E-ticarette uzun yıllar temel discovery problemi şuydu:
Google'da nasıl görünürüz?
2026 itibarıyla buna ikinci bir soru ekleniyor:
AI alışveriş sistemleri ürünlerimizi anlayabiliyor mu?
Bu yalnızca geleceğe yönelik teorik bir tartışma değil.
ChatGPT ürünleri nasıl keşfediyor?
Bir kullanıcı örneğin:
“Türkiye'de kullanabileceğim, siyah, hafif ve 15 inç laptop alan deri sırt çantası bul.”
diyebilir.
Buradaki sorgu klasik keyword search'ten farklıdır.
Tek bir kelime yerine ürün tipi, renk, materyal, boyut ve kullanım amacı gibi birçok constraint bulunur.
AI shopping için ürün adı yeterli değil
Şu ürün ismini düşünelim:
Urban 03
Marka açısından anlamlı olabilir.
AI açısından ürünün ne olduğu belli değildir.
Daha zengin katalog:
- Category: Backpack
- Material: Full-grain leather
- Color: Black
- Laptop compartment: 15 inch
- Capacity: 22 L
- Water resistant: Yes
şeklinde olduğunda ürün çok daha anlaşılır hale gelir.
Product feed neden yeniden önemli hale geliyor?
Feed uzun süredir Google Merchant Center gibi sistemlerde kullanılıyor.
Agentic commerce ile feed'in rolü genişliyor.
Feed artık yalnız “Google Shopping'e ürün gönderme dosyası” olarak değil, daha genel bir commerce distribution layer olarak düşünülmelidir.
Feed yapısını alan alan nasıl kuracağınızı ayrı bir rehberde ele aldık: ChatGPT’de ürün görünürlüğü için product feed nasıl hazırlanmalı?
Hangi ürün verileri kritik?
Identity
- product ID
- SKU
- GTIN
- brand
- product group
Attributes
- color
- size
- material
- dimensions
- compatibility
- intended use
Commercial
- price
- sale price
- currency
- availability
- promotions
Fulfillment
- shipping
- delivery estimate
- pickup/local availability
Trust
- merchant identity
- return policy
- product reviews
- accurate descriptions
Shopify mağazaları açısından ne değişiyor?
Shopify tarafında agentic commerce ve catalog infrastructure giderek daha fazla platformun parçası haline geliyor.
Platform aktarımı çözebilir ancak merchant'ın sorumluluğu hâlâ doğru ürün adı, temiz varyant modeli, doğru fiyat, güncel stok, kaliteli attribute ve doğru görseller üretmektir.
AI görünürlüğü için SEO hâlâ gerekli mi?
Evet.
AI commerce, teknik SEO'yu gereksiz hale getirmiyor.
Aksine birçok temel prensip ortak:
- açık ürün bilgisi,
- crawlable sayfalar,
- tutarlı canonical,
- structured data,
- ürün kimlikleri,
- doğru availability,
- güncel fiyat,
- kaliteli içerik.
Product page'i nasıl değiştirmeliyiz?
AI için ürün sayfasını keyword doldurmak yanlış yaklaşım olur.
Bunun yerine ürün hakkında gerçekten faydalı bilgiler artırılmalıdır.
Stok ve fiyat doğruluğu neden kritik?
Feed 2.499 TL ve stokta derken storefront 3.499 TL ve tükendi gösteriyorsa kötü bir deneyim oluşur.
Catalog freshness doğrudan görünürlük ve güven problemi haline gelir.
Agent-ready commerce architecture nasıl görünür?
ERP/PIM
↓
Canonical Product Model
↓
Commerce Platform
↓
Storefront + Structured Data
↓
Merchant Feeds / Catalog APIs
↓
Search + AI Agents + Marketplaces
AI Shopping hazırlık checklist'i
- Ürünlerin benzersiz ID'si var mı?
- SKU ve GTIN doğru mu?
- Parent/variant ilişkileri açık mı?
- Renk, materyal ve ölçü gibi attribute'lar yapılandırılmış mı?
- Fiyat feed ve storefront'ta aynı mı?
- Stok güncel mi?
- Product structured data doğru mu?
- İade politikası erişilebilir mi?
- Shipping bilgileri net mi?
- Ürün feed'i güncel tutuluyor mu?
- Ürün URL'leri kalıcı mı?
- Merchant identity açık mı?
- AI/search crawler erişimi yanlışlıkla engellenmiş mi?
- AI kaynaklı trafik analytics'te ayrıştırılabiliyor mu?
AI görünürlüğünü klasik sıralama problemi gibi düşünmeyin
AI shopping görünürlüğü üç aşamaya ayrılabilir:
- Eligibility: Ürün verisi erişilebilir ve anlaşılır mı?
- Retrieval: Kullanıcının kriterleriyle eşleşiyor mu?
- Selection: Rakiplere göre neden önerilmeli?
AI shopping'de data eligibility kritik hale gelir.
Canonical commerce record oluşturun
Product
→ Variants
→ Attributes
→ Offers
→ Inventory
→ Fulfillment
→ Policies
Storefront, Merchant Center, marketplace, AI feed ve mobile app bu modelden türetilmelidir.
Attribute completeness neden ranking öncesi problemdir?
Kullanıcı “15 inç laptop alan, suya dayanıklı siyah deri çanta” istiyorsa katalogda laptop size, water resistant veya material boşsa sistem ürünü güvenle eşleştiremeyebilir.
Bu nedenle ürün bazında completeness score ölçmek faydalıdır.
Feed freshness SLO
Örnek:
- price change < 5 dk
- inventory critical change < 1 dk
- policy change < 1 saat
Değerler işletmeye göre değişir; freshness tanımlı operasyon metriği olmalıdır.
Human persuasion + machine facts
Human
- fayda,
- hikâye,
- kullanım senaryosu.
Structured facts
- materyal,
- ölçü,
- uyumluluk,
- bakım,
- kapasite.
Yalnız şiirsel marka dili constraint matching'i zorlaştırabilir.
Trust sinyalleri
- güncel price,
- real availability,
- merchant identity,
- return policy,
- shipping clarity,
- review provenance.
AI traffic attribution
Agent doğrudan commerce action çağırırsa browser referrer olmayabilir. Bu durumda API/cart/order metadata içinde source alanı taşınmalıdır.
AI visibility audit
- ürün identity tekil mi?
- varyant ilişkileri açık mı?
- attribute coverage nedir?
- fiyat/stok feed ile storefront aynı mı?
- structured data visible content ile eşleşiyor mu?
- policy alanları açık mı?
- canonical ürün URL stabil mi?
- feed error oranı nedir?
- AI kaynaklı session/order ayrıştırılabiliyor mu?
AI görünürlüğü için içerik ekibinin rolü
Content ekibi yalnız blog üretmez. Product data quality'ye katkı verebilir:
- usage scenarios,
- compatibility,
- size guidance,
- material facts,
- comparison data.
Bu bilgiler structured alanlara dönüştürülebiliyorsa AI discovery kalitesi artar.
Ölçüm yaklaşımı
AI kanalından gelen satış henüz düşük olsa bile:
- AI referral sessions,
- product coverage,
- feed completeness,
- agent-readable policy coverage
erken leading indicator olarak izlenebilir.
Sonuç
AI shopping'e hazırlanmak için ilk yapılacak şey chatbot geliştirmek değildir.
Önce ürünlerin makineler tarafından doğru anlaşılabildiğinden emin olmak gerekir.
Reliefers olarak storefront, ürün veri modeli, entegrasyon ve analytics katmanlarını birbirinden bağımsız parçalar olarak değil, aynı commerce architecture'ın parçaları olarak ele alıyoruz.