AI Arama Trafiği Nasıl Ölçülür?

Yapay zeka arama motorları ve üretken arama katmanları, dijital pazarlamada geleneksel arama motoru trafiği dinamiklerini köklü biçimde dönüştürürken, işletmeler için AI Arama Trafiği Nasıl Ölçülür? sorusu kritik bir analitik zorunluluk haline gelmiştir. ChatGPT, Perplexity, Claude ve Google AI Overviews gibi platformlar üzerinden web sitelerine yönlendirilen kullanıcı trafiği; standart analitik panellerinde genellikle eksik, hatalı veya gizli veri olarak kaydedilir. Bu rehber; UTM parametreleme disiplininden Google Analytics 4 (GA4) özel yönlendirme (referral) filtrelemelerine, Google Search Console (GSC) CTR anomali tespitlerinden sunucu log (server log file analysis) kayıtları üzerinden bot takibine kadar yapay zeka kaynaklı trafiği ölçümlemenin teknik ve operasyonel çerçevesini eksiksiz olarak sunmaktadır.

Yapay Zeka Trafiği ve İlişkilendirme (Attribution) Problemi

Yapay zeka motorlarının bilgi arama ve tüketim süreçlerine entegrasyonu, veri ilişkilendirme (data attribution) süreçlerinde yapısal bir kırılmaya yol açmıştır. Kullanıcılar bir LLM (Büyük Dil Modeli) arayüzünde sorgu gerçekleştirdiğinde, model bilgiyi sentezleyerek kullanıcıya doğrudan sunar ve yalnızca doğrulama veya ileri okuma ihtiyacı doğduğunda kaynak bağlantılarını paylaşır. Bu durum, geleneksel arama motoru sonuç sayfalarındaki (SERP) "arama yap - listeyi tara - tıkla" davranış modelini ortadan kaldırarak kullanıcı temas noktalarını karmaşıklaştırır.

Üretken yapay zekanın aracı olduğu bu etkileşimlerde en büyük operasyonel zorluk, tarayıcı ve uygulama katmanlarında aktarılan HTTP Referrer başlıklarının (headers) her zaman standart kalıplara uymamasıdır. Masaüstü tarayıcı tabanlı arayüzlerden mobil uygulamalara, API tabanlı sohbet botlarından tarayıcı eklentilerine kadar geniş bir ekosistemde çalışan AI sistemleri, trafik kaynağını analitik platformlarına eksik iletebilmektedir. Bu durum, ölçümleme mimarisinde ciddi veri sapması (data discrepancy) üretir.

İlişkilendirme modellerinin (son tıklama, ilk tıklama, veri odaklı ilişkilendirme) AI kaynaklı ziyaretlerde doğru çalışabilmesi için, veri toplama mekanizmasının kaynak düzeyinde standardize edilmesi gerekir. Karar vericilerin, AI kaynaklı kullanıcıların satın alma yolculuğundaki rolünü (dönüşüm hunisinin üst, orta veya alt aşamaları) doğru konumlandırabilmesi, bu trafiğin analitik araçlarında doğru etiketlenmesine doğrudan bağlıdır.

Standart Analitik Araçlarının Sınırları ve "Direct" Trafik Yanılgısı

Geleneksel web analitiği yazılımları, gelen isteğin HTTP Referrer başlığını okuyarak trafiği sınıflandırır. Bir kullanıcı ChatGPT masaüstü uygulamasından, yerel bir mobil uygulamadan veya referans başlığı taşımayan güvenli bir Webview bileşeninden bir bağlantıya tıkladığında, tarayıcı referrer bilgisini sunucuya göndermez. Bu teknik eksiklik, web analitik platformlarının gelen oturumu otomatik olarak "Direct" (Doğrudan Trafik) veya "None / Unassigned" kategorisine yazmasına neden olur.

Bu fenomen, analitikte karanlık trafik (dark traffic) veya karanlık sosyal (dark social) olarak adlandırılan kör noktayı büyütür. İşletme sahipleri doğrudan organik marka trafiğinin arttığını varsayarken, gerçekte üretken yapay zeka tarafından yapılan bir kaynak alıntısı (citation) sonucu yüksek niyetli kullanıcılar siteye ulaşıyor olabilir. Doğrudan trafik yanılgısı, GEO (Generative Engine Optimization) yatırımlarının geri dönüşünü (ROI) hesaplamayı zorlaştırır ve pazarlama bütçelerinin yanlış kanallara tahsis edilmesine yol açar.

Veri Bütünlüğünü Korumak İçin Alınması Gereken Önlemler

Veri bütünlüğü (data integrity), yalnızca yüzeysel analitik raporlarına güvenmek yerine çok katmanlı bir doğrulama yaklaşımını zorunlu kılar. Analitik yöneticileri, istemci tarafı (client-side) takip sistemlerini sunucu tarafı (server-side) log kayıtları ile çapraz kontrole tabi tutmalıdır.

Kurumsal ölçekte veri doğruluğunu güvence altına almak için uygulanması gereken temel prensipler şunlardır:

• Referrer Başlığı Analizleri: GA4 üzerinde HTTP referrer tanımlarının güncellenmesi ve eksik domain'lerin yönlendirme listelerine eklenmesi.

• İniş Sayfası (Landing Page) Sapma Tespiti: Doğrudan trafik olarak etiketlenen ancak derin içerik sayfalarına (deep-link blog yazıları, teknik dokümantasyonlar vb.) gelen anomali ziyaretlerin yapay zeka kaynakları ile korelasyonunun incelenmesi.

• Parametre Standardizasyonu: Dışarıya sunulan açık kaynaklı dokümanlarda, PDF'lerde ve API yanıtlarında yapılandırılmış parametrelerin kullanılması.

Yönlendirme (Referral) Kaynakları Üzerinden AI Trafiğini İzleme

Web sitenize üçüncü parti üretken yapay zeka platformlarından gelen doğrudan yönlendirme trafiği (referral traffic), ölçülmesi en somut ve yapılandırılabilir AI arama trafiği bileşenidir. Perplexity, ChatGPT, Claude ve benzeri LLM sağlayıcıları, yanıt gövdesinde kullanıcıya sundukları web kaynaklarına tıklanması durumunda belirli document.referrer parametreleri gönderirler.

Bu parametrelerin Google Analytics 4 (GA4) üzerinde doğru okunması, özel kanal gruplamaları (Custom Channel Grouping) ve regex tabanlı filtrelerle mümkündür. Standart GA4 kurulumunda bu kaynaklar genel "Referral" kanalı altında toplanır ve geleneksel web sitesi yönlendirmeleri ile karışır. Karar vericilerin AI kaynaklı ziyaretlerin etkileşim sürelerini, hemen çıkma oranlarını ve dönüşüm yüzdelerini görebilmesi için ayrı bir "AI Referral" veya "Generative AI" kanalı kurgulanmalıdır.

GA4'te Perplexity AI Trafiğini Tespit Etme

Perplexity AI, arama motoru işlevini doğrudan birincil değer önerisi olarak sunan ve kullanıcıları en yüksek oranda kaynak web sitelerine yönlendiren sistemlerden biridir. Perplexity üzerinden gelen kullanıcılar, web tarayıcısı üzerinden bağlantıya tıkladıklarında perplexity.ai yönlendirme adresi ile GA4 oturumlarına yansır.

GA4 içerisinde Perplexity trafiğini izole etmek için Keşfet (Explore) modülü altında serbest biçimli bir rapor oluşturulmalıdır:

1. Boyutlar (Dimensions): @@CODE0@@, @@CODE1@@, Sayfa yolu ve ekran sınıfı (Page path and screen class).

2. Metrikler (Metrics): @@CODE0@@, @@CODE1@@, @@CODE2@@, @@CODE3@@.

3. Filtreler (Filters): @@CODE0@@ alanı @@CODE1@@ seçilerek .*perplexity\.ai.* ifadesi ile filtrelenir.

Bu filtreleme, Perplexity kullanıcılarının hangi sayfalara iniş yaptığını ve sitede geleneksel arama motoru kullanıcılarına kıyasla nasıl bir davranış sergilediğini ortaya koyar.

ChatGPT ve OpenAI Kaynaklı Ziyaretlerin Analizi

OpenAI ekosistemi üzerinden gelen trafik; ChatGPT Free, Plus, Team ve Enterprise kullanıcılarının yanıt pencerelerindeki web alıntılarına tıklamasıyla tetiklenir. OpenAI, yönlendirme domain'lerini geçmişte @@CODE0@@ üzerinden iletirken, güncel mimarisinde ağırlıklı olarak @@CODE1@@ alan adını kullanmaktadır.

ChatGPT trafiğini analiz ederken dikkat edilmesi gereken kritik bir unsur, mobil uygulama trafiğidir. iOS veya Android ChatGPT uygulamasından açılan bağlantılar, uygulama içi tarayıcı (in-app browser) yapılandırmasına bağlı olarak bazen referrer başlığını düşürebilir. Web üzerinden gelen ziyaretleri yakalamak için GA4 Özel Kanal Gruplandırması (Custom Channel Group) ayarlarında aşağıdaki regex kuralı tanımlanmalıdır:

Source matches regex: ^(chatgpt\.com|chat\.openai\.com|android-app:\/\/com\.openai\.chatgpt)$

Bu kural tanımlandığında, OpenAI kaynaklı web ve mobil uygulama yönlendirmeleri tek bir kanal altında birleşerek net dönüşüm oranları sağlar.

Claude ve Diğer LLM (Büyük Dil Modeli) Arayüzleri

Anthropic tarafından geliştirilen Claude (claude.ai), kurumsal ve teknik kullanıcı tabanı yüksek bir diğer yapay zeka arayüzüdür. Claude, web tarama ve kaynak gösterme özelliklerini genişlettikçe web sitelerine yönlendirdiği trafik hacmi artmaktadır.

Bunun yanı sıra Mistral Le Chat, You.com ve Microsoft Copilot gibi platformlar da kendi yönlendirme domain'leri üzerinden trafik aktarır. Tüm bu kaynakları tek bir merkezi yapay zeka arama segmentinde toplamak, şirketin toplam GEO performansını ölçümlemek için en sürdürülebilir yöntemdir.

Google AI Overviews (SGE) Trafiğini Anlamlandırmak

Google AI Overviews (eski adıyla Search Generative Experience - SGE), arama motoru görünürlüğü ekosistemindeki en büyük dönüşüm alanını temsil eder. Perplexity veya ChatGPT gibi üçüncü parti platformların aksine Google, AI Overviews üzerinden gelen tıklamaları ayrı bir yönlendirme kaynağı veya bağımsız bir trafik kanalı olarak ayırmamaktadır.

Google AI Overviews üzerinden gelen bir kullanıcı web sitenize ulaştığında, bu oturum hem GA4'te hem de Google Search Console (GSC) üzerinde standart google / organic trafiği olarak görünür. Google, AI Overviews tıklamaları için şu ana kadar özel bir GSC Arama Görünümü (Search Appearance) filtresi sağlamadığı için, bu trafiği izlemek dolaylı ve analitik çıkarım odaklı yöntemler gerektirir.

Google Search Console Üzerinde Organik ve AI Trafiği Kesişimi

Google Search Console, arama sorgularının gösterim (impressions), tıklama (clicks), ortalama konum (average position) ve tıklama oranı (CTR) verilerini sunar. AI Overviews devreye girdiğinde, bir sayfanın ortalama sıralaması (örneğin ilk 3 sıra) değişmese dahi tıklama davranışında radikal kaymalar yaşanır.

AI Overviews bloklarında kaynak bağlantısı (link card) olarak listelenen bir URL, geleneksel 1. sıradaki organik sonuca kıyasla kullanıcı gözünde daha yüksek görünürlük elde edebilir. Ancak arama niyetinin "bilgi edinme" (informational) olduğu sorgularda, AI özeti cevabı doğrudan verdiği için kullanıcı tıklama ihtiyacı hissetmeyebilir (Zero-Click Search). Dolayısıyla GSC verileri incelenirken gösterim artışına rağmen tıklamaların yatay kalması veya düşmesi, ilgili sorguda AI Overviews'ın devreye girdiğine dair en güçlü göstergedir.

Tıklama Oranı (CTR) Dalgalanmalarından AI Etkisini Çıkarma

AI Overviews etkisini ölçümlemek için GSC verileri üzerinde zaman serisi anomali analizleri ve korelasyon testleri uygulanmalıdır. Bu analiz için aşağıdaki süreç takip edilir:

1. Sorgu Segmentasyonu: Bilgi arama niyeti taşıyan sorgular (nasıl yapılır, nedir, karşılaştırması vb.) ile işlem odaklı (satın al, fiyatı, kayıt ol vb.) sorgular ayrıştırılır.

2. Tarihsel CTR Karşılaştırması: Belirli bir sorgunun AI Overviews kapsamına alınmasından önceki CTR değeri ile güncel CTR değeri aynı ortalama pozisyon diliminde karşılaştırılır.

3. Pozisyon - CTR Uyumsuzluğu: Normal şartlarda 1. pozisyonda %25-%35 bandında olan ortalama CTR'ın, pozisyon korunmasına rağmen %10-%15 seviyelerine gerilemesi, kullanıcının AI Overviews kartını tükettiğini veya bağlantının AI kartı içindeki ikincil bir alana kaydığını gösterir.

CTR Değişim Oranı = ((Dönem CTR - Referans CTR) / Referans CTR) * 100

Bu matematiksel korelasyon, hangi URL'lerin ve içerik gruplarının AI Overviews tarafından dönüştürüldüğünü tespit etmenin en güvenilir yoludur.

Kontrol Edilebilir Kaynaklar İçin UTM Parametrelerinin Kullanımı

Web sitelerinin yapay zeka arama motorları tarafından serbest taranması dışında, işletmelerin kendi kontrolünde olan AI temas noktaları da bulunmaktadır. Özel GPT modelleri (Custom GPTs), kurumsal AI asistanları, Perplexity Pages entegrasyonları veya AI botlarına beslenen kaynak veri tabanları (RAG sistemleri ve dokümantasyonlar) bu kapsama girer.

Kontrol edilebilir yapay zeka kaynaklarında kampanya etiketleme (campaign tagging) standartlarının eksiksiz uygulanması, veri ilişkilendirme kayıplarını sıfıra indirir. Standartlaştırılmış UTM parametreleri (UTM parameters), analitik platformlarının gelen kullanıcıyı doğrudan belirlenen alt kaynak ve kampanya ile eşleştirmesini sağlar.

AI Sohbet Botlarına Beslenen Kaynaklarda UTM Stratejisi

Özel yapay zeka ajanları veya RAG (Retrieval-Augmented Generation) mimarileri inşa edilirken, sistem istemlerine (system prompts) ve referans dökümanlarına eklenen tüm dış bağlantılara zorunlu parametreler entegre edilmelidir.

Kullanılması gereken standart parametre yapısı şu şekilde kurgulanmalıdır:

• @@CODE0@@: Trafiği üreten AI platformu (@@CODE1@@, @@CODE2@@, @@CODE3@@, gemini_gem).

• @@CODE0@@: İletişim biçimi (@@CODE1@@, @@CODE2@@, @@CODE3@@).

• @@CODE0@@: Modelin veya projenin adı (@@CODE1@@, enterprise_sales_advisor).

• @@CODE0@@: Alıntılanan içerik veya modül tipi (@@CODE1@@, api_doc_ref).

Örnek yapılandırma:
https://www.webizm.com/blog/ai-seo-rehberi?utm_source=custom_gpt&utm_medium=ai_agent&utm_campaign=tech_advisor_v2&utm_content=footer_citation

Bu disiplin, yapay zeka sohbet botlarının işletmenize ne kadar nitelikli lead (potansiyel müşteri) kazandırdığını tekil olarak raporlamanızı sağlar.

Kampanya Parametrelerinin GA4 ile Entegrasyonu

UTM parametreleri taşıyan bağlantılar GA4 tarafından otomatik olarak @@CODE0@@, @@CODE1@@ ve Oturum aracı (Session medium) boyutlarına atanır.

Veri kirliliğini önlemek adına dikkat edilmesi gereken teknik noktalar:

• Küçük Harf Standardı: UTM değerlerinde büyük/küçük harf duyarlılığı bulunduğu için tüm değerler küçük harf (@@CODE0@@) olarak verilmelidir (@@CODE1@@ yerine utm_source=chatgpt).

• Kanonik URL (Canonical) Çakışması Önleme: UTM parametreleri arama motorları tarafından yinelenen içerik (duplicate content) olarak algılanmamalıdır; bu nedenle sayfalarda rel="canonical" etiketinin parametresiz kök URL'i işaret ettiğinden emin olunmalıdır.

• Dahili Bağlantılarda Kullanmama: Site içi dahili bağlantılarda kesinlikle UTM kullanılmamalıdır; UTM sadece harici AI sistemlerine sunulan veri kaynaklarında yer almalıdır.

Sunucu Log (Günlük) Kayıtları ile Kesin Veri Doğrulaması

İstemci taraflı (client-side) JavaScript kodlarının (GA4 tag'leri, izleme pikselleri) çalışmadığı durumlarda geriye kalan tek ve kesin doğruluk kaynağı sunucu log analizi (server log file analysis) işlemidir. Sunucu logları, web sunucunuza (Nginx, Apache, Cloudflare, AWS CloudFront) gelen her bir HTTP/HTTPS isteğini; istemcinin IP adresi, istek zamanı, HTTP durum kodu ve User-Agent bilgisiyle birlikte kaydeder.

Yapay zeka modelleri iki aşamalı bir yaşam döngüsüne sahiptir:

1. Eğitim ve Tarama Aşaması (Training & Discovery Crawling): Modelin içerikleri okuduğu ve dizine eklediği aşama.

2. Kullanıcı Tetiklemeli Canlı Arama Aşaması (Live Search / Inference Crawling): Bir kullanıcı soru sorduğunda, modelin web'e anlık çıkarak yanıt üretmek için yaptığı istek aşaması.

Sunucu günlüklerinin düzenli analizi, yapay zeka modellerinin sitenizin hangi bölümlerini ne sıklıkla ziyaret ettiğini ve bu ziyaretlerin gerçek kullanıcı yönlendirmelerine dönüşüp dönüşmediğini anlamanın en derin teknik yoludur.

User-Agent Verilerini Okuma ve AI Botlarını Ayrıştırma

Her yapay zeka sağlayıcısı, web tarayıcı botları (crawler bots) için belirli bir User-Agent dizesi ve kimlik tanımlayıcısı kullanır. Log dosyalarınızda bu botları regex ve log ayrıştırıcı araçlar (Logstash, GoAccess, Splunk, Datadog) ile ayrıştırabilirsiniz.

Başlıca yapay zeka botları ve işlevleri:

• OAI-SearchBot: OpenAI'ın arama özellikleri ve canlı kullanıcı sorguları için web'i tarayan botu.

• GPTBot: OpenAI'ın genel model eğitimi ve veri madenciliği amacıyla kullandığı bot.

• PerplexityBot: Perplexity AI'ın arama indeksleme ve anlık yanıt derleme operasyonlarını yürüten botu.

• ClaudeBot / Anthropic-ai: Anthropic tarafından model eğitimi ve bilgi çekme için kullanılan tarayıcı.

• Google-Other / Googlebot: Google'ın standart arama ve AI Overviews besleme süreçlerinde kullandığı altyapı.

# Nginx log örneğinde OAI-SearchBot tespiti için regex deseni
grep -E "OAI-SearchBot|PerplexityBot|ClaudeBot" /var/log/nginx/access.log

Loglarda @@CODE0@@ veya @@CODE1@@ isteklerinin ardından gelen 200 OK yanıtları, içeriğinizin AI modelleri tarafından başarıyla okunduğunu; 403 Forbidden veya 429 Too Many Requests yanıtları ise botların engellendiğini veya limitlere takıldığını gösterir.

Taranma Sıklığı ile Ziyaretçi Trafiği Arasındaki Korelasyonu Kurma

AI botlarının tarama sıklığı (crawl frequency) ile web sitenize gelen yönlendirme trafiği arasında doğrudan pozitif bir ilişki bulunur. Bir içerik güncellendiğinde veya yayına alındığında, ilgili içeriğin @@CODE0@@ veya @@CODE1@@ tarafından taranma hacmi artıyorsa, model o içeriği canlı arama dizinine dahil ediyor demektir.

Bu korelasyonu kurmak için:

• Günlük bot istek sayıları sayfa bazında toplanır.

• Aynı sayfaların GA4 üzerindeki AI Referral oturum sayıları ile eşleştirilir.

• Tarama sıklığı yüksek ancak trafik üretmeyen içerikler tespit edilerek, içeriklerin cevap odaklılığı ve alıntılanabilirlik (citability) kalitesi optimize edilir.

Geleceğe Yönelik Veri Stratejisi ve Kurumsal Risk Yönetimi

Üretken yapay zeka arama ekosistemi, regülasyonlar ve platform politikaları ile sürekli evrilmektedir. Karar vericilerin yalnızca bugünün yönlendirme kalıplarına odaklanması, orta ve uzun vadede ölçümleme kör noktalarına yol açabilir. Sürdürülebilir bir analitik vizyonu; veri gizliliği standartlarını, çerezsiz (cookieless) izleme protokollerini ve model davranışlarındaki belirsizlikleri yönetebilmelidir.

AI Trafiğinde Gizlilik (Privacy) ve Veri Kaybı Beklentileri

Yapay zeka arama platformları, kullanıcı gizliliği politikalarını sıkılaştırdıkça dışarıya aktarılan referans verilerini kısıtlama eğilimindedir. Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR) ve Türkiye'deki Kişisel Verilerin Korunması Kanunu (KVKK) gibi yasal çerçeveler, istemci taraflı takip sistemlerini daha kısıtlı hale getirmektedir.

Bunun yanı sıra Apple'ın Safari platformunda uyguladığı Gelişmiş Takip ve Parmak İzi Koruması (Advanced Tracking and Fingerprinting Protection) gibi sistemler, URL parametrelerindeki takip etiketlerini ayıklayabilmektedir. Bu durum, gelecekte AI trafiğinin bir kısmının kaçınılmaz olarak "Doğrudan Trafik" havuzuna düşmeye devam edeceğini gösterir. İşletmeler, tekil kullanıcı takibinden ziyade toplulaştırılmış (aggregated) veri modellerine ve sunucu taraflı izleme (server-side tagging) altyapılarına yatırım yapmalıdır.

Sonuç: Bütünleşik Bir Ölçümleme Çerçevesi Oluşturmak

Yapay zeka arama trafiğini ölçümlemek tek bir aracın veya parametrenin tekelinde değildir. Başarılı bir kurumsal ölçümleme stratejisi, dört ana sütunun birleşiminden oluşur:

1. GA4 ve Özel Kanal Mimarisi: Bilinen tüm LLM yönlendirmelerinin anlık ve segment bazlı takibi.

2. GSC CTR ve Gösterim Analitiği: Google AI Overviews etkisinin dolaylı ve matematiksel çıkarımı.

3. Sunucu Log Doğrulaması: Bot tarama sıklığının ve içerik çekme indekslerinin doğrudan tespiti.

4. Birinci Taraf (First-Party) Veri ve Form Entegrasyonu: Müşteri kazanım formlarına eklenen "Bizi nereden duydunuz?" (Self-Reported Attribution) alanları ile dijital analitiğin kaçırdığı karanlık AI trafiğinin manuel teyidi.