Kısa cevap: ChatGPT bir lojistik tedarikçisi önerirken hizmet türünü, koridoru, yük tipini ve kapasiteyi sorudaki koşullarla eşleştirir. Lojistik firmaları AI görünürlüğünü “uçtan uca lojistik çözümleri” gibi genel ifadelerle kazanamaz. Hangi hatta, hangi yükü, hangi sürede ve hangi belgelerle taşıdığını açık yazan firma listeye girer.
Bursa’da otomotiv yan sanayisinde çalışan bir firmanın tedarik zinciri müdürü, Almanya’daki müşterisi için haftalık parsiyel sevkiyat kuracak. Mevcut forwarder’ı son iki ayda üç sevkiyatı kaçırmış. Yeni bir firma arıyor ve ilk soruyu yapay zekâya soruyor:
Karar sorusu · Keşif
“Bursa’dan Almanya’ya haftalık parsiyel karayolu taşıması yapan, otomotiv parçası tecrübesi olan ve transit süresi 4 günün altında olan lojistik firmaları hangileri?”
Cevap dört firma sayıyor. İkisi büyük uluslararası oyuncular, ikisi orta ölçekli Türk firmaları. Bursa’da tam olarak bu hatta, bu yük tipinde uzmanlaşmış, haftada üç çıkışı olan bir firma listede yok.
Senaryo kurgusal. Lojistik sektöründe tedarikçi araştırmasının ilk adımı ise giderek bu biçimde atılıyor. Yükleyici listeden üç firmaya fiyat sorar, gerisi görünmez kalır.
Yükleyici yapay zekâya ne soruyor?
Lojistikte sorular genellikle beş koşulun birleşiminden oluşuyor. Her koşul listeyi daraltıyor.
- Mod: Karayolu, deniz, hava, intermodal; komple ya da parsiyel.
- Koridor: Çıkış ve varış noktası: “Mersin’den Irak’a”, “İstanbul’dan İskandinavya’ya”.
- Yük tipi: Frigo, ADR’li tehlikeli madde, proje yükü, e-ticaret kolisi.
- Performans: Transit süresi, çıkış sıklığı, takip altyapısı.
- Belge: Yetkilendirilmiş yükümlü statüsü, ADR, gümrük müşavirliği, sigorta.
Arama motorunda “Almanya parsiyel taşıma” yazan kullanıcı sonuçları kendisi eler. Yapay zekâya yazan kullanıcı ise eleme işini modele devrediyor. Model de her koşul için açık bir kanıt bulabildiği firmaları öneriyor.
Lojistik siteleri bu koşulları neden karşılamıyor?
Sektörün web siteleri büyük ölçüde aynı şablonda: Hizmetler sayfası (karayolu, denizyolu, havayolu, depolama), bir filo fotoğrafı, “müşteri memnuniyeti odaklı” bir hakkımızda metni. Bu yapıda koridor, yük tipi ve performans bilgisi yer almıyor.
Oysa firma bu bilgilere sahip. Operasyon ekibi hangi hatta haftada kaç çıkış olduğunu, ortalama transit süresini, hangi ülkelerde acente ağı bulunduğunu biliyor. Bilgi yalnızca teklif e-postalarında ve müşteri toplantılarında yaşıyor.
Recro bu durumu İçerik GAP’i olarak sınıflandırıyor. Çözüm genellikle koridor bazlı sayfalarla başlıyor: Her ana hat için çıkış günleri, transit süresi aralığı, taşınan yük tipleri, gümrük ve belge süreçleri. Bu sayfalar alıcı için de satış ekibi için de işe yarıyor.
Büyük oyuncular listede neden hep önde?
Uluslararası lojistik markaları dış kaynaklarda çok iz bırakıyor: Sektör haberleri, yatırım duyuruları, fuar kayıtları, ülke bazlı dizinler, İngilizce içerik. Model bir koridor için kanıt aradığında bu markalara rastlaması kolay.
Orta ölçekli bir firmanın bu hacimle yarışması gerekmiyor. Koridor ve yük tipi daraldıkça büyük oyuncuların genel içeriği zayıf kalıyor, uzman firmanın spesifik içeriği öne çıkıyor. “Türkiye’den Almanya’ya taşıma” sorusunda büyük markalar kazanır. “Bursa’dan Stuttgart bölgesine haftada üç çıkışlı parsiyel otomotiv sevkiyatı” sorusunda ise o hatta gerçekten uzman olan firma kazanabilir.
Kazanabilmesi için uzmanlığın dışarıda da görünmesi gerekiyor. Sektör derneklerinin üye sayfaları, UND ve UTİKAD gibi yapıların kayıtları, yerel ticaret odası dizinleri, müşteri referansları, yöneticilerin LinkedIn’de hat ve operasyon üzerine paylaşımları bu doğrulamayı sağlıyor. Bu kaynaklarda eski unvan, eski adres ya da on yıl önceki hizmet listesiyle yer almak Otorite GAP’i yaratıyor.
Soruyu kim soruyor? Üç farklı persona
Lojistik hizmeti satın alan şirkette soru tek bir kişiden gelmiyor.
| Persona | Tipik karar sorusu | Aradığı kanıt |
|---|---|---|
| Tedarik zinciri müdürü | “Almanya hattında transit süresi en kısa parsiyel firmalar” | Transit süresi, çıkış sıklığı, takip sistemi |
| Satın alma uzmanı | “Bu firmalardan hangisi yıllık kontrat ve sabit fiyat veriyor?” | Kontrat modeli, fiyatlandırma yaklaşımı |
| Dış ticaret / gümrük sorumlusu | “Yetkilendirilmiş yükümlü statüsü olan ve gümrüğü içeride çözen firmalar” | Statü, belgeler, gümrük süreci |
Aynı firma tedarik zinciri müdürünün sorusunda görünüp gümrük sorumlusunun sorusunda kaybolabiliyor. Recro’nun Persona GAP Analizi bu dağılımı ölçüyor.
Bu açık her lojistik firması için aynı ağırlıkta mı?
Hayır. İşinin büyük kısmı birkaç büyük müşterinin kontrat yükünden oluşan ve yeni müşteri kazanımını hedeflemeyen firmalar için etki sınırlı. Aynı durum, işin tamamen ihale ile geldiği kamu ve büyük sanayi projelerinde de geçerli.
Spot ve orta ölçekli yükleyici pazarında ise durum farklı. Bu segmentte tedarikçi değişimi sık, araştırma kısa ve karar hızlı. Yapay zekânın kurduğu kısa liste, teklif talebinin nereye gideceğini doğrudan belirliyor.
Recro bu boşluğu nasıl görünür kılar?
Recro İçgörü Modeli, yükleyicinin soru sorduğu anı koridor ve persona bazında simüle ediyor. Görünülmeyen her soru koridor sayfası, dış kaynak veya iletişim aksiyonuna çevrilir.
Tek simülasyon · 4 kilit sütun · 90+ adım
Recro’yu ayıran, her marka için sıfırdan kurulan dört sütundur. Dördü, 90+ adımlı tek bir simülasyonun ayaklarıdır; her sütun bir sonrakinin girdisini üretir.
- Persona oluşturucu: Markanın gerçek alıcılarını temsil eden, sektörüne ve satış yapısına özel karar verici profilleri.
- Soru oluşturucu: Bu kişilerin satın alma yolculuğunda yapay zekâya soracağı, markaya özel karar soruları.
- Rapor oluşturucu: Cevapları markanın hedefleri ve rakipleriyle birlikte, dayandıkları kaynaklarla okuyan rapor.
- Aksiyon önerisi oluşturucu: Sektöre özgü sinyal açıklarını kapatan, önceliklendirilmiş aksiyon listesi.
Örnek bulgu formatı · temsili
- Soru: Keşif · Tedarik zinciri müdürü · İstanbul–İskandinavya frigo
- Durum: Firma bu hatta haftalık çıkış yapıyor, ancak çalıştırmaların hiçbirinde listede değil.
- Gerekçe: Sitede frigo hizmeti genel bir başlık altında; koridor ve sıcaklık kontrollü süreç anlatılmıyor.
- Sınıf: İçerik GAP’i
- Aksiyon: İskandinavya frigo koridor sayfası: Çıkış günleri, transit aralığı, sıcaklık takibi, belge süreci.
Yönetici özeti
- Yükleyici tedarikçi elemesini yapay zekâya devrediyor. Model mod, koridor, yük tipi, performans ve belge koşullarının hepsine kanıt arıyor.
- Lojistik sitelerinin çoğu hizmet türü listeliyor, koridor ve performans anlatmıyor. Uzman firmanın avantajı bu yüzden görünmez kalıyor.
- Koridor daraldıkça büyük oyuncuların genel içeriği zayıflıyor. Orta ölçekli firmanın fırsatı spesifik hatlarda.
Sık sorulan sorular
Her koridor için ayrı sayfa açmak SEO açısından sorun yaratır mı?
Sayfalar gerçek operasyonel bilgi taşıdığı sürece hayır. Sorun, yalnızca şehir adı değiştirilmiş kopya sayfalarda çıkar. Her sayfa o hattın çıkış sıklığı, transit süresi ve yük tipleri gibi özgün bilgi içermeli.
Transit süresini yayımlamak risk değil mi? Gecikme olursa ne olacak?
Kesin süre yerine aralık yayımlamak yaygın bir çözüm: “Ortalama 3–4 gün”. Model bu aralığı soru koşuluyla eşleştirebilir, müşteri de beklentisini buna göre kurar.
Küçük bir lojistik firması büyük markalarla nasıl yarışır?
Genel sorularda yarışmak zor. Koridor, yük tipi ve belge koşulu eklenmiş sorularda ise uzmanlık hacmin önüne geçebiliyor. Hedef, firmanın gerçekten güçlü olduğu hatlarda cevabın içinde olmak.
Yabancı alıcılar Türk lojistik firmalarını nasıl buluyor?
İngilizce sorularla ve İngilizce kaynaklarla. İngilizce sitesi zayıf olan firma, Türkçe sorguda görünse bile İngilizce sorguda kaybolabiliyor. Bu farkı yabancı alıcının Türk tedarikçiyi nasıl gördüğünü anlattığımız yazıda ele aldık.
Sonuçları nasıl ölçebiliriz?
Koridor bazlı karar sorularını birden fazla araçta tekrarlı çalıştırarak ve firmanın listede yer alma oranını dönemsel olarak izleyerek. Ölçüm kriterlerini AI görünürlük ölçümü yazısında açıkladık.
Yükleyiciniz yarın ChatGPT’ye sizin güçlü olduğunuz hattı sorduğunda cevapta hangi firmalar olacak? Recro, koridorlarınız için karar sorularını simüle eder ve açıkları teklif talebi gelmeden gösterir.
Koridor simülasyonu talep edin →
Bu yazı yapay zekâ desteğiyle hazırlanmış ve Mehmet Semih İpek kontrolünde yayınlanmıştır.
