Prompt Araştırması: Müşteriniz Yapay Zekaya Ne Soruyor?

Prompt araştırması nedir, anahtar kelime araştırmasından nerede ayrılır

İkisinin amacı ortak: insanların ihtiyacını kendi kelimeleriyle yakalamak. Ayrıldıkları yer o kelimelerin biçimi. Arama kutusuna yazılan ifade kısadır, dilbilgisi zayıftır, bağlam taşımaz. Yapay zekaya sorulan cümle ise uzundur, kısıt içerir, çoğu zaman birden fazla soruyu tek nefeste sorar.GEO çalışmasının girdisi artık bu ikinci biçim.

Somutlaştıralım. Arama kutusuna "en iyi crm" yazan kullanıcı ile ChatGPT'ye "20 kişilik bir dijital ajans için uygun fiyatlı bir CRM önerir misin, Google Workspace ve WhatsApp entegrasyonları da önemli" yazan kullanıcı aynı kişi olabilir. İhtiyaç aynı. Ama ilkinde sistemin elinde iki kelime var, ikincisinde şirket büyüklüğü, sektör, bütçe hassasiyeti ve iki spesifik entegrasyon gereksinimi var. Model bu kısıtları filtre olarak kullanır. Sizin ürününüz WhatsApp entegrasyonu sunmuyorsa, "en iyi crm" listesinde ilk üçte olsanız bile o cevapta yer almazsınız.

Buradan çıkan sonuç, GEO'da hacim takibinin neden işe yaramadığını da açıklıyor. Bir prompt'un aylık kaç kez yazıldığını gösteren bir veri kaynağı yok — ve olsaydı bile işe yaramazdı, çünkü prompt'lar tekilleşiyor. İki kullanıcının kelimesi kelimesine aynı cümleyi yazma ihtimali düşük. Ölçtüğünüz şey artık tekil ifadenin hacmi değil, ihtiyaç kalıbının temsilcisi olan bir soru.

Motorlar da zaten böyle çalışıyor. Uzun bir prompt sisteme geldiğinde tek bir sorgu olarak işlenmiyor; alt sorulara bölünüp paralel olarak aranıyor.Query fan-out mekanizmasıbu yüzden prompt araştırmasının teknik zeminini oluşturuyor: siz bir prompt seçiyorsunuz, motor onu beş on alt sorguya çeviriyor, cevap o alt sorguların ortak kaynaklarından kuruluyor.

Ham metinlerde sık geçen bir başka nokta da yerini burada buluyor. "Prompt engineer" unvanı 2025 itibarıyla ayrı bir meslek olmaktan çıkıp genel bir yetkinliğe dönüştü; modeller kullanıcı niyetini eskisine göre çok daha iyi sezinlediği için sihirli formüller yazan uzmana ihtiyaç kalmadı.Ama bu, prompt'un pazarlamacı için önemsizleştiği anlamına gelmiyor. Tam tersi: prompt yazmak sıradanlaştıkça prompt'u araştırma nesnesi olarak görmek değer kazandı. Artık soru "nasıl iyi prompt yazarım" değil, "müşterim hangi prompt'u yazıyor ve orada var mıyım".

Bu ayrımı klasik tarafla birlikte düşünmek gerekiyor.Arama niyeti analizi hâlâ geçerli; niyet kategorileri değişmedi. Değişen, niyetin ifade edildiği cümlenin uzunluğu ve bağlam yoğunluğu.

Müşterilerinizin prompt'larını nerede bulursunuz

Prompt verisi satın alınabilir bir şey değil. Kimse size "kategorinizde şu ay en çok şu cümle soruldu" diyen bir rapor veremez, çünkü asistanlar sorgu günlüklerini yayınlamıyor. Elinizdeki tek yol, gerçek insanların gerçek sorularını topladığınız beş ayrı damarı birleştirmek. Bunların bir kısmı zaten şirketinizin içinde duruyor.

Satış ve destek kayıtları — en değerli kaynak, en az kullanılan

Bir kullanıcının yapay zekaya sorduğu cümle, satış temsilcinize sorduğu cümleye şaşırtıcı ölçüde benzer. İkisi de doğal dilde, ikisi de bağlamlı, ikisi de kısıtlı. "Bizim ekibimiz 12 kişi, şu an Excel'de takip ediyoruz, geçiş zor olur mu" cümlesi bir demo kaydından da çıkabilir, bir ChatGPT ekran görüntüsünden de.

Yöntem şu: son altı ayın demo kayıtlarını, canlı destek transkriptlerini, satış öncesi e-postalarını ve teklif taleplerini tarayın. Soru cümlelerini olduğu gibi çıkarın — özetlemeyin, düzeltmeyin, kısaltmayın. Müşterinin kurduğu cümle neyse o. Sonra bunları tekrar sıklığına göre gruplayın. Aynı endişeyi dile getiren on beş farklı cümle bulduğunuzda, elinizde bir prompt kalıbı var demektir.

Kaydederken cümlenin yanına iki şey daha yazın: sorunun hangi aşamada geldiği (ilk temas, teklif sonrası, kullanım sırasında) ve soranın rolü. Aynı cümle finans müdüründen geldiğinde farklı, teknik ekipten geldiğinde farklı bir prompt'a dönüşüyor. Bu iki alan, ileride setinizi kategoriye ayırırken kararı sizin yerinize veriyor.

Çoğu ekip bu adımı atlıyor. Sebebi basit: bu veri bir araçta hazır durmuyor, okumak gerekiyor. Ama rakiplerinizin de atladığı adım bu, dolayısıyla en az kalabalık alan burası.

Search Console'un uzun kuyruğunu prompt'a çevirmek

Search Console'daki dört beş kelimelik, soru biçimli, tıklaması az ama gösterimi olan sorgular prompt hammaddesidir. Bu sorgular zaten kullanıcının tam cümle kurmaya çalıştığı anlardır; yalnızca arama kutusunun disiplini onları kırpmıştır.

Çevirme işlemi mekanik. Sorguyu alın, eksik bağlamı ekleyin, kısıt koyun. "e-fatura entegrasyonu maliyeti" sorgusu prompt olarak "küçük bir e-ticaret işletmesi için e-fatura entegrasyonunun ilk kurulum ve aylık maliyeti ne olur, hangi kalemlere dikkat etmeliyim" hâline gelir. Eklediğiniz bağlam uydurma değil; müşteri profilinizden geliyor. Zaten ilk kaynakta topladığınız satış kayıtları bu bağlamı size veriyor.

Halkın sorduğu sorular ve forumlar

"Bunlar da soruldu" kutusu, Google'ın kendi sorgu günlüğünden damıttığı soru listesidir — hazır, ücretsiz ve gerçek. Bir kategori sorgusunda kutuyu açıp açıp genişletmek, on beş dakikada otuz soru çıkarır.

Forum tarafı daha ham ama daha dürüst. Ekşi Sözlük başlıkları, sektörel Facebook grupları, Reddit'in ilgili subreddit'leri ve Türkiye özelinde şikayet platformları, insanların filtresiz sorularını barındırıyor. Bu kaynağın ikinci bir faydası var:forum içeriklerinin yapay zeka cevaplarındaki ağırlığı düşünüldüğünde, oradaki soruları toplarken aynı zamanda modelin beslendiği metni okuyorsunuz.

Motorun kendisine sormak

En hızlı yöntem, asistana doğrudan sormak: "Bu konuda insanlar sana en çok ne soruyor?" ya da "Bir kullanıcı [kategori] seçerken sana hangi soruları yöneltir?" Modelin verdiği cevap gerçek bir sorgu günlüğü değil — model kendi günlüğüne bakmıyor, eğitim verisinden bir tahmin üretiyor. Bunu bilerek kullanın.

Yine de işe yarar, çünkü tahmin ettiği şey tam olarak "bu kategoride tipik soru nasıl kurulur" kalıbıdır. Aynı soruyuChatGPT vePerplexity üzerinde ayrı ayrı sorun; farklı cevaplar verirlerse bu da bilgi. Çıkan listeyi doğrulanmamış kabul edip diğer dört kaynakla kesiştirin.

Rakiplerin müşterileri

İnceleme sitelerindeki yorumlar, uygulama mağazası değerlendirmeleri ve şikayet platformlarındaki başlıklar, rakibin müşterisinin neyi sorguladığını gösterir. Bir kullanıcının "X yazılımında raporlama neden bu kadar kısıtlı" diye yazdığı şikayet, prompt setinize "raporlama esnekliği iyi olan bir [kategori] önerir misin" satırı olarak girer.

Bu kaynak özellikle karşılaştırma prompt'ları için verimli. İnsanlar memnuniyetsizliklerini alternatif ararken dile getiriyor ve o dil, doğrudan yapay zekaya sordukları dille örtüşüyor.

Prompt setini kurmak ve yönetmek

Topladığınız yüzlerce cümle ölçülebilir değil. Bunları 20–30 sorguluk sabit bir sete indirmeniz gerekiyor. Set dört kategoriye bölünür: marka, kategori, karşılaştırma ve problem. Her kategori farklı bir soruyu yanıtlar ve dağılım bozulursa ölçüm tek yöne bakar. Seçim ölçütü hacim değil temsil gücü — bir satır, arkasındaki onlarca benzer cümlenin yerine geçebiliyor mu?

Marka prompt'ları adınızın doğrudan geçtiği sorulardır: "X firması güvenilir mi", "X'in fiyatlandırması nasıl işliyor". Burada beklenti yüksek — kendi adınızla sorulan soruda görünmüyorsanız temel bir varlık sorunu var demektir. Bu grup aynı zamanda modelin sizin hakkınızda yanlış bilgi üretip üretmediğini yakaladığınız yer.

Kategori prompt'ları markasız, ihtiyaç odaklı sorular: "yeni kurulan bir şirket için muhasebe programı önerir misin". GEO'nun asıl savaş alanı burası. Kazanmak zor, kazanınca değerli.

Karşılaştırma prompt'ları sizi bir rakiple yan yana koyar. Modelin hangi kriterleri öne çıkardığını, hangi kaynağa dayandığını ve sizi nasıl konumlandırdığını en net burada görürsünüz.

Problem prompt'ları ürünü değil, çözülen sorunu merkeze alır: "ekipteki müşteri takibi dağınık, nasıl toparlarım". Kullanıcı henüz kategori adını bilmiyor. Bu gruptaki görünürlük, huninin en üstünü tutar.

Setin sabit kalması pazarlık konusu değil. Ölçümün anlamı karşılaştırılabilirlikten geliyor; her ay sorguları değiştirirseniz elinizde trend değil, birbirinden bağımsız fotoğraflar kalır. On sorguluk sabit bir seti altı ay izlemek, her ay yenilenen elli sorguluk bir setten kat kat fazla şey öğretir.

Güncelleme için üç meşru gerekçe var: yeni bir ürün ya da hizmet hattı açtınız, pazarda yeni bir rakip belirdi, ya da kategorinin dili değişti — örneğin sektör "yapay zeka destekli" ifadesini kullanmaya başladı. Güncellerken eski satırları silmeyin; yeni satırları ayrı bir blok olarak ekleyin ve ölçümde iki bloğu ayrı raporlayın. Böylece geçmiş serinin sürekliliği bozulmaz.

Seti nerede tuttuğunuz da ölçümün ömrünü belirliyor. Basit bir tablo yeterli: her satırda prompt metni, kategorisi, dili, sete eklenme tarihi ve hangi kaynaktan geldiği. Kaynak sütununu atlamayın — altı ay sonra "bu soruyu neden ekledik" tartışması çıktığında cevabı orada bulursunuz. Aynı tabloya her ölçüm turunun sonucunu ayrı sütun olarak eklerseniz, ay ay karşılaştırma kendiliğinden oluşur.

Türkçe ve İngilizce ayrı setler gerektiriyor. Aynı sorunun Türkçe ve İngilizce hâli farklı kaynak havuzlarını tetikliyor, dolayısıyla ikisi tek sette birleştirildiğinde ortaya çıkan yüzde hiçbir şey anlatmıyor. Yurt dışına satış yapan bir markanın iki seti de izlemesi gerekir; yalnız yerel pazarda çalışıyorsanız Türkçe set yeterli, ama İngilizce setten örneklem almak modelin kategoriyi nasıl kurduğunu görmek için yine de faydalı.

Prompt biçimi sonucu değiştirir

Aynı ihtiyacı iki farklı cümleyle sorduğunuzda iki farklı kaynak listesi alırsınız. Bu bir aksaklık değil, dil modellerinin çalışma biçimi. Cümlenin kuruluşu, kısıtların sırası, örnek verilip verilmemesi — hepsi çıktıyı kaydırıyor. Ölçüm tasarımınız bu oynaklığı hesaba katmıyorsa, tek bir cümleyle aldığınız sonucu kategorinin tamamına genellemiş olursunuz ve o genelleme çoğu zaman tutmuyor.

Etkinin büyüklüğü model davranışı üzerine yapılan çalışmalarda net biçimde gösterildi: few-shot düzeneklerde yalnızca biçimlendirmeyi değiştirmek doğruluk üzerinde çarpıcı farklar üretiyor, hatta verilen örneklerin sırasını değiştirmek bile sonucu ciddi biçimde kaydırıyor.Ölçüm açısından çıkarım şu: tek bir prompt'la "kategoride görünürlüğüm şu" demek istatistiksel olarak temelsiz. Aynı ihtiyacı en az iki üç varyantla sormanız, sonucu o varyantların ortalaması üzerinden okumanız gerekiyor.

İkinci bulgu daha da doğrudan iş yükü yaratıyor: bir modelde iyi çalışan prompt yapısı, başka bir modelde performansı düşürebiliyor.Setinizi ChatGPT'de kalibre edip aynı cümleleri Gemini'ye taşıdığınızda aldığınız sonuç, Gemini'nin gerçek davranışını değil sizin ChatGPT'ye göre şekillenmiş cümlelerinizi ölçüyor olabilir. Pratik çözüm, setin anlamını sabit tutup ifadesini platform başına gözden geçirmek: aynı soru, o platformda doğal duran cümleyle.

Varyant üretirken üç ekseni değiştirin — kısıt sayısı (kısıtsız / iki kısıtlı), soru biçimi (emir kipi / soru kipi) ve çıktı beklentisi (liste isteyen / serbest metin isteyen). Bu üç eksenin kombinasyonları setinizi şişirmeden varyasyon verir.

Prompt seti ölçümün girdisidir

Prompt araştırması kendi başına bir çıktı üretmez. Ürettiği şey,GEO ölçüm çerçevesiningirdisi olan soru listesidir. Görünürlük oranı, atıf payı ve cevap payı gibi metriklerin hepsi "hangi sorgularda" sorusuna bir cevap ister; o cevabı prompt seti verir. Sırayı ters kurmak yaygın bir hata: önce araç seçilir, sonra aracın önerdiği sorgularla ölçüm başlar ve ekip kendi müşterisinin sormadığı soruları aylarca izler.

Setin kalitesi doğrudan metriğin kalitesi demek. Yalnızca marka prompt'larından oluşan bir set size sürekli yüksek yüzdeler gösterir ve hiçbir şey öğretmez. Yalnızca zor kategori sorularından oluşan bir set aylarca sıfır üretir ve ekibi yorar. Dört kategorinin dengesi, panonun okunabilir olmasını sağlayan şey.

Ölçümü nereden başlatacağınız konusunda pratik bir tavsiye: Perplexity'den başlayın. Her cevabın altında kaynakları açıkça listelediği için atıf sayımı manuel olarak yapılabilir durumda.ChatGPT tarafında kaynak gösterimi sorguya ve moda göre değiştiği için aynı sayım daha kırılgan; orada atıf yerine metin içi anılmayı taban almak daha sağlıklı. Setinizin ilk turunu Perplexity'de çalıştırıp yöntemi oturttuktan sonra diğer platformlara genişletmek, ekibin ölçüme alışması açısından da kolaylık sağlıyor.

Trafik tarafı ayrı bir katman.GA4'te yapay zeka yönlendirmelerini ayrıştırmak prompt setinizle doğrudan eşleşmez — hangi prompt'un tıklama getirdiğini göremezsiniz. İki veriyi yan yana koyup korelasyon aramak yerine, prompt setini görünürlük tarafında, GA4'ü tıklama tarafında ayrı ayrı okuyun.

Setin hangi kategorisinde zayıfsanız yapılacak iş de değişiyor. Kategori ve karşılaştırma prompt'larında görünmüyorsanız sorun genellikle kendi sitenizde değil; üçüncü taraf kaynaklarda adınızın geçmemesinde.Dijital PR ile atıf kazanma tarafı bu boşluğu kapatan çalışma. Marka prompt'larında zayıflık ise varlık tanımlarınızın eksik olduğuna işaret eder.

Türkiye katmanı: Türkçe prompt'ların kendine özgü hâlleri

Türkçe prompt seti kurarken İngilizce yöntemi çevirerek ilerlemek işe yaramıyor. Türkçe soruların cümle yapısı, terim tercihleri ve modelin bu sorulara hangi kaynaklardan cevap ürettiği farklı çalışıyor. İngilizce setin birebir çevirisi gramer olarak doğru ama davranış olarak yanlış bir liste üretiyor. Üç konuya ayrı dikkat gerekiyor.

Birincisi cümle yapısı. Türkçe soru sonda toplanıyor — kısıtlar başta sıralanıp asıl soru en sona bırakılıyor: "Şirketimiz 15 kişi, ayda 200 fatura kesiyoruz, e-ticaret entegrasyonu da lazım, hangi ön muhasebe programını önerirsin?" İngilizce'de soru genellikle başta duruyor ve kısıtlar arkadan geliyor. Setinizi kurarken Türkçe cümleleri bu doğal sırayla yazın; İngilizce kalıbı Türkçeye giydirmek yapay bir metin üretiyor ve o metin gerçek kullanıcı davranışını temsil etmiyor.

İkincisi ve daha kritik olanı: Türkçe sorup İngilizce kaynaktan cevap alma durumu. Kullanıcı Türkçe soruyor, model Türkçe cevaplıyor, ama cevabı kurduğu kaynaklar İngilizce. Bu, Türkçe içeriğin zayıf olduğu niş kategorilerde neredeyse kural. Sonucu şu: Türkçe prompt'ta görünmemenizin sebebi Türkçe içeriğinizin yetersizliği olmayabilir — modelin o soruya İngilizce kaynaklardan cevap üretiyor olması da olabilir. Ölçüm yaparken kaynak listesinin dilini de kaydedin. Kaynakların çoğu İngilizce çıkıyorsa, o kategoride Türkçe içerik üreterek boşluk doldurma fırsatı var demektir.

Üçüncüsü terim karşılıkları. Sektörel terimlerin Türkçede çoğu zaman iki üç karşılığı dolaşıyor ve kullanıcılar hepsini kullanıyor: "bulut" ve "cloud", "ön muhasebe" ve "pre-accounting", "e-ihracat" ve "cross-border". Setinizde tek bir varyantı sabitlerseniz ölçüm yanlı olur. Bir ihtiyaç için hangi terimin ne kadar yaygın olduğunu Search Console verinizden görebilirsiniz; en yaygın ikisini sete ayrı satır olarak koyun.

Sektör terimlerinin karşılığı konusunda bir tuzak daha var: resmi terim ile halk arasındaki terim ayrışıyor. Mevzuatta "elektronik belge saklama" geçen hizmet, kullanıcının ağzında "e-arşiv saklama" oluyor. Setinizi resmi terimlerle kurarsanız kimsenin sormadığı soruları ölçersiniz. Kural şu: müşteri hangi kelimeyi kullanıyorsa sette o kelime durur, kurumsal metinlerinizde hangisi geçtiği ayrı mesele.

Türkçe karakter meselesi de sessiz bir sorun. Kullanıcıların bir kısmı "şirketim için" yerine "sirketim icin" yazıyor. Modeller bunu genellikle doğru yorumluyor, ama setinizin bir iki satırında bu biçimi bilerek tutmak, gerçek kullanım koşullarını temsil etmesi açısından değerli.

Sıkça Sorulan Sorular

Prompt araştırması anahtar kelime araştırmasının yerini tamamen alacak mı?

Hayır, ikisi paralel yürüyecek. Klasik arama hacmi düşse bile sıfırlanmıyor ve anahtar kelime verisi hâlâ prompt araştırmasının en somut hammaddesi. Değişen şey ağırlık: bütçenin ve dikkatin bir kısmı hacim tablolarından soru listelerine kayıyor.

Prompt hacmi ölçen bir araç var mı?

Gerçek anlamda yok. Bazı GEO araçları "prompt hacmi" adı altında rakam veriyor ama bunlar asistan sorgu günlüğünden değil, kendi modellerinden ya da klasik arama verisinden türetilmiş tahminler. Karar verirken bu rakamları mutlak doğru saymayın; yön göstergesi olarak kullanın.

Kaç prompt yeterli?

Manuel ölçüm için 20–30 satır makul. Dört kategoriyi kabaca eşit dağıtırsanız her kategoriye altı yedi satır düşer ve bu, tek kişinin ayda bir çalıştırabileceği bir yük. Otomatik ölçüm kuruyorsanız sayıyı artırabilirsiniz, ama setin kategori dengesi bozulmadığı sürece.

Aynı prompt'u tekrar sorduğumda farklı cevap alıyorum, ölçüm nasıl güvenilir olur?

Değişkenlik modelin doğasında. Çözüm tek ölçümü doğru saymak değil, tekrarı yönteme dahil etmek: her prompt'u temiz oturumda, aynı gün içinde iki üç kez çalıştırıp sonucu görüldü/görülmedi biçiminde değil, kaç turda görüldü biçiminde kaydedin. Aylık raporda tek turluk sonuç yerine bu oran anlamlı.

Türkçe ve İngilizce setleri birleştirebilir miyim?

Birleştirmeyin. İki dil farklı kaynak havuzu tetikliyor ve ortak yüzde ikisinin de gerçeğini gizliyor.

Prompt setini kim hazırlamalı?

Setin ilk taslağını satış ve destek ekibiyle birlikte çıkarmak en verimlisi; gerçek müşteri cümlelerine erişimi olan onlar. Pazarlama ekibi taslağı kategori dengesine göre düzenler, ölçümü de yürütür. Yalnız pazarlama masasında yazılan setler kaçınılmaz olarak marka ve kategori prompt'larına kayıyor, problem prompt'ları eksik kalıyor.

Rakiplerin prompt setini görebilir miyim?

Doğrudan hayır. Ama rakibin hangi sorularda güçlü olduğunu kendi setinizi çalıştırırken görürsünüz: cevaplarda tekrar tekrar çıktığı sorgular, onun kazandığı alan. Bu, setinizi genişletirken de yön veriyor.

Prompt seti hazırlarken yapay zekadan yardım almak sonucu bozar mı?

Taslak üretmek için kullanmak sorun değil, tek kaynak yapmak sorun. Modelin ürettiği sorular kategorinin tipik dilini yansıtır; sizin müşterinizin özgül endişelerini yansıtmaz. Model çıktısını iskelet, satış kayıtlarınızı et olarak düşünün.

Prompt setini kurmak GEO çalışmasının ilk adımı; asıl iş o sorularda görünür hâle gelmek. Markanızın yapay zeka cevaplarındaki konumunu baştan sona ele almak isterseniz GEO danışmanlığı sayfasına göz atın.