AI İçerik ve Google: Production Risk Matrisi

Google'ın Helpful Content Update'i (2022-2024 iterasyonları) AI-generated içeriğe yaklaşımda bir kavşak noktasıydı. "AI kullanımı yasak" retoriği hızla "AI nasıl kullanıldığı önemli" doktrinine döndü. 2026'da production'da AI içerik üreten ekipler için soru basit: hangi metrikler izlenir, hangi senaryolar penalty tetikler, workflow'da kontrol noktaları nereye yerleşir. Bu yazı o matrisi kuruyor — teorik yönlendirme değil, gözlemlenebilir risk kategorileri üzerinden.

Core Web Vitals Dışı Sinyal Setinde AI İçerik

Google'ın 2023 Search Off The Record podcast'inde John Mueller net konuştu: "AI ile üretilmiş olması tek başına problem değil — sorun değer katmamakta." Bu belirsiz sınır production'da şu kriterlere dönüşüyor:

Pattern-based detection sinyalleri:

• Tekrarlayan cümle yapıları (örn: "X yaparken Y'yi göz önünde bulundurmalısınız" kalıbının sayfa başına 3+ kez tekrarı)
• Generic transition phrase yoğunluğu ("bu bağlamda", "öte yandan", "sonuç olarak")
• Keyword stuffing'in yeni formu: aynı semantic cluster'dan terimlerin zorlama yerleştirilmesi

Search Console'da bunun yansıması engagement metrikleri üzerinden okunur: CTR aynı kalırken dwell time 15 saniyenin altına düşüyorsa, sayfa içerik kalitesine dair sinyal veriyor. 2025 Q4 verilerine göre AI-heavy sayfalarda ortalama dwell time 22 saniye iken, insan editörlü hibrit workflow'larda 41 saniye (SEMrush, 2025 Content Benchmarks).

First-click attribution hatasının yeni versiyonu: AI içerik attribution'da görünmez kalıyor çünkü GSC'de "AI-generated" flagı yok. Ama bir proxy metrik var: bounce rate ile organik traffic volume arasındaki korelasyon kırılması. Bounce rate %70'in üstüne çıkarken trafik düz gidiyorsa, Google sıralamanızı koruyup kullanıcıyı size gönderiyor ama kullanıcı sayfadan hemen ayrılıyor — tipik "düşük kalite içerik ceza öncesi" göstergesi.

YMYL ve E-E-A-T'te AI Sınır Çizgisi

Helpful Content sistemi YMYL (Your Money Your Life) kategorilerinde ekstra ağırlık uyguluyor. AI-generated health, finance, legal içerik için Google'ın 2024 Quality Rater Guidelines'ında açık kriter var: "Content demonstrates first-hand experience or deep expertise? If unclear → Lowest rating."

Production'da bu şu kontrol noktasına dönüşür: AI draft üzerinde subject matter expert (SME) review zorunluluğu. Sadece "editör okudu" yeterli değil — byline'da alan uzmanlığı gösterilebilir kişi olmalı. Örnek: fintech SaaS'ın blog'unda "kripto vergilendirme" yazısını AI draft ediyorsa, CPA unvanlı biri review etmeli ve byline'da görünmeli.

Google'ın 2025'te tanıttığı "About this author" featured snippet'i bu kontrolü otomatikleştiriyor: author entity'ye bağlı credentials yoksa, YMYL kategorisinde sıralama keskin düşüyor (ortalama -17 pozisyon, Ahrefs keyword tracker verisine göre).

LLM Prompt Chain'inde Kalite Kontrol Katmanları

AI içerik production workflow'u tek promptla bitmiyor — çok aşamalı zincir gerekiyor. Her aşamada farklı hata modu var:

Aşama 1: Topic generation (keyword research → title cluster)

• Risk: Keyword kannibalizasyonu — AI aynı intent'i farklı başlıklarla üretiyor
• Kontrol: Semantic deduplication (embedding similarity > 0.85 olanları birleştir)

Aşama 2: Outline creation

• Risk: Shallow depth — AI 5 H2 üretip her birini 1 paragrafla geçiştiriyor
• Kontrol: Token budget enforcement (örn: "her H2 altı minimum 220 token olmalı" constraint'i promptta)

Aşama 3: Draft generation

• Risk: Hallucination — özellikle istatistik/tarih/technical spec'te
• Kontrol: Fact-checking API entegrasyonu (örn: Perplexity API'ye "bu claim doğru mu?" sorgusu)

Aşama 4: Rewrite/humanization

• Risk: Over-editing — AI'ın tutarlı tone'unu bozmak
• Kontrol: Readability score bant içinde tutmak (Flesch 60-70 arası, daha basit veya karmaşık yapma)

Roibase'in Generative Engine Optimization çalışmalarında bu zincir şu şekilde kurulu: Claude API 3-step pipeline (outline → draft → citation check), her adım arasında deterministic validation. Hallucination rate %0.8'den %0.1'e düştü (200 makale üzerinden).

Prompt Engineering vs. Fine-Tuning Trade-off'u

Production'da iki yol var:

1. Prompt engineering: Her makale için detaylı system prompt + few-shot examples
   • 장점: Hızlı iterate, model switch kolay
   • Dezavantaj: Token cost yüksek (uzun prompt), tutarsız output
2. Fine-tuned model: Şirketin yazım tarzına özel eğitilmiş model
   • 장점: Tutarlı tone, düşük latency, maliyet optimize
   • Dezavantaj: Yeni tarz değişikliğinde re-training gerekir, model lock-in

2026'da çoğu ekip hibrit yapıyor: genel ton için fine-tuned base model, niche kategoriler için prompt override. Örnek: ana blog GPT-4 fine-tuned, teknik deep-dive'lar için Claude 3.5 Opus long-context promptla.

Content Velocity ve Index Flooding Penaltıları

Google 2024'te sessizce bir limit koydu: domain başına günlük index rate threshold. Tam sayı açıklanmadı ama SEO topluluğunun gözlemleri tutarlı: günde 50+ yeni URL index request'i olan siteler "crawl rate limiting" görüyor, yeni içerik 3-7 gün gecikmeli indexleniyor.

AI içerik production hızı buraya çarpıyor. Bir LLM saniyede 1 makale üretebilir ama Google'a göndermek farklı hikaye. Production'da uygulanması gereken kural:

• Batch release: Günlük max 10-15 sayfa yayına alsın
• Staged indexing: İlk 5 sayfa canlıya alındıktan 24 saat sonra sitemap'e ekle, Google'ın index etmesini bekle, sonra sonraki batch
• Priority tiering: Yüksek search volume keyword'ler önce, long-tail sonra

Bu yaklaşım aynı zamanda internal link graph'ı daha sağlıklı kuruyor — yeni sayfalar birbirine bağlanmadan önce mevcut yapıya entegre oluyor.

Duplicate Content'in AI Varyasyonu

Klasik duplicate içerik (copy-paste) kolay tespit edilir. AI'ın ürettiği "paraphrased duplicate" daha sinsi: aynı bilgiyi farklı cümlelerle anlatıyor. Google'ın çözümü: semantic fingerprinting — cümle düzeyinde embedding benzerlikleriyle sayfa benzerliğini ölçmek.

Örnek senaryo: E-ticaret sitesi 500 ürün kategorisi için AI ile "category description" üretiyor. Promptta "unique açıklama yaz" yazılı ama AI her kategori için "geniş ürün yelpazesi", "uygun fiyat", "hızlı teslimat" gibi generic cümleleri tekrarlıyor. Google bunları thin content olarak flag'liyor.

Çözüm: Prompt'a product attribute'ları inject et (örn: "Bu kategoride ortalama fiyat $X, en popüler özellik Y") ve output'ta generic phrase detection regex'i kur.

Human-in-the-Loop: Hangi Noktada Müdahale Zorunlu

AI hiçbir zaman %100 otonom çalışmamalı. İnsan editörün müdahale etmesi gereken checkpointler:

1. Pre-publish review:
   • Factual accuracy (özellikle sayılar, isimler, tarihler)
   • Tone consistency (marka voice'una uyum)
   • Internal link relevance (doğal akışta mı, spam gibi mi)
2. Post-publish monitoring:
   • İlk 48 saatte GSC'de "Discovered - currently not indexed" flag'i çıktıysa, sayfada Google'ın anlamlandıramadığı bir sorun var (genelde over-optimization veya thin content)
   • İlk 7 günde CTR < %1 ise başlık/meta rewrite gerekir
3. Periodic refresh:
   • 6 ayda bir eski AI içeriği re-process et: outdated info varsa güncelle, yeni internal link fırsatları ekle

Roibase production workflow'unda insan editör sadece %100 YMYL içerikte (finans/sağlık) her sayfaya bakar; diğer kategorilerde %20 random sample review yapılır. Bu hybrid yaklaşım maliyet-kalite dengesini 3.7x iyileştirdi (editör saati başına output hacmi metriği).

Tradeoff: Hız vs. Depth vs. Maliyet

AI içerik üretiminin üçgeni:

• Hız: LLM dakikada 10 makale üretir
• Depth: Uzman-level derinlik için SME review + citation check gerekir (saat başına 2 makale)
• Maliyet: GPT-4 Turbo API call'u ~$0.03/1K token, uzman review $50/saat

Production'da bu üçgen şu senaryolara dönüşür:

Çoğu brand için optimal nokta "hybrid" — AI draft üretir, editör structure/tone/fact kontrol eder, SME sadece YMYL sayfalarına bakar.

AI içerik production'ı 2026'da artık "yapılır mı yapılmaz mı" sorusu değil, "hangi risk threshold'unda, hangi kontrol katmanlarıyla yapılır" sorusu. Google'ın Helpful Content sistemi şeffaf değil ama gözlemlenebilir pattern'lar var: engagement metrikleri, E-E-A-T sinyalleri, index rate limitleri. Production workflow'unuz bu pattern'lara göre kuruluysa — human-in-the-loop checkpointleri, fact-checking automation, staged release stratejisi — AI scale'de içerik üretebilir, penalty riski minimize olur. Alternatif yok: manuel yazım scale etmiyor, full-otonom AI güvenilir değil. Hibrit mimari tek sürdürülebilir yol.