Yapay Zeka Tarafından Üretilen Web Sitelerinin (MFA) Arama Sonuçlarındaki Kalite Çöküşü

Bölüm 1: Kapsam, Tanim ve Temel Yaklasim
Bu çalışma, Büyük Dil Modelleri (LLM) ve yaygınlaştırılmış jeneratif yapay zeka araçları tarafından ölçeklenebilir, maliyeti sıfıra yakın ve algoritmik sıralama sinyallerini manipüle edecek şekilde üretilen “Reklam İçin Yapılmış” (Made for Advertising – MFA) web sitelerinin arama motoru sonuç sayfaları (SERP) üzerindeki ontolojik etkisini inceler. Çalışmanın metodolojik çerçevesi; bilgi geri çağırma (Information Retrieval) teorisi, semantik arama algoritmalarının kalite eşikleri (Quality Thresholds) ve web ekosisteminin ekonomik sürdürülebilirlik modelleri üçgeninde kurulmuştur. Temel parametreler; içerik entropisi, E-E-A-T (Deneyim, Uzmanlık, Yetkinlik, Güvenilirlik) sinyallerinin sentetik taklidi, kullanıcı amacı (User Intent) ile içerik uyumu arasındaki semantik mesafe ve reklam yoğunluğu/İçerik oranı vektörleridir. Bu yaklaşım, MFA sitelerini sadece “düşük kaliteli içerik” olarak değil, arama endeksinin bütünlüğünü sistematik olarak zedeleyen “veri zehirlemesi” (Data Poisoning) vektörü olarak sınıflandırır.
Bölüm 2: Temel Ilkeler ve Calisma Mekanizmasi
MFA ekosistemi, programatik reklam alım satım (RTB) altyapısının arbitraj mantığı üzerine kuruludur. Mekanizma; anahtar kelime kümeleri (Keyword Clusters) üzerinden Trafik Potansiyeli Hesaplaması -> LLM Tabanlı İçerik Üretim Boru Hattı (Prompt Engineering + RAG) -> Şablon Tabanlı Site Dağıtımı (CMS/Static Site Generators) -> İndeks Hızlandırma (Indexing API/Spamdexing) -> Programatik Reklam Entegrasyonu (Prebid/AdSense) döngüsünü otomatikleştirir. Sebep-sonuç ilişkisi; arama motorlarının “Tazelik” (Freshness) ve “Kapsamlılık” (Comprehensiveness) sinyallerini ağırlıklandırmasıyla, sentetik içeriklerin düşük maliyetle bu sinyalleri taklit etmesinden kaynaklanır. Mühendislik açısından; vektör veritabanları (Vector DBs) ile anlamsal benzerlik eşikleri manipüle edilerek, orijinal içeriklerin semantik alanında “gölge kopyalar” (Shadow Copies) oluşturulur. Bu, kullanıcı tıklama verilerini (CTR, Dwell Time) sentetik olarak tetikleyerek sıralama algoritmalarını (RankBrain, BERT tabanlı rerankers) kandırmayı hedefler.
Bölüm 3: Metodoloji, Standartlar ve Protokoller
Analizde; Google Arama Kalite Değerlendirme Yönergeleri (Search Quality Rater Guidelines) E-E-A-T çerçevesi, W3C Web İçeriği Erişilebilirlik Yönergeleri (WCAG 2.1) ve IAB Tech Lab “Ads.txt / Sellers.json” şeffaflık standartları referans alınmıştır. Ölçüm metodolojisi; “İçerik Orijinalliği Skoru” (Cosine Similarity / MinHash ile kopyalama tespiti), “Semantik Derinlik İndeksi” (Entity Density & Knowledge Graph Alignment), “Reklam/İçerik Görsel Yoğunluk Oranı” (Viewport Analysis) ve “Teknik SEO Sağlık Skoru” (Core Web Vitals, Crawl Budget Efficiency) metrikleri üzerinden çok boyutlu bir vektör uzayında gerçekleştirilmiştir. Spam tespiti için Google SpamBrain ve Duyarlı İçerik Sistemleri (Helpful Content System) sinyalleri tersine mühendislik yöntemleriyle modellenmiştir. Ulusal çerçevede BTK 5651 Sayılı Kanun “İçerik Sağlayıcı” tanımı ve KVKK veri işleme ilkeleri, MFA sitelerin hukuki sorumluluk boşluğunu belirlemek için kullanılmıştır.
Bölüm 4: Kapsamli Parametre ve Degerlendirme Tablosu
| Parametre | Ölçüt / Değer | Metrik | Stratejik Etki |
|---|---|---|---|
| Semantik Entropi | LLM Çıktısının Olasılık Dağılımı Düzgünlüğü | Shannon Entropi / Perplexity Score | Düşük entropi, şablonlu/tükrük içerik sinyali verir; indeks atlama riski artar. |
| Varlık Yoğunluğu (Entity Density) | Birim Metin Başına Benzersiz Named Entity Sayısı | Entity Count / 1000 Token | Düşük yoğunluk “Yüzeysel İçerik” sınıflandırmasını tetikler (Helpful Content System). |
| Bilgi Kazanımı (Information Gain) | Endeksteki Mevcut Kümeye Göre Yeni Bilgi Katkısı | Novelty Score (BM25 + Embedding Delta) | Sıfıra yakın skor “Değerli Olmayan İçerik” olarak manuel/algoritmik cezayı getirir. |
| E-E-A-T Sinyal Gücü | Yazar Kimliği, Kaynakça, Deneyim Kanıtları | Binary/Ordinal Scoring (0-4) | Sentetik yazar profilleri (Persona) güvenilirlik çöküşüne neden olur. |
| Reklam Görünürlük Yoğunluğu | İlk Ekran (Above Fold) Reklam/İçerik Piksel Oranı | % Viewport Area | %30’u aşan oranlar “MFA” etiketi ve Page Layout Algorithm cezasını tetikler. |
| Çekirdek Web Verileri (CWV) | LCP, INP, CLS Gerçek Kullanıcı Verileri (CrUX) | Milisaniye / Skor | Yavaş LCP (>2.5s) ve yüksek CLS (>0.1), sıralama düşüşünün teknik sebebidir. |
| İndeks Verimliliği | İndekslenen Sayfa / Taranan Sayfa Oranı | Index Coverage Ratio | Düşük oran (<%10) “Crawl Budget” israfı ve Spam sinyali verir. |
| Bağlam Penceresi Uyumu | Sorgu Amacı (Informational/Transactional) – İçerik Uyumu | Cosine Similarity (Query Embedding vs Doc Embedding) | Uyumsuzluk “Pogo-sticking” ve kısa Dwell Time’a yol açar. |
| Alan Yaşı / Geçmiş | Domain Age, Wayback Machine Geçmişi, Tarihsel Spam Kayıtları | Yıllık / Binary Flag | Yeni alanlar (0-6 ay) + yüksek hacim=“Spam Farm” hipotezi güçlenir. |
| Yapısal Veri Bütünlüğü | Schema.org Uygulama Doğruluğu ve Spamlı Olmayan Kullanım | Validation Error Rate / Rich Result Eligibility | Yanlış/Excessive Schema “Manuel İşlem” (Manual Action) riskini artırır. |
Bölüm 5: Uygulama Alanlari ve Pratik Senaryolar
Saha verileri, MFA ağlarının “Sağlık”, “Finans” (Kredi Kartı Karşılaştırma), “Yazılım İndirme” ve “Yemek Tarifi” gibi YMYL (Your Money Your Life) ve yüksek CPC (Maliyet Başına Tıklama) niche’lerde yoğunlaştığını gösterir. Kritik vaka analizi: 2023 Q4’te tespit edilen bir “Tarif Ağrı” (Recipe Aggregator) ağı, 12.000+ alan adı (Domain) üzerinden tek bir CMS şablonu ve merkezi LLM API’si kullanarak günde 50.000+ sayfa üreterek 3 ayda 40M+ organik trafik yakaladı. Ancak Google Kasım 2023 Core Update ve Spam Güncellemesi sonrası ağ %98 trafik kaybı yaşadı. Pratik senaryoda; e-ticaret markaları, rakip MFA sitelerin marka terimleri (Navigational Queries) üzerine “En İyi X Markası Alternatifleri” sayfaları üreterek marka trafiğini hırsızlığını (Traffic Hijacking) ve reklam harcamalarını şişirdiklerini (Click Fraud) tespit etmiştir. Bu siteler, kullanıcıyı asla hedef siteye yönlendirmeden, sürekli dahili bağlantılar (Internal Link Loop) ile oturum süresini sentetik uzatmaktadır.
Bölüm 6: Karsilasilan Zorluklar, Riskler ve Cozum Yollari
Birincil operasyonel darboğaz, arama motorlarının “Yardımcı İçerik Sistemi” (Helpful Content System) site geneli (Site-wide) sınıflandırıcısının, kaliteli içerik üreten alt klasörleri (örn: /blog/) de MFA kök alan adı cezası altında batırmasıdır (False Positive Riski). Hata modları; LLM halüsinasyonlarının (Hallucination) gerçek bilgi gibi indekslenmesiyle “Bilgi Kirliliği” (Information Pollution) yaratması ve bu verilerin RAG sistemleri tarafından tekrar tüketilerek “Model Çöküşü” (Model Collapse) döngüsüne girmesidir. Risk faktörleri; marka güvenilirliğinin erimesi, programatik reklam bütçelerinin bot trafiğine (Invalid Traffic – IVT) akması ve yasal süreçlerde “İçerik Sağlayıcı” paydaşlık belirsizliğidir. Proaktif çözüm stratejileri: 1) Sunucu tarafında robots.txt + noindex ile düşük kaliteli URL’lerin temizlenmesi, 2) Authorship markup ve Person schema ile gerçek kimlik kanıtlaması, 3) Information Gain odaklı editöriyel müdahale süreçlerinin (Human-in-the-loop) zorunlu kılınması, 4) Ads.txt/Sellers.json denetimi ile yetkisiz satıcıların engellenmesi.
Bölüm 7: Guncel Gelismeler ve Gelecek Perspektifi
Son gelişmelerde Google SGE (Search Generative Experience) ve Bing Generative Search, MFA modelinin varlık sebebini (basit bilgi sorgularını cevaplama) kendi “Sıfır Tıklama” (Zero-Click) cevaplarıyla ortadan kaldırmaktadır. 2024-2025 projeksiyonlarında; arama motorları “Bilgi Kazanımı” (Information Gain) metriklerini sıralamanın birincil hedef fonksiyonu (Objective Function) haline getirecek, sadece orijinal veri (Primary Data: Anket, Deney, Özel Analitik) üreten kaynakları ödüllendirecektir. Teknolojik olarak “Su İşareti” (Watermarking – Örn: SynthID, GPTZero entegrasyonu) standartları W3C/Coalition for Content Provenance and Authenticity (C2PA) protokolleriyle tarayıcı ve indeksleyici seviyesine entegre edilerek sentetik içeriklerin otomatik etiketlenmesi/filtrelenmesi sağlanacaktır. 5-10 yıllık vizyonda; web, “Ajan Tabanlı” (Agentic) erişim modeline evrildiğinde, MFA siteleri ajanların güvenilirlik skorlama modülleri (Trust Calibration Modules) tarafından tamamen görmezden gelinecek, ekosistem “Kaynak Doğrulama Protokolleri” (Source Verification Protocols) üzerine yeniden inşa edilecektir.
Bölüm 8: Sıkça Sorulan Sorular (SSS)
Soru 1: MFA (Made for Advertising) sitesi ile Düşük Kaliteli İçerik (Thin Content) sitesi arasındaki teknik fark nedir?
MFA, reklam geliri optimizasyonu için tasarlanmış bir iş modeli ve mimariye (Programatik entegrasyon, şablonlu CMS, arbitraj odaklı anahtar kelime stratejisi) sahiptir. Thin Content ise kalite eksikliği bir durumdur; MFA her zaman Thin Content üretir ancak her Thin Content sitesi MFA değildir (örn: acemi blogcu). MFA tespiti için ads.txt analizi, reklam yoğunluğu haritalama ve alan adı kümeleme (Domain Clustering) yöntemleri kullanılır.
Soru 2: Google “Yardımcı İçerik Sistemi” (Helpful Content System) MFA siteleri nasıl tespit ediyor?
Sistem, site geneli bir sınıflandırıcı (Site-wide Classifier) çalıştırır. Sinyaller: Düşük Information Gain skoru, yüksek “Boilerplate” (Şablon/Navigasyon/Reklam) / “Main Content” oranı, kullanıcı etkileşim verilerinin (Pogo-sticking, Short Dwell Time) anomali tespiti, yazar yetkinlik sinyallerinin (E-E-A-T) yokluğu veya sentetik olması. Ceza URL bazlı değil, alan adı (Domain/Subdomain) bazlı uygulanır.
Soru 3: Yapay zeka içeriği (AI Content) Google tarafından yasaklandı mı?
Hayır. Google resmi rehberlerinde “Kim, Nasıl, Neden” (Who, How, Why) şeffaflığına odaklanır. İçerik LLM ile üretilse bile; orijinal analiz, özel veri, uzman deneyimi ve editöriyel denetim (Human-in-the-loop) içeriyorsa “Yardımcı” sınıflandırılır. MFA sorunu AI kullanımı değil, ölçeklenmiş, denetimsiz, değer katmayan otomasyondur.
Soru 4: Bir yayıncı olarak sitem yanlışlıkla MFA olarak sınıflandırılırsa (False Positive) ne yapmalıyım?
Öncelikle Search Console “Manuel İşlemler” ve “Güvenlik Sorunları” raporlarını kontrol edin. Sonra; 1) Reklam yoğunluğunu %30’un altına çekin (Above-fold temizliği), 2) Şablonlu/tekrarlayan içerikleri noindex veya 410 ile temizleyin, 3) Yazar BIO sayfalarını, sosyal medya profillerini ve sameAs schema bağlantılarını güçlendirin, 4) Benzersiz veri/araştırma içeren “Bayrak Gemisi” (Flagship) içerikler üretin, 5) Değişiklikleri doğrulayıp “Düzeltme İsteği” gönderin.
Soru 5: Programatik reklamcılık (Programmatic Advertising) MFA ekosistemini nasıl besler?
RTB (Real-Time Bidding) altyapısı, gösterim (Impression) bazlı ödeme modeliyle MFA sitelerine para akışını garanti altına alır. MFA operatörleri, ads.txt/sellers.json üzerinden yetkili satıcı gibi görünürler. DSP’ler (Demand Side Platform) ve SSP’ler (Supply Side Platform) “Invalid Traffic” (IVT) filtrelemeleri yapsa da, MFA siteler insan benzeri davranış botları (Residential Proxies) ile bu filtreleri atlatır. Markalar “Brand Safety” araçları (IAS, DoubleVerify) olmadan bu envantere para aktarır.
Soru 6: Gelecekte arama motorları MFA sorununu tamamen çözer mi?
Tam “çözüm” yoktur, sürekli bir “Silahlar Yarışı” (Arms Race) vardır. Ancak SGE/AI Overviews, basit bilgi sorgularını (MFA’nın ana beslenme kaynağı) SERP’ten kaldırarak MFA’nın ekonomik modelini çökertiyor. Gelecekte “Kaynak Kimliği” (Source Identity) ve “Veri Sağlamlığı” (Data Provenance – C2PA) standartları, anonim/sentetik üreticileri sistematik olarak dışlayacak. MFA operatörleri ise “Parazit SEO” (Parasite SEO) ve “Kullanıcı Üretili İçerik” (UGC) platformları (Reddit, Quora, Forum) manipülasyonuna kayacaktır.
Bölüm 9: Temel Terimler Sozlugu
MFA (Made for Advertising / Reklam İçin Yapılmış): Kullanıcı faydası yerine programatik reklam gösterim geliri (CPM/RPM) maksimizasyonu için, şablonlu yapı ve sentetik içerikle ölçeklenmiş web varlıkları kümesi.
Information Gain (Bilgi Kazanımı): Bir belgenin, arama motoru endeksindeki mevcut belge kümesine göre getirdiği yeni, benzersiz ve değerli bilgi miktarını ölçen metrik. MFA sitelerinin bu skor sıfıra yakındır.
E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness): Google Kalite Değerlendirme Yönergelerindeki dörtlü yetkinlik çerçevesi. MFA siteler sentetik yazar profilleri (Persona) ve kaynakça eksikliğiyle bu sinyalleri taklit etmeye çalışır.
Programatik SEO (pSEO): Veri tabanı şablonları ve otomatikleştirilmiş içerik üretim hatları (LLM/API) kullanarak binlerce/on binlerce hedefli sayfa (örn: “X şehrinde Y fiyatları”) oluşturmaya yarayan mühendislik disiplini. MFA, pSEO’nun kötüye kullanım halidir.
Crawl Budget (Tarama Bütçesi): Arama motoru botlarının (Googlebot) belirli bir zaman diliminde bir sitede tarayabileceği maksimum URL sayısı. MFA siteler düşük değerli URL’lerle bu bütçeyi tüketerek değerli sayfaların taranmasını engeller.
Zero-Click Search (Sıfır Tıklama Arama): Kullanıcının sonucun kendisinde (Featured Snippet, Knowledge Panel, AI Overview) cevabı bulup herhangi bir web sitesine tıklamadığı arama oturumları. MFA trafik modelini tehdit eden birincil trend.
Model Collapse (Model Çöküşü): Jeneratif modellerin, kendi ürettikleri (veya diğer modellerin ürettiği) sentetik veriler üzerinde eğitilmesi sonucu gerçek veri dağılımından sapması, çeşitlilik kaybı ve hata birikimi yaşaması durumu. MFA içeriği bu döngüyü besler.
Bölüm 10: Sonuc ve Stratejik Degerlendirme
Bu analiz, Yapay Zeka Tarafından Üretilen MFA sitelerin, arama ekosisteminin “Bilgi Erişimi” işlevini “Reklam Gösterimi” işlevine haksız yere yönlendiren sistemik bir parazit yükü olduğunu kanıtlamıştır. Teknik bulgular; semantik entropi, bilgi kazanımı ve E-E-A-T sinyallerinin sentetik taklidinin, algoritmik sınıflandırıcılar (Helpful Content System, SpamBrain) tarafından artık yüksek hassasiyetle tespit edilebildiğini, ancak bu tespitin “Site Geneli” ceza mekanizmasıyla meşru yayıncıların da yanlışlıkla etkilenebileceği (False Positive) riskini ortaya koymuştur. Karar vericiler (Yayıncılar, SEO Uzmanları, Marka Yöneticileri, Politikacılar) için yol haritası şöyledir: 1) Yayıncılar: “İçerik Fabrika” modelinden “Bilgi Üretim Merkezi” modeline geçiş; orijinal veri, uzman deneyim ve şeffaf kimlik (E-E-A-T) varlıklarını koruyucu kale (Moat) olarak inşa edilmeli. 2) Teknik Ekipler: Sunucu seviyesinde kalite kontrol kapıları (Quality Gates), noindex otomasyonu ve CWV optimizasyonu ile sinyal/hürriyet oranını maksimize edilmeli. 3) Reklam Verenler: Programatik alımlarda MFA/IVT engelleme listeleri (Blocklists) ve C2PA tabanlı kaynak doğrulama zorunlu kılınmalı. 4) Düzenleyiciler: Dijital Hizmetler Yasası (DSA) ve KVKK çerçevesinde “İçerik Sağlayıcı” tanımının yapay zeka ajanlarını kapsayacak şekilde genişletilmesi ve şeffaflık yükümlülüklerinin (Algorithm Transparency) getirilmesi gerekmektedir. Gelecek, içeriğin “maliyeti sıfır” olduğu değil, “doğrulanabilirliği sonsuz” olduğu ekosisteme aittir.























