llms.txt Adım Birdi: AI Görünürlüğü İçin Gerçek Mimari

llms.txt Adım Birdi: AI Görünürlüğü İçin Gerçek Mimari

2025’te GEO kontrol listelerinin neredeyse hepsinde aynı madde vardı: “Sitenize bir llms.txt dosyası ekleyin.” Fikir mantıklıydı. Yapay zekâ sistemlerine sitenizin en önemli içeriklerini temiz bir liste hâlinde sunarsanız sizi daha iyi anlarlar, daha çok kaynak gösterirler. Pek çok marka dosyayı yükledi, kutucuğu işaretledi ve beklemeye başladı.

Bir yıl sonra tablo daha net. Duane Forrester’ın Search Engine Journal’da yayımlanan analizi meseleyi tek cümlede özetliyor: llms.txt bir başlangıç noktası, varış noktası değil. Bu yazıda llms.txt’nin nerede yetersiz kaldığını, onun yerine düşünülmesi gereken dört katmanlı mimariyi ve küçük bir ekiple bile bu çeyrek atılabilecek adımları konuşacağız. Arama ve yapay zekâ üzerine diğer yazılar için ana sayfamıza göz atabilirsiniz.

İçindekiler

• llms.txt Ne Vaat Ediyordu, Veriler Ne Diyor?
• llms.txt’nin Takıldığı Yer: İlişki Modeli Yok
• Makine Okunabilir İçerik Yığını: Dört Katman
• Önce Temel: Botlar Sitenize Ulaşabiliyor mu?
• Pratikte Nasıl Görünür? Bir Senaryo
• Bu Çeyrek Atılabilecek Asgari Adımlar
• Sıkça Sorulan Sorular

llms.txt Ne Vaat Ediyordu, Veriler Ne Diyor?

llms.txt, sitenin kök dizinine konan ve Markdown dosyalarına işaret eden bir içindekiler tablosu. Teklifin çıkış noktası doğru: yapay zekâ sistemleri markanız hakkında temiz, yapılandırılmış ve güvenilir bilgiye ihtiyaç duyuyor, mevcut web siteleri ise bunun için tasarlanmadı.

Ne var ki veriler şu ana kadar dosyanın kendisini desteklemiyor. SE Ranking’in yaklaşık 300 bin alan adını kapsayan çalışmasında llms.txt ile yapay zekâ atıfları arasında bir ilişki bulunamadı. Daha da ilginci, araştırmacılar bu değişkeni makine öğrenimi modelinden çıkardığında modelin tahmin doğruluğu arttı; yani dosya şimdilik sinyalden çok gürültü üretiyor. Forrester’ın aktardığı başka bir bulgu da düşündürücü: 1.000 Adobe Experience Manager alan adının CDN kayıtlarında llms.txt dosyasını isteyenler arasında dil modeli botları neredeyse hiç yoktu, isteklerin büyük kısmı Google’ın kendi tarayıcısından geliyordu.

Peki ChatGPT’nin kaynak seçiminde ne işe yarıyor? Aynı SE Ranking verisine göre 32 binden fazla referans alan adına sahip siteler, 200’e kadar referans alan adı olanlara göre ChatGPT’de yaklaşık 3,5 kat daha fazla kaynak gösteriliyor. Kısacası otorite ve içerik derinliği, küçük bir metin dosyasından çok daha güçlü sinyaller. Bu konuyu GEO rehberimizde daha geniş bir çerçevede ele almıştık.

llms.txt’nin Takıldığı Yer: İlişki Modeli Yok

Forrester’ın asıl itirazı yapısal. llms.txt düz bir liste; içinde ilişki yok. “Şunları yayımlıyoruz” diyebiliyor ama şunları anlatamıyor: A ürünü B ürün ailesine ait, X özelliği 3.2 sürümünde kaldırıldı ve yerine Y geldi, Z kişisi Q konusunda markanın yetkili sözcüsü.

Bir yapay zekâ asistanı karşılaştırma sorusu yanıtlarken birden fazla kaynağı tartıyor ve çelişkileri çözmeye çalışıyor. Önündeki bilgi ilişkisiz ve kaynağı belirsizse, sonuç kendinden emin ama yanlış bir cevap oluyor. O yanlışın itibar bedelini de marka ödüyor.

Bir de bakım yükü var. Her fiyat değişikliğinde, yeni vaka çalışmasında ya da ürün güncellemesinde hem siteyi hem dosyayı güncellemeniz gerekiyor. On sayfalık bir sitede sorun değil; yüzlerce ürün sayfası ve dağınık bir içerik ekibi olan bir yapıda ise bu ikinci içerik katmanı kısa sürede güncelliğini yitiriyor.

Makine Okunabilir İçerik Yığını: Dört Katman

Forrester’ın önerisi llms.txt’ye bir alternatif değil, onun devamı. Tıpkı robots.txt’den sonra XML site haritalarının ve yapılandırılmış verinin gelmesi gibi. Dört katmanın hepsini aynı anda kurmak zorunda değilsiniz.

1. JSON-LD ile yapılandırılmış bilgi kartları

Temel katman bu. Bir yapay zekâ ajanı sizi bir tedarikçi karşılaştırmasında değerlendirirken Organization, Product, Service ve Review işaretlemelerini okuyor. Fark şu: Bu işaretlemeyi artık zengin sonuç kazanmak için değil, makineye dönük bir bilgi katmanı olarak görmek gerekiyor. Ürün özellikleri, fiyat durumu, hangi pakette neyin olduğu ve kurumsal ilişkiler çoğu sitedeki uygulamadan çok daha net yazılmalı. Princeton’daki GEO araştırması, yapısal sinyalleri net olan içeriğin yapay zekâ yanıtlarında yüzde 40’a varan oranda daha görünür olduğunu bulmuştu.

2. Varlık (entity) ilişki haritası

Burada düğümleri değil, aralarındaki bağları tanımlıyorsunuz. Ürünler kategorilere, kategoriler sektör çözümlerine, çözümler kullanım senaryolarına bağlanıyor ve hepsi yetkili kaynağa geri dönüyor. Pratikte bu, JSON-LD içinde @id ile birbirine bağlanmış bir grafik demek. Marka varlığını güçlendirmenin başka yolları da var; Google Bilgi Paneli yazımızda tutarlı marka bilgisinin neden önemli olduğunu anlatmıştık.

3. İçerik API uç noktaları

Mimari burada pasif işaretlemeden aktif altyapıya geçiyor: SSS’lere, dokümantasyona, vaka çalışmalarına ve ürün özelliklerine programatik, sürümlü erişim. Örneğin fiyat sorularına zaman damgalı ve yapılandırılmış yanıt dönen bir uç nokta, güncel olup olmadığı belirsiz bir Markdown dosyasından çok farklı bir sinyal. Anthropic’in 2024 sonunda tanıttığı ve sonrasında OpenAI ile Google DeepMind’ın da benimsediği Model Context Protocol (MCP), yapay zekâ sistemleriyle dış veri kaynakları arasındaki bu tür bağlantılar için standart bir çerçeve sunuyor. Bugün MCP kurmanız şart değil ama yön belli: gerçek zamanlı, yapılandırılmış ve doğrulanmış arayüzler.

4. Doğrulama ve kaynak (provenance) bilgisi

Yayımladığınız her bilgiye zaman damgası, yazar ya da sorumlu ekip, güncelleme geçmişi ve kaynak zinciri eklemek. Bir RAG sistemi birbiriyle çelişen iki bilgi arasında seçim yaparken bu meta veri eşitliği bozan unsur oluyor. Tarihi ve sahibi belli bir bilgi, tarihsiz ve imzasız bir iddiaya karşı neredeyse her zaman öne geçiyor.

Önce Temel: Botlar Sitenize Ulaşabiliyor mu?

Dört katmanın hiçbiri, botlar sitenize ulaşamıyorsa işe yaramaz. Önce şunlara bakın:

• robots.txt: GPTBot, ClaudeBot, PerplexityBot ve Google-Extended gibi kullanıcı ajanlarını bilinçli olarak mı engelliyorsunuz, yoksa eski bir kural mı unutulmuş?
• CDN ve güvenlik duvarı: Cloudflare gibi hizmetlerin yapay zekâ botu engelleme ayarları açık olabilir. Bu kararı araç değil, siz vermelisiniz.
• JavaScript ile oluşan içerik: Fiyat tablosu ya da özellik karşılaştırması yalnızca tarayıcıda oluşuyorsa, birçok yapay zekâ tarayıcısı o bilgiyi hiç görmüyor.
• PDF’e hapsolmuş bilgi: Karşılaştırma tablosu PDF içindeyse, makine tarafından güvenilir şekilde okunması zor.

Bu kontrol ajanların sitenizi nasıl kullandığıyla da doğrudan bağlantılı. Konuya Google-Agent ve ajansal web yazımızda değinmiştik.

Pratikte Nasıl Görünür? Bir Senaryo

Forrester somut bir örnek veriyor: KOBİ’lere ve kurumsal müşterilere satış yapan, üç fiyat paketi ve 150 entegrasyonu olan bir proje yönetimi yazılımı. Site insanlar için mükemmel ama makineler için kapalı kutu. Fiyat sayfası JavaScript ile oluşuyor, özellik karşılaştırması PDF’te duruyor, vaka çalışmalarında yapılandırılmış atıf yok. Bir yapay zekâ asistanı bu firmayı rakibiyle kıyaslarken taranmış metinden tahmin yürütüyor; fiyatı büyük ihtimalle yanlış söylüyor, aradığınız entegrasyonu da bulamıyor.

Mimari kurulduğunda tablo değişiyor. Her paketin özellikleri, fiyat sayfasını besleyen aynı veri kaynağından otomatik üretilen JSON-LD ile yayımlanıyor. Entegrasyonlar çözüm kategorilerine bağlanıyor, böylece asistan 150 ayrı sayfayı tek tek okumadan “Şu araçla çalışıyor mu?” sorusuna doğru cevap verebiliyor. Satış ekibinin talep üzerine hazırladığı karşılaştırma bir uç noktadan sunuluyor ve her bilgide tarih, sorumlu ve sürüm numarası yer alıyor.

Türkiye’deki e-ticaret siteleri için de durum farklı değil. Kargo süresi, iade koşulları, taksit seçenekleri ve stok durumu çoğu zaman görsellerde ya da açılır pencerelerde duruyor. Bunları yapılandırılmış ve güncel tutmak, hem asistanların hem de müşterilerin işini kolaylaştırıyor.

Bu Çeyrek Atılabilecek Asgari Adımlar

Standartlar henüz oturmadı, bu doğru. Ama Schema.org’un ilk yıllarında yapılandırılmış veriyi uygulayan markalar, Google’ın bu veriyi sonraki on yılda nasıl kullanacağını da şekillendirdi. Forrester’ın önerdiği asgari paket üç maddeden oluşuyor:

1. JSON-LD denetimi ve güncellemesi: Ticari önemi yüksek sayfalarınızda Organization, Product, Service ve FAQPage işaretlemelerini @id yapısıyla birbirine bağlayın.
2. Tek bir yapılandırılmış içerik uç noktası: En çok karşılaştırılan bilgilerinizi, çoğu marka için fiyat ve temel özellikleri, CMS’ten otomatik üretilen bir kaynaktan sunun ki elle bakım gerekmesin.
3. Kaynak bilgisi: Önemsediğiniz her bilgiye tarih, sorumlu ekip ve sürüm referansı ekleyin. WordPress’te bu, yazar kutusu ve “son güncelleme” tarihinin şemaya doğru yansıtılmasıyla bile başlayabilir.

Etkisini ölçmek için her ay ChatGPT, Perplexity ve Google’ın yapay zekâ yanıtlarında markanızla ilgili temel soruları sorun, verilen bilgilerin doğruluğunu kayıt altına alın ve yapay zekâ kaynaklı ziyaretleri analiz aracınızda ayrı bir kanal olarak izleyin. llms.txt dosyanızı silmenize gerek yok; zararı yok, sadece tek başına yetmiyor.

Sıkça Sorulan Sorular

llms.txt dosyamı kaldırmalı mıyım?

Hayır. Mevcut veriler dosyanın atıfları artırdığını göstermiyor ama zarar verdiğine dair bir bulgu da yok. Bakımı size yük oluyorsa öncelik listesinin sonuna alın, emeğinizi yapılandırılmış veriye ve içerik kalitesine yönlendirin.

Küçük bir işletme bu dört katmanın hangisinden başlamalı?

Botların siteye erişebildiğini doğruladıktan sonra JSON-LD ile başlayın. Organization, LocalBusiness ve Service işaretlemeleri birkaç saatte kurulabiliyor ve hem klasik aramada hem yapay zekâ yanıtlarında işe yarıyor.

MCP ve içerik API’si her site için gerekli mi?

Şimdilik değil. Sık değişen fiyatı, geniş ürün kataloğu ya da karmaşık hizmet paketleri olan markalar için anlamlı. Diğerleri için iyi kurulmuş bir şema grafiği ve güncel tutulan sayfalar yeterli bir başlangıç.

Yapay zekâ görünürlüğünü nasıl ölçerim?

Markanızla ilgili sabit bir soru listesi oluşturup her ay aynı asistanlara sorun ve cevapları kaydedin. Buna analiz aracında yapay zekâ kaynaklı trafiği ayrı segmentte izlemeyi ve sunucu kayıtlarında bot ziyaretlerini takip etmeyi ekleyin.

Aklınızda Kalsın

llms.txt yapay zekâya “beni oku” demenin ilk denemesiydi. Ama makinelerin ihtiyaç duyduğu şey bir liste değil; birbirine bağlı, tarihli ve sahibi belli bilgiler. Bu mimarinin güzel tarafı, kurduğunuz her parçanın bugünkü SEO performansınıza da katkı vermesi. Daha fazla içerik için AI / YZ kategorimize göz atabilirsiniz.

Sitenizin yapay zekâ görünürlüğünü birlikte değerlendirmek isterseniz dijital pazarlama danışmanlığı kapsamında çalışabiliriz. Formu doldurun, 24 saat içinde dönelim: hyturkyilmaz.com/iletisim

Kaynakça

Forrester, D. (2026, 2 Nisan). Llms.txt was step one. Here’s the architecture that comes next. Search Engine Journal. https://www.searchenginejournal.com/llms-txt-was-step-one-heres-the-architecture-that-comes-next/570925/

SE Ranking. (2025). LLMs.txt: Why brands rely on it and why it doesn’t work. SE Ranking Blog. https://seranking.com/blog/llms-txt/

SE Ranking. (2025). How to optimize for ChatGPT: Skip LLMs.txt, earn trust on Quora & Reddit. SE Ranking Blog. https://seranking.com/blog/how-to-optimize-for-chatgpt/

Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative engine optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. https://arxiv.org/abs/2311.09735