Yapay Zekâ Halüsinasyonları

Araştırmalar, dil modellerinin yaygın yanlış kanıları güvenilir biçimde düzeltmek yerine tekrarlayabildiğini gösteriyor. Evidence for this claim TruthfulQA found that language models can reproduce common human misconceptions and that larger models were not automatically more truthful on its benchmark. Scope: TruthfulQA's benchmark, model set, and 2021 results; not a current cross-model error rate. Confidence: high · Verified: 2026-07-14 Lin et al.: TruthfulQA NIST, kendinden emin biçimde sunulan yanlış veya hatalı model içeriğini “konfabülasyon” olarak adlandırıyor. Evidence for this claim NIST's Generative AI Profile identifies confabulation—the confident presentation of false or erroneous content—as a generative-AI risk. Scope: NIST risk-management terminology and guidance; not a product-specific incidence estimate. Confidence: high · Verified: 2026-07-14 NIST: Generative AI Profile

Kısaca — Bir yapay zekâ halüsinasyonu, sohbet botunun kulağa doğru gelen ama aslında yanlış bir şey söylemesidir: uydurma bir olgu, sahte bir kaynak ya da var olmayan bir sayfaya bağlantı. Kaynağa dayanmayan bir yanıtta model, bir kaynağı kontrol etmek yerine kulağa olası gelen sözcükleri tahmin eder. Kaynaklara dayandırma (modele getirilen kaynakları verme) yardımcı olabilir, ancak sorunu tamamen çözmez. Web siteniz açısından iki riski izleyin: yapay zekânın insanları hiç oluşturmadığınız URL’lere yönlendirmesi ve markanızla ilgili olguları yanlış aktarması.

Yapay zekâ halüsinasyonu nedir?

Kaynağa dayanmayan bir dil modeli yanıtı, her ifadeyi bir kaynağa göre doğrulamak yerine öğrenilmiş örüntülerden olası devamları tahmin eder. Arama ve getirme araçları güncel kanıt ekleyebilir, ancak sentezi hatasız hâle getirmez. Üretilen bir ifade kendinden emin görünmesine rağmen yanlışsa buna genellikle halüsinasyon denir.

Şöyle düşünün: model, sırada genellikle gelecek türden cümleyi yazmakta çok iyidir. Fakat o cümlenin doğru olup olmadığını kontrol etmez. Dar bir ayrıntıyı, yeni bir değişikliği ya da az bilinen bir markayı gerçekten “bilmediğinde” bile akıcı ve kendinden emin görünen bir yanıt yazar; çünkü yapmak üzere eğitildiği iş budur.

Bazı araştırmacılar konfabülasyon sözcüğünü tercih eder. Terim, insanların belleklerindeki boşlukları samimiyetle yanlış ayrıntılarla doldurduğu bellek araştırmalarından gelir. Daha isabetlidir; çünkü yapay zekâ yalan söylemez veya sizi kandırmaya çalışmaz. Yalnızca en olası görünen devamı üretir ve o devam yanlış çıkabilir.

Web sitenizi etkileyen iki tür

1. Uydurma URL’ler. Yapay zekâ, sitenizde var olmayan bir sayfayı önerir. Kullanıcı tıklar ve 404 sayfasına ulaşır. Yapay zekâ asistanları bunu Google’dan çok daha sık yapar. Ahrefs’in kendi verilerine göre yapay zekâdan gelen trafiğin %3,6’sı sitede var olmayan sayfalara gitti.
2. Markanız hakkında yanlış olgular. Yapay zekâ potansiyel müşteriye yanlış kurucuyu, eski fiyatları, üretimden kaldırılmış bir ürünü veya rakibin sizin hakkınızda söylediği bir şeyi, hiçbir belirsizlik belirtmeden olgu gibi aktarır.

Gerçekte ne yapabilirsiniz?

• Uydurma URL’leri yönlendirin. Yapay zekâ insanları hiç oluşturmadığınız bir sayfaya göndermeyi sürdürüyorsa sahte URL’den en yakın gerçek sayfaya yönlendirme kurun. Önce bu URL’leri bulmanız gerekir; 404’lere gelen trafiği analizlerinizden izleyin.
• Yapay zekânın hakkınızda ne söylediğini kontrol edin. Büyük yapay zekâ araçlarına müşterilerinizin soracağı türden sorular sorun ve yanıtların doğru olup olmadığına bakın. Bunu düzenli yapın; modeller güncellendikçe yanıtlar değişir.
• Açık ve doğru olgular yayımlayın. Kamuya açık bilgileriniz ne kadar temiz ve tutarlıysa (“Hakkında” sayfanız, yapılandırılmış veriler, profiller), yapay zekânın tahmin yürütmek yerine gerçeğe dayanması o kadar kolay olur.

İnsanları şaşırtan bir nokta var: Yapay zekâ tarayıcılarını engellemek, markanız hakkındaki halüsinasyonları düzeltmez. Model hakkınızda yanlış bir şey öğrendiyse yeniden taramasını engellemek bu bilgiyi unutturmaz. İzleme ve açık, kamuya açık olgular engellemeden daha etkilidir.

Daha büyük modellerin neden daha fazla halüsinasyon üretebildiğini, araştırmaların ne gösterdiğini ve kaynaklara dayandırmanın nasıl başarısız olduğunu anlamak için Advanced sekmesine geçin.

TruthfulQA, tek başına ölçeğin test edilen modellerin doğru yanıt oranını artırmadığını ortaya koydu. Evidence for this claim TruthfulQA found that language models can reproduce common human misconceptions and that larger models were not automatically more truthful on its benchmark. Scope: TruthfulQA's benchmark, model set, and 2021 results; not a current cross-model error rate. Confidence: high · Verified: 2026-07-14 Lin et al.: TruthfulQA NIST, konfabülasyonu ürüne özgü sabit bir hata oranı değil, ölçülüp yönetilmesi gereken bir risk olarak ele alıyor. Evidence for this claim NIST's Generative AI Profile identifies confabulation—the confident presentation of false or erroneous content—as a generative-AI risk. Scope: NIST risk-management terminology and guidance; not a product-specific incidence estimate. Confidence: high · Verified: 2026-07-14 NIST: Generative AI Profile

Kısaca — Halüsinasyon, yama uygulanarak ortadan kaldırılabilecek bir hata değil, sonraki belirteci tahmin etmenin bir özelliğidir. Modeller gerçeğe değil, makul devamlar üretmeye göre optimize edilir; bu yüzden eğitim sinyali zayıf olduğunda yanlış ifadeleri kendinden emin biçimde üretir. Kaynaklara dayandırma ve RAG bazı karşılaştırma testlerinde halüsinasyonu %73–86 azaltır, ancak ortadan kaldırmaz: en iyi kaynaklara dayalı modeller bile yaklaşık %10–15 oranında başarısız olur; TruthfulQA ise daha büyük modellerin daha ikna edici yanlışlar üretebildiğini gösterdi. SEO açısından etkisi ölçülebilir: yapay zekâ kullanıcıları Google’dan yaklaşık 2,87 kat daha sık 404’lere gönderiyor, Ahrefs’teki yapay zekâ trafiğimizin %3,6’sı var olmayan sayfalara gitti ve yapay zekâ arama motorlarındaki atıf hata oranları %60’ı aşıyor. Çözümler taktikseldir: uydurma URL’leri yönlendirin, marka yanıtlarını izleyin ve doğrulanabilir, varlık bilgisi açık içerik yayımlayın.

Halüsinasyon gerçekte nedir?

Yapay zekâ halüsinasyonu; kendinden emin biçimde sunulan, ancak olgusal olarak yanlış, uydurma ya da hiçbir kaynak tarafından desteklenmeyen çıktıdır. Daha temiz teknik terim konfabülasyondur. Nöropsikolojiden alınan bu terim, aldatma amacı olmadan gerçek bir güvenle yanlış anlatılar üretmek anlamına gelir. Bu ayrım önemlidir: model yalan söylemez; hakkında yalan söyleyebileceği bir gerçeklik kavrayışına sahip değildir. Eğitildiği tek görevi, sıradaki belirteci tahmin etmeyi yürütür ve bazen en olası belirteç yanlıştır.

Bu sayfadaki en önemli çerçeve şudur: Halüsinasyon, olgusal doğruluk yerine makullüğü önceleyen dil modellemesinin doğal bir yan ürünüdür. Uygulama hatalarından değil, LLM’lerin tasarlandığı biçimde çalışmasından doğar. Bir yazılım hatası gibi düzeltemezsiniz; yalnızca azaltabilirsiniz.

Neden olur? Mekanizma

LLM’ler sonraki belirteç hedefiyle eğitilir: Bir dizi verildiğinde en olası sonraki belirteci tahmin eder. Bu, olgu getirme değil, dili tamamlama görevidir. Model, doğru olan yerine metinde ardından gelmesi beklenen ifadeyi üretmeye göre optimize edilir. Belirli bir olgu için eğitim sinyali zayıfsa — nadir olaylar, dar konular veya modelin bilgi kesim tarihinden sonra değişen herhangi bir şey — boşluğu istatistiksel olarak olası dille doldurur. Bir dizi soru gibi görünüyorsa olasılık dağılımı, modelin gerçekten bilgi sahibi olup olmadığına bakmadan belirsizliği kabul etmek yerine “yanıt biçimli” bir çıktı üretmeyi ezici ölçüde destekler.

Microsoft Research’ten Ece Kamar bu noktanın deneysel karşılığını veriyor: Modeller, eğitim verilerinde daha az rastlanan olgular çevresinde daha fazla halüsinasyon üretiyor. Konfabulasyon uzun kuyrukta yaşar. Az bilinen ürün SKU’nuz, yeni bir ad değişikliği veya geçen çeyrekte ayrılan bir kurucu; internette en az temsil edilen olgular, modelin kendinden emin biçimde yanlış aktarması en olası olanlardır.

Birbirinden ayırmanız gereken türler

• Olgusal halüsinasyon — ifade edilen olgu doğrudan yanlıştır.
• Atıf halüsinasyonu — model kullanmadığı bir kaynağa atıf verir, bir alıntıyı yanlış kişiye bağlar, yazar künyesi uydurur veya URL icat eder. SEO açısından en doğrudan ölçülebilen türdür.
• Varlık veya marka halüsinasyonu — adlar, tarihler, istatistikler, fiyatlar ya da şirket bilgileri kendinden emin biçimde yanlış aktarılır.
• İçsel ve dışsal (Ji ve diğerlerinin sınıflandırması): İçsel çıktı sunulan kaynakla çelişir; dışsal çıktı ise kaynaktan doğrulanamaz. Kaynak onu ne doğrular ne de reddeder; çıktı uydurma bir eklemedir.

Halüsinasyon iddialarını doğru okumak

Halüsinasyonla ilgili anlatıların çoğunda, bu sayfanın önceki taslakları dahil, beş ayrım birbirine karıştırılır. Bunlar önemlidir; çünkü bir araç veya iddiayı değerlendirirken “düzeltilmiş”, “kaynağa dayalı” veya “atıflı” sözcüklerinin gerçekte ne anlama geldiğini değiştirir.

• Referansı adlandırın. “Halüsinasyon” tek bir başarısızlık türü değildir. Sunulan bağlamla çelişki, bağlamın doğrulamadığı veya reddetmediği desteklenmeyen bir ekleme ya da dünyaya ilişkin basit bir olgusal hata anlamına gelebilir; bu üçü birbirinin yerine kullanılamaz (Ji ve diğerlerinin taraması bu sınıflandırmanın kaynağıdır). Üçünden birini yakalamak üzere kurulmuş bir denetleyici diğer ikisini sessizce kaçırır.
• Olgusallık, sadakat değildir. Olgusallık bir iddiayı dış dünyadaki gerçek bir referansa göre sınar: Doğru mu? Sadakat ise iddiayı gerçekten sunduğunuz kanıta göre sınar: Bu kanıtla destekleniyor mu? Yanıt bunlardan birini geçip diğerinden kalabilir; yanlış bir kaynağı sadakatle özetleyebilir veya sunulan kanıtın hiç desteklemediği doğru bir ifade kurabilir. FActScore’un uzun bir yanıtı bireysel olarak denetlenebilir iddialara bölen atomik olgu yöntemi, tek bir bütünsel puanın bu ayrımı gizlemesi nedeniyle vardır.
• Atıfın var olması kaynaklara dayandırma değildir. Atıf kalitesi aslında üç ayrı kontrol gerektirir: Atıf var mı ve açılıyor mu; yanındaki belirli iddiayı gerçekten destekliyor mu; en başta atıf gerektiren bütün iddiaları kapsıyor mu? Gao ve diğerlerinin ALCE çalışması bu ayrımı kullanır. Görünür ve tıklanabilir bir dipnot ilk kontrolden geçerken diğer ikisinden kalabilir; yukarıdaki %60’ın üzerindeki atıf hata oranlarının ardındaki boşluk tam budur.
• RAG başarısızlıklarının adlandırılmış aşamaları vardır. RAG destekli bir yanıt yanlışsa neden şunlardan biridir: Kanıt derlemde hiç yoktur; gerekli olgu parça sınırında bölünmüştür; kanıt vardır ama getirilmemiştir; getirilmiş fakat üreticiye ulaşamayacak kadar düşük sıralanmıştır; üreticiye ulaşmış ancak yine de yanlış kullanılmıştır (RAGTruth’ın RAG hata sınıflandırması). “Yapay zekâ halüsinasyon üretti” demek, beş ayrı temel nedeni ve farklı çözümlerini tek sözcükte eritmek demektir.
• Karşılaştırma testi yüzdeleri genellenemez. Bu sayfadaki her oran — %73–86, yaklaşık %85–90, %58’e karşı %94 — belirli bir görev, veri kümesi, referans ilkesi, değerlendirici, istem kümesi, derlem, model, model sürümü ve test tarihi kapsamındadır. “X modeli %Y doğru” ifadesini o karşılaştırma testinin değerlendirme sözleşmesi dışında taşınabilir bir olgu gibi aktarmayın; farklı bir değerlendirici, derlem veya model sürümü sayıyı önemli ölçüde değiştirebilir.

Araştırmalar ne gösteriyor?

• TruthfulQA (Lin ve diğerleri, 2021) ters ölçekleme sorununu ortaya koydu. 817 yanıltıcı soruda dönemin en büyük modeli (GPT-3-175B), %94 insan taban değerine karşı yalnızca %58 oranında doğru yanıt verdi. En önemlisi, “larger models produce more imitative falsehoods because they are better at learning the training distribution.” (Türkçe çeviri) “Daha büyük modeller, eğitim dağılımını öğrenmede daha iyi oldukları için daha fazla taklitçi yanlış üretir.” Daha büyük olmak daha güvenli olmak değildir. Büyük bir model, web metnine yerleşmiş yaygın yanlış kanıları yeniden üretmede daha iyidir; bu nedenle daha az değil, daha fazla kendinden emin biçimde yanılabilir. Bu durum markanızla doğrudan ilgilidir: Hakkınızdaki yanlış bilgi çevrimiçi dolaşıyorsa daha yetenekli modeller onu özümseyip yinelemede daha iyidir.
• Ji ve diğerlerinin taraması (2022/2023) özetleme, diyalog, soru-yanıt, çeviri ve LLM’lerde içsel ve dışsal halüsinasyonu ayıran akademik standart sınıflandırmadır.
• Anthropic’ten Lanham ve diğerleri (2023) düşünce zinciri akıl yürütmesinin her zaman sadık olmadığını buldu: “as models become larger and more capable, they produce less faithful reasoning on most tasks.” (Türkçe çeviri) “Modeller büyüyüp daha yetenekli hâle geldikçe çoğu görevde daha az sadık akıl yürütme üretir.” Modelin gösterdiği aşamalı açıklama, yanıta gerçekte nasıl ulaştığını yansıtmayabilir; sonradan kurulmuş bir gerekçelendirme olabilir. Dolayısıyla “yapay zekâ akıl yürütmesini açıkladı” demek, yanıtın kaynağa dayalı olduğunu kanıtlamaz.
• FACTS Grounding (Google DeepMind, Aralık 2024) kaynaklara dayandırma tartışmasını sabitleyen sayıyı verir: Açık kaynak belgeleri sunulduğunda bile en iyi modeller yalnızca yaklaşık %85–90 kaynağa dayalı puan aldı. Kalan %10–15; getirilen içeriği yanlış okuma, yanlış yorumlama veya kullanamama payıdır, yoktan konfabülasyon üretme değil.

Kaynaklara dayandırma (RAG) sorunu çözer mi? Hayır, azaltır

Çoğu anlatının gözden kaçırdığı incelik budur. Kaynaklara dayandırma, yani yanıtı sistemin çıkarım sırasında genellikle RAG aracılığıyla getirdiği belgelere bağlama, başlıca azaltma yöntemidir ve işe yarar: Web aramasına erişim, kaynaklara dayandırma karşılaştırma testlerindeki modellerde halüsinasyonu %73–86 azalttı. Ancak ortadan kaldırmaz ve yalın bir LLM’den farklı biçimlerde başarısız olur:

• getirilen bölümü yanlış yorumlayabilir,
• yanlış bölümü seçebilir,
• birden çok kaynağı hatalı birleştirebilir veya
• kötü niyetli ya da anlamsız bir sorguyu tanıyamayabilir.

Google’dan Elizabeth Reid, AI Overviews için tam bu ayrımı yaptı: En iyi web sonuçlarıyla desteklenen bilgileri göstermek üzere tasarlandıkları için “generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might” (Türkçe çeviri) “genellikle diğer LLM ürünlerinin yapabildiği biçimlerde halüsinasyon üretmez veya bir şeyler uydurmazlar.” Yanlış olduklarında bunun “usually for other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available” (Türkçe çeviri) “genellikle sorguları ya da web’deki bir dil inceliğini yanlış yorumlama veya yeterince iyi bilgi bulunmaması gibi başka nedenlerden” kaynaklandığını söyledi. Bu gerçek bir ayrımdır: Kaynağa dayalı sistemler saf konfabülasyondan çok getirme ve yorumlamada başarısız olur. Yine de bu, doğruluk garantisi değildir. RAG ağırlıklı hukuk araştırma araçlarında bile yaklaşık %33’e varan halüsinasyon oranları görülmüş ve satıcıların “halüsinasyonsuz” iddialarıyla çelişmiştir. Anthropic kendi geliştirici belgelerinde durumu açıkça söyler: “while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information.” (Türkçe çeviri) “Bu teknikler halüsinasyonları önemli ölçüde azaltsa da tamamen ortadan kaldırmaz. Kritik bilgileri her zaman doğrulayın.”

SEO etkisi: Ölçülebilir ve giderilebilir

URL halüsinasyonu. En somut tür budur ve ölçümü bana aittir. Ahrefs’in kendi yapay zekâ yönlendirme trafiğini incelerken Ahrefs’in yapay zekâ arama trafiğini sayfa türüne göre analiz ettiğim çalışmada trafiğin %3,6’sının halüsinasyon ürünü, yani ahrefs.com’da var olmayan sayfalara gittiğini buldum. Başta ChatGPT olmak üzere yapay zekâ sistemleri hiç oluşturulmamış URL’leri önerdi. Ryan Law ve Xibeijia Guan’ın yapay zekâ tarafından atıf verilen 16 milyon URL’yi kapsayan daha geniş Ahrefs çalışması bunu bağlama oturtuyor: Yapay zekâ asistanları kullanıcıları Google Arama’dan 2,87 kat daha sık 404 sayfalarına yönlendiriyor. Tıklama sonrasında ChatGPT’nin 404 oranı %1,01 iken Google taban değeri %0,15’ti. Taktik çözüm basittir: 404’lere gelen yönlendirme trafiğini izleyin, eşiğin üzerindeki uydurma URL’leri (örneğin ayda 10 ziyaret) belirleyin ve bunları 301 ile en yakın gerçek sayfaya yönlendirin. Modelin zaten size göndermeye çalıştığı trafiği yakalarsınız.

Atıf halüsinasyonu. Columbia/Tow Center çalışması (2025), sekiz yapay zekâ arama motorunu sınadı ve makalenin başlığını, tarihini, yayıncısını ve URL’sini belirlemeleri istendiğinde sorguların %60’ından fazlasına yanlış yanıt verildiğini buldu. ChatGPT 134 makaleyi yanlış tanımladı, ancak yalnızca 15 kez belirsizlik belirtti; yani kendinden emin biçimde yanıldı. Bazı modellerin yanıtlarının yarısından fazlası uydurma URL’lere atıf verdi. SEO açısından ders şudur: Bir yapay zekâ yanıtında size atıf verilmesi, doğru temsil edildiğiniz anlamına gelmez. Atıf, kavrayış değildir.

Analitik kör nokta. Bu durum URL sorununu büyütür. Yapay zekâ trafiği bugün zayıf biçimde ilişkilendiriliyor: Bazı platformlar yönlendiren verisini aktarmıyor; Google’ın AI Mode özelliği ise noreferrer kullanarak tıklamaları “Direct” veya “Unknown” altında topladı. Bunu bildirmemin ardından Google bunun bir hata olduğunu doğruladı. Uydurma URL trafiği temiz biçimde ilişkilendirilmezse onu hiç göremeyebilirsiniz; %3,6 bulgusu yalnızca incelemek için analitik erişimimiz olduğu için ortaya çıktı. Önce ilişkilendirmeyi düzeltin, yoksa kör biçimde izleme yaparsınız.

Marka halüsinasyonu ve itibar. Yapay zekânın potansiyel müşteriye fiyatlarınız, yönetiminiz veya geçmişiniz hakkında yanlış olgular aktarması, müşteri sitenize daha ulaşmadan güveni zedeleyebilir. Daha kötüsü, bu artık bir negatif SEO vektörüdür: Ahrefs’in marka deneyi (Makosiewicz), Medium’a yerleştirilen tek bir makalenin bazı modelleri bir marka hakkındaki yanıtların %37–39’unda yanlış bilgi yaymaya itebildiğini gösterdi. “Any growing brand can be knocked off course in AI search results by an upset person with a Medium account.” (Türkçe çeviri) “Büyüyen herhangi bir marka, Medium hesabı olan öfkeli bir kişi tarafından yapay zekâ arama sonuçlarında rotasından çıkarılabilir.” Oluşturulacak veya reddedilecek bağlantı yoktur; yalnızca dizine eklenmiş bir platformdaki yanlış içerik vardır.

Gerçekte ne yapmalısınız?

1. Halüsinasyon ürünü URL’leri yönlendirin (yukarıdaki URL halüsinasyonu çözümü).
2. Markanız hakkındaki yapay zekâ yanıtlarını düzenli izleyin. Modeller güncellendikçe ve yeni içerik dizine eklendikçe yanıtlar değişir; tek seferlik denetimler eskir.
3. Varlık sinyalleri oluşturun: Tutarlı NAP, schema, Wikidata ve resmî profiller, kaynağa dayalı sistemlere getirilecek temiz ve doğrulanabilir olgular sunar. Bu, gelecekteki marka halüsinasyonlarına karşı en güçlü tek kaldıraçtır.
4. Yapay zekâ tarafından üretilen içeriği yayımlamadan önce doğrulayın. Düzenlenmeden web’e ulaşan halüsinasyonlar dizine eklenir ve sonraki modelin eğitimini besleyebilir; bu, model çöküşü geri besleme döngüsüdür. Bu döngünün bir düğümü olmayın.
5. Tarayıcı engellemenin sorunu düzelteceğini düşünmeyin. GPTBot veya ClaudeBot’u engellemek içeriğinizle gelecekteki eğitimi durdurur; ağırlıklarda zaten bulunan olgulara hiçbir etkisi yoktur. Bu ayrım için AI crawlers makalesine bakın.

Dürüst özet şu: Halüsinasyon geçici bir hata değil, kalıcı altyapıdır. Yapay zekânın konfabülasyon üretmesini durduramazsınız. Ancak kendi olgularınızı dayanabileceği en ucuz ve en temiz kaynak hâline getirebilir, ayrıca icat ettiği URL’leri yakalayıp yönlendirebilirsiniz.

Yapay zekâ özeti

Advanced sürümün kısa özeti:

• Halüsinasyon = kendinden emin, yanlış veya desteklenmeyen çıktı. Bir yazılım hatası değil, sonraki belirteci tahmin etmenin (gerçeğe değil makul metne göre optimizasyonun) özelliğidir. Bu yüzden azaltılabilir, ancak tamamen ortadan kaldırılamaz. “Konfabulasyon” daha isabetli terimdir; model yalan söylemez.
• Uzun kuyrukta yoğunlaşır. Modeller eğitim verilerinde az rastlanan olgular; dar ürünler, yeni değişiklikler ve az bilinen markalar çevresinde daha fazla halüsinasyon üretir.
• Başarısızlığı doğru adlandırmak önemlidir. Bağlamla çelişki, desteklenmeyen ekleme ve dünyaya ilişkin olgusal hata aynı şey değildir. Olgusallık (doğru mu?) ile sadakat (sunulan kanıtla destekleniyor mu?) farklı testlerdir; yanıt birini geçip diğerinden kalabilir. Atıfın var olması, yanındaki iddiayı desteklemesiyle aynı değildir. RAG yanıtı; kanıt eksik, kötü parçalanmış, getirilmemiş, düşük sıralanmış veya üretim sırasında yanlış kullanılmış olduğu için başarısız olabilir. “Halüsinasyon üretti” ifadesi bu beş ayrı nedeni gizler.
• Daha büyük olmak daha güvenli olmak değildir. TruthfulQA’da daha büyük modeller daha ikna edici taklitçi yanlışlar üretti (insanların %94’üne karşı modellerde %58 doğru yanıt). Düşünce zinciri akıl yürütmesi de sadakatsiz olabilir (Lanham ve diğerleri).
• Kaynaklara dayandırma ve RAG çok yardımcı olur, ancak sorunu çözmez. Web erişimi halüsinasyonu %73–86 azalttı; buna rağmen en iyi kaynağa dayalı modeller bile yaklaşık %10–15 oranında başarısız olur (FACTS Grounding). Kaynakları yanlış okur veya yanlış seçerler. Reid’e göre AI Overviews kaynağa dayalı olduğu için “generally don’t hallucinate… in the ways other LLM products might” (Türkçe çeviri) “genellikle diğer LLM ürünlerinin yapabildiği biçimlerde halüsinasyon üretmez”, ancak yanlış yorumlama nedeniyle yine hata yapar. Anthropic’in ifadesiyle teknikler “don’t eliminate them entirely” (Türkçe çeviri) “onları tamamen ortadan kaldırmaz.”
• SEO etkisi ölçülebilir: Yapay zekâ kullanıcıları Google’dan yaklaşık 2,87 kat daha sık bulunamadı sayfalarına gönderiyor; Ahrefs’in yapay zekâ trafiğinin %3,6’sı var olmayan sayfalara gitti ve yapay zekâ atıf hata oranları %60’ı aşıyor (Tow Center). Atıf verilmesi, doğru temsil edilmek demek değildir.
• İlişkilendirme de bozuk, dolayısıyla uydurma URL trafiği görünmeyebilir. İzlemeden önce ölçümü düzeltin.
• Marka riski bir negatif SEO vektörüdür: Medium’a yerleştirilen tek bir makale, bazı modellerin yanıtların %37–39’unda yanlış bilgiyi yinelemesine yol açtı.
• Çözümler: Uydurma URL’leri yönlendirin, marka yanıtlarını düzenli izleyin, varlık sinyalleri oluşturun, yapay zekâ içeriğini yayımlamadan önce doğrulayın ve tarayıcı engellemenin ağırlıklardaki mevcut olguları geri alacağını düşünmeyin.

Resmî belgeler

Model üreticilerinin ve arama motorlarının halüsinasyon hakkında kendi sözleriyle ne söyledikleri.

Google

• AI Overviews’da ne oldu ve sonraki adımlar — Elizabeth Reid (Mayıs 2024), kaynağa dayalı AI Overviews’un neden bağımsız LLM’lerden farklı biçimde yanıldığını açıklıyor.
• GopherCite: Yanıtları doğrulanmış alıntılarla destekleme — DeepMind, modellerin ürettiği “convincing nonsense” (Türkçe çeviri) “ikna edici saçmalıklara” karşı kanıt göstermeyi ve “I don’t know” (Türkçe çeviri) “bilmiyorum” diyebilmeyi ele alıyor.
• FACTS Grounding karşılaştırma testi — DeepMind’ın olgusallık karşılaştırma testi ve yaklaşık %85–90 kaynağa dayandırma tavanı.
• Yapay zekâ tarafından üretilen içerik rehberi — Search Central: Yapay zekâ içeriği üretim yöntemine değil, kaliteye ve E-E-A-T ölçütlerine göre değerlendirilir.

Anthropic

• Halüsinasyonları azaltma — Claude geliştirici belgeleri; modelin “bilmiyorum” demesine izin vermeyi, doğrudan alıntılarla kaynaklara dayandırmayı, atıflarla doğrulamayı ve tekniklerin halüsinasyonu ortadan kaldırmadığı uyarısını içeriyor.

OpenAI

• Dil modelleri neden halüsinasyon üretir? — OpenAI’ın mekanizma açıklaması.
• ChatGPT doğruyu söyler mi? — Yardım Merkezi: “Hallucinations are plausible but false statements generated by language models.” (Türkçe çeviri) “Halüsinasyonlar, dil modellerinin ürettiği makul görünen ancak yanlış ifadelerdir.”

Microsoft

• Yapay zekâ bazen neden yanılır? — Microsoft’un “kaynağa dayanmayan” içerik için teknik tanımı ve azaltma araçları.

Kaynaktan alıntılar

Bu sistemleri geliştiren kişilerin kayda geçmiş ifadeleri. Her bağlantı, kaynağın alıntıyı desteklediği bölüme götüren derin bağlantıdır.

Google — Elizabeth Reid, Başkan Yardımcısı/Arama Başkanı (Mayıs 2024)

• “This means that AI Overviews generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might.” (Türkçe çeviri) “Bu, AI Overviews’un genellikle diğer LLM ürünlerinin yapabildiği biçimlerde ‘halüsinasyon’ üretmediği veya bir şeyler uydurmadığı anlamına gelir.” Yazıyı okuyun
• “When AI Overviews get it wrong, it’s usually for other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available.” (Türkçe çeviri) “AI Overviews yanıldığında bunun nedeni genellikle başkadır: Sorguları veya web’deki bir dil inceliğini yanlış yorumlamak ya da yeterince iyi bilgi bulunmaması.” Alıntıya gidin
• “Because accuracy is paramount in Search, AI Overviews are built to only show information that is backed up by top web results.” (Türkçe çeviri) “Arama’da doğruluk en önemli öncelik olduğundan AI Overviews yalnızca en iyi web sonuçlarıyla desteklenen bilgileri gösterecek biçimde tasarlanmıştır.” Yazıyı okuyun

Google DeepMind — GopherCite (Mart 2022)

• “Language models like Gopher can ‘hallucinate’ facts that appear plausible but are actually fake.” (Türkçe çeviri) “Gopher gibi dil modelleri makul görünen, ancak aslında sahte olan olgular hakkında ‘halüsinasyon’ üretebilir.” Yazıyı okuyun
• “Because language models can hallucinate convincing nonsense, GopherCite uses reinforcement learning from human preferences (RLHP) to train models that generate answers whilst also citing specific evidence for their claims.” (Türkçe çeviri) “Dil modelleri ikna edici saçmalıklar üretebildiği için GopherCite, iddiaları için belirli kanıtlara atıf verirken yanıt da üreten modelleri eğitmek amacıyla insan tercihlerinden pekiştirmeli öğrenmeyi (RLHP) kullanır.” Yazıyı okuyun

Anthropic — Claude geliştirici belgeleri

• “Even the most advanced language models, like Claude, can sometimes generate text that is factually incorrect or inconsistent with the given context. This phenomenon, known as ‘hallucination,’ can undermine the reliability of your AI-driven solutions.” (Türkçe çeviri) “Claude gibi en gelişmiş dil modelleri bile bazen olgusal olarak yanlış veya verilen bağlamla tutarsız metin üretebilir. ‘Halüsinasyon’ olarak bilinen bu olgu, yapay zekâ destekli çözümlerinizin güvenilirliğini zedeleyebilir.” Belgeleri okuyun
• “Remember, while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information, especially for high-stakes decisions.” (Türkçe çeviri) “Bu teknikler halüsinasyonları önemli ölçüde azaltsa da tamamen ortadan kaldırmaz. Özellikle kritik kararlar için önemli bilgileri her zaman doğrulayın.” Alıntıya gidin

OpenAI — Yardım Merkezi

• “Hallucinations are plausible but false statements generated by language models.” (Türkçe çeviri) “Halüsinasyonlar, dil modellerinin ürettiği makul görünen ancak yanlış ifadelerdir.” Makaleyi okuyun
• “Like any language model, ChatGPT can produce incorrect or misleading outputs, and sometimes it might sound confident—even when it’s wrong.” (Türkçe çeviri) “Her dil modeli gibi ChatGPT de yanlış veya yanıltıcı çıktılar üretebilir ve bazen yanlış olduğunda bile kendinden emin görünebilir.” Makaleyi okuyun

Lin ve diğerleri — TruthfulQA (2021)

• “Larger models produce more imitative falsehoods because they are better at learning the training distribution.” (Türkçe çeviri) “Daha büyük modeller, eğitim dağılımını öğrenmede daha iyi oldukları için daha fazla taklitçi yanlış üretir.” Makaleyi okuyun

Lanham ve diğerleri — Anthropic araştırmacıları (2023)

• “As models become larger and more capable, they produce less faithful reasoning on most tasks.” (Türkçe çeviri) “Modeller büyüyüp daha yetenekli hâle geldikçe çoğu görevde daha az sadık akıl yürütme üretir.” Makaleyi okuyun

Mark Howard, Time Operasyon Direktörü (Tow Center/CJR çalışmasından)

• “It’s critically important how our brand is represented, when and where we show up.” (Türkçe çeviri) “Markamızın nasıl temsil edildiği, ne zaman ve nerede göründüğümüz kritik önem taşıyor.” Çalışmayı okuyun

Halüsinasyon türleri: Hızlı başvuru

Karşılaşacağınız dört tür

Akılda tutulması gereken sayılar

• %3,6 — Ahrefs’in yapay zekâ yönlendirme trafiğinde var olmayan sayfalara giden pay (Patrick Stox, Ahrefs).
• 2,87 kat — yapay zekâ asistanlarının kullanıcıları Google’a göre 404’lere gönderme sıklığı (Ahrefs, 16 milyon URL). ChatGPT’de tıklanan bağlantıların %1,01’i, Google’dakilerin %0,15’i 404 ile sonuçlandı.
• %60+ — sekiz motorda yapay zekâ arama atıf hata oranı (Tow Center/CJR).
• ~%85–90 — kaynaklar sunulduğunda bile en iyi modellerin kaynağa dayanma oranı (FACTS Grounding); başka bir deyişle %10–15’lik başarısızlık tabanı.
• %73–86 — modellere web araması/kaynaklara dayandırma verilmesinin sağladığı halüsinasyon azalması.
• %58’e karşı %94 — TruthfulQA’da en iyi modelin ve insanların doğru yanıt oranı.
• %37–39 — yerleştirilmiş tek bir makaleden sonra bazı modellerin marka yanlış bilgisini yinelediği yanıtların oranı (Ahrefs marka deneyi).

Efsane → gerçek

• “RAG halüsinasyonları ortadan kaldırır.” → Azaltır; kaynağa dayalı modeller yine yaklaşık %10–15 oranında başarısız olur.
• “Yeni veya büyük modeller daha az halüsinasyon üretir.” → TruthfulQA: Daha büyük, daha ikna edici yanlışlar anlamına gelebilir.
• “AI Overviews, ChatGPT gibi halüsinasyon üretir.” → Kaynağa dayalıdır; hatalar saf konfabülasyondan çok yanlış yorumlamaya yönelir (Reid).
• “Atıf verilmesi doğru temsil edildiğim anlamına gelir.” → %60’ın üzerindeki atıf hata oranı bunun tersini gösterir.
• “Yapay zekâ tarayıcılarını engellemek marka halüsinasyonunu durdurur.” → Ağırlıklarda zaten bulunan olgular orada kalır.
• “Kulağa kararsız geldiği için yanlış olduğunu anlayabilirsiniz.” → Kendinden eminlik tanımlayıcı özelliktir; ChatGPT 134 yanlış yanıttan yalnızca 15’inde belirsizlik belirtti.

Halüsinasyonu azaltma çerçevesi

Bunlar, model üreticilerinin ve araştırmaların gerçekten desteklediği kaldıraçlardır; kabaca etki sırasına göre verilmiştir.

1. Yanıtı kaynaklara dayandırın ve tavanı kabul edin. Modele çıkarım sırasında gerçek kaynaklar verin; buna RAG veya kaynaklara dayandırma denir. En büyük tek kaldıraçtır (%73–86 azalma). Ancak tavanı göz ardı etmeyin: En iyi kaynağa dayalı modeller bile yaklaşık %10–15 oranında başarısız olur (FACTS Grounding). Yoktan uydurmak yerine kaynakları yanlış okuyarak veya yanlış seçerek yanılırlar. Kaynaklara dayandırma başarısızlık biçimini değiştirir; onu kaldırmaz.

2. Modelin “bilmiyorum” demesine izin verin. Anthropic’in ilk önerisi şudur: “explicitly give Claude permission to admit uncertainty… this simple technique can drastically reduce false information.” (Türkçe çeviri) “Claude’a belirsizliği kabul etmesi için açıkça izin verin; bu basit teknik yanlış bilgiyi büyük ölçüde azaltabilir.” GopherCite yanıt vermekten kaçınabildiği anda belirgin biçimde iyileşti. Destekleyemediği bir soruya yanıt biçimli çıktı üretmek temel başarısızlıktır; yanıt vermeme izni doğrudan bu sorunu hedefler.

3. Atıf ve bire bir alıntı isteyin. Çıktıyı denetlenebilir hâle getirin: Model her iddia için kaynaktan alıntı yapsın; uzun belgelerde akıl yürütmeden önce ifadeleri kelimesi kelimesine çıkarsın. Atıfa körü körüne güvenmiyorsunuz (%60’tan fazlası yanlış); iddiayı denetlenebilir kılıyorsunuz.

4. Akıl yürütme izini kanıt saymayın. Düşünce zinciri sonradan kurulmuş bir gerekçelendirme olabilir (Lanham ve diğerleri). “Akıl yürütmesini açıkladı” ile “yanıtını kaynaklara dayandırdı” aynı şey değildir. Anlatıyı değil, sonucu doğrulayın.

SEO çerçevesi: Varlığınızı koruyun

Modelleri değiştiremeyeceğiniz için bunu üç görev olarak düşünün:

1. Tespit edin: Markanız hakkındaki yapay zekâ yanıtlarını izleyin ve eksik sayfalara gelen trafiği analizlerden takip edin. Önce ilişkilendirmeyi düzeltin; aksi hâlde uydurma URL trafiği görünmez.
2. Yönlendirin: Trafik eşiğini aşan uydurma URL’leri 301 ile en yakın gerçek sayfaya yönlendirin. Modelin yanlış yönlendirdiği amacı yakalayın.
3. Gerçeği onlar için kaynaklandırın: Temiz, tutarlı ve doğrulanabilir kamuya açık olgular (schema, Wikidata, resmî profiller ve açık bir Hakkında sayfası) yayımlayın; böylece kaynağa dayalı sistemler bir rakibin iddiası veya hiciv yazısı yerine sizin olgularınızı getirir. Bu, marka halüsinasyonuna karşı tek kalıcı savunmadır. Tarayıcıları engellemek değildir; çünkü ağırlıklar öğrendiklerini zaten taşır.

Düzenli halüsinasyon incelemesi

1. Yüksek riskli iddiaları tanımlayın: Fiyatlar, hukuk veya güvenlik ifadeleri, ürün yetenekleri, yönetici adları, konumlar ve resmî URL’ler.
2. Bu iddialar için kararlı istemler oluşturun; platformu, modeli, modu, tarihi, yerel ayarı, hesap durumunu ve canlı aramanın etkin olup olmadığını kaydedin.
3. Yanıtın tamamını, atıfları ve kaynak URL’lerini saklayın. Başka sözlerle yazılmış bir not, sonraki karşılaştırma için yeterli kanıt değildir.
4. Her ifadeyi sahip olduğunuz bir doğruluk kaynağı ve atıf verilen kaynaklarla desteklenmiş, çelişen, doğrulanamayan, eski veya uygulanamaz olarak sınıflandırın.
5. Yönlendirme yapmaya, sayfa yayımlamaya veya gerçek 404’ü bırakmaya karar vermeden önce uydurma URL’leri günlükler, geri bağlantılar ve analizlere göre kontrol edin.
6. Düzeltmeyi sahip olunan içeriğe, teknik yönlendirmeye, üçüncü taraf düzeltmesine veya platform geri bildirimine atayın; ardından tarihli bir yeniden test planlayın.

Olay müdahale planı: Yapay zekâ yanıtı zararlı bir yanlış içeriyor

1. Kanıtı yakalayın. Tam yanıtı, istemi, kaynakları, ürünü/modeli, tarihi, hesap durumunu ve davranış geçiciyse ekran kaydını saklayın.
2. Etkiyi ve gerçeği doğrulayın. Sorumlu konu uzmanı, yanlış iddiayı ve yetkili olguyu kesin biçimde belirlesin. Tartışmalı bir iddiayı başka bir desteklenmeyen ifade yayımlayarak “düzeltmeyin”.
3. Olası kaynakları izleyin. Atıf verilen sayfaları; güncel ve arşivlenmiş kendi içeriğinizi; yapılandırılmış olguları, akışları, profilleri ve öne çıkan üçüncü taraf bahsetmelerini inceleyin.
4. Kontrolünüzdeki kanıtı düzeltin. Birbiriyle çelişen kendi sayfalarınızı düzeltin, varlık olgularını birleştirin ve tarihleri göstermelik değiştirmeden eski belgeleri güncelleyin.
5. URL’leri bilinçli yönetin. Uydurma bir URL’yi yalnızca aynı amacı gerçekten karşılayan eşdeğer bir sayfa varsa yönlendirin. Aksi hâlde doğru eksik sayfa yanıtını koruyun; kullanıcılara her uydurma yolun açılacağını öğretmeyin.
6. Dışarıya bildirin. Platformun geri bildirim kanalını kullanın ve kanıt destekliyorsa üçüncü taraflardan düzeltme isteyin.
7. Yeniden test edin ve izleyin. Aynı istemi belgelenmiş koşullarda yineleyin; yanıt düzeltilene veya kalan risk kabul edilene kadar olayı açık tutun.

İstem: Yapay zekâ yanıtını sunulan kanıta göre doğrulayın

Audit the AI answer below using only the supplied source-of-truth documents. Break the
answer into atomic factual claims. For each claim, label it supported, contradicted,
not found, stale, or opinion; quote the exact supporting or conflicting passage; and
state the smallest correction. Treat a citation as evidence only if its page supports
the adjacent claim. Do not fill gaps from memory or the open web.

AI answer:
[PASTE COMPLETE ANSWER AND CITATIONS]

Approved source-of-truth documents:
[PASTE DOCUMENT NAME, DATE, URL OR EXCERPT]

İstem: Uydurma URL’leri önceliklendirin

Classify these AI-referred URLs using the supplied HTTP, backlink, analytics, and page
inventory evidence. For each URL, recommend one of: keep a true 404/410, redirect to a
genuinely equivalent page, restore a previously valid page, or investigate further.
Never recommend redirecting to the homepage just to remove a 404. Explain which user
intent and evidence make a destination equivalent.

Evidence:
[PASTE URL | STATUS | REFERRERS | BACKLINKS | VISITS | CLOSEST REAL PAGE]

DevTools Console: Yanıt sayfasındaki görünür atıfları çıkarın

Platformun şartlarını kontrol ettikten sonra bunu kaydedilmiş veya erişilebilir bir yanıt sayfasında çalıştırın. Seçiciler bilerek geneldir ve arayüze uyarlanması gerekebilir.

copy(JSON.stringify([...document.querySelectorAll('a[href]')]
  .map(a => ({text: a.textContent.trim(), url: a.href}))
  .filter(x => /^https?:/.test(x.url)), null, 2));

Shell: Uydurma olduğundan şüphelenilen URL listesini kontrol edin

Yalnızca size ait olan veya test etme yetkiniz bulunan URL’lerde çalıştırın.

while IFS= read -r url; do
  curl -sS -o /dev/null -L --max-redirs 5 -w '%{http_code}\t%{url_effective}\t%{url}\n' "$url"
done < suspected-urls.txt

Regex: İddia niteliğindeki sayıları inceleme için işaretleyin

Bu inceleme regex’i yüzdeleri, para tutarlarını ve çok basamaklı sayıları bulur. Bir iddianın yanlış olup olmadığına karar vermez.

(?:[$€£]\s?\d[\d,.]*|\b\d+(?:\.\d+)?%|\b\d{2,}(?:[,.]\d+)*\b)

Halüsinasyonları araştırma araçları

• AI Brand Visibility, etiketlenmiş bir model yanıtını kaydeder ve yerel karşılaştırma için bahsetmeleri atıflardan ayrı tutar.
• Citation Gap Checker, denetiminizdeki içerikte desteklenmeyen sayısal ve araştırma biçimli iddiaları işaretler. Bir doğruluk motoru değil, inceleme kuyruğudur.
• Redirect Checker, uydurma veya eski bir URL’yi nasıl yöneteceğinize karar vermeden önce durumunu ve nihai hedefini gösterir.
• Sunucu/CDN günlükleri uydurma yollara gelen istekleri ortaya çıkarır; geri bağlantı ve analiz araçları ise insanların veya başka sitelerin bunları gerçekten kullanıp kullanmadığını gösterir.
• Platform geri bildirim denetimleri doğrudan bildirim yoludur. Düzeltmenin zamanı ve kalıcılığı garanti edilmediği için kendi kanıtınızı da saklayın.

Bir halüsinasyon yanıtını doğrulayın

Halüsinasyon ölçümleri

Kendinizi sınayın: Yapay zekâ halüsinasyonları

Zaman ayırmaya değer kaynaklar

Ahrefs’teki ilgili yazılarım

• Yapay Zekâ Arama Trafiğimizin %80’i Ana Sayfamıza, Ürün Sayfalarımıza ve Ücretsiz Araçlarımıza Gidiyor — %3,6 uydurma sayfa bulgusunun kaynağı.
• Yapay Zekâ Asistanları Web Analitiğini Bozuyor ve Kendi Geleceklerine Zarar Veriyor — uydurma URL trafiğinin neden görünmez olabildiği.
• Google, AI Mode’dan Gelen Tıklamaları İzleyememenize Yol Açtı (Kısmen Düzeltildi) — bildirdiğim noreferrer ilişkilendirme hatası.

Diğer kaynaklar

• Yapay Zekâ Asistanları Bağlantıları Ne Sıklıkla Uyduruyor? (16 Milyon URL İncelendi) — Ryan Law ve Xibeijia Guan (Ahrefs); 404’lere ilişkin 2,87 kat bulgusu.
• Bir Yapay Zekâ Yanlış Bilgi Deneyi Yaptım. Her Pazarlamacı Sonuçları Görmeli — Makosiewicz (Ahrefs); Medium’a yerleştirilen makaleyle marka saldırısı.
• Yapay Zekâ Aramanın Atıf Sorunu Var — Tow Center/Columbia Journalism Review (2025); %60’ın üzerindeki atıf hata çalışması. Nieman Lab özeti.
• Doğal Dil Üretiminde Halüsinasyon Taraması — Ji ve diğerleri; içsel ve dışsal sınıflandırma.
• TruthfulQA — Lin ve diğerleri; ters ölçekleme bulgusu.
• Düşünce Zinciri Akıl Yürütmesinde Sadakatin Ölçülmesi — Lanham ve diğerleri (Anthropic).
• Vectara Halüsinasyon Liderlik Tablosu — kaynağa dayalı özetlemede devam eden halüsinasyon oranları.
• Yapay zekâ halüsinasyonları nedir? — Google Cloud’un mekanizma ve azaltma stratejilerine ilişkin resmî açıklaması.
• Markanız hakkındaki yapay zekâ halüsinasyonları nasıl belirlenir ve düzeltilir? — Search Engine Land’in yapay zekâ marka hatalarını izleme ve düzeltme rehberi.
• Yapay zekâ geri besleme döngüsü: Yapay zekâ, yapay zekâ tarafından üretilen içerikle eğitilirken araştırmacılar model çöküşü konusunda uyarıyor — VentureBeat, model çöküşünü ve halüsinasyonlu içeriğin eğitim döngüleri boyunca nasıl biriktiğini ele alıyor.

Atıf vermeye değer istatistikler

• Yapay zekâ yönlendirme trafiğinin %3,6’sı var olmayan sayfalara gitti — ahrefs.com’da başta ChatGPT’den gelen uydurma URL’ler. Bu, birinci taraf verisine dayanan bulgumdur. Kaynak
• Yapay zekâ asistanları kullanıcıları Google Arama’dan yaklaşık 2,87 kat daha sık 404’lere gönderiyor — yapay zekâ tarafından atıf verilen 16 milyon URL genelinde. Tıklama sonrası 404 oranı ChatGPT’de %1,01, Google’da %0,15. Kaynak
• Sekiz yapay zekâ arama motorunda %60’ın üzerinde atıf hata oranı; ChatGPT 134 yanlış yanıtın yalnızca 15’inde belirsizlik belirtti (Tow Center/CJR, 2025). Kaynak
• Kaynaklar verildiğinde en iyi modellerin tavanı yaklaşık %85–90 kaynağa dayalıdır; başarısızlık tabanı %10–15’tir (FACTS Grounding, DeepMind, 2024). Kaynak
• Web araması/kaynaklara dayandırma erişimi halüsinasyonu %73–86 azalttı; TruthfulQA’da en iyi modelin doğru yanıt oranı %58, insanlarınki %94 oldu. Kaynak
• Yanıtların %37–39’u yerleştirilmiş tek bir kaynaktan sonra marka yanlış bilgisini yineledi (Ahrefs marka deneyi). Kaynak

Değişiklik günlüğü