B2B SaaS Satın Alma Yolculuğu Önce AI Motorundan Geçiyor: Alıntılanmanın Beş Yüzeyi

B2B SaaS alıcısı, satış ekibinizle konuşmadan çok önce ChatGPT, Perplexity, Gemini ve Claude'a soruyor; kısa liste o aşamada oluşuyor. AI arama motorlarında alıntılanmak için beş yüzeyi kasıtlı biçimde kurmanız gerekiyor: yapılandırılmış karşılaştırma sayfaları, entegrasyon dokümantasyonu, şeffaf fiyatlandırma, ICP'ye göre segmentlenmiş içerik ve doğrulanabilir müşteri alıntıları. Bu yüzeyleri inşa etmeden AI motorunun ürettiği kısa listede yoksunuz; dolayısıyla ihalede de yoksunuz.

B2B Satın Alma Yolculuğu Artık Önce AI Motorundan Geçiyor

Satın alma ekipleri ve karar vericiler, satıcı kısa listesini hâlâ Google ile değil giderek artan oranda doğrudan AI motorlarına sorarak hazırlıyor. Gartner'ın B2B alıcı yolculuğu araştırmasına göre alıcılar zamanlarının yalnızca yaklaşık %17'sini potansiyel tedarikçilerle birebir görüşmelerde geçiriyor; kalan zamanın büyük kısmı kendi başına dijital araştırma, iç ekip toplantıları ve bağımsız değerlendirme. Üç kategorinin de üçü artık LLM'lere sorularak hızlanıyor.

B2C aramasından farkı çok net: B2B sorgular daha uzun, daha çok paydaşlı ve doğrudan karar aşamasında. "En iyi proje yönetim aracı" değil; "50–100 kişilik mühendislik ekibi için Jira alternatifi, Slack entegrasyonu olan ve KVKK uyumlu" tipi sorgular. Bu sorgulara verilen yanıtın içinde adınız geçmiyorsa, RFP listesine de girmiyorsunuz. Geleneksel SEO buraya yetmiyor — AI motorunun cevabının içine yapılandırılmış biçimde girmek gerekiyor.

Hamle 1 — Karşılaştırma Sayfalarını AI Motorunun Ayrıştırabileceği Şekilde Kurun

İlk yüzey: rakibinize karşı doğrudan karşılaştırma sayfaları. "Sizin Ürününüz vs Rakip" formatında, pazarlama metniyle değil yapılandırılmış tablolarla. Her satır bir özellik veya fiyatlandırma kalemi, her sütun bir ürün. AI motoru tabloyu olduğu gibi çıkarıp yanıtın içine koyar.

İçerik tarafının yanına teknik tarafı eklemek gerekiyor: schema.org SoftwareApplication tipi; fiyatlandırma alanları, özellik listesi, puan ve değerlendirme alanlarıyla LLM'lerin SaaS ürün verisini ayrıştırması için tasarlanmış. JSON-LD olarak ekleyin. Ürün adınızın, kategorinizin ve fiyatlandırma katmanlarınızın makineye okunaklı versiyonu mutlaka bulunmalı.

Sorgu eşleşmesi konusunda dürüst olun: alıcılar AI motoruna ne yazıyor? "X alternatifi", "X vs Y", "Z için en iyi Y" kalıpları. Her birinin kendi URL'si, kendi başlığı, kendi tablosu olsun. Önemli bir nokta: rakip bir özellikte sizden iyiyse onu da yazın. Kısmi taviz alıntılanma olasılığını artırır; LLM, "yanlı bir karşılaştırma" damgasını yememesi için dürüstlük sinyali arar.

Hamle 2 — Entegrasyon Dokümantasyonunu Alıntı Yüzeyi Olarak Tasarlayın

Entegrasyon sayfaları yüksek niyetli sorgu yüzeyidir: alıcı, aracın mevcut yığınına oturup oturmayacağını kontrol ediyor. "Tool X Slack entegrasyonu nasıl kurulur" karar aşaması sorgusudur; bilgilendirme amaçlı genel bir sorgu değil.

Her entegrasyonun kendi URL'si olmalı: /integrations/slack, /integrations/notion, /integrations/hubspot. Sayfa içinde yapılandırılmış kurulum adımları (numaralı liste), desteklenen özelliklerin tablosu, sınırlamaların açık listesi. Kod örneklerini dili etiketlenmiş kod blokları içinde verin (```bash, ```json) — AI motoru bu blokları aynen çıkartır.

Bir kuralı vurgulamak gerekiyor: kapalı PDF doküman görünmez. AI motorlarının tarayıcıları PDF'in içine genelde girmez; form arkasındaki içeriğe ise hiç girmez. Açık ve taranabilir API dokümantasyonu, kapalı bir PDF rehberini her seferinde yener. Kendi /docs/api sayfanızı bu zihniyetle kurun: aynı anda hem geliştirici dokümanı hem de alıntı yüzeyi.

Hamle 3 — Fiyatlandırma Şeffaflığı Bir Alıntı Sinyalidir

AI motorları, fiyatlandırması açıkça yayımlanan satıcıları, "iletişime geçin" diyenlere kıyasla çok daha güvenilir biçimde yanıtın içine koyar. Çünkü LLM, "alıcı X özellik için ne öder?" sorusuna kesin bir yanıt verebilmeyi tercih eder; kapalı fiyatlandırma bu kesinliği bozar.

Açık fiyat yayımlamanın yapısal yolu: PriceSpecification şema alanlarıyla katman bazlı fiyat (kullanıcı başına / kullanım başına), her katmanda dahil olan kullanım kotası, aşım ücretleri. Sadece "Starter ₺X / ay" yazıp ne dahil olduğunu söylemiyorsanız, AI motoru "X özellik Y planda mı?" sorusuna cevap veremez ve sizi kısa listeden eler.

Kendi /pricing sayfanızı karşılaştırılabilir formatta tutun: başlangıç fiyatı, dahil kullanım miktarı, aşım maliyeti, üst katmana geçiş tetikleyicileri. Yıllık/aylık fark açıkça belirtilsin. Para birimi ₺ ise ₺ yazın, USD ise dolar — ama gizlemeyin.

Hamle 4 — ICP'ye Göre Segmentlenmiş İçerik Genel Pillar Sayfasını Yenecek

Genel "en iyi CRM" sayfası AI motorlarında giderek daha az alıntılanıyor; çünkü sorgular spesifikleşiyor. "50 kişilik fintech için en iyi CRM" ile "300 kişilik e-ticaret operasyonu için en iyi CRM" tamamen farklı satıcı kısa listeleri döndürüyor. Yayıncı için fırsat tam burada: ICP eksenlerinde sayfa üretirseniz uzun-kuyruk her sorguya bir yanıt yüzeyi sağlamış olursunuz.

Üç eksen önerisi: rol (Pazarlama Lideri, RevOps lideri, CFO), dikey (fintech, sağlık teknolojisi, e-ticaret), şirket büyüklüğü (startup, mid-market, kurumsal). Her ICP sayfası o segmentin gerçek iş akışını anlatmalı: "300 kişilik bir fintech RevOps lideri haftalık raporu nasıl hazırlar, hangi entegrasyonları kullanır, KVKK uyumluluğu için neye dikkat eder". Genel özellik listesi değil — somut iş akışı.

Princeton ekibinin Generative Engine Optimization araştırması bu noktayı doğrudan destekliyor: alıntı yoğunluğu, doğrudan iktibas ve sayısal istatistik içeren içerikler generative AI yanıtlarında temel içeriğe kıyasla yaklaşık %30–40 daha fazla görünürlük elde ediyor. Spesifiklik, sayı ve kaynak hep birlikte çalışıyor.

İç bağlantı stratejisi de burada devreye giriyor: ICP sayfalarından özellik sayfalarına ve karşılaştırma sayfalarına çapraz bağlantılar konu otoritesi sinyali oluşturuyor. AI motoru, sitenin "fintech CRM" konusunda derinleştiğini yapısal olarak görüyor.

Hamle 5 — Müşteri Alıntıları: Yoğunlukla ve Doğrulanabilir Atıfla

Son yüzey, sosyal kanıt — ama rastgele afiş tarzı müşteri yorumu değil. Gerçek müşteri alıntısı: ad, rol, şirket, mümkünse kamuya açık bir kaynağa (G2, TrustRadius değerlendirmesi, LinkedIn paylaşımı) bağlantı. Atıfsız "harika bir ürün" alıntısı sıfır sinyaldir.

Yoğunluk meselesi kritik: sayfa başına bir müşteri yorumu zayıf sinyaldir; içeriğin akışına gömülmüş, alakalı yere yerleştirilmiş üç-beş alıntı güçlü sinyaldir. AI motoru cevabın içine doğrudan müşteri sözünü çıkartmayı sever; çünkü bu kullanıcıya "üçüncü taraf bakışı" hissi verir.

Şema tarafında Review ve AggregateRating alanları desteklendiği yerde kullanılmalı; ama LLM'in çıkardığı asıl şey ham alıntı metninin kendisi. Burada kritik bir rica: alıntının içine somut sayıyı koyun. "Harika ürün" yerine "raporlama süremizi haftalık 8 saatten 30 dakikaya indirdi". Sayı, alıntının alıntılanma olasılığını ciddi ölçüde artırıyor — Princeton GEO çalışmasının sayısal istatistik bulgusuyla aynı eksende.

Şimdi Neden Önemli

Google'ın Mayıs 2024'te AI Overviews'i ABD aramasında geniş çaplı yayına aldığı ve sonrasında diğer bölge ve sorgu tiplerine açtığı andan itibaren, AI üretimli yanıtlar mavi linklerin üstünde kendi alıntı yüzeyine kavuştu. B2B SaaS için bu, satın alma yolculuğunun ilk kontağının artık satış sayfanız değil, AI motorunun yanıt panelindeki birkaç cümle olduğu anlamına geliyor.

Beş hamlenin tek ortak noktası var: hepsi alıntılanmaya açık, yapılandırılmış, doğrulanabilir içerik. Geleneksel SEO trafik için yazardı; B2B GEO ise alıntı için yazıyor. Yazdığınız her sayfaya "AI motoru bunu cevap olarak kullanabilir mi?" sorusunu sormak tek disiplin.