Share of Model

Was ist Share of Model?

Share of Model bezeichnet den prozentualen Anteil, mit dem eine Marke, ein Produkt oder eine Domain in den Antworten generativer KI-Systeme erscheint. Die Kennzahl wird für ein festes Set aus Prompts, Modellen, Zeiträumen und Vergleichsmarken berechnet. Je nach Messmethode basiert sie auf Antwortpräsenz, Nennungen oder Empfehlungspositionen.

Share of Model macht sichtbar, wie häufig ein KI-Modell deine Marke im Verhältnis zu einem definierten Antwort- und Wettbewerbsraum berücksichtigt. Die deutsche Entsprechung lautet Modellanteil. Der Begriff gehört zur GEO, ausgeschrieben Generative Engine Optimization, und überträgt die Logik marktbezogener Anteilskennzahlen auf Antworten von ChatGPT, Perplexity, Gemini und Grok.

Was Share of Model misst

Share of Model ist keine einheitlich normierte Kennzahl. Eine Auswertung kann messen, in wie vielen Antworten eine Marke vorkommt, welchen Anteil sie an allen Markennennungen hat oder wie häufig sie als erste Empfehlung erscheint. Ein Wert ist deshalb nur verständlich, wenn Messmethode, Prompt-Set, KI-Systeme, Sprache, Region und Zeitraum dokumentiert sind.

Der relevante Messraum besteht aus Fragen, die echte Auswahl- oder Informationssituationen abbilden. Für einen Anbieter von Buchhaltungssoftware könnten dazu Prompts wie Welche Buchhaltungssoftware eignet sich für kleine Unternehmen? oder Welche Lösungen unterstützen mehrere Standorte? gehören. Reine Markenabfragen eignen sich weniger für den Wettbewerbsvergleich, weil die Marke bereits im Prompt vorgegeben ist.

Prompts: Die Fragen müssen zum Angebot, zur Zielgruppe und zur jeweiligen Phase der Kaufentscheidung passen.
KI-Systeme: Ergebnisse verschiedener Modelle werden getrennt erfasst, da jedes System andere Antworten und Quellen liefern kann.
Wettbewerber: Der Vergleich umfasst Marken, die bei denselben Fragen realistisch als Alternative genannt werden.
Zeitraum: Wiederholte Messungen zeigen Entwicklungen verlässlicher als eine einzelne Abfrage.

Share of Model berechnen

Für Share of Model existieren zwei gebräuchliche Berechnungslogiken. Die präsenzbasierte Methode setzt Antworten mit Markennennung ins Verhältnis zu allen ausgewerteten Antworten. Die wettbewerbsbezogene Methode berechnet den Anteil einer Marke an sämtlichen Nennungen der untersuchten Anbieter. Beide Varianten beantworten unterschiedliche Fragen und dürfen innerhalb einer Zeitreihe nicht gewechselt werden.

Bei der präsenzbasierten Berechnung lautet die Formel: Antworten mit Markennennung geteilt durch alle ausgewerteten Antworten, multipliziert mit 100. Wird eine Marke in 30 von 120 Antworten genannt, beträgt ihr Share of Model 25 Prozent. Dieser Beispielwert sagt aus, wie häufig die Marke im definierten Messraum vorkam, aber noch nicht, wie stark einzelne Wettbewerber vertreten waren.

Die wettbewerbsbezogene Formel lautet: Nennungen der eigenen Marke geteilt durch alle Nennungen der untersuchten Marken, multipliziert mit 100. Erhält eine Marke 20 von insgesamt 80 erfassten Markennennungen, liegt ihr Anteil bei 25 Prozent. Diese Variante benötigt eine eindeutige Regel für Mehrfachnennungen, Schreibvarianten und Konzernmarken.

Messmethode	Berechnung	Aussage
Antwortpräsenz	Antworten mit Marke ÷ alle Antworten × 100	Wie häufig erscheint die Marke im gesamten Prompt-Set?
Nennungsanteil	Markennennungen ÷ Nennungen aller Vergleichsmarken × 100	Welchen Anteil hält die Marke im Wettbewerbsfeld?
Erstempfehlungsquote	Erste Empfehlungen der Marke ÷ alle Antworten mit Empfehlungen × 100	Wie häufig steht die Marke an erster Stelle?

Messung im Jahr 2026

Messbar ist Share of Model zum Beispiel mit einem festgelegten Prompt-Set, das mehrfach und unter gleichbleibenden Bedingungen abgefragt wird. Das KI-Analyse-Tool der Performance Suite erfasst dafür Erwähnungen, Positionen, Wettbewerber und genutzte Quellen in ChatGPT, Perplexity, Gemini und Grok. Die Abfragen werden mehrfach täglich aktualisiert und als Verlauf dokumentiert.

Ein belastbares Monitoring speichert nicht nur den Prozentwert. Zu jeder Messung gehören der genaue Prompt, das KI-System, der Zeitpunkt, die Antwort, die Position der Marke und mögliche Quellenangaben. Ohne diese Rohdaten lässt sich später nicht klären, ob eine Veränderung aus neuen Inhalten, einer Modellaktualisierung oder einer geänderten Antwortform entstanden ist.

Verwende über längere Zeit dasselbe Kernset aus transaktionalen und informativen Prompts.
Trenne Ergebnisse nach Sprache, Land und KI-System.
Erfasse direkte Nennungen, Empfehlungen und Quellenverweise separat.
Vergleiche Zeiträume mit derselben Berechnungslogik.
Prüfe bei Veränderungen auch die Antworten und zitierten Quellen.

Eine einzelne manuelle Abfrage ist kein belastbarer Share of Model. Generative KI kann denselben Prompt bei wiederholter Eingabe unterschiedlich beantworten. Auch Webzugriff, Standort, Sprache und Modellversion können das Ergebnis verändern. Nutze deshalb wiederkehrende Messungen mit dokumentierten Bedingungen und bewerte Entwicklungen über einen ausreichend langen Zeitraum.

Relevanz für GEO und SEO

Share of Model ist vor allem eine GEO-Kennzahl. GEO optimiert Inhalte, technische Zugänglichkeit und digitale Autorität so, dass KI-Systeme eine Marke als passende Quelle oder Empfehlung erkennen können. Der Wert zeigt, ob diese Präsenz über ein relevantes Fragenset zunimmt, ersetzt aber keine Analyse der Antwortqualität.

Ein hoher Anteil kann wenig Geschäftswert besitzen, wenn die Marke nur bei allgemeinen Informationsfragen erscheint. Ein niedrigerer Anteil bei kaufnahen Prompts kann wirtschaftlich wertvoller sein. Ordne deshalb jedem Prompt eine Suchabsicht und eine Funnel-Stufe zu. Vergleiche anschließend, ob die Marke bei Recherche-, Vergleichs- und Auswahlfragen genannt wird.

SEO und Share of Model hängen über Inhalte, technische Lesbarkeit und Autorität zusammen. Gut strukturierte Seiten liefern überprüfbare Aussagen, während hochwertige Erwähnungen und Backlinks die Einordnung einer Marke unterstützen können. Eine strukturierte Content-Strategie und ein nachvollziehbarer Aufbau thematischer Autorität schaffen damit eine Datenbasis, die sowohl Suchmaschinen als auch generative Systeme verarbeiten können.

SEA fließt nicht direkt in die Berechnung ein. Suchanfragenberichte und Conversion-Daten aus bezahlten Kampagnen können jedoch zeigen, welche Probleme, Produkte und Formulierungen kaufnahe Nutzer beschäftigen. Diese Erkenntnisse helfen bei der Auswahl wirtschaftlich relevanter GEO-Prompts, ohne SEA-Klicks als KI-Nennungen zu interpretieren.

Abgrenzung zu ähnlichen Kennzahlen

Der Unterschied zwischen Share of Model und KI-Sichtbarkeit liegt im Umfang. KI-Sichtbarkeit ist ein Oberbegriff für Erwähnungen, Empfehlungen, Quellenverweise und Positionen in generierten Antworten. Share of Model verdichtet einen klar definierten Teil dieser Daten zu einem prozentualen Anteil.

Der Unterschied zwischen Share of Model und Share of Voice liegt im Messraum. Ein klassischer SEO Share of Voice basiert häufig auf Keywords, Rankings und Suchvolumen. Eine GEO-Messung basiert dagegen auf Prompts und generierten Antworten. Beide Werte dürfen nicht zusammengerechnet werden, weil ihre Nenner unterschiedliche Nutzerinteraktionen abbilden.

Der Unterschied zwischen Share of Model und Sentiment liegt in der Fragestellung. Share of Model misst, wie häufig eine Marke vorkommt. Sentiment bewertet, ob die Darstellung positiv, neutral oder kritisch ausfällt. Eine häufig genannte Marke kann daher einen hohen Anteil erreichen, obwohl einzelne Antworten Vorbehalte enthalten.

Share of Model verbessern

Die Optimierung beginnt bei den Antworten, in denen relevante Wettbewerber vorkommen, die eigene Marke aber fehlt. Prüfe anschließend, welche Quellen die KI für diese Antworten nutzt und welche Informationen dort belegt werden. Daraus entstehen konkrete Maßnahmen für Inhalte, Produktdaten, Referenzen, Vergleichsseiten und externe Erwähnungen.

Beantworte kaufnahe Fragen mit klaren Bedingungen, Zielgruppen und Anwendungsfällen.
Formuliere eigenständige Absätze, die eine Frage ohne zusätzlichen Kontext vollständig beantworten.
Halte Leistungsdaten, Produktmerkmale, Ansprechpartner und Unternehmensinformationen konsistent.
Stärke Seiten, die bereits organisch gefunden werden, in KI-Antworten aber noch nicht als Quelle erscheinen.
Analysiere Quellen, auf denen Wettbewerber regelmäßig genannt oder empfohlen werden.

Eine GEO-Strategie für KI-Sichtbarkeit sollte Share of Model nie isoliert optimieren. Ergänzende Kennzahlen sind die Zahl zitierter eigener URLs, die Position innerhalb der Antwort, die Präsenz bei kaufnahen Fragen und das Sentiment. Erst diese Kombination zeigt, ob aus häufigeren Nennungen eine fachlich passende Markenpräsenz entsteht.

Häufige Fragen zum Share of Model

Was ist ein guter Share of Model?

Für Share of Model gibt es keinen allgemeinen Zielwert. Ein sinnvoller Zielkorridor ergibt sich aus dem bisherigen Anteil, der Zahl relevanter Wettbewerber und der Bedeutung des untersuchten Prompt-Sets. Vergleiche den Wert vor allem mit früheren Messperioden und direkten Wettbewerbern.

Wie viele Prompts braucht eine aussagekräftige Messung?

Die notwendige Anzahl hängt von Produkten, Zielgruppen und Suchabsichten ab. Das Prompt-Set sollte alle geschäftlich relevanten Themen abdecken und groß genug sein, damit eine einzelne Antwort den Gesamtwert nicht stark verändert. Wichtiger als eine pauschale Mindestzahl sind feste Prompts und wiederholte Abfragen.

Kann Share of Model täglich schwanken?

Ja, Share of Model kann sich auch ohne Änderungen an der Website verändern. Generative Antworten variieren, Modelle werden aktualisiert und verwendete Quellen können wechseln. Bewerte deshalb Zeitreihen und gleitende Entwicklungen statt einzelner Tageswerte.

Zählen Quellenverweise als Markennennung?

Quellenverweise und Markennennungen sollten getrennt erfasst werden. Eine Domain kann als Quelle erscheinen, ohne dass der Markenname im Antworttext genannt wird. Lege vor dem Monitoring fest, welche Ereignisse in die Kennzahl einfließen.

Kann ein Unternehmen einen Share of Model von 100 Prozent erreichen?

Ein Wert von 100 Prozent ist rechnerisch möglich, wenn eine Marke in jeder ausgewerteten Antwort vorkommt oder sämtliche gezählten Nennungen erhält. Bei einem breiten, neutralen Prompt-Set mit mehreren realistischen Anbietern ist ein solcher Wert jedoch wenig plausibel und sollte auf eine zu enge Messdefinition geprüft werden.

Warum unterscheiden sich die Werte verschiedener Tools?

Tools können andere Prompts, Modelle, Abfragehäufigkeiten, Regionen und Berechnungsformeln verwenden. Auch die Behandlung von Mehrfachnennungen und Schreibvarianten verändert das Ergebnis. Werte verschiedener Systeme sind deshalb nur vergleichbar, wenn ihre Messmethoden übereinstimmen.