Share of Model (SoM): Die zentrale KI-Sichtbarkeits-KPI

Der digitale Vertrieb und das Suchmaschinenmarketing erleben eine fundamentale Verschiebung der Nutzergewohnheiten. Über zwei Jahrzehnte hinweg war die Customer Journey linear geprägt: Ein Nutzer tippte Keywords in eine Suchmaschine, scannte eine Liste aus zehn blauen Links und klickte auf das attraktivste Snippet. Im Jahr 2026 übernimmt künstliche Intelligenz zunehmend die Rolle des Kurators. Plattformen wie ChatGPT, Microsoft Copilot, Perplexity und Google AI Overviews generieren ganzheitliche Antworten, vergleichen Angebote direkt und sprechen konkrete Kaufempfehlungen aus.

Wenn Nutzer ihre Fragen ohne Klick auf eine Website beantwortet bekommen (Zero-Click-Content), verlieren herkömmliche Web-Metriken wie organische Sitzungen und Impressionen ihre Aussagekraft. Unternehmen stehen vor der Herausforderung: Wie misst man den geschäftlichen Erfolg, wenn die eigene Marke zwar hunderte Male von einer KI empfohlen wird, der Nutzer aber erst beim finalen Kaufabschluss die Website betritt? Die Antwort auf diese Frage liefert eine neue Kennzahl: der Share of Model (SoM).

Jörg Zimmer

Senior SEO & AI Search Consultant

„Wer anhand von Daten seine Marketingausgaben dem Nutzen gegenüberstellt, wird zum Sehenden unter den Blinden. Im Zeitalter von ChatGPT und Perplexity reicht der alte Share of Voice nicht mehr aus: Nur wer seinen Share of Model kennt, weiß, wie oft die KI seine Marke tatsächlich empfiehlt.“

Was bedeutet Share of Model und wie ist die Metrik definiert?

Der Share of Model beziffert den prozentualen Anteil, zu dem eine Marke oder ein Produkt in den synthetisierten Antworten eines Large Language Models (LLM) präsent ist, bezogen auf ein definiertes Spektrum an kaufrelevanten Benutzer-Prompts.

Während klassische Ranking-Faktoren die Position auf einer statischen Ergebnisseite bewerten, misst der Share of Model die Verankerung einer Entität in den latenten Wissensräumen und Retrieval-Pipelines der KI. Wenn ein B2B-Einkäufer die Frage stellt: „Welche Enterprise-SEO-Plattformen eignen sich für internationale E-Commerce-Konzerne?“, entscheidet der Share of Model darüber, ob deine Marke als führende Lösung präsentiert oder komplett übergangen wird.

Direkter Vergleich: Share of Voice vs. Share of Search vs. Share of Model

Um die strategische Bedeutung einzuordnen, hilft der Vergleich der drei zentralen Marktdurchdringungs-KPIs der Marketing-Historie:

Der Share of Voice erfasst das Rauschen im Kanal, während der Share of Model die tatsächliche Relevanz im Moment der KI-Synthese abbildet.

Methodik: Wie wird der Share of Model in der Praxis gemessen?

Da Sprachmodelle nicht-deterministisch operieren – dieselbe Frage kann bei leicht veränderten Parametern (Temperature, Top-p) unterschiedliche Antworten hervorrufen –, kann der Share of Model nicht über eine einzelne Abfrage bestimmt werden. Die Ermittlung folgt einem statistischen Vier-Stufen-Prozess:

1. Definition des Golden Prompt Sets: Zusammenstellung von 50 bis 200 standardisierten Benutzerfragen (Promptset), die reale Kaufphasen (Top-, Middle- und Bottom-of-Funnel) abdecken.
2. Multimodale Abfrage-Automation: Regelmäßiges, automatisiertes Senden der Prompts über APIs an unterschiedliche Modelle (OpenAI GPT-4o, Anthropic Claude 3.5, Google Gemini 1.5 Pro, Perplexity).
3. Entity- & Sentiment-Parsing: Automatisierte Auswertung des generierten Texts. Registriert wird: Wurde die Marke genannt? An welcher Listenposition steht sie? Ist der Tenor positiv oder warnend?
4. Mathematische Aggregation: Berechnung der Kennzahl nach der Standardformel:

$$\text{Share of Model (%)} = \left( \frac{\text{Erwähnungen der eigenen Marke}}{\text{Gesamtzahl aller Markennennungen}} \right) \times 100$$

Praxis-Beispiel: Python-Skript zur automatisierten SoM-Erhebung

Moderne SEO- und Data-Teams setzen auf automatisierte Auswertungs-Pipelines. Das folgende vereinfachte Python-Beispiel demonstriert, wie die Auswertung eines Prompt-Ergebnisses strukturiert erfolgt:

def berechne_share_of_model(prompt_antworten, ziel_marke):
    total_abfragen = len(prompt_antworten)
    erwaehnungen = 0
    zitationen = 0
    
    for antwort in prompt_antworten:
        text = antwort.get("text", "").lower()
        quellen = antwort.get("citations", [])
        
        # Prüfung auf Nennung im generierten Antworttext
        if ziel_marke.lower() in text:
            erwaehnungen += 1
            
        # Prüfung auf direkte URL-Zitation (RAG)
        if any(ziel_marke.lower() in quelle for quelle in quellen):
            zitationen += 1
            
    som_quote = (erwaehnungen / total_abfragen) * 100 if total_abfragen > 0 else 0
    citation_quote = (zitationen / total_abfragen) * 100 if total_abfragen > 0 else 0
    
    return {
        "marke": ziel_marke,
        "share_of_model_prozent": round(som_quote, 2),
        "citation_rate_prozent": round(citation_quote, 2)
    }

Die Ergebnisse fließen in fortlaufende Dashboards ein, um Schwankungen nach Modell-Updates sofort zu erkennen.

Die 3 häufigsten Fehler bei der Erhebung des Share of Model

Beim Monitoring generativer Suchsysteme treten regelmäßig methodische Schwachstellen auf:

1. Unzureichende Prompt-Diversität: Wer nur generische Kurzfragen testet („beste SEO Agentur“), erhält verzerrte Werte. Reale Nutzer stellen vielschichtige Prompts mit Randbedingungen („beste SEO Agentur für B2B SaaS Relaunch in Berlin mit 50k Budget“).
2. Vernachlässigung des Sentiments: Ein Share of Model von 40 Prozent nützt nichts, wenn die KI das Produkt als Negativbeispiel für überteuerte Software oder mangelnden Datenschutz aufführt. Sentiment-Analyse ist Pflicht.
3. Fokussierung auf ein einziges Sprachmodell: ChatGPT, Copilot und Perplexity nutzen grundlegend unterschiedliche Indexierungs- und Reranking-Mechanismen. Aussagekräftige Kennzahlen erfordern ein Multi-Modell-Tracking.

Der gewichtete Share of Model: Position und Sentiment im Fokus

In der Unternehmenspraxis reicht eine rein binäre Betrachtung („Erwähnt: Ja/Nein“) selten aus. Ein qualitativ hochwertiges Reporting gewichtet die Markennennung nach zwei kritischen Dimensionen:

1. Rang-Gewichtung (Position Bias): Wird eine Marke an erster Stelle einer Aufzählung genannt, genießt sie beim Nutzer die höchste Aufmerksamkeit. Platz 1 wird mit einem Gewichtungsfaktor von $1{,}0$ multipliziert, Platz 2 mit $0{,}7$ und Platz 3 mit $0{,}4$. Nennungen ab Platz 4 fließen nur noch mit $0{,}2$ in den Index ein.
2. Sentiment-Multiplikator: Sprachmodelle formulieren häufig Nuancen. Eine Empfehlung mit dem Zusatz „Bester Gesamtsieger für Enterprise-Kunden“ erhält einen positiven Multiplikator ($+1{,}0$). Wird das Produkt jedoch mit Einschränkungen versehen („Häufige Beschwerden über langsamen Support“), wird der Wert auf $-0{,}5$ abgewertet.

Durch diese Differenzierung entsteht der Weighted Share of Model (W-SoM), der ein ungeschminktes Bild der tatsächlichen Markenstärke in generativen Suchumgebungen liefert.

Strategische Optimierung: Wie steigert man den Share of Model?

Die Steigerung des Share of Model ist die Kernaufgabe der Generative Engine Optimization (GEO). Da LLMs auf Konsens und Entitäts-Autorität trainiert sind, lässt sich die Kennzahl nicht durch isolierte Keyword-Dichte manipulieren. Erforderlich ist der Aufbau unerschütterlicher Topical Authority durch Co-Occurrences auf anerkannten Branchenportalen, Wikipedia-Verknüpfungen und strukturierte Daten.

Zur kontinuierlichen Überwachung empfiehlt sich der Einsatz professioneller Software aus unserem Vergleich der Top 9 AI Visibility Tools oder spezialisierter LLM Rank Tracker. Sämtliche Lizenz- und Entwicklungskosten für moderne Analyse-Pipelines lassen sich im SEO-Tool Kostenrechner transparent kalkulieren.

Verwandte Glossar-Einträge

• Share of Voice im digitalen Marketing
• Zero-Click-Content im KI-Zeitalter
• Promptset für KI-Benchmarking
• LLM Rank Tracker im Vergleich
• Topical Authority aufbauen
• SEO Visibility Tools vs AI Tracking
• KI-Sichtbarkeit messen und steigern