Screaming Frog'da Yapay Zeka Nasıl Kullanılır? AI Prompt, Embedding ve Semantik Analiz Rehberi

Screaming Frog AI özellikleri, yıllardır teknik denetimde kullandığım tarayıcıyı bir içerik analiz aracına dönüştürdü. Bu rehberde yapay zekâ bağlantısını nasıl kurduğumu, hangi görevlerde gerçekten zaman kazandırdığını ve nerede dikkatli olmanız gerektiğini anlatıyorum. Menü adlarını Screaming Frog'un resmi kullanım kılavuzundan ve sürüm notlarından doğrulayarak yazdım.

Screaming Frog AI nedir ve ne işe yarar?

Screaming Frog AI, SEO Spider tarayıcısının OpenAI, Gemini, Anthropic ve Ollama gibi yapay zekâ servislerine API ile bağlanıp taradığı her sayfaya sizin yazdığınız komutu (prompt) uygulamasıdır. Böylece alt metin üretimi, niyet sınıflandırması, dil tespiti ve anlamsal benzerlik analizi gibi işleri binlerce URL'de tek taramada yaparsınız.

Klasik taramada araç size başlık, meta açıklama, durum kodu ve kanonik etiket gibi yapısal veriler verir. Yapay zekâ katmanı ise sayfanın ne anlattığını yorumlar. Örneğin bir ürün sayfasının bilgi mi yoksa satın alma niyetine mi hizmet ettiğini etiketler. Dolayısıyla yapısal denetim ile içerik denetimi aynı tabloda buluşur.

Bu birleşmenin pratik değeri büyüktür. Eskiden tarama verisini dışa aktarır, ayrı bir tabloda yapay zekâya işletir, sonra sonuçları URL'lere geri eşlerdim. Bu süreç hem saatler alıyordu hem de eşleştirme hatalarına açıktı. Artık cevaplar doğrudan ilgili URL satırına düşüyor; üstelik diğer tarama sütunlarıyla birlikte filtreleyip sıralayabiliyorsunuz.

Bu yazıda anlattıklarım, genel teknik SEO çerçevesinin bir parçasıdır. Yapay zekâ çağında teknik öncelikleri daha geniş ele aldığım yapay zekâ sonrası teknik SEO yazısını da okumanızı öneririm; burada ise yalnız Screaming Frog tarafındaki uygulamaya odaklanıyorum.

Screaming Frog'a yapay zekâ özellikleri hangi sürümle geldi?

Yapay zekâ desteği tek seferde gelmedi; birkaç sürümde adım adım geldi. Önce ChatGPT'yi özel JavaScript parçacıklarıyla çağırabiliyordunuz. Ardından doğrudan API entegrasyonu geldi. Bu nedenle eski rehberlerde gördüğünüz yöntemle yeni menüler farklı görünebilir.

• Sürüm 21.0 (Kasım 2024): Resmi sürüm notlarına göre OpenAI, Gemini ve Ollama ile doğrudan bağlantı, "Config > API Access > AI" menüsü, en fazla 100 özel komut ve yeni AI sekmesi geldi.
• Haziran 2025, sürüm 22.0: Anthropic (Claude) bağlantısı, LLM embedding tabanlı anlamsal benzerlik analizi ve içerik küme diyagramı geldi.
• Sürüm 24.0 (Mayıs 2026): Tarayıcıyı Claude gibi yapay zekâ asistanlarından yönetmeye yarayan MCP sunucusu geldi.

Kısacası, elinizdeki sürüm 21'den eskiyse bu yazıdaki menülerin çoğunu göremezsiniz. Önce programı güncellemenizi öneririm.

Ayrıca güncelleme sonrası eski yapılandırma profillerinizi de gözden geçirin. Yeni sürümlerde bazı ayarların yeri veya varsayılan değeri değişebiliyor. Örneğin eski Custom JavaScript tabanlı ChatGPT kurulumunuzu koruyabilirsiniz, ama aynı işi doğrudan entegrasyonla yapmak genelde daha hızlı olur. Bu nedenle geçişi küçük bir test taramasıyla doğrulayın ve iki yöntemin sonuçlarını yan yana karşılaştırın.

Screaming Frog AI için ücretli lisans gerekir mi?

Evet, pratikte gerekir. API bağlantıları ve yapılandırma kaydetme gibi özellikler yalnız lisanslı sürümde çalışır. Ücretsiz sürüm ayrıca tarama başına 500 URL ile sınırlıdır. Dolayısıyla yapay zekâ özelliklerini ciddi bir sitede kullanmak için lisans şart.

Öte yandan maliyet yalnız lisanstan ibaret değildir. OpenAI, Gemini veya Anthropic'e bağlandığınızda her istek için o sağlayıcıya ayrıca token ücreti ödersiniz. ChatGPT Plus aboneliği bu API kullanımını kapsamaz; API için ayrı bir hesap açar ve bakiye yüklersiniz. Ollama ise modeli kendi bilgisayarınızda çalıştırdığı için token faturası çıkarmaz, ama güçlü bir makine ister.

Yerel modelde maliyet, faturadan zamana kayar. Dizüstü bir bilgisayarda küçük bir model sayfa başına birkaç saniye harcayabilir; on binlerce URL'de bu süre saatlere uzar. Dolayısıyla yerel modeli genellikle hassas verili projelerde ve deneme aşamasında tercih ederim. Büyük ve herkese açık sitelerde ise bulut sağlayıcı hem hız hem kalite açısından daha verimli sonuç verir.

Bu ayrımı müşterilere her zaman baştan anlatırım. Çünkü 50 bin sayfalık bir sitede her sayfaya uzun bir komut göndermek, lisans bedelini kolayca aşan bir API faturası üretebilir.

Screaming Frog AI bağlantısını nasıl kurarsınız?

Kurulum birkaç dakika sürer. Resmi yapılandırma kılavuzundaki akışı kendi kullanımımla birleştirerek sıraladım.

1. Kullanacağınız sağlayıcıda (OpenAI, Gemini, Anthropic) bir API hesabı açın, bakiye tanımlayın ve bir API anahtarı oluşturun.
2. SEO Spider'da Config > API Access > AI yolunu açın ve sağlayıcıyı seçin.
3. Anahtarı hesap bilgileri alanına yapıştırıp "Connect" ile bağlantıyı doğrulayın.
4. Komut yapılandırması bölümünde "Add from Library" ile hazır bir komut ekleyin ya da kendi komutunuzu yazın.
5. Komutun hangi içeriğe uygulanacağını (sayfa metni, HTML veya özel çıkarım) ve hangi modelin kullanılacağını seçin.
6. Önce 20 ile 50 URL'lik küçük bir taramayla deneyin, sonra tüm siteye açın.

Ayrıca yapılandırmayı bir profil olarak kaydetmenizi öneririm. Böylece her yeni projede aynı ayarları sıfırdan kurmazsınız.

Bağlantı kurulumunda en sık gördüğüm hata, API hesabında bakiye olmamasıdır. Anahtar doğru görünür, ama istekler hata döner ve AI sekmesi boş kalır. İkinci yaygın sorun, hız sınırıdır: yeni açılmış API hesaplarında dakika başına istek limiti düşük olabilir. Bu durumda tarama hızını azaltmak veya sağlayıcıdan limit artışı istemek sorunu çözer.

Hangi yapay zekâ sağlayıcısını seçmelisiniz?

Doğru sağlayıcı; bütçenize, veri gizliliği hassasiyetinize ve göreve göre değişir. Aşağıdaki tablo kendi değerlendirme ölçütlerimi özetliyor. Fiyat yazmadım, çünkü model fiyatları sık değişiyor; güncel ücreti sağlayıcının kendi fiyat sayfasından kontrol edin.

Pratikte ben çoğu projede bir bulut sağlayıcıyla başlarım. Ancak sözleşmesi gereği verisi dışarı çıkmaması gereken müşterilerde Ollama ile yerel model kullanmak daha doğru bir tercih olur.

Model seçimi de sağlayıcı seçimi kadar önemlidir. Aynı sağlayıcının küçük ve hızlı modeli sınıflandırma gibi basit işlerde yeterlidir; üstelik çok daha ucuzdur. Metin kalitesinin kritik olduğu meta açıklama taslaklarında ise daha güçlü bir model seçmek mantıklıdır. Kısacası her komut için ayrı model belirleyerek bütçeyi dengeli kullanırsınız.

Custom JavaScript yöntemi ile doğrudan AI entegrasyonu arasındaki fark nedir?

İki yöntem de aynı işi yapar ama kurulum ve maliyet yapısı farklıdır. Custom JavaScript yolu Config > Custom > Custom JavaScript menüsünden çalışır ve Screaming Frog'un hazır "(ChatGPT)" parçacıklarını kullanır. Bu yöntem için Config > Spider > Rendering altında JavaScript işlemeyi açmanız gerekir.

Doğrudan entegrasyon ise sürüm 21 ile geldi ve kod düzenlemeyi ortadan kaldırdı. Sürüm notları, bu yöntemde JavaScript işleme modunun gerekmediğini ve verinin her tarama modunda dönebildiğini belirtiyor. Dolayısıyla tarama daha hızlı ve daha az kaynak tüketir.

Peki JavaScript yolu tamamen gereksiz mi? Hayır. Sayfanın tarayıcıda oluşan hâline göre çalışmanız gereken durumlarda, örneğin istemci tarafında yüklenen ürün açıklamalarında, tarayıcının oluşturduğu DOM üzerinden komut çalıştırmak hâlâ işe yarar. Yine de yeni başlayan biri için doğrudan entegrasyon daha az hata riskli bir başlangıç noktasıdır.

Hangi yöntemi seçerseniz seçin, iki yöntemi aynı taramada aynı iş için birlikte kullanmayın. Aksi hâlde aynı sayfa için iki kez API isteği gönderir ve iki kat ödersiniz.

Hazır komut kütüphanesini (Add from Library) nasıl kullanırsınız?

Komut yapılandırma ekranındaki "Add from Library" düğmesi, Screaming Frog'un hazırladığı örnek komutları listeler. Sürüm 21 notları bunu ilham amaçlı yarım düzine komut olarak tanımlıyor; alt metin üretimi, dil tespiti ve embedding çıkarımı bunların arasında.

Ben hazır komutları olduğu gibi kullanmam, şablon olarak alırım. Örneğin alt metin komutuna Türkçe yazma talimatı, karakter sınırı ve marka adını kullanmama kuralı eklerim. Böylece çıktı doğrudan yayına yakın hâle gelir.

Ayrıca kendi komutlarınızı kaydedip kütüphanenize ekleyebilirsiniz. Ajans ya da ekip olarak çalışıyorsanız bu büyük kolaylık sağlar; herkes aynı onaylı komutla çalışır ve sonuçlar projeler arasında karşılaştırılabilir kalır.

İyi bir komut yazarken şu dört parçayı eksik bırakmamaya çalışırım: rol, görev, kısıtlar ve çıktı biçimi. Örneğin "Sen bir e-ticaret editörüsün; sayfadaki ana ürünü tek cümlede tanımla; 120 karakteri geçme; yalnız düz metin döndür" gibi. Çıktı biçimini net tanımlamak özellikle önemlidir, çünkü sonuçları tabloda filtreleyeceksiniz. Açıklama, selamlama veya madde işareti içeren cevaplar bu filtrelemeyi bozar.

Screaming Frog AI ile toplu alt metin nasıl üretirsiniz?

Alt metin üretimi, bence en hızlı geri dönüş veren kullanım alanıdır. Büyük e-ticaret sitelerinde binlerce görselin alt metni ya boştur ya da dosya adıdır. Yapay zekâ bu açığı taslak düzeyinde hızla kapatır.

Akış şöyle işler: önce görsel alt metni eksik sayfaları filtrelersiniz, ardından yalnız bu segmente görsel betimleme komutu uygularsınız. Sürüm 22 ile komutları belirli bir segmentle eşleşen URL'lere sınırlama imkânı geldi. Bu sayede zaten alt metni olan sayfalar için boşuna token harcamazsınız.

• Komuta dil, uzunluk (örneğin 125 karakter altı) ve "görselde ne varsa onu yaz, reklam dili kullanma" kuralını ekleyin.
• Ürün adı ve rengi gibi bilgileri sayfa başlığından almasını isteyin.
• Çıktıyı dışa aktarıp bir editöre kontrol ettirin, sonra CMS'e yükleyin.

Yine de şunu vurgulayayım: yapay zekâ bazen görseldeki ürünü yanlış tanımlar. Bu nedenle insan kontrolünü atlamanızı önermem.

Ayrıca alt metnin amacını unutmayın. Alt metin öncelikle görme engelli kullanıcılar ve ekran okuyucular içindir; SEO faydası bunun yan ürünüdür. Dolayısıyla anahtar kelime doldurulmuş alt metinler hem erişilebilirliği hem de kaliteyi düşürür. Komutunuzda "görseli anlat, pazarlama cümlesi kurma" talimatı bu yüzden kritik bir satırdır.

Meta başlık ve açıklama taslaklarını yapay zekâyla nasıl hazırlarsınız?

Eksik, kopya veya çok uzun meta açıklamalar klasik bir Screaming Frog bulgusudur. Yapay zekâ ile bu bulguyu yalnız raporlamakla kalmaz, düzeltme taslağını da aynı taramada alırsınız.

Komutu yazarken sayfa metnini girdi olarak seçin ve çıktıyı katı bir kalıba bağlayın. Örneğin "155 karakteri geçmeyen, sayfanın ana konusunu ilk cümlede söyleyen, abartısız bir açıklama yaz" gibi. Ardından sonuçları uzunluk ve anahtar kelime uyumu açısından kontrol edin. Anahtar kelime seçimini ise yapay zekâya bırakmam; bunu anahtar kelime haritalama çalışmasından gelen hedefle eşleştiririm.

Öte yandan bu taslakları toplu yayına almak risklidir. Google'ın meta açıklamayı çoğu zaman sayfa içeriğinden yeniden yazdığını da unutmayın. Dolayısıyla önceliği yüksek trafikli ve tıklama oranı düşük sayfalara verin. Uzunluk kontrolü için SEO analiz aracı ile tek tek sayfa kontrolü de yapabilirsiniz.

Arama niyetini ve içerik türünü nasıl sınıflandırırsınız?

Büyük sitelerde en zor iş, hangi sayfanın hangi niyete hizmet ettiğini görmektir. Yapay zekâ komutuyla her sayfayı "bilgi", "karşılaştırma", "işlem" ve "marka" gibi sabit etiketlerden birine atayabilirsiniz.

Burada kritik nokta, modele serbest cevap alanı bırakmamaktır. Komutta yalnız izin verilen etiketleri yazın ve "başka bir şey yazma" deyin. Böylece çıktı filtrelenebilir bir sütuna dönüşür. Ardından bu sütunu URL yapısı, trafik ve dönüşüm verisiyle birleştirirsiniz.

Örneğin bir hizmet kategorisinde işlem niyetli sayfa hiç yoksa, bu doğrudan bir içerik açığıdır. Aynı niyete hizmet eden beş blog yazısı varsa, bu da yamyamlaşma (cannibalization) şüphesidir. Bu tür bulguları kategori planıyla birlikte ele almanızı öneririm; konuyu büyük sitelerde kategori yapısı yazısında ayrıntılı anlattım.

Sınıflandırmayı ayrıca içerik türü için de kullanabilirsiniz. Örneğin "rehber", "liste", "ürün", "kategori", "haber" gibi etiketlerle sitenin içerik karmasını çıkarırsınız. Bu tablo, hangi içerik türünün trafik ve dönüşüm getirdiğini göstermek için güçlü bir başlangıçtır. Yine de etiket doğruluğunu küçük bir örneklemle kontrol etmeden rapora koymayın.

Embedding ve anlamsal benzerlik analizi nasıl çalışır?

Embedding, bir metnin anlamını sayısal bir vektöre çeviren tekniktir. İki sayfanın vektörleri birbirine yakınsa, kelimeleri farklı olsa bile aynı konuyu anlatıyor demektir. Screaming Frog sürüm 22 ile bu analizi yerleşik hâle getirdi.

Resmi sürüm 22 notlarına göre akış şöyle: yapay zekâ sağlayıcısını bağlarsınız, kütüphaneden embedding komutunu eklersiniz ve Config > Content > Embeddings altında özelliği açarsınız. Tarama bittikten sonra tarama analizini (crawl analysis) çalıştırmanız gerekir; aksi hâlde filtreler dolmaz.

Sonuçları Content sekmesinde görürsünüz. "Semantically Similar" filtresi anlamca çok yakın sayfaları, "Low Relevance Content" filtresi ise sitenin genel konusundan uzak kalan sayfaları gösterir. Bu iki filtre, kopya içerik denetimini kelime eşleşmesinden anlam eşleşmesine taşır.

Kısacası embedding, "Bu iki yazı neden aynı sorguda birbiriyle yarışıyor?" sorusuna veriyle cevap verir.

Bir uyarı ekleyeyim: embedding kalitesi, girdiye verdiğiniz metnin temizliğine bağlıdır. Menü, altbilgi ve çerez bildirimi gibi tekrar eden bloklar her sayfada aynıysa, sayfalar yapay olarak birbirine benzer görünebilir. Bu nedenle içerik alanını doğru tanımlamak, yani yalnız ana metni analize sokmak, sonuçların güvenilirliğini ciddi biçimde artırır.

İçerik küme diyagramı (Content Cluster Diagram) ne gösterir?

İçerik küme diyagramı, embedding verisini iki boyutlu bir haritaya çizer. Diyagramı Visualisations > Content Cluster Diagram yolundan açarsınız. Anlamca yakın sayfalar haritada birbirine yakın durur, farklı konular ayrı kümeler oluşturur.

Bu görsel, müşteriye site mimarisini anlatırken çok işime yarıyor. Örneğin blog yazılarının hizmet sayfalarından kopuk, ayrı bir adada durduğunu görmek, iç linkleme ihtiyacını tek bakışta anlatır. Ayrıca kümenin dışında kalan tek tük noktalar, çoğu zaman eski kampanya sayfaları veya konu dışı içeriklerdir.

Diyagramı bir karar aracı olarak kullanın. Birbirine çok yakın sayfaları birleştirme adayı, uzak kalanları silme veya yeniden konumlandırma adayı olarak listeleyin. Ardından kümeler arasındaki bağlantıları iç linkleme stratejisi ile güçlendirin.

Screaming Frog AI ile kopya ve yamyamlaşan içeriği nasıl bulursunuz?

Klasik yöntem, "Near Duplicates" gibi metin benzerliği filtrelerine dayanır. Bu yöntem neredeyse aynı cümleleri yakalar ama farklı kelimelerle aynı konuyu anlatan sayfaları kaçırır. Screaming Frog AI tarafındaki embedding analizi tam bu boşluğu kapatır.

Kendi denetimlerimde şu sırayı izliyorum:

1. Semantically Similar filtresinde benzerlik puanı en yüksek çiftleri dışa aktarırım.
2. Her çift için Search Console'da aynı sorgularda gösterim alıp almadıklarını kontrol ederim.
3. Aynı sorguda yarışan çiftleri birleştirir, kazanan URL'ye 301 yönlendirme veririm.
4. Farklı niyete hizmet eden çiftleri ayrıştırır, başlık ve giriş bölümlerini netleştiririm.

Dikkat: yüksek benzerlik tek başına sorun değildir. Aynı ürünün iki renk varyantı doğal olarak benzer çıkar. Bu yüzden kararı puana değil arama verisine göre verin.

Birleştirme kararından sonra iç linkleri de güncellemeyi unutmayın. Eski URL'ye link veren sayfalar yönlendirme zincirine takılmasın; linkleri doğrudan kazanan sayfaya çevirin. Ardından bir sonraki taramada aynı çiftin artık listede görünmediğini kontrol edin. Böylece düzeltmenin gerçekten işe yaradığını veriyle doğrularsınız.

Özel çıkarımı (Custom Extraction) yapay zekâyla nasıl birleştirirsiniz?

Sürüm 21 notlarına göre komutun girdisi sayfa metni, HTML veya özel çıkarım olabilir. Özel çıkarım seçeneği, bence en az bilinen ama en verimli kullanımdır. Çünkü modele tüm sayfayı değil, yalnız ihtiyaç duyduğu parçayı gönderirsiniz.

Örneğin yalnız ürün açıklaması alanını XPath ile çekip modele "bu açıklamada malzeme, ölçü ve kullanım bilgisi var mı?" diye sorabilirsiniz. Böylece token maliyeti düşer ve cevap daha isabetli olur. Menü, altbilgi ve kenar çubuğu gibi gürültü modele hiç gitmez.

Aynı yaklaşımla yapısal veri kontrolü de yaparsınız. Sayfadaki JSON-LD bloğunu çıkarıp modele eksik alanları sorabilir, ardından düzeltmeyi schema oluşturucu ile hazırlayabilirsiniz. Yine de yapısal veri doğrulamasında son söz Google'ın kendi test aracındadır.

Özel çıkarımın bir başka avantajı tutarlılıktır. Tüm sayfayı gönderdiğinizde model bazen menüdeki bir kampanya metnini ana içerik sanabilir. Yalnız hedef alanı gönderdiğinizde bu karışıklık ortadan kalkar. Örneğin kategori sayfalarındaki SEO metnini ayrı çıkarıp "bu metin kategoriyle ilgili mi, yoksa genel dolgu mu?" diye sorabilirsiniz.

Screaming Frog AI kullanırken maliyeti nasıl kontrol edersiniz?

Maliyeti kontrol etmenin anahtarı, komutu kaç URL'ye ve ne kadar metinle gönderdiğinizdir. Token ücreti hem giden metin hem dönen cevap için işler. Dolayısıyla uzun sayfalar ve uzun cevaplar faturayı hızla büyütür.

• Komutu yalnız HTML sayfalarına ve 200 durum kodlu, indekslenebilir URL'lere uygulayın.
• Segment filtresiyle yalnız ilgili bölümü (örneğin /urun/ klasörü) hedefleyin.
• Tüm sayfa yerine özel çıkarımla sadece gerekli alanı gönderin.
• Cevabı kısa ve kalıplı isteyin; "tek kelime" veya "en fazla 150 karakter" gibi.
• Sağlayıcı panelinde aylık harcama limiti tanımlayın.
• Tarama hızını Config > Speed altından düşürerek API hız sınırlarına takılmayı önleyin.

Bu adımlarla aynı analizi çok daha düşük maliyetle yaparsınız. Üstelik küçük deneme taramasıyla bir sayfanın ortalama token tüketimini ölçüp tüm site için tahmini bütçe çıkarabilirsiniz.

Veri gizliliği açısından nelere dikkat etmelisiniz?

Bulut sağlayıcıya bağlandığınızda sayfa içeriği o sağlayıcının sunucularına gider. Herkese açık bir siteyi tarıyorsanız bu genelde sorun değildir. Ancak şifreli alanları, hazırlık (staging) ortamını veya müşteri paneli gibi sayfaları tarıyorsanız durum değişir.

Bu nedenle üç kuralım var. Birincisi, giriş gerektiren alanları yapay zekâ komutlarıyla taramam. İkincisi, kişisel veri içerebilecek sayfaları (sipariş, hesap, form sonuçları) tarama dışında bırakırım. Üçüncüsü, sözleşmesi gereği veri paylaşımı kısıtlı müşterilerde Ollama gibi yerel bir modele geçerim.

API anahtarının güvenliği de ayrı bir konudur. Anahtarı ekip içinde mesajla paylaşmayın; her kullanıcıya kendi anahtarını verin veya sağlayıcının proje bazlı anahtar özelliğini kullanın. Bir çalışan ayrıldığında ya da anahtar sızdığında hemen iptal edin. Ayrıca yapılandırma profilini dışa aktarıp paylaşırken içinde anahtar kalıp kalmadığını kontrol edin.

Ayrıca sağlayıcının API veri kullanım politikasını okuyun. Kurumsal hesaplarda verinin model eğitiminde kullanılmaması gibi şartlar değişebilir. Kısacası "API'ye gönderdiğim veri nerede ve sağlayıcı onu ne kadar süre tutuyor?" sorusunun cevabını bilmeden büyük tarama başlatmayın.

MCP sunucusu Screaming Frog kullanımını nasıl değiştiriyor?

Sürüm 24 ile gelen MCP sunucusu yönü tersine çeviriyor. Artık tarayıcı yapay zekâyı çağırmakla kalmıyor; yapay zekâ asistanı da tarayıcıyı yönetebiliyor. Resmi sürüm 24 notlarına göre Claude ve LM Studio gibi asistanlar içinden tarama başlatabilir, veriyi analiz edip dışa aktarabilirsiniz.

Örneğin asistana "siteyi tara, 404 veren ve iç link alan sayfaları listele, bir özet çıkar" diyebilirsiniz. Böylece tekrarlayan raporlama işleri doğal dille yürür. Yine de Screaming Frog ekibi, bunun deneyimli bir SEO uzmanının yerini tutmadığını ve her özelliğin henüz desteklenmediğini açıkça belirtiyor.

Benim görüşüm de aynı yönde. MCP rutin işleri hızlandırır ama bulguların önceliğini belirlemek, iş hedefiyle eşleştirmek ve geliştirici ekibine doğru görevi yazmak hâlâ insan işidir.

MCP'yi denemek isterseniz önce küçük bir sitede başlayın. Asistanın hangi komutu çalıştırdığını ve hangi veriyi dışa aktardığını adım adım izleyin. Ardından sonuçları elle yaptığınız bir raporla karşılaştırın. Böylece asistanın güçlü olduğu rutin işleri ve hâlâ sizin kontrol etmeniz gereken noktaları netleştirirsiniz. Bu ön test, ekip içinde güvenli bir kullanım kılavuzu yazmanız için de iyi bir temel olur.

Screaming Frog AI çıktılarına ne kadar güvenmelisiniz?

Yapay zekâ çıktısı bir taslaktır, karar değildir. Modeller bazen sayfada olmayan bir bilgiyi uydurur, bazen de etiket listesine uymayan cevap verir. Bu yüzden her projede çıktıların bir kısmını elle örneklerim.

Pratik bir kural: ilk taramada rastgele 30 ile 50 satırı kontrol edin. Hata oranı yüksekse komutu daraltın, örnek ekleyin veya daha güçlü bir modele geçin. Sonra tekrar deneyin. Ayrıca aynı komutu farklı günlerde çalıştırdığınızda sonuçların biraz değişebileceğini de hesaba katın.

Tutarlılığı artırmak için komuta bir iki örnek cevap eklemek işe yarar. Modele doğru bir çıktının nasıl göründüğünü gösterirseniz, biçim hataları belirgin şekilde azalır. Bunun yanında sağlayıcı izin veriyorsa daha düşük bir yaratıcılık (temperature) değeri seçmek de çıktıyı daha öngörülebilir kılar.

Öte yandan içerik kalitesi değerlendirmesinde yapay zekâyı yardımcı olarak kullanın. Uzmanlık, deneyim ve güven sinyallerini modele puanlatmak ilginç bir başlangıçtır, ama nihai yargı editörde kalmalı. Bu kriterlerin çerçevesini E-E-A-T rehberinde bulabilirsiniz.

Screaming Frog AI denetimini bir iş akışına nasıl dönüştürürsünüz?

Tek seferlik bir tarama ilginç sonuçlar verir, ama asıl değer düzenli iş akışında çıkar. Ekibimle kurduğumuz akış kabaca şöyle: aylık planlı tarama, aynı komut seti, karşılaştırmalı rapor ve öncelik listesi.

İlk adımda yapılandırmayı profil olarak kaydederiz. Ardından planlı taramayla her ay aynı ayarları çalıştırırız. Sonra AI sekmesindeki sonuçları önceki ayla karşılaştırıp yeni ortaya çıkan eksik alt metinleri, yeni yamyamlaşan sayfaları ve konu dışı içerikleri listeleriz.

Son olarak bulguları geliştirici ve içerik ekibine ayrı görevler olarak aktarırız. Site taşıma veya yenileme dönemlerinde bu karşılaştırma daha da değerli olur; o süreçte izlediğim adımları SEO migration kontrol listesinde topladım. Bu tür bir denetimi kendi sitenizde kurmak isterseniz, SEO danışmanlığı kapsamında ekibimle birlikte planlayabiliriz.