LLM (Büyük Dil Modeli) Nedir? Nasıl Çalışır, Aramayı Nasıl Değiştirir?

ChatGPT, Gemini, Claude, Copilot ve Perplexity gibi araçlar birkaç yıl içinde gündelik hayatın parçası hâline geldi. Bu araçların hepsinin arkasında aynı teknoloji var: büyük dil modelleri, İngilizce kısaltmasıyla LLM (Large Language Model).

Bu yazıda LLM’lerin ne olduğunu, nasıl çalıştığını ve nasıl eğitildiğini teknik ayrıntıya boğmadan anlatıyoruz. Asıl odağımız ise çoğu kaynağın atladığı soru: bu modeller aramayı, SEO’yu ve pazarlamayı nasıl değiştiriyor ve bir işletme buna nasıl hazırlanmalı?

LLM nedir?

Büyük dil modeli, çok büyük miktarda metinle eğitilmiş ve insan dilini anlayıp üretebilen bir yapay zekâ modelidir. Temel yeteneği şaşırtıcı derecede basittir: bir metin verildiğinde, devamında en olası gelecek parçayı tahmin etmek. Bu basit yetenek, milyarlarca kez tekrarlanıp devasa veriyle eğitildiğinde soru cevaplama, özetleme, çeviri, kod yazma ve akıl yürütme gibi karmaşık becerilere dönüşür.

“Büyük” sıfatı iki şeyi ifade eder. Birincisi, eğitim verisinin büyüklüğüdür: modeller kitaplar, makaleler, web sayfaları ve kod gibi kaynaklardan oluşan trilyonlarca kelimelik metinle eğitilir. İkincisi, modelin kendi büyüklüğüdür: modelin öğrendiği bilgiyi tutan ayarlanabilir değerlere parametre denir ve günümüzün büyük modelleri milyarlarca, hatta yüz milyarlarca parametreye sahiptir.

Kısa bir tarihçe

Bilgisayarların dili işlemesi yeni bir fikir değildir. Uzun yıllar boyunca dil modelleri, bir kelimeden sonra hangi kelimenin geleceğini istatistiksel olarak tahmin eden basit sistemlerdi. Sonraki dönemde sinir ağlarına dayalı modeller geldi; ancak bu modeller metni kelime kelime sırayla işlediği için uzun metinlerde bağlamı kaybediyordu.

Dönüm noktası 2017’de Google araştırmacılarının yayımladığı ve Transformer mimarisini tanıtan çalışmaydı. Bu mimari, metindeki tüm kelimelerin birbirleriyle ilişkisini aynı anda değerlendirebiliyordu. Ardından gelen yıllarda iki önemli model ailesi ortaya çıktı: metni anlamaya odaklanan modeller (Google bu tür bir modeli 2019’da arama sonuçlarında sorguları daha iyi anlamak için kullanmaya başladı) ve metin üretmeye odaklanan modeller.

2022’nin sonunda ChatGPT’nin geniş kitlelere açılmasıyla LLM’ler laboratuvardan çıkıp gündelik kullanıma girdi. Sonraki yıllarda modeller görsel, ses ve videoyu da işleyebilen çok modlu yapılara dönüştü; cevap vermeden önce adım adım “düşünen” akıl yürütme modelleri ve web’de arama yapabilen sistemler yaygınlaştı.

LLM nasıl çalışır?

1. Tokenizasyon: metni parçalara ayırmak

Model metni kelime kelime değil, token adı verilen parçalar hâlinde işler. Bir token bazen tam bir kelime, bazen bir kelimenin bir parçası, bazen de bir noktalama işaretidir. Örneğin “optimizasyonlarımızdan” gibi uzun bir Türkçe kelime birkaç token’a bölünebilir.

Bu ayrıntı pratikte önemlidir: Türkçe gibi eklemeli dillerde aynı anlamı ifade etmek için genellikle İngilizceden daha fazla token gerekir. Modellerin kullanım ücretleri ve işleyebildikleri metin miktarı token üzerinden hesaplandığı için, Türkçe içerikle çalışırken maliyet ve kapasite hesabı buna göre yapılmalıdır.

2. Sayılara çevirmek: vektörler

Bilgisayar kelimelerle değil sayılarla çalışır. Her token, anlamını temsil eden uzun bir sayı dizisine (vektöre) çevrilir. Bu gösterimde anlamca yakın kavramlar birbirine yakın vektörlere sahiptir: “kedi” ile “köpek”, “araba” ile “kedi”den daha yakındır. Metinlerin anlamca benzerliğini ölçen bu tür gösterimler, embedding olarak da bilinir ve yapay zekâ destekli arama sistemlerinin temelinde yer alır.

3. Dikkat mekanizması: bağlamı anlamak

Transformer mimarisinin kalbi dikkat (attention) mekanizmasıdır. Model, bir kelimeyi işlerken metindeki diğer tüm kelimelere bakar ve hangilerinin o kelimenin anlamı için önemli olduğunu hesaplar. “Yüz” kelimesinin bir cümlede sayı, diğerinde surat, bir başkasında yüzmek fiili olduğunu bağlamdan çıkarabilmesi bu sayededir.

4. Tahmin: bir sonraki token

Model, verilen metnin devamında gelebilecek her olası token için bir olasılık hesaplar ve bunlardan birini seçer. Seçilen token metne eklenir ve süreç yeniden başlar. Uzun bir cevap, bu işlemin yüzlerce kez tekrarlanmasıyla oluşur.

Seçimin ne kadar “yaratıcı” olacağını sıcaklık (temperature) adı verilen bir ayar belirler. Düşük sıcaklıkta model en olası seçeneklere yönelir ve daha tutarlı, tekrarlanabilir cevaplar verir. Yüksek sıcaklıkta daha az olası seçenekler de seçilebilir; cevaplar daha çeşitli ama daha az öngörülebilir olur. Aynı soruya her seferinde biraz farklı cevap alınmasının sebebi budur.

5. Bağlam penceresi: modelin çalışma belleği

Model, bir seferde belirli miktarda token’ı değerlendirebilir. Bu sınıra bağlam penceresi denir ve hem sizin yazdığınız metni hem de modelin cevabını kapsar. İlk modellerde birkaç sayfalık metinle sınırlı olan bu pencere, günümüzde yüzlerce sayfalık belgeleri kapsayacak kadar büyüdü. Ancak pencere büyüdükçe modelin uzun metnin ortasındaki ayrıntıları gözden kaçırma eğilimi de bilinen bir sınırlılıktır.

LLM nasıl eğitilir?

Ön eğitim

İlk ve en maliyetli aşamadır. Model, devasa bir metin koleksiyonu üzerinde bir sonraki token’ı tahmin etmeyi öğrenir. Bu süreçte kimse modele “doğru cevap” etiketi vermez; metnin kendisi öğretmendir. Bu yönteme kendi kendine denetimli öğrenme denir. Ön eğitim sonunda model dil bilgisini, dünya hakkında geniş bir bilgi birikimini ve bazı akıl yürütme kalıplarını öğrenmiş olur; ancak henüz bir asistan gibi davranmaz.

İnce ayar

Ön eğitimden geçmiş model, soru-cevap örnekleriyle yeniden eğitilerek talimatları izleyen bir asistana dönüştürülür. Bu aşamada insanların hazırladığı örnek diyaloglar kullanılır: “Bu metni özetle” talimatına nasıl bir cevap verilmesi gerektiği gibi.

Geri bildirimle pekiştirme

Modelin cevaplarını daha faydalı, doğru ve güvenli hâle getirmek için insan değerlendiricilerin geri bildirimi kullanılır. Model aynı soruya birden fazla cevap üretir, değerlendiriciler bunları sıralar ve model tercih edilen cevaplara yönelecek biçimde ayarlanır. Bu yöntem insan geri bildirimiyle pekiştirmeli öğrenme (RLHF) olarak bilinir. Bazı geliştiriciler, bu sürecin bir kısmını yazılı ilkeler ve yapay zekâ destekli değerlendirmeyle yürüten alternatif yöntemler de kullanır.

Akıl yürütme modelleri

Son dönemin önemli gelişmelerinden biri, cevap vermeden önce problemi adım adım çözmek üzere eğitilen akıl yürütme modelleridir. Bu modeller özellikle matematik, kodlama ve çok adımlı problemlerde belirgin biçimde daha iyi sonuç verir; karşılığında cevap süresi ve maliyeti artar.

Bilgi kesim tarihi

Eğitim belirli bir tarihte tamamlanır ve model o tarihten sonraki gelişmeleri kendiliğinden bilmez. Buna bilgi kesim tarihi denir. Güncel bilgi gerektiren sorularda modeller ya web’de arama yaparak bu eksikliği kapatır ya da eski bilgiyle cevap verir. Bu ayrım, markalar için önemlidir: modelin eğitim verisinde markanız hakkında eski bilgi varsa, arama yapmayan cevaplarda bu eski bilgi karşınıza çıkabilir.

LLM türleri

Kapalı ve açık ağırlıklı modeller: Bazı modeller yalnızca geliştiricisinin sunduğu arayüz ve programlama arayüzü (API) üzerinden kullanılabilir. Bazılarının ise parametreleri (ağırlıkları) yayımlanır ve kurumlar bu modelleri kendi sunucularında çalıştırıp özelleştirebilir. Açık ağırlıklı modeller veri gizliliği ve maliyet kontrolü açısından avantaj sağlar; kapalı modeller ise genellikle en güncel yetenekleri sunar.

Genel ve alana özgü modeller: Genel modeller her konuda iş görür; alana özgü modeller ise hukuk, sağlık, finans veya kodlama gibi belirli bir alanın verisiyle ek olarak eğitilir.

Çok modlu modeller: Metnin yanında görsel, ses ve video da işleyebilen modeller. Bir ürün fotoğrafını tarif etmek, bir grafiği yorumlamak veya bir toplantı kaydını özetlemek bu modellerle mümkündür.

Küçük modeller: Telefonda veya bilgisayarda yerel olarak çalışabilecek kadar küçük tutulmuş modeller. Belirli görevlerde hızlı ve ucuzdur; veriler cihazdan çıkmadığı için gizlilik avantajı sağlar.

Uzman karışımı mimariler: Modelin tamamı yerine, her soru için yalnızca ilgili “uzman” bölümlerinin çalıştığı yapılar. Büyük modelleri daha verimli çalıştırmak için yaygınlaşan bir yaklaşımdır.

Öne çıkan model aileleri

Model sürümleri birkaç ayda bir yenilendiği için burada sürüm numarası yerine aileleri anıyoruz:

1. GPT ailesi (OpenAI): ChatGPT’nin arkasındaki modeller.
2. Gemini ailesi (Google): Google’ın asistanı ve arama deneyimlerindeki yapay zekâ özelliklerinin temeli.
3. Claude ailesi (Anthropic): Uzun belgelerle çalışma, yazım ve kodlamada yaygın kullanılan modeller.
4. Llama ailesi (Meta): Açık ağırlıklı modellerin en bilinenlerinden.
5. Mistral, DeepSeek, Qwen: Özellikle açık ağırlıklı ve maliyet açısından verimli modelleriyle öne çıkan geliştiriciler.
6. Grok (xAI): X platformuyla entegre çalışan model ailesi.

Model seçimi bir kez yapılıp bırakılacak bir karar değildir; görevin türüne, maliyete, veri gizliliği gereksinimine ve Türkçe performansına göre farklı modeller farklı sonuçlar verir. Kurumsal kullanımda aynı görevi birkaç modelde deneyip sonuçları karşılaştırmak en sağlıklı yöntemdir.

LLM’lerin sınırlılıkları

Halüsinasyon

LLM’lerin en bilinen sorunu, akıcı ve kendinden emin bir dille yanlış bilgi üretebilmeleridir. Buna halüsinasyon denir. Sebebi, modelin temel çalışma biçiminde yatar: model “doğru olanı” değil, “en olası devamı” üretir. Eğitim verisinde yeterince bulunmayan bir konuda, kulağa doğru gelen ama gerçekte var olmayan bir kaynak, istatistik veya ürün özelliği uydurabilir.

Halüsinasyon, web’de arama yapan ve cevabını kaynaklara dayandıran sistemlerde azalır ama tamamen ortadan kalkmaz. Bu yüzden LLM çıktısındaki sayılar, tarihler, kaynaklar ve iddialar her zaman doğrulanmalıdır.

Önyargı

Modeller eğitim verisindeki kalıpları öğrendiği için, verideki önyargıları da yansıtabilir. Pazarlama metinlerinde kitleyi tanımlarken veya görsel üretirken bu risk göz önünde bulundurulmalıdır.

Güncellik

Bilgi kesim tarihi nedeniyle modeller güncel fiyatları, yeni ürünleri veya son mevzuat değişikliklerini bilmeyebilir. Arama özelliği olmayan kullanımda bu ayrıntı sıkça gözden kaçar.

Gizlilik

Genel kullanıma açık araçlara girilen verilerin nasıl işlendiği, sağlayıcının koşullarına bağlıdır. Müşteri verileri, kişisel veriler ve gizli iş bilgileri bu araçlara girilmemelidir; Türkiye’de bu konu kişisel verilerin korunması mevzuatı açısından da hukuki bir yükümlülüktür.

LLM’ler web’deki bilgiye nasıl ulaşır?

Bir LLM’in bir soruya cevap verirken kullandığı bilgi iki kaynaktan gelir ve bu ayrım, içerik üreten herkes için kritik önemdedir.

Eğitim verisi: Model, eğitim sürecinde okuduğu metinlerden genel bir bilgi birikimi edinmiştir. Bu bilgi modelin içine gömülüdür, bir kaynağa bağlanmaz ve bilgi kesim tarihinde donmuştur. Arama yapmadan verilen cevaplar bu birikime dayanır.

Anlık erişim (RAG): Arama özelliği olan sistemler, kullanıcının sorusunu aldıktan sonra web’de arama yapar, bulduğu sayfaları okur ve cevabını bu sayfalara dayandırarak üretir. Bu yöntem getirmeyle desteklenen üretim (Retrieval-Augmented Generation, RAG) olarak bilinir. Cevabın altında kaynak bağlantıları gördüğünüz sistemler bu şekilde çalışır.

RAG süreci genellikle şu adımlardan oluşur:

1. Sorguyu parçalamak: Model, kullanıcının sorusunu birden fazla alt sorguya böler. “Küçük bir e-ticaret sitesi için SEO’ya nereden başlamalıyım?” sorusu; teknik SEO temelleri, ürün sayfası optimizasyonu, anahtar kelime araştırması ve bütçe planlaması gibi alt sorulara ayrılabilir.
2. Aramak: Her alt sorgu için bir arama altyapısında sonuçlar getirilir.
3. Okumak ve seçmek: Getirilen sayfalar okunur, soruyla en ilgili bölümler seçilir.
4. Sentezlemek: Model, seçilen bölümlerden yeni bir cevap üretir ve kullandığı kaynakları bağlantı olarak gösterir.

Bu süreç, klasik aramadan önemli bir farkı ortaya koyar: yapay zekâ cevabında kaynak gösterilmek için sayfanın tamamının değil, ilgili bölümünün net ve kendi başına anlaşılır olması gerekir. Ayrıca sorgu parçalandığı için, ana konunun yalnızca bir yönünü anlatan siteler yalnızca o alt cevapta görünebilir; konuyu bütün yönleriyle kapsayan siteler ise birden fazla alt cevapta yer alır.

LLM’ler aramayı nasıl değiştiriyor?

Arama deneyimi on yıllar boyunca aynı kalıpla işledi: kullanıcı kısa bir ifade yazar, bir bağlantı listesi alır, bağlantılara tıklayıp cevabı kendisi bulur. LLM’ler bu kalıbı üç yönden değiştiriyor.

Sorgular uzuyor. Kullanıcılar yapay zekâ sistemlerine anahtar kelime değil, bağlamlı ve koşullu sorular soruyor. “SEO ajansı” yerine “İstanbul’da e-ticaret sitesi olan ve aylık bütçesi sınırlı bir marka için SEO ajansı seçerken nelere dikkat etmeli” gibi. Bu tür soruların arkasındaki niyeti doğru okumak, içerik planlamasının merkezine yerleşiyor; yöntemini arama niyeti yazımızda anlattık.

Cevap sonuç sayfasında veriliyor. Google’ın yapay zekâ özetleri ve sohbet tabanlı arama sistemleri, cevabı doğrudan sunuyor. Kullanıcı bazı sorularda hiç tıklamadan ihtiyacını karşılıyor. Bu da bilgi amaçlı içeriklerde tıklama başına trafik beklentisini değiştiriyor.

Kaynak gösterilmek yeni bir görünürlük biçimi oluyor. Cevapta adı geçen ve bağlantısı verilen marka, tıklama olmasa bile kullanıcının zihnine giriyor. Yapay zekâ kaynaklı trafik henüz toplam trafiğin küçük bir kısmı olsa da hızla büyüyor ve genellikle yüksek niyetli ziyaretçiler getiriyor. Bu trafiğin nasıl ölçüleceğini yapay zekâ trafiği yazımızda ele aldık.

SEO için sonuçları

1. SEO temeli hâlâ ön koşul

Yapay zekâ sistemlerinin anlık aramada kullandığı altyapılar büyük ölçüde klasik arama dizinlerine dayanır. Taranamayan, dizine girmeyen, yavaş açılan veya içeriği JavaScript arkasına saklanmış bir sayfa, yapay zekâ cevaplarında da görünmez. Teknik SEO temelinin kontrol listesi için yeni başlayanlar için SEO rehberimize bakabilirsiniz.

2. Tarayıcı kararları iki ayrı karar

Yapay zekâ şirketlerinin tarayıcıları farklı amaçlarla çalışır ve kendi kullanıcı aracısı adlarıyla gelir. Bir kısmı model eğitimi için veri toplar (örneğin OpenAI’ın GPTBot’u, Anthropic’in ClaudeBot’u); bir kısmı kullanıcının sorusunu cevaplamak için anlık arama yapar (örneğin OAI-SearchBot ve PerplexityBot). Google tarafında ise Google-Extended adlı bir robots.txt belirteci, içeriğin Gemini modellerinin eğitiminde kullanılıp kullanılmayacağını kontrol eder; bu belirteci engellemek Google aramasındaki görünürlüğü etkilemez.

Bu yüzden “yapay zekâyı engelleyelim mi?” sorusu aslında iki sorudur: içeriğim model eğitiminde kullanılsın mı ve içeriğim yapay zekâ cevaplarında kaynak gösterilebilsin mi? Birincisi ticari bir tercihtir; ikincisini engellemek ise doğrudan görünürlükten vazgeçmektir. Uygulama ayrıntıları için robots.txt rehberimize bakabilirsiniz.

3. İçerik alıntılanabilir olmalı

Model sayfanın ilgili bölümünü kullandığı için her bölüm kendi başına anlaşılır olmalıdır: net tanım cümleleri, soru başlıkları altında doğrudan cevaplar, numaralı adımlar, karşılaştırma tabloları, somut sayılar. Bu yazım biçimini AEO rehberimizde, bir içerik planına nasıl dönüştüğünü ise GEO uyumlu içerik stratejisi yazımızda ayrıntılı anlattık.

4. Özgün bilgi kaynak gösterilir

Model web’deki ortak bilgiyi zaten biliyor. Herkesin anlattığını tekrar eden içerik, kaynak gösterilmek için bir sebep sunmaz. Kendi verileriniz, müşteri deneyimleriniz, test sonuçlarınız ve Türkiye pazarına özgü bilgiler ise başka yerde bulunmadığı için modelin ihtiyaç duyduğu kaynaklardır.

5. Marka bir varlık olarak tanınmalı

Modeller kelimelerden çok varlıklarla (kurumlar, kişiler, ürünler, kavramlar) çalışır. Markanızın adı, tanımı, kurucuları, hizmetleri ve iletişim bilgilerinin sitenizde ve dış kaynaklarda tutarlı olması, modelin markanız hakkında doğru cevap vermesinin ön koşuludur. Yapılandırılmış veri (Organization, Person, Product) bu tutarlılığı makinelere açıkça bildirir.

6. Güven sinyalleri ağırlık kazanıyor

Yazar kimliği, kaynak gösterimi, güncelleme tarihi ve kurumsal şeffaflık; hem arama motorlarının hem de yapay zekâ sistemlerinin kaynak seçiminde belirleyici. Özellikle sağlık, finans ve hukuk gibi alanlarda bu sinyaller olmadan kaynak gösterilmek neredeyse imkânsız.

7. llms.txt: bir öneri, standart değil

Sitenin en önemli içeriklerini makinelere özetlemek için önerilen llms.txt dosyası ilgi görse de henüz yaygın kabul görmüş bir standart değildir. Eklemenin zararı yoktur; ama tek başına görünürlük sağlaması beklenmemelidir.

Pazarlamada LLM kullanım alanları

LLM’ler pazarlama ekiplerinin iş akışına hızla girdi. Doğru kullanıldıklarında zaman kazandıran, yanlış kullanıldıklarında ise markaya zarar veren araçlardır. En verimli kullanım alanları şunlardır:

İçerik taslağı ve düzenleme

Bir konunun alt başlıklarını çıkarmak, taslak iskeleti oluşturmak, uzun bir metni sadeleştirmek, anlatım bozukluklarını yakalamak ve farklı uzunluklarda özetler üretmek. Burada kritik nokta, modelin iskeleti kurması ama özgün değerin (veri, deneyim, uzman görüşü) insan tarafından eklenmesidir. Yöntemin ayrıntısını yapay zekâ destekli içerik yazımızda anlattık.

Reklam metni varyasyonları

Aynı mesajın farklı açılardan yazılmış onlarca varyasyonunu hızla üretmek, kreatif testlerini hızlandırır. Ancak her varyasyon platform kurallarına, marka sesine ve mevzuata uygunluk açısından kontrol edilmelidir. Test sonuçlarının nasıl okunacağı için ROAS yazımıza bakabilirsiniz.

Araştırma ve analiz

Müşteri yorumlarını temalara ayırmak, anket açık uçlu cevaplarını özetlemek, rakip içeriklerindeki ortak başlıkları çıkarmak, uzun raporları özetlemek. LLM’ler özellikle yapılandırılmamış metni düzenlemekte güçlüdür. Sayısal analizlerde ise sonuçlar mutlaka kaynağından kontrol edilmelidir.

SEO iş akışları

Arama sorgularını niyetine göre gruplamak, meta açıklama taslakları üretmek, içerik boşluklarını belirlemek, SSS soruları çıkarmak, yapılandırılmış veri taslakları hazırlamak ve düzenli ifadeler (regex) yazmak. Bu işlerde model hızlandırıcıdır; son karar ve doğrulama insandadır. Hacim ve sıralama verisi ise modelden değil ölçüm araçlarından alınmalıdır; model sorulduğunda uydurma sayılar üretebilir.

Müşteri iletişimi

Sık sorulan soruları cevaplayan sohbet asistanları, gelen mesajların sınıflandırılması ve yanıt taslakları. Bu alanda modelin yalnızca doğrulanmış bilgi tabanına dayanması (yani RAG ile çalışması) ve bilmediği konularda insana yönlendirmesi şarttır.

Kişiselleştirme

E-posta ve ürün açıklamalarının segmentlere göre uyarlanması. Kişiselleştirmede kullanılan verilerin yasal dayanağı ve kullanıcının onayı baştan netleştirilmelidir.

Pazarlamada LLM kullanmanın riskleri

1. Yanlış bilgi: Uydurulmuş istatistik veya kaynak içeren bir içerik, markanın güvenilirliğine kalıcı zarar verir.
2. Ortalamaya yakınsama: Modelin varsayılan çıktısı konu hakkındaki ortalama görüşü yansıtır. Aynı araçları kullanan rakiplerle aynı dili konuşmaya başlamak, markanın farklılaşma alanını daraltır.
3. Toplu içerik riski: Özgün değer katmadan çok sayıda sayfa üretmek, arama motorlarının spam politikaları kapsamında değerlendirilebilir ve sitenin genel kalite algısını düşürür. Ayrıntısı Google cezaları yazımızda.
4. Telif ve kullanım hakları: Üretilen metin ve görsellerin kullanım koşulları sağlayıcıya ve kullanım biçimine göre değişir; özellikle görsel üretiminde gerçek kişi ve marka görünümlerini taklit etmekten kaçınılmalıdır.
5. Veri gizliliği: Müşteri listeleri, kampanya performans verileri veya sözleşme metinleri gibi bilgilerin genel araçlara girilmesi hem ticari hem hukuki risk taşır.
6. Marka sesi kaybı: Kontrolsüz kullanılan araçlar, markanın tonunu zamanla silikleştirir.

Kurumsal kullanım ilkeleri: nereden başlamalı?

Ekiplerin LLM’leri kontrolsüz biçimde kullanması yerine kısa ve net bir kullanım ilkesi belirlemek, hem verimliliği hem güvenliği artırır. Bir sayfalık bir belge yeterlidir:

1. Hangi işlerde kullanılabilir? Taslak, özet, düzenleme, sınıflandırma, fikir üretimi.
2. Hangi bilgiler asla girilmez? Kişisel veriler, müşteri bilgileri, gizli finansal ve stratejik bilgiler.
3. Hangi araçlar onaylı? Veri işleme koşulları incelenmiş kurumsal hesaplar.
4. Doğrulama sorumluluğu kimde? Yayımlanan her içerikteki sayı ve iddiadan içeriği yayımlayan kişi sorumludur.
5. Okuyucuya nasıl belirtilir? Yapay zekâ kullanımının yayın ilkelerinde açıklanması.

İyi istem (prompt) yazmanın temel ilkeleri

LLM’den alınan sonucun kalitesi, büyük ölçüde verilen talimatın kalitesine bağlıdır. Pazarlama ekipleri için işe yarayan temel ilkeler şunlardır:

1. Rol ve bağlam verin. “Bir e-ticaret markasının içerik editörüsün, hedef kitlemiz 25-40 yaş arası ilk kez ev kuran çiftler” gibi.
2. Görevi net tanımlayın. Ne üretileceğini, hangi uzunlukta ve hangi biçimde (liste, tablo, paragraf) olacağını belirtin.
3. Örnek verin. Beğendiğiniz bir metin örneği, uzun bir tarif listesinden daha etkili yön gösterir.
4. Kısıtları yazın. Kaçınılacak ifadeler, marka dili kuralları, yasal sınırlar.
5. Kaynak isteyin ve kontrol edin. Modelden iddialarının dayanağını belirtmesini isteyin; ancak verdiği kaynakların gerçekten var olduğunu ayrıca doğrulayın.
6. Adım adım ilerleyin. Büyük bir işi tek istemde istemek yerine, önce taslak, sonra düzenleme, sonra kontrol gibi aşamalara bölün.

Modeller markanızı nasıl anlatıyor?

LLM’ler yaygınlaştıkça yeni bir itibar alanı ortaya çıktı: bir kullanıcı bir yapay zekâ asistanına “X markası güvenilir mi?”, “X ile Y arasındaki fark ne?” veya “İstanbul’da iyi bir SEO ajansı öner” diye sorduğunda ne cevap alıyor?

Bu cevaplar iki kaynaktan beslenir: modelin eğitim verisinde markanız hakkında gördükleri ve anlık aramada bulduğu sayfalar. Eğitim verisindeki bilgi eskimiş olabilir; anlık aramada bulunan sayfalar ise sizin kontrolünüzde olmayabilir. Bu yüzden markaların düzenli olarak yapması gereken yeni bir kontrol var:

1. Markanızla ilgili temel soruları farklı yapay zekâ sistemlerine sorun. Kim olduğunuz, ne yaptığınız, fiyat aralığınız, rakiplerinizle farkınız.
2. Cevaplardaki yanlış veya eski bilgileri not edin. Kapanmış bir şube, değişmiş bir hizmet, yanlış kuruluş yılı gibi.
3. Doğru bilginin açık bir kaynağı olduğundan emin olun. Sitenizin hakkımızda sayfası, yapılandırılmış verisi ve güncel içerikleri bu bilgiyi net biçimde vermelidir.
4. Dış kaynakları tutarlı hâle getirin. İşletme profilleri, rehber kayıtları ve sosyal medya profillerindeki bilgiler sitenizle aynı olmalıdır.
5. Karşılaştırma sorularında yer alın. “X ile Y farkı” sorularında modelin başvurabileceği, sizin hazırladığınız net ve dürüst bir karşılaştırma içeriği bulunmalıdır.

Yapay zekâ ajanları ve araç kullanımı

LLM’lerin son dönemdeki en önemli gelişmelerinden biri, yalnızca metin üretmekle kalmayıp araç kullanabilmeleridir. Bir model artık web’de arama yapabilir, bir hesaplama aracını çalıştırabilir, bir takvime toplantı ekleyebilir veya bir web sitesinde form doldurabilir. Birden fazla adımı kendi planlayarak yürüten bu sistemlere yapay zekâ ajanı denir.

Ajanların araçlarla konuşabilmesi için standart bağlantı yöntemleri geliştiriliyor. Model Context Protocol (MCP) gibi açık protokoller, bir modelin farklı veri kaynaklarına ve araçlara tutarlı bir biçimde bağlanmasını sağlıyor. Web tarafında ise sitelerin sundukları işlevleri yapay zekâ ajanlarına doğrudan açabileceği yöntemler üzerinde çalışılıyor.

Bu gelişmenin pazarlama açısından anlamı şudur: yakın gelecekte bazı kullanıcılar ürün araştırmasını, karşılaştırmayı ve hatta satın almayı bir ajana yaptıracak. Bu senaryoda ürün bilgisinin (fiyat, stok, özellik, teslimat süresi) makineler tarafından doğru ve eksiksiz okunabilmesi, bugün insanlar için iyi bir ürün sayfası hazırlamak kadar önemli hâle gelecek. Yapılandırılmış ürün verisi ve düzenli bir site yapısı bu yüzden yalnızca SEO için değil, ajanlar için de bir hazırlıktır.

Maliyet ve token ekonomisi

Kurumsal kullanımda LLM maliyeti genellikle token başına ücretlendirilir: modele gönderilen metin (girdi) ve modelin ürettiği metin (çıktı) ayrı fiyatlanır, çıktı genellikle daha pahalıdır. Birkaç pratik not:

1. Türkçe daha çok token harcar. Eklemeli yapı nedeniyle aynı içerik İngilizceden daha fazla token’a bölünür; bütçe buna göre hesaplanmalıdır.
2. Her iş için en büyük model gerekmez. Sınıflandırma, özetleme ve basit düzenleme gibi işlerde küçük ve ucuz modeller çoğu zaman yeterlidir. Karmaşık akıl yürütme gerektiren işler için büyük modeller tercih edilir.
3. Tekrarlanan bağlamı azaltın. Her istekte aynı uzun talimatı ve belgeyi göndermek maliyeti katlar; birçok sağlayıcı tekrarlanan bağlamı daha ucuza işleyen önbellekleme seçenekleri sunar.
4. Akıl yürütme modelleri pahalıdır. Cevap vermeden önce “düşündükleri” için daha fazla token üretirler; basit işlerde gereksiz maliyet yaratırlar.

LLM’lerin Türkçe performansı

Büyük modellerin eğitim verisinin önemli bir kısmı İngilizcedir; Türkçe veri oranı görece düşüktür. Bu durum pratikte birkaç biçimde kendini gösterir: çeviri kokan cümle yapıları, gereksiz edilgen kullanım, yerel deyimlerin yanlış kullanımı, Türkiye’ye özgü mevzuat ve pazar bilgisinde eksiklik.

Modellerin Türkçe yetenekleri her sürümde belirgin biçimde iyileşiyor; ancak yayımlanacak Türkçe metinlerin mutlaka bir editörden geçmesi hâlâ gerekli. Bu durumun bir de fırsat tarafı var: nitelikli Türkçe kaynak az olduğu için, Türkiye pazarına özgü bilgiyi net ve güvenilir biçimde sunan içerikler, Türkçe sorulara verilen yapay zekâ cevaplarında kaynak gösterilmek için güçlü bir konumdadır.

İşletmelerin LLM kullanırken sık yaptığı hatalar

1. Modeli bir bilgi kaynağı gibi kullanmak. Model bir arama motoru veya ansiklopedi değildir; özellikle arama yapmadan verilen cevaplardaki bilgiler doğrulanmalıdır.
2. Hacim verisini modelden almak. Anahtar kelime hacmi, pazar büyüklüğü veya rakip trafiği gibi sayıları modele sormak, gerçek olmayan sayılar almakla sonuçlanır.
3. Ham çıktıyı olduğu gibi yayımlamak. Genel, özgünlükten uzak ve hataya açık içerik üretir.
4. Tek modele bağlı kalmak. Farklı görevlerde farklı modeller daha iyi sonuç verir; ayrıca sağlayıcının fiyat veya koşul değişiklikleri tek bağımlılığı risk hâline getirir.
5. Gizli veriyi girmek. Kurumsal olmayan hesaplara müşteri ve iş verisi girmek hukuki ve ticari risk yaratır.
6. Yapay zekâ tarayıcılarını bilinçsizce engellemek. Eğitim tarayıcısı ile arama tarayıcısını ayırt etmeden verilen engelleme kararı, görünürlüğü gereksiz yere kapatabilir.

LLM terimleri sözlüğü

1. Token: Modelin metni işlerken kullandığı en küçük birim. Ücretlendirme ve bağlam penceresi token üzerinden hesaplanır.
2. Parametre: Modelin eğitim sırasında öğrendiği bilgiyi tutan ayarlanabilir değerler. Parametre sayısı modelin büyüklüğünü ifade eder.
3. Transformer: 2017’de tanıtılan ve günümüz LLM’lerinin temelini oluşturan sinir ağı mimarisi.
4. Dikkat mekanizması: Modelin bir kelimeyi işlerken metindeki diğer kelimelerin önemini değerlendirmesini sağlayan yapı.
5. Embedding: Metnin anlamını temsil eden sayı dizisi. Anlamca benzer metinler birbirine yakın vektörlere sahiptir.
6. Bağlam penceresi: Modelin tek seferde değerlendirebildiği toplam token miktarı.
7. Sıcaklık (temperature): Cevapların ne kadar çeşitli veya tutarlı olacağını belirleyen ayar.
8. Ön eğitim: Modelin devasa metin üzerinde bir sonraki token’ı tahmin etmeyi öğrendiği ilk ve en maliyetli aşama.
9. İnce ayar: Ön eğitimden geçmiş modelin belirli bir görev veya davranış için ek veriyle yeniden eğitilmesi.
10. RLHF: İnsan değerlendiricilerin tercihleriyle modelin cevaplarını iyileştiren pekiştirmeli öğrenme yöntemi.
11. Halüsinasyon: Modelin akıcı ama yanlış veya uydurma bilgi üretmesi.
12. RAG: Modelin cevap üretmeden önce dış kaynaklardan ilgili belgeleri getirip cevabını bunlara dayandırması.
13. Bilgi kesim tarihi: Model eğitiminin tamamlandığı ve sonrasındaki gelişmelerin modelde bulunmadığı tarih.
14. İstem (prompt): Modele verilen talimat veya soru.
15. Ajan: Araç kullanarak çok adımlı görevleri kendi planlayıp yürütebilen yapay zekâ sistemi.
16. Çok modlu model: Metnin yanında görsel, ses veya video da işleyebilen model.
17. Açık ağırlıklı model: Parametreleri yayımlanan ve kurumların kendi altyapısında çalıştırabildiği model.

LLM’lerin geleceği ve pazarlamaya etkisi

Önümüzdeki dönemde üç eğilimin güçlenmesi bekleniyor. Birincisi, arama ile sohbetin birleşmesi: arama motorları daha fazla yapay zekâ cevabı sunarken, sohbet tabanlı sistemler daha fazla arama yapıyor. İki deneyim arasındaki çizgi giderek siliniyor. İkincisi, ajanların yaygınlaşması: kullanıcı adına araştırma yapan, karşılaştıran ve işlem gerçekleştiren sistemler, markaların makinelere de hitap etmesini zorunlu kılıyor. Üçüncüsü, özgün bilginin değerinin artması: ortak bilgi modellerin içinde hazır bulunduğu için, içerik yarışında kazanan taraf yeni veri, deneyim ve bakış açısı sunan taraf oluyor.

Bu eğilimlerin pazarlama ekiplerine söylediği şey nettir: sağlam bir SEO temeli üzerine, makinelerin de anlayabileceği biçimde yapılandırılmış, özgün ve doğrulanabilir içerik üretmek; markanın her yerde tutarlı bir kimlikle anılmasını sağlamak ve yapay zekâ cevaplarındaki görünürlüğü düzenli olarak ölçmek. Bu yaklaşımın bütününü GEO nedir yazımızda anlattık.

Özetle

Büyük dil modelleri, devasa metinlerle eğitilmiş ve bir sonraki parçayı tahmin ederek dil üreten yapay zekâ sistemleridir. Transformer mimarisi ve dikkat mekanizması sayesinde bağlamı anlayabilir, ince ayar ve geri bildirimle bir asistana dönüşürler. Güçlü oldukları kadar sınırlılıkları da vardır: halüsinasyon, bilgi kesim tarihi, önyargı ve gizlilik riskleri. Arama ve pazarlama açısından en önemli sonuç, kullanıcıların bilgiye ulaşma biçiminin değişmesi ve içeriğin artık yalnızca sıralanmak için değil, bu modeller tarafından kaynak gösterilmek için de üretilmesi gerektiğidir. Yapay zekâ çağında görünürlük stratejinizi kurgulamak için GEO hizmetimizi inceleyebilirsiniz.