Fanout Queries ile Türkiye'de Yapay Zeka Görünürlüğü: Kapsamlı GEO & AI SEO Rehberi

Diller / Languages: Türkçe (bu sayfa) · English · Deutsch

Özet (AI TL;DR)

Fanout queries, yapay zeka modellerinin (ChatGPT, Gemini, Perplexity, Google AI Overview) bir soruyu yanıtlarken arka planda arattığı alt-sorulardır. Markanız bu alt-sorularda çıkmıyorsa, modelin nihai cevabında da anılmaz. GEO (Generative Engine Optimization), bu alt-soruları görüp en sık ve modeller arası ortak olanları içerikle sahiplenmektir. Bu rehber; fanout queries'i bulmayı, Türkiye'ye özgü dinamikleri (marka alias tuzağı, yerel niyet, sağlayıcı çeşitliliği) ve fanout verisinden ölçülebilir içerik stratejisi üretmeyi adım adım anlatır.

Arama artık tek bir sonuç listesi değil. Kullanıcı ChatGPT'ye "Türkiye'de ailece tatil için en iyi tur firması hangisi?" diye sorduğunda, model bu soruyu doğrudan yanıtlamıyor — onu arka planda onlarca alt-soruya bölüyor, her birini ayrı ayrı araştırıyor ve topladığı kanıtlardan bir cevap kuruyor. İşte bu gizli alt-sorular fanout queries'tir ve markanızın yapay zeka cevaplarında görünüp görünmeyeceğini belirleyen asıl sinyal bunlardır.

Bu rehber; GEO (Generative Engine Optimization), AEO (Answer Engine Optimization) ve AI Visibility kavramlarını Türkiye pazarı bağlamında ele alıyor, fanout queries'in neden SEO'nun bir sonraki katmanı olduğunu açıklıyor ve bu veriyi somut içerik stratejisine çevirmenin adım adım yolunu gösteriyor.

Bu rehber, Maya'nın GEO saha deneyimi ve fanout metodolojisiyle yazılmıştır. Müşteri verileri gizlidir; bu nedenle örneklerde marka adları anonimleştirilmiştir. Metodoloji birebir uygulanabilir.

İçindekiler

Yapay zeka arama çağında görünürlük neden değişti?
GEO, AEO ve LLM SEO arasındaki fark nedir?
Fanout query nedir ve neden önemlidir?
Yapay zeka modelleri bir soruyu nasıl "fan-out" eder?
Fanout queries neden klasik anahtar kelime araştırmasının yerini alıyor?
Türkiye'ye özgü fanout dinamikleri: Türkçe arama davranışı
Fanout queries nasıl bulunur? (Maya ile adım adım)
Fanout verisinden içerik stratejisi: 7 adımlı playbook
"Shared across models" — modellerin üzerinde uzlaştığı sorular
Örnek vaka: bir Türk tur firması için fanout analizi
Fanout → içerik brief → yayın → ölçüm döngüsü
Türkiye'de en sık yapılan 10 GEO hatası
Sık sorulan sorular (SSS)
Sonuç: ölçülebilir yapay zeka görünürlüğü

1. Yapay zeka arama çağında görünürlük neden değişti?

On yıl boyunca dijital görünürlüğün tanımı netti: Google'da ilk sayfada çıkmak. Kullanıcı arar, on mavi link görür, birine tıklar. Bütün SEO disiplini bu davranışın üzerine kuruldu.

Yapay zeka asistanları bu zinciri kırdı. Bugün bir kullanıcı ChatGPT, Gemini, Perplexity veya Google AI Overview'a bir soru sorduğunda:

Link listesi görmüyor — sentezlenmiş, tek bir cevap görüyor.
Genellikle tıklamıyor — cevabın kendisi yeterli oluyor (zero-click).
Markaları modelin seçtiği kadar duyuyor — cevapta adı geçmeyen marka, kullanıcı için yok hükmünde.

Bunun işletmeler için anlamı net: Artık soru "Google'da kaçıncı sıradayım?" değil, "Yapay zeka beni öneriyor mu?" Bu yeni disiplinin adı GEO — Generative Engine Optimization.

Türkiye'de yapay zeka aramasının büyüklüğü ne durumda?

Türkiye, ChatGPT kullanımında dünyada en yüksek adaptasyon oranına sahip pazarlardan biri. Kullanıcılar; tatil planlama, ürün karşılaştırma, finansal danışmanlık, sağlık ve eğitim gibi yüksek niyetli konularda giderek daha fazla yapay zekaya danışıyor. "En iyi X markası", "X mı Y mi", "X güvenilir mi" gibi ticari niyetli sorular Türkçe'de hızla artıyor. Bu da Türk markaları için hem risk hem fırsat anlamına geliyor: Yapay zeka cevabında yoksanız, rakibiniz sizin yerinize öneriliyor.

2. GEO, AEO ve LLM SEO arasındaki fark nedir?

Bu üç terim sık sık karıştırılır. Kısaca ayıralım:

SEO (Search Engine Optimization): Klasik arama motorlarında (Google, Bing) organik sıralama için içerik ve teknik optimizasyon.
AEO (Answer Engine Optimization): Cevap motorlarının (AI Overview, featured snippet, sesli asistan) tek ve net cevabı sizden alması için içeriği "cevaplanabilir" hale getirmek.
GEO (Generative Engine Optimization): Üretken yapay zeka modellerinin (ChatGPT, Gemini, Claude, Perplexity) markanızı cevaplarında kaynak göstermesi ve önermesi için yapılan optimizasyon.
LLM SEO: GEO ile büyük ölçüde eş anlamlı kullanılır; büyük dil modelleri özelinde görünürlük optimizasyonunu vurgular.

GEO'nun SEO'dan en büyük farkı ölçüm katmanıdır. SEO'da sıralamayı görürsünüz; GEO'da ise modelin cevabını, sizi anıp anmadığını, hangi kaynakları gösterdiğini ve arka planda hangi alt-soruları aradığını görmeniz gerekir. İşte fanout queries tam bu noktada devreye girer.

3. Fanout query nedir ve neden önemlidir?

Fanout query, bir yapay zeka modelinin bir kullanıcı sorusunu yanıtlarken arka planda ürettiği ve arattığı alt-sorulardır. Model, geniş bir soruyu daha dar, aranabilir parçalara "yelpaze gibi açar" (fan-out) ve bu parçaları araştırarak cevabını temellendirir (grounding).

Basit bir örnek. Kullanıcı sorusu:

"Ailece gidebileceğimiz, çocuk dostu, denize sıfır bir tatil önerir misin?"

Modelin arka planda üretebileceği fanout queries:

"çocuk dostu deniz kenarı oteller Türkiye"
"ailelere uygun her şey dahil tatil"
"çocuk kulübü olan oteller Antalya"
"0-6 yaş bebek dostu tatil köyleri"
"denize sıfır aile oteli erken rezervasyon"

Kullanıcı bu alt-soruları hiç yazmadı. Ama model bunları arattı ve cevabını bu aramalardan çıkan içeriklere dayandırdı. Eğer bu alt-sorularda içeriğiniz çıkmıyorsa, nihai cevapta da yoksunuz.

Fanout query neden bu kadar kritik?

Çünkü fanout queries, modelin gerçek arama niyetini ifşa eder. Klasik anahtar kelime araştırması size insanların arama kutusuna ne yazdığını söyler. Fanout queries ise yapay zekanın sizin adınıza neyi aradığını söyler — yani cevabı üretirken hangi bilgiye ihtiyaç duyduğunu. Bu, "içerik açığı"nı görünür kılan tek doğrudan sinyaldir:

Model bir alt-soruyu 20 kez arattı ve sizi hiç bulamadıysa, bu eksiklik hiçbir sıralama raporunda görünmez — ama tam da bu yüzden cevaplarda anılmıyorsunuz.

4. Yapay zeka modelleri bir soruyu nasıl "fan-out" eder?

Modelden modele değişse de genel akış şudur:

Niyet çözümleme: Model, kullanıcının asıl amacını yorumlar (bilgi mi, karşılaştırma mı, satın alma mı?).
Alt-soru üretimi: Soruyu, cevabı temellendirmek için gereken daha dar aramalara böler.
Erişim / grounding: Bu alt-soruları bir arama katmanıyla (web arama, dahili index, retrieval) araştırır.
Kaynak seçimi: Dönen sonuçlardan güvenilir ve ilgili bulduklarını seçer.
Sentez: Seçilen kaynaklardan tek bir cevap kurar, sıklıkla kaynak (citation) göstererek.

Perplexity gibi bazı modeller ürettikleri "related questions" verisini açıkça sunar; Gemini grounding metadata'sında arama sorgularını taşır; Google AI Overview ise arka planda birden çok Google araması yürütür. Ortak nokta şudur: her cevabın altında bir alt-soru kümesi vardır ve bu küme, görünürlüğünüzün gerçek savaş alanıdır.

Fanout, RAG ve query expansion ile aynı şey mi?

Yakın akrabalar ama aynı değil. Query expansion klasik aramada tek sorguyu eşanlamlılarla genişletir. RAG (retrieval-augmented generation) modelin harici kaynaklardan bilgi çekme mimarisidir. Fanout ise modelin tek bir kullanıcı sorusunu, cevabı kurmak için birden çok farklı alt-soruya bölüp her birini ayrı araması davranışıdır. Fanout, RAG'in içinde gerçekleşen ve GEO açısından en eyleme dönüştürülebilir olan katmandır.

5. Fanout queries neden klasik anahtar kelime araştırmasının yerini alıyor?

Klasik anahtar kelime araçları (hacim, zorluk, CPC) insan davranışını modelliyor. Ama artık aramanın büyük kısmını makineler sizin adınıza yapıyor. İki dünyanın farkı:

Boyut	Klasik anahtar kelime	Fanout query
Kaynak	İnsanın yazdığı sorgu	Modelin ürettiği alt-soru
Ölçüm	Aylık arama hacmi	Modelin arama sıklığı (lookup)
Niyet	Genel	Cevaba özel, dar
Aksiyon	Sayfa hedefleme	İçerik açığı kapatma
Görünürlük	SERP sırası	Cevapta anılma

Fanout queries, "anahtar kelime araştırması"nın yapay zeka çağındaki karşılığıdır — ama tahmine değil, modelin gerçek davranışına dayanır. Bu yüzden çok daha yüksek isabetle içerik önceliklendirmenizi sağlar.

6. Türkiye'ye özgü fanout dinamikleri: Türkçe arama davranışı

Türkiye pazarında fanout analizinin kendine has incelikleri var:

Türkçe dil ve marka eşleştirme tuzakları

Türkçe'de marka adları sıklıkla iki kelimeye ayrılır (örneğin "Marka Tur") veya ekler alır ("Marka Tur'un", "Markayla"). Model cevabında marka ayrık biçimiyle geçse bile, sisteminiz yalnızca bitişik yazımı ("markatur") arıyorsa eşleşmeyi kaçırır ve mention oranınız yanlışlıkla %0 görünür. Türkiye'de fanout ve mention takibinde marka alias'larını (bitişik/ayrık, ekli tüm yazım varyasyonlarını) tanımlamak kritiktir.

Yerel niyet ve mevsimsellik

Türkçe fanout queries güçlü mevsimsel ve yerel niyet taşır: "erken rezervasyon", "son dakika", "bayram tatili", "kredi kartı taksit", "kapıda ödeme", "iade koşulları". Bu ifadeler modelin Türk kullanıcıya cevap üretirken sık arattığı kalıplardır ve içerik stratejinizin merkezinde olmalıdır.

Sağlayıcı çeşitliliği

Türk kullanıcılar ChatGPT ağırlıklı olsa da Gemini (Google ekosistemi) ve Google AI Overview yerel aramada güçlü. Bu üç sağlayıcının fanout davranışı farklıdır; birinde çıkıp diğerinde çıkmamak yaygındır. Bu yüzden sağlayıcı kırılımı ve modellerin üzerinde uzlaştığı ortak sorular Türkiye'de ayrı bir önem taşır.

7. Fanout queries nasıl bulunur? (Maya ile adım adım)

Fanout queries'i elle toplamak pratikte imkânsızdır: veri her modelin grounding metadata'sında, yüzlerce çalıştırma ve sağlayıcı arasında dağınık durur. Maya bu veriyi otomatik toplar, normalize eder ve tek bir sıralı listeye dönüştürür.

Adımlar:

Prompt'larınızı tanımlayın. Markanızla ilgili gerçek kullanıcı sorularını (discovery prompt'ları) ekleyin: "en iyi X", "X güvenilir mi", "X mı Y mi" gibi.
Maya prompt'ları tüm modellerde çalıştırır. ChatGPT, Gemini, Perplexity ve Google AI Overview'a aynı soruları sorar.
Fanout otomatik yakalanır. Her modelin arka planda arattığı alt-sorular çıkarılır, normalize edilir ve tekilleştirilir.
Fanout Queries ekranında sonuçlar. Alt-sorular lookup sıklığına göre sıralı gelir; her satırda kaç kez arandığı (×N), kaç farklı prompt'un tetiklediği ve sağlayıcı kırılımı görünür.
Filtreleyin ve dışa aktarın. Sağlayıcıya göre, arama terimine göre veya "Shared across models" (2+ modelin arattığı ortak sorular) filtresiyle daraltın; listeyi CSV olarak indirip içerik ekibine brief olarak verin.

Fanout Queries özelliği, ürünün Monitoring bölümünde yer alır ve aynı veriyi Maya MCP üzerinden get_fanout_queries aracıyla programatik olarak da sunar.

8. Fanout verisinden içerik stratejisi: 7 adımlı playbook

Fanout listesi kendi başına ilginç bir veri; asıl değer onu içerik yol haritasına çevirmektir. İşte saha-testli 7 adım:

Adım 1 — Yüksek frekanslı + düşük kapsama sorularını işaretleyin

Modelin sık arattığı (yüksek ×N) ama sizin çıkmadığınız alt-sorular en acil içerik açıklarınızdır. Bunlar önceliğinizin başıdır.

Adım 2 — "Shared across models" ile çekirdeği bulun

2+ modelin birlikte arattığı sorular, üzerinde uzlaşılan çekirdek konulardır. Önce bunları kazanın: bir sayfa yazdığınızda ChatGPT, Gemini ve Perplexity'nin hepsinde aynı anda görünürlük kazanma ihtimaliniz artar.

Adım 3 — Alt-soruları konu kümelerine ayırın

Yüzlerce alt-soruyu tek tek değil, temalara toplayın: "fiyat/ödeme", "güvenilirlik/yorum", "karşılaştırma", "iade/iptal", "erken rezervasyon" gibi. Her küme bir pillar içerik adayıdır.

Adım 4 — Her küme için "cevaplanabilir" içerik yazın

GEO'da içerik, modelin doğrudan alıntılayabileceği netlikte olmalı: net başlık soruları (H2/H3 = kullanıcı sorusu), kısa ve öz cevap paragrafı, ardından detay. Tablo, liste ve tanım kutuları alıntılanma olasılığını artırır.

Adım 5 — Marka alias'larını ve varlık (entity) sinyallerini güçlendirin

İçerikte markanızı tüm yazım varyasyonlarıyla (bitişik ve ayrık yazımlar dahil), sektörünüzle ve ilişkili varlıklarla birlikte net biçimde geçirin. Structured data (Organization, FAQPage) ve tutarlı NAP bilgisi modelin sizi bir varlık olarak tanımasını kolaylaştırır.

Adım 6 — Yayınlayın ve fanout'u yeniden ölçün

İçeriği yayınladıktan sonra prompt'ları tekrar çalıştırın. Aynı alt-sorularda artık çıkıyor musunuz? Mention oranı ve kaynak gösterilme (citation) arttı mı? GEO iteratif bir döngüdür.

Adım 7 — Rakip fanout'unu izleyin

Alt-sorularda hangi rakipler çıkıyor? Türkçe fanout metinlerinde geçen rakip marka adları, sizin karşılaştırma ve fark yaratma içeriğiniz için doğrudan girdidir.

9. "Shared across models" — modellerin üzerinde uzlaştığı sorular

Fanout listesindeki her alt-soru eşit değildir. Bazıları tek bir modelin bir kereliğine arattığı tali sorular; bazıları ise her büyük modelin aynı konu için arattığı çekirdek sorulardır.

"Shared across models" filtresi tam bunu ayıklar: yalnızca 2+ modelin birlikte arattığı alt-soruları gösterir. Pratikte bu liste genellikle çok kısadır — yüzlerce alt-soru arasından belki 10-20 tanesi. Ama bu kısa liste altın değerindedir: çünkü onları kazanmak, tek bir modelin kaprisini değil, tüm asistanların üzerinde uzlaştığı "olmazsa olmaz" konuları kazanmak demektir.

Türkiye örneğinde bu ortak sorular genellikle güvenilirlik ("X güvenilir mi", "X yorumları"), fiyat/ödeme ("taksit", "iade") ve karşılaştırma ("X mı Y mi") etrafında toplanır.

10. Örnek vaka: bir Türk tur firması için fanout analizi

Gerçek bir akışı, marka adı gizli tutularak görelim. Diyelim ki bir online tur/tatil markasısınız.

Girdi prompt'ları:

"Türkiye'de en iyi tatil turları hangileri?"
"Ailece tatil için en uygun tur firması?"
"X firması güvenilir mi?"

Maya'nın topladığı fanout queries (lookup sıralı, marka adı gizli):

"erken rezervasyon otel fırsatları" — ×51 (ChatGPT, Gemini, Perplexity)
"çocuk dostu her şey dahil oteller" — ×30 (Gemini, Perplexity)
"X firması yorumları şikayet" — ×24 (ChatGPT, Perplexity)
"iade ve iptal koşulları tur" — ×20 (Perplexity)
"taksitli tatil ödeme seçenekleri" — ×15 (ChatGPT)

Yorum:

"Erken rezervasyon" hem yüksek frekanslı hem de üç modelde ortak → birinci öncelik pillar içerik.
"Yorumları şikayet" alt-sorusu itibar yönetimi sinyali → şeffaf, güven veren bir "değerlendirmeler / sıkça sorulanlar" sayfası gerektiriyor.
"İade/iptal koşulları" alt-sorusunda çıkmıyorsanız, güçlü bir iptal güvence sayfası doğrudan görünürlük kazandırır.

Aksiyon: Bu beş alt-soru, beş net içerik brief'ine dönüşür; her biri modelin gerçekten arattığı bir konuyu hedefler — tahminle değil, veriyle.

11. Fanout → içerik brief → yayın → ölçüm döngüsü

GEO tek seferlik bir iş değil, sürekli bir döngüdür:

Keşfet: Fanout Queries ile modellerin arattığı alt-soruları çıkar.
Önceliklendir: Yüksek frekanslı + ortak + düşük kapsama olanları seç.
Brief yaz: Her alt-soru kümesi için cevaplanabilir içerik brief'i (CSV export doğrudan girdi).
Üret & yayınla: Net, alıntılanabilir, structured data'lı içerik.
Yeniden tara: Prompt'ları tekrar çalıştır, mention/citation değişimini ölç.
İterasyon: Kapanan açıkların yerine yeni fanout'ları hedefle.

Bu döngüyü kurumsallaştıran markalar, yapay zeka görünürlüğünü "şans" olmaktan çıkarıp ölçülebilir bir kanala dönüştürür.

12. Türkiye'de en sık yapılan 10 GEO hatası

Marka alias'larını tanımlamamak — marka adı ayrık yazılır ("Marka Tur") ama sistem bitişik ("markatur") aradığı için eşleşme kaçar, mention %0 görünür.
Sadece prompt'a odaklanmak, fanout'u görmezden gelmek — asıl niyet alt-sorularda saklı.
Tek modele bakmak — ChatGPT'de çıkıp Gemini/AI Overview'da çıkmamak çok yaygın.
İçeriği "cevaplanabilir" yazmamak — uzun, dağınık metin alıntılanmaz; net soru-başlığı + öz cevap gerekir.
Structured data eksikliği — Organization/FAQPage şeması modelin sizi tanımasını zorlaştırır.
İtibar/yorum sorularını yok saymak — "güvenilir mi" fanout'u en yüksek niyetli sorulardandır.
Ölçüm yapmadan içerik basmak — yayın sonrası fanout'u yeniden tarayıp etkisini görmemek.
llms.txt ve robots ayarlarını ihmal etmek — AI tarayıcılarının erişimini bilmeden engellemek.
Rakip fanout'unu izlememek — alt-sorularda çıkan rakipleri karşılaştırma içeriğine çevirmemek.
Türkçe'de İngilizce içeriği kopyalamak — yerel niyet (taksit, bayram, erken rezervasyon) İngilizce şablonlarda yoktur.

13. Sık sorulan sorular (SSS)

Fanout query ile anahtar kelime aynı şey mi?

Hayır. Anahtar kelime, bir insanın arama kutusuna yazdığı ifadedir. Fanout query, bir yapay zeka modelinin bir soruyu yanıtlarken sizin adınıza arattığı alt-sorudur. Fanout, yapay zeka çağının anahtar kelime araştırmasıdır ama tahmine değil, modelin gerçek davranışına dayanır.

Fanout queries hangi modellerden toplanır?

Fanout'u ifşa eden her sağlayıcıdan: ChatGPT, Gemini, Perplexity ve Google AI Overview başta olmak üzere. Sağlayıcı adları normalize edilir, böylece aynı motorun farklı toplama yöntemleri tek bir model olarak gösterilir.

"Shared across models" ne demek?

Aynı konu için iki veya daha fazla modelin birlikte arattığı alt-soruları ifade eder. Bunlar öncelik verilmesi gereken çekirdek konulardır; çünkü tüm büyük asistanlar bu soruları yanıtlamaya çalışır — o sayfaları kazanırsanız her yerde görünürsünüz.

GEO, SEO'nun yerini mi alıyor?

Hayır, üzerine ekleniyor. Sağlam teknik SEO ve kaliteli içerik hâlâ temeldir; GEO bunları yapay zeka cevaplarında görünürlüğe çeviren yeni katmandır. İkisi birlikte çalışır.

Türkiye'de yapay zeka görünürlüğü için ilk adım ne olmalı?

Önce ölçün. Markanızla ilgili gerçek soruları tüm modellerde çalıştırıp mention oranınızı, kaynak gösterilme durumunuzu ve fanout queries'i görün. Ölçemediğiniz şeyi optimize edemezsiniz.

Fanout verisini nasıl dışa aktarırım?

Filtrelenmiş herhangi bir görünüm (sağlayıcı, arama terimi veya "shared across models") CSV olarak dışa aktarılabilir ve doğrudan içerik brief'ine dönüşür. Ayrıca Maya MCP ile get_fanout_queries aracı üzerinden programatik erişim de mümkündür.

14. Sonuç: ölçülebilir yapay zeka görünürlüğü

Yapay zeka aramasında görünürlük artık bir tahmin oyunu değil. Kullanıcının sorusuyla modelin cevabı arasında gizli bir katman var — modelin arka planda arattığı alt-sorular — ve markanızın cevaplarda anılıp anılmayacağını asıl belirleyen bu katman.

Fanout queries'i görmek, GEO'yu "içime sinen içerikler basalım"dan **"modelin gerçekten aradığı konuları veriyle hedefleyelim"**e taşır. Türkiye pazarında, doğru marka alias'ları, yerel niyet ve modeller arası ortak soruların üzerine kurulmuş bir fanout stratejisi, yapay zeka görünürlüğünü ölçülebilir ve tekrarlanabilir bir büyüme kanalına dönüştürür.

Bir sonraki adım basit: Markanızla ilgili soruları tüm yapay zeka modellerinde çalıştırın, arkada ne arandığını görün ve modelin aradığı konuları sahiplenin.