ULUSLARARASI ARAŞTIRMA / ÇALIŞMA MAKALESİ

Yapay zekâ sosyal medya metinlerini
birbirine benzetir mi?

İtalya’daki ChatGPT yasağı sırasında Milano restoranlarının Instagram metinleri birbirine daha az mı benzedi? Diğer şehirlerle yapılan karşılaştırmada, yasak döneminde Milano restoranlarının metinleri sözcükler bakımından birbirine daha az benzedi; göreli düşüş yaklaşık %15 olarak tahmin edildi. Bu bulgu, yapay zekâya erişimin işletmelerin benzer ifadeler kullanmasıyla ilişkili olabileceğini düşündürüyor.

Tüm yazarlar ve kurumlar

Kısa açıklamayı oku Üç iş örneğine geç

İngilizce kaynak · Türkçe inceleme: 26 Ekim 2026 · Kaynak tarihi yukarıdaki künyededir.

Editoryal inceleme taslağı

Kaynak kontrolü yapıldı; Türkçe inceleme insan editör değerlendirmesini bekliyor. DijitalPi bu çalışma için müşteri deneyi yapmadı.

KISA AÇIKLAMA

Bu Araştırma Size Ne Söylüyor?

DijitalPi yorumu: Yapay zekâ taslaklarında işletmeye özgü bilgilerin korunması ayrıca kontrol edilmelidir.

Bir örnek düşünün: Temsili bir bisiklet servisi, metnine kendi bakım kapsamını ve randevu koşullarını ekleyerek diğer işletmelerden farklılaşmayı sınayabilir.
İşinizde ne yapabilirsiniz?: Son paylaşımlarınızdaki tekrar eden kelime ve cümle yapılarını aynı alandaki işletmelerin metinleriyle karşılaştırın.

DijitalPi’nin uygulama yorumu. Örnek, konuyu açıklamak için hazırlanmıştır.

ARAŞTIRMAYI BİRLİKTE OKUYALIM

Önce araştırmacıların sorusunu, yöntemini ve bulgularını tanıyalım. Ardından sonuçların nasıl okunabileceğini DijitalPi’nin açıklamalarıyla ele alalım.

01 / ARAŞTIRMACILAR NEYİ ANLAMAK İSTEDİ?

ChatGPT’ye erişim, restoranların pazarlama metinlerindeki benzerlik ve aldıkları beğenilerle nasıl ilişkili?

Araştırmacılar, üretken yapay zekâya erişimin işletmelerin pazarlama metinlerini birbirine benzetip benzetmediğini incelemek istedi. Ayrıca bu erişimle müşteri etkileşimi arasındaki bağlantıyı ve içerik benzerliğinin olası rolünü araştırdı. Buradaki etkileşim ölçüsü beğeniydi.

Konuyu açalım · DijitalPi açıklaması

DijitalPi yorumu: İçerik takvimini doldurmak ile işletmenin ayırt edilebilir bir anlatıma sahip olması ayrı değerlendirilmelidir. Aynı kelimeleri ve cümle yapılarını kullanmak, markaya özgü bilgilerin geri planda kalıp kalmadığını sorgulamak için bir işaret olabilir. Bu makale, üretim miktarının yanına içerik benzerliğini de koymayı düşündürüyor. Ne kadar farklılaşmanın ticari olarak yararlı olacağını belirlemiyor.

02 / ARAŞTIRMA NASIL YAPILDI?

Soruyu nasıl sınadılar?

London Business School’dan Chaoran Liu, Tong Wang ve S. Alex Yang, İtalya’da 31 Mart 2023’te yürürlüğe girip 28 Nisan 2023’te kaldırılan ChatGPT yasağını doğal deney olarak kullandı. Doğal deney, araştırmacıların rastgele uygulamadığı dışsal bir değişiklikten yararlanan karşılaştırmadır. Veriler, 2023’ün 8.-17. haftalarında, şubat sonundan nisan sonuna kadar paylaşılan Instagram metinlerini kapsıyordu. Yasaktan etkilenen Milano’da 486 bağımsız restoran vardı. Karşılaştırma grubunda Fransa’dan Paris’te 429 ve Lyon’da 432, İspanya’dan Madrid’de 544 ve Valensiya’da 315 restoran vardı. Herkese açık Google Maps ve Instagram verileri Apify ile toplandı. Uluslararası zincirler çıkarıldı. Örnekleme 1 Ocak 2023’ten önce paylaşım yapmış ve yasak sonrasında pasifleşmemiş işletmeler alındı.

Yöntemi anlamak · DijitalPi açıklaması

İşletmeler rastgele gruplara atanmadı. Araştırmacılar, Milano’daki yasak öncesi ve sırasındaki değişimi kontrol şehirlerindeki değişimle karşılaştırdı. Araştırmacılar, Milano’nun yasaktan önceki değişimine benzeyen bir karşılaştırma grubu oluşturdu. Bu grubu diğer şehirlerdeki işletmelerin verileriyle kurdu. Yasak döneminde Milano’nun bu gruptan ne kadar farklılaştığını hesapladı. Bunun için Genelleştirilmiş Sentetik Kontrol ve Sentetik Fark-Farka adlı yöntemleri kullandı. Ancak hangi işletmenin veya gönderinin ChatGPT kullandığı doğrudan gözlenmedi. İncelenen değişiklik araca erişimin kesilmesiydi.

Yalnız gönderi metinleri incelendi. Her işletmenin metinleri, aynı hafta aynı şehirdeki diğer işletmelerin metinleriyle sözcük, cümledeki kelime dizilişi, anlam ve dil üslubu açısından karşılaştırıldı. Beğeni ölçüsü, işletmenin her hafta gönderi başına aldığı ortalama beğeniydi. Araştırmacılar ana analizde çok yüksek sayıların sonucu fazla etkilemesini azaltan bir hesaplama kullandı. Bu işleme logaritmik dönüşüm denir. Beğeniler 2024 sonunda tek seferde toplandığından, yayın anındaki tepkiyi değil zamanla birikmiş etkileşimi gösteriyor. Beğeni sayılarını gizleyen işletmelerin gönderileri veride bulunmuyor.

03 / ARAŞTIRMANIN BULGULARI

Yasak döneminde daha az benzerlik ve daha yüksek beğeni birlikte görüldü

Ana yöntem tahminlerinde, Milano’daki içerik benzerliği yasak döneminde kontrol şehirlerine göre sözcükte 0,003, kelime dizilişinde 0,003, anlamda 0,008 ve üslupta 0,013 daha düşüktü. Yazarların bildirdiği ortalamaya göre göreli düşüşler sırasıyla yaklaşık %15, %12, %2 ve %3’tü. Bunlar yüzde puan değildir. İkinci yöntemde sözcük, kelime dizilişi ve anlam sonuçları anlamlıyken, üslup sonucu anlamlı değildi. İtalya Kurtuluş Günü’nü içeren 17. hafta çıkarıldığında da üslup sonucu anlamlılığını kaybetti. Ana beğeni modelinde, işletmenin haftalık gönderi başına ortalama beğenisi yasak döneminde yaklaşık %3,5 daha yüksek tahmin edildi. Uç beğeni değerlerinin %5 düzeyinde sınırlandırıldığı modelde sonuç ana yöntem için anlamlı, ikinci yöntem için anlamlı değildi. Benzerlik ile beğeni arasındaki ters U biçimli ilişki, yani orta düzey benzerliğin daha yüksek, aşırı benzerliğin daha düşük beğeniyle ilişkili olması, yalnız kelime dizilişi ve üslup ölçülerinde anlamlıydı. Nedensellik belirlenemedi. Yasak döneminde paylaşım sıklığı ve metin uzunluğu da daha düşüktü. Yazarların bildirdiği gönderi başına yaklaşık bir kelimelik kısalma küçük bir değişimdi.

Sözcük benzerliğinde göreli düşüş: Yaklaşık %15Ana yöntem tahmininde, Milano için yasak dönemindeki sözcük benzerliği düşüşünün benzerlik ortalamasına göre ifadesidir. Yüzde puan değildir.
Gönderi başına ortalama beğeni: Yaklaşık %3,5Ana logaritmik modelde, yasak dönemindeki daha yüksek haftalık gönderi başına ortalama beğeni tahminidir. Satış, rezervasyon veya işletmenizin beklenen kazancı değildir.

Kaynak: §2 Empirical Setting and Strategy, Tablo 1; §3 Impacts of Gen AI on Content Homogenization, Tablo 4 ↗

04 / DİJİTALPİ’NİN AÇIKLAMASI

Bu bulguları nasıl okuyabiliriz?

DijitalPi yorumu: Metnin nasıl değiştiğini izleyin. Yapay zekâ kullanılmış olmasını tek başına başarı veya başarısızlık saymayın. Taslakları saklayıp işletmeye özgü bilgileri ekleyen insan düzenlemesini karşılaştırmak, benzerliğin nerede oluştuğunu görmeye yardımcı olabilir. Paylaşım sıklığını da kaydedin. Çalışma, içerik hacmi ile gönderi başına tepkinin aynı yönde hareket etmek zorunda olmadığını düşündürüyor. Bu düzenleme yaklaşımı makalede sınanmış bir müdahale değildir.

Daha az benzerlik ile daha yüksek beğeninin birlikte görülmesi, birinin diğerini oluşturduğunu göstermiyor. Ücretli tanıtım gibi başka Instagram faaliyetleri dışlanamıyor. Eski gönderilerin beğeni biriktirmek için daha fazla zamanı var. VPN üzerinden ChatGPT erişimi de dışlanamıyor ve yazarlar bunun tahmin edilen etkiyi küçük gösterebileceğini belirtiyor. Ters U ilişkisi, her işletme için geçerli bir benzerlik hedefi veya bütün ortak ifadeleri kaldırma gerekçesi sunmuyor.

05 / SONUÇ VE AÇIK SORULAR

Neyi öğrendik, neyi henüz bilmiyoruz?

Çalışma satış veya rezervasyonları ölçmedi. Bu çalışma, 2023’teki erişim yasağı sırasında Milano restoranlarının Instagram metinlerinde özellikle sözcük ve cümle yapısı benzerliğinin daha düşük olduğuna işaret ediyor. Ancak tek tek ChatGPT kullanımı gözlenmiyor. Üslup ve bazı beğeni sonuçları kullanılan yönteme duyarlı. Türkiye, Türkçe, diğer sektörler ve görsel veya video içerikler için doğrudan sonuç çıkarılamaz. İncelenen metin, 26 Temmuz 2025 tarihli ilk taslak çalışma makalesidir; hakem değerlendirmesinden geçtiğine dair bilgi yoktur. Üç yazar da London Business School’dadır. Kaynakta finansman veya çıkar ilişkisi beyanı bulunamadı. Veriler bir platform ya da şirket ortaklığından değil, herkese açık sayfalardan toplandı.

DijitalPi’nin açık sorusu: Türkçe sosyal medya metinlerinizi işletmenize özgü bilgilerle düzenlediğinizde benzerlik, gönderi başına beğeni ve müşteri talepleri nasıl değişir? Bu soruyu sınayacak uygulama henüz yapılmadı. Temsili örnekler araştırma veya müşteri vakası değildir.

Araştırmacıların özgün yayınına dönün

§2 Empirical Setting and Strategy, Tablo 1; §3 Impacts of Gen AI on Content Homogenization, Tablo 4 §4 Impacts of Gen AI on Consumer Engagement, Tablo 7-8; §5 Impacts of Gen AI on Other Marketing Outcomes, Tablo 9; §6 Concluding Remarks; Ek A2.3

DİJİTALPİ’NİN UYGULAMA YORUMU

Pazarlamada nasıl kullanabiliriz?

Bu üç senaryoyu konuyu birlikte düşünmek için hazırladık. Araştırmadan alınmış vaka veya ölçülmüş müşteri sonucu değildir.

ÖRNEK 01

E-ticaret: ürünlerin aynı sözlerle anlatılması

Temsili bir ev tekstili mağazası, farklı ürünlerin Instagram metinlerinde aynı rahatlık ve şıklık ifadelerini kullanıyor.

Metinler ürünlerimizin farkını anlatıyor mu?

Örnek 01 için öneriyi aç

Genel sıfatları, doğrulanmış ürün özellikleriyle değiştiren bir düzenleme deneyin.

Yapay zekâ taslağı ile düzenlenmiş metni saklayarak tekrar eden kelimeleri ve cümle yapılarını karşılaştırın. Ürüne özgü kumaş, ölçü veya kullanım bilgisinin metinde bulunup bulunmadığını kontrol edin. Paylaşımların beğenisini aynı süre sonunda kaydedin. Görseli ve ücretli tanıtımı da not edin. Bu çalışma, söz konusu düzenlemenin beğeniyi veya siparişi artıracağını göstermiyor.

ÖRNEK 02

Yerel hizmet: birbirine benzeyen bakım vaatleri

Temsili bir bisiklet servisi, çevresindeki işletmelerle benzer genel bakım mesajları paylaşıyor.

Müşteri bu metinden bize özgü ne öğreniyor?

Örnek 02 için öneriyi aç

Bakımın gerçek kapsamını ve randevu koşullarını görünür kılın.

Aynı bölgede aynı dönemde yayımlanan hizmet metinlerini inceleyerek ortak ifadeleri işaretleyin. Kendi taslağınıza yalnız doğrulanmış hizmet bilgilerini ekleyin ve değişen cümleleri kaydedin. Gönderi başına beğeniyi ve randevu taleplerini ayrı takip edin. Restoran metinlerindeki bulgu, bisiklet servisinde aynı etkinin oluşacağını söylemez.

ÖRNEK 03

B2B: teknik teklifin genel tanıtıma dönüşmesi

Temsili bir endüstriyel ekipman tedarikçisi, farklı makineleri benzer verimlilik vaatleriyle tanıtan Instagram metinleri hazırlıyor.

Okur hangi makinenin hangi işe uygun olduğunu ayırt edebiliyor mu?

Örnek 03 için öneriyi aç

Taslakları ürün sorumlusuna kontrol ettirerek kullanım farklarını açıklaştırın.

Tekrarlanan cümlelerin yanına doğrulanmış kullanım koşullarını ve ürün farklarını yazın. Yayın öncesinde metinlerin birbirinden hangi somut bilgiyle ayrıldığını kaydedin. Beğenileri teklif taleplerinden ayrı değerlendirin ve ücretli dağıtımı not edin. Araştırma, B2B satın alma kararlarını veya bu düzenleme yöntemini test etmedi.

EKİBİNİZLE DENEYİN

Metinlerinizdeki tekrarları inceleyin

Yapay zekâ taslaklarıyla insan tarafından düzenlenen metinleri karşılaştıracağınız bir deneme planlayın. Tekrar eden ifadeleri, gönderi başına beğeniyi ve paylaşım sıklığını ayrı kaydedin. Görsel, ücretli tanıtım ve beğenilerin birikme süresini karşılaştırmaya dâhil edin. Bu, DijitalPi’nin henüz uygulamadığı bir öneridir.

SMMMACHINE, marka dilinize uygun sosyal medya metinleri ve görselleri hazırlar ve içerikleri kalite kontrolünden geçirir. Bu üretim süreci, yazıda önerilen karşılaştırma denemesinin yerini tutmaz. SMMMACHINE hakkında bilgi alın

AI destekli içerik üretimini inceleyin

Kaynak ve emeğin sahibi

Chaoran Liu, Tong Wang, S. Alex Yang
London Business School.

SSRN · 26 Temmuz 2025 · İlk taslak · Çalışma makalesi. Orijinal yayını aç · Google Scholar’da ara

Akademik çalışma yukarıdaki araştırmacılara aittir. Bu sayfa, DijitalPi’nin AI desteğiyle hazırladığı açıklamalı inceleme ve özgün iş örneklerini içerir; makalenin tam çevirisi değildir.

← Tüm araştırma yazılarına dön