Yapay zekâ nasıl önerir? Bir yanıtın anatomisi

Yapay zekâ bir tedarikçiyi önerirken iki hafızadan beslenir: eğitimden gelen parametrik hafıza ve soru anında web’de okuduğu belgeler. Beş kelimelik bir tedarikçi sorusuna verilen 54 cümlelik yanıtı kaynağına kadar izlediğimizde 14 farklı kaynak çıktı. Tedarikçinin kendi web sitesinden gelen cümle sayısı sıfırdı.

Bir satın alma müdürü yapay zekâya şunu soruyor: “Bu tedarikçi beklentilerimize uygun mu?” Soru beş kelime. Gelen yanıt 54 cümle: kapasite, sertifikalar, ihracat deneyimi, AB regülasyonu, lojistik riski ve iki rakip. Yanıt ikna edici görünüyor, ama alıcı bu cümlelerin hangisinin nereden geldiğini görmüyor.

Biz bu yanıtın her cümlesini tek tek kaynağına kadar izledik. Ortaya çıkan tablo, B2B içerik planlamasında sorulması gereken soruyu değiştiriyor: Yapay zekâ sizinle ilgili bir soruya cevap ararken eline ne geçiyor?

Yapay zekâ bir yanıtı hangi kaynaklardan kurar?

Bir yapay zekâ yanıtı iki ana kaynaktan beslenir. Parametrik hafıza, ChatGPT, Gemini ya da Claude gibi bir modelin eğitim sırasında öğrendiği ve soru gelmeden önce zaten bildiği bilgidir. RAG (retrieval-augmented generation) ise modelin soru anında web’de arayıp okuduğu belgelerden gelen bilgidir.

Pratikte ayrımı yanıtın altında görürsünüz. Altında kaynak bağlantısı bulunan cümleler büyük ihtimalle RAG’dan gelir. Kaynak gösterilmeyen genel bilgiler ise çoğu zaman parametrik hafızadandır. Çoğu yanıtta ikisi birlikte çalışır.

Tedarikçi seçimi gibi çok adımlı sorularda iki katman daha devreye girer: kullanıcının sohbette verdiği bağlam ve modelin tüm bunları tartarak vardığı çıkarım. Çıkarım tek başına bir kaynak sayılmaz; eline geçen kaynaklar kadar sağlam olabilir.

Simülasyonda alıcı ne sordu?

Simülasyonu Recro İçgörü Modeli’nin Tek Persona Çok Soru senaryosuyla kurduk. Persona, Aydın’da kuru incir ihraç eden bir firmanın satın alma müdürü. AB’deki perakende zincirleri için yılda yaklaşık bin ton oluklu koli kullanıyor. Müşterileri BRCGS Packaging ve FSC belgesi istiyor; Ağustos 2026’dan beri PPWR uyumu ve PFAS beyanı da soruyor. Mevcut tedarikçisi sezon pikinde teslimatı iki kez kaçırmış.

Sektör olarak oluklu mukavva ambalajı seçtik; karar kriterleri somut ve herkesin anlayacağı türden. Tedarikçiyi biz seçmedik. İlk keşif aramasında kendiliğinden çıkan orta ölçekli üreticiyi hedef aldık ve yanıtı 11 gerçek arama turuyla kurduk. Firma adlarını yazıda anonim tutuyoruz: hedef tedarikçi Tedarikçi O, rakipler Rakip A ve Rakip B.

54 cümlelik yanıt hangi kaynaklardan geldi?

Yanıtı cümle cümle ayırıp her cümleye kaynağını eşledik. Dağılım şöyle çıktı:

Köken	Cümle sayısı	Ne demek?
Web (RAG)	22	Soru anında aranan ve okunan belgeler; 4’ü bir şeyin bulunamadığını raporluyor
Çıkarım	18	Modelin kaynakları tartarak vardığı hüküm ya da yaptığı hesap
Bağlam	7	Kullanıcının sohbette verdiği bilgi
Parametrik hafıza	7	Modelin eğitimden bildiği sektör ve süreç bilgisi

Yanıtta 14 kaynak vardı: dokuz farklı alan adından 12 web belgesi, kullanıcının kendi mesajı ve modelin parametrik hafızası. 12 web belgesinin dördü aynı kariyer sitesindeydi: bir şirket profili ve üç iş ilanı. Tedarikçinin kendi web sitesi yanıtta hiç yer almadı.

Kapasite bilgisi neden bir kariyer sitesinden geldi?

Yanıtın kapasite bölümü şu cümleyle başlıyordu: “Yıllık 40.000 ton kurulu kapasite beyan ediyor.” Kaynağı, bir kariyer platformundaki şirket profiliydi. Model bunu kendisi de açıkladı ve rakamın firmanın beyanı olduğunu, bağımsız bir doğrulaması bulunmadığını ekledi.

Bir tedarikçi için en kritik operasyonel rakam, işe alım için yazılmış bir metinden okundu. Bu rakam firmanın kendi sitesinde tarihli ve açık bir sayfada olsaydı, model onu tercih edecekti. Rakam bulunduğu için yanıt bir hesap da üretebildi: alıcının yıllık bin tonluk ihtiyacı kapasitenin %2.5’i, hasat dönemindeki aylık ihtiyacı ise aylık kapasitenin yaklaşık %5’i. Kapasite rakamı web’de hiç olmasaydı bu hesap da yapılamayacaktı.

Çelişen iki sertifika listesi yanıtı nasıl değiştirdi?

Model sertifikaları iki farklı yerde buldu. Kariyer platformundaki profilde ISO 9001:2015, ISO 14001:2015, ISO 45001:2018, BRC Pack ve FSC sayılıyordu. Bir ambalaj fuarının katılımcı profilinde ise ISO 9001 (2002), ISO 14001, ISO 22000 ve 2016 tarihli BRC Packaging yer alıyordu.

İki liste birbirini tutmadığında model hangisinin güncel olduğuna karar veremedi ve alıcıya “doğrulayamadım” dedi. Ardından doğrulama yöntemini bir kamu rehberinden aktardı: FSC numarası FSC’nin çevrimiçi veritabanında kontrol edilmeli ve bir FSC belgesi tek başına teslim edilecek ürünün belgeli olduğunu kanıtlamaz. Çelişki, yapay zekânın kararı alıcıya geri vermesi için yeterli oldu.

İş ilanı ihracat deneyimini kanıtlar mı?

İhracat deneyimine dair tek kanıt bir iş ilanıydı. Firma ihracat departmanı için “İhracat Pazarlama Uzmanı” arıyordu ve ilanda ambalaj ya da gıda sektöründen en az üç yıllık deneyim isteniyordu. Model buradan firmanın ihracata yöneldiği sonucunu çıkardı.

Ülke, hacim ya da müşteri adı geçen tek bir sayfa ise bulunamadı. Üç ayrı arama boş döndü ve yanıtta tek bir cümleye dönüştü: “Hiçbir kaynakta ihracat pazarı, AB’li müşteri referansı ya da vaka çalışması bulamadım.” İş ilanı bir dijital sinyaldir; ihracatı kanıtlayan ise ülke ve sektör adı geçen bir vaka ya da sevkiyat haberidir.

Yapay zekâ regülasyonu biliyorsa tedarikçinin uyumunu neden göremedi?

Yanıtın en sert bölümü PPWR’dı. Model, 12 Ağustos 2026’dan beri PFAS limitlerini aşan gıda ambalajının AB pazarına sürülemediğini ve stok eritme süresi tanınmadığını güncel bir sektör haberinden okudu. Avrupa oluklu sanayi federasyonu FEFCO’nun yorumunu da aktardı: standart B2B oluklu üreticisi bu zincirde tedarikçi konumundadır ve uygunluk beyanının arkasındaki kanıtı sağlar.

Tedarikçi O’nun PPWR, PFAS ya da geri dönüştürülebilirlik konusunda yayımlanmış tek bir içeriği bulunamadı. Yapay zekâ kuralı biliyordu; tedarikçinin uyumunu okuyamadı, çünkü uyum web’de yayımlanmamıştı. Yanıt bu boşluğu “en büyük boşluk” olarak işaretledi. Regülasyon gündemi, bu yüzden bir içerik takvimidir.

Rakip, sorulmadığı halde yanıta nasıl girdi?

Soru tek bir tedarikçi hakkındaydı. Yanıta yine de iki rakip girdi. Rakip A, 2023’te 100 bin ton kapasiteli üçüncü fabrikasını devreye aldığını ve gıda, tarım ve ilaç sektörlerine yurt içinde ve yurt dışında hizmet verdiğini bir fuar sitesine yüklediği PDF katalogda yazmıştı. Model bu bilgiyi doğrudan karşılaştırmaya taşıdı.

Rakip B’nin iki iş ilanı ise iki farklı rakam veriyordu: birinde 60’tan fazla ülke, diğerinde 70’ten fazla ülke. Tutarsızlık rakipte de vardı. Ders aynı: bir konuda yayımlanmış kanıtınız yoksa, o konudaki cümleyi başka bir firmanın belgesi yazar.

Kaynakların ağırlığı yanıtın tonunu nasıl belirler?

Recro modelinde her kaynak türünün bir etkin ağırlığı vardır: taban katsayı, sektör çarpanı ve soru tipi çarpanının çarpımı. Endüstriyel üretimde ve doğrulama sorularında en ağır kanallar şunlardır: firmanın kendi web sitesi (1.97), sertifika ve regülasyon kayıtları (1.96) ve üçüncü taraf vaka çalışmaları (1.81).

Bu yanıtı taşıyan kaynakların ağırlığı ise 1.00 ile 1.20 arasında kaldı: kariyer profilleri, iş ilanları ve bir fuar dizini. Yanıt en zayıf kanallardan kuruldu, çünkü güçlü kanallar boştu. Yanıtın “kâğıt üzerinde evet, ama” tonu, eksik içeriğin doğrudan çıktısıydı. Üçüncü taraf kaynakların yapay zekâ önerisindeki rolünü LinkedIn, basın ve üçüncü taraf kaynaklar yazısında ayrıca inceledik.

Tedarikçi doğru sinyal için hangi içerikleri yayımlamalı?

Alıcının soracağı sorular belli: kapasite yeterli mi, belgeler geçerli mi, bu pazara daha önce satış yapılmış mı, regülasyona hazır mı? Her biri için yapay zekânın okuyabileceği bir kanıt gerekir. Simülasyondaki boşluklardan şu yedi içerik çıkıyor:

1. Kapasite ve tesis sayfası: Yıllık ton, hat sayısı, baskı kapasitesi ve pik dönem yönetimi; HTML metinde ve tarihli.
2. Belge merkezi: Her sertifika için numara, kapsam, geçerlilik tarihi ve resmi veritabanı bağlantısı.
3. İhracat vakası: Ülke, sektör, sevkiyat tipi ve müşteri izniyle bir referans.
4. Regülasyon uyum beyanı: PPWR, PFAS ve gıda teması için tarihli, imzalı ve indirilebilir bir PDF.
5. Basın bülteni: Yatırım, fuar katılımı ve belge yenileme duyuruları; zaman damgası güncellik kanıtıdır.
6. LinkedIn kurumsal sayfası: Aynı kanonik verileri taşıyan profil ve düzenli operasyon paylaşımları.
7. Tek kanonik liste: Kariyer siteleri, fuar profilleri ve dizinler dahil her yerde aynı kapasite ve sertifika bilgisi.

Bu listedeki hiçbir madde yeni bir pazarlama kampanyası gerektirmiyor. Hepsi firmanın zaten sahip olduğu bilginin, yapay zekânın okuyabileceği bir yerde ve tutarlı biçimde yayımlanmasından ibaret. Bir markanın adıyla sorulduğunda görünüp kategoriyle sorulduğunda neden kaybolduğunu adınızla sorulunca varsınız, kategoriyle sorulunca yoksunuz yazısında ele aldık.

Recro bu boşluğu nasıl görünür kılar?

Recro, alıcılarınızın yapay zekâya sorduğu karar sorularını simüle eder ve yanıtı cümle cümle kaynağına kadar okur. Hangi cümlenin hangi kaynaktan geldiğini, hangi kanıtın eksik kaldığını ve hangi rakibin o boşluğu doldurduğunu raporlar. Aksiyonu ekibiniz ya da ajansınız alır; rapor, neyin önce yapılacağını gösterir.

Tek simülasyon · 4 kilit sütun · 90+ adım

1. Persona oluşturucu: Markanın gerçek alıcılarını temsil eden, sektörüne ve satış yapısına özel karar verici profilleri.
2. Soru oluşturucu: Bu kişilerin satın alma yolculuğunda yapay zekâya soracağı, markaya özel karar soruları.
3. Rapor oluşturucu: Cevapları markanın hedefleri ve rakipleriyle birlikte, dayandıkları kaynaklarla okuyan rapor.
4. Aksiyon önerisi oluşturucu: Sektöre özgü sinyal açıklarını kapatan, önceliklendirilmiş aksiyon listesi.

Bu yazıdaki simülasyon, rapor oluşturucunun kaynak katmanını gösteriyor. Ölçümün mantığını AI görünürlüğü nasıl ölçülür yazısında ayrıntılı anlattık.

Yönetici özeti

• Beş kelimelik bir tedarikçi sorusuna verilen 54 cümlelik yanıt 14 kaynaktan beslendi; tedarikçinin kendi web sitesi bunlardan biri olmadı.
• Yanıtı en zayıf kanallar taşıdı: kariyer profilleri, iş ilanları ve fuar dizinleri. Güçlü kanallar boş kaldığı için yanıt “evet, ama” tonuna döndü.
• Kapasite sayfası, belge merkezi, ihracat vakası ve uyum beyanı gibi içerikler, yapay zekânın kararı alıcıya geri vermesini engelleyen kanıtlardır.

Sık sorulan sorular

Yapay zekâ bir öneri yaparken bilgiyi nereden alır?

İki kaynaktan: eğitim sırasında öğrendiği parametrik hafızadan ve soru anında web’de bulup okuduğu belgelerden (RAG). Sohbette kullanıcının verdiği bilgiyi de yanıta katar ve bunlardan kendi çıkarımını yapar.

Parametrik hafıza ile RAG arasındaki fark nedir?

Parametrik hafıza modelin eğitim verisinden gelir ve yavaş güncellenir. RAG soru anında yapılan aramadan gelir ve web’de o gün ne yayımlanmışsa onu okur. Bir firmanın güncel kapasitesi, sertifikası ve referansı çoğunlukla RAG üzerinden yanıta girer.

Yapay zekâ bir tedarikçinin sertifikalarını nasıl doğrular?

Farklı sitelerdeki sertifika listelerini karşılaştırır ve resmi veritabanı kayıtlarını arar. Listeler çelişiyorsa ya da kayıt bulunamazsa, yanıtta belgeyi doğrulayamadığını belirtir ve kararı alıcıya bırakır.

İhracat deneyimi yapay zekâya nasıl kanıtlanır?

Ülke ve sektör adı geçen müşteri vakaları, sevkiyat haberleri ve basın bültenleriyle. Genel “ihracat yapıyoruz” ifadesi ya da bir iş ilanı, doğrulama sorusunda yalnızca dolaylı bir sinyal olarak okunur.

PPWR için tedarikçinin hangi içeriği yayımlaması gerekir?

PFAS içermezlik, gıda teması uygunluğu ve geri dönüştürülebilirlik bilgisini içeren, tarihli ve imzalı bir uyum beyanı. AB’li alıcılar bu belgeyi tedarikçi anketlerinde istiyor; web’de yayımlandığında yapay zekâ da okuyabiliyor.

Alıcılarınız sizi yapay zekâya sorduğunda yanıtı hangi kaynakların yazdığını biliyor musunuz? Recro, karar sorularınızı simüle eder ve yanıtı kaynağına kadar raporlar.

Ücretsiz içgörü raporu alın →

Kaynaklar

• Packaging Law · European Commission publishes final PPWR guidance
• VPK Group · PPWR ve FEFCO yorumu
• Sunhat · PPWR and packaging producers
• Paxly · PPWR reporting
• UK Government · Practical Guide to Checking Certificates

---

Bu yazı yapay zekâ desteğiyle hazırlanmış ve Mehmet Semih İpek kontrolünde yayınlanmıştır.