Ajan Keşfi İçin Kategori Mimarisi: Fan-out Sorgular, Taksonomi ve Kategori Sayfası

Ajan keşfi için kategori mimarisi nedir?

Ajan keşfi için kategori mimarisi, bir e-ticaret sitesinin kategori ağacını, kategori sayfalarını ve ürün-kategori eşlemesini yapay zeka ajanlarının sorguyu parçalayıp ürün bulma biçimine göre kurgulama işidir. Klasik kategorizasyon iki soruya cevap verirdi: kullanıcı ürünü menüden bulabiliyor mu, kategori sayfası Google'da sıralanıyor mu? 2026'da üçüncü soru belirleyici oldu: ChatGPT, Google AI Mode ya da Amazon Rufus "yazın sıcak havada giyilecek, kolay kırışmayan, Avrupa'ya gönderimi olan keten gömlek" isteğini alt sorgulara böldüğünde, sizin kategoriniz o alt sorguların hangisinde getiriliyor?

Bu yazıyı Eylül 2025'te AI destekli ürün kategorizasyonu başlığıyla yayımlamıştık; yanlış kategorilendirmenin nedenleri ve sonuçları o metinde duruyor, hâlâ geçerli. Değişen şey kategori sayfasının müşterisi. Google AI Mode'un query fan-out tekniği, Ocak 2026'da güncellenen Google ürün taksonomisi ve OpenAI ürün feed'indeki product_category alanı kategoriyi bir site içi düzen meselesinden ajanın sizi bulma meselesine çevirdi. Webtures olarak tezimiz şu: kategori artık bir raf değil, ajanın sorduğu alt sorulardan birine verilmiş cevaptır.

Ajan kategori sayfasını nasıl getirir?

Google AI Mode tek bir isteği eşzamanlı çalışan alt sorgulara böler; buna query fan-out deniyor. "Yaz için keten gömlek" isteği "keten gömlek erkek", "kırışmayan yazlık kumaş", "Avrupa'ya kargo veren Türk markalar", "190 gram keten gömlek fiyat" gibi parçalara ayrılır, her parça için ayrı getirme yapılır ve sonuçlar tek cevapta birleştirilir. Alışveriş tarafında bu getirme Shopping Graph üzerinden çalışır: 50 milyar ürün listelemesi, saatte 2 milyar yenileme. Kategoriniz bu grafikte ürün özniteliklerinin, taksonomi düğümünün ve satıcı sinyallerinin kesişimi olarak temsil edilir.

Pratik sonuç iki yönlü. Birincisi, kategori sayfanız artık tek bir anahtar kelime için değil, o kategoriye düşen onlarca alt sorgu için getirilebilir; görünürlük ikili değil olasılıksal. İkincisi, sektör ölçümlerinde AI Mode'un en çok etkilediği sayfa tipi e-ticaret kategori sayfaları ve bilgi amaçlı sorgular; markalı ve işlem odaklı sorgular sabit kalıyor. Kategori sayfasının klasik trafiği azalırken ajanın getirdiği kategori içeriği kazanıyor. Hangi tarafta olduğunuzu kategori sayfanızın ajan tarafından ayrıştırılabilirliği belirliyor.

ChatGPT tarafında mekanizma benzer: OpenAI feed'indeki product_category alanı geniş kategoriden dar kategoriye giden bir yol taşır; ajan kullanıcı isteğini ürün tipi, öznitelik ve kısıt olarak ayrıştırıp bu yolla eşleştirir. Amazon Rufus ise kategori düğümünü listeleme verisinden tahmin eder; yanlış düğümdeki ürün doğru soruda hiç görünmez.

Yanlış kategorilendirme ajan çağında neye mal olur?

Yanlış kategorilendirmenin nedenleri değişmedi: manuel hata ve dikkat dağınıklığı, eksik ya da model kodundan ibaret ürün verisi, on binlerce ürünü insan gücüyle denetleme imkânsızlığı, pazarlar arasında dil ve terminoloji farkı. "Terlik" Türkiye'de ayakkabı, bir başka pazarda ev giyimi ya da plaj ürünü altında yer alabilir. Sonuçları ise ağırlaştı:

• Kümeden düşme. Google AI Mode aynı ürünü birden fazla satıcıdan bir kümede toplar. Yanlış google_product_category ya da eksik GTIN ürünü kümenin dışında bırakır; ajan karşılaştırma yaparken sizi görmez.
• Fan-out ıskası. Alt sorgu "kırışmayan yazlık gömlek" ise ve ürün "erkek üst giyim" gibi geniş bir düğümde duruyorsa, getirme aşamasında eşleşme zayıf kalır.
• Filtre kaybı. Kategori sayfasındaki beden ve renk filtreleri yanlış kategorideki ürünü listeden düşürür; ajan için bu, ürünün o kombinasyonda hiç olmaması demektir.
• Feed reddi. Merchant Center Ocak 2026 taksonomi güncellemesinde bazı yolları kaldırdı; eski metin yolunu taşıyan ürünler uyarı alır, sayısal kimlik taşıyanlar etkilenmez.
• Güven kaybı. Ürün açıklamasında olduğu gibi burada da çelişki görünmezlikten kötü: "telefon" kategorisinde listelenen kılıf, ajanın kullanıcıya yanlış ürün önermesine yol açar.

Hangi taksonomi kullanılmalı?

Üç taksonomi arasında tek bir eşleme tablosu tutmak, ajan keşfinin en düşük maliyetli adımıdır.

Kural basit: Site kategori ağacı müşterinin diliyle, feed kategorisi platformun diliyle yazılır ve ikisi arasındaki eşleme tek bir tabloda yaşar. Ekibimizin Agentic Commerce Değerlendirme Seti bunu doğrudan soruyor: "Veri, hedef pazaryeri ve ajan arayüzlerinin beklediği ortak şemaya ne ölçüde uyumlu?" Cevap bir şema uyum raporudur, bir his değil.

Kategori sayfası ajan için nasıl kurgulanır?

1. Tanım cümlesiyle açın. Kategori sayfasının ilk paragrafı kategorinin ne olduğunu, kimin için olduğunu ve kaç ürün içerdiğini söylesin. "Erkek keten gömlekler: %100 keten ve keten karışımı, 38-46 beden, 24 model." Ajan bu paragrafı tek başına alıntılar.
2. Filtreleri öznitelik olarak da yayımlayın. Kumaş, beden, renk filtreleri yalnızca arayüzde değil, ürün verisinde product_detail ve şemada additionalProperty olarak bulunsun. Fan-out alt sorgusu çoğu zaman bir filtre değeridir.
3. Alt sorulara alt başlıklarla cevap verin. Kategori sayfasının altında "Keten gömlek kırışır mı?", "Hangi gramaj yaz için uygun?" gibi 3-5 soru başlığı ve kısa cevaplar. Bu bölüm hem kullanıcıya hem fan-out'a hizmet eder.
4. CollectionPage ve ItemList şeması kullanın. Kategori sayfasının ne olduğu ve hangi ürünleri listelediği makine okunur olsun; her ürün kartı kendi Product düğümüne bağlansın.
5. Sayfalamayı ve sonsuz kaydırmayı ham HTML'de çözün. Büyük AI botlarının çoğu JavaScript çalıştırmaz; 2. sayfadaki ürünler ham HTML'de yoksa ajan için yoktur.
6. Kategori başına tek canonical, tek dil. Filtre kombinasyonlarından üretilen URL'ler ana kategoriye canonical versin; çok dilli sitede kategori adı hedef pazarın terminolojisiyle yazılsın.
7. Boş ve ince kategorileri kapatın. Üç üründen az kategori ajan için gürültü, arama motoru için ince içeriktir; birleştirin ya da noindex yapın.

AI destekli kategorizasyon nasıl çalışır?

Kategori atama işi büyük platformlarda zaten bir yapay zeka problemi olarak çözülüyor: Shopify ürün eklerken kategoriyi standart taksonomiden öneriyor, Merchant Center feed'leri kendi taksonomisine eşliyor, Amazon listeleme sırasında düğümü tahmin ediyor. Kendi kataloğunuzda aynı yaklaşım üç adımda kurulur: ürün başlığı, açıklaması ve özniteliklerinden bir gömme (embedding) üretilir; bu gömme taksonomi düğümleriyle karşılaştırılır ve bir güven skoruyla kategori önerilir; düşük güvenli öneriler insan onayına düşer. Görsel sınıflandırma metnin eksik kaldığı yerde (yalnızca model kodu taşıyan başlıklar) devreye girer.

Burada ölçülmesi gereken iki sayı var: kategori doğruluğu (örneklemle denetlenen atamaların yüzde kaçı doğru) ve kapsama (kaç ürün yalnızca geniş bir üst düğümde duruyor). İkisi de ekibimizin Hazırlık Skoru'ndaki "veri eksiksizliği" ve "platform uygunluğu" boyutlarına doğrudan girer.

Türkiye'den e-ihracat yapan markalar kategoriyi nasıl kurmalı?

Ticimax, ikas ya da İdeasoft gibi hazır altyapılarda kategori ağacı genellikle Türkçe düşünülmüş, feed kategorisi ise otomatik eşlenmiştir. İlk iş bu otomatik eşlemeyi denetlemek: Merchant Center'daki google_product_category değerlerinin sayısal kimlik olup olmadığı, Ocak 2026 güncellemesinde kaldırılan yollara düşen ürün olup olmadığı, hedef pazar dilinde kategori adının doğru terimi taşıyıp taşımadığı. Kendi ihracat matrisimizde ABD ve Birleşik Krallık gibi B2C pazarlarında odak Merchant Center feed'i ve zenginleştirilmiş kategori içeriği; Almanya gibi B2B pazarlarda PIM temelli tek kayıt. Körfez pazarlarında Arapça kategori ve öznitelik verisi neredeyse boş; buraya giren marka rakipsiz görünür.

Kategori mimarisi ürün açıklamasıyla birlikte düşünülür: ürün ajanın okuduğu açıklamaya sahipse kategori eşlemesi de doğru çıkar. Kategori sayfasının görünürlük tarafını GEO'da kategori sayfaları yazımızda, protokol katmanını protokol haritasında anlattık. Kategori ve feed uyumunuzun skorunu Agentic Commerce Hazırlığı sayfasındaki ücretsiz taramayla görebilir, sitenizin ajanlar tarafından nasıl gezildiğini Agent Experience ekibimizle birlikte denetleyebilirsiniz.