LLM Alıntı Takibi Nasıl Yapılır? Adım Adım Uygulama Kılavuzu

Düzeltme (6 Ekim 2026): Ölçüm sağlayıcımız, bu yazıda kullandığımız iki veriyi geri çekti. 5 Ekim 2026 taraması eksik ölçüldü: sağlayıcının kredisi tarama sırasında bitti; ChatGPT 300 sorunun hepsine cevap verdi, Gemini, Perplexity, Claude ve Grok yalnız 42–44'üne. 15 Eylül 2026 taramasındaki Gemini ve Google AI Overview sıfırları da ölçüm hatasıydı. Bu yazıdaki o rakamlar geçersizdir. 15 Eylül'ün ChatGPT ölçümü (249 yanıt, %11,2, ±3,9 puan) geçerlidir. Eksiksiz yeni tarama gelince yazıyı güncelleyeceğiz.

LLM alıntı takibi; markanızın ChatGPT, Perplexity, Gemini ve Claude gibi yapay zeka arama motorlarının ürettiği cevaplarda ne sıklıkta kaynak olarak gösterildiğini ölçme sürecidir. Doğru sorgu seti tanımlayarak, platform bazlı temel ölçüm alarak ve tekrarlı örnekleme ile dalgalanmayı yöneterek, AI cevaplarındaki görünürlüğünüzü ölçülebilir ve iyileştirilebilir bir metriğe dönüştürebilirsiniz.

Bu kılavuz, sıfırdan çalışan bir LLM alıntı takip sistemi kurmak için yedi adımlık, uygulanabilir bir süreç sunar. Markanız AI cevaplarında alıntılanmıyorsa, alıcı kararının verildiği yüzeyde hiç var olmuyorsunuz demektir. Tıklamanın tek başına neden yetmediğini kendi verimizle sıfır tıklamalı arama yazımızda gösterdik.

LLM Alıntı Takibi Nedir ve Neden Kritik?

LLM alıntı takibi (LLM citation tracking), üretken yapay zeka motorlarının bir sorguya verdiği sentezlenmiş cevaplarda markanızın, alan adınızın veya içeriğinizin kaynak (citation) olarak referans gösterilme sıklığını, konumunu ve bağlamını izleme uygulamasıdır. Geleneksel sıralama takibinden üç temel farkı vardır:

• Deterministik değil, olasılıksaldır. Aynı sorgu; konuma, dile ve sohbet bağlamına göre farklı cevaplar üretir. Tek bir örneklem yanıltıcıdır.
• Link değil, cevap ölçülür. Kullanıcı çoğu zaman hiçbir linke tıklamaz; cevabın içindeki anılma ve atıf, kararın kendisidir.
• Platformlar arası davranış farklıdır. Perplexity neredeyse her cümleyi kaynaklarken, ChatGPT yalnızca web araması tetiklendiğinde alıntı gösterir.

Princeton ve Georgia Tech araştırmacılarının KDD 2024'te yayımlanan GEO çalışması, içeriğe kaynaklı istatistik, alıntı ve atıf eklemenin üretken motor cevaplarındaki kaynak görünürlüğünü %40'a kadar artırabildiğini gösterdi. Ölçmeden bu iyileştirmenin işe yarayıp yaramadığını bilemezsiniz — takip sistemi tam olarak bu döngüyü kapatır.

Adım 1: İzlenecek Sorgu Setinizi Tanımlayın

Takip sisteminin temeli, gerçek alıcıların AI asistanlarına sorduğu sorguları temsil eden bir prompt setidir. Anahtar kelime listenizi kopyalamak yeterli değildir; LLM sorguları doğal dilde, daha uzun ve niyet odaklıdır.

1. Karar sorgularını listeleyin: "X için en iyi araç hangisi?", "Y ajansı önerir misin?", "Z problemi nasıl çözülür?" kalıplarında 20-50 sorgu yazın.
2. Huni aşamalarına dağıtın: Farkındalık ("LLM alıntı takibi nedir"), değerlendirme ("en iyi AI görünürlük araçları") ve karar ("Botfusions vs alternatifleri") sorgularını dengeleyin.
3. Dil ve pazar varyantları ekleyin: Türkçe ve İngilizce sorguları ayrı satırlar olarak izleyin; motorların dil bazlı kaynak havuzları belirgin şekilde farklıdır.
4. Persona varyasyonu üretin: Aynı niyeti farklı rollerden ("pazarlama müdürüyüm...", "ajans sahibiyim...") soran türevler ekleyin; kişiselleştirme kaynaklı sapmayı ancak böyle görürsünüz.

Adım 2: Platformları Seçin ve Alıntı Davranışlarını Öğrenin

Her motor kaynakları farklı oranda ve farklı biçimde gösterir. Aşağıdaki tablo, izlenmesi gereken temel platformları karşılaştırır:

Platform	Alıntı Davranışı	Kaynak Havuzu	Takip Önceliği
Perplexity	Her cevapta numaralı satır içi kaynak	Canlı web indeksi	Çok yüksek
ChatGPT (Search)	Web araması tetiklendiğinde link kartları	Bing tabanlı + kendi tarayıcısı (OAI-SearchBot)	Çok yüksek
Google Gemini / AI Overviews	Cevap içi kaynak panelleri	Google indeksi	Çok yüksek
Claude (Web Search)	Arama açıkken satır içi atıf	Kendi tarayıcısı (Claude-SearchBot)	Yüksek
Microsoft Copilot	Dipnot stili numaralı kaynaklar	Bing indeksi	Orta-yüksek
DeepSeek	Sınırlı ve değişken alıntılama	Karma indeks	Orta

Tek platform izlemek kör noktalar yaratır: bir rakibiniz sizin izlemediğiniz motorda kategoriyi domine edebilir. Hangi motorları ölçtüğünüzü her taramada kaydedin; ölçüm altyapısı motor setini taramadan taramaya değiştirebilir (aşağıdaki "Motor Seti Değişince Kıyas Geçersiz" bölümüne bakın).

Adım 3: Temel Çizgi (Baseline) Ölçümünüzü Alın

Optimizasyona başlamadan önce mevcut durumu dört sinyalle sayısallaştırın:

1. Anılma Oranı (Mention Rate): Sorgu setinizin yüzde kaçında markanız cevap metninde geçiyor? Ağırlık: %40.
2. Konum (Position): Anıldığınızda listenin kaçıncı sırasında ya da cevabın hangi bölümündesiniz? Ağırlık: %30.
3. Tavsiye (Recommendation): Marka önerilen seçenek olarak mı geçiyor, yoksa yalnız bir listede mi? Ağırlık: %20.
4. Alıntı Oranı (Citation Rate): Alan adınız kaynak listesinde link olarak yer alıyor mu? Ağırlık: %10. Ağırlıkların tanımı metodoloji sayfamızda.

Her sorguyu her platformda en az 3-5 kez çalıştırıp ortalamayı kaydedin; tek örneklem, olasılıksal motorlarda ölçüm hatasıdır. İlk ölçümde sonuç sıfıra yakınsa panik yapmayın — en önemli erken sinyal, "yok" durumundan "var" durumuna geçiştir.

Adım 4: Takip Altyapınızı Kurun

İki yol vardır ve doğru seçim ölçeğe bağlıdır:

• Manuel takip (0-20 sorgu): Bir e-tablo; satırlarda sorgular, sütunlarda platform × tarih, hücrelerde dört sinyal. Haftada 2-3 saat emekle küçük markalar için yeterli başlangıçtır.
• Otomatik takip (20+ sorgu, çoklu pazar): Motorları düzenli sorgulayan ve sonucu motor başına yanıt sayısı ve hata payıyla raporlayan bir ölçüm aracı. Seçerken üç şeyi sorun: hangi motorlar ölçülüyor, yanıtlar arayüzden mi API'den mi toplanıyor, web araması açık mı. Bunları yazılı vermeyen aracın sonucunu doğrulayamazsınız.

Hangi yolu seçerseniz seçin, ölçüm sıklığını sabitleyin. Biz ayda bir tam tarama yapıyoruz; önemli bir içerik değişikliğinden sonra bir sonraki taramada aynı sorgu setiyle kontrol ediyoruz.

Adım 5: Olasılıksal Dalgalanmayı Yönetin

LLM cevapları doğası gereği değişkendir; bunu yönetmeyen takip sistemleri yanlış alarm üretir.

• Tekrarlı örnekleme: Sorgu başına tek cevap değil, 3-5 cevabın ortalaması raporlanır.
• Hafta içi tutarlılık: Ölçümü hep aynı gün ve saat aralığında yapın; model güncellemeleri ve indeks tazelemeleri gün bazında oynaklık yaratır.
• Sürüm notu tutun: GPT, Gemini veya Claude'un büyük model güncellemelerinin tarihlerini kaydedin; skor kırılmalarının çoğu optimizasyonunuzdan değil, model değişiminden gelir.
• Anlamlılık eşiği koyun: İki tarama arasındaki farkı, iki taramanın birleşik hata payıyla karşılaştırın; fark paydan küçükse gürültü sayın. 5 Ekim 2026 taramamızda ChatGPT'deki 4,8 puanlık artış ±5,7 puanlık birleşik payın içinde kaldığı için değişim saymadık.

Adım 6: Rakip Boşluk Analizi Yapın

Kendi skorunuz tek başına bağlamsızdır. Aynı sorgu setinde 3-5 rakibi izleyin ve şu soruları yanıtlayın:

1. Hangi sorgularda rakip alıntılanıyor ama siz alıntılanmıyorsunuz? (boşluk sorguları)
2. Rakip hangi sayfa türleriyle kaynak oluyor — karşılaştırma sayfası mı, istatistik çalışması mı, nasıl-yapılır kılavuzu mu?
3. Motorlar rakibi hangi üçüncü taraf kaynaklardan (dizinler, inceleme siteleri, sektör medyası) doğruluyor?

KDD 2024 çalışmasının bir diğer bulgusu burada yol göstericidir: kaynak gösterme taktiği, arama sonuçlarında alt sıralarda yer alan sitelerde daha büyük görünürlük artışı sağladı (Aggarwal ve ark., KDD 2024). Yani boşluk sorgularında rakibi yakalamak çoğu zaman domain otoritesinden çok içerik biçimi meselesidir.

Adım 7: Optimize Edin, Yeniden Ölçün, Raporlayın

Takip verisi ancak eyleme dönüşürse değerlidir:

1. Boşluk sorguları için sorguyu doğrudan yanıtlayan 40-60 kelimelik giriş blokları ve numaralı adım yapıları ekleyin.
2. Her iddiayı bir kaynağa ya da tarihli kendi ölçümünüze bağlayın; KDD 2024 çalışması kaynak göstermenin ve istatistik eklemenin görünürlüğü artırdığını ölçtü.
3. FAQPage ve HowTo şemalarını yayımlayın, llms.txt dosyanızı güncel tutun ve AI tarayıcılarının (OAI-SearchBot, PerplexityBot, Claude-SearchBot) robots.txt içinde izinli olduğunu doğrulayın.
4. Bir sonraki taramada aynı sorgu setiyle yeniden ölçün; sonucu motor başına yanıt sayısı, anılma oranı ve hata payıyla raporlayın.

Sık Yapılan 4 Hata

• Tek örneklemle karar vermek: Olasılıksal motorda tek cevap, veri değildir.
• Yalnızca marka adını aramak: Alıcılar marka değil, problem sorar; sorgu seti niyet odaklı olmalıdır.
• Alıntı ile anılmayı karıştırmak: Metinde geçmek (mention) ile kaynak listesinde link olmak (citation) ayrı metriklerdir; ikisini ayrı izleyin.
• Trafik beklemek: AI görünürlüğünün etkisi çoğunlukla karanlık hunidedir; direct ve branded trafik artışını da izleme panelinize ekleyin.

Motor Seti Değişince Kıyas Geçersiz

Ölçüm altyapısı her taramada aynı motorları koşturmayabilir. Bizde oldu: 15 Eylül 2026 taramasında ChatGPT, Gemini ve Google AI Overview koştu. 5 Ekim 2026 taramasında ChatGPT, Gemini, Perplexity, Claude ve Grok koştu; Google AI Overview koşmadı.

Bu durumda üç kural uyguluyoruz:

1. Genel puanı kıyaslamayın. Genel puan, o gün koşan motorların bileşimidir. Bizim genel puanımız 15 Eylül 2026'da 36, 5 Ekim 2026'da 38 çıktı. Bu iki sayıyı yan yana koyup "2 puan arttı" demek anlamsız; farklı motorların bileşimi.
2. Yalnız ortak motorları, tek tek kıyaslayın. İki taramada da koşan motorlar ChatGPT ve Gemini'ydi. ChatGPT'de %11,2 → %16,0: birleşik hata payı ±5,7 puan, değişim değil. Gemini'de %0 → %11,9: 42 yanıta dayanıyor, bir sonraki taramada doğrulanması gereken bir sinyal.
3. Koşmayan motoru %0 yazmayın. 5 Ekim raporunda Google AI Overview satırı "ölçülmedi" der.

Motor setini sabitleyemiyorsanız, en azından her raporun başına o gün ölçülen motorları yazın ve skor grafiğinde kırılma işareti koyun. Raporun tamamını nasıl kurduğumuzu AI görünürlük raporu yazımızda anlattık.

Bunu Kendi Sitemizde Nasıl Yaşadık

Kendi alıntı takibimizi kurarken en pahalı dersi ilk ayda aldık: tek ölçüm yalan söyler. Aynı sorguyu aynı modelde arka arkaya çalıştırdığınızda farklı yanıtlar, farklı kaynak listeleri ve farklı marka sıralamaları alırsınız. Üretken motorlar deterministik değil; bir sabah "görünmez" görünüp öğleden sonra ilk üçe girmeniz, hiçbir şey değiştirmeden mümkün.

Bu yüzden yayınladığımız metodolojiyi tek atışlık kontroller üzerine değil, sabit ve tekrar üretilebilir bir sorgu seti üzerine kurduk: üç AI motorunda altı tarama, 29 Haziran – 2 Eylül 2026. Ayrıntısını metodoloji sayfamızda açık tutuyoruz — çünkü bir sağlayıcının sorgu setini, motor kapsamını ve ölçüm kadansını söylemiyor olması, tek başına kırmızı bayraktır.

Pratik kural: bir alıntı takip sistemini "kurulmuş" saymadan önce, aynı sorguyu üst üste çalıştırıp kendi gürültü tabanınızı ölçün. O taban çizgisini bilmeden gördüğünüz her artışı başarıya, her düşüşü hataya yorarsınız.

Sonuç

LLM alıntı takibi, 2026'da B2B pazarlamanın ölçüm katmanının standart parçası haline geldi. Yedi adımlık bu süreç — sorgu seti, platform seçimi, baseline, altyapı, dalgalanma yönetimi, rakip analizi ve optimizasyon döngüsü — markanızın AI cevaplarındaki varlığını tahminden ölçüme taşır. Markanızın ölçtüğümüz AI motorlarındaki mevcut görünürlüğünü öğrenmek için ücretsiz GEO analiz aracımızla 60 saniyede bir başlangıç skoru alabilirsiniz.