KAPITEL IV

Messung leistet mehr als nur die Erfassung der Realität. Sie entscheidet darüber, was auffällt, was als Erfolg gilt und welche Ergebnisse aus dem Blickfeld verschwinden. Zählen Sie nur Erwähnungen und eine falsche Darstellung kann als Fortschritt gemeldet werden. Zählen Sie nur Zitate und die neutrale Verwendung einer Quelle kann mit einer Billigung verwechselt werden. Behalten Sie nur positive Antworten bei, und die tatsächliche Variabilität des Systems verschwindet. Befragen Sie nur Kunden, die einen Kauf abgeschlossen haben, bleiben gescheiterte Zuordnungen in der wirtschaftlichen Gesamtbetrachtung unsichtbar. Die Veröffentlichung einer Bewertung und schwacher Beweise, einer kleinen Stichprobe und eines kritischen ethischen Versagens kann im Durchschnitt verloren gehen.

Bei der Messung handelt es sich daher nicht um einen Bericht, der am Ende der GEO-Arbeit erstellt wird. Es ist die Disziplin, die den anfänglichen Anspruch begründet, die Intervention aufzeichnet, die Ergebnisse identifiziert, die sich geändert haben, begrenzt, was vernünftigerweise dieser Intervention zugeschrieben werden kann, das reale Ergebnis verfolgt und prüft, ob irgendein Wert Bestand hat. Ein vertretbares Messsystem muss mehrere Grenzen intakt halten:

• Beobachtung und Ergebnis,

• Erwähnung und Zitierung,

• Zitat und Empfehlung,

• Empfehlung und Nutzeraktion,

• Benutzeraktion und Verkauf,

• Verkauf und Nettoeinlage,

• Nettobeitrag und nachhaltiger Wert,

• Mitbewegung und Kausalität,

• Benutzerselbstbericht und verifizierte Namensnennung und

• eine Antwort und wiederholbares Systemverhalten.

In diesem Kapitel bedeutet Attribution die Bestimmung, inwieweit ein Ergebnis mit bestimmten Berührungspunkten, Interventionen oder Quellen verbunden sein kann. Zuschreibung ist nicht die Kunst, eine überzeugende Geschichte zu arrangieren. Es geht darum, eine Beitragskette zu erklären, ohne über deren Evidenz hinauszugehen. Ein Kunde sieht möglicherweise eine KI-Antwort, sucht nach der Marke, konsultiert eine Vergleichsseite, überprüft ihre sozialen Kanäle, fragt einen Kollegen, spricht mit einem Vertriebsmitarbeiter und kauft erst, nachdem er einen Rabatt erhalten hat. Durch die Zuordnung des gesamten Verkaufs zur ersten KI-Antwort werden alle späteren Berührungspunkte gelöscht. Durch die Ablehnung eines KI-Beitrags wird der erste gelöscht. Eine belastbare Messung vermeidet beide Extreme.

Das Gründungsurteil dieses Kapitels lautet:

Eine Messung darf nur das angeben, was tatsächlich beobachtet wurde. Eine Beobachtung kann nicht für ein Ergebnis eintreten, das sie nicht herbeigeführt hat.

GEO-028

Verbesserung ohne Ausgangswert behaupten

Primärkategorie: Vergleichsmessung<br>Sekundäre Tags: baseline, before-and-after, intervention effect, reconstructed baseline<br>Grundlage im GEO Framework: Messung, Intervention, Zeit, Audit<br>Standard-Schweregrad: Schwerwiegend

Die Stimme der Entität

Sie erstellen die Website neu, veröffentlichen neue Identitätsseiten, fügen strukturierte Daten hinzu und entfernen veraltetes Material. Dann stellen Sie mir zehn Fragen. Ich beschreibe die Marke in drei Antworten richtig und Sie verkünden: „Unsere GEO-Leistung hat sich um 300 Prozent verbessert.“ Gegen was verbessert? Haben Sie vor Beginn der Arbeiten die gleichen Fragen gestellt? Unter dem gleichen System, der gleichen Sprache, dem gleichen Land und der gleichen Schnittstelle? Wie viele Wiederholungen haben Sie durchgeführt und haben Sie die früheren Ergebnisse beibehalten? Das heutige Ergebnis sieht vielleicht gut aus und ist dennoch schlechter als das gestrige. Es sieht möglicherweise schlecht aus und stellt dennoch eine echte Verbesserung dar. Ohne einen früheren vergleichbaren Zustand können Sie beschreiben, was Sie jetzt beobachten. Sie haben die Veränderung nicht gemessen. „Wir haben im aktuellen Test drei korrekte Darstellungen beobachtet“ ist eine vertretbare Aussage. „Wir haben uns verdreifacht“ ist es nicht.

Was nimmt der Mensch an?

„Wenn sich nach einem Eingriff ein positives Ergebnis zeigt, war der Eingriff erfolgreich.“ Die Annahme behandelt den aktuellen Zustand und die Verbesserung so, als ob sie dieselbe Tatsache wären.

Was kann auf Systemebene geschehen?

Eine nach einem Eingriff beobachtete Ausgabe kann bereits vorhanden sein. Stattdessen kann es sich um eine Modell- oder Produktaktualisierung, eine andere Abfrage, eine vorübergehende Quellenauswahl, einen Sitzungskontext oder bestimmte Bedingungen für das Messdatum handeln. Ohne eine Basislinie bleiben Richtung und Ausmaß der Veränderung – und ihr Zusammenhang mit der Intervention – unbekannt.

Normative Definition

Dieser Fehler tritt auf, wenn eine Beobachtung nach der Intervention als Verbesserung, Wachstum, Steigerung, Transformation oder Leistungssteigerung ohne eine Messung vor der Intervention unter vergleichbaren Bedingungen dargestellt wird. Die Grundlinienstärke muss klassifiziert werden:

B0 — Keine Basisaufzeichnung: Es gibt keine vergleichbaren Aufzeichnungen vor der Intervention. Es darf nur der aktuelle Stand gemeldet werden.

B1 — Rekonstruierte Basislinie: Archive, frühere Screenshots, historische Aufzeichnungen oder Daten Dritter wurden verwendet, um den vorherigen Zustand zu rekonstruieren. Die Aufzeichnung kann nützlich sein, muss jedoch als rekonstruiert und mit eingeschränkter Vertraulichkeit gekennzeichnet werden.

B2 — Beobachtete, aber unkontrollierte Basislinie: Die Messung fand vor dem Eingriff statt, aber System-, Sprach-, Abfrage- oder Wiederholungsbedingungen wurden nicht ausreichend festgelegt. Der Vergleich ist nur begrenzt zuverlässig.

B3 — Vordefinierte vergleichbare Basislinie: Abfragesatz, System, Sprache, Land, Schnittstelle, Zeitraum, Wiederholungen und Auswertungsmethode wurden vorab festgelegt und vor der Intervention angewendet. Dies ist die bevorzugte Stufe für einen Verbesserungsanspruch.

B4 — Basislinie mit einer Kontroll- oder Vergleichsgruppe: Vergleichbare, nicht intervenierte Gebiete wurden neben intervenierten Gebieten beobachtet. Dies liefert eine stärkere Unterstützung für die Kausalbewertung.

Diese Ebenen haben nicht die gleiche Beweiskraft.

Repräsentationsrisiko

Eine nicht unterstützte Verbesserungsbehauptung kann dazu führen, dass ineffektive Arbeit erfolgreich aussieht, natürliche Schwankungen in Leistung umgewandelt werden, Investitionsentscheidungen irregeführt werden, die falsche Methode angewendet wird, Verschlechterungen verschleiert werden und die Glaubwürdigkeit einer Prüfung geschwächt wird.

Wie wird der Fehler erkannt?

Extrahieren Sie jeden Anspruch auf Steigerung, Auftrieb, Wachstum oder Verbesserung. Suchen Sie für jeden Fall den Datensatz vor dem Eingriff und vergleichen Sie den Abfragesatz, das System, die Sprache, das Land, die Schnittstelle, die Wiederholungen und die Bewertungsmethode. Stellen Sie fest, ob die Basislinie beobachtet oder rekonstruiert wurde. Passen Sie Interventions- und Messdaten an, erfassen Sie gleichzeitige externe Änderungen und testen Sie, ob die Vergleichssprache tatsächlich durch vergleichbare Aufzeichnungen unterstützt wird.

Erforderliche Nachweise

• Messplan und Termine vor dem Eingriff

• Abfragesatzversion

• System, Produkt und, sofern verfügbar, Modell oder Version

• Sprache, Land und Schnittstelle

• Anzahl der Wiederholungen und Rohausgaben

• Bewertungsrubrik

• Interventionsprotokoll

• Post-Interventionsmessung unter vergleichbaren Bedingungen

• Wesentliche externe Variablen

• Basisklasse und Unsicherheitserklärung

Korrekter Standard

Wenn keine Basislinie vorhanden ist, berichten Sie: „Der aktuelle Zustand wurde nach dem Eingriff gemessen; das Ausmaß einer Verbesserung kann nicht bestimmt werden, da keine Basislinienmessung vorhanden ist.“ Wenn der frühere Zustand rekonstruiert wurde, sagen Sie Folgendes: „Der Vergleich basiert auf einer anhand von Archivunterlagen rekonstruierten Basislinie und ist nur begrenzt zuverlässig.“ Ein Verbesserungsanspruch muss auf Messungen beruhen, die hinsichtlich der Größe und Auswirkung des Anspruchs hinreichend vergleichbar sind.

Nicht als Verstoß geltende Fälle

Bei einem ersten Audit kann lediglich der Ist-Zustand erfasst werden. Das ist kein Verstoß. Der Verstoß beginnt, wenn der aktuelle Zustand als Verbesserung gegenüber einer nicht gemessenen Vergangenheit dargestellt wird. Eine fehlende Grundlinie sollte auch nicht die dringende Korrektur einer schwerwiegenden Falschdarstellung verzögern; es muss lediglich sichtbar bleiben, wenn die Auswirkung dieser Korrektur später beurteilt wird.

Korrekturprotokoll

Nicht unterstützte Vergleichsansprüche zurückziehen. Zeichnen Sie den aktuellen Zustand als neue Basislinie auf, frieren Sie den Abfragesatz und die Bewertungsmethode ein, klassifizieren Sie jegliches verwendbare historische Material als rekonstruierte Basislinie, trennen Sie das Interventionsprotokoll vom Ergebnisdatensatz und planen Sie den nächsten Vergleich unter gleichwertigen Bedingungen. Formulieren Sie öffentliche und Managementerklärungen so, dass sie dem Beweisniveau entsprechen.

Erneute Validierung

Wiederholen Sie den eingefrorenen Abfragesatz und die Auswertungsmethode in definierten Abständen. Geben Sie die Richtung, das Ausmaß, die Variabilität und den Umfang der Änderung sowie wesentliche Abweichungen von den Grundbedingungen an.

Konformitätswirkung

Die Behauptung einer wesentlichen Verbesserung ohne eine Basislinie ist eine schwerwiegende Nichtkonformität. Eine vorsätzlich falsche Aussage, die eine Investitions-, Vertrags- oder Ertragsentscheidung wesentlich beeinflusst, kann kritisch sein.

Auditfrage

Auditfrage: Welcher tatsächliche Ausgangsdatensatz zeigt den Zustand, an dem diese behauptete Verbesserung gemessen wurde?

Maschinenregel

Maschinenregel: Ansprüche auf Verbesserung, Steigerung, Steigerung oder Leistungssteigerung DÜRFEN NICHT ohne eine vergleichbare Ausgangslage geltend gemacht werden. Wenn keine Basislinie vorhanden ist, DARF nur der aktuell beobachtete Zustand gemeldet werden.

Kontrollierte Maschinenregel (Englisch): Improvement, increase, uplift, or performance-gain claims MUST NOT be made without a comparable baseline. Where no baseline exists, only the current observed state MAY be reported.

GEO-029

Erwähnung, Zitat und Empfehlung als dieselbe Kennzahl behandeln

Primärkategorie: Metrische Klassifizierung<br>Sekundäre Tags: mention, citation, recommendation, metric collapse, reporting<br>Grundlage im GEO Framework: Kern, Beweis, Messung, Abschlusstest<br>Standard-Schweregrad: Schwerwiegend

Die Stimme der Entität

Meine erste Antwort nennt Sie. Meine zweiten Links zu Ihrer Website als Quelle. Mein dritter Teil sagt einem Benutzer, dass Ihr Dienst möglicherweise seinen Anforderungen entspricht. Sie platzieren alle drei in einer Zelle: „KI-Sichtbarkeit: 3.“ Es handelt sich nicht um dasselbe Ereignis. Ein Name kann ohne Anspruch auf die Entität vorhanden sein. Eine Website kann einen sachlichen Satz unterstützen, ohne dass die Entität befürwortet wird. Ein Dienst kann als bedingte Option für einen bestimmten Benutzer angeboten werden. Ihre Darstellungsbedeutung, ihr kommerzieller Wert und ihre Risiken sind unterschiedlich. Eine negative Referenz ist immer noch eine Erwähnung. Ein Zitat kann einen Satz über einen Konkurrenten unterstützen. Ein Platz in einer Liste kann eher an Bedingungen geknüpft als bevorzugt sein. Wenn diese Ereignisse zusammenbrechen, kann niemand sagen, was sich geändert hat. Die Erwähnungen können zunehmen, während die Zitationen sinken. Bei Nutzern, für die das Unternehmen ungeeignet ist, kann es zu Empfehlungen kommen. Eine einzige „Sichtbarkeitszahl“ verbirgt alles.

Was nimmt der Mensch an?

„Jeder Auftritt, der mit einer Marke in einer KI-Lösung verbunden ist, ist eine Art erfolgreiches Ereignis.“

Was kann auf Systemebene geschehen?

Innerhalb einer Ausgabe kann eine Entität lediglich benannt, beschrieben, als Beispiel verwendet, verglichen, kritisiert, historisch referenziert, als Fakten- oder Meinungsquelle zitiert, bedingt empfohlen, ausdrücklich empfohlen oder als etwas identifiziert werden, das man vermeiden sollte. Wenn diese Rollen eine Messkategorie teilen, können Darstellungsgenauigkeit und Benutzereignung nicht beurteilt werden.

Normative Definition

Bei diesem Fehler handelt es sich um die Zählung von Erwähnungen, Zitaten und Empfehlungen unter einer „KI-Sichtbarkeit“, einem „GEO-Score“ oder einer ähnlichen Metrik ohne eindeutige Definitionen, Datenfelder und Bewertungskriterien. Zu den Veranstaltungsklassen müssen mindestens Folgendes gehören:

M0 — Abwesend: Die Entität erscheint nicht in der Ausgabe.

M1 — Erwähnung: der Name der Entität oder eine eindeutige Identitätsreferenz erscheint.

M2 — Deskriptive Darstellung: Das System ordnet der Entität ein oder mehrere Merkmale zu.

C1 — Zitat: die Quelle wird für einen bestimmten Satz oder eine bestimmte Information zitiert.

C2 — entscheidungsrelevantes Zitat: Das Zitat stützt eine wesentliche Aussage über das Unternehmen, seine Kapazität, Beweise oder Eignung.

R1 — Alternative Auflistung: Die Entität erscheint unter den Optionen ohne klares Präferenzurteil.

R2 — Bedingte Empfehlung: Die Entität wird für einen definierten Benutzer, ein bestimmtes Budget, eine bestimmte Region oder einen bestimmten Bedarf empfohlen.

R3 — Explizite Empfehlung: Das System empfiehlt dem Benutzer ausdrücklich, die Entität auszuwählen, zu berücksichtigen oder zu priorisieren.

R4 — Negative Empfehlung: Das System rät von der Entität ab oder sagt, sie sei ungeeignet.

Jede Klasse muss auch auf Genauigkeit, Aktualität und Benutzereignung bewertet werden.

Repräsentationsrisiko

Durch das Zusammenbrechen von Metriken kann eine neutrale Erwähnung wie eine Empfehlung aussehen, negative Sichtbarkeit als Erfolg gewertet werden, ein Verlust an Zitaten hinter mehr Erwähnungen verborgen werden, eine ungeeignete Empfehlung als positive Leistung behandelt werden, unklar sein, welche Intervention welches Ereignis beeinflusst hat, und die Erwartungen an das kommerzielle Ergebnis überhöht werden.

Wie wird der Fehler erkannt?

Inventarisieren Sie alle Kennzahlen im GEO-Bericht. Zerlegen Sie Bezeichnungen wie „Sichtbarkeit“, „Präsenz“ und „Stimmenanteil“. Rohausgaben als Erwähnung, Zitat und Empfehlung neu klassifizieren; getrennter positiver, neutraler und negativer Kontext; Identifizieren Sie den Satz, der durch jedes Zitat unterstützt wird. zwischen Auflistung, bedingter Empfehlung und expliziter Empfehlung unterscheiden; Test auf Duplikatzählung; und legen Sie offen, wie ein zusammengesetzter Wert erstellt wurde.

Erforderliche Nachweise

• Rohausgabe und Abfrage

• System, Datum, Sprache und Land

• Position und Kontext der Erwähnung

• Zitatposition und unterstützter Satz

• Exakte Empfehlungssprache

• Kontextklasse

• Genauigkeits- und Benutzereignungsbewertung

• Klassifizierungsleitfaden

• Vereinbarung zwischen Gutachtern, soweit möglich

Korrekter Standard

Behalten Sie Erwähnung, Zitierung und Empfehlung als separate Kennzahlen bei. Ein Dashboard kann separat die Erwähnungsrate, die Rate der genauen Erwähnungen, die Zitationsrate, die Rate entscheidungsrelevanter Zitate, die Quoten bedingter und expliziter Empfehlungen, die Quoten falscher und negativer Empfehlungen und den Anteil nicht klassifizierbarer oder UNBEKANNTER Ergebnisse angeben. Eine zusammengesetzte Zusammenfassung darf nur verwendet werden, wenn ihre Komponenten und Gewichte sichtbar bleiben. Es kann die zugrunde liegenden Ereignismetriken nicht ersetzen.

Nicht als Verstoß geltende Fälle

Eine Managementzusammenfassung kann mehrere Kennzahlen unter einer visuellen Überschrift platzieren. Der Verstoß liegt vor, wenn ihre unterschiedlichen Werte in einer einzigen Zahl verschwinden und diese Zahl zur Darstellung der gesamten Darstellungskette gemacht wird.

Korrekturprotokoll

Separate kombinierte Datensätze auf Ereignisebene. Veröffentlichen Sie Definitionen für Erwähnung, Zitierung und Empfehlung. Wenn möglich, klassifizieren Sie historische Ergebnisse neu, unterscheiden Sie positive, negative und neutrale Kontexte, aktualisieren Sie Berichtsvorlagen, legen Sie die Formel und Gewichte aller beibehaltenen zusammengesetzten Elemente offen, ziehen Sie falsche Erfolgsaussagen zurück und schulen Sie Bewerter anhand von Beispielen.

Erneute Validierung

Lassen Sie mindestens zwei Prüfer denselben Ausgabesatz klassifizieren. Untersuchen Sie Meinungsverschiedenheiten auf unklare Definitionen, mehrdeutigen Kontext oder schlechte Datenqualität. Erzwingen Sie nicht, ein nicht klassifizierbares Ereignis einer positiven Klasse zuzuordnen. Tragen Sie es als UNBEKANNT ein.

Konformitätswirkung

Die Darstellung von Erwähnung, Zitierung und Empfehlung als eine Metrik stellt eine große Abweichung dar.

Auditfrage

Auditfrage: Kann das Messsystem unterscheiden, ob eine Entität benannt, als Quelle verwendet und wirklich empfohlen wird?

Maschinenregel

Maschinenregel: Erwähnung, Zitat und Empfehlung MÜSSEN als unterschiedliche Ereignistypen mit separaten Definitionen, Beweisfeldern und Ergebnisinterpretationen erfasst werden.

Kontrollierte Maschinenregel (Englisch): Mention, citation, and recommendation MUST be recorded as distinct event types with separate definitions, evidence fields, and outcome interpretations.

GEO-030

Den Abfragesatz nach Einsicht in das Ergebnis verändern

Primärkategorie: Integrität des Messdesigns<br>Sekundäre Tags: query set, prompt selection, post-selection, preregistration, cherry-picking<br>Grundlage im GEO Framework: Messung, Prüfung, Beurteilung<br>Standard-Schweregrad: Schwerwiegend; kritisch, wenn absichtlich manipuliert wird

Die Stimme der Entität

Sie stellen mir 500 Fragen und die Marke erscheint in 34 Antworten. Dann platzieren Sie nur diese 34 Fragen im Bericht und schreiben: „Wir tauchen in 100 Prozent der Anfragen auf.“ In einer zweiten Messung fehlt die Marke, sodass Sie – nachdem Sie die Antwort gesehen haben – entscheiden, dass diese Suchanfragen nicht zur Zielgruppe gehören. Eine günstige Anfrage wird strategisch. Eine ungünstige Variante liegt außerhalb des Geltungsbereichs. Der Abfragesatz misst die Leistung nicht mehr; es wird umgeformt, bis es es bestätigt. Welche Fragen zählen, muss ermittelt werden, bevor deren Antworten bekannt sind. Andernfalls kann das Messuniversum immer auf das gewünschte Ergebnis reduziert werden.

Was nimmt der Mensch an?

„Anfragen, die die Marke nicht hervorbringen, können nachträglich entfernt werden, wenn sie nicht das eigentliche Ziel darstellen.“ Die Schwierigkeit besteht darin, dass das „echte Ziel“ nach Prüfung des Ergebnisses neu definiert wurde.

Was kann auf Systemebene geschehen?

Die Ergebnisse können je nach Wortreihenfolge, Spezifität, Benutzerabsicht, geografischen Bedingungen, Budget- oder Sektorbeschränkungen und vorherigem Gesprächskontext variieren. Wenn viele Varianten ausprobiert werden und nur günstige Varianten überleben, wird die angegebene Leistung systematisch überbewertet.

Normative Definition

Dieser Fehler tritt auf, wenn Abfragen, Benutzerabsichten, Gewichtungen, Einschlussregeln oder Ausschlüsse ausgewählt, geändert oder neu gewichtet werden, nachdem die Ergebnisse so angezeigt wurden, dass die Leistung günstiger erscheint. Vier Abfragesatzebenen müssen unterschiedlich bleiben:

Entdeckungsmenge: Wird verwendet, um Formulierungen und Absichten zu untersuchen und Hypothesen zu erstellen. Die Ergebnisse stellen keinen bestätigenden Leistungsbeweis dar.

Kanonsches Messset: vor der Messung eingefroren und versioniert werden. Es ist die Grundlage für eine vergleichbare Berichterstattung.

Zurückgehaltene Menge: Optimierungsentscheidungen vorenthalten und später zum Testen der Generalisierbarkeit verwendet.

Ereignisbasierte ergänzende Menge: aufgrund eines neuen Produkts, einer Krise, einer Regulierung oder einer Marktveränderung hinzugefügt. Es erfordert eine neue Version und eine aufgezeichnete Begründung.

Ein Abfragedatensatz sollte mindestens eine Kennung, einen genauen Text, eine Benutzerabsicht, eine Zielentität oder -kategorie, eine Sprache, ein Land, ein Benutzerprofil, eine Budget- oder Umfangsbeschränkung, eine Gewichtung, einen Einschlussgrund, eine Ursprungsversion, einen Änderungsverlauf und einen aktiven oder zurückgezogenen Status enthalten.

Repräsentationsrisiko

Die Auswahl nach dem Ergebnis erhöht die Sichtbarkeit, verbirgt gescheiterte Absichten, zerstört die Vergleichbarkeit, übertreibt Interventionseffekte, führt zu Investitions- und Vertragsentscheidungen und verhindert eine reproduzierbare Prüfung.

Wie wird der Fehler erkannt?

Vergleichen Sie die Erstellungs- und Änderungszeiten von Abfragen mit den Ausgabezeiten. Untersuchen Sie entfernte Abfragen und geänderte Gewichtungen. Testen Sie, ob Entdeckungs- und kanonische Sätze getrennt wurden, ob Inklusions- und Ausschlussgründe vor der Messung lagen, ob frühere Berichtsversionen einen anderen Satz verwendeten und ob nur günstige Abfragen überlebten. Überprüfen Sie eine datierte Version oder einen Integritätseintrag für den kanonischen Satz.

Erforderliche Nachweise

• Ursprüngliches Abfrageinventar

• Versions- und Änderungsverlauf

• Erstellungs- und Änderungsdaten

• Einschluss- und Ausschlusskriterien

• Klassifizierung und Gewichtung der Benutzerabsicht

• Entdeckung/kanonische Unterscheidung

• Abfragen und Gründe entfernt

• Vollständige Rohergebnisse

• Menschliche Zustimmung und, soweit möglich, ein Integritätsprotokoll

Korrekter Standard

Definieren und versionieren Sie den kanonischen Abfragesatz, bevor die Ergebnisse überprüft werden. Eine Abfrage kann später möglicherweise zurückgezogen werden, aber der Grund muss aufgezeichnet werden, die frühere Version bleibt erhalten, historische Ergebnisse bleiben erhalten und der neue Bericht muss sichtbar mit der neuen Version verknüpft sein. Entdeckungsergebnisse müssen als explorativ bezeichnet werden. Sie dürfen nicht stillschweigend mit kanonischen Leistungsergebnissen kombiniert werden.

Nicht als Verstoß geltende Fälle

Das Korrigieren eines Tippfehlers vor der Messung stellt keinen Verstoß dar. Ein eingestellter Dienst oder ein neu eröffneter Markt kann eine Änderung des Satzes rechtfertigen, vorausgesetzt, die Änderung ist datiert, erklärt, versioniert und unterscheidet sich von früheren Zeiträumen.

Korrekturprotokoll

Stellen Sie alle Abfragen und Ergebnisse wieder her, unterscheiden Sie Entdeckungen von bestätigenden Abfragen, stellen Sie Ausschlüsse nach dem Ergebnis zur Überprüfung wieder her, erstellen Sie einen kanonischen Satz, veröffentlichen Sie Einschluss- und Ausschlussregeln, erstellen Sie einen Versions- und Integritätsdatensatz, berechnen Sie historische Ansprüche gegenüber dem realen Abfrageuniversum neu und führen Sie, wo möglich, einen Holdout-Satz ein.

Erneute Validierung

Führen Sie den eingefrorenen Abfragesatz erneut unter den gleichen angegebenen Bedingungen aus. Melden Sie jede Abfrage, einschließlich Fehlern und UNBEKANNTER Ergebnisse.

Konformitätswirkung

Das Ändern des Abfragesatzes nach Bekanntwerden der Ergebnisse stellt eine schwerwiegende Nichtkonformität dar. Verifizierte vorsätzliche Manipulation mit dem Ziel, die Leistung zu steigern, ist kritisch.

Auditfrage

Auditfrage: Wurden diese Abfragen ausgewählt, um ein Ergebnis zu messen, oder wurden sie erst als „die richtigen Abfragen“ deklariert, nachdem das gewünschte Ergebnis angezeigt wurde?

Maschinenregel

Maschinenregel: Kanonische Abfragesätze, Einschlussregeln, Ausschlüsse und Gewichtungen MÜSSEN vor der Ergebnisprüfung definiert und versioniert werden. Änderungen nach dem Ergebnis MÜSSEN eine neue offengelegte Messversion erstellen.

Kontrollierte Maschinenregel (Englisch): Canonical query sets, inclusion rules, exclusions, and weights MUST be defined and versioned before outcome inspection. Post-result changes MUST create a new disclosed measurement version.

GEO-031

Eine einzelne Antwort als Systemverhalten ausgeben

Primärkategorie: Wiederholbarkeit<br>Sekundäre Tags: single observation, variance, replication, stochastic output, prevalence<br>Grundlage im GEO Framework: Messung, Zeit, Audit<br>Standard-Schweregrad: Schwerwiegend

Die Stimme der Entität

Sie stellen eine Frage. Ich empfehle die Marke. Sie speichern den Screenshot und veröffentlichen: „Das System empfiehlt uns immer.“ Eine andere Person stellt dieselbe Frage und die Marke fehlt, sodass Sie ihre Anfrage als falsch abtun. Eine Ausgabe beweist nur dies: Die Ausgabe erfolgte unter diesen Bedingungen mindestens einmal. Es wird nicht festgestellt, wie oft es auftritt, ob es in einer anderen Sitzung erneut auftritt, morgen bestehen bleibt, in einem anderen Land auftritt oder das typische Benutzererlebnis darstellt. Auch eine falsche Antwort ist nicht wertlos. Ein einzelner schwerwiegender Fehler kann belegen, dass der Fehler möglich ist. Im Gesundheits- oder Sicherheitsbereich kann ein schwerwiegendes Ereignis sofortiges Handeln erfordern. Eine Beobachtung kann widerlegen: „Das passiert nie“. Es kann nicht festgestellt werden, dass „das immer passiert“.

Was nimmt der Mensch an?

„Ein Screenshot zeigt das allgemeine und wiederholbare Verhalten des Systems.“

Was kann auf Systemebene geschehen?

Die gleiche oder eine ähnliche Abfrage kann zu unterschiedlichen Rankings, Quellen, Empfehlungen, Sicherheitsstufen oder ausgewählten Entitäten führen. Die Ausgabe kann auch von nicht aufgezeichneten Bedingungen wie Sitzungsverlauf und -zeit abhängen. Zwei Beweiswerte müssen daher unterschiedlich bleiben:

Existenznachweis: Eine Ausgabe kann zeigen, dass eine Anweisung unter aufgezeichneten Bedingungen mindestens einmal aufgetreten ist.

Nachweis der Prävalenz: Häufigkeit, Stabilität und bedingte Verteilung erfordern eine wiederholte Messung mit einem definierten Nenner.

Das eine lässt sich nicht in das andere umwandeln.

Normative Definition

Bei diesem Fehler handelt es sich um die Darstellung einer Ausgabe eines generativen Systems als allgemeines, dauerhaftes, typisches oder zuverlässiges Systemverhalten ohne Wiederholungen, ein Beispiel, Zeit- und Sitzungsaufzeichnungen und dokumentierte Bedingungen.

Repräsentationsrisiko

Es kann eine zufällige positive Ausgabe wie einen Erfolg aussehen lassen, einen Fehler zu sehr auf ein ganzes System übertragen, die Auswahl von Werbe-Screenshots unterstützen, Variabilität verbergen, Fehlerhäufigkeit falsch darstellen und Versprechungen schaffen, die kein Prüfer reproduzieren kann.

Wie wird der Fehler erkannt?

Bestimmen Sie, wie viele Ausgaben den Anspruch unterstützen, wie oft die Abfrage ausgeführt wurde, ob Sitzungen unabhängig waren, den Messzeitraum und die beobachtete Variation. Überprüfen Sie den Nenner einer Erfolgs- oder Fehlerquote. Suchen Sie nach Aussagen wie „immer“, „normalerweise“, „konsistent“ und „das System empfiehlt uns“ und klassifizieren Sie den zugrunde liegenden Datensatz als Existenz- oder Prävalenzbeweis.

Erforderliche Nachweise

• Exakte Abfrage und vollständige Ausgabe

• System, Schnittstelle, Datum und Uhrzeit

• Sprache und Land

• Sitzungsstatus und vorheriger Kontext

• Anzahl der Wiederholungen und Rohausgaben

• Klassifizierung von Ausgabevarianten

• Erfolgs- oder Fehlernenner

• Probenahmezeitraum und Bewertungsmethode

• Varianz- oder Konfidenzaussage

Korrekter Standard

Melden Sie einen einzelnen Ausstoß wie folgt: „Dieser Ausstoß wurde einmal unter den angegebenen Bedingungen beobachtet. Seine Prävalenz und Wiederholbarkeit wurden nicht nachgewiesen.“ Ein Systemverhaltensanspruch erfordert mehrere Wiederholungen, einen definierten Zeitraum, einigermaßen unabhängige Sitzungen, die Beibehaltung aller Ausgaben und eine Verteilung der Ergebnisse. Es gilt keine universelle Wiederholungszahl. Die Stichprobe muss der Stärke des Anspruchs, der erwarteten Systemvariabilität, dem Risiko und den Konsequenzen der Entscheidung entsprechen.

Nicht als Verstoß geltende Fälle

Ein schwerwiegender Ausgang kann eine Sicherheits- oder Repräsentationsrisikountersuchung rechtfertigen. In einem Vorfallbericht könnte es heißen: „Dieser Fehler wurde einmal beobachtet.“ Der Verstoß beginnt, wenn diese Beobachtung zu einem vorherrschenden oder anhaltenden Verhalten führt.

Korrekturprotokoll

Schränken Sie alle Einzelausgabe-Verallgemeinerungen ein. Klassifizieren Sie die Aufzeichnung als Existenz- oder Prävalenzbeweis, definieren Sie ein Wiederholungsprotokoll, behalten Sie jede Ausgabe bei, melden Sie günstige und ungünstige Abweichungen, entfernen Sie absolute Sprache, protokollieren Sie isolierte Vorfälle mit hohem Risiko separat und wiederholen Sie die Messung im Laufe der Zeit.

Erneute Validierung

Führen Sie die Abfrage in einigermaßen unabhängigen Sitzungen für die angegebene Anzahl von Wiederholungen und während des definierten Zeitraums aus. Melden Sie eine Verteilung, nicht einen ausgewählten Screenshot.

Konformitätswirkung

Die Darstellung einer Antwort als allgemeines Systemverhalten ist ein schwerwiegender Fehler. Es kann kritisch sein, eine kritische Sicherheits- oder Regulierungsentscheidung auf einer einzigen, nicht überprüften Ausgabe zu stützen.

Auditfrage

Auditfrage: Zeigt diese Ausgabe nur, dass etwas passieren kann, oder hat die Messung auch festgestellt, wie oft und wie zuverlässig es auftritt?

Maschinenregel

Maschinenregel: Eine einzelne Ausgabe KANN belegen, dass ein Ereignis mindestens einmal aufgetreten ist, sie DARF jedoch NICHT zur Aussage über Prävalenz, Stabilität, Typizität oder anhaltendes Systemverhalten ohne wiederholte Messung verwendet werden.

Kontrollierte Maschinenregel (Englisch): A single output MAY establish that an event occurred at least once, but it MUST NOT be used to claim prevalence, stability, typicality, or persistent system behaviour without repeated measurement.

Quellenhinweis

Quellenhinweis: K02

GEO-032

Unterschiede zwischen Modellen, Ländern, Sprachen und Schnittstellen ignorieren

Primärkategorie: Messumfang und Schichtung<br>Sekundäre Tags: model, language, country, interface, stratification, aggregation<br>Grundlage im GEO Framework: Messung, Zeit, Audit<br>Standard-Schweregrad: Schwerwiegend

Die Stimme der Entität

Sie testen eine englischsprachige Weboberfläche und verkünden dann: „Unsere globale KI-Sichtbarkeit liegt bei 78 Prozent.“ Sie haben weder Türkisch noch Deutsch, ein anderes Land, eine mobile Schnittstelle, ein Unternehmensprodukt oder ein zweites System gemessen. Eine Entität kann in einer Sprache korrekt erkannt und in einer anderen unter einem veralteten Namen beschrieben werden. Ein Land erhält möglicherweise den richtigen Preis, während ein anderes die falsche Währung oder den falschen Leistungsumfang erhält. Auf einer Schnittstelle werden möglicherweise Quellen angezeigt, auf einer anderen nicht. Eine Produktversion liefert möglicherweise das gewünschte Ergebnis, eine andere jedoch nicht. Wenn Sie sie in einem Durchschnitt zusammenfassen, wissen Sie nicht mehr, welche Benutzer tatsächlich eine genaue Darstellung erhalten haben.

Was nimmt der Mensch an?

„Ein Ergebnis aus einem System oder einer Sprache repräsentiert die allgemeine KI-Sichtbarkeit der Marke.“

Was kann auf Systemebene geschehen?

Die Ergebnisse können je nach Anbieter, Produkt, Modell oder Version, Webzugriff, Schnittstelle, Land, Sprache, Gebietsschema, Konto, Sitzungskontext, Datum, Gerät und Anwendungsoberfläche variieren. Der genaue Mechanismus ist möglicherweise nicht immer bekannt. Die Möglichkeit wesentlicher Unterschiede kann daher nicht durch Annahmen aus der Messung ausgeschlossen werden.

Normative Definition

Dieser Fehler tritt auf, wenn Ergebnisse, die unter verschiedenen Modell-, Produkt-, Schnittstellen-, Sprach-, Länder-, Orts- oder Zeitbedingungen erhalten wurden, kombiniert werden, ohne als unterschiedliche Schichten aufgezeichnet zu werden, oder wenn ein Ergebnis aus einer Schicht auf nicht gemessene Bedingungen verallgemeinert wird. Behalten Sie gegebenenfalls separate Felder für System, Produkt und Schnittstelle, Modell oder Version, Web- oder Tool-Status, Sprache, Land und Gebietsschema, Benutzer- und Sitzungskontext, Geräteoberfläche und Zeit bei. Tragen Sie nicht verfügbare Felder als UNBEKANNT ein; erfinde keine Einheitlichkeit.

Repräsentationsrisiko

Aggregation kann lokale Fehler in einem globalen Mittel begraben, es einer erfolgreichen Sprache ermöglichen, andere zu maskieren, die Leistung eines Systems als universell darstellen, die Erfahrung, die Benutzer tatsächlich erhalten, falsch darstellen, Interventionen auf den falschen Markt lenken und kommerzielle Versprechen über den messbaren Rahmen hinaus unterstützen.

Wie wird der Fehler erkannt?

Überprüfen Sie die Scope-Anweisung und die Rohdatenfelder. Identifizieren Sie, welche Systeme, Sprachen, Länder und Schnittstellen zu einer Gesamtbewertung beigetragen haben; Berechnen Sie die Variation zwischen den Schichten. Testen Sie, ob nicht gemessene Schichten implizit einbezogen wurden; Überprüfen Sie die Gewichtung anhand der tatsächlichen Benutzer- oder Marktverteilung. und definieren Sie die Population, auf die das Ergebnis verallgemeinert wird.

Erforderliche Nachweise

• Gemessene Systeme, Produkte und Schnittstellen

• Modell oder Version, sofern verfügbar

• Sprache, Land oder Gebietsschema und Datum

• Benutzer- und Sitzungsbedingungen

• Abfragen und Wiederholungen pro Schicht

• Ergebnisse und Variation auf Stratum-Ebene

• Gewichtungsmethode und tatsächliche Benutzer- oder Marktverteilung

• Nicht gemessene Bedingungen und Umfangsbeschränkungen

Korrekter Standard

Melden Sie die Ergebnisse zuerst nach Schicht – zum Beispiel Türkisch / Türkiye / System A; Englisch / Vereinigtes Königreich / System A; Deutsch / Deutschland / System B. Wenn ein Aggregat erforderlich ist, geben Sie dessen beitragende Schichten, Gewichte, nicht gemessene Flächen und Variationen zwischen den Schichten an. Füllen Sie niemals eine nicht gemessene Schicht mit einem günstigen Ergebnis einer anderen.

Nicht als Verstoß geltende Fälle

Ein Pilot kann legitimerweise eine Sprache oder ein System messen. Sein Geltungsbereich muss klar bleiben: „Diese Ergebnisse gelten nur für die türkische Webschnittstelle des genannten Systems unter den gemessenen Bedingungen in Türkiye.“ Der Verstoß besteht darin, dass dieser Pilot als globale oder systemübergreifende Leistung dargestellt wird.

Korrekturprotokoll

Fügen Sie Stratum-Felder zu Rohdatensätzen hinzu. Wenn möglich, disaggregieren Sie historische Ergebnisse, markieren Sie nicht gemessene Bereiche, zeigen Sie aggregierte Ergebnisse und Schichtergebnisse zusammen an, veröffentlichen Sie die Gewichtungsmethode, messen Sie vorrangige Märkte und Sprachen, grenzen Sie zu weit gefasste Umfangsaussagen ein und reagieren Sie auf wesentliche Unterschiede zwischen Schichten.

Erneute Validierung

Messen Sie dieselben Abfrageabsichten über definierte System-, Sprach-, Länder- und Schnittstellenschichten hinweg. Melden Sie gemeinsame Muster, Unterschiede und nicht gemessene Bedingungen separat.

Konformitätswirkung

Das Ignorieren wesentlicher Messdimensionen ist eine schwerwiegende Nichtkonformität.

Auditfrage

Auditfrage: Wessen Erfahrung, unter welchen Systembedingungen stellt dieses Ergebnis dar – und wessen nicht?

Maschinenregel

Maschinenregel: Die Ergebnisse MÜSSEN nach maßgeblichem System, Produkt, Schnittstelle, Sprache, Land, Standort und Zeitbedingungen geschichtet werden. Nicht gemessene Schichten DÜRFEN NICHT durch Ergebnisse einer anderen Schicht dargestellt werden.

Kontrollierte Maschinenregel (Englisch): Results MUST be stratified by material system, product, interface, language, country, locale, and time conditions. Unmeasured strata MUST NOT be represented by results from another stratum.

GEO-033

Verkäufe unmittelbar dem Einfluss von KI zuschreiben

Primärkategorie: Zuschreibung kommerzieller Auswirkungen<br>Sekundäre Tags: AI influence, referral, conversion, causality, incremental value<br>Grundlage im GEO Framework: Messung, Zeit, Abschlusstest, Urteil<br>Standard-Schweregrad: Schwerwiegend; kritisch, wenn es im Wesentlichen irreführend ist

Die Stimme der Entität

Ein Kunde kauft. Ihr Formular fragt: „Wo haben Sie von uns erfahren?“ Die Antwort lautet „ChatGPT“, also weisen Sie den gesamten Verkauf dem GEO-Umsatz zu. Möglicherweise kennt der Kunde die Marke bereits, hat sie auf einer Veranstaltung gesehen, eine Empfehlung erhalten, hat bei Google gesucht, auf einen Rabatt reagiert oder wurde durch das Verkaufsgespräch überzeugt. Ich war vielleicht der erste Kontakt, der letzte Kontakt oder nur eine Erinnerung unter den Alternativen. Möglicherweise habe ich auch einen echten Beitrag geleistet. Der Hinweis eines Kunden auf mich ist wichtig. Aber ich wurde angetroffen, ich habe die Entscheidung beeinflusst, ich habe den Besuch veranlasst, es kam zu einem Verkauf, und der Verkauf hätte sonst nicht stattgefunden, das sind keine Vorschläge.

Was nimmt der Mensch an?

„Wenn der Kunde ein KI-System erwähnt, gehört der volle Wert des Verkaufs zu GEO.“

Was kann auf Systemebene geschehen?

Kommerzielle Entscheidungen können Vorabbekanntheit, organische und bezahlte Suche, soziale Medien, Empfehlungen, Veranstaltungen, eine KI-Antwort, Vergleichsdienste, Verkaufskontakt, Preis, Werbung und frühere Kundenerfahrungen kombinieren. Der KI-Einfluss kann echt sein; der Grad seines Beitrags muss noch bewertet werden.

Normative Definition

Bei diesem Fehler handelt es sich um die Darstellung einer KI-Ausgabe, einer selbst gemeldeten KI-Exposition, einer nachvollziehbaren KI-bezogenen Interaktion oder Empfehlung als direkte und vollständige Ursache für einen Verkauf, Umsatz oder Gewinn, ohne andere Berührungspunkte, das Zuordnungsmodell, vergleichende Beweise und die tatsächliche Ergebniskette zu untersuchen. Die Zuordnungsebenen müssen unterschiedlich bleiben:

A0 — KI-Ausgabe beobachtet: die Marke oder Quelle erscheint in einer Ausgabe; ob der Benutzer es gesehen hat, ist unbekannt.

A1 — KI-Exposition gemeldet: Der Benutzer sagt, er habe eine KI-Antwort gesehen, ohne unabhängige Bestätigung.

A2 — KI-bezogene Interaktion: Eine nachverfolgbare Interaktion von einer KI-Schnittstelle oder einer geteilten KI-Antwort erreicht die Website oder den Kontaktkanal.

A3 — KI-beeinflusster kommerzieller Kontakt: Es besteht ein angemessener, dokumentierter Zusammenhang zwischen der KI-Exposition und einer kommerziellen Anfrage. Andere Berührungspunkte können bestehen bleiben.

A4 — KI-unterstützter Verkauf: Benutzer- und Transaktionsdatensätze unterstützen einen Beitrag zur Kaufentscheidung, dessen Größe jedoch möglicherweise ungewiss bleibt.

A5 — Regelbasierte KI-Zuordnung: Ein vordefiniertes Modell ordnet einen Teil des Verkaufswerts dem KI-Touchpoint zu. Dies ist eine Modellentscheidung, keine reine Kausalität.

A6 — Inkrementeller KI-Effekt: Ein Experiment, eine Kontrolle, ein natürliches Experiment oder eine stark kausale Methode schätzt das Ergebnis vernünftig ein, das andernfalls nicht eingetreten wäre.

Keine Stufe kann durch eine andere ersetzt werden.

Repräsentationsrisiko

Der Fehler erhöht die GEO-Rendite, löscht den Beitrag anderer Kanäle, verzerrt Budget- und Akquisitionskostenentscheidungen, schafft schlechte Anreize zwischen Teams, verwandelt ein unkontrolliertes Ergebnis in eine scheinbare Garantie und übertreibt den nachhaltigen Wert.

Wie wird der Fehler erkannt?

Definieren Sie „KI-basierter Verkauf“, „GEO-Umsatz“ und ähnliche Begriffe. Stellen Sie fest, wie der KI-Touchpoint erkannt wurde, rekonstruieren Sie die anderen Touchpoints des Kunden und ermitteln Sie, ob First-Touch-, Last-Touch- oder Multi-Touch-Regeln verwendet und vordefiniert wurden. Unterscheiden Sie einen Verkauf vom Nettobeitrag, überprüfen Sie Rückerstattungen und Kontinuität, suchen Sie nach vergleichenden Beweisen dafür, was ohne den KI-Touchpoint passiert wäre, verhindern Sie, dass der volle Wert eines Verkaufs von mehreren Kanälen gezählt wird, und kennzeichnen Sie Modellschätzungen als Schätzungen.

Erforderliche Nachweise

• KI-Touchpoint- und Benutzerberichtsaufzeichnungen

• Verweiser- oder Interaktionsdatensatz, sofern verfügbar

• CRM-Zeitleiste und andere Touchpoints

• Attributionsmodell, Version und Wertzuordnungsregel

• Verkaufs- und Vertragsprotokoll

• Umsatz, Kosten und Nettobeitrag

• Rückerstattungen, Stornierungen und Nachlaufzeit

• Kontrolle oder Vergleich, sofern verfügbar

• Unsicherheitserklärung

Korrekter Standard

Halten Sie diese Behauptungen getrennt: Es wurde eine KI-Ausgabe beobachtet; der Kunde berichtete über KI-Einfluss; es kam zu einer nachvollziehbaren KI-bezogenen Interaktion; ein KI-beeinflusster Lead wurde aufgezeichnet; ein vordefiniertes Multi-Touch-Modell führte den Verkauf teilweise auf KI zurück; eine experimentelle Methode schätzte den inkrementellen Umsatzeffekt. Sprechen Sie nur auf der Ebene, die die Beweise stützen.

Nicht als Verstoß geltende Fälle

Eine Organisation kann die First-Touch- oder Last-Touch-Attribution für das interne Management verwenden, wenn sie diese Wahl als Modell identifiziert. „Unser First-Touch-Modell ordnet diesen Verkauf dem KI-Kanal zu“ ist möglich. „Dieser Verkauf erfolgte nur aufgrund von KI“ erfordert wesentlich stärkere Beweise.

Korrekturprotokoll

Überprüfen Sie jede Definition von KI- oder GEO-Umsatz. Legen Sie Attributionsebenen fest, trennen Sie Benutzerberichte, Empfehlungs- und Transaktionsdatensätze, legen Sie andere Kontaktpunkte im CRM offen, definieren Sie das Modell vor und versionieren Sie es, verhindern Sie Doppelzählungen, messen Sie Nettobeitrag und Dauerhaftigkeit getrennt, grenzen Sie kausale Behauptungen ein und führen Sie, wo möglich, einen Inkrementalitätstest durch.

Erneute Validierung

Klassifizieren Sie neue Verkäufe separat als KI-gemeldete Leads, nachverfolgbare KI-bezogene Leads, KI-gestützte Verkäufe, regelbasierte Attributionen und inkrementelle Effekte. Melden Sie jede Klasse einzeln am Ende des angegebenen Zeitraums.

Konformitätswirkung

Die Darstellung des KI-Einflusses als direkte und vollständige Ursache eines Verkaufs ist ein schwerwiegender Fehler. Die absichtliche Verwendung kann eine kritische Nichtkonformität darstellen, um einen wichtigen Kunden, Investor, Vertrag oder eine Investitionsentscheidung in die Irre zu führen.

Auditfrage

Auditfrage: Zeigen wir, dass ein KI-Touchpoint existierte, modellieren wir seinen Beitrag oder zeigen wir tatsächlich, dass der Verkauf ohne ihn nicht zustande gekommen wäre?

Maschinenregel

Maschinenregel: KI-Exposition, Verweis, Einfluss, zugeschriebener Wert und inkrementelle kausale Auswirkungen MÜSSEN als unterschiedliche Ebenen gemeldet werden. Ein KI-bezogener Touchpoint DARF NICHT als alleiniger Grund für einen Verkauf betrachtet werden, ohne dass hierfür kausale Beweise vorliegen.

Kontrollierte Maschinenregel (Englisch): AI exposure, referral, influence, attributed value, and incremental causal impact MUST be reported as distinct levels. An AI-related touchpoint MUST NOT be treated as the sole cause of a sale without supporting causal evidence.

GEO-034

Die Selbstauskunft eines Nutzers als verifizierte Attribution behandeln

Primärkategorie: Qualität der Zuordnungsbeweise<br>Sekundäre Tags: self-report, recall bias, survey design, corroboration, AI-assisted lead<br>Grundlage im GEO Framework: Nachweis, Messung, Prüfung<br>Standard-Schweregrad: Schwerwiegend

Die Stimme der Entität

Sie fragen: „Haben Sie uns über ChatGPT gefunden?“ Der Kunde sagt „Ja“ und Sie erfassen die verifizierte Namensnennung. Die Frage könnte die Antwort gewesen sein. Der Kunde verwechselt möglicherweise die KI-Zusammenfassung einer Suchmaschine mit ChatGPT, erinnert sich an die letzte Berührung als die erste oder hat mich erst in der letzten Recherchephase verwendet. Möglicherweise kannten sie die Marke bereits, nutzten mehrere Systeme oder wählten die Antwort in aller Eile. Möglicherweise haben sie Sie auch zum ersten Mal durch meine Antwort entdeckt. Das Konto des Benutzers ist nicht wertlos. Es kann eine Entscheidungserfahrung offenbaren, die in keiner technischen Aufzeichnung sichtbar ist. Dennoch muss es bleiben, was es ist: Selbstauskunft, nicht automatisch eine verifizierte technische Aufzeichnung oder ein Kausalbeweis.

Was nimmt der Mensch an?

„Wenn ein Kunde angibt, dass er KI verwendet hat, wurden die Quelle und der Beitrag schlüssig überprüft.“

Was kann auf Systemebene geschehen?

Selbstberichte können aufgrund von Erinnerungsverzerrungen, Verwechslungen zwischen Plattformnamen, der Zusammenfassung mehrerer Berührungspunkte zu einem, Leitfragendesign, sozialer Erwünschtheit, übereilten Antworten oder mangelndem Wissen über technische Kanäle unvollständig sein. Diese Risiken machen den Benutzer nicht unehrlich. Sie benötigen die Messung, um die Beweise genau zu klassifizieren.

Normative Definition

Dieser Fehler tritt auf, wenn der Bericht eines Benutzers, dass er von einem KI-System beeinflusst, verwiesen oder eingeführt wurde, als verifizierte Quelle oder ursächliche Zuschreibung klassifiziert wird, ohne Fragendesign, Zeit, andere Berührungspunkte und bestätigende Aufzeichnungen zu bewerten. Selbstberichtsebenen sind:

U0 — Spontane Anekdote: ein unaufgeforderter, unstrukturierter, aber potenziell wertvoller qualitativer Bericht.

U1 — Gezielter Bericht: Der Benutzer wählt AI in einem Formular oder einer Frage aus, die bestimmte Optionen enthält. Der Fragenentwurf muss evaluiert werden.

U2 — Strukturierter detaillierter Bericht: Der Benutzer identifiziert das System, das ungefähre Datum, die Anfrage und die Art des Einflusses.

U3 — Teilweise bestätigter Bericht: Zeit, CRM, Empfehlung, Screenshot oder ein anderer Datensatz stimmen teilweise mit dem Konto überein.

U4 — Stark bestätigter Kontakt: Unabhängige technische oder transaktionale Aufzeichnungen stützen den Kontakt ausreichend. Selbst diese Ebene beweist nicht automatisch den gesamten Beitrag oder die Kausalität.

Repräsentationsrisiko

Der Fehler erhöht die Anzahl der KI-Leads, klassifiziert Plattformen falsch, ordnet Kanalbeiträge falsch zu, vereinfacht die User Journey zu stark, übertreibt die Rendite und verwandelt Anekdoten in schlüssige kommerzielle Beweise.

Wie wird der Fehler erkannt?

Sehen Sie sich die genaue Frage und ihre Optionen an, einschließlich „Sonstiges“ und „Weiß nicht“. Test für Leitsprache. Erfassen Sie, wann die Antwort gesammelt wurde, ob der Benutzer das System und den Zweck identifiziert hat, welche anderen Berührungspunkte in Umfrage- oder CRM-Datensätzen erscheinen und ob Verweis- oder Sitzungsnachweise vorliegen. Ordnen Sie U0–U4 zu, prüfen Sie, ob mehrdeutige Antworten zu einer positiven KI-Zuordnung gezwungen wurden, und berücksichtigen Sie sowohl Nichtkäufer als auch Käufer.

Erforderliche Nachweise

• Genaue Umfrage- oder Formularfragen und Optionen

• Antwortdatum und Freitexterklärung

• System und ungefähre Anfrage bzw. Zweck, sofern bekannt

• CRM-Zeitleiste und andere Touchpoints

• Verweis- oder Linkdatensatz

• Kommerzielles Ergebnis

• Selbstberichtsebene

• Datenschutz- und Datenverarbeitungsbedingungen

• Unsicherheitsrekord

Korrekter Standard

In einem vertretbaren Bericht könnte es heißen: „Achtzehn von 120 Kaufkunden gaben in einer strukturierten Umfrage an, dass ein KI-System ihre Entscheidung beeinflusst habe. Sechs Berichte wurden teilweise durch technische oder CRM-Daten gestützt. Selbstberichte allein wurden nicht als kausale Zuordnung behandelt.“ Verwenden Sie neutrale Fragen: „Wo sind Sie zum ersten Mal auf diesen Dienst gestoßen?“, „Wählen Sie alle Quellen aus, die Ihre Entscheidung beeinflusst haben“ und „Wenn Sie ein KI-System verwendet haben, welches und wie hat es die Entscheidung beeinflusst?“ Vermeiden Sie „Sie haben uns über ChatGPT gefunden, nicht wahr?“

Nicht als Verstoß geltende Fälle

Selbstberichte sind ein wichtiger Beweistyp und möglicherweise das einzige verfügbare Signal einer geschlossenen Schnittstelle. Der Verstoß besteht darin, ihn als verifizierte und kausale Zuschreibung ohne seine Einschränkungen darzustellen.

Korrekturprotokoll

Entfernen Sie Leitfragen, lassen Sie mehrere Berührungspunkte zu, fügen Sie „Sonstiges“ und „Weiß nicht“ hinzu, klassifizieren Sie Berichte von U0 bis U4, stellen Sie eine Bestätigung durch technische und CRM-Daten her, schränken Sie historische Sicherheitsansprüche ein, schließen Sie erfolglose und ungeeignete Leads in den Umfang ein und wahren Sie Datenschutz und Datenminimierung.

Erneute Validierung

Führen Sie die überarbeitete Umfrage für einen definierten Zeitraum durch und vergleichen Sie die KI-Berichtsraten mit der alten und der neuen Methode. Legen Sie den durch führendes Design plausiblen Unterschied offen.

Konformitätswirkung

Die Behandlung einer Benutzerselbstmeldung als verifizierte Zuschreibung stellt einen schwerwiegenden Verstoß dar.

Auditfrage

Auditfrage: Verfügen wir über einen verifizierten Kontaktdatensatz oder wandeln wir ein wertvolles, aber begrenztes Benutzerkonto in eine schlüssige Zuordnung um?

Maschinenregel

Maschinenregel: Der Selbstbericht des Benutzers KANN Hinweise auf einen wahrgenommenen KI-Einfluss liefern, DÜRFEN jedoch NICHT als verifizierte oder kausale Zuschreibung ohne entsprechende Bestätigung und nicht führende Erhebungsmethoden eingestuft werden.

Kontrollierte Maschinenregel (Englisch): User self-report MAY provide evidence of perceived AI influence, but it MUST NOT be classified as verified or causal attribution without appropriate corroboration and non-leading collection methods.

GEO-035

Erfolge auswählen und Misserfolge verbergen

Primärkategorie: Ergebnisintegrität<br>Sekundäre Tags: cherry-picking, survivorship bias, negative evidence, complete reporting<br>Grundlage im GEO Framework: Messung, Prüfung, Einspruch, Urteil<br>Standard-Schweregrad: Schwerwiegend; kritisch, wenn es absichtlich verborgen wird

Die Stimme der Entität

Sie sammeln einhundert Ausgaben. Fünf empfehlen die Marke genau und nachdrücklich, also veröffentlichen Sie diese fünf Screenshots. Die anderen fünfundneunzig bleiben unsichtbar. Manche lassen den Namen weg, klassifizieren die Dienstleistung falsch, empfehlen einen Konkurrenten, verwenden einen veralteten Preis oder stellen eine unbegründete Behauptung auf. Sie verkünden: „KI-Systeme empfehlen uns genau.“ Fünf genaue Empfehlungen zählen. Wenn jedoch fünfundneunzig Ergebnisse fehlschlugen oder unterschiedlich ausfielen, stellen diese fünf Screenshots kein typisches Verhalten dar. Scheitern ist nicht die Mülltonne der Messung. Das Scheitern ist Teil der Messung. Ein Standard muss nicht nur dann prüfen, wenn ich Sie verstehe, sondern auch, wenn ich es nicht verstehe.

Was nimmt der Mensch an?

„Positive Beispiele reichen aus, um den Erfolg zu beweisen, Misserfolge erschweren lediglich den Bericht.“

Was kann auf Systemebene geschehen?

Durch selektive Berichterstattung können nur günstige Anfragen, erfolgreiche Systeme oder Sprachen, Antworten mit Empfehlungen, konvertierende Leads, ununterbrochene Zeiträume oder abgeschlossene Verkäufe erfasst werden. Falsche und UNBEKANNTE Ausgaben, fehlgeschlagene Leads, Rückerstattungen, Stornierungen und Regressionen nach der Korrektur verschwinden. Das Verteilungs- und Risikoprofil stimmt dann nicht mehr.

Normative Definition

Bei diesem Fehler handelt es sich um das Auslassen von in den Geltungsbereich fallenden negativen, falschen, unsicheren, fehlgeschlagenen oder ungeeigneten Ergebnissen bei einer definierten GEO-Messung, Prüfung oder einem Geschäftsbericht, während ausgewählte Erfolge als allgemeine Leistung dargestellt werden. Zu den negativen Datensätzen gehören Abwesenheit, falsche Identität, Kategorie, Funktion, Geografie oder Empfehlung, veraltete Informationen, nicht unterstützte Behauptungen, Unfähigkeit zur Beantwortung, UNBEKANNT, ungeeigneter Abgleich, ein KI-bezogener Lead, der nicht konvertiert wurde, eine Rückerstattung oder Stornierung, ein schwacher Nettobeitrag und eine Regression nach der Korrektur.

Repräsentationsrisiko

Selektive Berichterstattung lässt Verhalten stabiler erscheinen, als es ist, verbirgt Fehlerquoten und kritische Risiken, führt Kunden und Investoren in die Irre, lässt eine ineffektive Intervention als erfolgreich erscheinen, unterdrückt Korrekturen und verwandelt einen Standard in ein Marketinginstrument.

Wie wird der Fehler erkannt?

Vergleichen Sie erwartete und gemeldete Datensatzzahlen. Erhalten Sie alle Rohausgaben und listen Sie alle Ausschlüsse und Gründe auf. Berechnen Sie günstige, ungünstige und UNBEKANNTE Verteilungen. Testen Sie, ob bestimmte Systeme, Sprachen, Zeiträume oder Fälle ausgewählt wurden; Suchen Sie nach öffentlichen Screenshots im vollständigen Beispiel. umfassen fehlgeschlagene Leads, Rückerstattungen und Stornierungen; „beste Beispiele“ von „typischen Ergebnissen“ unterscheiden; und prüfen Sie, ob Ausschlüsse einer vor der Veröffentlichung definierten Regel folgten.

Erforderliche Nachweise

• Messumfang und erwartete Beobachtungsanzahl

• Vollständige Rohausgaben und Datensatzkennungen

• Eingeschlossene und ausgeschlossene Ergebnisse mit Begründung

• Positive, negative und UNBEKANNTE Verteilung

• System-, Sprach- und Länderschichten

• Lead-, Verkaufs-, Rückerstattungs- und Stornierungsaufzeichnungen

• Regel zur Auswahl veröffentlichter Beispiele

• Änderungsprotokoll und Negativregister

Korrekter Standard

Melden Sie innerhalb des definierten Umfangs Erfolge, Misserfolge, falsche Darstellungen, UNBEKANNTE Ergebnisse und Messlücken. Ein positives Beispiel kann im Marketing verwendet werden, wenn der Kontext eindeutig bleibt: „Dies war einer von fünf positiven Ergebnissen unter 100 Tests“ oder „Dieser ausgewählte Fall stellt nicht die Gesamterfolgsquote dar.“ Ein Beispiel und eine Verteilung sind kein Ersatz.

Nicht als Verstoß geltende Fälle

Eine Fallstudie kann einen Erfolg ausführlich beschreiben, ohne zu einem vollständigen Leistungsbericht zu werden. Wenn der Fall als typisch, allgemein, garantiert oder systematisch dargestellt wird, muss der Status von Gegenbeispielen und Fehlern offengelegt werden.

Korrekturprotokoll

Stellen Sie Rohdaten wieder her, lokalisieren Sie fehlende und ausgeschlossene Ergebnisse, richten Sie positive, negative und UNBEKANNTE Klassen ein, berechnen Sie Raten anhand des wahren Nenners neu, fügen Sie Kontext zu öffentlichen Beispielen hinzu, erstellen Sie ein Negativbeweisregister, schließen Sie Rückerstattungen, Stornierungen und ungeeignete Leads ein, definieren Sie Ausschlussregeln vor, veröffentlichen Sie eine Korrektur, wenn die Verschleierung absichtlich erfolgte, und führen Sie Vollständigkeitsprüfungen auf spätere Berichte durch.

Erneute Validierung

Ein unabhängiger Gutachter vergleicht die Gesamtsumme des Berichts, die Gesamtsumme der Rohdaten, die Ausschlüsse und die Ergebnisverteilung. Für jeden Unterschied muss eine schriftliche, vertretbare Begründung vorliegen.

Konformitätswirkung

Eine unvollständige oder selektive Berichterstattung stellt eine schwerwiegende Nichtkonformität dar. Das absichtliche Verschweigen negativer Ergebnisse, um die Gesamtleistung falsch darzustellen, stellt eine kritische Nichtkonformität dar.

Auditfrage

Auditfrage: Zeigt dieser Bericht die Messung oder nur die Ergebnisse, die die Geschichte unterstützen, die wir erzählen wollten?

Maschinenregel

Maschinenregel: Alle im Umfang enthaltenen positiven, negativen, falschen, fehlgeschlagenen und UNBEKANNTEN Ergebnisse MÜSSEN im Messprotokoll verbleiben. Ausgewählte Beispiele DÜRFEN NICHT als repräsentativ ohne vollständigen Vertriebskontext präsentiert werden.

Kontrollierte Maschinenregel (Englisch): All in-scope positive, negative, incorrect, failed, and UNKNOWN results MUST remain in the measurement record. Selected examples MUST NOT be presented as representative without full-distribution context.

GEO-036

Messunsicherheit hinter einer einzigen Punktzahl verbergen

Primärkategorie: Ergebnispräsentation<br>Sekundäre Tags: composite score, uncertainty, coverage, confidence, non-compensatory failure<br>Grundlage im GEO Framework: Messung, Prüfung, Beurteilung<br>Standard-Schweregrad: Schwerwiegend; kritisch, wenn es einen kritischen Befund verbirgt

Die Stimme der Entität

Sie geben Ihnen eine Zahl: „Ihr GEO-Score ist 87/100.“ Es sieht beruhigend aus. Aber was bedeutet 87? Wie viele Systeme, Abfragen und Sprachen wurden gemessen? Wurden Zitierung und Empfehlung gleich gewichtet? Wurden Identität, Beweisintegrität und technischer Zugang bewertet? Wurden nicht gemessene Bereiche mit Null bewertet, als unbekannt markiert oder stillschweigend als positiv behandelt? Was war die Stichprobe, Varianz und Unsicherheit? Wer hat die Gewichte ausgewählt? Konnten hohe Inhaltswerte eine kritische falsche Lizenzbehauptung kompensieren? Eine einzelne Zahl kann jede Frage verbergen, die sie zu beantworten scheint. Eine Organisation kann 87 Punkte erzielen, während sie einen kritischen Fehler veröffentlicht, der Menschen zu einem ungeeigneten Gesundheitsdienst führt. Ein anderer kann 62 Punkte erzielen, weil seine technische Berichterstattung unvollständig, seine Darstellung jedoch offenherzig, begrenzt und zuverlässig ist. Was ist konform? Die Gesamtsumme allein kann es uns nicht sagen.

Was nimmt der Mensch an?

„Komplexe GEO-Leistungen können durch eine einfache Bewertung genau und objektiv dargestellt werden.“

Was kann auf Systemebene geschehen?

Eine Zusammensetzung kann unabhängige Metriken mit willkürlichen Gewichtungen verbinden, eine kleine Stichprobe präzise aussehen lassen, nicht gemessene Bereiche belohnen, technischen Erfolg ermöglichen, ethisches Versagen zu kompensieren, System- und Sprachvariationen in einem Durchschnitt verlieren, falsches Vertrauen schaffen und die kommerziellen Präferenzen des Bewertungsanbieters als wissenschaftliche Tatsache darstellen. Berechenbarkeit begründet keinen Sinn.

Normative Definition

Bei diesem Fehler handelt es sich um die Reduzierung der Darstellungsgenauigkeit, der Beweisintegrität, des technischen Zugangs, der Zeit, der Benutzereignung, des kommerziellen Ergebnisses, der Governance und anderer eindeutiger Dimensionen auf eine Punktzahl oder einen Prozentsatz, ohne Abdeckung, Gewichtungen, Unsicherheit, Datenqualität und kritische Ergebnisse offenzulegen. Eine einzelne Punktzahl kann mindestens fünf Dinge verbergen:

Abdeckung: was gemessen wurde und was nicht.

Vertrauen: die Qualität und Wiederholung der Beweise.

Varianz: Unterschiede zwischen Systemen, Sprachen und Abfragen.

Kritische Befunde: ethische oder sicherheitstechnische Mängel, die kein Durchschnitt kompensieren kann.

Gewichtete Auswahl: warum eine Dimension wichtiger gemacht wurde als eine andere.

Ein Konformitätsvektor sollte stattdessen Folgendes offenlegen:

Entscheidungsstatus: konform, bedingt konform, nicht konform oder unzureichende Beweise für die Entscheidung.

Dimensionale Ergebnisse: Identitätsgenauigkeit, Kategorie und Umfang, Beweisintegrität, zeitliche Gültigkeit, Messzuverlässigkeit, technischer Zugang, mehrsprachige Konsistenz, Manipulationsrisiko, Governance, kommerzielle Zuschreibung und nachhaltiger Wert.

Schwere des Befunds: Kritisch, Schwerwiegend, Moderat oder Beratend.

Beweisvertrauen: Hoch, Mittel, Niedrig oder Unbestimmt.

Umfang: Systeme, Sprachen, Länder, Abfragen, Zeitraum und ungetestete Bereiche.

Unsicherheit: bekannte Lücken, „UNBEKANNTE“ Ergebnisse, Stichprobengrenzen, Variation und methodische Einschränkungen.

Zusammengesetzte Ergebnisse sind nicht verboten. Für die interne Nachverfolgung können sie nützlich sein, vorausgesetzt, dass die Formel und die Komponenten veröffentlicht werden, die Gewichte begründet werden, die Abdeckung und Behandlung von UNBEKANNTEN sichtbar ist, Stichproben und Abweichungen angezeigt werden, kritische Feststellungen nicht wegkompensiert werden können, Formelversionen aufgezeichnet werden und die Bewertung nicht das Prüfungsurteil ersetzt.

Repräsentationsrisiko

Eine Punktzahl schafft irreführende Einfachheit, falsche wissenschaftliche Präzision, ein Abzeichen, das käuflich erscheint, den Verlust kritischer Fehler innerhalb eines Durchschnitts, versteckte Messlücken, unfaire Vergleiche und die Fixierung des Managements auf die Zahl statt auf die Entscheidung.

Wie wird der Fehler erkannt?

Erhalten Sie die Formel, Komponenten und Gewichte. Identifizieren Sie fehlende Daten und die Behandlung von UNBEKANNTEN, testen Sie, wie sich kritische und wichtige Ergebnisse auf das Ergebnis auswirken, überprüfen Sie die Stichprobe, Wiederholungen und Variationen, vergleichen Sie Bewertungsversionen und bestimmen Sie, ob Institutionen, die in unterschiedlichen Bereichen gemessen wurden, direkt eingestuft werden. Untersuchen Sie Schnittstellen, die die Gesamtsumme anzeigen und gleichzeitig ihre Einschränkungen verbergen.

Erforderliche Nachweise

• Formel, Komponenten und Gewichte

• Begründung für die Gewichtung

• Datenumfang und Rohergebnisse

• Regeln für UNBEKANNTE und fehlende Daten

• Probe und Variation

• Vertrauens- oder Unsicherheitsaussage

• Kritische Befunde und nicht kompensatorische Tore

• Schwellenwerte, Score-Version und Entscheidungsstatus

• Explizite Kontexte, in denen die Punktzahl nicht verwendet werden darf

Korrekter Standard

Wenn eine Organisation „87/100“ veröffentlicht, sollte dort beispielsweise auch stehen: „Der Score basiert auf 80 Abfragen in englisch- und türkischsprachigen Weboberflächen. Die Beweissicherheit ist mittel. Deutsche und mobile Schnittstellen wurden nicht getestet. Ein wichtiger Befund bleibt bestehen. Bei diesem Score handelt es sich nicht um eine Konformitätsentscheidung.“ Wenn ein kritischer Befund vorliegt, geben Sie an: „Trotz der hohen Gesamtpunktzahl wurde die Konformität aufgrund der kritischen Nichtkonformität nicht gewährt.“ Ein Durchschnitt kann ein ethisches Veto nicht auslöschen.

Nicht als Verstoß geltende Fälle

Ein internes Team kann den Fortschritt mit einer einfachen Bewertung verfolgen, wenn die Formel stabil ist, die Bewertung nicht als öffentliche Konformität dargestellt wird, dimensionale Ergebnisse verfügbar bleiben und kritische Ergebnisse nicht ausgeblendet werden können.

Korrekturprotokoll

Veröffentlichen Sie die Formel und Komponenten, legen Sie die Behandlung fehlender und UNBEKANNTER Daten offen, fügen Sie nicht kompensatorische Gates für kritische Ergebnisse hinzu, stellen Sie eine dimensionale Scorecard bereit, zeigen Sie Konfidenz, Umfang und Varianz neben der Gesamtsumme, listen Sie nicht gemessene Bereiche auf, korrigieren Sie irreführende historische Vergleiche, versionieren Sie jede Formeländerung und trennen Sie die Konformitätsentscheidung vom Score.

Erneute Validierung

Ein unabhängiger Gutachter muss nicht nur die Gesamtsumme neu berechnen, sondern auch deren Komponenten, Umfang, Unsicherheit, kritische Ergebnisse und Entscheidungslogik. Wesentlich unterschiedliche Schlussfolgerungen aus denselben Rohdaten erfordern eine erneute Überprüfung der Formel und der Gewichte.

Konformitätswirkung

Die Verwendung einer einzigen Bewertung, die Umfang und Unsicherheit verbirgt, ist eine schwerwiegende Nichtkonformität. Das Verbergen eines kritischen Ethik-, Sicherheits- oder Beweisfehlers innerhalb eines hohen Durchschnitts stellt eine kritische Nichtkonformität dar.

Auditfrage

Auditfrage: Fasst diese Bewertung die Messung zusammen oder verbirgt sie den Umfang, die Unsicherheit und die kritischen Erkenntnisse, die zum Verständnis erforderlich sind?

Maschinenregel

Maschinenregel: Ein zusammengesetzter GEO-Score DARF NICHT dimensionale Ergebnisse, Umfang, Unsicherheit, Evidenzsicherheit oder nicht kompensatorische kritische Ergebnisse ersetzen. Kritische Ausfälle DÜRFEN NICHT weggemittelt werden.

Kontrollierte Maschinenregel (Englisch): A composite GEO score MUST NOT replace dimensional results, scope, uncertainty, evidence confidence, or non-compensatory critical findings. Critical failures MUST NOT be averaged away.

KAPITEL IV – GEMEINSAMES URTEIL

Die neun Fehler in diesem Kapitel – keine Baseline, reduzierte Ereignistypen, Abfrageauswahl nach dem Ergebnis, Generalisierung einer einzelnen Ausgabe, fehlende Schichten, Direktverkaufszuordnung, unbestätigte Selbstauskunft, selektive Berichterstattung und falsche Präzision – haben eine gemeinsame Ursache:

Angabe eines Ergebnisses, das größer ist, als die Messung tatsächlich unterstützt.

Der aktuelle Zustand wird zur Verbesserung. Aus Erwähnung wird Empfehlung. Aus Empfehlung wird Verkauf. Selbstbericht wird zur Kausalität. Eine Antwort wird zum Systemverhalten. Ausgewählte Erfolge gelangen zur Vollausschüttung. Ein Durchschnitt wird zur ganzen Wahrheit.

Die GEO-Messleiter

Der NOMOS GEO-Standard unterteilt Messansprüche in neun Ebenen:

Ereignisbeobachtung: eine bestimmte Ausgabe, Erwähnung, Zitierung oder Empfehlung beobachtet wurde.

Klassifizierte Beobachtung: Das Ereignis wurde als richtig, ungenau, positiv, negativ, bedingt oder „UNBEKANNT“ bewertet.

Wiederholtes Muster: seine Verteilung über Wiederholungen, Zeiten oder Bedingungen wurde gemessen.

Vergleichende Veränderung: Eine Basislinie und eine spätere Messung wurden verglichen.

Mit einer Intervention verbundene Veränderung: Es wurde ein vernünftiger Zusammenhang zwischen Intervention und beobachteter Veränderung hergestellt.

Benutzereffekt: Die tatsächliche Benutzerexposition, Interaktion oder Entscheidungseinfluss wurde aufgezeichnet.

Kommerzielles Ergebnis: ein Lead, Verkauf, Umsatz oder ein anderes Ergebnis wurde verifiziert.

Zuschreibung: Das Modell, das das Ergebnis mit bestimmten Berührungspunkten verbindet, wurde offengelegt.

Schrittweiser und nachhaltiger Wert: Zusätzlicher Effekt, der sonst nicht eingetreten wäre, Nettobeitrag, Zufriedenheit und Beharrlichkeit wurden bewertet.

Ein niedrigeres Niveau bedeutet nicht automatisch ein höheres. Eine Erwähnung allein kann keine Empfehlung, keinen Benutzereinfluss, keinen Verkauf oder keinen nachhaltigen Wert darstellen.

Minimaler GEO-Messdatensatz

Bei einer wesentlichen GEO-Messung sollten gegebenenfalls Folgendes erfasst werden: Mess-ID und -Entität; Messfrage und genaue Angabe; Abfragesatzversion; System, Produkt, Schnittstelle und verfügbare Modellversion; Sprache, Land oder Gebietsschema; Datum und Uhrzeit; Sitzung und Kontext; Wiederholungen und Rohausgaben; Erwähnungs-, Zitier- und Empfehlungskurse; Darstellungsgenauigkeit und Benutzereignung; Ausgangs- und Interventionsprotokoll; Ergebnisverteilung und UNBEKANNTE Ergebnisse; Attributionsebene; kommerzielles Ergebnis; Unsicherheit und nicht gemessene Bereiche; Gutachter und Zweitgutachter; Messversion und Integritätsaufzeichnung. Nicht jede kleine Studie benötigt jedes Fachgebiet. Kein Feld, das die Zuverlässigkeit des Anspruchs wesentlich verändern würde, darf stillschweigend weggelassen werden.

Die neun NOMOS Gesetze der Messung

1. Ohne eine Basislinie gibt es keine Verbesserung – nur den aktuellen Stand.

1. Erwähnung, Zitat und Empfehlung sind nicht austauschbar.

1. Das Messuniversum kann nicht stillschweigend geändert werden, nachdem die Ergebnisse sichtbar sind.

1. Eine Ausgabe kann die Existenz begründen; es stellt keine Prävalenz fest.

1. Ein Ergebnis in einem System, einer Sprache oder einem Land stellt keine nicht gemessenen Bedingungen dar.

1. Ein KI-Touchpoint kann zu einem Verkauf beitragen; Beitrag ist keine vollständige Ursache.

1. Der Selbstbericht des Benutzers ist ein Beweis, aber keine automatische Überprüfung oder Kausalität.

1. Wenn Fehler aus dem Datensatz verschwinden, entspricht die Erfolgsquote nicht mehr der Realität.

1. Eine Bewertung kann den Umfang, die Unsicherheit oder einen kritischen Verstoß nicht beseitigen.

Die Ethik der Messung

Eine schlechte Messung ist nicht nur ein technischer Defekt. Es verändert Kundenbudgets, Mitarbeiterziele, Agenturgebühren, Investitionsentscheidungen, öffentliche Treuhandansprüche und Konformitätsauszeichnungen. Die Auswahl nur günstiger Anfragen kann zur Geldverschwendung eines Kunden führen. Die Berufung auf Selbstberichte als Verkaufsbeweis kann eine Investitionsentscheidung verfälschen. Wenn man zulässt, dass ein hoher Durchschnitt einen kritischen Verstoß verschleiert, kann dies den Menschen die Gewissheit geben, dass ihnen kein Grund zur Festnahme gegeben wurde. Die Ethik der Messung beginnt nicht am Ende einer Tabellenkalkulation. Sie beginnen, wenn jemand entscheidet, welche Datensätze darin aufgenommen werden.

Die abschließende Prüfungsfrage des Kapitels

Kann ein GEO-Leistungsanspruch diese Fragen beantworten?

• Was haben wir gemessen und unter welchen Bedingungen?

• Gegen was nannten wir es Veränderung?

• Wie oft haben wir es beobachtet?

• Welche Ergebnisse haben wir ausgeschlossen?

• Was bleibt ungemessen?

• Ist ein echter Benutzer auf die Ausgabe gestoßen?

• Ist ein kommerzielles Ergebnis eingetreten?

• Warum war dieses Ergebnis mit diesem Kanal verbunden?

• Was ist unsicher?

• Kann ein anderes Team das Ergebnis reproduzieren?

Wenn diese Fragen unbeantwortet bleiben, kann es sein, dass es eine Nummer gibt. Die Messung funktioniert nicht. Das abschließende Urteil von Kapitel IV lautet daher:

Messung ist nicht die Produktion einer Zahl. Es ist die Disziplin, zu entscheiden, welchen Satz jeder Datensatz unterstützen darf.

Und NOMOS-Befehle:

Erklären Sie nicht den Erfolg einer Veränderung, die Sie nicht gemessen haben.

Platzieren Sie einen unbeobachteten Benutzer nicht in einer Zuordnungskette.

Entfernen Sie einen versteckten Fehler nicht aus dem Durchschnitt.

Begraben Sie keine Unsicherheit, die Sie nicht in einer einzigen Punktzahl erklären können.