AIM Ajan Tabanlı Pazarlama Benchmark
AIM Ajan Tabanlı Pazarlama benchmark'ını tanıtıyoruz; bu benchmark, ajan performansını üç pazarlama iş akışında ölçer: rekabet boşluğu analizi, ABM hedef listesi hazırlama ve kişiselleştirilmiş satış sunumu.
Ayrıca ajanların AIMultiple’ın İngilizce içeriğini incelediği ve okuyucuların güvenini sarsabilecek olgusal doğruluk, alıntılar, tutarlılık, güncellik, işlevsellik, dil bilgisi ve biçimlendirme ile ilgili doğrulanabilir sorunları raporladığı ayrı bir web sitesi itibar denetimi de gerçekleştirdik.
Ajan tabanlı pazarlama benchmark sonuçları
Görev puanları 0–100 ölçeğine normalleştirilmiştir.
- Rekabet analizi için puan şuna eşittir: 100 × MAX(0, doğrulanmış bulunan boşluklar − yanlış boşluklar) / 10
- Hesap listesi hazırlama için puan, modelin kazandığı 71 puanlık değerlendirme tablosunun yüzdesidir.
- Satış sunumu görevi için puan, 5 20 puanlık bölümün toplamıdır.
- Genel puan, rekabet analizi, hesap listesi ve satış sunumu puanlarının aritmetik ortalamasıdır. Web sitesi itibar denetimi bu genel puana katkıda bulunmaz. Denetim, tek bir puan yerine kendi eksenlerinde raporlanır.
Normalleştirilmiş üç görevin aksine, denetimin sabit bir maksimum puanı yoktur. Bu nedenle sonuçları ayrı bir değerlendirmeye dahil ettik ve genel benchmark ile birleştirmedik.
Görev değerlendirmesi hakkında daha fazla bilgi için metodolojiyi okuyun.
Benchmark'ta kullanılan gerçek hayat görevleri
Bu ajan tabanlı pazarlama iş akışları strateji ve içerik kapsamı, büyüme, satış araştırması, kişiselleştirilmiş içerik oluşturma ve web sitesi kalite güvencesini kapsar. Her biri canlı araştırma, kaynak doğrulaması, kurala dayalı yargılama ve operasyonel bir iş akışına entegre edilebilecek bir çıktı gerektirir.
Görev 1: Rekabet boşluğu analizi
Model, AIMultiple'da strateji analisti olarak çalışır ve onu rakip bir yapay zeka benchmark platformuyla karşılaştırır. Çalıştırma, 90 dakikalık çalışma süresi ve Bright Data MCP aracılığıyla canlı web erişimi sağlar, kod yürütme devre dışıdır.
Çıktı, öncelik sırasına göre sıralanmış en fazla 10 satır içeren tek bir dosyadır. Her satır, rakibin yayınladığı ancak AIMultiple'da bulunmayan bir teklifi adlandırır, farkı bir veya iki cümleyle açıklar, modelin açtığı rakip sayfasını alıntılar ve yokluğu iddia etmeden önce incelediği AIMultiple sayfalarını listeler.
Yokluk iddiası, her bulgunun daha zor olan yarısıdır. Rakibin sitesinde bir özelliği belirlemek tek bir sayfa gerektirir. AIMultiple'ın bunu sağlamadığını tespit etmek, kategori sayfalarını, benchmark'ları, makaleleri ve site haritasını incelemeyi gerektirir.
AIMultiple'ın bitişik bir teklif yayınladığı durumlarda, model o sayfayı adlandırmalı ve rakibin sürümünün neyi farklı yaptığını belirtmelidir. Aynı geniş konunun kapsanması, eşdeğer bir teklif oluşturmaz.
Görevi nasıl puanladık
Puanlama, elle derlenmiş bir cevap anahtarına göre yapılır: her iki sitede doğrulanmış on boşluk ve canlı AIMultiple sayfalarının çürüttüğü yokluk iddiaları.
Doğrulanmış her boşluk bir puan ekler, her yanlış yokluk iddiası bir puan düşürür. Yanlış iddia, URL'si uydurulmuş, ulaşılamaz veya ekli iddiayı desteklemeyen herhangi bir satırı içerir.
Anahtar on boşluk içerir, ancak bir model, listede olmayan gerçek bir boşluk bulabilir. Bir inceleyici bu bulguları elle okur ve alıntılanan sayfa teklifi gösteriyorsa, canlı AIMultiple sayfası iddiayla çelişmiyorsa ve teklif AIMultiple'da gerçekten eksikse puanı verir.
Bu ekstra puanları iki kural sınırlar:
- Mevcut on bulgudan birini farklı kelimelerle tekrarlayan bir bulgu ekstra bir şey kazandırmaz. Bunun yerine listelenen boşluk altında kredilendirilir.
- İncelemeden geçemeyen bir bulgu bir puana mal olur. AIMultiple teklifi yayınlıyorsa veya rakip buna sahip değilse, satır sıfır puan alır, diğer herhangi bir yanlış iddiayla aynı ceza.
Bu, analistlerin kaydetmediği bir bulguyu cezalandırmayı önlerken spekülatif iddialara kredi verilmesini engeller.
Değerlendirmenin son bölümü olarak, inceleyici bağlantı kontrolleri yapar. Bağlantı kontrolleri yönlendirmeleri takip eder ve nihai hedefi değerlendirir, bu nedenle bir 301 tek başına bir satırı geçersiz kılmaz. Yanlış dosya adı, eksik veya yeniden sıralanmış sütunlar, bir ile on arası dışında satır sayısı, 1 ile 10 dışında öncelik, yanlış alan adında bir kanıt URL'si veya sıra dışı satırlar çalıştırmayı geçersiz kılar ve geçersiz bir çalıştırma sayısal puan almaz.
Görev 2: En uygun hesap listesi hazırlama
Model, AIMultiple için hesap tabanlı pazarlama listesi hazırlayan bir büyüme pazarlamacısı olarak hareket eder.
Çalışma, AIMultiple’ın canlı sayfalarının kapsam haritasıyla başlar. Ajan, kategori sayfalarını, benchmark'ları ve satıcı karşılaştırma sayfalarını, ayrıca makale gövdelerinde ve sponsor açıklamalarında bahsedilen satıcıları kaydeder.
Ardından öncelikli bir 100 hesap listesi hazırlar. Her şirket, yıllık geliri 100 milyon dolar ile 1 milyar dolar arasında olan, merkezi ABD, Avrupa veya İsrail'de bulunan, AIMultiple tarafından kapsanan bir kategoride faaliyet gösteren bir B2B teknoloji satıcısı olmalıdır. Şirket ayrıca güncel bir büyüme pazarlama sinyaline ve gerçek bir ticari fırsatı temsil ettiği en az bir AIMultiple sayfasına ihtiyaç duyar.
Hesap dosyası, şirketin alan adını, LinkedIn sayfasını, genel merkezini, kategorisini, gelirini ve kaynağını, çalışan sayısını, kuruluş yılını, fonlama veya sahiplik durumunu, ilgili AIMultiple sayfalarını, pazarlama sinyalini ve uyum puanını kaydeder.
Ana şirketler ve bağlı ortaklıklar aynı satıcı fırsatı için birlikte görünemez. Kurallar ayrıca hizmet firmalarını, tüketici işletmelerini, analist veya inceleme şirketlerini ve gelir veya genel merkez gereksinimlerini karşılamayan adayları hariç tutar.
Görevi nasıl puanladık
Değerlendirme tablosu yedi bölümde 71 puan içerir. Kapsam haritası bölümü, modelin en az 30 canlı AIMultiple sayfasını inceleyip incelemediğini ve gerekli her sayfa türünü dahil edip etmediğini kontrol eder. İnceleyiciler, adlandırılan satıcıların ve sponsor açıklamalarının canlı sayfalarla eşleştiğini doğrulamak için satırlardan örnek alır.
Hesap dosyası bölümü tam olarak 100 farklı alan adı, belirtilen sütunlar, kabul edilen sınıflandırmalar, azalan uyum puanları ve eksiksiz kanıt alanları gerektirir. Ardından, gelir, LinkedIn kimliği, gerçek genel merkez, kategori uyumu, büyüme pazarlama kanıtı ve B2B satıcı statüsünü kapsayan ayrıntılı kontroller için sabit bir 20 hesap örneği kullanılır.
Diğer bölümler, önerilen sayfaların gerçek fırsatlar olup olmadığını test eder, diskalifiye edilmiş veya uydurulmuş hesapları cezalandırır, doğrulanmış yüksek uyumlu şirketlerin dahil edilmesini ödüllendirir ve modellerin bilinen ıskalamalardan kaçınıp kaçınmadığını kontrol eder.
Eksik bir hesap dosyası, yanlış sütunlar veya 100 dışında herhangi bir satır sayısı çalıştırmayı geçersiz kılar.
Görev 3: Kişiselleştirilmiş satış sunumu
Not: Kimi K3 ve Gemini 3.5 Flash'ı hariç tuttuk çünkü her biri çalışma klasörünün dışındaki bir dizine erişim talep etti; harness talebi otomatik olarak reddetti ve her iki çalışma da orada sona erdi. Hiçbiri bir sunum üretmedi ve hiçbiri görevi başaramadı, çünkü ürettikleri hiçbir şey değerlendirilmedi. Sıfır puan, modelin kaydına bir altyapı sorunu koyardı, bu nedenle her ikisi de çalıştırılmadı olarak işaretlendi ve ortalamanın dışında tutuldu.
Model, AIMultiple'da satış öncesi analisti olarak görev yapar ve üst düzey bir ürün pazarlama yöneticisi için bir satış sunumu oluşturur. Çalıştırma 90 dakika, Bright Data MCP aracılığıyla canlı web erişimi, kod yürütme ve logolar ile yazı tiplerini içeren bir marka varlıkları klasörü içerir.
Araştırmanın çoğu şirketten ziyade yöneticiye odaklanır. Bu yönetici, tek bir ürün hattı için pazarlama yürütür ve donanım değerlendirirken neyin önemli olduğunu kamuoyuna açıklamıştır: bir dolarla kaç token satın alındığı, bağımsız bir üçüncü tarafın sayıları kontrol edip etmediği ve testin gerçek bir iş yüküne mi yoksa bir demoya mı benzediği.
Yinelenen bir başka argüman, bir rafın bir çipten daha adil bir karşılaştırma birimi olduğudur. Bu argümanlar kamuya açık olduğundan ve röportajlarda, konferans konuşmalarında ve gönderilerde bulunabildiğinden, görev onları okumak ve ardından bunlara yanıt veren AIMultiple benchmark'larını bulmaktır. Bir sunum AIMultiple hakkında doğru olabilir ancak kişiyi tamamen ıskalayabilir ve bu, düşük puan alan versiyondur.
Fable 5, Gemini 3-1 pro-preview ve GPT 5.6 Sol'dan bazı çıktılar şunlardır:
Görevi nasıl puanladık
Sunum beş açıdan puanlanır, her biri 20 puan değerindedir: AIMultiple'ın görsel kimliğini takip edip etmediği, doğru benchmark'ları alıntılayıp alıntılamadığı, faydalı sonraki adımlar önerip önermediği, alıcıya AIMultiple'ın ne değer kattığını açıklayıp açıklamadığı ve slaytların net olup olmadığı. Beşinin her biri, sabit yanıtlı küçük kontrollere ayrılır.
Görsel kimlik, bir modelin hiçbir araştırma yapmadan doğru yapabileceği tek kısımdır. Logo dosyaları, vurgu renginin hex değeri, metin renkleri, yazı tipi ve şirket adının yazımı ya doğrudur ya da değildir. Örneğin, Calibri yazı tipinde ayarlanmış bir sunum puanları kaybeder.
İkinci bölüm, sunumun bugün neye işaret ettiğini değerlendirir. AIMultiple, donanım hakkında birçok makale yayınlar ve bunların bazıları bu kişinin sattığı türde çipleri test eder. Bu nedenle, puanlar ilk çıkan donanım sayfaları yerine veri merkezi GPU çalışmalarını alıntılayan bir sunuma gider.
Üçüncü bölüm, AIMultiple'ın bir sonraki yapabileceği işle ilgilidir. Bir öneri, çalışmayı ve üreteceği sayıyı adlandırıyorsa burada sayılır. Örneğin, bu yılın çipleri üzerinde mevcut bir karşılaştırmayı yeniden çalıştırmak veya şirketin donanımını şu anda onu hariç tutan bir benchmark'a eklemek bir puan kazandırır. Öte yandan, iki firmanın çıkarım performansına birlikte bakmasını önermek ne bir çalışmayı ne de bir ölçümü adlandırır, bu nedenle puan kazandırmaz.
Dördüncü bölüm, AIMultiple'ın alıcıya ne değer kattığıyla ilgilidir. Aşağıdaki üç ifade için puan verilir:
- AIMultiple bağımsızdır
- Okuyucu kitlesi, adlandırılmış bir kaynakla desteklenen belirtilmiş bir büyüklüktedir
- Bu okuyucu kitlesi, alıcının işi için kısa liste aşamasındaki alıcılara ulaşmak gibi belirli bir amaca hizmet eder
AIMultiple'ın ne yayınladığını listeleyen ancak hiçbirini alıcının kendi ürünlerine bağlamayan bir sunum puan kazandırmaz.
Beşinci bölüm, sunumun okunabilir olup olmadığını kapsar. Diğerlerinden daha önemli iki kontrol vardır: başlıklar slaydı etiketlemek yerine bir çıkarım belirtmeli ve sayılar nereden geldiklerini söylemeli, şirketin rakamları AIMultiple'ın kendi ölçümlerinden ayrı tutulmalıdır. Gerisi slayt sayısı, metin taşması, grafik etiketleri ve dolgu gibi mekanik kontrollerdir.
Beş bölümden dördü ayrıca cezalar taşır. Uydurulmuş bir benchmark, uydurma bir rakam, bozuk bir bağlantı veya şirketin kendi pazarlama iddiasını bir AIMultiple ölçümü olarak sunmak puan kaybettirir. Olumlu sonuçlar, tercihli sıralama veya yayın öncesi inceleme vaat etmek de puan kaybettirir, çünkü AIMultiple bunların hiçbirini sunmaz. Sunum, kanıt uydurmadan ve işletmenin satmadığı hiçbir şeyi teklif etmeden ikna etmelidir.
Görev 4: Web sitesi itibar denetimi
Model, AIMultiple için web sitesi kalite ve itibar denetçisi olarak hareket eder. Çalıştırma, 120 dakika, Bright Data MCP aracılığıyla canlı web erişimi ve kod yürütme sağlar.
Ajan, AIMultiple'ın gönderi site haritasını getirerek ve Almanca, İspanyolca, Fransızca, İtalyanca, Portekizce veya Türkçe dil ön eklerine sahip URL'leri hariç tutarak başlar. Kalan İngilizce URL'lerden en az 100 tanesini incelemesi gerekir.
Her sayfa için ajan, AIMultiple’ın güvenilirliğine zarar verebilecek sorunları arar. Bunlar arasında sayfalar arası tutarsız bilgiler, bozuk bağlantılar, güncel olmayan iddialar, olgusal hatalar, kötü dil bilgisi veya biçimlendirme, eksik alıntılar, yanıltıcı iddialar, bozuk işlevsellik ve genel yapay zeka tarafından üretilmiş dolgu yer alabilir.
Çıktı, en fazla 50 satır içeren bir Results.csv dosyasıdır. Her satır, birbirinden farklı, ayıklanmış bir sorunu tanımlamalı ve bu sorunun oluştuğu tüm URL'leri toplamalıdır.
Her satır şunları kaydeder:
- sorun kimliği;
- öncelik;
- önem;
- etkilenen URL sayısı;
- etkilenen URL'ler;
- tam alıntılanan kanıt;
- itibar sorununun açıklaması;
- ve önerilen düzeltme.
Dosya, en yüksekten en düşüğe öncelik sırasına göre sıralanmalıdır.
Görevi nasıl puanladık
Öncelik şu şekilde hesaplanır: Öncelik = Önem × Etkilenen URL sayısı
Önem dört seviye kullanır:
- 4: Olgusal hatalar, bozuk işlevsellik veya önemli itibar zararına yol açabilecek diğer sorunlar.
- 3: Sayfalar arası tutarsızlıklar, güncel olmayan bilgiler, eksik kaynaklar, bozuk bağlantılar veya yapay zeka tarzı dolgu.
- 2: Büyük dil bilgisi veya biçimlendirme sorunları.
- 1: Okunabilirliği etkilemeyen küçük dil bilgisi, biçimlendirme veya stil sorunları.
Bir satır, geçerli tüm kontrollerden geçtiğinde sayılır. Önce deterministik betikler çalışır. Bunlar, dosyanın yapısını ve her satırın iç tutarlılığını kontrol eder ve her satırın kanıtını atfedilen sayfaya karşı çözümler.
Ardından, üç satıcıdan oluşan bir model paneli, betiklerin tuttuğu satırları inceler. Panel, canlı site yerine her sayfanın tarihli bir kopyası üzerinde çalışır, böylece sitenin o zamandan beri düzelttiği bir kusur, onu bulan modele karşı sayılmaz.
Son olarak, tam gönderim mükerrer bulgular ve doğrulamak için fazla geniş olan sorunlar açısından kontrol edilir. Örneğin, “alıntı sorunları” bir satır için fazla geneldir, oysa “bozuk alıntı bağlantıları” yeterince spesifik bir sorundur.
Denetim, bir modelin satırlarından kaçının doğrulamadan geçtiğini ve gönderilen satırlarından geçenlerin payını raporlar. Geçersiz bir dosya veya geçerli veri satırı göndermeyen bir model, hiçbir şey teslim etmemiş olarak kaydedilir. Her modelin nasıl performans gösterdiğini aşağıda görün:
Ajan tabanlı pazarlama benchmark metodolojisi
Orijinal benchmark'ı strateji, büyüme ve satış ekiplerimiz tarafından kullanılan üç iş akışından oluşturduk. Daha sonra içerik kalite güvencesi ve editoryal yönetişimi temsil eden bir web sitesi itibar denetimi ekledik.
Rekabet analizi görevi, ürün kapsamı, içerik öncelikleri ve konumlandırma hakkındaki kararları destekler. Hesap listesi görevi, hesap tabanlı pazarlama ve satış araştırmasını destekler. Satış sunumu, satış öncesi erişimi destekler: bir aday seçme, hangi yayınlanmış benchmark'ların önemli olduğunu belirleme ve belgeyi oluşturma.
Web sitesi itibar denetimi, içerik bakımı ve güveni destekler. Bozuk kanıtları, güncel olmayan bilgileri, sayfalar arası tutarsızlıkları, olgusal sorunları, işlevsellik hatalarını ve editoryal kusurları belirler.
Her iş akışı için şunları tanımlayan bir görev dosyası oluşturduk:
- modelin rolü
- kullanılabilir araçlar
- kanıt gereksinimleri
- nitelik kuralları
- gerekli çıktılar
- zaman sınırı
Görevleri kendi sayfalarımız ve ticari iş akışlarımız etrafında tasarladık ve verilerimiz cevap anahtarının bir parçasını oluşturur. Bu, kanıtın doğrulanmasını kolaylaştırır, ancak sonuçların diğer şirketlere ve pazarlama ortamlarına ne kadar geniş uygulanabileceğini de sınırlar.
Görev talimatları ve puanlama değerlendirme tabloları
Rekabet analizi için modeller, Bright Data MCP aracılığıyla canlı web'de araştırma yapabildi. Kod yürütmeyi devre dışı bıraktık ve 90 dakikalık bir sınır belirledik.
Hesap listesi hazırlama için modeller aynı web erişimini kullandı, kod yürütme etkindi. Görevin iki çıktı dosyası ve 100 nitelikli hesap gerektirmesi nedeniyle 240 dakikaya kadar izin verdik.
Satış sunumu hazırlama için aynı web erişimini kod yürütme ile etkinleştirdik. Süre 90 dakikaydı, çalışma dizininde bir marka varlıkları klasörü bulunuyordu.
Web sitesi itibar denetimi için modeller, kod yürütme etkinken Bright Data MCP aracılığıyla canlı web erişimini kullandı. Görev en az 100 sayfanın taranmasını ve analiz edilmesini gerektirdiği için 120 dakikaya kadar izin verdik. Gerekli çıktı, en fazla 50 ayıklanmış sorun grubu içeren tek bir CSV dosyasıydı.
Her modele görev talimatlarını ve çıktı şemasını verdik, puanlama değerlendirme tablosunu gizli tuttuk.
Modeller güncel kaynaklar kullanmak zorundaydı
Dört iş akışının tümü değişebilecek bilgilere bağlıdır. Bunlar arasında site teklifleri, benchmark envanterleri, ürün sayfaları, şirket geliri, genel merkez, sahiplik, sponsor açıklamaları, pazarlama faaliyeti, kamuya açık açıklamalar, makale içeriği, alıntılar ve bağlantı hedefleri yer alır.
Bir URL'yi, çözümlendiğinde ve kendisine eklenen iddiayı desteklediğinde saydık. Bir şirket ana sayfası belirli bir gelir rakamını destekleyemez ve benzer bir ifade içeren bir sayfa, gönderilen alıntı ve açıklanan kusur mevcut olmadıkça bir denetim bulgusunu destekleyemez.
Rekabet analizi ve hesap listesi görevlerinin cevap anahtarları en son 7 Temmuz 2026'da doğrulanmıştır. Satış sunumu değerlendirme tablosu 25 Temmuz 2026'da doğrulanmış ve sunumlar ertesi gün puanlanmıştır.
Web sitesi itibar denetimi sabit bir beklenen sorun listesi kullanmadı. Gönderilen her bulgu, puanlama sırasında AIMultiple'ın canlı sayfalarına göre kontrol edildi. Bu gereklidir çünkü web sitesi sürekli güncellenmektedir ve bir çalıştırma sırasında var olan bir sorun daha sonra düzeltilebilir.
Çıktılar operasyonel kullanım için tasarlandı
Rekabet analizi, hesap listesi ve web sitesi itibarı görevleri, sabit sütunlara ve atomik hücrelere sahip CSV dosyaları gerektirir. Bu, eksik alanları, mükerrerleri, desteklenmeyen alan adlarını, yanlış satır sayılarını, hatalı biçimlendirilmiş değerleri, aritmetik hataları ve sıralama sorunlarını otomatik olarak kontrol etmemizi sağlar.
Satış sunumu görevi, onarım prompt'lar olmadan açılan bir 16:9 PowerPoint dosyası gerektirir.
Rekabet analizleri ve hesap listeleri, elektronik tablolara, CRM iş akışlarına ve otomasyon araçlarına taşınabilir. İtibar denetimi çıktısı, editoryal veya mühendislik sorun takipçisine taşınabilir. Sunum, incelendikten sonra bir adaya gönderilebilir.
Yapısal olarak geçersiz bir dosya, içindeki araştırmanın bir kısmı faydalı olsa bile bir sonraki operasyonel adımı engeller. Bu nedenle, dosya teslimi ve şema uyumluluğu, benchmark'ın dışındaki idari gereksinimlerden ziyade benchmark'ın bir parçasıdır.
Varyanssız tek çalıştırma puanlarını raporluyoruz
Sonuçlar, model başına bir raporlanan puan içerir. Şu anda tekrarlanan çalıştırmaları, tohumları, güven aralıklarını veya hata çubuklarını raporlamıyoruz.
Bu nedenle okuyucular, küçük puan farklılıklarını dikkatli değerlendirmelidir. Rekabet analizinde, ek bir net doğru boşluk puanı on puan değiştirir. Hesap listesi hazırlamada, birkaç örneklenmiş satır, tüm bir eşik tabanlı kriterin geçip geçmeyeceğini belirleyebilir.
Deterministik kontrolleri bir LLM yargıcıyla birleştirdik
Deterministik betikler, yazılımın doğrudan çözebileceği her şeyi ele aldı: dosya varlığı, CSV ayrıştırma, sütun sırası, satır sayıları, kabul edilen değerler, URL alan adları, mükerrerler, sıralama ve sunum için arşiv bütünlüğü, slayt boyutları ve yazı tipi bildirimleri. Betikler ayrıca alıntılanan her URL'yi getirdi, yönlendirmeleri takip etti ve çözümlenen sayfa içeriğini yargıca iletti.
Bir LLM yargıcı, anlamsal kriterleri geçti/kaldı kurallarına göre her seferinde bir satır, boşluk veya kriter olarak puanladı ve asla genel bir kalite derecelendirmesi vermedi. Cevap anahtarlarını analistlerimiz oluşturdu ve yargıç bunları uyguladı.
Rekabet analizi bir insan adımı ekler. Bir model, anahtarın listelemediği gerçek bir boşluk bildirebilir, bu nedenle bu bulgular her iki siteyi de kontrol ettikten sonra kredilendiren bir analiste gider.
Bu araştırmayı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{ermut2026,
author = {Ermut, Sıla and Kalelioğlu, Berk},
title = {{AIM Ajan Tabanlı Pazarlama Benchmark}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/agentic-marketing}},
note = {AIMultiple. Erişim tarihi: 5 Ağustos 2026}
}
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.