Hastalar Artık Yapay Zekâya Soruyor: Hekimler İçin AEO ve GEO Rehberi

Birkaç yıl önce hasta bir şikâyetini Google'a yazar, on mavi bağlantı arasından seçim yapardı. Bugün aynı hasta soruyu yapay zekâya soruyor ve tek bir paragraflık cevap alıyor — o cevapta yalnızca birkaç kaynak ve bazen birkaç isim geçiyor. Listeye girmek artık ilk sayfaya çıkmak değil, cevabın içinde anılmak anlamına geliyor. Sağlık, bu değişimin en hızlı yaşandığı alanlardan biri: insanlar tanı almadan önce belirtilerini, tedavi seçeneklerini ve hangi branşa gitmeleri gerektiğini yapay zekâya soruyor. Bu yazıda bir hekimin bu sistemlerde nasıl tanınır hale geldiğini, hangi teknik yapının gerektiğini ve mevzuat sınırının nerede durduğunu anlatıyoruz.

AEO ve GEO nedir, hekim için neden önemli?

Kısa cevap: AEO (Answer Engine Optimization) sorulara doğrudan yanıt verecek biçimde içerik üretmek, GEO (Generative Engine Optimization) ise üretken yapay zekâ yanıtlarında kaynak olarak anılmaktır. İkisi de klasik SEO'nun yerini almaz, üzerine kurulur.

Hekimler için buradaki asıl kazanım tıklama değil, varlık tanınırlığı: yapay zekâ sizi belirli bir branş ve konuyla ilişkilendirmeye başladığında, hastanın karşısına o konuda tekrar tekrar çıkarsınız. Genel çerçeveyi AEO ve GEO rehberimizde anlatmıştık; bu yazı sağlık alanına özgü tarafı ele alıyor.

Yapay zekâ bir hekimi neye göre anıyor?

Bu sistemler bir hekimi 'iyi' ya da 'kötü' diye değerlendirmez; hakkında tutarlı, doğrulanabilir ve bir konuyla ilişkilendirilmiş bilgi bulup bulamadığına bakar.

1. Kimlik tutarlılığı: ad, unvan, branş, kurum ve konum bilgisinin her yerde birebir aynı olması. Bir yerde 'Op. Dr.', başka yerde 'Dr.', bir yerde eski hastane adı yazıyorsa sistem aynı kişiden emin olamaz.
2. Konu ilişkisi: hekimin adının belirli tedavi ve tanılarla birlikte tekrar tekrar geçmesi. Her konuda içerik üreten bir hesap, hiçbir konuda ilişkilendirilmez.
3. Doğrulanabilirlik: kurum sayfası, akademik yayın, dernek üyeliği, basın içeriği gibi bağımsız kaynaklarda aynı bilginin bulunması.
4. Yapılandırılmış veri: web sitesinde Physician ve MedicalOrganization şemalarıyla branş, adres, çalışma saati ve hekim bilgisinin makine okunabilir biçimde verilmesi.
5. Cevap verilebilir içerik: soruya ilk cümlede yanıt veren, tanımı net yapan, listelenebilir bilgi sunan metinler — bu sistemler alıntılanabilir paragrafı tercih eder.

Sahadan not: hekim hesaplarında en sık rastladığımız engel teknik değil, dağınıklık. Aynı hekimin adı beş farklı platformda dört farklı unvanla, iki farklı kurumla ve üç farklı branş tanımıyla geçiyor. Bu dağınıklık düzeltildiğinde yapay zekâ yanıtlarındaki görünürlük, hiçbir yeni içerik üretilmeden artabiliyor.

İçerik yapısı: yapay zekânın alıntılayabileceği metin

Aynı bilgi, yazılış biçimine göre ya alıntılanır ya görmezden gelinir. Hekim içeriğinde uyguladığımız yapı şu:

• Soru başlıklı bölümler: "Bel fıtığı ameliyatı sonrası iyileşme ne kadar sürer?" gibi hastanın gerçekten yazdığı soruyu başlık yapmak.
• İlk cümlede doğrudan yanıt: bağlam ve giriş cümlelerinden önce net cevap; sistem çoğu zaman ilk paragrafı alır.
• Net tanımlar: "X nedir?" sorusuna tek cümlelik, tıbbi olarak doğru ve sade bir tanım.
• Listeler ve tablolar: seçenekleri, aşamaları ve karşılaştırmaları listeye dökmek; yapay zekâ yapılandırılmış bilgiyi daha kolay aktarır.
• SSS bloğu ve FAQPage şeması: hem sayfada görünür soru-cevap hem de yapılandırılmış veri — sağlık içeriğinde en değerli tek sinyal budur.
• Tarih ve güncelleme: içeriğin ne zaman yazıldığı ve güncellendiği; güncelliğini koruyan kaynak daha çok anılıyor.

Buradaki her madde aynı zamanda hastanın işine yarar — zaten kural bu: yapay zekâ için iyi olan içerik, hasta için de iyi olan içeriktir. Sistemi kandırmaya çalışan, doldurma metinlerle yazılmış sayfalar her iki tarafta da kaybediyor.

Mevzuat: görünürlük artarken sınır aynı kalıyor

Yapay zekâ görünürlüğü çalışmasının en sık yapılan hatası, 'nasılsa AI okuyor' diyerek tanıtım diline kaymak. Sağlıkta tanıtım kuralları, metnin kimin için yazıldığına bakmaz.

• Sonuç vaadi, başarı oranı ve kesinlik ifadeleri kullanılamaz; bu ifadeler hem mevzuata aykırıdır hem de yapay zekâ sistemlerinde güvenilirlik puanını düşürür.
• Karşılaştırma ve üstünlük iddiası ("bölgenin tek merkezi", "lider hekim") hem yasaktır hem doğrulanamadığı için alıntılanmaz.
• Hasta yorumu ve deneyimi tanıtım aracı olarak kullanılamaz; bunun yerine sürecin şeffaf anlatımı tercih edilir.
• İçerikte yer alan tıbbi bilginin doğruluğundan hekim sorumludur — yapay zekâya yazdırılmış, kontrolsüz yayınlanan sağlık metni hem hasta güvenliği hem hukuki risktir.
• Her içerikte genel bilgilendirme uyarısı bulunmalı: metin tanı ve tedavi yerine geçmez, değerlendirme muayene ile yapılır.

Reklam tarafındaki ayrıntılı sınırları sağlık alanında reklam yönetimi yazımızda, içeriğin yapay zekâyla nasıl üretilip nasıl denetlendiğini ise yapay zekâ ile içerik üretimi yazımızda topladık.

Ölçme: görünmeyen bir kanal nasıl takip edilir?

Bu kanalın en zor yanı ölçümü: yapay zekâ yanıtında anıldığınızda çoğu zaman sitenize tıklama gelmez. Uyguladığımız pratik yöntem şu:

1. Düzenli sorgu testi: hastanın soracağı biçimde hazırlanmış sabit bir soru listesi (branş + şehir + tanı) belirli aralıklarla farklı yapay zekâ araçlarına sorulur, sonuçlar kaydedilir.
2. Anılma takibi: yanıtta hekimin adı, kurumu veya sitesinin kaynak olarak geçip geçmediği not edilir; zaman içindeki değişim tablo halinde izlenir.
3. Marka araması takibi: hekimin adının doğrudan aranma sayısındaki artış, görünürlüğün en güvenilir dolaylı göstergesidir.
4. Başvuru kaynağı sorusu: ilk temasta "bize nasıl ulaştınız?" sorusunun kayda geçmesi — yapay zekâ üzerinden gelen hasta sayısı bugün en net buradan görülüyor.

Ölçümün raporda nasıl okunacağını rapor okuma rehberimizde anlattık: burada da kural aynı — gösteriş metriği değil, muayenehanede karşılığı olan sonuç takip edilir.