Yapay zeka destekli yeni bir iş akışı, Google Search Console'dan düşük performans gösteren arama sorgularını çekiyor, bunları teknik makalelere dönüştürüyor ve her birini beş sentin altında bir maliyetle Dev.to'ya yüklüyor. Sistem, yazarın ilk denemesini başarısızlığa uğratan 120 dolar üzerindeki maliyetlere katlanmadan, ölçülebilir SEO kazanımları vaat ediyor.

İlk deneme neden başarısız oldu

İki ay ve 120 dolarlık API ücreti sonucunda 30 makale üretildi, ancak Google Search Console sıfır yeni gösterim kaydetti. Sorun dil modeli değildi; sorun "içerik boşluğu" (content gap) tanımıydı. Yazar, bu terimi sadece bir moda sözcük (buzzword) olarak ele aldı ve yapay zekaya gerçek arama talebiyle asla eşleşmeyen genel konular sundu. SEO jargonunda içerik boşluğu; çok sayıda gösterim oluşturan, ancak az tıklama alan ve herhangi bir sıralama sayfasında yer almayan belirli bir sorgudur. Bu hassasiyet olmadan, üretilen içerikler asla bir kitleye ulaşamadı.

Yeni iş akışının anatomisi

Yenilenen iş akışı Oracle Cloud Infrastructure üzerinde çalışıyor ve katı, veri odaklı bir diziyi takip ediyor:

  • GSC Analyzer – Konsolu, şu dört kriteri karşılayan sorgular için tarar: gösterim > 500, tıklama < 50, tıklama oranı < %1 ve ortalama konum > 20. Bu eşikler, kullanıcıların gördüğü ancak tıklamadığı sorguları ayrıştırarak net bir fırsat gösterir.
  • Topic Generator – Her bir sorguyu Groq üzerinde barındırılan Llama 3'e gönderir. Model, orijinal arama terimine sıkı sıkıya bağlı üç ila beş başlık fikri döndürür.
  • Article Drafter – Seçilen başlığı, tam uzunlukta ve teknik olarak doğru bir yazı yazan Claude 3.5 Sonnet'e iletir. Claude ağır iş yükünü üstlenir çünkü daha uzun istemler (prompts) daha fazla token maliyeti yaratır.
  • SEO Optimizer – İç bağlantıları, meta açıklamaları ve ilgili etiketleri ekleyerek makaleyi arama motorlarına ve Dev.to'nun etiketleme sistemine hazırlar.
  • Publisher – Yeni bir gönderi oluşturmak için Dev.to'nun API'sini çağırır ve eş zamanlı olarak yazarın statik site deposunu (repository) günceller.

Maliyet kontrolü hibrit bir modelden sağlanıyor: Kısa ve ucuz görevler (başlık oluşturma) Groq üzerinde kalırken, daha uzun olan yazım aşamasında Claude kullanılıyor. Makale başına fatura Claude için ortalama 0,03 $ ve Groq için 0,01 $ tutarak toplam maliyeti 0,05 $'ın altında tutuyor.

Erken performans sinyalleri

Üç aylık kesintisiz çalışmanın ardından yazar şunları bildiriyor:

  • İş akışını tetikleyen belirli sorgular için organik gösterimlerde %15 artış.
  • Toplam site tıklamalarında %3 artış; bu da yeni içeriğin hedeflenen boşlukların ötesinden de trafik çektiğini gösteriyor.
  • Makale başına tutarlı bir şekilde 0,05 $'ın altında maliyet, ekonomik varsayımı doğruluyor.

Bu rakamlar, dar kapsamlı ve veri odaklı bir yaklaşımın, mütevazı harcamaları somut SEO iyileştirmelerine dönüştürebileceğini gösteriyor.

Riskler ve karşı görüşler

Sistemin düşük maliyeti dar bir içerik türüne dayanıyor: Dev.to'nun geliştirici kitlesine uygun teknik "nasıl yapılır" (how-to) içerikleri. Daha geniş konulara ölçeklendirme yapmak; daha nüanslı istemler, daha yüksek kaliteli yazım veya ek editör denetimi gerektirebilir ki bu da giderleri artıracaktır. Otomatik taslaklar ayrıca olgusal hatalar veya güncelliğini yitirmiş kod örnekleri riski taşır; bir insan incelemesi olmadan, yanıltıcı bilgi yayınlama riski devam eder.

İş akışı ayrıca Google Search Console verilerinin güncelliğine de bağlıdır. Eğer konsol gecikirse veya sorgu hacimleri hızla değişirse, analizör kaybolan boşlukların peşinden koşabilir ve kaynakları boşa harcayabilir.

Bir sonraki adım: Kendi kendini düzelten bir döngü

Yazar, her makalenin performansını 60 gün boyunca izleyen bir izleme ajanı eklemeyi planlıyor. Eğer bir makale önceden tanımlanmış gösterim veya tıklama eşiğinin altında kalırsa, ajan otomatik olarak bir yeniden yazım tetikleyecek ve düşük performans gösteren parçayı tekrar taslak aşamasına gönderecektir. Bu geri bildirim döngüsü, içerik portföyünü manuel müdahale olmaksızın gerçek dünyadaki arama trendlerine duyarlı tutmayı amaçlıyor.

Özet

Disiplinli bir yapay zeka iş akışı, ham arama verilerini geleneksel içerik maliyetlerinin çok küçük bir kısmıyla yayına hazır makalelere dönüştürebilir; ancak model, en iyi girdi sinyali kesin olduğunda ve çıktı kapsamı dar olduğunda çalışır. Ucuz içerik tuzağına düşmemek ve maliyet tasarruflarının kalıcı SEO değerine dönüşmesini sağlamak için sürekli performans izleme esastır.

Kaynak: yazarın Dev.to üzerindeki ayrıntılı anlatımı.