Bir AI yanıtı sessiz bir puanlama sürecinin ürünüdür. Kullanıcı ChatGPT, Claude, Perplexity veya Gemini’ye soru sorduğunda sistem aday pasajları getirir, sinyalleri puanlar ve kazananları kaynak gösterir. Adaptive RAG’nin üçüncü aşaması olan Signal Weighting, markanın pratikte yanıta girip girmeyeceğini etkileyen bu puanlamayı görünür kılar.
Temel fikir: her içerik aynı ağırlıkta değildir
Retrieval sistemi sayfayı insan gibi okumaz; metni vektörlere dönüştürür, sorguya semantik yakınlıkla chunk getirir ve bu chunk’ları birden çok sinyalle puanlar. Markanın temel iddiasını başlıkta açıkça söyleyen bir bölüm, 2.000 kelimelik yazının ortasına gömülü cümleden daha fazla retrieval işi yapabilir. Bu, başlığın daha iyi yazı olması değil yapısal ağırlık taşımasıdır.
RAG Signal yedi boyutu, 63 prompt × 4 LLM ile yürütülen 2025 kontrollü deneyde citation sonuçlarını ne kadar etkilediğine göre ağırlıklandırır:
| Boyut | Ağırlık | Ne ölçer? |
|---|---|---|
| Kaynak otoritesi | %25 | İddiaların çevresindeki kaynakların güvenilirliği |
| Faktüel tutarlılık | %20 | İç tutarlılık ve kaynaklar arası doğrulama |
| Entity bağlantısı | %15 | Entity tanımlarının yoğunluğu ve netliği |
| Modeller arası kalıcılık | %12 | Dört modelin tümünde tutarlı citation |
| Zamansal güncellik | %12 | İçeriğin sorguya göre yeniliği |
| Citation sıklığı | %10 | Markanın başka kaynaklarda ne kadar anıldığı |
| Rekabetçi ayrışma | %6 | İçeriğin sorguyu rakiplere göre ne kadar özgül yanıtladığı |
Bu ağırlıklar evrensel bir puan veya garanti değildir; hangi eksiklerin önce inceleneceğini önceliklendiren bir ölçüm çerçevesidir.
İçerik unsurları nasıl ağırlıklandırılır?
1. Başlıklar — Entity bağlantısı ve rekabetçi ayrışma
“Londra’da en iyi kurumsal video prodüksiyon ajansı hangisi?” sorgusunda Hizmetlerimiz başlığı entity veya kategori sinyali taşımaz. Buna karşılık Londra’da Kurumsal Video Prodüksiyonu — 35+ Kurumsal Müşteri, %97 Retention başlığı kategori, coğrafya ve kanıtı aynı chunk’ta verir. Entity bağlantısı (%15) ve rekabetçi ayrışma (%6) bu açıklıkla güçlenir.
2. Schema — Kaynak otoritesi ve entity bağlantısı
Organization şemasındaki name, logo, sameAs ve knowsAbout; Article şemasındaki headline, author ve tarihler modele içeriğin ne olduğunu makinece anlatır. 2025 deneyinde açık entity markup ve yapılandırılmış bağlam içeren içerik %81 citation oranına, temel grup %22’ye ulaştı; bu tarihsel deneyde schema en yüksek kaldıraçlı yapısal değişiklikti.
- Zayıf: görünür içeriği yansıtmayan şema veya hiç şema olmaması.
- Güçlü: insanın gördüğü soruları ve yanıtları yansıtan Organization + Article + FAQPage şeması.
3. Citation — Citation sıklığı ve kaynak otoritesi
Buradaki citation, markanızdan söz eden sektör dizinleri, basın haberleri ve güvenilir dış sayfalardır. Eşlik eden denetimde backlink otoritesi olmayan ama RAG’e hazır içerikler %34 citation alırken, DA 70+ olup kötü yapılandırılmış içerikler %12’de kaldı. AI’da otorite ham link sayısından değil tutarlı kaynaklardan aktarılır.
- Zayıf: marka yalnızca kendi sitesinde görünür.
- Güçlü: aynı gerçeklerle 5–10 güvenilir üçüncü taraf kaynakta yer alır.
4. Güncellik — Zamansal tazelik
Model, özellikle “2026’da en iyi X” veya “en yeni AI trendleri” gibi zaman içeren sorgularda tarihli içeriği tercih eder. 2024’te güncellenmiş bir sayfa, aynı içerik bu ay güncellense bile %12’lik Temporal Freshness sinyalinde daha düşük kalabilir. Yayın tarihi, görünür güncelleme tarihi ve güncel kaynaklar ucuz ama biriken sinyallerdir.
Ağırlık modele göre değişir
ChatGPT’nin retrieval davranışı Gemini’ninkiyle aynı değildir. Her çalışma model ve prompt kümesine göre yeniden kalibrasyon gerektirir. Bir marka ChatGPT’de güçlü görünürken Perplexity’de görünmeyebilir. Bu nedenle Cross-Model Persistence ayrı bir boyuttur; tek modeldeki başarı kalıcılık sorununu gizleyebilir.
Referans tablosunu indirin
Tam puanlama referansı public/signal-weighting-reference.csv dosyasında bulunur. Yedi boyutun ağırlığını, ölçümünü ve her biri için somut iyileştirme adımlarını içerir. Daha fazla içerik yayınlamadan önce kendi sayfalarınızı denetlemek için kullanılabilir.
Bundan sonra
- MAP → BUILD → WEIGHT → REINFORCE → MEASURE metodolojisini okuyun.
- Bu ağırlıkları üreten 2025 kontrollü deneyi inceleyin.
- Ağırlıkların uygulandığı Brand Memory katmanını anlayın.
- Aynı çerçeveyle kendi Citation Baseline ölçümünüzü oluşturun.