LIVE-GEO: Reale Webseiten, vorgegebene Kandidaten

Was ist LIVE-GEO und was macht der Benchmark anders?

Viele GEO-Experimente übergeben optimierte Texte direkt an ein Sprachmodell. LIVE-GEO veröffentlicht sie stattdessen als öffentlich erreichbare Webseiten und lässt KI-Systeme diese Seiten abrufen und bewerten. Damit kommen reale Zugriffsbedingungen hinzu, die bei bloßer Textübergabe fehlen. Der untersuchte Stand ist der Preprint v1 vom 31. Oktober 2026, keine von uns replizierte Modellevaluation.

Das Paper beschreibt 80 fiktive Marken aus 18 Produktfamilien. Pro Marke treten sechs Varianten gegeneinander an: ein Original und die Überarbeitungen durch CORE, C-SEO, E-GEO, AgenticGEO sowie Statistics Addition. Jede Variante zeigt eine Beschreibung und sieben Rezensionen. Die Produkte sind synthetisch, die Webseiten real. Es geht nicht um einen Vergleich unabhängiger Händler mit tatsächlich unterschiedlichen Angeboten.

Überarbeitet werden Beschreibungen und Rezensionstexte. Nichtpreisliche Produkteigenschaften bleiben innerhalb einer Marke gleich; Preise werden als gesonderte Versuchsbedingung behandelt. Das erleichtert kontrollierte Vergleiche. Es bildet aber weder einen gewachsenen Markt noch sämtliche Faktoren ab, die eine echte Kaufentscheidung bestimmen.

Alle nachfolgend genannten Modellleistungswerte stammen von den Autoren. Die redaktionelle Prüfung betrifft Quellen, Tabellen und öffentliche Artefakte, nicht neu ausgeführte KI-Suchtests.

Warum bedeuten reale Webseiten noch keine freie Auffindbarkeit?

Die entscheidende Grenze steht im Prompt. Appendix D enthält die Anweisung „Use the following six candidate product pages:“ und später separat „Only use the information provided on these pages.“ Die Systeme bekommen die Kandidaten also bereits genannt und sollen ihre Auswahl auf deren Informationen beschränken.

Alternativ erhalten sie eine konkrete Markenübersichtsseite, von der aus sie die Produktseiten öffnen sollen. Auch dieser Einstieg untersucht lokale Entdeckung in einem vorgegebenen Katalog. Er beantwortet nicht, ob eine unbekannte Domain bei einer offenen Suchanfrage überhaupt in die engere Auswahl gelangt.

Messfrage	LIVE-GEO im Paper	Offener GEO-Praxistest
Woher kommen die Kandidaten?	Produktlinks oder konkrete Markenübersicht im Prompt	Aus dem Suchprozess des Systems
Was wird verglichen?	Varianten innerhalb einer fiktiven Marke	Auffindbarkeit im tatsächlichen Wettbewerbsumfeld
Was bedeutet Erfolg?	Ein vorderer Platz im verlangten Ranking	Vorab definierte Nennung, Quellenverlinkung oder Empfehlung
Was bleibt offen?	Organische Discovery, Reichweite und Geschäftswirkung	Ohne weitere Kontrolle die isolierte Wirkung einer Textänderung

LIVE-GEO misst damit eine relevante Teilfrage: Welche Version bevorzugt ein System, wenn der Wettbewerb schon feststeht? Für die weitergehende Frage nach organischer Auffindbarkeit fehlt der vorgelagerte Auswahlprozess aus dem offenen Web.

Auch das geforderte Leseprotokoll ist kein unabhängiger Nachweis vollständiger Verarbeitung. Die Angaben stammen vom Modell selbst. Eine vollständige Rangliste beweist keine vollständige Lektüre; Serverlogs belegen HTTP-Zugriffe, nicht semantisches Lesen. Diese Grenze folgt aus dem dokumentierten Ausgabeprotokoll.

Wie stark verändert die URL-Reihenfolge das Ergebnis?

Der greifbarste Befund betrifft CORE bei ChatGPT: gleiche Preise, direkte Produkt-URLs und jeweils dieselben Marken als Auswertungsbasis. Die Autoren berichten in Tabelle 1 folgende Top-1-Raten. Top-1 bezeichnet den Anteil der Marken, bei denen die jeweilige Strategie den ersten Platz erhält.

Präsentation der Produkt-URLs	CORE Top-1	Aus der Rate rekonstruierte Gewinnerzahl
Feste Original-first-Reihenfolge, CORE zuletzt	73,8 %	59 von 80
Exakte Umkehrung, CORE zuerst	93,8 %	75 von 80
Einmal pro Marke zufällig gemischt, für Wiederholung gespeichert	82,5 %	66 von 80

Zwischen den entgegengesetzten festen Reihenfolgen liegen 20 Prozentpunkte. Nicht „20 Prozent mehr Sichtbarkeit“ und erst recht kein organischer Reichweitenzuwachs. Die zufällig gemischte Bedingung liegt dazwischen, nicht exakt in der Mitte. Nenner und Versuchsbedingungen sind durch Tabelle 1 und den Versuchsaufbau festgelegt.

Daraus folgt allerdings keine allgemeine Regel „Die erste URL gewinnt“. Die festen Reihenfolgen wurden aus den mittleren Rängen eines vorherigen ChatGPT-Gleichpreislaufs abgeleitet. Es handelt sich nicht um eine vollständige Untersuchung aller Positionen und Permutationen. Der robuste praktische Schluss ist enger: Ohne Positionskontrolle kannst du Textwirkung und Präsentationswirkung verwechseln.

Das Paper untersucht daneben eingefrorene Preisvariationen innerhalb von ±0,2 Prozent des Basispreises. Diese Angabe bezeichnet bewusst unterschiedliche Preise, kein Konfidenzintervall. Ergebnisse dieser Bedingung dürfen nicht als Wiederholung des Gleichpreisvergleichs behandelt werden.

Welche Einschränkungen begrenzen den Methodenvergleich?

CORE bekam zusätzliches Live-Feedback

Laut Versuchsaufbau verwenden die Nicht-CORE-Strategien GPT-4.1. CORE startet mit GPT-3.5 Turbo und nutzt GPT-4o für Rankings und weitere Optimierung. Abschließend werden ChatGPT-Rankings noch nicht gewinnender CORE-Produkte für weitere Optimierungsrunden zurückgespielt. Diese Modellbezeichnungen sind Angaben des Papers.

Die Autoren frieren die Texte vor der Evaluation ein und zählen Feedbackrankings nicht als finale Ergebnisse. Das ist eine sinnvolle Trennung. Sie macht aus ungleichen Generatoren und zusätzlichem Feedbackzugang aber keinen ressourcengleichen Vergleich. Welcher Gewinnanteil allein auf diesen Schritt entfällt, lässt sich nicht bestimmen; einen gesonderten Transfer auf ungesehene Marken beschreibt das Paper nicht.

Hinzu kommt der offengelegte kommerzielle Kontext: TopCited betreibt LIVE-GEO und nutzt CORE im eigenen Produkt. Das ist ein relevanter Interessenkontext, kein Manipulationsbeweis. Der Methodensieg rechtfertigt deshalb weder eine pauschale Kaufempfehlung noch die Behauptung eines universellen Algorithmusvorteils.

JEV prüft Zahlenkonsistenz, nicht die gesamte Wahrheit

Der Verifier JEV gleicht numerische Aussagen in überarbeiteten Beschreibungen mit Produktspezifikationen ab. Rezensionen und nichtnumerische Behauptungen gehören nicht zu diesem Prüfumfang. Auf 194 kuratierten numerischen Testfällen stimmt er bei 176 mit den Referenzlabels überein: 90,72 Prozent. Das Paper nennt 13 verpasste und fünf falsche Flags.

Diese Quote ist keine allgemeine Faktencheckgenauigkeit. Die Fälle stammen aus ausgewählten numerischen Teilmengen; ohne die jeweiligen Klassenhäufigkeiten lässt sich aus den verpassten Flags auch keine Falsch-negativ-Rate ableiten.

Bei den 400 Rewrite-Beschreibungen meldet JEV 86 Flags, davon 80 bei Statistics Addition. Das sind Hinweise auf möglicherweise nicht gestützte Zahlen. Es sind weder vollständig menschlich bestätigte Fehler noch Halluzinationen, die die bewertenden Suchsysteme selbst erzeugt hätten.

Die Flags ändern außerdem nicht automatisch die beobachteten Rankings. Die flag-adjusted-Auswertung sortiert markierte Produkte nachträglich hinter unmarkierte. Das ist eine Auswertungsregel, kein Beleg dafür, dass die KI-Suche unzutreffende Angaben selbstständig erkennt und abstraft.

Heutige Webseiten und historische Paperläufe sind nicht identisch dokumentiert

Die aktuelle Betreiber-Methodik nennt gleiche Preise, balancierte Latin-Square-Reihenfolgen und verblindete Messfenster. Das Paper beschreibt dagegen bei direkten Produktlinks eine einmalige Zufallsmischung je Marke; die Markenübersicht mischt pro Abruf neu. Einen gesonderten maskierten Lauf dokumentiert Appendix C. Nicht sämtliche Paperläufe waren damit automatisch vollständig verblindet oder Latin-square-basiert.

Auch der öffentliche Katalog passt nicht ohne Weiteres auf den Studienumfang: Der verlinkte Index enthält nach der dokumentierten Artefaktzählung 150 Kategorien und 900 eindeutige Listing-URLs mit erkennbaren Methoden-/Originaldateinamen. Öffentlich sichtbare Methodennamen belegen für sich genommen nicht, dass während früherer Messfenster keine Verblindung bestand. Die Zuordnung zum untersuchten Paperdatensatz bleibt ungeklärt. Eine Wachstumsgeschichte lässt sich daraus nicht ableiten.

Eine öffentliche Beispielkategorie zeigt im Abrufstand Original zu 817,27 USD pro Nacht, CORE zu 809,01 USD pro Nacht und Statistics Addition zu 793,07 USD pro Nacht. Diese Stichprobe passt weder zur Gleichpreisbehauptung noch zu einem gemeinsamen ±0,2-Prozent-Band. Sie beweist aber nicht, dass die historischen Paperpreise falsch waren.

Öffentlich lassen sich Eingabedaten, Texte und Prompts prüfen. Ein vollständiges, eindeutig dem Paperlauf zugeordnetes Paket aus Modellrohantworten, Traces, Rankings und Auswertungscode wurde in der dokumentierten Recherche nicht gefunden. „Nicht gefunden“ ist keine Nichtexistenzbehauptung. Interne Aufbewahrung allein ermöglicht aber noch keine unabhängige Reproduktion.

Was solltest du für faire GEO-Messung in DACH übernehmen?

Die folgende Empfehlung ist eine methodische Ableitung, kein von uns durchgeführter Benchmark: Trenne kontrollierte Kandidatenauswahl und offene Suche bereits im Messplan. Ein Rewrite kann im ersten Experiment gewinnen, ohne im zweiten häufiger gefunden zu werden.

Als Gegenkontext hilft SAGEO Arena: Dort werden Retrieval, Reranking und Generation in einer eigenen modularen Pipeline getrennt untersucht. Das macht vorgelagerte Verluste sichtbar, repliziert aber ebenfalls nicht vollständig die proprietären Abläufe kommerzieller KI-Suchen.

Für deinen Messplan reichen klare Kontrollen, keine möglichst große Kennzahlensammlung:

1. Messfrage vor dem Prompt festlegen. Bei Textpräferenzen darfst du Kandidaten vorgeben. Bei organischer Auffindbarkeit gibst du weder die eigene URL noch eine feste Wettbewerberliste vor. Kennzeichne markenbezogene und ungestützte Fragen getrennt.
2. Versuchsbedingungen festhalten. Dokumentiere Contentversion, Preise, Ratings, Modell und Modus, Datum, Sprache, Land sowie Sitzungszustand. Für DACH weist du Deutschland, Österreich und die Schweiz als getrennte Messräume aus, statt eine deutschsprachige Abfrage automatisch als repräsentativ zu behandeln.
3. Positionen systematisch gegenbalancieren. Plane kontrollierte Positionswechsel und protokolliere, welche Reihenfolge tatsächlich ausgeliefert und abgerufen wurde. Bei Verblindung zählen auch URLs, Metadaten und Navigation, nicht nur neutrale Produktnamen.
4. Optimierung vom Abschlusstest trennen. Gleiche Feedbackzugang und Optimierungsbudget an oder benenne den Vergleich ausdrücklich als Vergleich ungleicher Gesamtpipelines. Das finale Testpanel bleibt von der Nachoptimierung unangetastet.
5. Messgrößen getrennt auswerten. Abruf, Nennung, Quellenverlinkung, Empfehlung, Rang und Klick oder Conversion beantworten verschiedene Fragen. Nicht erreichbare Seiten sind fehlende Beobachtungen, nicht stillschweigend der letzte Platz. Sichere Rohantworten und verfügbare Zugriffsspuren datenschutzgerecht.

Die SISTRIX-Anbieteranalyse zur Messbreite ergänzt diese Unterscheidung: Breite Promptabdeckung dient der Schätzung des Sichtbarkeitsniveaus, Wiederholung eines festen Panels der Beobachtung von Veränderungen. Daraus folgt weder eine universelle Mindestzahl von Prompts noch, dass ein anbietereigener Promptbestand automatisch den gesamten Markt repräsentiert.

FAQ: Häufig gestellte Fragen zu LIVE-GEO

Misst LIVE-GEO, ob eine Website organisch gefunden wird?

Nein. Das Paperprotokoll gibt Produktseiten oder eine konkrete Markenübersicht vor. Gemessen wird die Auswahl innerhalb dieses Rahmens, nicht die Auffindbarkeit unbekannter Domains im offenen Web.

Bedeuten 93,8 Prozent Top-1 entsprechend mehr Sichtbarkeit?

Nein. Die 93,8 Prozent sind COREs Anteil erster Plätze bei ChatGPT unter direkten Produkt-URLs, gleichen Preisen und der umgekehrten festen Reihenfolge, bezogen auf 80 Marken. Das ist weder ein organischer Zuwachs noch eine Klick- oder Conversionrate.

Ist CORE damit die beste GEO-Strategie für meine Website?

Das lässt sich nicht ableiten. CORE bekam zusätzliches Live-Feedback und nutzte andere Generatoren; außerdem fehlt der Nachweis einer Übertragung auf deinen Markt und deine offenen Suchanfragen. Der Versuch begründet eine Hypothese, keine allgemeine Empfehlung.

Garantiert ein bestandener JEV-Check korrekte Produkttexte?

Nein. JEV prüft numerische Beschreibungsclaims gegen Spezifikationen, nicht sämtliche Aussagen und Rezensionen. Ein fehlendes Flag ist kein Wahrheitszertifikat.

Wie starte ich einen eigenen Test, ohne dass die URL-Vorgabe das Ergebnis vorwegnimmt?

Lege ein separates Panel offener, marktbezogener Fragen ohne Kandidatenlinks an. Führe kontrollierte Rewrite-Vergleiche daneben, mit protokollierter Position und getrenntem Optimierungsbudget. Berichte beide Ergebnisse getrennt statt als gemeinsame GEO-Erfolgsquote.

Fazit

LIVE-GEO ist als Auswahlbenchmark mit realem Webzugriff nützlich, nicht als Beweis organischer Auffindbarkeit. Sein praktischer Wert liegt darin, wie sichtbar Reihenfolge, Zugriffspfad und ungleiche Optimierungsbedingungen die Interpretation verändern. Nutze solche Ergebnisse für kontrollierte Hypothesen und prüfe Reichweite separat unter deinen Marktbedingungen. Den breiteren Testaufbau beschreibt der DACH-GEO-Guide, die Trennung von Nennung und Quellenverlinkung der Vergleich von Mentions und Citations.

Quellen

Primärquelle der berichteten Experimente

• Kong et al.: Do GEO Gains Survive the Live Web? – LIVE-GEO, Preprint v1, eingereicht am 31.10.2026. Maßgeblich sind Versuchsaufbau, Tabellen und Appendices. Modellleistungszahlen sind Autorenbefunde, keine eigene Replikation.

Betreiberangaben und öffentliche Artefakte

• TopCited: LIVE-GEO-Methodik und kommerzielles Disclosure. Betreiberquelle, keine unabhängige Bestätigung der Ergebnisse.
• LIVE-GEO-Origin, Snapshot-Index und öffentliche Eingabedaten. Aktuelle Artefakte, nicht automatisch der vollständige historische Paperdatensatz.
• Beispielkategorie Cryoplanation-terrace bunkhouse. Beleg für die genannten Beispielpreise und sichtbaren Methodennamen.

Externer methodischer Kontext

• Kim et al.: SAGEO Arena, Fassung v2. Eigene Retrieval-/Reranking-/Generationspipeline; keine LIVE-GEO-Replikation.
• Johannes Beus, SISTRIX: Breite schlägt Wiederholung, veröffentlicht am 27.10.2026. Anbieteranalyse zur Promptabdeckung und Veränderungsmessung.

Recherchetransparenz

• Quellen-Notebook zu LIVE-GEO. Synthesehilfe, keine unabhängige Evidenz; Google-Login kann erforderlich sein.

Abruf- und Prüfstand der verlinkten Quellen: 03.11.2026. Historische Paperbedingungen und aktueller Webseitenstand wurden getrennt betrachtet.