Share of Model vs. Share of Voice: Was ersetzt was?

TL;DR: Share of Model (SOM) misst, wie oft, prominent und positiv deine Marke in den Antworten von ChatGPT, Gemini, Perplexity, Claude und Googles AI Overviews auftaucht. Formal eingeführt wurde der Begriff Mitte 2025 von INSEAD und Jellyfish als Antwort darauf, dass klassische Sichtbarkeit immer weniger erklärt, ob ein Modell deine Marke zur Antwort macht. Share of Voice (SOV) bleibt für Werbedruck und PR-Reichweite relevant, taugt aber nicht zur Steuerung im KI-Suchkanal. Diese zwei Sätze gelten in der Praxis: Wer beides parallel misst, sieht das ganze Bild. Wer nur SOV misst, optimiert eine Bühne, die immer weniger Kunden betreten.

Was ist Share of Voice?

Share of Voice beschreibt seit Jahrzehnten den eigenen Werbe- oder Sichtbarkeitsanteil im Verhältnis zum Wettbewerb. Klassisch ist das die Spendings-SOV, die Werbeausgaben einer Marke an den gesamten Kategorie-Spendings misst. In der digitalen Welt kam die Search-SOV dazu: Anteil organischer Impressionen, Top-3-Platzierungen oder Branded-Search-Volumen. SOV ist eine Exposure-Kennzahl. Sie sagt, wie oft du sichtbar warst, nicht, wie stark deine Marke mit einem Problem oder einer Lösung verknüpft ist. Im Brand-Marketing gilt SOV deshalb seit langem als notwendige, aber unscharfe Größe. Sie korreliert mit Wachstum, beweist aber keine kausale Wirkung. Mit dem Aufstieg generativer Suchsysteme wird diese Unschärfe zum Problem. Wenn ein Nutzer nicht mehr eine Trefferliste scannt, sondern eine synthetisierte Antwort akzeptiert, zählt nicht mehr, wie oft du als Eintrag erscheinst, sondern ob du als Antwort eingebaut wirst.

Was ist Share of Model?

Share of Model ist der Anteil aller KI-generierten Antworten zu einer Kategorie, in denen deine Marke ausdrücklich genannt, empfohlen oder als Primärquelle verwendet wird. Die Definition wurde im Juni 2025 von INSEAD-Forschern gemeinsam mit der Agentur Jellyfish im Harvard Business Review eingeführt und seitdem von mehreren Beratungen aufgegriffen. Die Grundformel ist trivial: Der Unterschied zu SOV liegt darin, was die Metrik misst. SOV misst Werbedruck und Reichweite. SOM misst Entity Salience, also wie eng ein Modell ein Problem mit deiner Marke als Lösung verknüpft. Diese Verknüpfung entsteht im neuronalen Netz des Modells aus Trainingsdaten, Grounding-Quellen und Retrieval-Layern. Sie ist nicht mehr durch Mediabuchungen steuerbar.

Drei Dimensionen von SOM nach Jellyfish

Das Jellyfish-Framework zerlegt SOM in drei messbare Ebenen: • Mention Rate: Wie oft taucht deine Marke überhaupt in den Antworten auf? • Human-AI Awareness Gap: Wo klafft die Lücke zwischen Konsumentenbekanntheit (Umfrage) und KI-Sichtbarkeit (Tracking) am größten? • Brand Sentiment: Mit welchem Vorzeichen beschreibt dich das Modell, von Schwäche bis Empfehlung? Aus dieser Zerlegung kommt eine wichtige Erkenntnis. INSEAD beschreibt sogenannte „High-Street Heroes“, also Marken, die in Verbraucherumfragen oben stehen, in KI-Antworten aber praktisch unsichtbar sind. Traditionelle Markenbekanntheit trägt nicht automatisch in das Modell hinein, und SOV-getriebenes Reporting macht diese Lücke nicht sichtbar.

Wo liegt der Unterschied zwischen SOM und SOV?

Beide Kennzahlen vergleichen dich mit dem Wettbewerb. Sie unterscheiden sich im Messobjekt, im Hebel und in der Volatilität. | Dimension | Share of Voice | Share of Model | |---|---|---| | Misst | Werbe-/Such-Sichtbarkeit | Marken-Nennungen in KI-Antworten | | Bezugsgröße | Kategorie-Spendings oder -Impressionen | Antworten über definiertes Prompt-Set | | Hebel | Media-Buying, klassisches SEO, PR | Content-Dichte, Entitäten, Schema, Reviews, llms.txt | | Volatilität | Mittelfristig, planbar | Hoch, plattformabhängig, monatlich schwankend | | Vertrauensniveau | Exposure | Entity Salience | | Beispiel-Tooling | Nielsen, Similarweb, Ahrefs SOV | Jellyfish, Profound, Peec AI, Otterly | Der entscheidende Satz aus der Forschungsdiskussion: SOV trackt Reichweite, SOM trackt Verknüpfung. Eine Marke kann hohen SOV und gleichzeitig niedrigen SOM haben, wenn ihre Werbung laut, aber ihre Faktenbasis im offenen Web dünn ist.

Wie misst man Share of Model?

Die Mess-Methodik aus dem INSEAD/Jellyfish-Setup ist auch für kleinere Teams umsetzbar. Sie läuft in vier Schritten ab: 1. Prompt-Set definieren. Sammle die echten Such- und Frageformen deiner Zielgruppe in der Kategorie. Branchenpraxis sind 50 bis 200 Prompts pro Set, von Kaufintention („beste CRM-Software für KMU“) bis Vergleich („Salesforce vs. HubSpot Preis“). 2. Cross-Plattform-Run. Schicke jeden Prompt durch alle relevanten KI-Plattformen. Pflicht 2026: ChatGPT, Google Gemini, Perplexity, Claude, Googles AI Overviews. Bei Microsoft-Zielgruppen zusätzlich Copilot. 3. Antworten codieren. Pro Antwort wird festgehalten: Marke genannt ja/nein, empfohlen oder nur gelistet, sachlich korrekt, welche Konkurrenten parallel auftauchen, welche Quellen zitiert werden. Hier verbindet sich SOM mit der Citation-Mechanik aus dem Mentions-vs-Citations-Guide. 4. Share berechnen. SOM-Wert pro Plattform und im gewichteten Schnitt über das Prompt-Set. LLMs sind nicht deterministisch. Dieselbe Frage liefert beim zweiten Durchlauf andere Antworten. Als Faustregel aus der INSEAD-Methodik gilt: jeden Prompt mindestens 20 Mal laufen lassen, damit der berechnete Anteil statistisch tragfähig wird. Einmal-Tests liefern Lifestyle-Daten, keine Steuerungsdaten.

Welche Tools messen Share of Model?

Der Markt für SOM-Tracking ist 2026 unübersichtlich, weil jeder klassische SEO-Anbieter eine AI-Visibility-Erweiterung dazustellt. Eine schlanke, kategorisierte Auswahl mit klarem Einsatzkontext: • Jellyfish Share of Model. Definitions-Pionier. Methodik aus dem HBR-Beitrag von Welch, Karlsson und Heitmann wurde direkt in die Jellyfish-Plattform überführt. Enterprise-Setup, agenturgetrieben. • Profound. AI-Discovery-Monitoring für Konzerne. Fortune berichtet im Februar 2026 eine Series-C-Runde über 96 Millionen US-Dollar bei einer 1-Milliarde-Bewertung, Gesamtfunding 155 Millionen US-Dollar, mehr als zehn Prozent der Fortune-500-Unternehmen als Kunden. Der Marktleader, wenn Budget keine Rolle spielt. • Peec AI. Mid-Market-Plattform aus Europa. Trackt ChatGPT, Perplexity, Gemini, Copilot, Google AI Mode und AI Overviews in mehr als 100 Sprachen. Einstieg im niedrigen dreistelligen Eurobereich pro Monat (siehe peec.ai). • Otterly.ai. GEO-Audit fokussiert, prüft on-page Faktoren, die die KI-Zitations-Wahrscheinlichkeit beeinflussen. Günstigster Einstiegspunkt unter den hier genannten Tools (siehe otterly.ai). • Adobe LLM Optimizer. Im Juni 2025 angekündigt, seit Oktober 2025 allgemein verfügbar. Pflicht-Kandidat für Unternehmen, die ohnehin Adobe Experience Cloud nutzen, weil sich Tracking, Empfehlungen und automatische Content-Fixes über den vorhandenen Stack verteilen lassen. Wichtig: AI-Trigger-Raten schwanken laut Brancheneinschätzungen um mehr als 20 Prozent pro Monat. Ein Tool ist kein Luxus, sondern die einzige Möglichkeit, Veränderungen vom Rauschen zu trennen.

Welche Benchmark-Zahlen gelten 2026?

Verbindliche Industrie-Standards gibt es noch nicht. Folgende Heuristiken haben sich aus Talks, Beratungs-Frameworks und veröffentlichten Studien herauskristallisiert und eignen sich als grobe Orientierung: • Inclusion Rate Marktführer: 60 bis 80 Prozent über das Kern-Prompt-Set. Wer in der eigenen Kategorie weniger als die Hälfte der Antworten erreicht, ist im KI-Kanal kein Marktführer mehr, egal was das CRM-Reporting sagt. • Share of Model im Vertikals-Vergleich: Top-Performer kommen auf rund 15 Prozent, Vertical Leader auf 25 bis 30 Prozent. Werte darunter sind kein Ausschlusskriterium, aber ein klares Signal für Aufholbedarf. • AI-getriebener Traffic. Laut Adobe Analytics ist der Traffic generativer KI-Quellen auf US-Retail-Seiten zwischen Juli 2024 und Mai 2025 um 3.500 Prozent gestiegen, auf Travel-Seiten um 3.200 Prozent. Auch wenn die Basis klein war, ist der Trend belegt. • Volatilität: Monatliche Schwankung von zwanzig Prozent und mehr ist normal. Trendlinien über drei bis sechs Monate sind belastbarer als Punktwerte.

Plattform-Varianz am Beispiel Waschmittel

Eine viel zitierte Auswertung aus dem Jellyfish/INSEAD-Material macht klar, warum Single-Plattform-Tracking irreführt: • Ariel: rund 24 Prozent SOM auf Metas Llama, weniger als 1 Prozent auf Google Gemini. • Chanteclair: rund 19 Prozent SOM auf Perplexity, in Llama nicht messbar vorhanden. • Take-away: Plattformwahl ist Strategie. Ein Tool, das nur eine Engine misst, unterschätzt oder überschätzt SOM regelmäßig um eine Größenordnung.

Was ersetzt was, und was bleibt?

Kurzantwort: SOM ersetzt SOV nicht, es verdrängt SOV als Leitkennzahl im KI-Suchkanal. SOV bleibt sinnvoll für Mediasteuerung, klassisches PR-Tracking und Branded-Search-Monitoring. SOM übernimmt die Steuerung für den Kanal, über den ein wachsender Anteil deiner Käufer recherchiert. In der Praxis bedeutet das eine duale Reporting-Logik. SOV gibt Auskunft darüber, wie laut du in den klassischen Kanälen bist. SOM gibt Auskunft darüber, wie tief du in den synthetisierten Antworten verankert bist. Beide Kennzahlen widersprechen sich nicht, sie messen verschiedene Bühnen. Die Frage „Was ersetzt was?“ ist deshalb falsch gestellt. Die richtige Frage lautet: Welche Bühne entscheidet deinen nächsten Verkauf, und wie viel deines Reportings hat die schon abgedeckt? Wer die strukturellen Hebel hinter SOM nachvollziehen will, findet im Brand-Authority-Stufenmodell aus Mention, Citation und Empfehlung das passende Ergänzungsraster. SOM zählt die Vorgänge, das Stufenmodell ordnet ihren Geschäftswert ein.

FAQ: Häufig gestellte Fragen zu Share of Model

Wer hat den Begriff Share of Model eingeführt? Formal eingeführt wurde SOM im Juni 2025 in einem Harvard-Business-Review-Beitrag von INSEAD-Forschern in Zusammenarbeit mit Jellyfish. Vorläufer-Konzepte wie „Share of Answer“ oder „LLM Share of Voice“ existieren parallel, sind aber nicht trennscharf gleichbedeutend. Wie unterscheidet sich Share of Model von Share of Search? Share of Search misst dein Branded-Search-Volumen relativ zur Konkurrenz und bleibt eine Suchmaschinen-Kennzahl. SOM misst Marken-Nennungen in synthetisierten KI-Antworten. Share of Search ist ein Früh-Indikator für Markenbekanntheit, SOM ein Spät-Indikator für Modell-Verankerung. Welche KI-Plattformen sollte ich monitoren? ChatGPT, Google Gemini, Perplexity, Claude und Googles AI Overviews sind 2026 Pflicht. Microsoft Copilot lohnt sich für B2B-Zielgruppen mit hoher Microsoft-Affinität. Meta Llama, DeepSeek und Mistral kommen hinzu, sobald deine Kategorie auf diesen Plattformen messbare Nutzung hat. Wie oft sollte ich Share of Model messen? Mindestens monatlich, in Phasen aktiver Content-Optimierung wochenweise. Wegen der Antwort-Varianz braucht jede Messung mindestens zwanzig Wiederholungen pro Prompt, sonst misst du Rauschen. Brauche ich ein kostenpflichtiges Tool für SOM-Tracking? Für einmalige Audits nicht, für laufendes Monitoring ja. Manuelles Cross-Plattform-Testing skaliert nicht über zwanzig Prompts hinaus, und das ist deutlich unter dem Methoden-Standard. Kann ich Share of Model selbst messen? Ja, für eine Bestandsaufnahme. Definiere ein Prompt-Set, lasse jede Frage zwanzig Mal pro Plattform laufen, codiere die Antworten in einer Tabelle, berechne den Anteil. Diese DIY-Variante ist eine gute Vorstufe, ersetzt aber kein dauerhaftes Tracking, sobald du in mehreren Kategorien oder Märkten unterwegs bist.

Fazit

Share of Voice misst, wie laut du auf der Werbe- und Such-Bühne bist. Share of Model misst, wie tief du in den Antwortmaschinen verankert bist, die immer mehr Käufer als ersten Filter benutzen. Beide Kennzahlen widersprechen sich nicht, aber wer 2026 ohne SOM reportet, optimiert eine Bühne, die immer weniger Kunden betreten. Weiterführende Artikel: Den übergeordneten Rahmen liefert der GEO-Guide zur Generative Engine Optimization. Wie KI-Modelle Markensignale lesen, klärt der Brand-Authority-Guide. Die Grounding-Mechanik dahinter erklärt der Mentions-vs-Citations-Guide. Wer Entitäten als Salienz-Anker verstehen will, findet das im Beitrag Entity SEO: vom Keyword zur Identität. Den Geschäftskontext aus Zero-Click und Agentic Commerce vertieft der Artikel Dein nächster Kunde könnte eine KI sein. Verifizierte Quellen: INSEAD/Jellyfish Share-of-Model-Framework (HBR, Juni 2025); Adobe Analytics; Fortune-Berichterstattung zu Profound (Februar 2026); Plattform-Dokumentationen Peec AI, Otterly.ai, Adobe LLM Optimizer.