Görünürlük satmıyoruz.
Getirilebilirlik kuruyoruz.
RAG Signal, yapay zeka varlığını yapılandırılmış bir getirme problemi olarak ele almak için Bora Kurum tarafından kuruldu. Belirsiz görünürlük vaatleri yerine Adaptive RAG ve Sinyal Ağırlıklandırma ile çalışıyoruz.
“Çoğu ajans sonuç vaadi satar. Biz yöntemi yayımladık. Adaptive RAG whitepaperı açık kaynak; çünkü kullandığımız yöntem denetlenebilir olmalı. Çok kaynaklı ağırlıklandırma, zamansal güncellik ve hibrit sıralama. Okuyun, inceleyin. Pazarlama ile mühendislik arasındaki fark budur.”
— Bora Kurum, Kurucu
Whitepaperı neden yayımladım?
GEO ve AEO alanı kapalı kutularla dolu. Ajanslar nasıl çalıştığını göstermeden “yapay zeka görünürlüğü” satıyor. RAG Signal Adaptive RAG Architecture makalesi; djb2 hash, güncellik işlevi ve bileşik skor formülü dahil sistemin her bileşenini açıklar. İncelenebilir, Apache 2.0 lisanslı ve kapalı kutu yaklaşımının karşıtıdır.
Whitepaperı okuyun →RAG Signal neden kuruldu?
2024'te temel bir değişim belirginleşti: B2B alıcıları aramayı bırakıp sormaya başladı. ChatGPT, Claude ve Perplexity ile kullanıcılar bir web sitesini ziyaret etmeden yanıt alıyordu. Dijital görünürlüğün birimi tıklamadan citation'a dönüştü.
Geleneksel SEO yanlış getirme sistemini optimize ediyordu. Google PageRank ile bir LLM'nin vektör uzayı farklı mekaniklerle çalışır. Google'da güçlü olan markalar yapay zekada görünmezken, yapılandırılmış varlık verisine sahip markalar kaynak gösteriliyordu. Fark kozmetik değil, yapısaldı.
RAG Signal bu farkı kapatmak için kuruldu: yeni bir içerik aracı veya prompt mühendisliği değil, Adaptive RAG ile tekrarlanabilir bir mühendislik yöntemi. Marka bilgisini kurar, getirme sinyallerini ağırlıklandırır ve markanın görünür değil, kaynak gösterilen yanıt olmasını hedefleriz.
RAG neden?
Retrieval-Augmented Generation, yapay zeka yanıtlarını oluşturan teknik mekanizmadır. Kullanıcı soru sorduğunda model bilgiyi getirir ve yanıtı üretir. Markanız getirilen kümede yoksa yanıtta da yer alamaz.
Adımızı, üzerinde çalıştığımız çekirdek teknolojiden alıyoruz: içerik yazıp yapay zekanın fark etmesini beklemiyor, doğrudan modellerin gerçekleri aradığı getirme katmanında çalışıyoruz.
Signal neden?
Bilgi teorisinde sinyal, gürültüden ayrışan ve kanal üzerinden aktarılan yapılandırılmış veridir. Yapay zeka modelleri farklılaşmamış içeriklerle dolu bir ortamda çalışır. Kaynak gösterilen marka, açık ve tutarlı bir makine sinyali üretir.
İşimiz bu sinyali güçlendirmek; marka varlıklarını o kadar yapılandırılmış ve iyi ağırlıklandırılmış hale getirmek ki yapay zeka getirisi onları gürültü değil, güvenilir bilgi olarak değerlendirsin.
Metodolojimiz
RAG Signal; marka görünürlüğünü sıralama değil, getirme problemi olarak ele alan Adaptive RAG yöntemini kullanır. MAP → BUILD → WEIGHT → REINFORCE → MEASURE beş aşamalı akış, model güncellemelerine ve rekabet değişimlerine uyum sağlar.
- Kaynak otoritesi — %25
- Modelin kaynaklarınızı ne kadar güvenilir bulduğu; yayın kalitesi, alan otoritesi ve eğitim verisindeki citation geçmişi.
- Olgusal tutarlılık — %20
- İddialarınızın bağımsız kaynaklar arasında birbirini desteklemesi ve çelişmemesi.
- Varlık bağlantısı — %15
- Marka, ürünler, kişiler ve rakipler gibi adlandırılmış varlıkların makine tarafından okunabilir yapıda ne kadar iyi bağlandığı.
- Modeller arası kalıcılık — %12
- Markanızın aynı prompt için ChatGPT, Claude, Perplexity ve Gemini genelinde tutarlı biçimde kaynak gösterilmesi.
- Zamansal güncellik — %12
- İçeriğinizin sorguya göre güncelliği. Tarihli ve yenilenen içerik, markanızın güncel olduğunu gösterir.
- Citation sıklığı — %10
- Markanızın açık webde ve model eğitim kaynaklarında ne sıklıkla referans edildiği.
- Rekabet farkı — %6
- Markanızın aynı prompt alanındaki rakiplerinden ne kadar açık biçimde ayrıştığı.
Sinyal Ağırlıklandırma nasıl çalışır?
Sinyal Ağırlıklandırma, Adaptive RAG'in üçüncü aşamasıdır. Prompt haritası ve Brand Memory kurulduktan sonra her sinyal yukarıdaki yedi boyutta puanlanır. Ağırlıklar model ve prompt kümesine göre yeniden kalibre edilir; ChatGPT'de citation getiren bir sinyal Gemini'de görünmez kalabilir.
Adaptive RAG ve geleneksel SEO
Geleneksel SEO PageRank için bağlantı, anahtar kelime ve SERP konumunu optimize eder. Adaptive RAG ise LLM vektör uzayındaki varlık yapısını, kaynak güvenini ve citation olasılığını optimize eder. Google sayfaları sıralar; yapay zeka modelleri kaynak gösterir. Metodolojimiz getirme katmanı için tasarlanmış, incelenebilir ve Apache 2.0 ile açık kaynaklıdır.
Şirket değerlerimiz
Pazarlama değil, mühendislik
Anlatı değil sistem kurarız. 40'tan fazla modül.
Belirsiz değil, ölçülebilir
Citation Rate, Citation Delta ve modeller arası kalıcılık.
Performansa bağlı
Ücretin kalan kısmı üzerinde anlaşılan hedefe bağlıdır.
Kurucu liderliğinde
Her çalışma Bora'nın doğrudan katılımıyla yürür.
Model bağımsız
Brand Memory bütün ana yapay zeka modellerinde ele alınır.
Birlikte çalışalım
Her çalışma bir görüşmeyle başlar. Bora, mesajlara 24 saat içinde doğrudan yanıt verir.
Kozyatağı Mah., Kaya Sultan Sok., Hayriye İş Merkezi No:83/3, Kadıköy, İstanbul
Citation Baseline Analizi İsteyin →