Citation Selection ve Citation Absorption Nedir?

Yapay zekâ destekli arama deneyimlerinde görünür olmak, klasik arama sonuçlarında üst sıralarda yer almaktan daha farklı bir sürece dönüşüyor. ChatGPT, Google AI Overviews, Gemini, Microsoft Copilot ve Perplexity gibi sistemler web üzerindeki kaynakları buluyor, değerlendiriyor ve bu kaynaklardan yararlanarak doğrudan yanıtlar üretiyor.

Bu yeni yapıda bir sayfanın bağlantısının kaynaklar arasında gösterilmesi önemli; ancak tek başına yeterli değil. Çünkü yapay zekâ bir sayfayı kaynak olarak listeleyebilir fakat sayfadaki bilgileri oluşturduğu yanıtın içinde çok sınırlı kullanabilir. Başka bir sayfa ise daha az görünür bir atıf almasına rağmen yanıtın tanımlarını, verilerini, karşılaştırmalarını veya anlatım yapısını belirgin biçimde şekillendirebilir.

2026 yılında yayımlanan “From Citation Selection to Citation Absorption” başlıklı araştırma, bu farkı iki kavramla açıklıyor:

• Citation Selection: Bir içeriğin yapay zekâ tarafından kaynak olarak seçilmesi.
• Citation Absorption: Seçilen içeriğin bilgi, dil, kanıt veya yapı bakımından üretilen yanıtın içine ne ölçüde alınması.

Bu ayrım, Generative Engine Optimization yani GEO çalışmalarının yalnızca atıf sayısına göre değerlendirilmemesi gerektiğini gösteriyor. Asıl soru artık sadece “Markamız kaynak gösteriliyor mu?” değil, aynı zamanda “İçeriğimiz yapay zekânın cevabını gerçekten şekillendiriyor mu?” olmalıdır.

Önemli not: Citation Selection ve Citation Absorption; Google Search Console, Bing Webmaster Tools, ChatGPT veya Perplexity tarafından sunulan resmî metrik adları değildir. Bunlar, yapay zekâ arama görünürlüğünü analiz etmek için önerilmiş akademik ölçüm kavramlarıdır.

Citation Selection Nedir?

Citation Selection, bir yapay zekâ arama motorunun veya cevap sisteminin sayfanızı bulması ve oluşturduğu yanıtta kaynak olarak seçmesidir. Türkçede atıf seçimi ya da kaynak seçimi olarak ifade edilebilir.

Bir kullanıcı “E-ticaret sitelerinde ürün feed optimizasyonu nasıl yapılır?” diye sorduğunda yapay zekâ sistemi web araması yapabilir, ilgili sayfaları tarayabilir ve yanıtının altında birkaç bağlantı gösterebilir. Ajans Mesh’in bu bağlantılar arasında yer alması Citation Selection gerçekleştiği anlamına gelir.

Bu aşamada temel başarı göstergeleri şunlardır:

• İlgili sorgularda aramanın tetiklenmesi
• Sayfanın aday kaynak havuzuna girmesi
• Alan adının veya URL’nin kaynak listesinde görünmesi
• Farklı prompt varyasyonlarında tekrar seçilmesi
• Farklı yapay zekâ platformlarında atıf alması

Citation Selection, içeriğinizin teknik olarak erişilebilir, konu bakımından alakalı ve kaynak olarak seçilmeye yeterli görüldüğünü gösterir. Ancak bu metrik, içeriğinizin üretilen cevaba ne kadar katkı sağladığını tek başına açıklamaz.

Citation Absorption Nedir?

Citation Absorption, kaynak olarak seçilen bir sayfadaki bilginin yapay zekâ tarafından oluşturulan yanıtın içine gerçekten aktarılmasıdır. Türkçede atıf özümseme, kaynak etkisi veya daha anlaşılır bir ifadeyle yanıta bilgi katkısı olarak tanımlanabilir.

Bu katkı farklı biçimlerde ortaya çıkabilir:

• Sayfadaki bir tanımın yanıt içinde kullanılması
• Özgün bir istatistiğin veya sayısal verinin aktarılması
• Karşılaştırma kriterlerinin cevap yapısına alınması
• Adım adım yöntemin yanıt içinde yeniden kurulması
• Sayfadaki örneklerin veya sınıflandırmaların kullanılması
• İçeriğin bölüm yapısının yapay zekâ cevabına yansıması
• Kaynağın yanıtın birden fazla paragrafını desteklemesi

Citation Absorption doğrudan modelin gizli düşünme sürecini veya iç dikkat mekanizmasını göstermez. Araştırmada bu kavram, yanıt ile kaynak sayfa arasında gözlemlenebilen benzerlikler üzerinden tahmin edilen bir etki göstergesi olarak ele alınmıştır.

Citation Selection ve Citation Absorption Arasındaki Fark

İki kavram arasındaki temel fark, görünürlük ile etki arasındaki ayrımdır.

Kısaca söylemek gerekirse:

Citation Selection, kaynaklar arasına girmek; Citation Absorption ise cevabın içine girmektir.

Basit Bir Örnekle Açıklayalım

Ajans Mesh’te “Google Search Console Generative AI Raporu Nasıl Kullanılır?” başlıklı bir içerik bulunduğunu düşünelim.

Bir yapay zekâ sistemi bu konudaki soruya cevap verirken ajansmesh.com bağlantısını kaynak listesine ekliyorsa Citation Selection gerçekleşmiştir.

Ancak oluşturulan cevapta yazıdaki:

• gösterim ve tıklama ayrımı,
• ülke ve cihaz kırılımlarının yorumlanma yöntemi,
• uygulanması önerilen GEO aksiyonları,
• özgün analiz tablosu

kullanılıyorsa Citation Absorption da gerçekleşmiştir.

Bir içerik seçilip az kullanılabilir; başka bir içerik ise cevabın birkaç bölümünü birden şekillendirebilir. Bu nedenle iki sayfanın aynı sayıda atıf alması, GEO performanslarının aynı olduğu anlamına gelmez.

Yapay Zekâ Bir Kaynağı Nasıl Seçer ve Kullanır?

Ticari yapay zekâ sistemlerinin tüm iç süreçleri kamuya açık değildir. Ancak gözlemlenebilen akış genel olarak şu aşamalardan oluşur:

1. Aramanın etkinleşmesi: Sistem soruyu yalnızca model bilgisinden yanıtlamak yerine web araması yapmaya karar verir.
2. Tarama ve erişim: Teknik olarak erişilebilen, indekslenebilen veya platformun ulaşabildiği sayfalar değerlendirilir.
3. Kaynak bulma: Sorguyla alakalı aday sayfalar getirilir.
4. Seçim ve yeniden sıralama: Kaynaklardan bazıları yanıt üretim bağlamına alınır.
5. Yanıt üretimi: Model, seçili kaynaklardan yararlanarak bir cevap oluşturur.
6. Atıf gösterimi: Bazı kaynaklar bağlantı, dipnot veya kaynak kartı olarak kullanıcıya sunulur.
7. Absorption: Kaynaktaki bilgi, kanıt veya yapı yanıtın içinde farklı yoğunluklarda kullanılır.
8. Kullanıcı davranışı: Kullanıcı kaynağa tıklayabilir, markayı arayabilir veya hiç aksiyon almayabilir.

Bu aşamaların her biri ayrı bir performans alanıdır. Atıf almak, doğru aktarılmak, tıklanmak ve dönüşüm sağlamak aynı sonuç değildir.

Citation Absorption Nasıl Ölçülür?

İlgili araştırma, Citation Absorption’ı doğrudan model içinden ölçmek yerine influence score adı verilen gözlemsel bir vekil skorla tahmin ediyor. Skorun değerlendirdiği başlıca unsurlar şunlardır:

• Kaynağa cevap içinde kaç kez referans verildiği
• Kaynağın cevabın hangi bölümünde ilk kez kullanıldığı
• Cevabın kaç paragrafına katkı sağladığı
• Kaynak ile cevap arasındaki anlamsal benzerlik
• İki ve üç kelimelik ifade örtüşmeleri

Bu yöntem, bir sayfanın cevaba katkısını analiz etmek için yararlı bir çerçeve sunsa da modelin içsel dikkatini veya kesin nedensel bağı doğrudan ölçmez. Araştırmacılar da influence score’un gözlemsel bir proxy olduğunu ve sonuçların evrensel nedensel kurallar şeklinde yorumlanmaması gerektiğini özellikle belirtiyor.

Kurumlar kendi GEO analizlerinde daha sade bir ölçüm modeli kullanabilir:

Araştırmanın Dikkat Çeken Bulguları

Araştırma; ChatGPT, Google AI Overview/Gemini ve Perplexity üzerinde 602 kontrollü promptu, 21.143 geçerli arama katmanı atfını ve içeriklerine erişilebilen 18.151 sayfayı incelemiştir.

1. Atıf genişliği ile cevap etkisi aynı değildir

Çalışmadaki veri setinde Perplexity prompt başına ortalama 16,35, Google 12,06, ChatGPT ise 6,88 kaynak göstermiştir. Buna karşılık araştırmanın influence score ölçümünde ChatGPT’nin seçtiği kaynakların ortalama etkisi daha yüksek görünmüştür.

Bu sonuç, fazla kaynak göstermenin her kaynağı daha yoğun kullanmak anlamına gelmediğini ortaya koyuyor. Bazı platformlar geniş bir kaynak listesi sunarken bazıları daha az kaynaktan daha yoğun biçimde yararlanabilir.

2. Yapı ve kanıt yoğunluğu önemlidir

Yüksek etki grubundaki sayfalar; daha fazla başlık, paragraf ve liste içermiş, cevapla daha güçlü anlamsal uyum göstermiştir. Tanımlar, istatistikler, karşılaştırmalar, kod örnekleri ve işlem adımları gibi kolayca ayrıştırılabilen kanıt türleri de daha yüksek absorption ile ilişkilendirilmiştir.

Bu bulgu “Her zaman daha uzun yazın” şeklinde yorumlanmamalıdır. Uzunluk ancak içerik iyi yapılandırıldığında, konu odağı korunduğunda ve bilgi yoğunluğu yükseldiğinde anlamlıdır.

3. Sadece SSS formatı kullanmak yeterli değildir

Araştırmadaki Q&A formatındaki sayfalar, Q&A olmayan sayfalardan daha yüksek ortalama etki göstermemiştir. Bu, SSS içeriğinin zararlı olduğu anlamına gelmez; yalnızca soru işaretleriyle oluşturulan başlıkların tek başına GEO avantajı sağlamadığını gösterir.

Bir SSS bölümü kullanılıyorsa cevapların yüzeysel değil; tanım, veri, örnek, karşılaştırma ve gerekli bağlamı içerecek kadar güçlü olması gerekir.

Citation Selection Nasıl Artırılır?

Citation Selection, içeriğin kaynak havuzuna girebilmesiyle ilgilidir. Bu nedenle klasik teknik SEO, marka otoritesi ve konu alaka düzeyi hâlâ önemlidir.

Teknik erişilebilirliği güçlendirin

• Önemli sayfaların robots.txt veya meta robots ile engellenmediğini kontrol edin.
• Sunucu tarafında doğru ve hızlı HTML çıktısı sunun.
• Canonical, hreflang ve yönlendirme hatalarını giderin.
• XML site haritasını güncel tutun.
• Sayfaların Google ve Bing tarafından indekslenebilir olduğundan emin olun.
• İçeriğin ana bölümünü yalnızca karmaşık istemci tarafı JavaScript’e bağlı bırakmayın.

Konu otoritesi oluşturun

Tek bir genel yazı yerine birbiriyle bağlantılı içerik kümeleri hazırlayın. Örneğin AI arama görünürlüğü için şu içerikler ortak bir konu kümesi oluşturabilir:

• Google Search Console Generative AI raporu
• Bing Webmaster Tools AI Performance raporu
• Citation Selection ve Citation Absorption
• GEO ve AEO arasındaki farklar
• AI Overviews için içerik optimizasyonu
• Yapay zekâ atıflarının ölçülmesi

Bu sayfaların güçlü bir iç bağlantı yapısıyla birbirine bağlanması hem arama motorlarının hem de yapay zekâ sistemlerinin konu bağlamını anlamasını kolaylaştırabilir.

Kaynak güvenilirliğini artırın

• Yazar ve kurum bilgilerini açıkça belirtin.
• Özgün araştırma, örnek veya vaka analizi yayımlayın.
• Verileri birincil ve güvenilir kaynaklara bağlayın.
• Yayın ve güncelleme tarihlerini gösterin.
• Marka, hizmet ve uzmanlık alanlarında tutarlı terminoloji kullanın.

Citation Absorption Nasıl Artırılır?

Selection optimizasyonu sayfanın bulunmasını, absorption optimizasyonu ise içeriğin kullanılabilir bilgi birimlerine dönüşmesini hedefler.

1. Doğrudan tanımlar yazın

Her temel kavramı ilk geçtiği yerde açık ve kısa biçimde tanımlayın. Yapay zekânın farklı paragrafları birleştirerek tanım çıkarmasını beklemek yerine, kolayca aktarılabilecek net bilgi blokları oluşturun.

2. Her bölümü tek bir alt soruya odaklayın

Başlıkları kullanıcıların gerçek sorularına göre kurgulayın. Her başlık altında önce doğrudan cevabı verin, ardından açıklama, örnek ve sınırlamaları ekleyin.

3. Özgün ve doğrulanabilir kanıt sunun

Genel ifadeler yerine sayısal veri, hesaplama, yöntem, kontrol listesi, karşılaştırma ve vaka sonucu kullanın. Birincil kaynak bağlantıları ekleyerek verinin izlenebilir olmasını sağlayın.

4. Karşılaştırmaları tabloya dönüştürün

İki kavram, ürün, yöntem veya strateji arasındaki farkları tutarlı ölçütlerle tablo hâlinde sunun. Yapılandırılmış karşılaştırmalar, bilgi parçalarının doğru bağlamla ayrıştırılmasını kolaylaştırır.

5. Prosedürleri sıralı adımlarla anlatın

“Nasıl yapılır?” içeriklerinde işlem sırasını belirsiz bırakmayın. Ön koşullar, uygulama adımları, beklenen çıktı ve kontrol noktalarını ayrı ayrı belirtin.

6. Önemli iddialara sınır ve bağlam ekleyin

“Bu yöntem her durumda sonuç verir” gibi kesin ifadeler yerine hangi koşullarda geçerli olduğunu açıklayın. Güvenilir bir içerik yalnızca neyin doğru olduğunu değil, nerede genelleme yapılamayacağını da gösterir.

7. Yüzeysel şablonlardan kaçının

Sadece uzunluk hedefiyle yazılmış paragraflar, anahtar kelime tekrarı veya içi boş SSS alanları değer üretmez. Her bölümün cevapta yeniden kullanılabilecek belirgin bir bilgi katkısı bulunmalıdır.

Evidence-Container Yaklaşımı Nedir?

Araştırma, yüksek absorption potansiyeline sahip sayfaları evidence container, yani “kanıt kapsayıcı” olarak ele alıyor. Bu yaklaşımda içerik, yalnızca okunacak uzun bir metin değil; farklı sorulara cevap verirken yeniden kullanılabilecek, açıkça ayrıştırılmış bilgi birimlerinden oluşur.

Güçlü bir evidence-container sayfası şu özelliklere sahiptir:

• Sınırları net bir ana konu
• Gerçek kullanıcı alt sorularıyla uyumlu başlıklar
• Her paragrafta belirgin bir iddia veya açıklama
• Açık tanımlar ve terminoloji
• Özgün istatistikler veya doğrulanabilir veriler
• Karşılaştırma tabloları
• Adım adım süreçler
• Somut örnekler ve vaka analizleri
• İstisnalar ve sınırlamalar
• Şeffaf kaynak bağlantıları

Bu yapı hem kullanıcı deneyimini geliştirir hem de yapay zekâ sistemlerinin sayfadaki hangi bilginin hangi soruya cevap verdiğini daha kolay değerlendirmesine yardımcı olabilir.

GEO Performansı İçin Örnek Ölçüm Planı

Citation Selection ve Citation Absorption tek bir test sonucuyla ölçülmemelidir. Yapay zekâ yanıtları platforma, tarihe, dile, konuma, hesap durumuna, prompt biçimine ve model sürümüne göre değişebilir.

Daha güvenilir bir ölçüm için şu plan uygulanabilir:

1. Markanızla ilgili 30–50 gerçek kullanıcı sorusu belirleyin.
2. Her soru için doğrudan, karşılaştırmalı ve problem odaklı prompt varyasyonları hazırlayın.
3. Testleri ChatGPT, Google AI Overviews/Gemini, Microsoft Copilot ve Perplexity üzerinde çalıştırın.
4. Aynı testleri farklı günlerde en az üç kez tekrarlayın.
5. Aramanın tetiklenip tetiklenmediğini kaydedin.
6. Markanızın ve URL’lerinizin kaynaklar arasında bulunup bulunmadığını işaretleyin.
7. Cevapta kullanılan özgün tanım, veri, yöntem ve örneklerinizi eşleştirin.
8. Atfın doğru iddiaya bağlanıp bağlanmadığını kontrol edin.
9. AI kaynaklı yönlendirme trafiği ve markalı arama değişimini ayrıca izleyin.
10. Sonuçları platform, konu kümesi, ülke, dil ve tarih kırılımında raporlayın.

Basit bir takip tablosu şu sütunları içerebilir:

Absorption düzeyini ilk aşamada yok, düşük, orta ve yüksek şeklinde insan değerlendirmesiyle sınıflandırabilirsiniz. Daha gelişmiş analizlerde cevap-kaynak benzerliği, paragraf kapsamı, tekrar sayısı ve atıf konumu gibi göstergeler birlikte kullanılabilir.

Sık Yapılan Hatalar

Her atfı aynı değerde görmek

Bir kaynak yalnızca listenin sonunda görünebilir veya cevabın ana argümanını destekleyebilir. Bu iki görünümün etkisi aynı değildir.

Citation Selection’ı trafik olarak yorumlamak

Kaynak gösterilmek tıklanmak anlamına gelmez. AI görünürlüğü, yönlendirme trafiği, markalı arama ve dönüşüm ayrı ayrı izlenmelidir.

Absorption’ı kesin model içgörüsü sanmak

Metin benzerliği ve cevap kapsamı, etkili tahmin araçlarıdır; fakat modelin gizli iç süreçlerini doğrudan göstermez.

Tek bir prompt ve tek bir günü ölçmek

Üretken yapay zekâ sonuçları değişkendir. Farklı prompt varyasyonları ve tekrarlı ölçümler olmadan kalıcı performans sonucu çıkarılamaz.

İçeriği sadece yapay zekâ için yazmak

Kullanıcıya fayda sağlamayan, yapay ve tekrar dolu metinler uzun vadede güven oluşturmaz. GEO çalışması; doğruluk, şeffaflık ve kullanıcı değeriyle birlikte yürütülmelidir.

Citation Selection ve Citation Absorption Neden Birlikte İzlenmeli?

Sadece Citation Selection’a odaklanmak, çok sayıda kaynak görünümü elde ederken cevap üzerindeki gerçek etkiyi kaçırmanıza neden olabilir. Yalnızca Citation Absorption’a odaklanmak ise çok etkili birkaç cevabın düşük toplam görünürlük nedeniyle sınırlı bir kitleye ulaşmasını gözden kaçırabilir.

Sağlıklı bir GEO stratejisi üç ayrı hedefi birlikte yönetmelidir:

1. Seçilme: İçeriğin ilgili promptlarda kaynak havuzuna girmesi
2. Özümsenme: Bilginin cevabın doğruluğuna, diline veya yapısına katkı sağlaması
3. İş sonucu: Görünürlüğün trafik, marka talebi, lead veya satışa dönüşmesi

Bu nedenle GEO raporlarında tek bir “AI görünürlük skoru” yerine, amaçlara göre ayrılmış metrikler kullanmak daha anlamlıdır.

Sıkça Sorulan Sorular

Citation Selection resmî bir Google veya Bing metriği mi?

Hayır. Citation Selection, 2026 tarihli bir araştırmada GEO performansını açıklamak için kullanılan akademik bir kavramdır. Google Search Console veya Bing Webmaster Tools içinde bu adla sunulan resmî bir metrik değildir.

Citation Absorption doğrudan ölçülebilir mi?

Modelin içsel dikkat mekanizmasına erişim olmadığı için doğrudan ve kesin biçimde ölçülemez. Cevap-kaynak benzerliği, tekrar, konum, paragraf kapsamı ve kullanılan özgün kanıtlar üzerinden tahmin edilebilir.

Kaynak gösterilen her sayfada Citation Absorption gerçekleşir mi?

Her kaynak için aynı düzeyde gerçekleşmez. Bir sayfa yalnızca arka plan kaynağı olabilir; başka bir sayfa ise cevabın tanımlarını, verilerini ve yapısını yoğun biçimde destekleyebilir.

Schema markup Citation Absorption’ı artırır mı?

Yapılandırılmış veri, içeriğin anlamlandırılmasına ve arama sistemleriyle iletişime yardımcı olabilir; ancak tek başına absorption garantisi vermez. İçeriğin anlamsal uyumu, kanıt yoğunluğu, açıklığı ve güvenilirliği temel unsurlardır.

Uzun içerik her zaman daha mı yüksek absorption sağlar?

Hayır. Araştırmada uzun ve iyi yapılandırılmış sayfalar daha yüksek etkiyle ilişkili görünse de uzunluk tek başına yeterli değildir. Konu dışı, tekrarlı veya kanıtsız uzun metinler güçlü bir kaynak oluşturmaz.

Citation Absorption trafik getirir mi?

Her zaman değil. Bir kaynak cevabı yoğun biçimde şekillendirebilir fakat kullanıcı bağlantıya tıklamayabilir. Bu nedenle absorption ile trafik ve dönüşüm metrikleri ayrı izlenmelidir.

Sonuç

Citation Selection ve Citation Absorption, yapay zekâ arama görünürlüğünü iki farklı açıdan değerlendirmemizi sağlar. Citation Selection, içeriğinizin kaynak olarak seçilip seçilmediğini; Citation Absorption ise içeriğinizin oluşturulan cevaba ne ölçüde bilgi ve yapı sağladığını açıklar.

Bu çerçevenin en önemli mesajı şudur: Atıf sayısı tek başına gerçek etkiyi göstermez. Güçlü bir GEO stratejisi, sayfaların bulunabilir ve güvenilir olmasını sağlarken içerikleri açık tanımlar, özgün veriler, karşılaştırmalar, örnekler ve uygulanabilir adımlarla yapay zekâ cevapları için kullanışlı hâle getirmelidir.

Ajans Mesh olarak markaların yalnızca klasik arama sonuçlarındaki sıralamalarını değil; ChatGPT, Google AI Overviews, Gemini, Microsoft Copilot ve Perplexity gibi yapay zekâ destekli platformlardaki kaynak görünürlüğünü de analiz ediyoruz. SEO, GEO ve AEO stratejinizi birlikte geliştirmek için bizimle iletişime geçebilirsiniz.

Kaynaklar

• Zhang, He ve Yao (2026) — From Citation Selection to Citation Absorption
• Martinez (2026) — Optimizing Visibility in Generative Engines: A Critical Survey of GEO
• Aggarwal ve diğerleri — GEO: Generative Engine Optimization