Mimari Kılavuz: Bölüm 2/5
Bu yazı, 5 bölümlük GEO (Üretken Motor Optimizasyonu) Teknik Altyapı Serisi’nin ikinci makalesidir. Bölüm 1: AI Crawling’da kapıları AI botlarına nasıl açacağımızı incelemiştik. Şimdi, o botların sitenizde ne kadar süre kalacağını belirleyen kritik 'hız' faktörünü mühendislik gözüyle ele alıyoruz.*
Serimizin ilk bölümünde, robots.txt protokolleri ve explicit izinlerle AI botlarının (GPTBot, Google-Extended, PerplexityBot) sitenize giriş bariyerlerini yıkmıştık. Ancak, bu botların sadece sitenize girmesi yetmez; kısıtlı bir tarama bütçesi (crawl budget) ile çalışırlar ve bir sayfayı anlamlandırmak için harcadıkları milisaniyeler, sitenizin otorite skorunu doğrudan etkiler. Yapay zeka motorları hantal, javascript yükü altında ezilen ve kullanıcı deneyimini yavaşlatan siteleri 'güvenilmez' veya 'düşük kaliteli' olarak işaretleyerek veri havuzlarından eler. İşte bu noktada, Core Web Vitals metriklerinin teknik optimizasyonu, GEO'nun temel taşı haline gelir.
1. LLM Botları Hızı Nasıl Algılar? JavaScript Render Bariyeri
Geleneksel arama motoru botları (Googlebot gibi) karmaşık sayfaları render etmek için gelişmiş teknolojilere sahip olsa da, LLM tarayıcıları çok daha basit ve verimlilik odaklıdır. Bu botların önceliği, sayfadaki ham metin verisine (raw text data) ve semantik yapıya en hızlı şekilde ulaşmaktır.
Aşırı JavaScript yükü (bloated script files), DOM ağacının derin kurgulanması ve sunucu tarafında yavaş render edilen sayfalar (low TTFB), botlar için büyük bir zaman maliyetidir. Bir bot, sayfayı anlamlandırmak yerine JavaScript'in yüklenmesini beklemek zorunda kalırsa, o sayfayı terk edebilir. Bu nedenle, kritik bilgilerin ham kaynak kodunda (SSR - Server Side Rendering) sunulması, AI crawling performansı için bir zorunluluktur.
2. Kritik Metrikler: LCP, INP ve CLS'in GEO Etkisi
Core Web Vitals metrikleri, sadece bir kullanıcının hız algısını ölçmez; aynı zamanda bir AI botunun sayfayı ne kadar verimli tarayabildiğinin teknik bir göstergesidir.
- Largest Contentful Paint (LCP): Sayfanın ana içerik bloğunun (örneğin ana başlık veya ana görsel) ne kadar sürede yüklendiğini ölçer. LLM botları, bu ana veriye en kısa sürede ulaşmak ister. 2.5 saniyenin altındaki LCP değerleri, botun ana metni hızla pars etmesini sağlar.
- Interaction to Next Paint (INP): Sayfanın interaktif öğelere ne kadar sürede tepki verdiğini ölçer. Ağır script dosyaları, INP değerini yükseltir ve botun sayfada tarama yaparken takılmasına neden olabilir.
- Cumulative Layout Shift (CLS): Sayfa yüklenirken öğelerin yer değiştirmesini (kaymasını) ölçer. Dengesiz bir DOM yapısı ve sonradan yüklenen reklam/görseller, botun semantik yapıyı yanlış anlamlandırmasına yol açabilir.
3. Performans Odaklı GEO Denetimi (Checklist)
- [ ] Gereksiz JavaScript ve CSS dosyalarının kaldırılması veya minified (küçültülmüş) hale getirilmesi.
- [ ] Kritik metin verisinin JavaScript renderına bağımlı kalmadan, ham HTML kaynak kodunda sunulması (SSR tercih edilmelidir).
- [ ] Görsellerin ve scriptlerin
lazy loadprotokolleri ile optimize edilerek tarama bütçesinin korunması. - [ ] DOM ağacının temiz ve sığ (aşırı derin olmayan) bir yapıda kurgulanması.
🔍 Bir Sonraki Adım: Hız Tamam, Peki Botlar Ne Okuduğunu Anlıyor mu?
Hızlı bir siteniz var, AI botları sayfalarınızı milisaniyeler içinde tarıyor. Ancak, yapay zeka ham metni okurken her zaman doğru anlamlandıramayabilir. Bir yemek tarifi mi, yoksa bir ürün mü inceliyorsunuz? Botun bu ayrımı net bir şekilde yapması gerekir.
Serimizin bir sonraki bölümünde, ham metni aşarak yapay zekaya doğrudan veriyi ve anlamı sunan, sitenizin anlam mimarisini (semantics) kusursuzlaştıran o 'görünmez' kod katmanını inceleyeceğiz.
👉 Serinin 3. Bölümü: Schema Markup: Yapay Zekaya Doğrudan Veri İletimi