(Bunu alt yığınımda yayınladım, ancak burada paylaşmaya değer olduğunu düşündüm)
ChatGPT’nin hangi ürünleri tavsiye edeceğine nasıl karar verdiğini araştırıyorum ve yeni SaaS işletmeleri için yeterince ilgi görmeyen potansiyel bir sorun olduğunu düşünüyorum. Geçenlerde GEO’nun sadece ‘ekstra adımlarla SEO’ olduğu hakkında bir gönderi paylaştım.
Birisinin ChatGPT’ye şunu sorduğunu varsayalım: “Küçük bir işletme için en uygun fiyatlı rekabet istihbaratı aracı nedir?” ChatGPT, karşılaştırma makaleleri, yazılım incelemeleri ve ürün özetleri için web’de arama yapabilir. Seçenekleri araştırıyor olsaydınız hemen hemen kendi başınıza yapacağınız şey.
Ancak bu yaklaşımda bir sorun var.
Çoğu karşılaştırma makalesi halihazırda kurulmuş ürünleri içerir. Beş farklı makale aynı üç aracı öneriyorsa ChatGPT’nin bu önerileri destekleyen birden fazla kaynağı vardır. Bu arada, daha yeni bir ürün fiyatının çok altında benzer özellikler sunabilir, ancak bu makalelerde görünmüyorsa ChatGPT’nin onu bulma olasılığı nedir?
Bunu, oluşturduğuma aşina olduğum bir pazar olan rekabetçi istihbarat yazılımını kullanarak test etmeye karar verdim (rekabet istihbaratı üzerinde çalışırken, rekabetçi istihbarat rakiplerinizi izlemeniz gerekir… ne demek istediğimi anlıyorsanız).
“Küçük işletmeler için en iyi rakip izleme araçları”, “uygun fiyatlı rekabet istihbarat yazılımı” ve “Klue alternatifleri” gibi şeyleri araştırdım. Sonuçlar ilginçti. Karşılaştırma makalelerinde aynı küçük rakipler defalarca ortaya çıkarken, daha yeni ürünler büyük ölçüde yoktu. Bazılarının indekslenmiş web siteleri ve yazılım dizini listeleri vardı, ancak çok az bağımsız editöryel içerik vardı.
Daha sonra tesadüfen DeltaV Digital’in bir çalışmasına da rastladım ve bu da bana burada araştırılmaya değer bir şeyler olduğunu düşündürdü. ChatGPT, Perplexity, Gemini ve Google AI genelinde 25.337 AI alıntısını analiz ettiler. Karşılaştırma sayfaları alıntıların yalnızca %4,1’ini oluşturuyordu, ancak kullanıldıkları zaman, erişim başına ortalama 1,87 alıntı aldılar, bu da bildirildiğine göre genel ortalamanın %45 üzerindeydi. Çalışma ayrıca listelerin B2B teknoloji hizmetleri örneğindeki alıntıların %61’ini oluşturduğunu da buldu.
Bu, yapay zekanın yerleşik ürünleri tercih ettiğini veya karşılaştırma makalelerine dahil edilmesinin önerilere yol açtığını kanıtlamaz. Alıntı sıklığı ve öneri sıklığı aynı şey değildir ancak rahatsız edici bir soruyu gündeme getirmektedir.
Yerleşik ürünlerin karşılaştırma makalelerine dahil edildiği, bu makalelerin yapay zeka aramalarında göründüğü ve sürekli aynı ürünlerin önerildiği bir geri bildirim döngüsü oluşturma tehlikesiyle karşı karşıya mıyız? Ve eğer yeni bir ürün geliştiriyorsanız bu döngüye nasıl girebilirsiniz?
O zaman başka bir sorun daha var. Bulduğum karşılaştırma makalelerinin birçoğu rakiplerim tarafından yayımlandı ve kendi ürünleri de öneriler arasında rahatlıkla yer aldı. Dolayısıyla bunların mutlaka bağımsız değerlendirmeler olması da gerekmez.
Geleneksel SEO en azından yeni bir işletmeye kendi içeriğini alakalı aramalar için sıralama fırsatı verir. Yapay zeka önerileri sayesinde, değerlendirmeye alınmadan önce diğer web sitelerinin sizden bahsetmesine giderek daha fazla güvenebilirsiniz. En hafif deyimle, diğer web siteleri rakiplerinize aitse bu zor olacaktır.
Bunun kanıtlandığını iddia etmiyorum, bunların hiçbiri kontrollü bir deney değildi, sadece gözlemlerdi. Yapay zeka araması, yalnızca birkaç makale okuyup önerilerini tekrarlamaktan daha karmaşıktır. Bununla birlikte, yerleşik üçüncü taraf içeriklerinde adı geçmenin, kendi web sitenizde iyi içerik üretmekten daha önemli olup olmayacağını merak ediyorum.
