llms.txt hakkındaki tartışmalar gerçektir ve devam etmeye değerdir. Bunu önceki bir makalede ele almıştım ve teklifin ardındaki temel içgüdü doğrudur: Yapay zeka sistemlerinin markanızın bilgilerine temiz, yapılandırılmış ve yetkili erişime ihtiyacı vardır ve mevcut web sitesi mimariniz bu akılda tutularak oluşturulmamıştır. Daha da ileri gitmek istediğim yer mimarinin kendisidir. llms.txt özünde Markdown dosyalarına işaret eden bir içindekiler tablosudur. Bu bir varış noktası değil, bir başlangıç noktasıdır ve kanıtlar, varış noktasının çok daha karmaşık olması gerektiğini göstermektedir.
Mimarlığa girmeden önce bir konuda açık olmak istiyorum: Her markanın bu makalede açıklanan her şeyi önümüzdeki çeyreğe kadar inşa etmek için koşması gerektiğini savunmuyorum. Standartlar ortamı hâlâ şekilleniyor. Hiçbir büyük yapay zeka platformu resmi olarak llms.txt dosyasını tüketmeyi taahhüt etmedi ve 1.000 Adobe Experience Manager etki alanındaki CDN günlükleri üzerinde yapılan bir denetim, LLM'ye özgü botların esas olarak llms.txt isteklerinde bulunmadığını, Google'ın kendi tarayıcısının ise dosya getirme işlemlerinin büyük çoğunluğunu oluşturduğunu ortaya çıkardı. Benim savunduğum şey, sorunun kendisinin, özellikle de yapay zeka sistemlerinin marka bilgilerine nasıl yapılandırılmış, yetkili erişim sağladığının şu anda ciddi bir mimari düşünmeyi hak ettiğidir, çünkü bunu erkenden düşünen ekipler, standart haline gelen kalıpları tanımlayacaklardır. Bu abartılı bir argüman değil. Bu endüstri her seferinde yeni bir geri kazanım paradigması geldiğinde bu şekilde çalıştı.
Llms.txt'nin Yoldan Çıktığı Yer
Teklifin dürüst değeri okunabilirliktir: AI ajanlarına, Markdown'a göre düzleştirerek ve tek bir dizinde düzenleyerek en önemli içeriğinize temiz, düşük gürültülü bir yol sağlar. Düzyazı ve kodun zaten nispeten yapılandırılmış olduğu geliştirici belgeleri, API referansları ve teknik içerik için bunun gerçek bir faydası vardır. Karmaşık ürün setlerine, ilişki ağırlıklı içeriğe ve sürekli değişen gerçeklere sahip kurumsal markalar için bu farklı bir hikaye.
Yapısal sorun, llms.txt'nin bir ilişki modelinin olmamasıdır. Bir yapay zeka sistemine “burada yayınladığımız şeylerin bir listesi” diyor ancak Ürün A'nın Ürün Ailesi B'ye ait olduğunu, X Özelliğinin Sürüm 3.2'de kullanımdan kaldırıldığını ve Y Özelliği ile değiştirildiğini veya Z Kişisinin Q Konusunun yetkili sözcüsü olduğunu ifade edemez. Bu, grafiği olmayan düz bir listedir. Bir yapay zeka aracısı bir karşılaştırma sorgusu yaptığında, birden fazla kaynağı birbirine göre ağırlıklandırdığında ve çelişkileri çözmeye çalıştığında, kaynak meta verileri olmayan düz bir liste, kulağa kendinden emin görünen ancak hatalı çıktılar üreten türden bir girdidir. Markanız bu halüsinasyonun itibar maliyetini ödüyor.
Teklifin tam olarak ele almadığı bir bakım yükü sorunu da var. llms.txt dosyasına yönelik en güçlü pratik itirazlardan biri, gerektirdiği sürekli bakımdır: her stratejik değişiklik, fiyatlandırma güncellemesi, yeni vaka çalışması veya ürün yenilemesi, hem canlı sitenin hem de dosyanın güncellenmesini gerektirir. Küçük bir geliştirici aracı için bu yönetilebilir. Yüzlerce ürün sayfasına ve dağıtılmış içerik ekibine sahip bir kuruluş için bu, operasyonel bir sorumluluktur. Daha iyi yaklaşım, manuel olarak bakımı yapılacak ikinci bir içerik katmanı oluşturmak yerine yetkili veri kaynaklarınızdan programlı olarak yararlanan bir mimaridir.
Makine Tarafından Okunabilen İçerik Yığını
Benim önerdiğim şeyi llms.txt'ye alternatif olarak değil, tıpkı XML site haritalarının ve yapılandırılmış verilerin robots.txt'den sonra gelmesi gibi ondan sonra gelenler olarak düşünün. Dört ayrı katman var ve hepsini aynı anda oluşturmanıza gerek yok.
Birinci katman, JSON-LD kullanılarak yapılandırılmış bilgi formlarından oluşur. Bir yapay zeka aracısı, satıcı karşılaştırması için bir markayı değerlendirdiğinde Organizasyon, Hizmet ve İnceleme şemasını okur ve 2026'da bu, Google'ın 2019'da yaptığından çok daha fazla hassasiyetle okumak anlamına gelir. Temel budur. Geçerli yapılandırılmış verilere sahip sayfaların Google AI Genel Bakış'ta görünme olasılığı, işaretlemesiz eşdeğer sayfalara kıyasla 2,3 kat daha fazladır ve Princeton GEO araştırması, net yapısal sinyallere sahip içeriğin, AI tarafından oluşturulan yanıtlarda %40'a kadar daha yüksek görünürlük sağladığını buldu. JSON-LD yeni değil, ancak artık onu zengin snippet oyunu olarak değil, makineye yönelik bir bilgi katmanı olarak ele almanız gerektiğidir ve bu, ürün özellikleri, fiyatlandırma durumları, özellik kullanılabilirliği ve organizasyonel ilişkiler konusunda şu anda çoğu uygulamaya göre çok daha kesin olmak anlamına gelir.
İkinci katman varlık ilişkisi eşlemesidir. Burası sadece düğümleri değil, grafiği de ifade ettiğiniz yerdir. Ürünleriniz kategorilerinizle ilişkilidir, kategorileriniz sektör çözümlerinizle eşleşir, çözümleriniz desteklediğiniz kullanım örneklerine bağlanır ve bunların tümü yetkili kaynağa bağlanır. Bu, hafif bir JSON-LD grafik uzantısı olarak veya başsız bir CMS'de özel bir uç nokta olarak uygulanabilir, ancak önemli olan, tüketen bir yapay zeka sisteminin, bir insan analistin iyi organize edilmiş bir ürün kataloğunu inceleyeceği şekilde içerik mimarinizde her adımda korunan ilişki bağlamı ile geçiş yapabilmesidir.
Üçüncü katman, içerik API uç noktaları, SSS'lerinize, belgelerinize, örnek olay incelemelerinize ve ürün spesifikasyonlarınıza programlı ve sürümlü erişimdir. Burası mimarinin pasif işaretlemenin ötesine geçerek aktif altyapıya geçtiği yerdir. /api/brand/faqs?topic=pricing&format=json adresindeki yapılandırılmış, zaman damgalı, atfedilen yanıtları döndüren bir uç nokta, bir AI aracısına mevcut fiyatlandırmayı yansıtabilecek veya yansıtmayabilecek bir Markdown dosyasından kategorik olarak farklı bir sinyaldir. Anthropic tarafından 2024'ün sonlarında tanıtılan ve daha sonra OpenAI, Google DeepMind ve Linux Vakfı tarafından benimsenen Model Bağlam Protokolü, yapay zeka sistemlerini harici veri kaynaklarıyla entegre etmek için tam olarak bu tür standartlaştırılmış bir çerçeve sağlıyor. Bugün MCP'yi uygulamanıza gerek yok, ancak yapay zekadan markaya veri alışverişinin gittiği yol açıkça yapılandırılmış, kimliği doğrulanmış, gerçek zamanlı arayüzlere doğru gidiyor ve mimariniz bu yöne doğru gelişiyor olmalı. Yıllardır bunu söylüyorum; bir işletmenin verilerinin gerçek zamanlı alışverişi ve anlaşılması için takılı sistemlere doğru ilerliyoruz. Bu, taramayı ve bununla ilişkili platformlara maliyeti ortadan kaldıran şeydir.
Dördüncü katman, ifşa ettiğiniz her gerçeğe eklenen doğrulama ve kaynak meta verileri, zaman damgaları, yazarlık, güncelleme geçmişi ve kaynak zincirleridir. Bu, içeriğinizi “Yapay Zekanın bir yerde okuduğu bir şeyden” “Yapay Zekanın doğrulayabileceği ve güvenle alıntı yapabileceği bir şeye” dönüştüren katmandır. Bir RAG sistemi, bir yanıtta birbiriyle çelişen birçok olgudan hangisinin ortaya çıkacağına karar verirken, köken meta verileri eşitliği bozar. Açık bir güncelleme zaman damgasına, atfedilen bir yazara ve izlenebilir bir kaynak zincirine sahip bir olgu, her seferinde tarihsiz, atfedilmemiş bir iddiadan daha iyi performans gösterecektir çünkü erişim sistemi bunu tercih edecek şekilde eğitilmiştir.
Pratikte Bu Neye benziyor
Yaklaşık 50 milyon $ ARR yapan ve hem KOBİ'lere hem de kurumsal hesaplara satış yapan bir proje yönetimi platformu olan orta ölçekli bir SaaS şirketini ele alalım. Üç ürün katmanına, 150 konektörlü bir entegrasyon pazarına ve bir insan satış temsilcisi devreye girmeden önce yapay zeka destekli araştırmalarda rekabetçi karşılaştırmaların yapıldığı bir satış döngüsüne sahipler.
Şu anda web siteleri insan alıcılar için mükemmel ancak yapay zeka temsilcileri için opak. Fiyatlandırma sayfaları dinamik olarak oluşturulmuş JavaScript'tir. Özellik karşılaştırma tabloları, yapay zekanın güvenilir bir şekilde ayrıştıramadığı bir PDF'de bulunuyor. Vaka çalışmaları, yapılandırılmış bir atıf içermeyen uzun biçimli HTML'dir. Bir yapay zeka aracısı, satın alma karşılaştırması için onları bir rakiple karşılaştırdığında, taranan metinden çıkarabildiği her şeyle çalışıyor demektir; bu da muhtemelen fiyatlandırmada yanlış olduğu, muhtemelen kurumsal özelliklerin kullanılabilirliği konusunda yanlış olduğu ve neredeyse kesinlikle potansiyel müşterinin ihtiyaç duyduğu özel entegrasyonu ortaya çıkaramadığı anlamına gelir.
Makine tarafından okunabilen bir içerik mimarisi bunu değiştirir. Bilgi formu katmanında, her fiyatlandırma katmanını, özellik kümesini ve hedef kullanım durumunu doğru şekilde tanımlayan, fiyatlandırma sayfalarını yönlendiren aynı gerçek kaynağından programlı olarak güncellenen JSON-LD Organizasyon ve Ürün şemalarını yayınlarlar. Varlık ilişkisi katmanında, entegrasyonlarının çözüm kategorilerinde nasıl kümeleneceğini tanımlarlar, böylece bir yapay zeka aracısı, 150 ayrı entegrasyon sayfasını ayrıştırmak zorunda kalmadan bir bileşik yetenek sorusunu doğru bir şekilde yanıtlayabilir. İçerik API katmanında, bir satış mühendisinin istek üzerine manuel olarak ürettiği yapılandırılmış, versiyonlu bir karşılaştırma uç noktasını ortaya çıkarırlar. Kaynak katmanında her olgu bir zaman damgasını, bir veri sahibini ve bir sürüm numarasını taşır.
Bir yapay zeka aracısı artık bir ürün karşılaştırma sorgusunu işlediğinde, erişim sistemi, çıkarımsal metin yerine yapılandırılmış, atfedilen güncel gerçekleri bulur. Yapay zeka fiyatlandırma konusunda halüsinasyon görmüyor. Kurumsal özelliklerini doğru bir şekilde temsil eder. Varlık grafiği onları doğru çözüm kategorilerine bağladığı için doğru entegrasyonları ortaya çıkarır. Altı ay sonra rekabet kaybı raporunu okuyan pazarlama başkan yardımcısı, temel neden olarak “Yapay zekanın yanlış fiyatlandırmayı gösterdiğini” görmüyor.
Bu Doğrulanmış Kaynak Paketlerinin Arkasındaki Altyapıdır
Doğrulanmış Kaynak Paketleri ile ilgili önceki makalede, markaların yapay zeka destekli araştırmalarda kendilerini nasıl tercih edilen kaynaklar olarak konumlandırabileceklerini anlatmıştım. Makine tarafından okunabilen içerik API'si, VSP'leri geniş ölçekte uygulanabilir kılan teknik mimaridir. Bu altyapıya sahip olmayan bir VSP, bir konumlandırma beyanıdır. VSP, yapay zeka sistemlerinin güvenle alıntılayabileceği, makine tarafından doğrulanmış bir bilgi katmanıdır. VSP, hedef kitlenizin görebileceği çıktıdır; içerik API'si, çıktıyı güvenilir kılan tesisattır. Temiz yapılandırılmış veriler aynı zamanda doğrudan performansınızı da artırır. vektör indeks hijyenidaha önceki bir makalede tanıttığım disiplin, çünkü iyi yapılandırılmış, ilişki haritalı, zaman damgalı içerikten temsiller oluşturan bir RAG sistemi, farklılaşmamış düzyazıyla çalışan bir sistemden daha keskin yerleştirmeler üretir.
Vs. Bekle: Gerçek Zamanlama Sorusu
Meşru itiraz, standartların yerleşmemiş olmasıdır ve bu doğrudur. MCP, 2026 yılına kadar aylık 97 milyon SDK indirmesi ve OpenAI, Google ve Microsoft tarafından benimsenmesiyle gerçek bir ivme yakaladı, ancak kurumsal içerik API standartları hala ortaya çıkıyor. JSON-LD olgunlaşmıştır ancak marka düzeyinde varlık ilişkisi eşlemesinin henüz resmi bir özelliği yoktur.
Ancak tarih, itirazın diğer tarafa yöneldiğini gösteriyor. Schema.org yapılandırılmış verilerini 2012 yılında Google'ın henüz piyasaya sürdüğü ve hiç kimsenin bu verinin ne kadar yaygın olarak kullanılacağından emin olmadığı bir dönemde uygulamaya koyan markalar, Google'ın önümüzdeki on yıl boyunca yapılandırılmış veriyi nasıl tüketeceğini şekillendirdi. Garanti beklemediler; prensibi temel alarak standartların kendi kullanım durumları etrafında şekillenmesine izin verdiler. Spesifik mekanizma, temel prensipten daha az önemlidir: içerik, insanlar için değerli kalarak, makinelerin anlayabileceği şekilde yapılandırılmalıdır. Hangi protokolün kazandığına bakılmaksızın bu geçerli olacaktır.
Mimarinin değişebilecek bir standart üzerine bahis oynamadan bu çeyrekte gönderebileceğiniz minimum uygulanabilir uygulama üç şeydir. Birincitemel ticari sayfalarınızın, Organizasyon, Ürün, Hizmet ve SSS Sayfası şemalarınızın JSON-LD denetimi ve yükseltilmesi, @id grafik modeli kullanılarak düzgün bir şekilde birbirine bağlanır, böylece bilgi katmanınız bugün doğru ve makine tarafından okunabilir olur. Saniyeçoğu marka için fiyatlandırma ve temel özelliklerden oluşan, en sık karşılaştırılan bilgileriniz için CMS'nizden programlı olarak oluşturulan ve manuel bakım gerektirmeden güncel kalmasını sağlayan tek bir yapılandırılmış içerik uç noktasıdır. Üçüncüönemsediğiniz her halka açık gerçekle ilgili kaynak meta verileri: zaman damgası, atfedilen yazar veya ekip ve sürüm referansı.
Bu bir llms.txt değil. Web sitenizin Markdown kopyası değildir. Hem mevcut yapay zeka erişim sistemlerine hem de daha sonra resmileştirilecek standartlara hizmet eden dayanıklı bir altyapıdır çünkü makinelerin temiz, atfedilmiş, ilişki haritalı gerçeklere ihtiyaç duyması ilkesi üzerine inşa edilmiştir. “Bunu yapsak mı?” diye soran markalar “nasıl ölçeklendireceğiz” diyenlerin zaten gerisindeyiz. Minimum ile başlayın. Bu çeyrekte ölçebileceğiniz bir şey gönderin. Mimari size bundan sonra nereye gideceğinizi söyleyecektir.
Duane Forrester'ın, Microsoft'ta MSN için SEO çalıştırma, Bing Web Yöneticisi Araçları oluşturma ve Schema.org'u başlatma dahil olmak üzere yaklaşık 30 yıllık dijital pazarlama ve SEO deneyimi vardır. Yapay zeka çağında güvenilir ve güncel kalmayı konu alan yeni kitabı (Makine Katmanı) artık Amazon'da mevcut.
Daha Fazla Kaynak:
Bu yazı ilk olarak şu tarihte yayınlandı: Duane Forrester Kod Çözme.
Öne Çıkan Görsel: mim.girl/Shutterstock; Paulo Bobita/Arama Motoru Dergisi
Bir yanıt yazın