsa metodoloji onun üzerinde de uygulanabilir.
llms.txt gerçekten okunuyor mu?
Dürüst yanıt: tarayıcıların davranışı evriliyor ve hangi motorun dosyayı ne sıklıkla okuduğu motordan motora değişiyor. llms.txt bu belirsizliğe rağmen makul bir yatırımdır; çünkü maliyeti düşüktür, zarar riski yoktur ve giderek standartlaşan bir sinyaldir. Biz dosyası hazır olan taraf olmayı, motorlar tutarlı okumaya başladığında hazırlıksız yakalanmaya tercih ediyoruz.
Sonuçlar ne zaman görünür?
Sabit bir süre vermiyoruz; çünkü sonuç sektöre, rekabete, içerik hacmine ve başlangıç noktasına bağlıdır. Bunun yerine yayın öncesi temel çizgi ölçülür ve aynı metrikler yayın sonrasında düzenli izlenir: Search Console görünürlüğü, GA4 trafiği ve dört motordaki marka görünürlüğü. Konuşulan şey tahmin değil, temel çizgiye karşı ölçülmüş farktır.