AI visibility ölçümü, bir markanın ChatGPT, Gemini, Perplexity, Copilot, Claude ve Google AI Overviews gibi üretken yapay zekâ platformlarının ürettiği yanıtlarda hangi sorgularda, hangi sıklıkla, hangi konumda ve hangi rakiplerle birlikte yer aldığını tekrarlanabilir bir yöntemle kayıt altına alma disiplinidir. Bu çalışma, geleneksel anahtar kelime sıra takibinin yapay zekâ çağındaki karşılığı gibi görünse de ölçüm mantığı, veri yapısı ve yorumlama biçimi bakımından ondan ciddi ölçüde ayrılır. Kavramın tanımına ve kapsamına dair temel çerçeveyi AI visibility nedir başlıklı rehberimizde ele almıştık; bu içerikte ise ölçüm sisteminin nasıl kurulacağına odaklanıyoruz.
AI Visibility Ölçümü Neden Klasik Sıra Takibinden Farklıdır
Arama motorlarında bir anahtar kelime için belirli bir anda tek bir sonuç listesi vardır ve bu liste herkes için büyük ölçüde aynıdır. Üretken yapay zekâ platformlarında ise sabit bir sonuç listesi bulunmaz. Aynı prompt, aynı gün içinde iki farklı testte farklı markaları, farklı sıralamayla ve farklı gerekçelerle sunabilir. Yanıt, modelin olasılıksal üretim yapısına, varsa web erişimi sonucunda getirilen kaynaklara, kullanıcının diline, konumuna ve oturum bağlamına göre değişir.
Bu nedenle ölçümün temel birimi anahtar kelime değil; prompt, platform ve test sonucu üçlüsünün birleşimidir. Tek bir sorgu, tek bir platformda, tek bir seferde test edildiğinde ortaya çıkan veri yalnızca bir gözlemdir. Anlamlı bir görünürlük yargısına ulaşmak için aynı promptun birden fazla tekrarla, birden fazla platformda ve zaman içinde izlenmesi gerekir. Ölçüm sistemi bu olasılıksal doğayı yok saymak yerine onu veri modelinin merkezine yerleştirmelidir.
Ölçüm Sisteminin Cevaplaması Gereken Sorular
Sağlıklı bir ölçüm altyapısı, yönetim ekibine tek bir skor sunmakla yetinmez; o skorun arkasındaki kırılımları şeffaf biçimde gösterir. Marka hangi promptlarda anılıyor, hangilerinde önerilenler arasına giriyor, hangilerinde hiç görünmüyor? Markanın kendi adıyla yapılan sorgulardaki performansı ile kategori sorgularındaki performansı nasıl ayrışıyor? Hangi platformda güçlü, hangisinde zayıf? Rakiplere kıyasla görünürlük payı ne düzeyde ve bu pay dönemler arasında hangi yöne hareket ediyor? Son olarak, elde edilen sonuçlar istikrarlı mı yoksa test tekrarları arasında savruluyor mu? Bu soruların her biri, ölçüm sisteminin ayrı bir bileşenine karşılık gelir ve aşağıdaki başlıklarda bu bileşenler sırayla kurgulanır.
Prompt Evreni Nasıl Tasarlanır
Prompt evreni, markanın görünür olmayı hedeflediği kullanıcı sorularının, problem alanlarının ve karar senaryolarının temsilî bir örneklemidir. Bu evrenin kalitesi, tüm ölçümün güvenilirliğini belirler. Yalnızca birkaç sorgudan oluşan dar bir set, markanın zaten güçlü olduğu alanlara odaklanarak görünürlüğü olduğundan yüksek gösterir. Ürün kapsamıyla ilgisiz sorgularla şişirilmiş geniş bir set ise gerçek performansı aşağı çeker ve optimizasyon önceliklerini yanlış yöne kaydırır.
Doğru evren; markanın ürün ve hizmet kapsamı, hedef segmentler, coğrafi pazarlar ve kullanıcı yolculuğunun aşamaları dikkate alınarak oluşturulur. Prompt düzeyinde görünürlüğün nasıl değerlendirildiğine dair ayrıntıları prompt visibility kavramını incelediğimiz rehberde bulabilirsiniz.
Branded Promptlar ve Marka Doğruluğu Kontrolü
Branded promptlar, marka adını doğrudan içeren sorgulardır. Bir markanın ne olduğu, hangi hizmetleri sunduğu, hangi sektörlere hitap ettiği veya belirli bir yetkinliğe sahip olup olmadığı bu grupta sorgulanır. Bu promptların asıl işlevi kategori görünürlüğünü ölçmek değil, modelin marka hakkında taşıdığı bilginin doğruluğunu ve güncelliğini denetlemektir. Marka doğru tanımlanıyor mu, hizmet kapsamı güncel mi, benzer adlı başka varlıklarla karıştırılıyor mu, eskimiş ürün bilgileri hâlâ tekrarlanıyor mu gibi sorular bu testlerle yanıtlanır.
Branded sorgularda yüksek görünürlük, markayı zaten tanıyan kullanıcıların davranışını yansıtır. Bu veri değerlidir ancak keşif aşamasındaki potansiyel müşterinin markayla karşılaşıp karşılaşmadığı hakkında hiçbir şey söylemez. Bu yüzden branded ve non-branded sonuçlar hiçbir zaman tek bir ortalamada eritilmemelidir.
Non-Branded Promptlar ve Kategori Keşfi
Non-branded promptlar; marka adı geçmeden kategori, ihtiyaç, problem, çözüm veya kullanım senaryosu üzerinden kurulan sorgulardır. Belirli bir hizmeti sunan firmaların hangileri olduğu, belirli bir problem için hangi çözümlerin önerildiği ya da belirli bir sektördeki şirketler için hangi yaklaşımın uygun olduğu bu grupta sorulur. Bu promptlar, markanın yapay zekâ aracılığıyla keşfedilme ve kategori içinde değerlendirilme potansiyelini gösterir.
Branded sorgularda güçlü, non-branded sorgularda zayıf olan bir marka, adıyla tanınmasına rağmen kategori keşfi sırasında modelin zihninde yeterince güçlü bir varlık ilişkisi kuramamış demektir. Bu durum tipik olarak varlık ağı zayıflığına, kategori sinyallerinin eksikliğine veya kaynak çeşitliliğinin yetersizliğine işaret eder ve optimizasyon stratejisinin ana ekseni buradan belirlenir.
Niyet Sınıfları ve Varyasyon Dengesi
Promptlar, kullanıcı niyetine göre sınıflandırılmadan izlenirse hangi karar aşamasında görünürlük kaybedildiği anlaşılamaz. Bilgilendirici, karşılaştırmalı, değerlendirme odaklı, satın alma öncesi, problem çözme, teknik, yerel veya sektörel ve uzman arama gibi sınıflar, her promptun bir etiketle kaydedilmesini sağlar. Böylece markanın örneğin bilgilendirici sorgularda sık anıldığı ancak karşılaştırmalı sorgularda öneri listesine giremediği gibi kritik bulgular ortaya çıkar.
Aynı niyet farklı ifadelerle yazılabilir; “kurumsal şirketler için danışmanlık firması” ile “B2B markalara hizmet veren ajanslar” aynı ihtiyacın iki farklı yüzeyidir. Her varyasyonu sınırsızca çoğaltmak gereksizdir. Amaç, her niyet sınıfını temsil eden dengeli bir örneklem kurmak ve bu örneklemi dönemler arasında sabit tutmaktır.
Hangi Yapay Zekâ Platformları İzlenmeli
Platform seçimi, hedef kitlenin fiilî kullanım alışkanlıkları ve markanın pazar öncelikleri üzerinden yapılır. Tüm platformları aynı ağırlıkla izlemek ne zorunludur ne de her zaman anlamlıdır. Hedef kitle hangi asistanları araştırma ve karar süreçlerinde kullanıyor, marka hangi coğrafyalarda faaliyet gösteriyor, rakiplerin stratejik görünürlüğü hangi platformda yoğunlaşıyor ve hangi platformlardan düzenli, karşılaştırılabilir veri toplanabiliyor soruları seçimi şekillendirir.
Platformlar arasında yapısal farklar da vardır. Web erişimli ve kaynak gösteren sistemler ile yalnızca eğitim verisine dayanan yanıtlar aynı promptta çok farklı sonuçlar üretebilir. Bu yüzden her platform için ham veri ayrı tutulmalı, bileşik bir puan oluşturulsa bile platform farkları o puanın içinde kaybolmamalıdır. Platform bazlı görünürlük dinamiklerini yapay zekâ platformlarında marka görünürlüğü rehberimizde ayrıntılı biçimde değerlendirdik.
Rakip Seti Nasıl Belirlenir ve İzlenir
AI visibility ölçümü yalnızca markanın kendi performansına bakmaz; aynı promptlarda görünen tüm markaları kayıt altına alır. Rakip seti üç katmandan oluşturulmalıdır. Birinci katman doğrudan ticari rakiplerdir. İkinci katman, markanın henüz rekabet edemediği ancak kategori algısını belirleyen liderlerdir. Üçüncü ve en sık ihmal edilen katman ise yapay zekâ yanıtlarında düzenli biçimde beliren, klasik rakip analizinde yer almayan markalardır.
Yapay zekâ platformlarının rakip algısı, SEO veya satış ekiplerinin rakip algısından farklı olabilir. Bir yazılım markası, model tarafından yalnızca benzer yazılımlarla değil; danışmanlık şirketleri, analitik çözümler veya açık kaynak araçlarla birlikte sunulabilir. Her test için markanın anılıp anılmadığı, hangi rakiplerin anıldığı, markanın yanıttaki konumu, ilk önerinin hangi marka olduğu, markanın hangi kullanım senaryosuyla ilişkilendirildiği ve rakiplerin hangi gerekçelerle öne çıkarıldığı kaydedilmelidir. Gerekçe verisi, optimizasyon stratejisinin en değerli girdisidir; çünkü modelin bir markayı neden tercih ettiğini doğrudan açığa çıkarır.
AI Share of Voice Nasıl Hesaplanır ve Yorumlanır
AI Share of Voice, hedef prompt setinde markanın tüm rakipler arasında aldığı görünürlük payıdır. Basit formu, markanın toplam anılma sayısının settteki tüm marka anılmalarının toplamına bölünmesiyle elde edilir. Ancak tek bir pay yeterli değildir; anılma payı, ilk sırada görünme payı ve öneri listesine girme payı ayrı ayrı hesaplanmalıdır. Bir marka anılma payında yüksek, öneri payında düşükse model markayı biliyor ancak tavsiye etmiyor demektir. Önerilme mekanizmasının arkasındaki dinamikleri AI recommendation kavramı üzerinden ayrıca inceledik.
AI SOV; platform, prompt sınıfı, branded ve non-branded ayrımı, ürün kategorisi, hedef sektör, dil ve konum kırılımlarıyla raporlanmalıdır. Bu metrik markanın mutlak görünürlüğünü değil, rekabet içindeki göreli payını gösterir. Rakiplerin görünürlüğü düşerken markanın görünürlüğü sabit kalsa bile SOV yükselir; bu nedenle SOV, visibility index ile birlikte okunmadığında yanıltıcı olabilir.
Visibility Index Nasıl Kurgulanır
Visibility index, farklı prompt ve platformlardan gelen görünürlük sonuçlarını tek bir izleme puanında özetleyen bileşik göstergedir. Amacı, dönemler arası karşılaştırmayı tek bir sayı üzerinden yapılabilir kılmaktır. Puan; marka anılması, yanıttaki konum, öneri listesine dâhil edilme, ilk öneri olma, promptun stratejik ağırlığı, platformun ağırlığı ve görünürlük sıklığı değişkenlerinden türetilir.
Ağırlıklandırma Mantığı
Tüm sonuç türleri aynı değeri taşımaz. Kritik bir non-branded satın alma öncesi promptta ilk öneri olmak, düşük öncelikli bir branded promptta yalnızca anılmaktan çok daha yüksek puan almalıdır. Yanlış bilgi içeren bir görünürlük ise olumlu değil, nötr ya da negatif puanlanmalıdır; çünkü marka hakkında hatalı bilgi yayan bir anılma, görünürlük değil itibar riskidir. Aşağıdaki tablo, üç temel metriğin ne ölçtüğünü ve nasıl yorumlanması gerektiğini karşılaştırır.
| Metrik | Neyi ölçer | Rakip bağımlılığı | Yorumlama riski |
|---|---|---|---|
| Ham anılma oranı | Markanın test edilen promptların yüzde kaçında geçtiği | Yok | Anılmayı önerilmeyle eşitler |
| AI Share of Voice | Rakipler arasındaki göreli görünürlük payı | Yüksek | Rakip düşüşünü kendi artışı sanabilir |
| Visibility index | Ağırlıklandırılmış bileşik görünürlük puanı | Düşük | Model değişirse dönemler karşılaştırılamaz |
Index kurgulanırken metrik tanımları sabit tutulmalı, ağırlıklar yazılı olarak belgelenmeli ve tek bir test sonucu asla belirleyici olmamalıdır. Index, görünürlüğün ne yönde değiştiğini gösterir; neden değiştiğini açıklamaz. Bu yüzden her zaman prompt ve platform düzeyindeki ham verilerle birlikte yorumlanmalıdır. Bu bileşik puanın daha geniş bir KPI setiyle nasıl ilişkilendiğini GEO KPI’larını ele aldığımız rehberde bulabilirsiniz.
Test Sıklığı, Örneklem ve Volatilite Yönetimi
Yapay zekâ yanıtlarının olasılıksal yapısı, her promptun tek seferde değil tekrarlı biçimde test edilmesini zorunlu kılar. Pratikte her prompt için aynı dönem içinde en az beş, ideal olarak on tekrar yapılması; bu tekrarların farklı günlere yayılması ve mümkünse temiz oturumlarla gerçekleştirilmesi gerekir. Dil ve konum ayarları her testte sabitlenmeli, test tarihi ve saati kaydedilmelidir. Dönem karşılaştırmasında aynı prompt seti, aynı platformlar, aynı test sıklığı ve aynı index modeli korunmalı; yeni eklenen promptlar ayrı etiketlenmelidir. Aksi hâlde raporlanan değişim, performansı değil yöntem farkını yansıtır.
Kalıcı Trend ile Geçici Dalgalanma Nasıl Ayrılır
Görünürlük volatilitesi, aynı promptun tekrarlı testlerinde sonucun ne kadar tutarlı olduğunu ifade eder. On testin dokuzunda görünen bir marka istikrarlı; üçünde görünen bir marka ise değişken bir görünürlüğe sahiptir. Volatilite yalnızca anılmada değil; yanıttaki konumda, öneri listesinin bileşiminde, rakip setinde ve hatta marka tanımının içeriğinde ortaya çıkabilir.
Tek bir testte görünürlük kaybı yaşandığında bunu kalıcı düşüş olarak yorumlamak, ekipleri gereksiz aksiyonlara sürükler. Kalıcı trend yargısı için dönemsel ortalamalar, hareketli ortalama yaklaşımı ve tekrar testleri kullanılmalıdır. Volatilitenin kendisi de bir metrik olarak raporlanmalıdır; çünkü yüksek volatilite, modelin marka hakkındaki bilgisinin henüz sağlamlaşmadığına işaret eder ve bu durum, kaynak çeşitliliği ile varlık tutarlılığı üzerinde çalışılması gerektiğini gösterir.
Kaydedilmesi Gereken Veri Alanları
Ölçüm siste
minin güvenilirliği, her testin standart bir veri şemasıyla kaydedilmesine bağlıdır. Eksik alanla kaydedilen bir gözlem, dönemler arası karşılaştırmada kullanılamaz hâle gelir. Her test kaydı en az aşağıdaki alanları içermelidir.
- Promptun birebir metni ve ait olduğu niyet sınıfı
- Branded veya non-branded etiketi
- Platform, model sürümü ve web erişimi durumu
- Test tarihi, saati, dil ve konum ayarı
- Marka anılma durumu ve yanıttaki konumu
- Öneri listesine dâhil edilme ve ilk öneri olma durumu
- Yanıtta geçen tüm rakipler ve öne çıkarılma gerekçeleri
- Marka hakkında verilen bilginin doğruluk değerlendirmesi
- Varsa gösterilen kaynak URL’leri
Bu şema; visibility index, AI Share of Voice, volatilite ve trend analizinin ortak veri temelini oluşturur. Kaynak URL alanı özellikle değerlidir; çünkle hangi içeriklerin markayı yanıta taşıdığını gösterir ve ölçümü doğrudan içerik stratejisine bağlar. Ölçüm çıktılarının daha geniş performans çerçevesine nasıl oturduğunu GEO performansı nasıl ölçülür rehberimizde ayrıntılı biçimde ele aldık.
AI Visibility Ölçümünde Sık Yapılan Hatalar
Ölçüm hatalarının çoğu, araç eksikliğinden değil yöntem disiplinsizliğinden kaynaklanır. En yaygın hata yalnızca branded promptları izleyip yüksek görünürlük yanılsamasına kapılmaktır. Bunu, prompt evrenini birkaç sorguyla sınırlamak ya da tam tersine aynı niyeti gereksiz varyasyonlarla çoğaltıp veriyi şişirmek izler. Tüm platformları tek skorda eritmek, platform bazlı zayıflıkları görünmez kılar.
Rakip tarafında en kritik hata, seti yalnızca bilinen ticari rakiplerle kurmak ve yapay zekâ yanıtlarında beliren yeni markaları göz ardı etmektir. Metrik tarafında ise marka anılmasını önerilmeyle aynı saymak, AI SOV ile visibility index’i birbirine karıştırmak ve index modelini dönemler arasında değiştirip sonuçları karşılaştırılamaz hâle getirmek öne çıkar. Yanlış bilgi içeren görünürlüğü olumlu puanlamak, itibar riskini başarı olarak raporlamak anlamına gelir. Tek test üzerinden trend yargısına varmak, volatiliteyi kalıcı değişim sanmak ve dil, konum, tarih gibi bağlam alanlarını kaydetmemek de yorumlama kalitesini doğrudan düşürür. Bu hataların ortak sonucu, optimizasyon bütçesinin düşük etkili alanlara yönlendirilmesidir.
Ölçüm Verisi Optimizasyon Stratejisine Nasıl Bağlanır
Ölçüm, kendi başına bir amaç değildir; aksiyon üretmediği sürece raporlama yükünden ibaret kalır. Non-branded sorgulardaki düşük görünürlük, modelin markayı kategoriyle yeterince ilişkilendiremediğini gösterir ve bu bulgu varlık ağı güçlendirme çalışmalarına yönlendirir. Anılma payı yüksek ancak öneri payı düşükse markanın güven ve yetkinlik sinyalleri zayıftır; kaynak çeşitliliği ve içerik derinliği gündeme gelir. Branded sorgularda hatalı bilgi görülüyorsa yapısal veri ve kurumsal kaynakların tutarlılığı öncelik kazanır. Varlık ilişkilerinin yapay zekâ görünürlüğüne etkisini Entity SEO ile GEO arasındaki ilişkiyi incelediğimiz rehberde açıkladık. Her ölçüm bulgusunun karşısına somut bir optimizasyon hipotezi yazılmalı ve bir sonraki ölçüm döneminde bu hipotezin sonucu aynı yöntemle doğrulanmalıdır.
Güvenilir Bir AI Visibility Ölçüm Sisteminin Temel İlkeleri
Yapay zekâ platformlarındaki marka görünürlüğü, dengeli bir prompt evreni, iş hedefleriyle uyumlu platform kapsamı, üç katmanlı rakip seti, belgelenmiş bir visibility index modeli ve tekrarlı testlere dayanan trend analiziyle ölçülebilir hâle gelir. Sistemin değeri, ürettiği tek bir puandan değil; branded ve non-branded görünürlüğü ayrı tutabilmesinden, platform ve niyet sınıfı farklarını koruyabilmesinden ve volatiliteyi performans değişiminden ayırabilmesinden gelir. Yöntem sabit tutulduğunda ölçüm verisi dönemler arasında karşılaştırılabilir, bulgular optimizasyon hipotezlerine dönüştürülebilir ve markanın üretken yapay zekâ ekosistemindeki konumu belirsizlikten çıkarılıp yönetilebilir bir performans alanı hâline getirilebilir.
