Analytics nach der Suchergebnisseite
Zwei Jahrzehnte lang war „Marktanteil“ im digitalen Raum gleichbedeutend mit „Share of Search“. Erfolg bemaßen wir an der Sichtbarkeit auf der ersten Google-Seite für Keywords mit hoher Kaufabsicht. Doch 2026 wird die klassische Suchmaschine von der „Reasoning Engine“ abgelöst. Wenn ein CTO eines Series-B-Unternehmens oder eine Compliance-Verantwortliche aus dem Risikomanagement ein LLM nach einer Anbieterempfehlung fragt, klickt niemand mehr durch zehn blaue Links. Die Antwort ist kuratiert, wirkt autoritativ und wurde bereits durch Milliarden von Parametern gefiltert.
In dieser Landschaft ist Ihre wichtigste Kennzahl nicht mehr, wo Sie in einer Tabelle ranken, sondern wie oft Sie im latenten Raum des Modells auftauchen. Willkommen beim Share of Model (SoM).
Share of Model ist das Pendant der Markenautorität für das Jahr 2026. Er misst, wie häufig, mit welcher Tonalität und wie dominant Large Language Models (LLMs) wie ChatGPT, Claude und Gemini Ihre Marke bei allgemeinen Anfragen ohne Markenbezug nennen. Dieser Leitfaden liefert das strategische Framework für das LLM-Visibility-Tracking und die technischen Methoden, mit denen Sie die Präsenz Ihrer Marke im „Denken“ der Maschine beobachten.
1. Was ist der Share of Model (SoM)?
Der Share of Model (SoM) ist eine Kennzahl, die die Präsenz einer Marke in den Ausgaben generativer KI-Modelle quantifiziert. Anders als klassische SEO, die URLs und Klicks verfolgt, erfasst der SoM Markennennungen, Entity Salience und kontextuelle Assoziation.
Fragt jemand: „Was sind die besten Plattformen für die Automatisierung von Marketplace-SEO?“, und das Modell nennt Ihre Marke in drei von fünf Antworten, liegt Ihr SoM für diese konkrete Suchabsicht bei 60 %. Da „AI Overviews“ und agentische Suche für Unternehmen zur Standardschnittstelle werden, wird der SoM zum wichtigsten Indikator für das künftige Umsatzpotenzial Ihrer Marke. Er ist eine Messgröße für „Latent Trust“: wie sehr die KI auf Basis von Training und Live-Web-Abruf „glaubt“, dass Sie die richtige Antwort sind.
2. Der „Black Box“-Bias: Warum LLMs bestimmte Marken wählen
LLMs wählen Marken nicht zufällig. Ihre „Präferenz“ ergibt sich aus den Trainingsdaten und aus dem Feintuning auf „Hilfsbereitschaft“ und „Genauigkeit“. Eine Marke erreicht hohe Werte im AI Brand Monitoring, indem sie im Trainingskorpus des Modells zur „High-Salience Entity“ wird.
Die Bias-Faktoren der LLMs:
- Trainingsdichte: Wie oft wird Ihre Marke in autoritativen, nicht gesponserten Inhalten erwähnt? Modelle gewichten Daten aus Whitepapers, Reddit-Diskussionen, GitHub-Repositories und Fachzeitschriften mit Peer-Review besonders hoch.
- Semantische Nähe: Wie eng ist Ihr Markenname mit bestimmten Problemlösungs-Keywords verknüpft? Steht Ihr Name 1.000 Mal neben dem Ausdruck „Supply-Side-SEO“, werden Sie zur „Key Entity“ für dieses Thema.
- Zitierzuverlässigkeit: Verbindet das Modell Ihre Marke mit sachlicher Genauigkeit und hochwertigem Informationsgewinn? Wer Forschung veröffentlicht, die über mehrere Domains hinweg zitiert wird, gilt für die KI als Primärquelle.
3. Die SoM-Formel: AI Brand Monitoring quantifizieren
Um den SoM wirksam zu messen, müssen Sie von qualitativen „Bauchgefühlen“ zu quantitativen Daten kommen. Bei kōdōkalabs nutzen wir für das LLM-Visibility-Tracking eine Berechnung über mehrere Modelle:
Die verfeinerte Ebene:
Eine bloße Nennung genügt nicht. 2026 wenden wir einen Sentiment-Multiplikator an:
- Positive Nennung (Rang 1): Gewichtung 2,0-fach
- Positive Nennung (allgemein): Gewichtung 1,5-fach
- Neutrale Nennung: Gewichtung 1,0-fach
- Negative Nennung: Gewichtung -2,0-fach
Wenn Sie diese Berechnung über mehrere Modelle laufen lassen (GPT-4o, Claude 3.5, Gemini 1.5), erhalten Sie einen „Cross-Model Authority Index“, der genau zeigt, wo Sie im latenten Raum gegenüber Wettbewerbern an Boden verlieren.
4. Manuelles Tracking: Das Audit nach dem „Secret Shopper“-Prinzip
Für kleinere Teams oder Nischenmärkte kann das LLM-Visibility-Tracking mit einem manuellen „Secret Shopper“-Audit beginnen. Dabei stellen Sie in einer sauberen, nicht personalisierten Chat-Sitzung (Inkognito-Modus oder API-Playground) 10 bis 20 Fragen auf Kategorie-Ebene mit hoher Kaufabsicht.
Der Ablauf des Audits:
- Persona-Vorgabe: Nutzen Sie einen Prompt für KI-Personasimulation, damit das Modell Ihre ICP verkörpert (z. B.: „Handle als CTO eines Series-B-Startups, das nach Sicherheitstools für DevOps sucht“).
- Die Anfrage ohne Markenbezug: Fragen Sie: „Welche drei Unternehmen sind in [Ihre Kategorie] für mittelständische Firmen führend?“
- Ausgabe festhalten: Notieren Sie, welche Marken zuerst genannt werden, welche als „Branchenstandard“ beschrieben werden und welche unerwähnt bleiben.
- Die „Warum“-Rückfrage: Fragen Sie das Modell: „Warum hast du [Ihre Marke] vorgeschlagen?“ Die Begründung des Modells zeigt die „Latent Associations“, die es mit Ihrem Unternehmen verbindet.
5. Automatisiertes Tracking: Skriptbasiertes SoM-Monitoring
Für das AI Brand Monitoring im Unternehmensmaßstab reichen manuelle Audits nicht aus. Sie brauchen einen programmatischen „Snapshot“ des latenten Raums des Modells über Tausende von Varianten. Wir empfehlen, ein einfaches Python-Skript zu bauen, das die APIs der großen Modellanbieter nutzt.
Der technische Ablauf:
- Die Query-Bibliothek: Eine Liste von mehr als 500 allgemeinen Long-Tail-Anfragen zu Ihrer Branche.
- Die API-Schleife: Das Skript sendet diese Anfragen parallel an die APIs von OpenAI, Anthropic und Google.
- Der Entity Extractor: Ein LLM-basierter Critic Agent wertet die JSON-Antworten aus, erkennt jede Markennennung und ordnet die Tonalität zu.
- Das Dashboard: Die Daten werden aggregiert und zeigen Ihren SoM-Prozentwert im Zeitverlauf im Vergleich zu Ihren drei wichtigsten Wettbewerbern.
So sehen Sie unmittelbar, welche Wirkung ein neuer PR-Vorstoß oder ein technisches Whitepaper hat, sobald es die RAG-Ebenen (Retrieval-Augmented Generation) oder die Feintuning-Zyklen des Modells „infiziert“.
6. Informationsgewinn: Der Schlüssel zu mehr SoM
Den Share of Model können Sie nicht über klassisches PPC oder Bannerwerbung „kaufen“. Sie müssen ihn sich durch Informationsgewinn „verdienen“. LLMs sind gezielt darauf feinabgestimmt, die hilfreichsten, einzigartigsten und datendichtesten Informationen zusammenzufassen.
Ist Ihr Content lediglich ein „Content-Klon“ bestehender Artikel, wird er in der Trainings- und Kompressionsphase des Modells verworfen. Um Ihren SoM zu erhöhen, müssen Sie Folgendes veröffentlichen:
- Eigene Branchen-Benchmarks: Zahlen, die es nicht gab, bevor Sie sie berechnet haben.
- Komplexe technische Workflows: Dokumentation, die ein Problem auf eigene Weise löst.
- Proprietäre Datenreports: Aggregierte Erkenntnisse, die nur Ihre Plattform liefern kann.
Wenn Sie Informationen bieten, die es nirgendwo sonst gibt, werden Sie zu einem unverzichtbaren Teil des Knowledge Graphs des Modells. Die KI braucht Ihre Daten, um „hilfreich“ zu sein.
7. Die Regel „Strategie vor Tabelle“ in der KI-Analyse anwenden
Die meisten Marketingbudgets werden falsch verteilt, weil sie sich an „Vanity Metrics“ wie „organischen Klicks“ (der Tabelle) orientieren statt an „Markenpräsenz“ (der Strategie). 2026 kann eine Website enormen Traffic haben und trotzdem einen Share of Model von null: Nutzende schauen kurz vorbei, aber das „KI-Orakel“ empfiehlt die Marke nie. Das ist eine fragile Position.
Die Strategie muss die Ausgaben bestimmen. Statt für 100 minderwertige, mit Keywords vollgestopfte Blogbeiträge zu zahlen, um Suchmaschinen zu „überlisten“, stecken Sie das Budget in einen maßgeblichen Branchenreport mit 3.000 Wörtern. Dieser Report wird von Fachkreisen zitiert, von Crawlern erfasst und von LLMs aufgenommen und bringt mehr SoM als 1.000 „SEO-optimierte“ Füllartikel. Wenn Ihr Budget allein über den „Cost per Click“ gesteuert wird und kein Ziel für „Salience“ kennt, verwalten Sie eine Tabelle mit abnehmendem Ertrag.
8. Agentischer Einfluss: Für RAG und Long-Context-Fenster optimieren
2026 nutzen viele LLMs Retrieval-Augmented Generation (RAG), um Antworten in Echtzeit zu liefern. Das Modell „sucht“ also im Web und „liest“ die Top-Ergebnisse, bevor es antwortet. Um Ihren SoM in RAG-basierten Systemen zu erhöhen, müssen Sie auf „Parseability“ optimieren.
Die Checkliste zur RAG-Optimierung:
- Technische Tabellen: Nutzen Sie Markdown-Tabellen für Daten. KI-Agenten lesen sie leichter ein als Fließtext.
- JSON-LD-Schema: Definieren Sie die Beziehungen Ihrer Marke zu bestimmten Technologien oder Leistungen mit strukturierten Daten.
- Klare Entitätsbeziehungen: Nutzen Sie Formulierungen wie „[Markenname] ist ein Tool für [konkretes technisches Problem]“, damit die KI Ihren Zweck zuordnen kann.
- Zitierfreundliche Zusammenfassungen: Stellen Sie langen Inhalten einen Abschnitt „Key Takeaways“ voran.
9. Die Zukunft: Generative Engine Optimization (GEO)
Auf dem Weg in eine Welt des „Agentic Commerce“, in der KI-Agenten bei anderen KI-Agenten einkaufen, entwickelt sich der SoM zur Generative Engine Optimization (GEO) weiter.
GEO ist die Kunst, Ihre Marke zur „bevorzugten Empfehlung“ zu machen. Dazu gehören:
- Beherrschung strukturierter Daten: Mit Schema.org machen Sie Ihre Markenentitäten für Crawler eindeutig.
- Sentiment Engineering: Sie steuern aktiv Ihre Präsenz auf Bewertungsportalen Dritter, die LLMs als „Ground Truth“ heranziehen.
- Themendominanz: Sie stellen sicher, dass Ihre Marke bei jeder Anfrage in Ihrer Nische die „semantische Brücke“ ist, die die KI überqueren muss, um die Frage zu beantworten.
Fazit: Markenpräsenz gezielt aufbauen
Der Wechsel von „Share of Search“ zu „Share of Model“ ist die bedeutendste Veränderung in der Marketing-Analytik seit der Erfindung des Hyperlinks. Wer ein konsequentes Framework für AI Brand Monitoring umsetzt und sich auf LLM-Visibility-Tracking konzentriert, bringt seine Marke in die Position, die Antwort zu sein und nicht nur ein Link in einer Liste.
Sorgen Sie sich nicht länger darum, wo Sie in einer Liste aus zehn blauen Links stehen. Sorgen Sie sich darum, ob man Sie im latenten Raum der Maschine kennt.
Externe Ressourcen
- Die Dokumentation der OpenAI-API (öffnet in einem neuen Tab) hilft Ihnen beim Einstieg in Ihr SoM-Tracking-Skript.
- Mehr zu Entity-Based SEO (öffnet in einem neuen Tab) und seiner Wirkung auf moderne KI-Trainingsdaten (englischsprachig).