Query Fan-Out Nedir? AI Aramalarında Görünürlük Anahtarı

Query fan-out, son bir yıldır SEO dünyasında en çok konuşulan kavramlardan biri haline geldi ve bunun nedeni tesadüf değil. Google AI Mode, ChatGPT, Perplexity ve Gemini gibi yapay zeka destekli arama sistemleri artık kullanıcının yazdığı tek bir soruyu olduğu gibi aramıyor; bu soruyu arka planda onlarca farklı alt soruya bölüp paralel şekilde araştırıyor. Eğer içerikleriniz hâlâ “bir anahtar kelime, bir sayfa” mantığıyla planlanıyorsa, AI tarafından üretilen yanıtların büyük bir kısmında görünmeme riskiyle karşı karşıyasınız.

Bu yazıda query fan-out’un teknik olarak nasıl işlediğini, hangi sorgu türlerini ürettiğini, görsel aramalarda nasıl bir karşılığı olduğunu ve içeriğinizi bu mekanizmaya göre nasıl optimize edebileceğinizi adım adım ele alacağız. Ayrıca konuyla ilgili en sık yapılan hatalara da değineceğiz.

Query Fan-Out Nedir ve Sorgu Genişletmeden Farkı Ne?

Query fan-out, bir yapay zeka arama sisteminin kullanıcıdan gelen tek bir sorguyu otomatik olarak birden fazla alt sorguya (sub-query) bölüp her birini ayrı ayrı araştırarak tek bir kapsamlı yanıt haline getirdiği süreçtir. Bu mekanizma sayesinde sistem, kullanıcının yazdığı kelimelerin ötesine geçip sorunun farklı boyutlarını da kapsayan bir cevap üretebilir. Örneğin “evde ekmek yapmak” sorusu; un türleri, maya kullanımı, fırın ayarları ve ekmek makinesi alternatifleri gibi tamamen ayrı alt sorgulara dönüşebilir.

Query fan-out, sıkça sorgu genişletme (query expansion) ile karıştırılır ama ikisi birbirinden oldukça farklıdır. Sorgu genişletme, klasik arama motorlarının bir sorguya eş anlamlı kelimeler ekleyerek aynı niyeti farklı kelimelerle de yakalamaya çalıştığı bir tekniktir; yani “ucuz uçak bileti” araması “ekonomik uçak bileti” sonuçlarını da kapsayabilir. Query fan-out ise eş anlamlılık değil, farklı alt konulara dallanma mantığıyla çalışır ve her alt sorgu kendi başına bağımsız bir araştırma konusu haline gelir.

Aşağıdaki tablo, iki kavram arasındaki farkı somut örneklerle özetliyor:

Bu fark, arama motorlarının evrimini de özetler. Geleneksel arama bir-e-bir (one-to-one) çalışıyordu: bir sorgu, ona en yakın eşleşen sonuçları getiriyordu. Daha sonra arama motorları çoktan-bire (many-to-one) geçti ve farklı yazımları aynı niyetle eşleştirmeyi öğrendi. Query fan-out ile birlikte artık bir-e-çok (one-to-many) bir modele geçilmiş durumda; tek bir sorgu, sistemin bağımsız olarak çalıştırdığı çok sayıda aramaya dönüşüyor.

Query Fan-Out Perde Arkasında Nasıl Çalışır?

Query fan-out süreci, kullanıcının sorgusu sisteme girdiği anda başlayan ve birkaç aşamadan oluşan teknik bir akıştır. İlk aşamada yapay zeka, sorgunun niyetini (intent) ve karmaşıklık seviyesini analiz eder; bu analiz milisaniyeler içinde gerçekleşir ve sorunun ne kadar derinlemesine bir araştırma gerektirdiğini belirler. Ardından sistem, bu niyeti farklı boyutlara ayırarak alt sorgular üretir; bu adıma decomposition (ayrıştırma) denir ve “proje yönetim yazılımı” gibi bir sorgu, fiyat, kullanım senaryosu, entegrasyonlar ve karşılaştırmalar gibi ayrı alt sorgulara bölünebilir.

Üretilen alt sorgular, Retrieval-Augmented Generation (RAG, bilgiyi getirip yanıtı bu bilgiyle zenginleştirme yöntemi) mimarisi içinde paralel olarak web indekslerine, bilgi grafiklerine ve özel veri kaynaklarına gönderilir. Bu paralel arama sayesinde yapay zeka, tek bir kaynağa bağlı kalmadan birden fazla perspektiften veri toplar. Sistemin bu şekilde birden çok adımda bilgiye ulaşması, multi-hop reasoning (çok adımlı çıkarım) olarak adlandırılır ve fan-out’un karmaşık soruları yanıtlayabilmesinin temel nedenidir.

Tüm alt sorgulardan dönen sonuçlar, Reciprocal Rank Fusion (RRF) denilen bir yöntemle birleştirilir; bu yöntem, bir sayfanın farklı alt sorgu sonuç listelerindeki sıralama pozisyonlarına göre toplam bir puan hesaplar. Birden fazla alt sorgu listesinde tekrar tekrar yüksek sırada çıkan sayfalar, bu puanlama sayesinde daha güvenilir kaynak olarak işaretlenir. Bu nedenle yalnızca bir sorguda iyi sıralanmak yeterli değildir; içeriğinizin bir konunun birçok alt sorgusunda görünür olması, AI tarafından kaynak olarak seçilme şansınızı doğrudan artırır.

Tek Bir Sorgudan Kaç Alt Sorgu Üretiliyor?

Tek bir kullanıcı sorgusu, Google AI Mode gibi sistemlerde ortalama 5 ile 11 arasında alt sorguya dönüşüyor ve birçok araştırmacı bu ortalamayı 8-10 olarak raporluyor. Seer Interactive ve Nectiv tarafından yapılan bir araştırmaya göre sorguların %59’u 5 ile 11 arasında alt sorgu tetikliyor, %24’ü ise 12 ile 19 arasında alt sorguya kadar genişleyebiliyor; bazı durumlarda bu sayı 28’e kadar çıkabiliyor. Bu rakamlar, basit bir tanım sorusunun bile arka planda ne kadar geniş bir araştırma sürecine dönüşebileceğini gösteriyor.

Bu rakamları tek bakışta karşılaştırmak için aşağıdaki tabloyu inceleyebilirsiniz:

Bu genişlemenin sınırları, sorgunun belirsizlik (ambiguity) seviyesine göre dramatik şekilde değişebiliyor. Örneğin “kırmızı telefon kılıfı satın al” gibi göreceli basit görünen bir sorgu için ChatGPT Deep Research’in çalıştırdığı arama sayısı 420’ye kadar ulaşmış; sistem bu süreçte kullanıcının telefon modelini, kılıf malzemesini, rengin tam tonunu ve hatta sarımaya karşı dayanıklılık gibi örtük (implicit) özellikleri bile araştırmıştır. Bu, query fan-out’un yalnızca yazılan kelimelerle değil, kullanıcının söylemediği ama önemsediği detaylarla da ilgilendiğini açıkça gösteren bir örnektir.

Fan-out’un derinliğini belirleyen temel faktör, sorgudaki eksik bağlamın miktarıdır. Sorgu yeterince belirsizse (underspecified) yapay zeka iki yoldan birini seçer: kullanıcıya açıklayıcı sorular sorar ya da otonom olarak tüm olasılıkları araştırır. Bu durum, disambiguation (belirsizlik giderme) sürecinin fan-out derinliğiyle doğrudan ilişkili olduğunu gösterir; içeriğiniz ne kadar çok olası alt senaryoyu netleştirirse, sistemin sizi kaynak olarak seçme olasılığı da o kadar artar.

Fan-Out Sorguları Hangi Formatlarda Karşımıza Çıkar?

Fan-out sorguları, rastgele üretilmiş gibi görünse de aslında belirli ve tekrarlayan kalıplara sahiptir; bu kalıpları bilmek, içerik planlamasında hangi açılara öncelik vereceğinizi belirlemenize yardımcı olur. Araştırmacıların Google’ın patent başvurularından çıkardığı sonuçlara göre fan-out sorguları genellikle aşağıdaki tabloda yer alan formatlardan birine girer:

Bu formatların hangilerinin tetikleneceği, sorgunun kapatması gereken bilgi boşluğuna bağlıdır. Bir ürün veya hizmetle ilgili sorgularda sistem genellikle feature stacking (özellik yığınlama) yapar; yani kullanıcının zihninde oluşturduğu özellik listesini (renk, model uyumluluğu, malzeme, fiyat aralığı gibi) tek tek araştırır. Yüksek maliyetli veya hayatı etkileyen (YMYL – Your Money Your Life) konularda ise sistem ekstra olarak trust signals (güven sinyalleri) arar; yorumlar, sertifikalar, uzman onayları gibi kanıtlar bu aşamada devreye girer.

İçeriğinizi planlarken bu formatları birer kontrol listesi olarak kullanabilirsiniz. Bir konuyu yazarken kendinize “bu konu hangi karşılaştırmaları, hangi örtük soruları ve hangi sonraki adımları tetikler?” diye sormak, fan-out kapsamınızı doğal olarak genişletir.

Query Fan-Out Neden Klasik SEO Stratejisini Değiştiriyor?

Query fan-out, klasik anahtar kelime odaklı SEO stratejisinin yetersiz kaldığı bir gerçeği gözler önüne seriyor: ortalama bir içerik, hedeflediği ana anahtar kelimeden üretilen alt sorguların çok küçük bir kısmına cevap verebiliyor. Araştırmalar, çoğu sayfanın bir konunun ürettiği fan-out sorgularının yalnızca yaklaşık %30’unu karşılayabildiğini, kalan %70’lik kısmın ise başka kaynaklardan doldurulduğunu gösteriyor. Bu da demek oluyor ki sayfanız ana kelimede iyi sıralansa bile, AI yanıtının büyük bir bölümünde başka sitelerin referans olarak gösterilmesi son derece olası.

Bu durumun temel nedeni, içeriklerin hâlâ “bir sayfa, bir anahtar kelime” mantığıyla yazılmasıdır. Örneğin hedef kelimeniz “proje yönetimi araçları” olduğunda, sadece bu ifadeyi işlemek yeterli değildir; “küçük ekipler için proje yönetimi”, “ücretsiz proje yönetimi yazılımı” veya “Jira alternatifleri” gibi alt sorular cevapsız kaldığında, AI bu boşlukları rakip sitelerden doldurur. Sonuç olarak sayfanız geleneksel sıralamada görünse de, AI tarafından üretilen sentezlenmiş yanıtta yer alamaz.

Bu değişim, görünürlüğün ölçülme şeklini de dönüştürüyor. Geleneksel SEO’da başarı genellikle tıklama ve sıralama pozisyonuyla ölçülürken, AI arama döneminde AI mentions (yapay zeka yanıtlarında markanızdan bahsedilmesi) ve AI citations (yanıt içinde sitenize verilen bağlantılı atıflar) yeni birer başarı metriği haline geliyor. Bir konunun fan-out kapsamının büyük bölümünü karşılayan içerikler, hem geleneksel aramada hem de AI yanıtlarında daha sık referans gösteriliyor; bu da query fan-out’u sadece teknik bir merak konusu değil, doğrudan trafik ve görünürlükle ilişkili stratejik bir öncelik haline getiriyor.

Görsel Aramalarda Fan-Out: Visual Search Fan-Out Nedir?

Visual search fan-out, Google’ın 2025 yılı sonlarında devreye aldığı ve görselleri artık tek bir dosya olarak değil, bir kavram kümesi olarak işleyen bir mekanizmadır. Bu güncellemeyle birlikte bir fotoğraf, sistem tarafından sadece “bu bir gömlek görseli” şeklinde değil, o görselden türetilebilecek tüm olası arama sorgularının kaynağı olarak değerlendiriliyor. Yani görsel arama da metin tabanlı sorgular gibi fan-out sürecine dahil olmuş durumda.

Bu mekanizmanın getirdiği en somut sorunlardan biri “renk körlüğü” problemidir. Ürün sayfanızda bir gömleğin rengi “mavi” olarak yazılmış olsa bile, fotoğraftaki ton aslında gri-mavi bir tonsa, sisteminiz “lacivert ofis gömleği” veya “slate blue elbise” gibi daha spesifik sorgularda görünmez hale gelebilir. Google Lens artık renk tonlarını ve bağlamsal kullanımı çok daha hassas şekilde ayırt edebiliyor; bu nedenle ürün açıklamalarında kullandığınız renk ifadelerinin görseldeki gerçek tonla örtüşmesi giderek daha kritik bir hale geliyor.

İkinci problem ise “bağlam körlüğü” olarak tanımlanabilir. Sade bir masa, dizüstü bilgisayar ve kahve fincanından oluşan bir fotoğraf, yapay zeka tarafından “ev ofisi kurulumu” olarak yorumlanabilir ve bu görselden “minimalist ev ofisi fikirleri” veya “verimlilik için masa aksesuarları” gibi alt sorgular üretilebilir. Ancak bu ifadeler sayfanızın metninde geçmiyorsa, görseliniz bu sorgularda hiçbir şekilde görünürlük kazanamaz. Bu boşluğu kapatmanın yolu, görsellerin oluşturduğu bağlamı alt metin (alt text), açıklama (caption) ve SSS bölümlerinde açıkça yazılı hale getirmektir.

Kendi İçeriğiniz İçin Query Fan-Out Analizi Nasıl Yapılır?

Query fan-out analizi, mevcut bir sayfanızın hangi alt sorguları karşıladığını ve hangilerinde boşluk bıraktığını tespit etmenizi sağlayan pratik bir süreçtir. En temel yöntem, hedef anahtar kelimenizi Google’a yazıp “İnsanlar bunları da arıyor” kutusunu, autocomplete önerilerini ve PAA (People Also Ask, “bunları da sorabilirsiniz” kutusu) bölümünü incelemektir. Bu üç kaynaktan topladığınız sorulardan hangilerine sayfanızda cevap verildiğini kontrol ettiğinizde, cevapsız kalan her soru bir içerik fırsatına işaret eder.

Manuel analizin yanında, fan-out kapsamınızı daha sistematik şekilde ölçmenize yardımcı olan birkaç araç da bulunuyor:

Bu araçlardan elde ettiğiniz verileri yorumlarken dikkat etmeniz gereken önemli bir nokta var: fan-out sorguları genellikle sentetik, tutarsız ve büyük ölçüde sıfır arama hacmine sahip sorgulardır. Bu nedenle analizin amacı, bu sorguları birer birer hedeflemek değil, tekrar eden kalıpları (pattern) tespit edip içerik stratejinizi bu kalıplara göre şekillendirmektir.

İçeriğinizi Query Fan-Out’a Göre Nasıl Optimize Edersiniz?

İçeriğinizi query fan-out’a göre optimize etmenin temeli, tek bir sayfanın bir konunun tüm fan-out kapsamını karşılayamayacağını kabul etmektir. Bunun yerine geniş bir konuyu kapsayan bir pillar sayfa ile bu konunun farklı alt başlıklarını derinlemesine işleyen cluster sayfalarından oluşan bir topic cluster (konu kümesi) yapısı kurmanız gerekir. Her cluster sayfası farklı bir alt sorgu grubunu hedefler ve merkezdeki pillar sayfaya iç bağlantı verir; bu mimari, fan-out kapsamını tek sayfa değil site geneline yayar.

İçeriğin yazım şekli de en az mimarisi kadar önemlidir. Yapay zeka sistemleri içeriği doğal dil işleme (NLP) yöntemleriyle anlamlandırdığı için, her bölümün bağımsız ve kendi içinde anlaşılır “chunk”lar (parçalar) halinde yazılması gerekir. Yeni bir kavram tanıtırken net bir tanım vermek, başlıkları açıklayıcı şekilde hiyerarşik kurmak ve tablo veya liste gibi kolayca ayrıştırılabilir formatlar kullanmak, sistemin içeriğinizi belirli bir alt sorguya doğrudan eşlemesini kolaylaştırır.

Son olarak teknik ve güven sinyallerini ihmal etmemelisiniz. Schema markup (yapılandırılmış veri işaretlemesi), sayfanızdaki ürün, makale veya SSS bilgilerini makine tarafından okunabilir hale getirerek AI sistemlerinin doğru bilgiyi çıkarmasına yardımcı olabilir; ancak schema’nın tek başına görünürlük garantisi vermediğini de unutmamak gerekir. Bunun yanında yazar bilgisi, dış kaynaklardan gelen atıflar ve vaka çalışmaları gibi E-E-A-T (deneyim, uzmanlık, otorite, güvenilirlik) sinyallerini güçlendirmek, sitenizin belirli bir konuda topical authority (topiksel otorite) kazanmasını destekler ve bu da AI’nin sizi daha güvenilir bir kaynak olarak değerlendirmesini sağlar.

Query Fan-Out Hakkında Sık Yapılan Hatalar

Query fan-out konusunda en yaygın hata, üretilen alt sorguları birebir yeni anahtar kelimeler gibi ele alıp her biri için ayrı bir başlık veya sayfa oluşturmaya çalışmaktır. Bu sorgular sentetik olarak üretildiği, kullanıcıdan kullanıcıya ve hatta aynı promptta bile değişebildiği için, bunları doğrudan hedeflemek genellikle zaman kaybına yol açar. Doğru yaklaşım, bu sorgulardan ortaya çıkan tekrarlayan kalıpları (karşılaştırma ihtiyacı, güncellik beklentisi, güven sinyali arayışı gibi) tespit edip içerik stratejinizi bu kalıplara göre şekillendirmektir.

İkinci yaygın hata, schema markup’ın tek başına AI görünürlüğünü garantileyeceği yönündeki abartılı beklentidir. SEO topluluğundaki tartışmalar, schema’nın bulunmamasının sizi AI yanıtlarından dışlamadığını, bulunmasının da otomatik bir öne çıkma sağlamadığını gösteriyor. Schema, içeriğinizin doğru yorumlanmasına yardımcı olan destekleyici bir katmandır; ancak içeriğin kalitesi ve kapsamı kadar belirleyici değildir.

Üçüncü hata ise “GEO, SEO’dan tamamen farklı bir disiplindir” şeklindeki yanlış varsayımdır. Saha deneyimleri ve teknik dokümantasyon, AI arama sistemlerinin temelde geleneksel arama motorlarının sonuçlarını kullandığını ve aynı SEO temellerinin (kapsamlı içerik, doğru yapı, güvenilir kaynaklar) AI görünürlüğü için de geçerli olduğunu gösteriyor. Query fan-out’u öğrenmek, SEO’nun yerine geçecek yeni bir disiplin öğrenmek değil, mevcut SEO bilginizi AI arama döneminin gereksinimlerine göre derinleştirmek anlamına gelir.

Sonuç

Query fan-out, AI arama sistemlerinin tek bir sorguyu onlarca alt sorguya bölerek daha kapsamlı yanıtlar oluşturduğu ve içerik stratejilerini köklü şekilde değiştiren bir mekanizmadır. Bu sürecin teknik temelini (decomposition, RAG, multi-hop reasoning, RRF) anlamak, hangi sorgu formatlarının ve fonksiyonlarının öne çıktığını bilmek, içeriğinizi bu kalıplara göre tasarlamanızın ilk adımıdır. Görsel aramalardaki fan-out etkisi ve içeriklerin yalnızca %30’luk bir kapsamı karşılayabildiği gerçeği, artık tek bir anahtar kelimeye odaklanmanın yeterli olmadığını net biçimde gösteriyor.

İçeriklerinizi pillar-cluster mimarisiyle yapılandırıp, NLP’ye uygun yazıp ve güven sinyallerinizi güçlendirerek query fan-out’un ürettiği geniş sorgu evreninde daha fazla yer kaplayabilirsiniz. Şimdi sıra sizde: hedef konunuz için fan-out analizini yaparak hangi alt sorguların hâlâ cevapsız kaldığını tespit edin ve içerik planınızı bu boşlukları kapatacak şekilde güncelleyin.