Schema Markup ve E-E-A-T: Yapay Zekaya Güven Vermek

Schema markup, bir web sayfasının içeriğini arama motorlarının ve yapay zeka sistemlerinin (ChatGPT, Perplexity, Google AI Overviews) makine tarafından okunabilir bir formatta anlamasını sağlayan yapılandırılmış veri standardıdır. E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) ise bu içeriğin ne kadar güvenilir bir kaynaktan geldiğini değerlendiren çerçevedir. İkisi bir arada, bir web sitesinin yapay zeka arama motorları tarafından "alıntılanabilir kaynak" olarak görülüp görülmeyeceğini büyük ölçüde belirler.

Bu makale, GEO'nun (Generative Engine Optimization) genel tanımından veya içerik yazım tüyolarından değil, doğrudan teknik altyapıdan bahsediyor: sayfanıza hangi schema türlerini nasıl ekleyeceğiniz ve E-E-A-T sinyallerini somut olarak nasıl güçlendireceğiniz.

Yapay Zeka Arama Motorları Bir Sayfayı Nasıl "Anlar"?

Geleneksel arama motorları bir sayfayı büyük ölçüde anahtar kelime ve bağlantı sinyalleriyle değerlendirirken, yapay zeka destekli arama sistemleri içeriği varlıklar (entity) ve ilişkiler üzerinden okumaya çalışır: bu sayfanın yazarı kim, hangi kuruma ait, hangi konudaki hangi soruya yanıt veriyor, bu bilginin kaynağı ne kadar güvenilir?

Düz metin bu soruları çoğu zaman örtük biçimde barındırır ama makineler için belirsizdir. Schema markup, bu bilgiyi açık ve standart bir sözlükle etiketleyerek belirsizliği ortadan kaldırır. Bir yapay zeka modeli, sayfanızı taradığında "bu bir makale, yazarı şu kişi, yayımcı kuruluş şu, konusu şu" bilgisini metni yorumlamaya çalışmadan doğrudan yapılandırılmış veriden okuyabilir. Tarayıcı erişimi ise llms.txt ile yönetilir.

Schema.org ve JSON-LD: Yapılandırılmış Verinin Teknik Temeli

Schema.org, Google, Microsoft ve diğer büyük teknoloji şirketlerinin birlikte geliştirdiği ortak bir kelime dağarcığıdır (vocabulary); web içeriğindeki varlıkları (kişi, kurum, makale, ürün, soru-cevap gibi) standart bir biçimde tanımlamaya yarar. Bu sözlüğü sayfaya eklemenin en yaygın ve önerilen yöntemi JSON-LD formatıdır: sayfanın görünen HTML'sine karışmayan, <head> içine yerleştirilen ayrı bir <script type="application/ld+json"> bloğu.

JSON-LD'nin avantajı, görsel tasarımdan bağımsız olmasıdır; içerik ekibi metni değiştirirken geliştirici ekip şema bloğunu ayrı yönetebilir. Aşağıda bir makale sayfası için temel bir Organization ve Article şeması örneği yer alıyor:

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "name": "Next GEO Agency",
      "url": "https://nextgeoagency.com",
      "logo": "https://nextgeoagency.com/images/og-default.jpg"
    },
    {
      "@type": "Article",
      "headline": "Schema Markup ve E-E-A-T",
      "author": {
        "@type": "Organization",
        "name": "Next GEO Agency"
      },
      "publisher": {
        "@type": "Organization",
        "name": "Next GEO Agency"
      },
      "datePublished": "2026-08-24",
      "mainEntityOfPage": "https://nextgeoagency.com/blog/108"
    }
  ]
}

FAQPage ve BreadcrumbList: Bağlam ve Gezinme Sinyalleri

FAQPage şeması, sayfadaki soru-cevap bloklarını yapay zekanın doğrudan tanıyabileceği bir formatta işaretler. Bir kullanıcı sohbet botuna doğal dilde bir soru sorduğunda, sayfanızdaki FAQPage şemasıyla işaretlenmiş bir cevap, düz metin içinde gömülü bir cevaba göre daha kolay ayrıştırılıp alıntılanabilir.

BreadcrumbList şeması ise sayfanın site hiyerarşisindeki yerini (Ana Sayfa > Blog > Kategori > Makale gibi) makinelere açıkça bildirir. Bu, tek başına küçük bir detay gibi görünse de, yapay zekanın içeriğin hangi bağlamda (hangi kategori, hangi konu alanı) yer aldığını anlamasına yardımcı olur ve sitenin genel konu otoritesini netleştirir. Sektöre özel türler de vardır: otel ve restoran şemaları veya şehir bazlı LocalBusiness kullanımı gibi.

E-E-A-T Nedir? Dört Bileşenin Anlamı

E-E-A-T dört unsurdan oluşur:

Experience (Deneyim): İçeriği üreten kişinin veya kurumun konuyla ilgili birinci elden deneyime sahip olup olmadığı.
Expertise (Uzmanlık): Konudaki bilgi derinliği; eğitim, sertifika veya kanıtlanmış yetkinlik.
Authoritativeness (Otorite): Kişinin veya kurumun sektöründe tanınırlığı; başka güvenilir kaynaklarca referans gösterilip gösterilmediği.
Trustworthiness (Güvenilirlik): Sitenin ve içeriğin doğruluğu, şeffaflığı ve güvenliği; iletişim bilgilerinin açık olması, kaynakların gösterilmesi gibi unsurlar.

Bu çerçeve başlangıçta Google'ın arama kalite değerlendirme kılavuzlarından geldi, ancak yapay zeka arama motorları da benzer güvenilirlik sinyallerine dayanarak hangi kaynağı öne çıkaracağına karar veriyor; bir kaynağın E-E-A-T sinyalleri ne kadar açık ve tutarlıysa, o kaynağın yanıtlarda referans gösterilme olasılığı da o kadar artıyor.

Burada dikkat edilmesi gereken nokta, dört bileşenin birbirinin yerine geçmediğidir. Örneğin uzun yıllardır sektörde faaliyet gösteren bir kurum otorite açısından güçlü olabilir, ama sitesinde iletişim bilgileri eksikse veya kaynak göstermeden iddialı ifadeler kullanıyorsa güvenilirlik boyutu zayıf kalır. Yapay zeka sistemleri, bu dört sinyali birbirinden bağımsız biçimde değerlendirdiği için, tek bir alanda güçlü olmak diğer alanlardaki eksikliği telafi etmez.

E-E-A-T Sinyallerini Güçlendirmenin Somut Yolları

E-E-A-T soyut bir kavram gibi görünse de, web sitesinde somut adımlarla güçlendirilebilir:

Yazar bilgisi ekleyin: Makalelerin altında yazarın adı, unvanı ve kısa bir uzmanlık özeti bulunsun; mümkünse bu bilgi Person şemasıyla da işaretlensin.
Kaynak gösterin: İddia edilen bilgiler için, mümkün olduğunda genel geçer ve doğrulanabilir kaynaklara atıf yapın; uydurma istatistik veya belirsiz "araştırmalara göre" ifadelerinden kaçının.
Tutarlı bilgi sağlayın: Kurumun adı, adresi, iletişim bilgileri sitenin her yerinde ve dış platformlarda (sosyal medya, harita kayıtları) aynı şekilde görünsün. Google yorumları da bu sinyalin parçasıdır.
"Hakkımızda" sayfasını güçlendirin: Kurumun kim olduğunu, ne yaptığını ve kime hizmet verdiğini açıkça anlatan, şeffaf bir sayfa oluşturun.
İçeriği güncel tutun: Yayın ve güncelleme tarihlerini görünür kılın; eskimiş bilgi güven sinyalini zayıflatır.

Schema ve E-E-A-T Birlikte Nasıl Çalışır?

Schema ve E-E-A-T'yi ayrı ayrı düşünmek yanıltıcı olabilir; pratikte birbirini tamamlarlar. E-E-A-T, sitenin neden güvenilir olduğuna dair niteliksel bir değerlendirmedir; schema markup ise bu niteliği makinelerin okuyabileceği bir formatta ifade etme aracıdır.

Örneğin bir makalenin yazar bilgisini sayfada metin olarak yazmak E-E-A-T açısından faydalıdır, ama bu bilgiyi ayrıca Person şemasıyla işaretlemek, yapay zeka modelinin "bu içeriğin bir yazarı var, kimliği belli, kurumla ilişkisi tanımlı" sonucuna çok daha güvenilir bir şekilde ulaşmasını sağlar. Kısacası schema, E-E-A-T sinyallerinin makineler tarafından kaçırılmadan doğru okunmasının teknik güvencesidir.

@id ve sameAs: Varlıkları Tek Bir Grafa Bağlamak

Şemanın tek tek sayfalarda geçerli olması yeterli değildir; aynı varlığın (kurum, yazar, hizmet) site genelinde aynı kimlikle görünmesi gerekir. Bunu sağlayan alan @id'dir. Kuruma kalıcı bir kimlik verilir, örneğin https://ornek.com/#organization, ve makale şemasındaki publisher alanı kurum bilgisini yeniden yazmak yerine bu kimliğe atıf yapar. Sonuç, tarayıcının on farklı sayfada on ayrı kurum tanımı yerine tek bir kurumu ve ona bağlı on içeriği görmesidir.

sameAs ise aynı varlığın site dışındaki kayıtlarını işaret eder: kurumun sosyal medya profilleri, varsa açık bilgi tabanlarındaki kaydı, harita kaydı. Bu bağlantı, adı benzeşen başka işletmelerden ayrışmayı kolaylaştırır; yapay zeka sistemleri bir varlığı tanımaya çalışırken tek bir sitenin kendisi hakkındaki beyanına değil, birden çok kaynağın tutarlılığına bakar.

Buradaki en yaygın kurulum hatası, iki farklı sayfanın aynı @id değerini paylaşmasıdır. Aynı kimliği taşıyan iki tanımdan yalnızca biri geçerli sayılır ve diğerinin verisi sessizce kaybolur; hata bir uyarı üretmediği için de fark edilmesi zordur. Şablonla çoğaltılan sayfalarda (sektör sayfaları, hizmet sayfaları, şehir sayfaları) @id değerinin sabit bir metin olarak değil, sayfanın kendi yolundan türetilerek üretilmesi bu çakışmayı baştan önler. Varlık tarafını daha ayrıntılı ele alan Knowledge Graph ve entity yönetimi rehberi bu konuyu sürdürüyor.

Yazar Şeması: İşaretlemenin Arkasında Gerçek Bir Sayfa Olmalı

Person şemasıyla bir yazar tanımlamak, yalnızca o yazarın gerçekten çözümlenebilir bir varlığı varsa anlam taşır. author alanına bir isim yazıp o ismin arkasında hiçbir sayfa, hiçbir doğrulanabilir bilgi bulunmaması bir güven sinyali üretmez; yalnızca şemayı doldurmuş olur.

İşleyen kurulum şöyle görünür: yazarın kendi sayfası vardır, o sayfaya bağlı kalıcı bir kimlik tanımlanmıştır, uzmanlık alanları knowsAbout ile belirtilmiştir ve varsa dış kayıtlara sameAs ile bağlanmıştır. Makaleden yazar sayfasına, yazar sayfasından da makalelere karşılıklı bağlantı verilmesi bu ilişkiyi yalnızca şemada değil, gezinebilir bağlantı düzeyinde de kurar.

İçerik gerçekten bir kurum tarafından, tek bir kişiye atfedilmeden üretiliyorsa author alanına uydurma bir kişi yazmak yerine kurumu yazmak daha tutarlı bir tercihtir. E-E-A-T'nin güvenilirlik boyutu, olmayan bir uzmanlığı iddia etmekten değil var olanı doğrulanabilir kılmaktan besleniyor.

Şemayı Yapay Zeka Tarayıcısı Gerçekten Görüyor mu?

Şema doğru yazılmış olabilir ama tarayıcıya hiç ulaşmıyorsa bir işe yaramaz. Zincir üç yerde kopar:

JavaScript ile enjekte edilen şema. JSON-LD bloğu yalnızca istemci tarafında, sayfa yüklendikten sonra eklendiğinde, JavaScript çalıştırmayan tarayıcılar bunu hiç görmez. Testi basit: sayfanın ham yanıtını indirip içinde ld+json aramak. Tarayıcıdaki geliştirici aracının gösterdiği DOM değil, sunucudan gelen ilk yanıt bakılması gereken yerdir; ikisi birbirinden farklı olabilir.
Erişim katmanı. robots.txt izin veriyor olsa bile önündeki güvenlik duvarı veya bot yönetimi katmanı, tanımadığı bir user-agent'a farklı bir yanıt dönebilir: bir hata kodu, boş bir gövde veya doğrulama sayfası. Bu ayar çoğu zaman bilinçli bir karar değil, varsayılan olarak açık gelen bir korumadır. Kontrolü, bot user-agent'larıyla ayrı ayrı istek atıp dönen durum kodunu ve gövde boyutunu tarayıcı isteğiyle karşılaştırmaktır; yöntemin ayrıntısı AI botları sitenize giriyor mu rehberinde yer alıyor.
Sayfa içi gezinme. Tek sayfa uygulamalarında ilk yüklemede doğru olan şema, kullanıcı site içinde başka bir sayfaya geçtiğinde güncellenmeyebilir; başlık ve şema önceki sayfada kalır. Ön-render edilmiş çıktıda her adres için ayrı ve doğru bir şema bulunmalıdır.

Şema Doğrulaması: Hangi Araç, Ne Zaman

Doğrulama için birden fazla araç gerekir, çünkü her biri farklı bir soruyu cevaplar.

Schema.org doğrulayıcısı sözdizimi ve tür hatalarını gösterir; herhangi bir arama motoruna özgü değil, saf standart denetimi yapar.
Zengin sonuç testi Google'ın hangi türü tanıdığını ve zengin sonuç için uygun bulup bulmadığını gösterir. Bir türün burada görünmemesi şemanın yanlış olduğu anlamına gelmez; yalnızca Google'ın o tür için zengin sonuç üretmediğini gösterir.
Search Console'un yapılandırılmış veri raporları tek bir sayfa değil, site genelinde biriken hataları gösterir; asıl değeri budur, çünkü şema hataları neredeyse her zaman tek tek sayfalarda değil şablonda olur.
Ham yanıt üzerinde arama şemanın sunucudan gelen HTML'de gerçekten var olduğunu doğrular.

Sıklık konusunda pratik kural şu: şablon değişikliğinden sonra mutlaka doğrulanır, çünkü tek bir şablon hatası yüzlerce sayfaya aynı anda yayılır. Yeni bir sayfa türü eklendiğinde o tür için ayrıca kontrol edilir. Bunların dışında dönemsel örnekleme yeterlidir; her yeni makaleyi tek tek doğrulamak yerine şablonu doğrulamak hem daha az emek ister hem hatayı kaynağında yakalar.

Sık Yapılan Schema Hataları

Sayfada olmayanı işaretlemek. Görünmeyen bir içeriği (yayımlanmamış bir soru-cevap bloğu, gösterilmeyen bir puan) şemaya yazmak yapılandırılmış veri politikalarına aykırıdır ve tespit edildiğinde sitenin zengin sonuç uygunluğunu kaybetmesine yol açabilir.
Yorum olmadan aggregateRating eklemek. Arkasında gösterilen bir değerlendirme bulunmayan ortalama puan, güven sinyali değil risktir.
İçerik değişmeden dateModified güncellemek. Tarihi öne almak tazelik sinyali üretmez; yalnızca yayın tarihi ile içerik arasında tutarsızlık yaratır.
Aynı sayfada çelişen birden çok kurum tanımı. Farklı eklentiler veya şablon katmanları ayrı ayrı şema basıyorsa kurum adı, logosu veya iletişim bilgisi iki yerde farklı çıkabilir; makine hangisini alacağına karar vermek zorunda kalır.
headline'ı sayfadaki başlıktan farklı yazmak. Şemadaki başlık, sayfada görünen ana başlıkla aynı bilgiyi taşımalıdır.
Her sayfaya her türü eklemek. Bir hizmet sayfasına makale şeması, bir makaleye ürün şeması eklemek hangi varlığın o sayfanın asıl konusu olduğunu belirsizleştirir. mainEntityOfPage bu belirsizliği gidermek için vardır ve doğru kullanıldığında sayfanın ne hakkında olduğunu tek bir cümleye indirger.

Sıkça Sorulan Sorular

Schema markup eklemek SEO sıralamasını doğrudan garanti eder mi?

Hayır. Schema markup tek başına bir sıralama garantisi vermez; asıl işlevi, mevcut içeriğin makineler tarafından doğru ve net biçimde anlaşılmasını sağlamaktır. İçerik kalitesi ve E-E-A-T sinyalleri olmadan sadece teknik işaretleme eklemek sınırlı fayda sağlar.

Küçük bir işletme sitesi için hangi şema türleri öncelikli olmalı?

Çoğu yerel hizmet işletmesi için Organization (veya LocalBusiness), Article ve varsa FAQPage şemaları iyi bir başlangıç noktasıdır. Bu üçü, kurumsal kimliği, içerik yapısını ve sık sorulan soruları makinelere net biçimde aktarır.

Şema JavaScript ile eklenirse yapay zeka tarayıcıları görür mü?

JavaScript çalıştırmayan tarayıcılar görmez. JSON-LD bloğu yalnızca sayfa yüklendikten sonra istemci tarafında ekleniyorsa, sunucudan gelen ilk yanıtta bulunmaz ve JavaScript işletmeyen bir istemci için o sayfada hiç şema yoktur. Doğru yer, sunucudan dönen HTML'in kendisidir. Kontrolü basittir: sayfanın ham yanıtı indirilip içinde ld+json aranır; tarayıcının geliştirici araçlarında görünen DOM bu soruyu cevaplamaz, çünkü orada JavaScript çalışmış olur.

Aynı @id değerini birden fazla sayfada kullanmak sorun olur mu?

Olur. Aynı kimliği taşıyan iki tanımdan yalnızca biri geçerli sayılır ve diğerinin verisi sessizce kaybolur; ortada bir hata mesajı çıkmadığı için sorun uzun süre fark edilmeyebilir. Şablonla çoğaltılan sayfalarda kimlik değerinin sabit bir metin olarak yazılması yerine sayfanın kendi adresinden türetilmesi bu çakışmayı önler. Kurum gibi gerçekten tek olan varlıklar içinse tam tersi geçerlidir: onların kimliği site genelinde aynı kalmalı ve diğer şemalar bu kimliğe atıf yapmalıdır.

Sayfada görünmeyen bir içeriği şemaya eklemek zararlı mı?

Zararlıdır. Yapılandırılmış veri politikaları, işaretlenen içeriğin kullanıcıya da görünür olmasını şart koşar; sayfada bulunmayan bir soru-cevap bloğunu veya gösterilmeyen bir puanı şemaya yazmak bu şartı ihlal eder ve tespit edildiğinde sitenin zengin sonuç uygunluğunu kaybetmesine yol açabilir. Ayrıca yapay zeka sistemleri açısından da işe yaramaz: sayfada karşılığı olmayan bir işaretleme, içerikle çelişen bir sinyal üretir ve güvenilirliği artırmak yerine azaltır.

Web sitenizin schema mimarisini ve E-E-A-T sinyallerini birlikte değerlendirmek isterseniz, Next GEO Agency olarak mevcut teknik altyapınızı analiz edip somut bir yol haritası çıkarabiliriz.