Yapay zeka markanızı nasıl anlatıyor? AI cevaplarında ton ve algı analizi

Yapay zeka cevaplarında ton ve algı, anılma sayısının veremeyeceği bir bilgiyi taşır: üretken bir motor şirketinizin adını andıktan sonra sizin hakkınızda aslında ne söylüyor? Yapay zeka cevaplarında ton analizi, motorun adını zaten andığı bir markayı nasıl çerçevelediğinin sistemli biçimde okunmasıdır. Bu okumanın konusu; adın etrafındaki cümlelerin kutbu, ada eklenen çekinceler, markaya yüklenen nitelikler, yanına konan rakipler ve markanın gerçekten önerilip önerilmediği ya da yalnızca listelenip listelenmediğidir. İki cevap markanızı birer kez anıp alıcıda birbirine zıt izlenimler bırakabilir; bu yüzden yalnızca var olup olmadığınızı raporlayan bir ölçüm, okurun yaşadığı deneyimin ancak yarısını anlatır.

Adınızın cevaplarda geçip geçmediği ve nerede geçtiği, yapay zeka cevaplarında marka bahsini izleme yazısının konusudur; bu yazı onun bittiği yerden başlıyor. Sırasıyla çerçevelemenin beş boyutunu, bu çerçevenin motorun bulduğu kaynaklardan nasıl doğduğunu, tonu sınıflandırma yöntemlerini ve bilinen hata türlerini ele alıyor, ardından her çerçeve kalıbını olası bir nedene ve orantılı bir yanıta bağlayan bir karar tablosu sunuyor.

Anılmak neden iyi anlatılmakla aynı şey değil?

Anılma ikili bir olaydır: ad cevapta ya vardır ya yoktur. Çerçeve ise bu olayın içeriğidir. Varsayımsal bir örnek senaryo düşünelim: bir alıcı iki farklı motora küçük bir ajansa uygun proje yönetimi araçlarını soruyor. İlk cevap bir markayı "kolay kurulum isteyen küçük ekipler için güçlü bir seçenek" diye tanıtıyor; ikinci cevap aynı markayı "başka bir seçenek, ancak bazı kullanıcılar faturalandırma sorunlarından söz ediyor" diyerek listeliyor. Ses payı grafiğinde bu iki cevap birbirinden ayırt edilemez; oysa birincisi tavsiye, ikincisi uyarı işlevi görür.

Anılma ile kaynak gösterilme arasındaki farkta olduğu gibi, farklı sonuçları tek bir sayıda toplamak harekete geçmek için gereken bilgiyi siler. Cevaplarda zaten düzenli olarak yer alan bir marka için çerçeve daha belirleyici sinyal olabilir, çünkü onlarca cevapta tekrarlanan tek bir çekince ara sıra yaşanan bir yokluktan daha pahalıya mal olabilir.

Çerçeve neyden oluşur? Gözlemlenebilir beş boyut

"Ton" kelimesi tek başına ne yapılacağına karar vermek için fazla kaba bir kavramdır. Daha kullanışlı bir tarif beş boyutu birbirinden ayırır; her biri cevabın metninde doğrudan gözlemlenebilir ve her biri farklı türde bir nedene işaret etme eğilimindedir.

Kutup

Kutup (polarity), markayla ilgili cümlelerin değerlendirme yönüdür: olumlu, nötr, olumsuz ya da karışık. Karışık kategori göründüğünden daha önemlidir. Hedef tabanlı duygu analizi (aspect-based sentiment analysis, ABSA) 2014'te SemEval'de ortak bir değerlendirme görevi haline geldiğinde (restoran ve dizüstü bilgisayar yorumları üzerine kurulu Task 4), etiket şemasında hem olumlu hem olumsuz değerlendirilen hedefler için "conflict" (çatışma) etiketi zaten vardı. Bir özelliği övüp diğerine şerh düşen her AI cevabı tam olarak bu kalıbı üretir.

Kaçamak ifadeler ve çekinceler

Kaçamak ifade (hedge), yazarın bir iddiayı tam olarak üstlenmediğini gösteren dilsel bir araçtır; CoNLL-2010 ortak görevi bu işaretleri, yazarın görüşünü ya da ifadesini olgularla desteklemediğini veya destekleyemediğini gösteren araçlar olarak tarif etti. AI cevaplarında "bildirildiğine göre", "bazı kullanıcılara göre" gibi kaçamak ifadeler ve "ancak", "şunu da hesaba katın" gibi çekinceler, açıkça olumsuz bir cümle kurmadan markaya şüphe ekler. Tersi de aynı derecede önemlidir: kaçamak ifadenin yokluğu doğruluğun kanıtı değildir. Tow Center for Digital Journalism'in 2025'te Columbia Journalism Review'da yayımlanan çalışmasında sekiz üretken arama aracı 1.600 kaynak belirleme sorgusunu yanıtladı; araçlar toplamda sorguların yüzde 60'ından fazlasında yanlış cevap verdi ve bunu yaparken nitelendirici ifadelere nadiren başvurdu.

Nitelikler

Nitelikler, cevabın markaya yüklediği özelliklerdir: uygun fiyatlı ya da pahalı, kullanımı kolay ya da karmaşık, güvenilir, kurumsal ölçeğe yönelik. Genel kutuptan çoğu zaman daha fazla eyleme dönük bilgi verirler; çünkü sizi tekrar tekrar "kurulumu zor" diye niteleyen nötr bir cevap, hakkınızda hangi kanaatin dolaştığını tam olarak söyler.

Karşılaştırmalı çerçeve

Pek çok cevap bir markayı yalnızca diğerlerine göre tarif eder: bir rakipten ucuz, ötekinden daha az esnek. Jindal ve Liu, karşılaştırma cümlelerini belirleme üzerine SIGIR 2006'da yayımladıkları çalışmada bu görevi duygu sınıflandırmasıyla ilişkili ama ondan oldukça farklı bir problem olarak tanımladı: karşılaştırma bir nesneyi tek başına ele almaz ve öznel olduğu kadar nesnel de olabilir. "X, Y'den pahalı" cümlesi fiyat açısından X için olumsuz, Y için olumludur; dolayısıyla ölçüm kimin duygusunu kaydettiğine karar vermek zorundadır. Bu tür soruların nasıl oluştuğunu karşılaştırma sorgularını kazanma yazısında ele aldık.

Tavsiye mi, listeleme mi?

Beşinci boyut, desteğin gücüdür. Bir gerekçeyle ilk sırada anılmak ("şu ihtiyacı olan ekipler için en uygunu") ile "diğer seçenekler arasında" diye başlayan bir kapanış cümlesinde yer almak aynı şey değildir. Kısa listeye girmenin kendisi yapay zekanın "en iyi 5" listesine girmek yazısının konusudur; ton analizinde görev, markanın cevabın içinde hangi rolü oynadığını kaydetmektir.

Motorun markanızı çerçevelemesi nereden geliyor?

Cevap vermeden önce web'de arama yapan motorlarda çerçevenin en doğrudan kaynağı, soru için getirilen belgelerdir. Google Search Central dokümantasyonu, AI Overviews ve AI Mode'un alt konulara yayılan birkaç ilişkili aramayı birlikte çalıştıran "query fan-out" tekniğini kullanabileceğini belirtiyor. Google'ın Arama'dan sorumlu başkan yardımcısı Elizabeth Reid de Mayıs 2024 tarihli yazısında AI Overviews'un yalnızca üst sıradaki web sonuçlarıyla desteklenen bilgiyi gösterecek şekilde kurulduğunu yazıyor. OpenAI'ın yardım dokümantasyonuna göre ChatGPT araması soruyu genellikle arama sağlayıcılarına gönderilen bir ya da birkaç hedefli sorguya dönüştürüyor; Perplexity'nin yardım merkezi de her cevabın numaralı kaynak bağlantıları içerdiğini söylüyor.

Bu nedenle bir cevaptaki nitelikler ve çekinceler genellikle başka bir yerde yazılmış bir şeyin yankısıdır: yorumlar, forum başlıkları, basın haberleri, karşılaştırma sayfaları ya da kendi dokümantasyonunuz. Forumlar özel bir dikkati hak eder; çünkü birinci ağızdan, açık sözlü şikayetler tam da bir motorun tek bir çekinceye indirgeyebileceği türden metinlerdir. Motorların bu başlıklara neden bu kadar sık başvurduğunu yapay zeka neden Reddit ve forumları kaynak gösterir yazısında inceledik. Eğitim verisi ise daha görünmez ikinci bir katman ekler: modelin eğitimde edindiği genel marka izlenimi, getirilen kaynaklar başka bir şey söylese bile varlığını sürdürebilir. Motorların bu girdileri birbirine karşı nasıl ağırlıklandırdığı kamuya açık olarak belgelenmemiştir; bu ağırlıklar hakkında kesin oranlar veren iddialara şüpheyle yaklaşmak gerekir.

Ton nasıl sınıflandırılır: sözlük, model ya da hedef tabanlı yaklaşım?

Duygu analizinin genel işleyişini müşteri mesajlarında duygu analizi yazısında anlattık; burada önemli olan, her yöntem ailesinin yapay zekanın ürettiği metin üzerinde nasıl davrandığıdır.

• Sözlük tabanlı yöntemler kelimeleri anlamsal yönelimleriyle etiketlenmiş sözlüklerde arar ve ardından kurallar uygular. Taboada ve arkadaşlarının SO-CAL sistemi (Computational Linguistics, 2011) yoğunlaştırmayı ve olumsuzlamayı hesaba katar; VADER (Hutto ve Gilbert, ICWSM 2014) ise derece belirteçleri, büyük harf kullanımı ve zıtlık bildiren "but" (ama) bağlacı için ek sezgisel kurallar getirir. Güçlü yanları şeffaflıktır: aynı cümle her seferinde aynı ve açıklanabilir etiketi alır.
• Model tabanlı yöntemler eğitilmiş sınıflandırıcılara ya da büyük dil modellerine dayanır. Zhang ve arkadaşları büyük dil modellerini 26 veri kümesi üzerinde 13 görevde değerlendirdi (Findings of NAACL 2024); basit duygu görevlerinde tatmin edici sonuçlar buldu; daha derin anlayış ya da yapılandırılmış duygu bilgisi gerektiren karmaşık görevlerde ise bu modeller, alana özgü verilerle eğitilmiş küçük modellerin gerisinde kaldı. Yalnızca birkaç etiketli örneğin bulunduğu koşullarda ise büyük dil modelleri bu küçük modellerden daha iyi sonuç verdi. Esnekliğin bedeli, tekrarlanabilirliğin ve denetlenebilirliğin azalmasıdır.
• Hedef tabanlı yöntemler kutbu metnin bütününe değil, belirli hedeflere ve niteliklere bağlar. Bu yaklaşım için ortak değerlendirme kümelerini 2014-2016 arasındaki SemEval ABSA görevleri sağladı; 2016 baskısı aralarında Türkçe ve Rusçanın da bulunduğu sekiz dili kapsadı ve işletmelerin itibarlarını izlemesine yardım etmeyi motivasyonlarından biri olarak açıkça andı.

Marka çerçevesi için kavramsal olarak doğru bakış hedef tabanlı olanıdır; çünkü önemli olan bir cevabın genel havası değil, markanız hakkında her nitelik özelinde ne söylediğidir.

Duygu sınıflandırıcıları AI cevaplarında nerede yanılır?

Her yöntem ailesi tanıdık noktalarda hata yapar ve bu noktaları önceden bilmek, bir skoru gereğinden fazla yorumlamayı önler.

• Olumsuzlama. "En ucuzu değil ama fahiş de sayılmaz" gibi bir cümle basit kelime saymayı boşa çıkarır. Kural tabanlı sistemler olumsuzluğu çoğu zaman önceki birkaç kelimeden oluşan kısa bir pencerede arar; örneğin VADER, duygu taşıyan kelimeden önceki üç kelimeye bakar. Türkçede fiil olumsuzluğu fiilin içindeki -me/-ma ekiyle kurulur ("önermem", "beğenmedim"); bu nedenle biçimbilimsel çözümleme yapmadan bütün kelimeyi eşleştiren bir sözlük olumsuzluğu tamamen kaçırabilir.
• Alaycılık (sarkazm). Riloff ve arkadaşları (EMNLP 2013), Twitter'daki alaycılığın yaygın bir biçimini olumsuz bir durumla tezat oluşturan olumlu bir duygu olarak nitelendirdi. Motorun kendi üslubu ne olursa olsun, özetlediği kaynaklar alaycı olabilir; Google'ın 2024 yazısı da bazı hatalı genel bakışların forumlardaki alaycı ya da trol içerikten beslendiğini kabul etti.
• Karşılaştırma ve atıf. Tek bir cümle çoğu zaman iki markayı zıt yönlerde değerlendirir; liste biçimindeki cevaplarda da sınıflandırıcı hangi cümlenin kime ait olduğuna karar vermek zorundadır. Buradaki hatalar bir markanın çekincesini sessizce başka bir markanın üzerine taşır.
• Kaçamak ifadeler. "Genel olarak güvenilir, ancak destek yavaş kalabiliyor" cümlesi olumlu değil karışıktır; yine de sınıflandırıcılar bu çekinceyi çoğu zaman ya görmezden gelir ya da gereğinden fazla ağırlıklandırır.

Bu hataların hiçbiri ölçümden vazgeçmek için gerekçe değildir; her etiketi bir tahmin olarak ele almak, bir örneklemi elle denetlemek ve harekete geçmeden önce her değişimin arkasındaki cümleleri okumak için gerekçedir.

Ton neden soru bazında ve motor bazında okunmalı?

Tüm cevapların tonunun ortalamasını almak, hiçbir alıcının deneyimine karşılık gelmeyen bir sayı üretir. Çerçeveyi soru belirler: küçük ekipler için en iyi araçlar sorulduğunda sıcak bir dille sunulan bir marka, kurumsal ölçekte alternatifler sorulduğunda bir uzlaşma seçeneği olarak çerçevelenebilir; çünkü hem getirilen kaynaklar hem de değerlendirme ölçütü değişir. Bu yüzden soru kümesini gerçek alıcı dilinden kurmak, yani prompt araştırması yapmak, anlamlı bir ton analizinin ön koşuludur.

Motor da en az soru kadar belirleyicidir. Google'ın dokümantasyonu, AI Mode ile AI Overviews'un farklı modeller ve teknikler kullanabileceğini, bu nedenle gösterdikleri cevapların ve bağlantıların farklılaşacağını açıkça yazıyor; farklı şirketlerin motorları arasında bu ayrışma daha da büyüktür. Aynı soru tekrar sorulduğunda cevaplar da değişir; bu yüzden ton tek bir anlık görüntü olarak değil, tekrarlanan ölçümler üzerinden bir dağılım olarak izlenmelidir. Bu sorunu yapay zeka cevaplarının neden her seferinde değiştiğini anlatan yazıda ayrıntılı biçimde ele aldık. İşe yarar bir analiz birimi, tek bir soru, tek bir motor ve tek bir zaman penceresinden oluşan hücredir.

Hangi çerçeve kalıpları görülür ve genellikle neden kaynaklanır?

Aşağıdaki tablo yaygın kalıpları, onlara yol açabilecek kaynak düzeyindeki nedenlere bağlıyor. Nedenler teşhis değil, alıntılanan kaynaklarla sınanması gereken hipotezlerdir.

Çerçeve kalıbı	Tipik ifade (genel)	Olası kaynak nedeni	Orantılı yanıt
Listelenmiş ama önerilmemiş	"Diğer seçenekler arasında..."	Markanın kime uygun olduğunu açıklayan üçüncü taraf kaynakların azlığı	Net kullanım senaryosu ve karşılaştırma içerikleri yayımlamak; bağımsız incelemelere girmek
Çekinceli tavsiye	"İyi bir seçenek, ancak bazı kullanıcılar..."	Yorumlarda ya da forumlarda tekrarlanan bir şikayet	Asıl sorunu çözmek, şikayetin yazıldığı yerde yanıt vermek, çözümü belgelemek
Eskimiş nitelik	Özellik çıktıktan sonra bile "X özelliği yok"	Hala üst sıralarda duran eski yorumlar ya da güncelliğini yitirmiş dokümanlar	Dokümantasyonu ve sürüm notlarını güncellemek; durumu olgusal hata olarak ele almak
Tek segmente sıkıştırılma	"Daha çok büyük kurumlar için uygun"	Kendi siteniz ve basın haberleri tek bir segmenti öne çıkarıyor	Hizmet verdiğiniz segmentleri vaka çalışmaları gibi kanıtlarla açıkça yazmak
Olumsuz karşılaştırma	"Y'den daha pahalı"	Fiyat mantığı belirsiz ya da eskimiş karşılaştırma sayfaları	Teklifin neleri kapsadığını kendi sayfalarınızda açıklamak; üçüncü taraf hatalar için düzeltme istemek
Kimliği belirsiz anlatım	"... yapan bir şirket gibi görünüyor"	Zayıf ya da tutarsız varlık (entity) sinyalleri	Sitenizde ve resmi profillerinizde tek ve tutarlı bir tanım kullanmak
Motora göre değişen ton	Bir motorda sıcak, diğerinde temkinli	Farklı getirilen kaynak kümeleri	İçeriği değiştirmeden önce motor bazında alıntılanan alan adlarını karşılaştırmak

Nasıl yanıt vermeli: tonu mu, kanıtı mı değiştirmeli?

Çerçeve büyük ölçüde getirilen kanıtların bir özeti olduğundan, tonu doğrudan "optimize etme" girişimleri, yani sayfaları olumlu sıfatlarla doldurmak ya da lehte paylaşımlar yerleştirmek, yalnızca belirtiyi tedavi eder ve üstüne risk ekler. Kendi sayfalarınızdaki övgü, yorumların ve forumların sizin hakkınızda söylediklerini değiştirmez; başka yerlerde üretilen yapay övgü ise platform kurallarını ihlal eder. Örneğin Google Haritalar içerik politikası, ödeme, indirim ya da ücretsiz ürün veya hizmetle etkilenmiş yorumları teşvikli yorum olarak sınıflandırır ve bu tür teşviklerin içeriğin bütünlüğünü zedelediğini belirtir.

Bir motorun markanız hakkındaki tonu, bulabildiği kanıtların özetidir; bu yüzden tonu kalıcı olarak değiştirmenin tek yolu kanıtı değiştirmektir.

Disiplinli bir yanıt dört adımdan oluşur. Birincisi, cümleyi alıntılanan kaynaklarına kadar izleyin ve o kaynakları okuyun. İkincisi, nedeni sınıflandırın: gerçek bir sorun mu, eskimiş bir bilgi mi, yanlış atıf mı, yoksa kanıt boşluğu mu? Üçüncüsü, kaynakta harekete geçin: gerçek bir sorunu ürün ya da hizmet tarafında çözün ve şikayetin yaşadığı yerde yanıt verin; bunun yöntemini şikayet sitelerinde itibar yönetimi rehberinde anlattık. Eskimiş içeriği güncelleyin, kanıt boşluklarını somut ve doğrulanabilir sayfalarla doldurun. Sorun olumsuz bir yargı değil de düpedüz yanlış bir bilgiyse, yapay zeka markanız hakkında yanlış bilgi verdiğinde izlenecek yol devreye girer. Dördüncüsü, aynı soruları aynı motorlarda birkaç hafta boyunca yeniden ölçün; tek bir iyileşmiş cevap çok az şey kanıtlar.

Rocketly tonu ve nitelikleri nasıl okuyor?

Rocketly'nin GEO Görünürlüğü modülündeki Anılma tonu; Türkçe, İngilizce ve Rusça için çalışan, olumsuzlamayı hesaba katan ve hiçbir dil modeli kullanmayan, anahtar kelime sözlüğüne dayalı bir okuyucudur. Her marka anılmasının etrafındaki cümleyi olumlu, nötr, olumsuz ya da karışık olarak etiketler, okuyamadığı durumları boş bırakır ve üründe bir hüküm olarak değil, bir tahmin olarak sunulur. Rakip Analizi ekranındaki Nitelik eşleşmesi ise her markayı uygun fiyatlı, pahalı, kullanımı kolay, güvenilir, iyi destek ve kurumsal gibi kapalı bir nitelik kümesiyle karşılaştırır. Standart olarak haftalık ölçülen motor Google AI Overview'dur; ChatGPT ve Perplexity ölçümü ise kontrollü açılış aşamasındadır. Motorların sizi ve rakiplerinizi alıcılarınızın sorularında nasıl anlattığını görmek isterseniz, ayrı bir eklenti olarak sunulan Rocketly GEO Suite'i değerlendirmek için hesap oluşturabilirsiniz.

Sıkça sorulan sorular

AI cevaplarında nötr bir ton kötü bir işaret midir?

Her zaman değil. Pek çok cevap doğası gereği betimleyicidir ve nötr ama doğru bir tarif alıcının işini görebilir. Nötrlük, aynı cevaplarda rakiplere seçilmeleri için açık gerekçeler sunulurken markanıza sunulmadığında sorun haline gelir; bu da bir duygu sorunu değil, tavsiye boşluğudur.

AI cevaplarının tonunu bir büyük dil modeliyle sınıflandırabilir miyim?

Sınıflandırabilirsiniz, ama esneklik karşılığında tekrarlanabilirlikten vazgeçersiniz: aynı cümle farklı çalıştırmalarda farklı etiket alabilir ve gerekçeyi denetlemek zorlaşır. Zhang ve arkadaşlarının NAACL 2024 değerlendirmesi, büyük dil modellerini basit kutup tespitinde yetkin, yapılandırılmış ve nitelik düzeyindeki görevlerde ise alana özgü verilerle eğitilmiş küçük modellerin gerisinde buldu; hangi yöntemi seçerseniz seçin, kendi cevaplarınızdan elle etiketlenmiş bir örneklemle doğrulayın.

Olumsuz bir çerçeve talep edilerek kaldırılabilir mi?

Motordan rica ederek kaldırılamaz. Google, OpenAI ve Perplexity cevapların altında geri bildirim araçları sunar, ancak geri bildirim sağlayıcıya giden bir sinyaldir; sizin kontrol ettiğiniz bir düzeltme mekanizması değildir. Çerçeve gerçek bir sorunu yansıtıyorsa sorunu çözün; eskimiş ya da yanlış bir bilgiyi yansıtıyorsa bilgiyi kaynağında düzeltin ve yeniden ölçün.