Vertiefende Analyse · Etwa 3 Min. Lesezeit
KI-Suchsichtbarkeit hängt vom Messort ab, zeigt ein API-Audit
Die Toronto-Studie trennt deklarierte Position, Netzwerkstandort und Antwortschwankungen, ohne einen Rankingtrick zu testen.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
Der am 16. Oktober eingereichte Preprint sammelt in den Hauptexperimenten 31.200 Antworten über OpenAI- und Gemini-APIs. Er findet unterschiedliche Standortkanäle in den getesteten Konfigurationen, keinen universellen Sichtbarkeitswert.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- 300 englische Fragen, 19 deklarierte Städte und fünf Netzwerkorte werden mit wiederholten Anfragen untersucht.
- Das OpenAI-Setup folgt dem deklarierten Ort, das Gemini-Setup dem Netzwerkland. Verbraucher-Apps können anders reagieren.
Zwei verschiedene Standortkanäle
Eine Anwendung kann der Suche einen Ort nennen; das Netzwerk zeigt die Herkunft der Anfrage. Getestet werden gpt-5.4-mini über Responses API mit Websuche und gemini-3.1-flash-lite mit Google Search Grounding, nicht alle ChatGPT- oder Gemini-Anwendungen.
300 selbst geschriebene englische Geschäftsfragen verteilen sich gleichmäßig auf Nähe, Ortsabhängigkeit und nichtlokale Themen, ohne Ortsnamen im Text. Deklariert werden 15 US-Städte sowie London, Toronto, Sydney und Dublin, dazu eine ungesetzte Bedingung. So trennt sich Parameter von ausgeschriebenem Ortsnamen.
Wiederholungen liefern den Rauschvergleich
Das deklarierte Experiment umfasst 24.000 Antworten mit normalen Fragen und Suchaufforderung, jeweils zweimal pro Einstellung. Netzwerktests ergänzen 7.200 Antworten aus fünf Orten in vier Ländern; die kanadische Verbindung wird nach drei Tagen erneut genutzt. Das sind sechs Sitzungen, keine sechs Orte. Der größere Modelltest bleibt separat.
Der Lokalisierungsindex zieht den Jaccard-Überlapp zwischen Orten vom Überlapp identischer Wiederholungen ab. Null heißt kein Effekt jenseits des gemessenen Rauschens. Es ist weder der Anteil ersetzter Websites noch eine Markenempfehlungswahrscheinlichkeit. Ohne diesen Vergleich kann Zufall wie ein Inhaltserfolg wirken.
Die getesteten APIs nutzen andere Signale
Beim OpenAI-Setup verändert die deklarierte Stadt lokale und ortsabhängige Quellen; ein anderes Netzwerkland ohne Deklaration liefert nahezu null. Der Ort wirkt über generierte Suchanfragen und das Suchbackend, auch wenn keine Anfrage einen Ort nennt.
Bei Gemini wirkten deklarierte Koordinaten im Piloten nicht, das Netzwerkland hingegen schon. Zwischen Ländern beträgt der Index 0.43 für Nähe und 0.23 für nichtlokale Fragen; New York gegen Los Angeles liegt bei etwa null. Das beweist weder fehlende Stadtlokalisierung an Privatanschlüssen noch dauerhafte Netzwerkunabhängigkeit von OpenAI.
Abdeckung ist kein Optimierungserfolg
Im lokalen Fragenpool über 15 US-Städte erfasst eine zufällige Stadt 9% aller dort empfohlenen Unternehmen, fünf Städte 36%. Bezugsgröße ist dieser Pool, keine allgemeine Stichprobenformel für Websites.
Die Namenextraktion war in 29 von 36 Prüfungen vollständig korrekt. Verzeichnisse, Bewertungsseiten und öffentliche Stellen waren ausgeschlossen: Unternehmensempfehlung ist nicht Verzeichniszitation. Die Studie verteilt keine Inhaltsmaßnahmen zufällig und beweist nicht, dass Ortswörter, Backlinks oder Markup die Sichtbarkeit erhöhen.
Eine überprüfbarere Beobachtung
Unser Vorschlag bewahrt Frage, Sprache, Version, Suchmodus und beide Standorte und wiederholt identische Bedingungen vor der Interpretation. Ein hypothetischer internationaler Dienst würde gleiche Märkte im Zeitvergleich messen statt eine Stadt als Weltrangwert auszugeben. Das ist Auditberatung, kein eigener Versuch.
Die Grenzen sind Englisch, API-Modelle und Messzeitraum. Rechenzentrums-VPN-Ausgänge können von Privatanschlüssen abweichen; der Großmodellcheck gilt nur OpenAI. Andere Sprachen oder Apps benötigen eigene stabile Kontrollen. Indexierung, Besucher und Werbeumsatz sind daraus nicht garantiert.
Warum es wichtig ist
AISubHub-Analyse: Frage, Modell, Suche, Standorte und Wiederholungen helfen, Systemänderungen von Inhaltswirkungen zu trennen.
Grenzen und Verfügbarkeit
Wir lasen Studie und Versionshistorie vollständig, ohne API- oder Netzwerktests nachzustellen. Begrenzte Orte, Englisch und Oktober 2026 belegen weder Indexierungsregeln noch Traffic- oder Optimierungsgewinne.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
Weiterführende Quellen
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.