Query Fan-Out: Google AI Mode ve LLM’ler Bir Soruyu Nasıl Alt Sorgulara Bölüyor? (GEO için İçerik Mimarisi)

Kullanıcı AI Mode’a tek bir soru yazıyor, ama arka planda tek bir arama yapılmıyor. Sistem o soruyu alt konulara ayırıyor, her biri için ayrı sorgular çalıştırıyor, dönen sayfalardan ilgili pasajları seçiyor ve hepsini tek bir yanıtta birleştiriyor. Google bu yaklaşıma query fan-out diyor. Deneyimli bir SEO uzmanı için bunun anlamı net: Ana anahtar kelimede ilk sırada olmanız, AI yanıtında kaynak gösterileceğiniz anlamına gelmiyor. Rekabet artık tek bir SERP’te değil, sizin hiç görmediğiniz bir alt sorgu kümesinde yaşanıyor.

Bu yazıda query fan-out’un ne olduğunu, Google’ın ve diğer AI arama sistemlerinin bunu nasıl uyguladığını, olası alt sorguları nasıl tersine mühendislikle çıkarabileceğinizi ve içerik mimarinizi GEO (Generative Engine Optimization) için nasıl kurmanız gerektiğini somut bir örnekle ele alıyoruz.

Query fan-out nedir?

Query fan-out, kullanıcının sorgusunu alt konulara bölen ve bu alt konular için birden fazla ilgili aramayı aynı anda çalıştıran bir arama tekniğidir. Google bunu ilk kez geniş kitleye 20 Mayıs 2025’teki Google I/O duyurusunda anlattı. Duyuruya göre AI Mode, sorunuzu alt konulara ayırıp sizin adınıza çok sayıda sorguyu eş zamanlı olarak çalıştırıyor. Böylece klasik bir Google aramasına göre web’in daha derinine iniyor.

Aynı duyuruda tanıtılan Deep Search, Google’ın ifadesiyle aynı tekniğin bir üst seviyesi: yüzlerce arama yapabiliyor, dağınık bilgiler üzerinden akıl yürütüyor ve dakikalar içinde tamamen kaynaklandırılmış bir rapor üretiyor. Google’ın geliştirici dokümantasyonu da AI özellikleri ve web siteniz sayfasında hem AI Overviews’un hem AI Mode’un yanıt oluştururken query fan-out kullanabileceğini, yani alt konular ve veri kaynakları genelinde birden fazla ilgili arama yapabileceğini belirtiyor.

Teknik altyapı tarafında ipucu veren kaynaklardan biri Google’ın Search with stateful chat başlıklı patent başvurusu (US20240289407A1). Başvuru; kullanıcının sorgusu ve bağlamından bir dil modeliyle “sentetik sorgular” (yeniden yazılmış sorgular, tamamlayıcı sorgular, “drill down” sorguları) üretilmesini, bunlarla belge seçilmesini ve sorgunun sınıflandırılarak uygun modele yönlendirilmesini tarif ediyor. Patentler ürünün birebir böyle çalıştığını kanıtlamaz; ama Google’ın resmi açıklamalarıyla örtüşen bir zihinsel model sunar.

AI arama sistemleri alt sorguları nasıl kullanıyor?

Fan-out yalnızca Google’a özgü değil. Uygulama ayrıntıları farklı olsa da büyük AI arama deneyimlerinin hepsi benzer bir mantıkla çalışıyor:

• Google AI Overviews ve AI Mode: Google, iki özelliğin farklı model ve teknikler kullanabildiğini, bu yüzden aynı sorguda farklı yanıt ve link setleri gösterebildiğini açıkça söylüyor. AI Mode özellikle karşılaştırma ve keşif gerektiren sorgular için tasarlandı; fan-out etkisi en çok burada hissediliyor.
• ChatGPT search: OpenAI’ın yardım dokümantasyonuna göre ChatGPT, arama sağlayıcılarına giderken sorguyu genellikle bir veya daha fazla hedefli sorguya dönüştürüyor ve ilk sonuçları inceledikten sonra daha spesifik ek sorgular gönderebiliyor.
• Perplexity: Perplexity’nin Pro Search ve Deep Research özellikleri, karmaşık ve çok yönlü soruları adımlara bölüp birden fazla arama yapacak şekilde konumlandırılıyor; arayüz de sorunun nasıl parçalandığını kullanıcıya gösteriyor.

RAG hattı: sorgudan alıntıya

Bu sistemlerin ortak paydası retrieval-augmented generation (RAG), yani getirmeyle desteklenen üretim. Kavramsal olarak hat şöyle işliyor:

1. Sorgu anlama ve genişletme: Kullanıcının sorusu (ve varsa sohbet bağlamı) yorumlanır, bir dizi alt sorgu üretilir.
2. Getirme (retrieval): Her alt sorgu için arama indeksinden aday belgeler çekilir.
3. Pasaj seçimi: Belgenin tamamı değil, soruyla en alakalı bölümleri (pasajlar, chunk’lar) seçilir.
4. Üretim: Dil modeli seçilen pasajları bağlam olarak kullanıp yanıtı yazar.
5. Kaynaklandırma: Yanıttaki iddialar, dayandığı pasajların sayfalarına link olarak bağlanır.

Pasaj düzeyinde getirme ve embedding’ler

Pasaj seçimi genellikle embedding‘lerle, yani metnin anlamını temsil eden sayısal vektörlerle yapılır. Alt sorgu ve pasaj aynı vektör uzayına yerleştirilir; anlamca birbirine yakın olanlar (semantik benzerlik) öne çıkar. Pratikte bu şu demek: Sayfanızın genel olarak konuyla ilgili olması yetmez. Belirli bir alt sorguya karşılık gelen, kendi başına anlamlı ve net bir pasaj içermesi gerekir. Sistem sayfanızı değil, o pasajı “alıntılanabilir” bulur.

Ana anahtar kelimede sıralanmak neden artık yetmiyor?

Klasik SEO’da hedef belliydi: “en iyi CRM yazılımı” için ilk sayfaya çık, trafiği al. Fan-out bu denklemi değiştiriyor. AI Mode bu soruyu aldığında arka planda fiyatlandırma, entegrasyonlar, Türkçe destek, KVKK uyumu, küçük ekipler için uygunluk gibi alt konularda ayrı aramalar yapabiliyor. Yanıtta kaynak gösterilen sayfalar, bu alt sorgular için iyi pasaj sunan sayfalardan geliyor. Bunlar ana terimde ilk 10’da olmayan sayfalar da olabiliyor.

Google’ın dokümantasyonu da bu yönde: Yanıt oluşturulurken modeller daha fazla destekleyici sayfa tespit ediyor ve klasik aramaya göre daha geniş, daha çeşitli bir link seti gösterebiliyor. Bu hem bir risk hem bir fırsat. Ana terimde güçlü bir rakibi geçemeyen niş bir sayfa, doğru alt sorguyu en iyi yanıtlayan pasajla AI yanıtına girebilir. Tersi de geçerli: Ana terimde 1. sıradaki sayfanız, alt konuları kapsamıyorsa AI yanıtında hiç görünmeyebilir.

Bir not: Google, AI özelliklerinde görünmek için ek bir teknik gereksinim veya özel optimizasyon olmadığını, sayfanın indekslenmiş ve snippet ile gösterilmeye uygun olmasının yeterli olduğunu söylüyor. Yani fan-out için “gizli bir sinyal” yok. Fark, içeriğin hangi soruları ne kadar net yanıtladığında ortaya çıkıyor.

Olası fan-out sorgularını tersine mühendislikle çıkarmak

AI sistemlerinin ürettiği alt sorguları doğrudan göremezsiniz; Search Console bunları ayrı bir sorgu olarak raporlamıyor. Ama mantığını taklit ederek güçlü bir tahmin seti oluşturabilirsiniz. İşe yarayan bir çerçeve şu:

1. Varlık ve özellik genişletmesi

Sorgudaki ana varlığı (ör. CRM yazılımı) ve kullanıcının karar verirken baktığı özellikleri listeleyin: fiyat, kurulum süresi, entegrasyonlar, mobil uygulama, destek dili, veri güvenliği. Her özellik potansiyel bir alt sorgudur.

2. Karşılaştırmalar ve alternatifler

“X vs Y”, “X alternatifleri”, “X mi Y mi” kalıpları fan-out’un en sık ürettiği sorgu tiplerinden biridir; özellikle AI Mode’un karşılaştırma gerektiren sorgular için konumlandırıldığını hatırlayın.

3. Kısıtlar ve bağlam

Bütçe, ekip büyüklüğü, sektör, ülke, dil ve mevzuat gibi kısıtlar sorguyu daraltır: “5 kişilik ekip için CRM”, “Türkçe arayüzlü CRM”, “KVKK uyumlu CRM”. Patent başvurusunda da kullanıcının bağlamının sentetik sorgu üretiminde kullanıldığı anlatılıyor.

4. Takip soruları

Kullanıcının bir sonraki adımda soracağı soruları düşünün: kurulum nasıl yapılır, Excel’den veri nasıl aktarılır, ücretsiz deneme var mı? AI Mode takip sorularında önceki bağlamı taşıyor; içeriğiniz bu yolculuğun sonraki adımlarını da karşılamalı.

5. PAA ve ilgili aramalar

“Kullanıcılar bunları da soruyor” kutuları ve ilgili aramalar, Google’ın bu sorgu çevresinde gördüğü soru dağılımına dair iyi bir ipucu. Soru fikirlerini hızlıca çoğaltmak ve niyete göre gruplamak için PAA Soru Üretici aracımızı kullanabilirsiniz; araç, anahtar kelimeniz için yapay zekayla PAA tarzı sorular üretir ve bunları niyete göre kümeler.

6. LLM ile fan-out simülasyonu

En pratik yöntemlerden biri, bir LLM’e doğrudan şunu sormak: “Bu soruyu yanıtlamak için hangi alt aramaları yapardın? Her birini tek satır sorgu olarak ve niyetiyle birlikte listele.” Aynı istemi farklı modellerde ve birkaç kez çalıştırın; tekrar tekrar çıkan sorgular çekirdek setinizdir. Unutmayın: Bu bir simülasyon. Gerçek sistemlerin ürettiği sorguların birebir aynısı değil, mantığa dayalı bir yaklaşık.

Fan-out için içerik mimarisi

Tahmini alt sorgu setiniz hazır olduğunda soru şu: Bu sorgulara hangi sayfa, hangi pasajla yanıt verecek? Aşağıdaki ilkeler, pratikte işe yarayan bir çerçevenin özeti.

Pasaj düzeyinde optimizasyon

Her H2/H3 bölümünü, tek bir alt sorguya karşılık gelen bağımsız bir yanıt birimi olarak düşünün. Başlık mümkünse sorunun kendisi ya da ona çok yakın bir ifade olsun; altındaki ilk paragraf soruyu doğrudan yanıtlasın.

Kendi başına anlamlı bölümler

Getirme sistemi bölümünüzü sayfanın geri kalanından koparıp okuyabilir. “Yukarıda bahsettiğimiz gibi” veya “bu araç” gibi bağlama muhtaç ifadeler pasajı zayıflatır. Bölüm içinde varlığın adını tekrar edin, gerekli tanımı tek cümleyle verin.

Önce yanıt, sonra detay

Bölümleri ters piramitle kurun: Önce 1–3 cümlelik net yanıt, ardından gerekçe, örnek, tablo veya adımlar. Bu, hem insan okuyucu hem de pasaj seçen bir sistem için en kolay alıntılanabilir yapı.

Varlık kapsamı

Konunun ilgili varlıklarını (markalar, standartlar, mevzuat, ölçütler) açıkça adlandırın. Embedding tabanlı benzerlikte, alt sorgunun içerdiği varlıkları ve özellikleri barındıran pasajlar doğal olarak avantajlı olur. Ancak anahtar kelime doldurmaya dönüşmemesi için varlıkları gerçek bilgiyle birlikte kullanın.

Konu kümeleri ve iç linkleme

Her alt sorguyu tek sayfaya sıkıştırmak zorunda değilsiniz. Genel karşılaştırma sorgularını bir pillar sayfası, derin alt konuları (fiyatlandırma, entegrasyon, mevzuat) ise ayrı küme sayfaları karşılayabilir. Kritik olan, bunların birbirine anlamlı iç linklerle bağlı olması. Hangi alt konuların ayrı sayfa, hangilerinin bölüm olacağını planlamak için Topical Authority haritası aracımız (TA Engine) konu kümelerini, önceliklendirilmiş içerik planını ve iç linkleme stratejisini birlikte çıkarır.

Yapılandırılmış veri: rolü ve sınırları

Yapılandırılmış veri, sayfadaki varlıkları ve ilişkileri makinelerin anlamasını kolaylaştırır; ürün, organizasyon veya yazar bilgisini netleştirmek için hâlâ değerlidir. Ama dürüst olmak gerekirse Google, AI Overviews veya AI Mode’da görünmek için özel bir schema.org işaretlemesi gerekmediğini açıkça belirtiyor ve yapılandırılmış verinin sayfadaki görünür metinle eşleşmesini istiyor. Schema, iyi bir pasajın yerini tutmaz; olsa olsa onu destekler.

Bu ilkeleri tek tek sayfalarınızda kontrol etmek için AI Alıntılanma Hazırlık Testi sayfanın erişilebilirliğini, yanıt yapısını, güven sinyallerini ve makine okunabilirliğini puanlayıp düzeltmeleri sırayla listeler.

Ölçümleme: neyi, nasıl takip edebilirsiniz?

Fan-out’un ölçümü hâlâ olgunlaşmamış bir alan. Yine de üç katmanda anlamlı veri toplanabiliyor:

• Prompt düzeyinde görünürlük: Hedef sorularınızdan oluşan sabit bir prompt seti belirleyin ve bunları Google AI Mode/AI Overviews, ChatGPT ve Perplexity’de düzenli aralıklarla çalıştırın. Markanızın anılıp anılmadığını, sayfanızın kaynak gösterilip gösterilmediğini ve hangi rakiplerin alıntılandığını kaydedin. Yanıtlar kişiselleştirme, konum ve zamanla değiştiği için tek ölçüm değil, trend önemli.
• Search Console: Google’a göre AI Overviews ve AI Mode’daki görünümler, Performans raporunda “Web” arama türü içinde genel trafiğe dahil ediliyor. Yani ayrıştırılmış bir AI raporu yok; değişimi genel trendler ve sayfa bazlı analizle okumanız gerekiyor.
• Sunucu logları: OAI-SearchBot, ChatGPT-User, PerplexityBot gibi AI botlarının hangi URL’leri ne sıklıkla ziyaret ettiğini loglardan izleyin. Kullanıcı tetiklemeli botların ziyaretleri, içeriğinizin gerçek zamanlı yanıtlarda getirildiğine dair dolaylı bir sinyaldir. Google Arama’daki AI özellikleri için ise ayrı bir bot yok; Google’a göre erişimin kontrol noktası Googlebot için tanımladığınız robots.txt kurallarıdır.

Bu botların sitenize gerçekten erişebildiğinden emin olmak ölçümden önce gelir. AI Crawler Erişim Kontrolü ile hangi AI botlarının robots.txt’de engellendiğini ve sayfanın JavaScript çalışmadan önce içerik barındırıp barındırmadığını görebilirsiniz.

Araçların sınırları: Hiçbir üçüncü parti araç, AI sistemlerinin gerçekte ürettiği alt sorguları tam olarak göremez. Prompt takip araçlarının gösterdiği sonuçlar, seçilen prompt setine, konuma ve ölçüm anına bağlı örneklemlerdir. “AI görünürlük skoru” gibi tek sayılara kesin bir gerçeklik gibi değil, yön gösteren bir gösterge gibi yaklaşın.

Uygulamalı örnek: “en iyi CRM yazılımı küçük işletme”

Bu sorgu için LLM simülasyonu, PAA analizi ve varlık/özellik genişletmesiyle çıkarılabilecek olası alt sorgular ve bunların tek bir pillar sayfası ile destekleyici küme sayfalarına nasıl eşlenebileceği aşağıda. Liste, gerçek sistemlerin ürettiği sorguların dökümü değil; bu mantıkla oluşturulmuş bir tahmin setidir.

Bu eşlemeden çıkan sonuç: Tek bir “en iyi 10 CRM” listesi, alt sorguların yarısından fazlasına zayıf yanıt verir. Fiyat, mevzuat, entegrasyon ve geçiş gibi alt konular ya pillar sayfada kendi başına anlamlı bölümler olarak ya da iç linkle bağlı ayrı sayfalar olarak ele alınmalı. Her bölüm, ilgili alt sorguyu ilk cümlesinde doğrudan yanıtlamalı.

Sık yapılan hatalar

• Sadece ana terimi izlemek: Rank takibini yalnızca head term’de yapıp AI yanıtlarındaki kaynak payını hiç ölçmemek.
• Her alt sorgu için ince sayfa üretmek: Fan-out’u “her varyasyona bir sayfa” olarak yorumlamak, birbirinin kopyası zayıf sayfalar ve kanibalizasyon üretir.
• Bağlama muhtaç pasajlar: Ancak tüm sayfa okunduğunda anlam kazanan bölümler, pasaj düzeyinde getirmede kaybeder.
• Yanıtı sona saklamak: Uzun girişlerden sonra gelen yanıtlar, hem kullanıcıyı hem pasaj seçimini zorlar.
• Schema’yı sihirli değnek sanmak: Google, AI özellikleri için özel bir işaretleme gerekmediğini söylüyor; görünür içerikle eşleşmeyen schema ise sorun yaratır.
• AI botlarını farkında olmadan engellemek: CDN veya güvenlik katmanında AI arama botlarını bloklayıp sonra görünürlük aramak. robots.txt kurallarınızı ve sunucu/CDN ayarlarınızı düzenli kontrol edin.
• Simülasyonu gerçek veri sanmak: LLM ile üretilen alt sorgular bir planlama aracıdır; hacim veya gerçek kullanım verisi değildir.

Sık sorulan sorular

Query fan-out ile klasik sorgu genişletme (query expansion) aynı şey mi?

Akraba ama aynı değil. Klasik sorgu genişletme, eş anlamlılar ve varyasyonlarla tek bir sorgunun kapsamını büyütür. Query fan-out ise soruyu farklı alt konulara ayırır, her biri için ayrı aramalar çalıştırır ve sonuçları bir dil modeliyle tek yanıtta birleştirir.

AI Mode’un hangi alt sorguları ürettiğini görebilir miyim?

Doğrudan hayır. Google bu alt sorguları Search Console’da ayrı olarak raporlamıyor. Varlık/özellik genişletmesi, PAA analizi ve LLM simülasyonuyla yaklaşık bir set çıkarabilir, ardından prompt takibiyle hangi sayfalarınızın kaynak gösterildiğini izleyebilirsiniz.

Fan-out için ayrı bir teknik optimizasyon gerekiyor mu?

Google’a göre AI Overviews ve AI Mode için ek teknik gereksinim yok: Sayfanın indekslenebilir ve snippet ile gösterilmeye uygun olması yeterli. Fark yaratan; tarama erişimi, içeriğin metin olarak sunulması, iç linkleme ve alt soruları net yanıtlayan pasaj yapısıdır.

Küçük bir site fan-out sayesinde büyük rakiplerin önüne geçebilir mi?

Bazı alt sorgularda evet, bu mümkün. AI yanıtları klasik aramaya göre daha geniş bir link seti gösterebildiği için belirli bir alt konuyu en net yanıtlayan niş bir sayfa kaynak gösterilebilir. Ama bu bir garanti değil; otorite ve güven sinyalleri hâlâ önemli.

Sonuç

Query fan-out, SEO’nun birimini değiştiriyor: Artık optimize ettiğimiz şey tek bir sorgu ve tek bir sayfa değil, bir soru kümesi ve o kümeye yanıt veren pasajlar. Strateji de buna göre şekilleniyor. Olası alt sorguları sistematik olarak çıkarın, bunları pillar ve küme sayfalarına eşleyin, her bölümü kendi başına alıntılanabilir bir yanıt olarak yazın, AI botlarının erişimini güvence altına alın ve görünürlüğü prompt düzeyinde takip edin. Bunların hiçbiri sihirli bir AI sinyali değil; iyi SEO’nun pasaj düzeyinde, daha disiplinli uygulanmış hali. Başlamak için en önemli hedef sorgunuzu seçin, olası alt sorgularını listeleyin ve mevcut sayfanızın her birine hangi pasajla yanıt verdiğini tek tek işaretleyin. Boş kalan satırlar, yeni içerik planınızın ilk maddeleridir.