Arama “cevap verme”den “görev tamamlamaya” evriliyor: SEO’dan sonra ne olacak?

Bir önceki bulut etkinliği gözleminde,「Query → Results → Question → Answer → Goal → Plan → Search → Reason → Search Again → Tool → Action → Verify」bu evrim eğrisiyle aramanın üç aşamasını açıklamıştım. Yayınlandıktan sonra, müşterilerin en çok hazırlandığı üç konu şunlar oldu: Bu eğri mevcut içerik varlıkları için ne anlama geliyor, SEO/GEO nasıl yeniden konumlandırılmalı ve hangi mühendislik adımları hemen başlatılabilir?

Bu yazıda bu üç konuyu detaylıca ele alacağız.

Birinci Bölüm: Üç Aşama Arasındaki Fark, Yeteneklerde Değil, Teslim Edilen Ürünlerde

Kısaca hatırlatalım: Birinci nesil arama size birkaç bağlantı sunar, kullanıcı kendisi karşılaştırır. Üçüncü nesil arama size kanıt zinciriyle birlikte bir satın alma önerisi, rezervasyon taslağı veya proaktif bir strateji özeti sunar.

Bu fark soyut bir tanımdan çok daha somut ve karşılaştırılabilir nitelikte. Üç gerçek iş senaryosu üzerinden inceleyelim:

Learn AI Slowly

Bulut Sağlayıcı Karşılaştırması

Birinci nesil arama, üç sağlayıcının resmi web sitelerine ve çeşitli değerlendirme sayfalarına linkler sunar. İkinci nesil arama, kamuya açık materyalleri özetler ve performans, fiyat, hizmet ve ekosistem açısından farklılıkları açıklar. Üçüncü nesil arama ise önce iş türünüzü, trafik hacminizi ve uyumluluk gereksinimlerinizi sorar, ardından bulut sağlayıcıların kamuya açık fiyatlandırma API’lerini çağırır, en güncel indirim politikalarını çeker, gerçek kullanım miktarınızla karşılaştırır ve kanıtlarla desteklenmiş bir satın alma önerisi sunar. Exa vs Tavily karşılaştırmasında Tavily ve EXA’nın kendi belgelerinde kabul ettiği üzere, Exa WebWalker çoklu atlama erişim benchmark’ında %81 başarı oranına karşılık Tavily %71, ve gecikme süresi 1,4 saniye karşısında 4,5 saniye — bu fark, Agent’ın kullanıcının beklediği birkaç saniye içinde çoklu tamamlayıcı arama yapıp yapamayacağını doğrudan belirler.

Otel Rezervasyonu

Birinci nesil, çeşitli rezervasyon platformlarına linkler sunar. İkinci nesil, varış noktanıza ve tarihlerinize göre önerilen otelleri listeler. Üçüncü nesil ise seyahat eden kişi sayısını, bütçeyi, toplantı odası gereksinimini, yeme-içme tercihlerini ve birikmiş mil değerlerinizi dikkate alarak üç aday seçer, otel API’lerinden gerçek zamanlı fiyatları ve oda tiplerini alır, harita API’sinden müşteri ofisinize ulaşım süresini hesaplar ve son olarak takvim daveti içeren bir rezervasyon taslağı oluşturur.

Üçüncüsü, rakip izleme. İlk nesil sistemlerde “X rakibinin fiyatı” diye arattığınızda birkaç haber sonucu alıyordunuz; ikinci nesilde değişim özetleri sunuluyordu; üçüncü nesil ise rakiplerin web sitelerini, iş ilanlarını, sürüm duyurularını ve kullanıcı topluluklarını sürekli takip ederek önemli değişiklikleri size bildiriyor ve “bu %30’luk fiyat indirimi sizin geçen haftaki sürüm çıkışınıza karşı bir hamle mi ve bu sizin fiyat stratejiniz için ne anlama geliyor” gibi içgörüler sunuyor.

Bir hedefin “bir cevap bulma”dan “işini bitirme”ye evrilmesi arasındaki fark tam olarak budur.

İki, Araştırma Döngüsü İlk Geri Çağırmadan Daha Önemli

Geleneksel arama sistemleri Recall (geri çağırma), Precision (kesinlik) ve Ranking (sıralama) metriklerine büyük önem verir. Agentic Search da bu yeteneklere ihtiyaç duyar, ancak değerlendirme kriterleri değişir.

İyi bir Research Agent tek bir aramayla yetinmemeli. Kanıt yetersiz olduğunda ikinci bir sorgu oluşturmalı; iki kaynak çeliştiğinde üçüncü bir kanıt aramalı; gerçek zamanlı fiyat gerektiğinde başka bir API çağırmalı ve kullanıcının aslında toplam sahip olma maliyetini (TCO) karşılaştırmak istediğini fark ettiğinde arama planını yeniden düzenlemelidir.

Derin Araştırma 2026: Araştırma Döngüsünün Mimarisi

S1-DeepResearch 2026’nın makale özetinde şu veriye dikkat çekilmiş: Standart LLM’ler çok turlu arama yapmadığında, çok adımlı araştırma kıyaslamalarında doğruluk oranı %10’un altında kalıyor. Buna karşılık, Deep Research Agent—yani arama-okuma-sentez-yeniden arama döngüsünde yinelenen bir sistem—%50’nin üzerine çıkabiliyor. Beş katlık bu fark, tek bir numaranın değil, araştırma kapalı döngüsünün zaferidir.

Peki bu kapalı döngü nasıl tanımlanıyor? Sekiz aşamalı bir yapı izleyebilir (Hedef → Plan → Ara → Muhakeme Et → Tekrar Ara → Araç Kullan → Eyleme Geç → Doğrula), ya da beş aşamaya sıkıştırılabilir (Plan → Ara → Muhakeme Et → İnce Ayarla → Sonuçlandır). İkisini de kullanıyorum—birincisi karmaşık, uzun vadeli görevler için uygun (kurumsal düzeyde araştırma, çapraz alan due diligence), ikincisi günlük araştırma döngüleri için. Herhangi bir adımda yapılan hata, sonraki adımlarda hatanın üzerine bindirilerek devam eder.

Bu durum, arama altyapısı ile üst katman Agent’ın birbirinden bağımsız olarak değerlendirilmesi gerektiğini de gösteriyor. Tavily, EXA, Elasticsearch, OpenSearch, Brave Search ve Browser Search, hepsi birer Retrieval Provider (bilgi erişim kaynağı hizmeti) olarak kullanılabilir. Gerçek ürün katmanı ise Intent (niyet anlama), Planning (planlama), Source Strategy (kaynak stratejisi), Reasoning (muhakeme), Evidence (kanıt değerlendirme), Evaluation (kalite değerlendirme) ve Action (eylem yürütme) süreçlerinden sorumludur.

Eşlik deneyimlerimizde sıkça karşılaştığımız tipik bir karşıt örnek: Bir finans kurumu, “arama güçlendirme”yi “daha akıllı bir arama motoruna geçiş” olarak yorumlamış. Sonuç olarak Agent, ilk turda geri çağırdığı belgeler üzerinde görünüşte güvenilir gözüken eski bir politika elde etmiş, ek arama tetiklememiş ve sonunda iki yıl önce yürürlükten kaldırılmış bir risk kontrol kuralını kaynak göstermiş. Sistem düzgün çalışıyor gibi görünmüş ve karar vericiler hata fark etmemiş. Ta ki bir denetim sırasında kaynak incelenene kadar. İşte o zaman anlaşılmış ki tüm Research Loop’ta Evidence Age (kanıt güncelliği), Conflict Resolution (çelişki çözümü) ve Source Authority (kaynak güvenilirliği) olmak üzere üç katman eksikti.

Üç, Memory, bir Agent’ın Ne Kadar Uzun Süre Çalışabileceğini Belirler

Arama kalitesi değerlendirmesini “dönüşün ilgili olup olmadığı”ndan “tüm araştırma döngüsünün güvenilir olup olmadığı”na genişletmek—bu, son bir yıldır müşterilerime en sık vurguladığım konulardan biri.

Üç, Memory, Bir Agent’ın Ne Kadar Uzun Süre Çalışabileceğini Belirler

Agentic Search forumunda Memory ayrı bir başlık olarak ele alınıyor; Long-term Memory (uzun vadeli bellek), Task Memory (görev belleği) ve Context Compression (bağlam sıkıştırma) konuları tartışılıyor.

Bu son derece mantıklı. Görev “soru-cevap” formatından uzun数十步 (onlarca adımlık) bir araştırma sürecine dönüştüğünde, sistem anında şu sorunla karşılaşıyor: Daha önce ne arandı, ne doğrulandı, ne çürütüldü ve bunlar güvenilir şekilde hatırlanabiliyor mu?

MemGPT, 2023’te “LLM as OS” (LLM’yi işletim sistemi olarak görme) paradigmasını önerdi; temel fikir, belleği katmanlara ayırmaktı: Bağlam penceresi içindeki core memory (çekirdek bellek), konuşma dışındaki depolama katmanı ve geri alınabilir archival memory (arşiv bellek). Letta, 2024’te bunu mühendislik uygulamasına dönüştürdü, DeepLearning.AI ise 2026’da bunu kısa süreli bir kursa açtı. Bu hat, referans verilebilecek açık bir önceki çalışmaya sahip; bizim kendi ürettiğimiz bir terim değil.

Bir araştırma görevi aynı bilgiyi tekrar tekrar ararsa, ciddi maliyet israfına yol açar. Daha da tehlikelisi, sistem daha önce belirli bir kaynağın güvenilir olmadığını keşfetmiş olduğunu “unutur” ve sonra o kaynağı yeniden referans verir.

Bu nedenle Task Memory yapılandırılmış bir şekilde kayıt altına alınmalıdır. Her araştırma görevi sona erdiğinde, sistem aşağıdaki alanları kalıcı olarak saklamalıdır:

Query Plan: Bu görev hangi alt sorulara ayrılmış ve her bir alt sorunun amacı nedir.
Source List: Her alt soru için hangi kaynaklara başvurulduğu, bunların yetki düzeyi, yayınlanma tarihi ve artık kullanımdan kaldırılıp kaldırılmadığı.
Evidence Snapshot: Her kaynaktan çıkarılan temel gerçekler, orijinal kaynak referansı ve alıntı parçasıyla birlikte.
Conflict Flag: Hangi kaynakların sonuçları tutarsız, bu tutarsızlığın ne olduğu, sistemin hangisini seçtiği ve nedeni.
Phase Conclusion: Her arama turundan sonra sistemin mevcut soruya ilişkin geçici değerlendirmesi.
Failure Path: Hangi arama yollarının sonuç vermediği, nedenleri ve bir sonraki sefere yeniden denenmeye değer olup olmadığı.
Final Judgment: Kullanıcının bu sonucu kabul edip etmediği ve gerekçesi.

Böylece benzer bir görevle tekrar karşılaşıldığında sistem, yapılandırılmış deneyimi doğrudan yeniden kullanabilir ve sıfırdan yeniden keşfetmek zorunda kalmaz.

Birçok ekip geçmişte Memory sistemi oluşturmak için vektör veritabanlarını (Embedding + Retrieval, yani metni vektöre dönüştürüp benzerlik araması yapmak) kullanıyordu; tüm sohbet geçmişini Embedding sonrası saklayıp sonraki sorgularda ilgili parçaları alıyordu. Bu yaklaşımın iki ciddi riski var: Birincisi, “ilgili parçalar” her zaman gerçekten alakalı olmayabiliyor, modelin gürültüden etkilenme olasılığı artıyor; ikincisi, parçaların büyük kısmında yapılandırılmış etiket bulunmadığından sürüm, kaynak ve geçerlilik süresi yönetimi yapılamıyor. Memory’nin gerçekten ihtiyaç duyduğu şey, tasarım birikimi, değerlendirme ve yapılandırmadır; aksi halde Context arttıkça bir sonraki karar daha da belirsizleşir.

Dört, Öz-Evrimleşmenin Gerçekten Değerli Kısmı: Başarılı Deneyimlerin Skill Olarak Biriktirilmesi

Yerinde demo’da ayrıca Agent Swarm (çoklu agent işbirliği) ve “öz-evrimleşme” döngüsü de sergilendi.

Bu ifade, modelin kendi kendini eğittiği izlenimi yaratabilir. Daha doğru anlamı, Agent’ın görev tamamlandıktan sonra değerlendirme, insan geri bildirimi ve sonuç doğrulama yoluyla değerli yöntemleri Memory, Knowledge ve Skill sistemlerine entegre etmesidir.

Örneğin art arda 20 kez ürün fırsat araştırması yapıldıktan sonra, bir sistem zamanla Product Opportunity Research Skill oluşturabilir. Bu Skill sadece bir istem kalıbı değil, şunları tanımlamalıdır:

Trigger: Hangi tür görevler bu Skill’ı tetikler
Goal: Bu araştırmanın başarı kriteri nedir
Context Schema: Önceden yüklenmesi gereken kurumsal bağlam nelerdir (marka, kategori, hedef pazar)
Constraints: Hangi kaynaklar güvenilir değildir, hangi veriler referans olarak alınamaz
Tools: Sırasıyla hangi arama kaynakları, API’ler ve veritabanları çağrılır
Workflow: Adım sırası (önce pazar giriş noktasını bul → ardından ana rakipleri tespit et → sonra fiyat, trafik ve kullanıcı yorumlarını kontrol et → en son Reddit ve topluluk şikayetlerini incele)
Source Priority: Güvenilir kaynaklar öncelikli (mali raporlar/yıllık raporlar), topluluk ikinci sırada, bloglar en son
Verification: “Talep var” iddiasını desteklemek için hangi kanıtlar yeterlidir
Output Schema: Son çıktıda hangi alanlar yer alır, alan formatı nedir

Burada okuyucularla bir ayrım yapmam gerekiyor: Yukarıdaki Skill alanı, OpenAI Function Calling (harici fonksiyonları modelin çağırabileceği JSON Schema arayüzü olarak kaydeden) ile aynı şey değil — çünkü o bir araç katmanı protokolüdür. Anthropic Tool Use da (Function Calling’e benzer, ancak Anthropic daha ayrıntılı tool_use/tool_result mesaj türleri kullanır) aynı şekilde araç katmanında kalır. AutoGen’in Agent Spec’i, bir Agent’ın yeteneklerini serileştirilebilir bir nesne olarak standartlaştırır ve bu da buradaki Skill ile yalnızca kısmen örtüşür. Skill’in gerçek odak noktası, “ekibin onlarca gerçek uygulamadan sonra biriktirdiği iş akışı şablonları”dır; bu, Tools, Workflow, Constraints ve Verification olmak üzere dört katmanı bir araya getirir — bu boyut, OpenAI/Anthropic/AutoGen protokol katmanlarının hiçbirinde karşılığı yoktur.

Aynı türden araştırmayı 21. kez yaptığınızda, yöntemi yeniden icat etmenize gerek kalmaz. İşte Skill’in gerçek bileşik getirisi de budur.

Bir perakende zinciri markasına AI dönüşümü rehberliği yaparken, bu sürecin nasıl evrildiğini birebir gözlemledim. İlk hafta Agent rekabet analizi yaparken, her ürün yöneticisi arama yollarını, kaynak önceliklerini ve değerlendirme kriterlerini yeniden tanımlamak zorunda kaldı. Üçüncü haftaya gelindiğinde, her tur “etkili” araştırma yolunu Skill’e dönüştürdük; hatalı olan birkaç yol (örneğin tek bir veri kaynağına aşırı bağımlılık) açıkça işaretlendi. Sekizinci haftada, yeni katılan ürün yöneticisi sisteme hedefi girdiğinde, üretilen araştırma raporlarının kalitesi ikinci haftadaki en kıdemli üyenin taslaklarından bile tutarlı şekilde daha yüksekti. Not: Üç aşamalı zaman noktasındaki evrim, sembolik bir süreç açıklamasıdır; gerçek tempo proje bazında değişir.

İşte Skill’in gerçek değeri burada ortaya çıkıyor: Ekip üyelerinin beyinlerinde dağınık halde bulunan örtük yöntemleri, ekibin paylaştığı, aktarılabilir ve geliştirilebilir bir mühendislik varlığına dönüştürmek.

Bu nedenle gerçek kendi kendine evrim, Evaluation’a (kalite değerlendirmesi) dayanıyor. Net sonuç değerlendirmesi olmaksızın, hatalı deneyimler de kaydedilir ve sistem hatalarını giderek daha kendinden emin şekilde tekrarlamaya devam eder.

Beş, SEO Kaybolmadı, Ama Huni Bir Kademe Uzadı

Eskiden SEO yaparken en tipik huni şu şekildeydi: Sıralama → Gösterim → Tıklama → Kayıt → Ücretli Dönüşüm. Üretken arama ortaya çıktıktan sonra, kullanıcılar arama sayfasında, ChatGPT’de, Perplexity’de veya diğer Agent’larda doğrudan yanıt alabilir hale geldi ve artık her kaynağı tıklamak zorunda kalmıyorlar.

Pew Research Center, Mart 2025’te 900 ABD’li yetişkinin gerçekleştirdiği 68.879 Google aramasını takip etti ve yapay zeka özetlerinin göründüğü aramalarda kullanıcıların geleneksel sonuçlara tıklama oranının yalnızca %8 olduğunu, yapay zeka özeti olmayan aramalarda ise bu oranın %15 olduğunu tespit etti. Tıklamaların yaklaşık yarısı buharlaştı.

Bu durum, içeriğin değerini “tıklama almak”tan “modelin referans vermek ve güvenmek istediği bir kanıt kaynağı olmaya” doğru genişletiyor. Operasyonel metriklere kademeli olarak yeni bir halka eklenecek: AI Visibility (Yapay Zeka Görünürlüğü) → Citation/Mention (Alıntı/İma) → AI Referral (Yapay Zeka Yönlendirmesi) → Qualified (Nitelikli Leads) → Signup (Kayıt) → Paid (Ücretli).

Bu zinciri dört katmanda inceleyebiliriz: görülmek, atıf almak, tıklanmak ve dönüşmek. AI Görünürlüğü temel taşıdır—markanızın veya ürününüzün AI yanıtlarında geçip geçmediği; Citation/Mention, kaç kez ve hangi bağlamda atıfta bulunulduğu, atfın doğru olup olmadığı; AI Yönlendirmesi, kullanıcıların bu atıfları takip ederek sitenize gelip gelmediği ve ne kadar kaliteli trafik getirdiği; Qualified ise bu ziyaretlerin kaçının kayıt, deneme veya danışmanlık aşamasına ulaştığını; nihayetinde Signup ve Paid’e döner.

GEO sektöründe referans değerler şöyle: Perplexity’de %97, Google AI Overviews’ta %34, ChatGPT’de %16 atıf oranı; AI trafiği şu an toplam site trafiğinin yaklaşık %1,08’ini oluşturuyor. Ancak Perplexity kaynaklı trafiğin dönüşüm oranı Google organik aramasına kıyasla 3,1-4,4 kat, oturum süresi ise 4,7 kat daha yüksek. Bu iki rakam da büyüklük sırasında önemli—kesin sayılar site ve sektöre göre değişir, ancak “AI trafiği az ama kalitesi yüksek” eğilimi tutarlı.

慢慢学AI

它和传统 SEO 漏斗最大的差别是：中间多了 Citation/Mention 和 AI Referral 两个新环节，而且 Citation 质量比 Citation 数量更重要。一个 AI 答案里把你的产品引用为“另一个可选方案”和把它引用为“针对这个场景最值得评估的三个产品之一”，带来的 Qualified 流量天壤之别。Ahrefs 数据科学家发现，Google AIO 引用源大概每轮有 45% 变化——这意味着光靠“被引用过一次”是不够的，要看 Citation Persistence（被引用的持续性）。

这里要避免一个误区。Citation 本身也可能成为 Vanity Metric（虚荣指标）。如果一个品牌被大量 AI Answer 提及，却没有带来高质量访问、品牌搜索、注册或收入，单纯引用次数的商业价值有限。

所以 GEO 最终仍然要回到完整 Funnel（漏斗）。但中间的衡量标准已经改变：不是“被搜到”，而是“被 AI 信任到愿意转述”。

六、内容建设开始为问题空间建立可靠证据，不只是为关键词写

Geleneksel SEO hunisinden en büyük fark, ortada iki yeni aşamanın bulunmasıdır: Citation/Mention ve AI Referral. Üstelik Citation sayısı değil, Citation kalitesi belirleyici faktördür. Yapay zeka yanıtında ürününüzün “alternatif bir seçenek” olarak mı yoksa “bu senaryo için değerlendirilmesi gereken en iyi üç ürün arasında” mı gösterildiği, elde edeceğiniz nitelikli trafiği dramatik biçimde farklılaştırır. Ahrefs veri bilimcilerinin bulgularına göre, Google AIO referans kaynakları yaklaşık her döngüde %45 oranında değişiyor. Bu da “bir kez referans alınmış olmak” nın yeterli olmadığı, Citation Persistence (referansların sürekliliği) nin kritik önem taşıdığı anlamına geliyor.

Burada dikkat edilmesi gereken bir yanılgı var. Citation’ın kendisi de Vanity Metric (göz boyayıcı metrik) haline gelebilir. Bir marka çok sayıda AI Answer’da geçse bile, yüksek kaliteli ziyaret, marka araması, kayıt veya gelir getirmiyorsa, salt referans sayısının ticari değeri sınırlıdır.

Dolayısıyla GEO’nun nihayetinde yine eksiksiz bir Funnel (hunil) e dönmesi gerekir. Ancak ortadaki ölçütler değişmiştir: Artık “bulunmak” değil, “yapay zeka tarafından aktarılmaya değer görülmek” önemlidir.

Altıncı Bölüm: İçerik Oluşturma Artık Yalnızca Anahtar Kelimeler İçin Değil, Sorun Alanları İçin Güvenilir Kanıtlar Oluşturmaya Yöneliyor

Geleneksel SEO, Keyword etrafında içerik matrisleri oluşturmayı kolaylaştırır. Her keyword için ayrı bir sayfa; hedef sıralama, uzun kuyruk ve dış bağlantılardır.

Agentic Search sonrasında içerik hâlâ arama ihtiyacını karşılamalı, ancak yapı artık problem uzayına daha yakın olacak. Bir Agent, araştırma görevinde ardışık olarak birden fazla alt soru sorabilir ve birden fazla kaynağı karşılaştırabilir. Bu nedenle içeriğin daha net, doğrulanabilir, yapısal olarak istikrarlı ve kaynağı açıkça belirtilmiş olması gerekir.

Bu, içerik oluşturmanın yalnızca Keyword ile değil, aynı zamanda beş boyutta istikrar sağlaması gerektiği anlamına gelir: Entity net, Fact doğrulanabilir, Date işaretli, Source izlenebilir ve Topic Coverage tam olmalıdır. Başka bir deyişle, eskiden sıralama için düşük yoğunluklu sayfalar yığan yöntemler, Agent ortaya çıktığında etkisiz hale gelecektir.

慢慢学AI

Araştırma yaparken Agent sistemleri, “net tanımlanmış varlıklar, doğrulanabilir gerçekler, açık kaynaklar ve eksiksiz konular” içeren sayfaları tercih eder—anahtar kelimeleri üç kez başlıkta tekrarlayan sayfalar yerine. GEO-Bench’te (2026 ACL çalışması FeatGEO’nun kullandığı kıyaslama) elde edilen bulgular, alıntı oranlarını etkileyen en önemli faktörlerin belge düzeyindeki özellikler olduğunu gösteriyor: yapı, içerik ve dil kalitesi, dağınık anahtar kelime düzenlemelerinden çok daha etkili.

Her gerçek ifadeye kaynak bağlantısı eklemek, her rakama zaman aralığı eklemek ve sayfalar arasındaki konu ilişkilerini açıkça bağlamak—bunlar eskiden SEO’da pek önemsenmezdi, ancak GEO çağında temel stratejiler haline geldi.

Belirli bir alanda sürekli olarak AI’ın güvenebileceği içerik üretebilen bir site, hem arama hem de Agent çağında daha değerli olacaktır.

B2B imalat sektöründeki müşterilerle birlikte içerik stratejisi geliştirirken bu yaklaşımı test ettim: Endüstriyel otomasyon alanında faaliyet gösteren bir müşteri, son üç yılın ürün kılavuzlarını, sektör makalelerini ve teknik raporlarını “varlık-gerçek-tarih-kaynak” olmak üzere dört boyutta yeniden yapılandırdı ve site düzeyinde bir konu haritası oluşturdu. Altı ay sonra, ürün sayfalarının popüler AI sistemlerindeki alıntı oranı yaklaşık üç katına çıktı ve nitelikli leads (kalifiye müşteri adayları) yaklaşık %40 arttı. Not: Bu rakamlar yönlendirici niteliktedir ve projeden elde edilen anonimleştirilmiş verilere dayanmaktadır; kesin oranlar sektöre, başlangıç durumuna ve uygulama derinliğine göre değişiklik gösterir, kamuya açık ve tekrarlanabilir kesin veriler değildir.

Yedi, Arama API’leri Giderek Agent Altyapı Katmanına Benziyor

Geliştiriciler için bu değişimin bir de mühendislik boyutu var.

Artık “arama” özelliğini tek başına izole bir ürün yeteneği olarak inşa etmemek gerekiyor. Daha doğru bir mimari üç katmanlı olmalı:

Birinci Katman, Arama Altyapısı (Search Infrastructure). Bu katman, sağlayıcıdan bağımsız bir erişim altyapısıdır ve farklı sağlayıcıların (Tavily, EXA, Brave, Google, Bing, OpenSearch, Elasticsearch, özel geliştirilen arama sistemleri) anahtarlarını, kota sınırlarını, maliyetlerini, kararlılığını, önbellekleme mekanizmalarını, yönlendirme ve düşüş stratejilerini yönetir. Arayüzü, belirli bir sağlayıcının SDK’sına (Yazılım Geliştirme Kiti) değil, birleşik bir “eriş + kanıt döndür” şeklindedir.

Bu katman, klasik RAG (Retrieval Augmented Generation) mimarisinin “Document Store / Retriever / Generator / Reranker / Prompting Strategy” beş katmanıyla paralel bir ilişki içinde ancak tamamen örtüşmüyor — RAG “tek seferde soru-cevap” paradigmıyken, Search Infrastructure “Aracının çoklu çağrıları ve dinamik birleştirme” paradigmını temsil ediyor. Bu ikisi bir arada kullanıldığında, özellikle Reranker ve Source Priority konularında kafa karışıklığına yol açabilir.

İkinci katman, Research Agent. Bu katman şu yeteneklere sahiptir: Planning (planlama), Query Expansion (sorgu genişletme), Retrieval (bilgi erişimi), Reasoning (akıl yürütme), Evidence Assessment (kanıt değerlendirme), Verification (doğrulama) ve Action Orchestration (eylem orkestrasyonu). Doğrudan bir Provider’a çağrı yapmak yerine, birinci katmandaki birleşik soyutlama üzerinden aday kanıtları alır, ardından hangi kanıtların güvenilir olduğuna ve hangilerinde çelişki olduğuna karar vererek ek arama gerekip gerekmediğini belirler.

Üçüncü Katman, Domain Skill. SEO Research, Competitor Research, Academic Research, Product Research, Legal Research gibi farklı görevler için özelleşmiş yöntemler, kaynak öncelikleri, doğrulama kuralları ve çıktı Şeması oluşturulur. Skill, Agent’ı çağırır; Agent ise Infrastructure’ı çağırır.

Bu katmanlı yapı, asimetrik bir avantaj sunar: Alt katmandaki Provider değiştirilebilir; Tavily sorun verdiğinde geçici olarak EXA’ya geçilebilir ve iş birimi, alt katmanı değiştirdiğinde Research Loop’u sıfırdan yazmak zorunda kalmaz. Üst katmandaki yetenekler sürekli birikir; iş birimi, Provider değiştiğinde Skill’ı yeniden yazmak zorunda kalmaz. Bu, katmanlı yapının gerçek değeri —— decoupling (bağımsızlaştırma) ——.

Bir finans sektörü müşterisinin AI ekibi geçen yıl bu mimariyi denedi ve arama işlevini “mühendislik ekipleri kendi API’lerini entegre ediyor” durumundan bu üç katmana yeniden yapılandırdı. Sonuç olarak, mühendislik ekipleri artık “bir Provider’ın aniden hız sınırlaması” nedeniyle kesintiye uğramıyor; iş birimi, ne araştırma yapmak istediğini Skill ile tanımlayabiliyor ve alt katmanın kimi çağırdığıyla ilgilenmek zorunda kalmıyor. Üç ay içinde, farklı ekipler arasındaki araştırma görevlerinin teslim süresi yaklaşık yarıya indi. Not: %50’ye düşüş, anonimleştirilmiş projenin yönelimsel bir incelemesidir; kesin oran, ekip büyüklüğü ve mevcut yapı farklılıklarına bağlı olarak değişir.

Sekizinci Bölüm: Asıl Dönüşüm “Bilgi Edinme”nin Görev Tamamlamanın Parçası Haline Gelmesi

AI Search’ü sadece “arama kutusu daha akıllı hale geldi” olarak anlamak, bu dönüşümü küçümsemek olur.

Search, Memory, Tool Use ve Action birleştirildiğinde, kullanıcıların gerçekten talep ettiği şey giderek hedefe benzeyecek, Query sistem içinde kalacaktır.

“Bana bu konuyla ilgili birkaç kaynak bul” ifadesi “Bu pazarı araştır, birkaç alternatifi karşılaştır, kanıt ve önerilerle birlikte sun” haline dönüşecektir. “Otel ara” ifadesi “Bu kısıtlamalara uygun oteli bul, toplam maliyeti karşılaştır ve rezervasyon hazırlığını tamamla” haline gelecektir. “Rakip ürünleri ara” ifadesi “Rakip ürünleri sürekli izle, önemli değişiklikler olduğunda bana haber ver ve bunun mevcut stratejiyi etileyip etkilemediğini açıkla” şeklinde değişecektir.

Bu dönüşüm dört farklı sektörde farklı anlamlar taşımaktadır.

Telekomünikasyon senaryosunda, Agent artık sadece “5G tarifesi hangi daha ucuz” sorusuna cevap vermekle kalmayacak; kullanıcının arama, veri kullanımı ve dolaşım alışkanlıklarını analiz ederek mevcut tarifesinin uygun olup olmadığını karşılaştıracak, sözleşme bitiminden önce “yenileme / tarife değiştirme / operatör değiştirme” olmak üzere üç seçenek sunacak ve karşılaştırma sonuçlarını doğrudan kullanıcıya gönderecektir.

Finans senaryosunda, Agent artık sadece “ETF nedir” açıklamakla yetinmeyecek; kullanıcının yetkisi dahilinde kullanıcının varlık dağılımını, piyasa koşullarını ve düzenleyici politika değişikliklerini okuyarak proaktif bir şekilde portföy ayarlama önerileri sunacak ve her önerinin kanıt kaynaklarını belirtecektir.

IM Production Senaryolarında Agent Kullanımı

Üretim senaryolarında Agent, artık yalnızca “bu makinenin hata kodunu bul” komutundan ibaret değil. Cihaz logları, sensör verileri ve yakın tarihli bakım kayıtlarını analiz ederek hata nedenini çapraz doğrulama yoluyla belirliyor, “bugün/yyarın/bu hafta sonu” olmak üzere üç aşamalı bakım planı sunuyor ve yedek parça listesi ile iş gücü tahminlerini doğrudan iş emrine dönüştürüyor. 2026 yılındaki endüstriyel Agent uygulamaları arasında en ikna edici olanı budur — bir CNC tezgahının titreşim verileri, üç aylık bakım kayıtları ve vardiya sensörü uyarıları ele alındığında, manuel inceleme 4 saat sürerken, kanıt zinciri içeren çok döngülü Agent araması 8 dakikada üç aşamalı çözüm sunuyor ve her çözümün kanıt kaynağı belirtiliyor.

E-Ticaret Senaryolarında Sürekli İzleme

E-ticaret senaryolarında Agent, artık yalnızca “rakip fiyatını bul” işlevi görmüyor. Tüm platformlardaki fiyatları, stok durumlarını ve promosyon ritimlerini sürekli izliyor; kullanıcının ilgilendiği SKU, “son 30 günlük ortalama fiyatın %20 altına” düştüğünde proaktif bildirim gönderiyor ve kendi fiyatlandırmanızı ayarlayıp ayarlamayacağınız konusunda öneri sunuyor.

Arama Motorlarının Dönüşümü

Arama hâlâ var, ancak artık daha büyük bir görev sistemi içinde geri planda kalan bir bileşen haline geldi.

İçerik, SEO ve AI Ürünleri İçin Kritik Soru

İçerik, SEO ve AI ürünleri açısından gerçekten dikkat edilmesi gereken nokta şudur: Kalıcı olarak güvenilir kanıt üretebilen, aramayı atıf yapılabilir bir kaynağa dönüştürebilen ve bu atıfları eyleme dönüştürebilen kişi kazanır.

Karar Vericiler İçin Çıkarımlar

Bir üst düzey yönetici veya dijital dönüşümden sorumlu genel müdür yardımcısıysanız, Agentic Search uygulamasında asıl belirlemeniz gereken şey “hangi arama API’sini değiştireceğiniz” değil, üç kritik noktadır:

Kanıt Altyapısı

Ürün kılavuzlarınız, sektör raporlarınız, teknik dokümanlarınız ve müşteri hizmetleri kayıtlarınız “varlık—olgu—tarih—kaynak” olmak üzere dört boyutlu bir yapıya sahip mi? Bu, bir Yapay Zeka Aracısı’nın (Agent) uzun vadede bilgilerinize güvenle başvurabilmesinin ön koşuludur; SEO araçlarının yerini alabilecek bir şey değildir.

Beceri Varlıkları

Ekip içindeki en kıdemli çalışanların zihninde bulunan “X durumunda ne yapılır” şeklindeki örtük deneyimler, yeniden kullanılabilir ve geliştirilebilir Becerilere (Skill) dönüştürüldü mü? Eğer dönüştürülmediyse, her yapay zeka entegrasyonu sıfırdan başlar.

Değerlendirme Döngüsü

Yapay zeka çıktılarının doğruluğunu nasıl değerlendiriyorsunuz? Sistematik bir Değerlendirme (Evaluation) olmaksızın kendi kendine öğrenme, hataları giderek daha güvenle tekrarlamaya yol açar.

Bu üç unsurun ortak noktası: Hiçbiri tedarik listesinde yer almaz, tümü kuruluş içinde geliştirilmesi gereken yetkinliklerdir.

Muhtemelen Merak Ettiğiniz Sorular

S1: Agentic Search ortaya çıktıktan sonra geleneksel SEO’ya hâlâ ihtiyaç var mı?

Evet, kesinlikle. SEO, GEO’nun (Generative Engine Optimization) temelini oluşturur. Geleneksel aramalarda bile üst sıralarda yer almayan bir web sitesinin yapay zeka tarafından kaynak gösterilme olasılığı çok daha düşüktür. SEO “bulunabilirlik” sağlarken, GEO “yapay zeka tarafından güvenilir ve aktarılabilir bulunma” hedefini taşır — bunlar birbirinin yerine geçmeyen iki farklı kavramdır.

S2: Alıntı (Citation) sayısı arttığı halde Nitelikli Satış Fırsatları (Qualified Leads) neden yükselmiyor?

Büyük olasılıkla Citation kalitesi sorunu var. Bir AI yanıtında sadece “alternatif seçeneklerden biri” olmakla, “değerlendirilmesi gereken en önemli üç kaynaktan biri” konumunda olmak tamamen farklı trafik türleri yaratır. Birincisi yalnızca tarama, ikincisi ise ciddi bir sorgulamadır. Citation’ınızın AI yanıtında tam olarak nerede ve hangi bağlamda geçtiğini incelemek, salt sayılara bakmaktan çok daha faydalıdır.

S3: Şu an Research Agent sistemi kurmalı mıyım?

Önce sorunun kapsamını belirleyelim. Araştırma görevleriniz özel verilere (müşteri kayıtları, dahili ürün kılavuzları, uyumluluk belgeleri) ihtiyaç duyuyor ve uyumluluk mutabakatı ya da düzenleyici yorumlama içeriyorsa, kendi sisteminizi kurmanız gereklidir. Araştırma görevleriniz ağırlıklı olarak kamuya açık bilgilere dayanıyorsa, önce mevcut araçları (Tavily, EXA, Perplexity, Alibaba Cloud OpenSearch Agentic Search vb.) etkin şekilde kullanarak 3-6 ay boyunca gözlem yapın; ekosistem olgunlaştığında kendi sisteminizi kurup kurmama konusunda karar verin.

Tersine Kendi Kendini Kontrol (Kendi Kendini Aldatma Tuzağından Kaçınma)

“AI tarafından alıntılanmayı” bir KPI olarak görmek, bir araç olarak değil — eğer bu alıntılar kayıt veya sorguya dönüşmüyorsa, bu yalnızca ego göstergesidir.
Beceri birikimini tek seferlik dokümantasyon sanmak — Becerilerin Değerlendirmesi (Evaluation) olmadan, biriken yalnızca hatalardır.
Arama API’sini mühendislik sorunu sanmak — Arama kalitesi değerlendirmesi özünde araştırma döngüsünün güvenilirlik sorunudur, sadece arayüz seçimi değildir.
“AI ne yaptı”yı kanıt sanmak — Asıl bakılması gereken, “sistem bunun sonucunda ne değişti”idir.

Kurumsal arama/SEO ekiplerinin Temsili Arama (Agentic Search) yaklaşımını benimsemesini, hangi GEO metriklerinin izlenmeye değer olduğunu ve hangi içerik varlıklarının AI alıntılarının hedefi haline geleceğini değerlendiriyorsanız, konuşmaktan memnuniyet duyarız. Kurumsal AI dönüşüm danışmanlığı sunuyoruz — arama mimarisinden içerik stratejisine, GEO metriklerine kadar, “web sayfasının keşfedilmesi”ni “AI’ın güvenini kazanıp aktarmaya hazır hale gelmesi”ne dönüştürüyoruz.

Kurumsal eğitim — Arama mimarisi, içerik varlıkları ve GEO ölçümlerini ekibinizin hemen uygulayabileceği bir atölye çalışması olarak sunuyoruz (2-3 gün, temel bilgi + uygulama).
Özel danışmanlık — Mevcut arama altyapınıza, beceri birikimi yol haritanıza ve Atıf (Citation) kalitesine yönelik tanı ve uygulama yolu sunuyoruz.
Yönetim sunumları ve sektör konferansları — Arama üç aşaması, içeriği problem uzayı olarak görme, GEO hunisi gibi değerlendirmeleri sektör konferanslarınıza veya üst düzey yönetim toplantılarınıza taşıyoruz.

İşbirliği e-postası: [email protected]

Daha fazla okuma: 《AI Dönüşümü Yedi Adımlık Çerçeve》, işletmelerin AI’yi kapsamlı bir şekilde uygulamaları için sistematik bir yol haritası sunar.

Bu Seri Hakkında

「Yunqi Gözlemleri」, IAIUSE’nin sektör saha serisidir; 2026 Yunqi Konferansı’ndan yola çıkarak, bir araştırmacı perspektifinden AI endüstrisinde gerçekleşmekte olan değişimleri çözümler. Trendlerin peşinde koşmaz, sadece yatırım yapılan yönleri ve kanıtların güççülüğünü inceler.

Seri; model katmanının üzerindeki sistem katmanı, Agent uygulamaları, Context varlıkları, kurumsal AI organizasyon tasarımı ve AI ürün rekabet birimlerinin göçü gibi konuları kapsar; yaklaşık 10 bölümden oluşur.

Yaklaşık 8 yıllık büyük ölçekli kurumsal danışmanlık ve iş analizi deneyimim var. IBM’de çalıştım, telekomünikasyon, finans, sigorta ve imalat sektörlerindeki projelerde yer aldım. Ardından operatör ürünleri, internet ürünleri ve AI uygulama geliştirme cephesinde devam ettim; gereksinim analizi, ürün tasarımı ve çapraz ekip uygulamasıyla ilgilendim. Bu kanalın arkasında aslında küçük bir ekip var — 1-2 uzun süreli işbirliği yaptığım meslektaşla birlikte, AI programlama araştırması, organizasyon yönetişimi vaka analizi ve koçluk görüşmeleri konularında görev alıyoruz. Yazıda “işletmelerle birlikte geçirdiğimiz” projelerin çoğu, bizlerin birlikte teslim ettiği projelerdir.

Bu serinin değerlendirmeleri, sahadan gözlemlerime ve sektörler arası doğrulamaya dayanmaktadır; açık bir yazarlık perspektifi taşır ve hiçbir üretici görüşünü temsil etmez.

Yerelleştirme Notları (Çok Dilli Çeviri Karşılaştırması, IAIUSE Çok Dilli Stratejisi·2026-08-09 Anlaşması)

19 dilde çeviri yapılırken, aşağıdaki içerikler hedef dilin pazarına göre yerelleştirilerek değiştirilir; yapı ve görsel sunum aynı kalır:

Türkçe	İngilizce	Japonca	Almanca	Arapça
Alibaba Bulut OpenSearch	Alibaba Cloud OpenSearch (korunur)	アリババクラウド OpenSearch	Alibaba Cloud OpenSearch	OpenSearch علي بابا كلاود
Tavily / EXA	Tavily / EXA (küresel ürün korunur)	Tavily / EXA	Tavily / EXA	Tavily / EXA
ChatGPT / Perplexity	ChatGPT / Perplexity	ChatGPT / Perplexity	ChatGPT / Perplexity	ChatGPT / Perplexity
Baidu / Google	Google	Yahoo! JAPAN / Google	Google	Google

Perakende Zincir Markası (anonimleştirilmiş)	Target / Best Buy (anonimleştirilmiş)	Aeon / Seven & i (anonimleştirilmiş)	Lidl / Aldi (anonimleştirilmiş)	Panda / Al Othaim (anonimleştirilmiş)
Endüstriyel Otomasyon Müşterileri (anonimleştirilmiş)	Honeywell / GE (anonimleştirilmiş)	ファナック / 安川電機 (anonimleştirilmiş)	Siemens / Bosch (anonimleştirilmiş)	SABIC / Aramco (anonimleştirilmiş)
Finans Müşterileri (anonimleştirilmiş)	JPMorgan / Goldman (anonimleştirilmiş)	三菱UFJ / SMBC (anonimleştirilmiş)	Deutsche Bank (anonimleştirilmiş)	NCB / QNB (anonimleştirilmiş)

Referans Açıklamaları (Madde bazında, 09.08.2026 tarihli anlaşma·Kapı 1 Mutlaka kontrol edilmeli)

Açıklama: Yukarıda belirtilen yerelleştirme kalemlerinin dışında, metindeki küresel ürün/kavramlar (Research Agent, Task Memory, Context Provider, Citation / Mention, AI Visibility, Long-term Memory, MemGPT, Letta, RAG, Tavily, EXA) orijinal halleriyle bırakılmıştır. Diğer 15 dil için IAIUSE üç kademe sistemi uygulanmaktadır: Öncelikli 5 dil (Çince/İngilizce/Almanca/Japonca/Arapça) yukarıdaki tabloya göre yerelleştirilir; yan diller 9 dil (İspanyolca/Fransızca/Portekizce/Korece/Rusça/İtalyanca/Felemenkçe/Lehçe/Türkçe) OpenSearch/Tavily/EXA orijinal isimlerini korur + yerel temsilci şirketlerle değiştirilir; isteğe bağlı 5 dil (İsveççe/Tayca/Vietnamce/Ukraynaca/Endonezce) orijinal isimlerle yer tutucu olarak bırakılır.

#	文中引用	Kaynak	Yayınlanma Tarihi	Kanıt Düzeyi	Duruş Etiketi
1	“Exa %81 / Tavily %71 WebWalker çoklu atlamalı kıyaslamasında; Exa 1,4sn / Tavily 4,5sn p95 gecikme süresi”	exa.ai/versus/tavily (Exa Labs resmi karşılaştırma sayfası)	2026-02-12	Doğrulanmış gerçek (üretici kaynağı)	Exa’nın kendi sayfası, Exa perspektifi ile; WebWalker üçüncü taraf kıyaslaması bağımsız olarak doğrulanabilir
2	“Alibaba Cloud OpenSearch Agentic Search 2026-08-31 tarihinden itibaren ticari kullanıma açılıyor, öncesinde halka açık beta ücretsizdi”	alibabacloud.com/help/doc-detail/3053142.html (Alibaba Cloud OpenSearch resmi dokümantasyonu)	2026-08-31 itibarıyla yürürlükte	Doğrulanmış gerçek (resmi dokümantasyon)	Alibaba Cloud, üretici perspektifi

| 3 | “Standart LLM’lerin çok turlu retrieval’siz doğruluğu < %10, Deep Research Agent > %50” | tianpan.co/blog/2026/04/12/deep-research-agents… (Sektör Analizi); ayrıca bkz. arxiv.org/html/2606.15367v1 (S1-DeepResearch Derlemesi) | 2026-04 | Sektör Gözlemi (Analist Özeti) | Tianpan bağımsız analisti; S1-DeepResearch makalesi hakemliği |
| 4 | “MindDR, BrowseComp-ZH’de %45.7 / DeepResearch Bench’te %52.5” | arxiv.org/html/2604.14518v1 (Li Auto Mind DeepResearch Teknik Raporu) | 2026-04-14 | Doğrulanmış Gerçekler (Makale) | Li Auto’nun kendi geliştirdiği modeli, üretici perspektifi |

| 5 | “DRBench: 100 Kurumsal Derin Araştırma Görevi, 1093 Alt Soru, 10 Alan” | arxiv.org/pdf/2510.00172(ServiceNow Research) | 2025-10 | Doğrulanmış Gerçekler (Makale) | ServiceNow’un Kendi Araştırması |
| 6 | “MemGPT 2023 Makalesi ‘LLM as OS’ Katmanlı Paradigması; Letta 2024 Mühendislik Uygulaması; DeepLearning.AI 2026 Kısa Süreli Kursu” | blog.stackademic.com/letta-platform… ;letta.com/blog/benchmarking-ai-agent-memory;linkedin.com/posts/deeplearningai… | 2023-2026 | Doğrulanmış Gerçekler (Teknik İnceleme) | MemGPT/Letta’nın Kendi Blogları, Araç Taraftarı Perspektifiyle |

| 7 | “Pew Research: 900 ABD’li yetişkin; 68.879 Google araması; AI özetli arama sonuçlarında tıklama oranı %8, AI özeti olmadan %15” | instituteforpr.org/do-ai-summaries-reduce-clicks-on-google (Pew Research özeti) | 2025-07 | Bağımsız araştırma tarafından doğrulanmış gerçek | Pew Research bağımsız araştırma kuruluşu |

| 8 | “Perplexity referans oranı %97, Google AIO %34, ChatGPT %16; AI trafiği toplam web trafiğinin yaklaşık %1,08’ini oluşturuyor, dönüşüm oranı Google organik aramasından 3,1-4,4 kat daha yüksek, oturum süresi ise 4,7 kat daha uzun” | cite.solutions/generative-engine-optimization(2026-05-02);omnius.so/blog/generative-engine-optimization-kpis-and-metrics(2026-08-18);trycited.app/generative-engine-optimization(2026-08-17) | 2026-05/08 |Sektör gözlemi (birden fazla GEO araç sağlayıcısından veriler);MarGen 2026 referansı | GEO araç sağlayıcılarının kendi verileri, araç tarafını destekler nitelikte |

| 9 | “Ahrefs: Google AIO Kaynaklarının Yaklaşık %45’i Her Döngüde Değişiyor” | omnius.so/blog/generative-engine-optimization-kpis-and-metrics(2026-08-18) | 2026-08-18 | Sektör İzleme (SEO Araçları) | Ahrefs, SEO araç sağlayıcısı perspektifi |
| 10 | “FeatGEO: GEO-Bench Üç Üretken Motor Üzerinde Test Edildi; Doküman Düzeyinde İçerik Özelliklerinin Atıf Oranına Etkisi, Anahtar Kelime Düzeyindeki Düzenlemelerden Daha Yüksek” | aclanthology.org/2026.acl-long.929/(ACL 2026 Uzun Makale) | 2026 | Doğrulanmış Gerçek (Akran Değerlendirmeli) | Akademik Araştırma |
| 11 | “Gemini 3.1, DeepResearch Bench’te RACE 49.65, Atıf Doğruluğu %77.20” | arxiv.org/html/2604.14518v1(Aynı MindDR Makalesinde Karşılaştırmalı Veriler) | 2026-04 | Doğrulanmış Gerçek (Makale) | Üçüncü Taraf Kıyaslama, Tarafsız Olmayan Perspektif |

| 12 | “RAG’ın Klasik Beş Katmanı: Document Store / Retriever / Generator / Reranker / Prompting Strategy” | medium.com/@angelosorte1/rag-architectures-every-ai-developer-must-know-in-2026(Angelo Sorte özeti);levelop.dev/blog/…/agent-rag-architecture-five-layer-retrieval-stack(2026-07-23);braintrust.dev/articles/best-vector-databases-for-rag-2026 | 2026 | Sektör Gözlemi (Teknik Özet) | Mühendislik Uygulaması Özeti |

| 13 | “Anthropic Agent Skills Dosya sistemi düzeyinde kaynaklar, Skill talep üzerine yükleme, birleştirilebilir” | docs.anthropic.com/en/docs/agents-and-tools/agent-skills/overview(Anthropic resmi belgeleri) | 2026 | Doğrulanmış gerçek (resmi belgeler) | Anthropic, üretici duruşu |

Metinde ayrıca “anonimleştirilmiş/örnek niteliğinde” olarak işaretlenen müşteri vakaları (perakende zincir markasının evrimi, B2B endüstriyel otomasyon müşterisinde 3 kat alıntı oranı / %40 Qualified Leads artışı, finansal müşteride teslimat süresinin yarıya inmesi): eşlik eden projelerden anonimleştirilmiş geri bildirime dayanmaktadır, herhangi bir somut müşteriye işaret etmez, rakamlar yönlendirici niteliktedir.