Share of Model: Definition, Berechnung und Verlässlichkeit

Share of Model misst, wie häufig eine Marke in den Antworten von Antwortmaschinen wie ChatGPT, Google AI Mode, Google AI Overview, Perplexity oder Gemini über einen definierten Fragensatz erscheint. Über die Definition besteht Einigkeit. Über die Berechnungsmethode deutlich weniger.

Zwischen zwei Werkzeugen, die derselben Definition folgen, kann die Abweichung bei ein und derselben Marke mehrere Dutzend Punkte betragen. Der Grund liegt nicht in der Messung selbst, sondern in vier selten offengelegten Entscheidungen: was im Nenner steht, was als Nennung zählt, was aus der Berechnung ausgeschlossen wird und wie viele Messungen die angezeigte Zahl tragen.

Dieser Beitrag legt diese Entscheidungen dar und prüft sie anschliessend an einem Korpus von 8 261 Antworten, die zwischen April und August 2026 in zehn Branchen des Westschweizer Marktes erhoben wurden. Drei Befunde treten hervor, zwei davon widersprechen der verbreiteten Auffassung, generative Antworten seien instabil.

Woher der Begriff stammt

Share of Model setzt eine bekannte Linie des Marketings fort. Die Arbeiten von Les Binet und Peter Field zur Werbewirkung haben die Bedeutung des Excess Share of Voice (ESOV) belegt, also der Differenz zwischen dem Share of Voice einer Marke und ihrem Marktanteil. Danach kam der Share of Search, um 2020 von Les Binet und James Hankins entwickelt, der das Volumen markenbezogener Suchanfragen misst.

Share of Model überträgt dieselbe Logik auf generative Engines. Der Begriff wurde 2024 von Jack Smyth bei Jellyfish eingeführt und anschliessend von Tom Roach in Marketing Week als natürliche Fortsetzung des Share of Search im Zeitalter grosser Sprachmodelle bekannt gemacht. In seiner ursprünglichen Bedeutung umfasst der Begriff auch die Assoziationen, die ein Modell mit einer Marke verbindet, nicht nur die Häufigkeit der Nennungen. In der Praxis lässt er sich in messbare Kennzahlen zerlegen.

Ein Unterschied grundsätzlicher Art verdient Beachtung. Werblicher Share of Voice lässt sich kaufen. Share of Search lässt sich indirekt bearbeiten. Share of Model lässt sich nicht kaufen: kein Budget platziert eine Marke in einer generierten Antwort. Er entsteht durch das, was Drittquellen über die Marke sagen, und steht damit dem Markenwert näher als der Kampagnenleistung.

Diese Arbeit an der Optimierung für KI-Antworten trägt einen Namen, GEO (Generative Engine Optimization). Sie setzt die Suchmaschinenoptimierung fort, die auf Seitenplatzierungen zielte. SEO und GEO ergänzen einander: eine Marke, die von Referenzquellen aufgegriffen wird, erscheint mit höherer Wahrscheinlichkeit in Antwortmaschinen.

Drei Anteile, drei Felder

Die drei Kennzahlen ähneln sich in ihrer Form und unterscheiden sich in dem, was sie beobachten.

Der Share of Search misst eine bereits gebildete Nachfrage: die Nutzerin kennt die Marke und sucht sie. Der Share of Model misst eine frühere Stufe, auf der die Käuferin die Optionen noch nicht kennt und die Engine bittet, sie ihr vorzustellen. Beide beantworten unterschiedliche Fragen und werden gemeinsam gelesen.

Was die Kennzahl umfasst

Nennung und Zitation

Eine vorgelagerte Unterscheidung bestimmt alles Weitere. Eine Nennung bezeichnet die im Text der Antwort genannte Marke. Eine Zitation bezeichnet eine als Quelle herangezogene Website, mit Link.

Beide folgen unterschiedlichen Logiken. Die Nennung baut die Assoziation im Kopf der Käuferin auf und hängt davon ab, was das Modell über die Marke aufgenommen hat. Die Zitation gehört zur Quellenauswahl im Moment der Antwort und kann Traffic erzeugen. Eine Marke kann häufig genannt werden, ohne dass ihre Website je zitiert wird, und der umgekehrte Fall tritt ebenfalls auf.

Share of Model bezieht sich auf Nennungen. Beides zu vermengen bedeutet, zwei verschiedene Phänomene unter einer Zahl zu messen.

Die vier Kennzahlen

Präsenz in einer Antwort ist kein binärer Wert. Vier Kennzahlen beschreiben sie, zwei für die Präsenz, zwei für deren Qualität.

Die Sichtbarkeit, oder Erscheinungsrate, entspricht dem Anteil der gemessenen Antworten, in denen die Marke mindestens einmal erscheint. Der Share of Voice setzt die Nennungen der Marke ins Verhältnis zu allen Nennungen ihres Wettbewerbsumfelds. Das Sentiment qualifiziert den Tonfall, der mit der Marke verbunden ist, wenn sie genannt wird. Die Position erfasst die Reihenfolge des Auftretens in der generierten Antwort.

Diese Kennzahlen sind nicht austauschbar. Eine Marke, die in 40 % der Antworten erscheint, aber stets am Ende einer Aufzählung, und eine Marke, die in 20 % der Antworten erscheint, aber durchgehend an erster Stelle, beschreiben gegensätzliche Lagen, die eine einzelne Kennzahl vermengen würde.

Markensichtbarkeit in KI-Antworten

#	Marke	Sichtbarkeit	SOV	Sentiment	Position
1	Wettbewerber A	52%	28%	75	#1.6
2	Wettbewerber B	44%	22%	61	#2.1
3	Ihre MarkeSie	36%	15%	72	#2.4
4	Wettbewerber C	30%	18%	68	#2.8
5	Wettbewerber D	22%	12%	54	#3.3

Diese vier Kennzahlen setzen die drei etablierten KPIs der Antwortmaschinen fort und präzisieren sie: Share of Voice und Position machen messbar, was «empfohlen werden» bisher nur intuitiv bezeichnete.

Wie ein Share of Model berechnet wird

Die Formel

Der Share of Voice berechnet sich wie folgt:

Share of Voice = Nennungen der Marke
                 ──────────────────────────────────────────  × 100
                 Nennungen der Marke + Nennungen der Wettbewerber

Die Formel ist trivial. Die Schwierigkeit liegt vollständig in der Definition des Nenners.

Die Wahl des Nenners

Zwei Konventionen bestehen nebeneinander, und sie ergeben nicht dieselbe Zahl.

Die erste berücksichtigt die verfolgten Wettbewerber, also eine im Voraus festgelegte Liste. Der Nenner ist stabil, das Unternehmen kontrolliert ihn, und Veränderungen der Zahl spiegeln tatsächliche Bewegungen statt Verschiebungen des Umfangs. Einen Wettbewerber hinzuzufügen verwässert den Share of Voice mechanisch, einen zu entfernen konzentriert ihn wieder. Dies ist die von Repliq angewandte Konvention, und auch Peec AI dokumentiert sie.

Die zweite berücksichtigt sämtliche erkannten Marken in den Antworten. Der Nenner wird zu einem Marktanteil unter den entdeckten Marken. Die Kennzahl beschreibt dann den Markt so, wie das Modell ihn wiedergibt, was für eine erste Branchenaufnahme sinnvoll ist, solange keine Wettbewerberliste festgelegt wurde. Der Nenner bewegt sich jedoch bei jeder Erhebung, je nachdem, welche Marken die Modelle nennen. Der Anteil einer Marke kann sinken, ohne dass sie etwas verloren hat, schlicht weil die Engines in dieser Woche mehr Akteure genannt haben.

Beide Konventionen sind vertretbar. Untereinander sind sie nicht vergleichbar. Ein Share of Model ohne Angabe seines Nenners ist nicht interpretierbar, und zwei Werkzeuge, die für dieselbe Marke 15 % und 32 % ausweisen, können beide recht haben.

Was aus der Berechnung herausfallen muss

Drei Kategorien von Messungen verfälschen das Ergebnis, wenn sie in den Nenner eingehen.

Fehlgeschlagene Messungen. Antwortet eine Engine nicht, wird die Marke offensichtlich nicht genannt. Wird diese Messung mitgezählt, belastet sie den Nenner und senkt die ausgewiesene Sichtbarkeit, obwohl nichts gemessen wurde. Nur abgeschlossene Messungen gehen in die Berechnung ein.

Aus der Messung genommene Engines. Eine früher gemessene und später aufgegebene Engine hinterlässt eine Historie, die, wenn sie in der Grundgesamtheit verbleibt, die Zahl von Oberfläche zu Oberfläche auseinanderlaufen lässt.

Fragen ausserhalb des Umfangs. Fragen zur Sentiment-Messung nennen die Marke beim Namen. Sie in eine Sichtbarkeitsrate einzubeziehen bedeutet festzustellen, dass die Marke erscheint, wenn man sie in der Frage genannt hat.

Die Deduplizierung

Derselbe Prompt, am selben Tag mehrfach auf derselben Engine gestellt, erzeugt mehrere Antworten. Sie alle zu zählen übergewichtet die am häufigsten erhobenen Fragen und macht die Zahl vom technischen Zeitplan statt vom Markt abhängig. Die gewählte Konvention lautet: eine Erhebung je Frage, je Engine und je Tag.

Was 8 261 Antworten zeigen

Die vorangehenden Abschnitte beschreiben eine Methode. Offen bleibt, was sie an realen Daten hervorbringt.

Der Korpus stammt aus dem Swiss Atlas, dem Langzeitobservatorium, das Repliq der Markensichtbarkeit in Antwortmaschinen widmet. Zehn Branchen des Westschweizer Marktes werden verfolgt: Bankwesen, Krankenversicherung, Hochschulbildung, Detailhandel, digitale Dienste, Transport und Mobilität, Wohnimmobilien, Reisebüros, Luxusuhren, Gastronomie. Vier Engines werden abgefragt, ChatGPT, Google AI Mode, Google AI Overview und Perplexity, über 12 Erhebungen zwischen den Kalenderwochen 17 und 31 des Jahres 2026.

Von 8 832 erhobenen Antworten wurden 8 261 ausgewertet, also 93,5 %. Die genannten Marken wurden unabhängig von ihrer Formatierung aus dem vollständigen Antworttext neu extrahiert.

Geltungsbereich und Lesegrenzen(5)

1. Ausschliesslich der französischsprachige Westschweizer Markt. Die Fragen werden auf Französisch gestellt. Die Deutschschweiz und das Tessin sind nicht abgedeckt. Diese Ergebnisse gelten nicht für die gesamte Schweiz.
2. Marktanteil unter den entdeckten Marken. Das Observatorium verfolgt keine festgelegte Wettbewerberliste: der hier verwendete Nenner umfasst sämtliche von den Engines genannten Marken, also die oben beschriebene zweite Konvention. Die Prozentwerte sind daher nicht mit einem auf verfolgten Wettbewerbern berechneten Share of Voice vergleichbar.
3. Kalenderwoche 17 als Ausgangspunkt. Die vorangehende Woche entspricht einer technischen Hochlaufphase und bleibt in allen Berechnungen unberücksichtigt.
4. Extraktion vom 6. August 2026. Der Korpus wächst mit jedem Messzyklus. Eine spätere Extraktion verschiebt die Werte in der Grössenordnung eines Zehntelpunkts. Abstände unter 0,5 Punkten zwischen zwei nahe beieinander liegenden Marken sind nicht als Rangfolge zu lesen.
5. Einzeldurchgang. Die Zahlen sind explorativ und erfordern vor vertraglicher Verwendung eine zweite Prüfung.

Die Kennzahl ist von Woche zu Woche stabil

Dies ist der Befund, der am stärksten der Erwartung widerspricht. Generative Antworten gelten als instabil, weil dieselbe Frage erneut gestellt selten denselben Text ergibt. Diese Variabilität besteht auf der Ebene einer einzelnen Antwort tatsächlich. Auf aggregierter Ebene verschwindet sie nahezu vollständig.

Über die zehn Branchen schwankt der Anteil der führenden Marke mit einer Standardabweichung zwischen 0,3 und 1,2 Punkten von Woche zu Woche. Die Gesamtspanne über 12 Erhebungen bleibt zwischen 1,1 und 3,4 Punkten.

Migros (Detailhandel)EPFL (Hochschulbildung)SBB (Transport und Mobilität)UBS (Bankwesen)

Swiss Atlas, Observatorium von Repliq. Französischsprachiger Westschweizer Markt, 8 261 Antworten von ChatGPT, Google AI Mode, Google AI Overview und Perplexity, Kalenderwochen 17 bis 31 des Jahres 2026.

Die praktische Konsequenz ist zweifach. Eine Bewegung von 1 Punkt von einer Woche zur nächsten ist Rauschen und verlangt keine Deutung. Eine über mehrere Erhebungen anhaltende Bewegung von 3 Punkten ist ein Signal. Diese Stabilität beruht auf dem Umfang des Fragensatzes und der Zahl der abgefragten Engines: erratische Kurven entstehen bei engen, auf einer einzigen Engine gemessenen Umfängen.

Die Engines stimmen stärker überein als angenommen

Ein zweiter Befund geht gegen den Strich. Jeder Engine wird ein eigenes Auswahlregime zugeschrieben, was die Daten auf Ebene der zitierten Quellen bestätigen. Auf Ebene der genannten Marken konvergiert die Spitze des Rankings deutlich.

In 6 von 10 Branchen ist die führende Marke auf allen vier Engines dieselbe. Helsana in der Krankenversicherung, EPFL in der Bildung, Migros im Detailhandel, Immoscout24 bei Immobilien, Swisscom bei digitalen Diensten und die SBB in der Mobilität führen überall.

Drei Branchen zeigen eine deutliche Abweichung, und sie geht jedes Mal von derselben Oberfläche aus.

Google AI Overview weicht in zwei dieser drei Fälle von den anderen drei Oberflächen ab, das Bankwesen bildet mit Google AI Mode die Ausnahme. Die zehnte Branche, die Gastronomie, weicht ebenfalls ab, doch ihre führende Marke erreicht nur 1,7 % der Nennungen: auf diesem Niveau schwankt die Reihenfolge der ersten Plätze von Erhebung zu Erhebung und trägt keine stabile Rangfolge.

Eine einzelne Engine zu verfolgen bleibt daher unzureichend, doch der Unterschied entfaltet sich stärker in der Tiefe des Rankings als an dessen Spitze.

Keine Marke beherrscht ihre Kategorie

Ein dritter Befund. Der verbreitete Diskurs stellt Antwortmaschinen als Maschine dar, die Aufmerksamkeit auf einige wenige Marken bündelt. Die Daten beschreiben das Gegenteil.

Die führende Marke erreicht zwischen 1,7 % und 9,4 % der Nennungen ihrer Branche. Selbst im Detailhandel, wo Migros klar führt, entfallen neun von zehn Nennungen auf andere Akteure. Die Zahl der je Branche genannten unterschiedlichen Marken reicht von 390 bis 1 191.

Swiss Atlas, Observatorium von Repliq. 8 261 Antworten von ChatGPT, Google AI Mode, Google AI Overview und Perplexity, Kalenderwochen 17 bis 31 des Jahres 2026.

Die kumulierte Konzentration bestätigt die Lesart. Die Krankenversicherung bildet die Ausnahme, mit 52,8 % der Nennungen, die auf die zehn führenden Marken entfallen. In den neun übrigen Branchen liegt dieser kumulierte Wert zwischen 12,5 % in der Gastronomie und 37,5 % im Detailhandel. Mit anderen Worten: selbst wenn man die zehn meistgenannten Akteure addiert, entfällt die Mehrheit der Nennungen auf andere.

Daraus folgt eine operative Erkenntnis. Eine Marke, die 20 % oder 30 % Share of Model anstrebt, setzt sich ein Ziel, das der Marktführer ihrer Branche nicht erreicht. Realistische Grössenordnungen liegen unter 10 %, und der Fortschritt bemisst sich in Punkten, nicht in Vielfachen.

Ein letzter Befund verdient Aufmerksamkeit: Vergleichsportale erscheinen in den Markenrankings, nicht nur unter den Quellen. Comparis steht in der Krankenversicherung auf Rang 5 (5,5 %) und bei Immobilien auf Rang 3 (5,8 %). Die Engines nennen sie als Akteure des Angebots, was einen Teil des verfügbaren Anteils aus dem Kreis der Branchenmarken herausverlagert.

Nur eine von drei Antworten ordnet Marken

Ein letzter Befund methodischer Natur. Im selben Korpus nennen 95,2 % der Antworten mindestens eine Marke, doch nur 33,3 % stellen sie in strukturierter Form dar, als nummerierte Liste, Tabelle oder Fettsetzung, sodass sie sich automatisch ordnen lassen.

Die übrigen zwei Drittel nennen die Marken im Fliesstext. Eine Messung, die nur strukturierte Formate liest, erfasst somit ein Drittel des verfügbaren Materials, mit einer absehbaren Verzerrung: Fragen, die eine Rangfolge verlangen, sind überrepräsentiert, offene Fragen verschwinden. Dies ist eine häufige und selten dokumentierte Ursache für Abweichungen zwischen Werkzeugen.

Was die Kennzahl nicht aussagt

Drei Grenzen begrenzen, was ein Share of Model zu schliessen erlaubt.

Er misst keine Kaufabsicht. Eine in einer Antwort genannte Marke wurde vom Modell berücksichtigt, was weder auf die Erwägung durch die Käuferin noch auf eine Konversion schliessen lässt. Der Zusammenhang zwischen Share of Model und geschäftlichem Ergebnis ist Markt für Markt noch herzustellen.

Er sagt nichts über die Formulierung. Eine Nennung kann die Marke als eine Option unter mehreren, als Referenz der Branche oder als Gegenbeispiel einordnen. Diesen Tonfall zu qualifizieren ist Aufgabe des Sentiments, und der Share of Voice allein ersetzt ihn nicht.

Er hängt vom gewählten Fragensatz ab. Ein Umfang, der auf Fragen ausgerichtet ist, bei denen die Marke stark ist, ergibt eine schmeichelhafte Zahl ohne Gebrauchswert. Die Repräsentativität des Fragensatzes bestimmt die Gültigkeit der Messung stärker als die Verfeinerung der Berechnung.

Fünf häufige Messfehler

Die Position aus dem Rang in einer extrahierten Liste ableiten. Die Reihenfolge, in der ein Extraktor die Marken einer Antwort ausgibt, ist nicht verlässlich. Die Position ist am Text zu erheben, durch Bestimmung der tatsächlichen Reihenfolge des Auftretens.

Durchschnittsposition und Rangfolge verwechseln. Die Durchschnittsposition zeigt, wo die Marke innerhalb der Antworten erscheint. Der Rang zeigt, wo sie gegenüber den anderen steht. Beide sind nützlich, keines ersetzt das andere.

Engines mitteln, ohne es zu sagen. Eine Gesamtzahl, die vier Engines aggregiert, bleibt lesbar, sofern sie als Mittelwert ausgewiesen und um die Aufschlüsselung je Oberfläche ergänzt wird.

Zwei Werkzeuge vergleichen. Fragenumfänge, Nenner, Frequenzen und Ausschlussregeln unterscheiden sich. Ein einzelnes Werkzeug über die Zeit verfolgt ist aussagekräftiger als mehrere Einzelmessungen im Vergleich.

Auf eine Bewegung von einem Punkt reagieren. Die obigen Daten verorten das wöchentliche Rauschen bei rund 1 Punkt. Darunter trägt eine Abweichung keine Information.

Die eigene Messung aufbauen

Wenige Grundsätze genügen für einen tragfähigen Start.

Einen stabilen, für die Kategorie repräsentativen Fragensatz aufbauen, aus Fragen, die Käuferinnen und Käufer tatsächlich stellen. Ein Satz, der sich bei jeder Erhebung ändert, verunmöglicht jede Trendlesung.

Die Wettbewerberliste vor der ersten Erhebung festlegen und sie nur bewusst ändern, unter Vermerk des Änderungsdatums.

Engines und Sprachen trennen. In einem mehrsprachigen Markt liefert dieselbe Frage auf Französisch, Deutsch oder Italienisch nicht dieselben Marken.

Über die Zeit messen und in Trends denken. Eine Einzelerhebung ergibt einen Punkt, kein Niveau.

Nennung und Zitation unterscheiden und die vier Kennzahlen getrennt verfolgen.

Schliesslich Daten bevorzugen, die auf den realen Oberflächen der Engines erhoben wurden, statt Schätzungen, und die gemessenen Antworten aufbewahren: ohne sie lässt sich eine festgestellte Abweichung nicht erklären.

Meine KI-Sichtbarkeit messen→

Ein Audit der KI-Sichtbarkeit legt diesen Ausgangspunkt fest; eine regelmässige Messung liest den Trend.

FAQ

Was ist Share of Model? Wie häufig eine Marke in den von Antwortmaschinen erzeugten Antworten über einen definierten Fragensatz erscheint. Der Begriff wurde 2024 von Jack Smyth bei Jellyfish eingeführt.

Wie wird Share of Model berechnet? Indem die Nennungen der Marke ins Verhältnis zu allen Nennungen ihres Wettbewerbsumfelds gesetzt werden. Entscheidend ist der Nenner: eine im Voraus festgelegte Wettbewerberliste oder sämtliche in den Antworten erkannten Marken. Beide Konventionen sind vertretbar und untereinander nicht vergleichbar.

Warum zeigen zwei Werkzeuge unterschiedliche Zahlen? Weil sie nicht dasselbe messen: Fragenumfang, Nenner, Frequenz, Deduplizierung und Ausschlussregeln unterscheiden sich.

Wie viele Erhebungen braucht eine verlässliche Zahl? Über 8 261 gemessene Antworten schwankt der Anteil der führenden Marke mit einer Standardabweichung von 0,3 bis 1,2 Punkten von Woche zu Woche. Die Kennzahl ist stabil, sofern der Fragensatz breit ist und auf mehreren Engines gestellt wird.

Worin unterscheidet er sich vom klassischen Share of Voice? Der Share of Voice misst die werbliche oder suchbezogene Präsenz. Der Share of Model misst die Präsenz in KI-Antworten. Dieselbe Logik des relativen Anteils, ein anderes Feld, und ein Raum, der sich nicht kaufen lässt.

---

Weiterlesen:

• Was ist GEO?
• Die 3 wichtigsten GEO-KPIs
• Wer antwortet für Ihre Marke in der KI?