Yapay zekâların sevdiği içerik yapısı üç şeye dayanıyor: kendi başına anlamlı, tek fikirli paragraflar; net bir başlık hiyerarşisi; ve cevabı en başa koyan cümleler. Sebebi basit — ChatGPT, Perplexity veya Google AI Overview senin sayfanı bir bütün olarak "okumuyor". Sayfayı parçalara ayırıyor, her parçayı bir sayı dizisine (embedding) çeviriyor ve soruya en yakın parçayı buluyor. Yapı burada devreye giriyor: parça ne kadar kendi başına anlamlıysa, o kadar doğru bulunuyor ve o kadar doğru alıntılanıyor.
Önce Şunu Anlamak Lazım: Yapay Zeka Sayfanı "Okumuyor"
RAG (retrieval-augmented generation) tabanlı sistemler bir sayfayı aldığında önce onu chunk denen parçalara bölüyor — genelde 256-512 token civarında, başlıklara veya paragraf sınırlarına göre. Her chunk ayrı ayrı embedding modelinden geçiyor ve yüksek boyutlu bir vektöre dönüşüyor. Kullanıcı bir soru sorduğunda, o soru da aynı şekilde vektöre çevriliyor ve en yakın chunk'lar bulunuyor. Yani senin özenle yazdığın 2.000 kelimelik yazı değil, o yazının 300 token'lık bir dilimi karar veriyor.
Bunun pratik sonucu şu: "sayfanın bütünü ne kadar iyi" sorusu artık tek başına yeterli değil. Asıl soru, "bu sayfanın her bir parçası tek başına ele alındığında hâlâ anlamlı mı" oluyor.
Atomik Paragraf: Her Parça Kendi Başına Ayakta Durmalı
Bunun için kullanılan terim atomik paragraf — her paragrafın tek bir fikri taşıması ve o fikri anlamak için bir önceki paragrafa ihtiyaç duymaması. Chunk'lama sırasında paragraflar birbirinden koparılabiliyor; önceki cümleye bağımlı bir paragraf, koptuğu anda anlamsızlaşıyor.
Aradaki fark küçük bir örnekte netleşiyor:
Zamire bağımlı (kötü): "Bu yöntem performansı artırıyor. Onu kurmak da kolay. Ayrıca bunun bakımı az zaman alıyor."
Kendi başına anlamlı (iyi): "Redis tabanlı önbellekleme, tekrarlayan veritabanı sorgularını önleyerek API yanıt sürelerini azaltıyor. Redis kurulumu tek bir Docker konteyneriyle birkaç dakikada tamamlanabiliyor. Kurulduktan sonra günlük bakım gerektirmiyor."
İkinci versiyon hangi chunk'a düşerse düşsün anlamını koruyor, çünkü "bu", "onu", "bunun" yerine hep aynı isim (Redis) tekrar ediyor.
Varlık Yoğunluğu: Zamir Yerine İsim
Bu tekrar rastgele değil — embedding modelleri, isimlendirilmiş varlıklara (entity) vektör uzayında somut, sabit bir bölge ayırıyor. "Redis" kelimesi geçtiğinde model onu net bir noktaya yerleştirebiliyor; "bu yöntem" gibi belirsiz bir ifade ise hangi noktaya karşılık geldiği konusunda daha az kesin kalıyor. Bir paragrafta zamir sayısı arttıkça, o paragrafın embedding'i de bulanıklaşıyor — hangi konudan bahsettiği daha az net hale geliyor.
Bunu pratiğe dökmenin en kolay yolu: bir paragrafı yazdıktan sonra "bu", "o", "bunlar", "bahsettiğimiz" gibi ifadeleri tara ve mümkün olduğunca gerçek isimle değiştir. Tekrar biraz fazla gelebilir ama insan okuyucu için de aslında daha net oluyor — akademik yazıda zaten uzun zamandır önerilen bir teknik.
Cevabı Başa Koymak Neden Bu Kadar Önemli
Bir paragrafın cevabı sonda verdiğini düşün: "...bütün bu adımlardan sonra, sonuç olarak X yöntemi en hızlısı." Chunk sınırı tam ortadan geçerse, cevap iki parçaya bölünüp hiçbiri tek başına soruya tam cevap veremeyebiliyor. Cevabı paragrafın ilk cümlesine koymak, o paragraf hangi chunk'a düşerse düşsün sorunun cevabının orada bütün halde bulunmasını garantiliyor.
Listeler ve Tablolar Neden Fark Yaratıyor
Liste ve tablo formatı, yapay zeka için zaten önceden parçalanmış bilgi anlamına geliyor — her madde veya satır kendi başına bir birim. Bu yüzden karşılaştırma tabloları düz paragraf halindeki aynı bilgiye göre çok daha kolay ayrıştırılıyor; bazı sektör analizlerine göre karşılaştırma tabloları ChatGPT, Perplexity ve Google AI Overview'da düz metne kıyasla belirgin şekilde daha sık alıntılanıyor. Kural basit: birden fazla seçeneği karşılaştırıyorsan tablo, sıralı adım anlatıyorsan numaralı liste, bağımsız maddeler sıralıyorsan madde işaretli liste kullan. Aynı bilgiyi uzun bir paragrafa gömmek, hem insan hem yapay zeka için onu bulmayı zorlaştırıyor.
Semantik HTML: Görünmeyen Ama Önemli Katman
İçeriğin kendisi kadar, onu saran HTML etiketleri de işe yarıyor. <article> etiketi "burası bağımsız bir içerik" diyor, <section> içerideki alt bölümleri ayırıyor, başlık hiyerarşisinin (h1 → h2 → h3) sırayla ve atlanmadan ilerlemesi de sayfanın konu ağacını netleştiriyor. Bunlar görsel olarak hiçbir şeyi değiştirmiyor ama parser'ın (ve dolayısıyla yapay zekânın) sayfayı ne kadar az tahminle, ne kadar doğru ayrıştırdığını doğrudan etkiliyor. Div çorbası hâlâ görsel olarak aynı sayfayı üretebilir, ama makine için okunması çok daha zor.
Pratikte Nasıl Yazılır — Kısa Bir Kontrol Listesi
- Her paragrafın ilk cümlesi, o paragrafın sorduğu soruyu cevaplasın.
- Bir paragrafta tek fikir olsun; farklı bir fikre geçince yeni paragraf aç.
- "Bu", "o", "bunlar" yerine mümkün olduğunca gerçek ismi tekrar et.
- Karşılaştırma yapıyorsan tablo, adım anlatıyorsan numaralı liste kullan.
- Başlık hiyerarşisini atlamadan ilerlet (h2'den sonra direkt h4'e geçme).
- İçeriği
<article>ve<section>gibi semantik etiketlerle sar.
Bu İkisi Birbirini Tamamlıyor
Bu yazı, daha önce yazdığım SEO, AEO ve GEO Nedir? yazısının doğal devamı sayılır — o yazı "neden önemli"yi anlatıyordu, bu yazı "nasıl yazılır"ı. İkisini birlikte uyguladığında ortaya çıkan şey aslında karmaşık bir formül değil: net düşün, net yaz, gereksiz zamirlerden kaçın. Bu zaten iyi yazının tanımıydı — yapay zeka sadece bunu artık daha görünür hale getiriyor.