Büyük Dil Modeli (LLM) Nedir? Nasıl Çalışır, SEO'yu Nasıl Etkiler?

İçindekiler

LLM nedir? Tek cümlelik tanım ve biraz fazlası
Token nedir? Model kelimeyi değil parçayı görür
Transformer: LLM’lerin arkasındaki mimari
Bir LLM nasıl eğitilir?
Model, uygulama ve arama: Kavramları ayıralım
Halüsinasyon: LLM’ler neden kendinden emin şekilde yanılır?
LLM’ler SEO’yu nasıl etkiliyor?
LLM’leri doğru kullanmak için 6 pratik kural
Sonuç

Büyük dil modeli (LLM, Large Language Model), çok büyük miktarda metinle eğitilmiş ve bir metinde sıradaki parçanın ne olacağını olasılıklarla tahmin ederek yazı üreten yapay zeka modelidir. ChatGPT, Gemini ve Claude gibi asistanların, Google’ın AI Overviews ve AI Mode özelliklerinin arkasında bu modeller var. Kısacası: LLM “bilen” değil, “en olası devamı tahmin eden” bir sistemdir. Bu farkı anlamak, onu hem doğru kullanmanın hem de yapay zeka aramalarında görünür olmanın ilk adımıdır.

Yapay zeka nedir yazısında LLM’lere kısaca değinmiştim. Bu rehberde modelin içine biraz daha giriyoruz: token nedir, Transformer ne işe yarar, model nasıl eğitilir, neden bazen kendinden emin şekilde yanlış söyler ve bütün bunlar bir site sahibi ya da SEO uzmanı için ne anlama gelir.

LLM nedir? Tek cümlelik tanım ve biraz fazlası

Google’ın makine öğrenmesi kursundaki tanım şöyle: Bir dil modeli, bir token’ın veya token dizisinin daha uzun bir dizi içinde yer alma olasılığını tahmin eder. “Büyük” kelimesi iki şeyi anlatır:

Reklam

Çok büyük eğitim verisi: Web sayfaları, kitaplar, kod ve benzeri kaynaklardan oluşan devasa metin koleksiyonları.
Çok sayıda parametre: Parametreler, modelin eğitim sırasında ayarlanan iç sayılarıdır. Google’ın kursuna göre bugünkü Transformer tabanlı modeller yüz milyarlarca, hatta trilyonlarca parametre içerebiliyor ve aynı yapıdaki modellerde parametre sayısı arttıkça başarı genellikle artıyor.

Bir örnekle düşünelim. “Google’da üst sıralara çıkmak için önce …” cümlesini gören bir model, devam olarak “anahtar kelime”, “teknik”, “içerik” gibi parçalara farklı olasılıklar verir. Birini seçer, cümleye ekler ve aynı işlemi tekrar eder. Uzun ve tutarlı bir yanıt, aslında bu küçük tahminlerin arka arkaya dizilmesidir.

Token nedir? Model kelimeyi değil parçayı görür

LLM’ler metni kelime kelime değil, token adı verilen parçalar hâlinde işler. Google’ın tanımına göre token bir kelime, kelimenin bir parçası (alt kelime) ya da tek bir karakter olabilir.

OpenAI’ın yardım sayfasındaki pratik kural İngilizce için geçerli: 1 token ortalama 4 karaktere, yani kelimenin yaklaşık dörtte üçüne denk gelir. Aynı sayfa, İngilizce dışındaki dillerde token başına düşen karakterin daha az olduğunu, bu yüzden bu dillerde API kullanımının daha pahalıya gelebileceğini de not ediyor.

Türkçe açısından bunun anlamı şu: Türkçe eklemeli bir dil. “Optimizasyonlarımızdan” gibi tek bir kelime, kök ve eklerine göre birkaç token’a bölünebilir. Pratikte üç sonucu var:

Aynı uzunluktaki Türkçe metin, İngilizceye göre genellikle daha fazla token tutar.
Token sayısı arttıkça API maliyeti ve modelin “bağlam penceresinde” kapladığı yer de artar.
Türkçe içerik üreten araçların kalitesi, modelin Türkçe eğitim verisi ve token yapısıyla doğrudan ilgilidir.

Bağlam penceresi (context window), modelin tek seferde dikkate alabildiği toplam token miktarıdır: sizin yazdığınız istem, eklediğiniz belgeler ve modelin ürettiği yanıt bu sınırı paylaşır. Pencere dolduğunda model, en baştaki bilgiyi artık göremez.

Transformer: LLM’lerin arkasındaki mimari

Bugünkü LLM’lerin neredeyse tamamı Transformer adlı mimari üzerine kurulu. Bu mimari, Google araştırmacılarının da aralarında bulunduğu bir ekibin 12 Haziran 2017’de arXiv’de yayımladığı “Attention Is All You Need” makalesiyle tanıtıldı. Makalenin iddiası, yalnızca dikkat (attention) mekanizmasına dayanan, önceki yöntemlerdeki tekrarlı (recurrent) yapıları tamamen bırakan bir modelin hem daha başarılı hem de paralel çalıştırmaya daha uygun olduğuydu.

Dikkat mekanizmasının sorduğu soru basit: “Bu token’ı yorumlarken, girdideki diğer her token ne kadar önemli?” Google’ın kursu bunu tam olarak böyle anlatıyor. Örneğin şu cümleye bakın:

“Site haritasını Search Console’a gönderdim ama o hâlâ hata veriyor.”

“O” kelimesinin site haritasını mı yoksa Search Console’u mu kastettiğini anlamak için model, cümledeki diğer kelimelere farklı ağırlıklar verir. Eski yöntemler metni soldan sağa tek tek işlerken bağlamın bir kısmını kaybediyordu. Transformer ise bütün bağlamı aynı anda değerlendirebiliyor. Google’ın kursu da LLM’leri önceki modellerden ayıran temel farkın bu olduğunu vurguluyor.

Bir LLM nasıl eğitilir?

Eğitim genellikle iki büyük aşamada gerçekleşir.

1. Ön eğitim (pre-training)

Model, devasa metin koleksiyonunda boşluk doldurur gibi çalışır: Metnin bir kısmı gizlenir ve model gizlenen parçayı tahmin etmeye çalışır. Her hatada parametreler biraz düzeltilir. Bu süreç, Google’ın kursundaki ifadeyle aylar sürebilir ve çok büyük işlem gücü ile elektrik tüketir. Ön eğitim sonunda elimizde dili, kalıpları ve pek çok bilgiyi “sıkıştırmış” ama talimat takip etmekte zorlanan bir model olur.

2. İnce ayar ve insan geri bildirimi

Modeli kullanışlı bir asistana dönüştüren ikinci aşamadır. Bu alanın dönüm noktalarından biri, OpenAI’ın Mart 2022’de yayımladığı InstructGPT çalışmasıdır. Yöntem üç adımdan oluşuyordu:

İnsanların yazdığı örnek yanıtlarla denetimli ince ayar,
İnsanların farklı yanıtları sıralamasıyla bir ödül modeli eğitmek,
Modeli bu ödül modeline göre pekiştirmeli öğrenme ile iyileştirmek (RLHF olarak bilinir).

Çalışmanın en çarpıcı sonucu şuydu: İnsan değerlendiriciler, 1,3 milyar parametreli InstructGPT’nin yanıtlarını 175 milyar parametreli GPT-3’ün yanıtlarına tercih etti. Yani “büyüklük” tek başına yetmiyor; modelin nasıl yönlendirildiği de en az o kadar önemli.

Reklam

Model, uygulama ve arama: Kavramları ayıralım

Günlük dilde bu üçü sık karışıyor:

Kavram	Ne demek?	Örnek
Model	Eğitilmiş dil modelinin kendisi	GPT ailesi (OpenAI), Gemini (Google), Claude (Anthropic), Llama (Meta)
Uygulama	Modeli kullanıcıya sunan ürün	ChatGPT, Gemini uygulaması, Claude uygulaması
Yapay zeka araması	Modelin web’de arama yapıp kaynak göstererek yanıt verdiği deneyim	Google AI Overviews, AI Mode, ChatGPT arama

Bu ayrım SEO için kritik. Bir modelin eğitim verisinde ne olduğu, belirli bir tarihte donar. Ama yapay zeka araması, soruyu yanıtlarken güncel web’e bakar. Google, AI Overviews ve AI Mode’un soruyu alt konulara bölüp birden fazla ilgili arama yapabildiğini (query fan-out) ve yanıt üretilirken destekleyici sayfaları belirlediğini açıkça yazıyor. Sitenizin bu yanıtlarda kaynak olmasını sağlayan şey, modelin eğitim verisinden çok, sayfanızın arama dizininde bulunmasıdır.

Halüsinasyon: LLM’ler neden kendinden emin şekilde yanılır?

Halüsinasyon, modelin gerçeğe aykırı ya da verilen bağlamla çelişen bir bilgiyi akıcı ve ikna edici biçimde üretmesidir. Google’ın kursu bunu açıkça söylüyor: LLM’ler halüsinasyon görür, yani tahminleri sıklıkla hata içerir.

OpenAI’ın 5 Eylül 2025’te yayımladığı araştırma, nedenini iki noktada topluyor:

Ön eğitimde doğru-yanlış etiketi yoktur. Model sadece akıcı metin örnekleri görür. Yazım kuralları gibi tutarlı kalıplar ölçekle düzelir, ama bir kişinin doğum tarihi gibi seyrek ve kalıptan çıkarılamayan bilgiler hataya açık kalır.
Değerlendirme yöntemleri tahmini ödüllendirir. Yalnızca doğru cevap oranına bakan testlerde “bilmiyorum” demek sıfır puan getirir; şansa dayalı tahmin ise bazen puan kazandırır. Model de bu yüzden tahmin etmeyi öğrenir.

Anthropic’in Claude belgelerindeki öneriler de pratik bir kontrol listesi sunuyor: Modele “bilmiyorum” deme izni verin, uzun belgelerle çalışırken önce birebir alıntı çıkarmasını isteyin, her iddia için kaynak göstermesini ve kaynağı bulamadığı iddiayı geri çekmesini isteyin. Belgede bu tekniklerin halüsinasyonu azalttığı ama tamamen ortadan kaldırmadığı, kritik bilgilerin her zaman doğrulanması gerektiği de vurgulanıyor.

İçerik üreticisi için kural basit: Tarih, rakam, isim, fiyat ve alıntı gibi bilgileri LLM çıktısından asla doğrudan yayınlamayın. Birincil kaynaktan kontrol edin.

LLM’ler SEO’yu nasıl etkiliyor?

1. İçerik üretiminde yardımcı, editör değil

Google’ın Ekim 2026’da güncellenen “üretken yapay zeka içeriği” rehberi iki şeyi birlikte söylüyor: Üretken yapay zeka bir konuyu araştırırken ve özgün içeriğe yapı kazandırırken faydalı olabilir. Ancak bu modeller olgu getirmek yerine olası kelime dizilerini tahmin ettiği için, yapay zekayla üretilen tüm içeriğin (başlık, açıklama, yapılandırılmış veri ve görsel alt metinleri dahil) yayından önce elle doğrulanması ve gözden geçirilmesi gerekiyor. Kullanıcıya katkı sunmayan çok sayıda sayfayı yapay zekayla üretmek ise ölçekli içerik kötüye kullanımı politikasını ihlal edebilir.

Benim iş akışımda LLM’ler taslak çıkarma, başlık seçenekleri üretme, uzun bir belgeyi özetleme ve eksik alt konuları bulma işinde kullanılıyor. Rakamlar, tarihler ve öneriler ise her zaman resmi kaynaktan kontrol ediliyor. SEO uyumlu içerik yazma kuralları değişmedi; değişen, yazının ilk taslağının nereden geldiği.

2. Yapay zeka aramalarında kaynak olmak

LLM tabanlı arama deneyimleri, yanıtın yanında kaynak linkleri gösteriyor. Google’a göre bir sayfanın AI Overviews veya AI Mode’da destekleyici link olarak görünmesi için dizine eklenmiş ve snippet ile gösterilmeye uygun olması yeterli; ek bir teknik gereksinim yok. Bu yüzden:

Sayfalarınızın dizinde olduğunu ve robots.txt ile engellenmediğini kontrol edin.
Soruya ilk paragrafta net cevap verin; model, açık ve doğrulanabilir cümleleri kolayca alıntılayabilir.
Somut veri, tarih ve kaynak ekleyin. Halüsinasyon riskini bilen sistemler için doğrulanabilir içerik daha değerlidir.
Google dışındaki yapay zeka botlarına nasıl davrandığınızı bilinçli seçin. Türk sitelerinin bu konudaki tercihlerini 483 sitelik robots.txt raporumuzda inceledik.

Bu konunun ayrıntılarını AI SEO nedir rehberinde, llms.txt gibi yeni dosya önerilerinin gerçek etkisini ise llms.txt nedir yazısında bulabilirsiniz.

3. Arama davranışı uzuyor

LLM’ler uzun ve doğal dille yazılmış soruları iyi anladığı için kullanıcılar da aramalarını giderek daha uzun ve sohbet tarzında yazıyor. Bu, başlıklarınızı ve alt başlıklarınızı gerçek kullanıcı soruları gibi kurmanın, tek bir anahtar kelimeye değil bir konunun tamamına odaklanmanın önemini artırıyor. Arama motorlarının nasıl çalıştığını bilmek bu yüzden hâlâ temel beceri.

LLM’leri doğru kullanmak için 6 pratik kural

Bağlam verin. Hedef kitleyi, amacı, tonu ve istediğiniz çıktı biçimini yazın.
Kaynak ekleyin. Modelin kendi hafızasına güvenmek yerine resmi belgeyi isteme ekleyin ve “yalnızca bu belgeye dayan” deyin.
“Bilmiyorum” izni verin. Emin olmadığı yerde tahmin etmek yerine bunu söylemesini isteyin.
Rakamları ayrıca doğrulayın. Özellikle tarih, istatistik ve fiyatları birincil kaynakta kontrol edin.
Kendi deneyiminizi ekleyin. Modelin üretemeyeceği şey sizin denemeleriniz, ekran görüntüleriniz ve sonuçlarınızdır.
Gizli bilgileri paylaşmayın. Müşteri verisi, şifre veya ticari sır içeren metinleri, kullandığınız servisin veri politikasını bilmeden modele vermeyin.

Sonuç

Büyük dil modeli, sıradaki token’ı tahmin eden, Transformer mimarisiyle bağlamı bütün olarak değerlendirebilen ve insan geri bildirimiyle kullanışlı bir asistana dönüştürülen bir yapay zeka modelidir. Gücü akıcılığından, zayıflığı ise bu akıcılığın doğrulukla aynı şey olmamasından gelir.

Site sahipleri için çıkarılacak ders iki yönlü: LLM’leri içerik sürecinizde hızlandırıcı olarak kullanın ama son sözü her zaman doğrulanmış bilgiye bırakın. Yapay zeka aramalarında görünür olmak için de modelin eğitim verisine girmeye değil, dizinde olan, net cevap veren ve kaynaklı sayfalar üretmeye odaklanın.

Sık sorulan sorular

LLM ne demek?

LLM, İngilizce Large Language Model ifadesinin kısaltmasıdır ve Türkçede büyük dil modeli olarak kullanılır. Çok büyük miktarda metinle eğitilen, bir metinde sıradaki parçanın (token) ne olacağını olasılıklarla tahmin ederek yazı üreten yapay zeka modelidir. ChatGPT, Gemini ve Claude bu modeller üzerine kuruludur.

ChatGPT bir LLM midir?

ChatGPT, OpenAI'ın GPT ailesindeki büyük dil modellerini kullanan bir sohbet uygulamasıdır. Yani ChatGPT ürünün adı, GPT ise arkasındaki model ailesidir. Aynı şekilde Gemini uygulaması Google'ın Gemini modellerini, Claude uygulaması Anthropic'in Claude modellerini kullanır.

LLM'ler neden yanlış bilgi veriyor?

Bu duruma halüsinasyon denir. Modeller eğitim sırasında doğru-yanlış etiketi olmadan sıradaki kelimeyi tahmin etmeyi öğrenir. OpenAI'ın Eylül 2025 araştırmasına göre yaygın eğitim ve değerlendirme yöntemleri, belirsizliği kabul etmek yerine tahmin yürütmeyi ödüllendiriyor. Bu yüzden özellikle seyrek geçen tarih, rakam ve isimlerde hata riski yüksektir.

LLM ile yazılmış içerik Google'da sıralama alır mı?

Google, üretken yapay zekanın araştırma ve özgün içeriğe yapı kazandırma işinde faydalı olabileceğini söylüyor. Ancak Ekim 2026'da güncellenen rehberine göre yapay zekayla üretilen tüm içeriğin yayından önce elle doğrulanması gerekiyor. Katma değeri olmayan çok sayıda sayfayı yapay zekayla üretmek ise ölçekli içerik kötüye kullanımı politikasını ihlal edebilir.