Share of Model: was die Kennzahl misst und was sie offenlässt

Was Share of Model misst

Share of Model ist eine Kennzahl für die Präsenz einer Marke in den Antworten von Sprachmodellen. Sie misst den Anteil der eigenen Nennungen an allen Markennennungen in einer definierten Menge von KI-Antworten. Die Abkürzung lautet SoM.

Die Kennzahl beantwortet eine einzige Frage. Wie groß ist der eigene Anteil an den Empfehlungen, die ein Modell in einer Kategorie ausspricht?

Sie beantwortet nicht, ob daraus Umsatz entsteht. Zwischen einer Nennung und einem Abschluss liegt die gesamte Customer Journey, und Business Outcomes misst sie nicht.

Die Formel hinter Share of Model

Die verbreitete Rechnung lautet Brand Mentions geteilt durch alle Mentions, multipliziert mit hundert.

Ein Rechenbeispiel mit erfundenen Werten zeigt das. Ein Prompt-Set enthält 200 Fragen zu einer Kategorie. Über alle Antworten hinweg fallen 640 Markennennungen, davon 96 auf die eigene Marke.

96 geteilt durch 640 ergibt 0,15. Der Share of Model liegt bei 15 Prozent.

Der Wert hängt an drei Größen. An der Zahl der Prompts, an ihrer Auswahl und an den abgefragten Modellen.

Woran sich Share of Model von benachbarten Kennzahlen unterscheidet

Mention Frequency zählt absolute Nennungen. Sie steigt, wenn das Prompt-Set wächst, auch ohne Veränderung gegenüber den Competitor Brands.

Share of Model setzt dieselben Nennungen ins Verhältnis. Er bleibt stabil, wenn alle Marken gleichmäßig zulegen.

Citations sind ein anderes Ereignis. Eine Citation ist der Quellenverweis unterhalb der Antwort. Eine Marke kann im Text genannt werden, ohne dass ihre Website als Quelle erscheint.

Woher der Begriff Share of Model kommt

Der Begriff stammt aus der Agenturwelt und trägt ein Markenzeichen. Jellyfish hat am 5. Dezember 2024 die Share-of-Model-Plattform gestartet und beschreibt sie als Oberfläche, mit der Unternehmen analysieren, „how different Large Language Models (LLMs) perceive their brands, products and services".

Das Produkt zielt damit auf die Brand Perception, also auf das Bild, das ein Modell von einer Marke wiedergibt. Eine Formel steht dort nicht.

Ein früherer Text derselben Agentur stammt von Jack Smyth, datiert auf den 20. März 2024. Im Fließtext steht dort durchgängig „AI Brand Awareness". Der Begriff Share of Model erscheint nur im Titel und im URL-Pfad.

Tom Roach arbeitet ebenfalls für Jellyfish und hat den Begriff in der Marketingpresse verbreitet. Seine Originaltexte antworten auf Abrufe mit einem HTTP-Fehler 403.

Damit bleibt die Urheberschaft offen. Belegbar ist, dass beide für denselben Anbieter arbeiten und dass der Begriff seit Dezember 2024 als Marke geführt wird. Kein zweiter geprüfter Anbieter benutzt ihn.

Share of Model, Share of Voice und Share of Search im Vergleich

Share of Model überträgt eine ältere Marketing-Idee auf eine neue Oberfläche.

Share of Voice hat einen externen Nenner

Nielsen beschreibt Share of Voice als Anteil der eigenen Mediaausgaben an allen Mediaausgaben einer Kategorie, in einem Markt, auf einem Kanal, zu einem Zeitpunkt.

Der Nenner ist für alle Wettbewerber identisch, wird von Dritten erhoben und lässt sich durch Mediaeinkauf verschieben.

Share of Search greift auf öffentliche Daten zu

Share of Search misst den Anteil der Suchanfragen zur eigenen Marke an allen Suchanfragen der Kategorie. Les Binet hat die Kennzahl 2020 bei der IPA vorgestellt.

Die Datenquelle ist Google Trends, öffentlich und zurück bis 2004. Für den Automobilmarkt beschreibt die IPA einen Vorlauf von bis zu einem Jahr gegenüber dem Market Share.

Bei Share of Model legt der Anbieter den Nenner fest

Hier endet die Analogie. Für die AI Systems existiert keine externe Grundgesamtheit, die sich abrufen ließe.

Der Nenner ist das Prompt-Set. Wer die Fragen ändert, ändert das Ergebnis.

Beim Mediaeinkauf lässt sich der Nenner buchen. Beim Prompt-Set lässt er sich nur definieren.

Wie Share of Model gemessen wird und woran die Vergleichbarkeit scheitert

Die Messung läuft überall nach demselben Muster. Ein Satz Prompts geht wiederholt an die AI Models, die Antworten werden nach Markennamen durchsucht, die Treffer gezählt. Die Unterschiede stecken in den Details.

Was die Messanbieter offenlegen

Profound legt die Methodik seines Index am weitesten offen. Die Prompts stammen aus über 400 Millionen lizenzierten Echt-Konversationen, die Abfrage läuft täglich. Gemessen wird nur ChatGPT und nur der US-Markt.

Evertune fragt nach eigener Angabe jeden Prompt hundertmal je Modell ab, über elf und mehr Modelle. Die Metrik heißt dort Share of Answer.

Peec.ai veröffentlicht die Formel, die Prompts kommen dort vom Kunden selbst. Rankscale verlangt ein repräsentatives Set an Prompts und lässt offen, wie es entsteht.

Der Punkt, an dem jede Vergleichbarkeit endet

Sampling-Angaben gibt es teilweise, Formeln auch. Ein veröffentlichtes Prompt-Set gibt es bei keinem der geprüften Anbieter.

Damit ist keine Zahl reproduzierbar. Zwei Anbieter können für dieselbe Marke am selben Tag völlig verschiedene Prozentwerte ausweisen, ohne dass einer falsch rechnet.

Dazu kommt die Modellabhängigkeit. Ein Wert aus einer reinen ChatGPT-Messung beschreibt etwas anderes als ein Durchschnitt über elf Modelle, in dem Gemini und Perplexity mitzählen.

Wie ein Wert trotzdem brauchbar wird

Als Zeitreihe innerhalb eines Anbieters trägt der Wert. Drei Bedingungen machen ihn lesbar:

• Das Prompt-Set bleibt zwischen zwei Messungen unverändert.
• Die Modelle und der Markt bleiben dieselben.
• Die Liste der Competitors bleibt dieselbe.

Ändert sich eine dieser Größen, beginnt die Zeitreihe von vorn. Wie ein solches Set aufgebaut und dokumentiert wird, steht in Prompt Tracking.

Wer zwei Anbieterwerte nebeneinanderlegt, vergleicht dagegen zwei verschiedene Fragelisten.

Was den Share of Model beeinflusst

Zwei Ebenen bestimmen, ob eine Marke in einer Antwort auftaucht.

Training Data und Abruf zur Laufzeit

Training Data ist der Textbestand, aus dem ein Modell gelernt hat. Er ist zum Trainingszeitpunkt eingefroren.

Der Abruf zur Laufzeit ist die zweite Ebene. Hier holt sich ein System aktuelle Search Results und baut die Antwort daraus zusammen. Diese Ebene reagiert auf neuen Content im Web.

Google beschreibt für seine generativen Funktionen, dass sie auf den bestehenden Ranking- und Qualitätssystemen der Suche aufsetzen. Ein eigenes Ranking-System für AI Overviews gibt es danach nicht.

OpenAI und Perplexity veröffentlichen keine Auswahlkriterien für ihre Antworten.

Was Brand Mentions dazu beitragen

Die Mechanik spricht dafür, dass Erwähnungen im Web den Anteil in KI-Antworten stützen. Ein System, das eine Antwort aus mehreren Quellen zusammensetzt, findet umso mehr Anhaltspunkte, je mehr unabhängige Seiten dasselbe berichten.

Erwähnungen im Web korrelieren messbar mit der Sichtbarkeit in KI-Antworten. Die Auswertung von Ahrefs zu Markenerwähnungen und KI-Sichtbarkeit umfasst 75.000 Marken und rechnet mit Spearman-Korrelationen.

Für ChatGPT nennt sie 0,664, für den AI Mode 0,709, für AI Overviews 0,656.

Die Autorin Louise Linehan schreibt selbst, dass Korrelation keine Kausalität ist. Ein kontrolliertes Experiment, das eine zusätzlich platzierte Erwähnung gegen eine zusätzliche KI-Nennung misst, gibt es bislang nicht.

Belegt ist damit ein Zusammenhang und keine Ursache. Wer eine Garantie auf einen bestimmten Share of Model verspricht, hat den Beleg dafür nicht.

Was Google zu gesuchten Erwähnungen sagt

Google warnt im Optimierungsleitfaden für generative Suche vor dem Jagen nach unechten Erwähnungen. Der Abschnitt „Mythbusting generative AI search" führt „inauthentic mentions" als Maßnahme, die weniger hilft als gedacht.

Gemeint sind Nennungen ohne redaktionellen Anlass. Ein Kommentar unter einem fremden Artikel mit dem Satz „Wir bieten das auch an" ist ein solcher Fall.

Die bessere Version steht in einem Fachbeitrag über Preisspannen im Markt. Er nennt die eigene Preisspanne als eine Zeile unter mehreren und belegt sie mit dem Zeitraum der Auswertung. Damit steht die Erwähnung in einem Kontext, den ein Leser gesucht hat.

Wie sich Share of Model in die eigene Messung einordnet

Der Sichtbarkeitsindex misst Rankings in den Search Engines und bildet AI Overviews nicht ab. Diese Lücke schließt eine KI-Kennzahl.

Was der Zustand für die Marke bedeutet, ordnet LLM Visibility ein. Die Maßnahmen stehen in AI Visibility.

Vier Fehlinterpretationen, die regelmäßig vorkommen

Nach unserer Erfahrung entstehen die meisten Missverständnisse an vier Stellen.

• Zwei Anbieterwerte werden verglichen. Beide messen andere Prompt-Sets.
• Ein Anstieg gilt als Wirkung einer Maßnahme. Das Prompt-Set wurde zwischenzeitlich erweitert.
• Ein Wert wird als Marktanteil gelesen. Für Share of Search gibt es Evidenz als Frühindikator, für Share of Model nicht.
• Ein Rückgang gilt als Verlust. Bei einer Verhältniszahl reicht dafür ein neuer Wettbewerber im Set.

Jede dieser Stellen hat eine belastbare Lesart. Der Vergleich läuft gegen den eigenen Vorwert beim selben Anbieter. Jede Änderung am Prompt-Set wird mit Datum dokumentiert. Ein Rückgang wird zuerst gegen die Zahl der gemessenen Marken geprüft.

Was sich am Share of Model steuern lässt

Steuerbar ist die Grundlage, aus der eine Antwort entsteht. Das sind Inhalte im Web, in denen die Marke zu ihren Themen vorkommt.

Für Marketing Teams folgen daraus drei Aufgaben. Die eigenen Angaben müssen auffindbar und eindeutig sein. Die Marke muss in Beiträgen vorkommen, die eine Kategorie beschreiben. Und diese Vorkommen müssen wiederkehren, weil ein einzelner Beitrag im Bestand untergeht.

GetMentioned ist eine Linkbuilding-Agentur mit eigenem Placement-Marktplatz. Full Service im Linkaufbau, kein Full-Service-SEO. Bei uns buchst du Brand Mentions und Backlinks bei Publishern, deren Traffic, SEO-Daten und Preis vor der Buchung sichtbar sind.

Die Antwort selbst lässt sich nicht buchen. AI Platforms arbeiten probabilistisch, und dieselbe Frage kann in zwei Durchläufen zwei verschiedene Antworten liefern. Das Tracking deiner Nennungen in einzelnen Answer Engines gehört nicht zu unserem Produkt.

Fazit: eine Kennzahl mit klarer Formel und offenem Nenner

Share of Model beantwortet eine sinnvolle Frage. Wie groß ist der eigene Anteil an den Empfehlungen, die Sprachmodelle in einer Kategorie aussprechen?

Die Formel ist unstrittig. Der Nenner ist es nicht, weil kein Anbieter sein Prompt-Set zeigt.

Als Zeitreihe bei einem Anbieter trägt der Wert, als Vergleich zwischen zweien nicht.