Generative Engine Optimization, kısa adıyla GEO, yalnızca pazarlama sektöründe kullanılan yeni bir kavram değil.
Terimi akademik bir optimizasyon problemi olarak ele alan en önemli erken çalışmalardan biri Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan ve Ameet Deshpande tarafından hazırlandı.
“GEO: Generative Engine Optimization” başlıklı çalışma, 2024 yılında 30. ACM SIGKDD Conference on Knowledge Discovery and Data Mining kapsamında yayımlandı.
Araştırmanın çıkış noktası, klasik arama motorlarıyla üretken arama sistemleri arasındaki temel fark.
Geleneksel arama motorunda görünürlük çoğunlukla bir URL'nin arama sonuçlarında hangi sırada yer aldığına bakılarak değerlendirilir.
Üretken arama sistemlerinde ise kullanıcıya yalnızca bir bağlantı listesi sunulmaz. Sistem farklı kaynaklardan aldığı bilgileri bir araya getirip doğrudan bir cevap oluşturabilir.
Bu da yeni bir soru ortaya çıkarıyor:
Bir kaynak, oluşturulan cevabın içinde ne kadar görünür?
Araştırmacılar bu problemi ölçebilmek için Generative Engine Optimization yaklaşımını ve GEO-bench adlı değerlendirme setini geliştirdi.
GEO-bench, farklı alanlardan kullanıcı sorguları ve bu sorgularla ilişkili web kaynakları üzerinden çalışıyor. Amaç, çeşitli içerik optimizasyonlarının üretken motor cevaplarındaki görünürlüğü nasıl değiştirdiğini test etmek.
Araştırmada ne test edildi?
Çalışma yalnızca anahtar kelime kullanımına bakmıyor. İçeriğin sunuluş biçimini değiştiren farklı yöntemleri karşılaştırıyor.
Bunlar arasında kaynak gösterme, istatistik ekleme, alıntı kullanma, metnin akıcılığını geliştirme ve teknik terim kullanımını değiştirme gibi yöntemler var.
Bence araştırmanın asıl önemli tarafı şu: bu yöntemlerin hepsi aynı sonucu vermiyor.
Bazı içerik değişiklikleri belirli sorgu ve alanlarda görünürlük metriğini artırıyor. Ama aynı yöntem başka bir alanda aynı ölçüde etkili olmayabiliyor.
Araştırmacılar da sonuçların alana (domain) göre değiştiğini ve tek bir optimizasyon yönteminin her konu için geçerli olmadığını özellikle belirtiyor.
“%40 görünürlük artışı” ne anlama geliyor?
Çalışmadan en sık aktarılan bulgu, GEO yöntemlerinin üretken motor cevaplarında görünürlüğü %40'a kadar artırabildiği.
Buradaki “%40” ifadesini doğru okumak gerekiyor.
Bu oran, bir markanın ChatGPT, Google AI Overviews, AI Mode veya benzeri sistemlerde gerçek kullanım koşullarında otomatik olarak %40 daha görünür olacağı anlamına gelmiyor.
Araştırmacılar bu sonucu kendi oluşturdukları GEO-bench değerlendirme ortamında ve kendi tanımladıkları görünürlük metrikleri üzerinden raporluyor.
Yani araştırmadan şöyle genel bir sonuç çıkarmak doğru olmaz:
“Bu yöntemi uygularsanız AI görünürlüğünüz %40 artar.”
Daha önemli bulgu başka: içerikte yapılan değişiklikler, üretken motorların hangi kaynakları kullandığını ve bu kaynaklara cevabın içinde ne kadar yer verdiğini ölçülebilir biçimde değiştirebiliyor.
GEO için tek bir optimizasyon reçetesi var mı?
Araştırmanın sonuçlarına bakınca, yok.
Bir optimizasyon yönteminin etkisi sorgunun niteliğine ve içeriğin bulunduğu alana göre değişebiliyor.
Örneğin sayısal verilerin önemli olduğu bir konuda istatistik kullanımı daha güçlü sonuç verirken, farklı bir sorgu grubunda başka bir içerik özelliği daha etkili olabiliyor.
GEO çalışmalarını klasik bir kontrol listesinden ayıran nokta da bu.
Amaç her sayfaya aynı öğeleri eklemek değil. Hangi sorgularda görünmek istediğinizi belirlemek, mevcut görünürlüğü ölçmek ve yapılan değişikliklerin sonuçlarını takip etmek.
NextCode Yorumu
Bu araştırmada bizim açımızdan en önemli nokta “hangi taktik yüzde kaç artırdı?” sorusu değil.
Asıl önemli olan ölçüm yaklaşımı.
Üretken arama sistemleri, klasik arama sonuçları gibi sabit bir sıralama listesi üretmiyor. Bu yüzden GEO çalışmalarını yalnızca “kaçıncı sıradayız?” mantığıyla değerlendirmek yeterli değil.
Bunun yerine şu sorulara bakmak gerekiyor:
- Marka hangi prompt ve sorgularda cevabın içinde yer alıyor?
- Hangi rakipler aynı sorgularda daha sık öneriliyor?
- Marka yalnızca adıyla mı geçiyor, yoksa kaynak olarak da kullanılıyor mu?
- Hangi domain'ler cevapların oluşturulmasında kaynak görevi görüyor?
- İçerik veya otorite tarafında yapılan bir değişiklikten sonra görünürlük değişiyor mu?
- Bu değişim belirli bir konu grubunda mı oluyor, yoksa daha geniş bir sorgu kümesine mi yayılıyor?
Bence GEO'yu tek bir sıralama faktörü (ranking factor) bulmaya çalışan yeni bir SEO yöntemi gibi görmek eksik kalıyor.
Daha doğru tanım şu: üretken aramadaki görünürlüğü ölçmek ve sistematik olarak geliştirmek.
Aggarwal ve çalışma arkadaşlarının araştırması da bu açıdan önemli bir başlangıç noktası.
Çünkü üretken motorlarda görünürlüğün yalnızca gözlemlenen bir sonuç olmadığını; test edilebilen ve ölçülebilen bir optimizasyon problemi olduğunu ortaya koyuyor.
Kaynaklar
Princeton University – GEO: Generative Engine Optimization
ACM Digital Library – GEO: Generative Engine Optimization
Akademik kaynak: 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, 5–16.