Share of Model – Warum KI-Sichtbarkeit der neue Marketing-KPI ist

Es passiert gerade vor unseren Augen, und doch fehlt es vielen Marketingverantwortlichen an Bewusstsein dafür: Die Art, wie Konsumenten Marken entdecken, verschiebt sich fundamental. ChatGPT verarbeitet heute rund 2,5 Milliarden Prompts täglich und zählt mit 5,7 Milliarden monatlichen Website-Besuchen zu den fünf meistbesuchten Websites weltweit. Perplexity AI beantwortet 780 Millionen Anfragen pro Monat – ein Wachstum von 239 Prozent innerhalb eines Jahres.

Für die Schweiz liefern die Comparis-Daten ein eindrückliches Bild: Der Anteil der Konsumenten, die KI-Tools nutzen, hat sich von 27,4 Prozent (2024) auf 52,9 Prozent (2025) nahezu verdoppelt. Gleichzeitig sinkt die klassische Suchmaschinennutzung seit 2020 um rund vier Prozent. In Deutschland verzeichnet SE Ranking bei fast 64’000 analysierten Websites ein Wachstum des KI-Referral-Traffics von über 700 Prozent – absolut noch klein, aber mit exponentieller Dynamik.

Gartner prognostizierte bereits Anfang 2024, dass das klassische Suchvolumen bis 2026 um 25 Prozent sinken würde. Diese Prognose materialisiert sich: Sogenannte Zero-Click-Suchen, bei denen Nutzer direkt eine KI-generierte Antwort erhalten und nie auf eine Website klicken, machen in Europa bereits 59,7 Prozent aller Google-Anfragen aus. Wenn Googles AI Mode aktiv ist, steigt dieser Wert auf 93 Prozent.

Was Share of Voice nicht mehr reicht

Das Konzept wurde 2024 von Jack Smyth, Chief Solutions Officer bei Jellyfish (The Brandtech Group), geprägt. Tom Roach, VP Brand Planning ebenfalls bei Jellyfish, ordnete es anschliessend in Marketing Week in eine klare Entwicklungslinie ein: Share of Market → Share of Voice → Share of Search → Share of Model. Die Formel ist simpel: Markennennungen durch KI-Modelle geteilt durch die Gesamtnennungen in der Kategorie, ausgedrückt in Prozent.

Der entscheidende Unterschied zu Share of Voice liegt in der Binarität. Suchmaschinen zeigen auch weniger populäre Marken – notfalls auf Seite fünf. KI-Modelle hingegen kennen keine Seite zwei. Wenn eine Marke nicht im Wissensmodell verankert ist, existiert sie in der KI-generierten Realität schlicht nicht. Forscher der Business School INSEAD stellten in Zusammenarbeit mit Jellyfish fest, dass viele etablierte Marken mit hoher Bekanntheit beim Konsumenten überraschend schwach in KI-Antworten vertreten sind – sogenannte «High-Street Heroes», die bei Menschen stark, aber bei Maschinen unsichtbar sind.

Hinzu kommt eine erhebliche Varianz zwischen Modellen. In einer Analyse zeigte die Waschmittelmarke Ariel rund 24 Prozent Share of Model bei Metas Llama, aber weniger als ein Prozent bei Googles Gemini – im selben Markt. Marken müssen also über mehrere KI-Plattformen hinweg gemessen werden.

Wie KI-Modelle entscheiden, welche Marken sie empfehlen

Sprachmodelle operieren über zwei Pfade. Erstens über parametrisches Wissen, das während des Trainings aus grossen Datenmengen gelernt wurde. Zweitens über Echtzeit-Abruf mittels Web-Suche oder Retrieval-Augmented Generation (RAG). Bei ChatGPT werden schätzungsweise 60 Prozent der Anfragen rein aus Trainingsdaten beantwortet – ohne Web-Suche.

Für das parametrische Wissen ist entscheidend, wie häufig und autoritär eine Marke in den Trainingsdaten erwähnt wird. Wikipedia-Inhalte machen rund 22 Prozent der Trainingsdaten grosser Sprachmodelle aus; bei ChatGPT ist Wikipedia mit 47,9 Prozent die meistzitierte Quelle. Der stärkste statistische Prädiktor für KI-Sichtbarkeit ist – entgegen der SEO-Intuition – nicht die Anzahl der Backlinks, sondern das Marken-Suchvolumen. Marken, die auf vier oder mehr Plattformen erwähnt werden, haben eine 2,8-fach höhere Wahrscheinlichkeit, in ChatGPT-Antworten aufzutauchen.

Jede KI-Plattform hat dabei eigene Präferenzen: Perplexity bezieht 46,7 Prozent ihrer Zitate von Reddit. Google AI Overviews stützen sich zu 21 Prozent auf Reddit und zu 18,8 Prozent auf YouTube. ChatGPTs Web-Browsing korreliert zu 87 Prozent mit den organischen Top-Ergebnissen von Bing.

Fünf Hebel für mehr KI-Sichtbarkeit

Die akademisch fundierteste Studie in diesem Feld stammt von Forschern der Princeton University und Georgia Tech. Ihre auf der KDD 2024 publizierte «Generative Engine Optimization»-Studie analysierte 10’000 Suchanfragen und zeigte: Gezielte Optimierung kann die KI-Sichtbarkeit um bis zu 40 Prozent steigern. Fünf Hebel haben sich als besonders wirkungsvoll erwiesen.

Strukturierte Daten und Schema Markup: Maschinenlesbarer Kontext hilft KI-Systemen, Inhalte präzise zu interpretieren. Experimente zeigen, dass Schema Markup die Antwortgenauigkeit von ChatGPT um 30 Prozent verbessert. Vergleichstabellen mit sauberem HTML erzielen 47 Prozent höhere Zitationsraten. Priorität haben FAQPage-, Organisation-, Product- und Article-Schema im JSON-LD-Format.

Autoritäre, zitierbare Inhalte: Die Princeton-Studie belegt, dass Quellenangaben in Inhalten die Sichtbarkeit um bis zu 115 Prozent erhöhen können – Zitate um 37 Prozent, Statistiken um 22 Prozent. Inhalte sollten direkte Antworten in den ersten 150 Wörtern liefern und in 40–60 Wörter langen Absätzen strukturiert sein. Seiten, die innerhalb der letzten 30 Tage aktualisiert wurden, erhalten 67 Prozent mehr KI-Zitationen.

Wikipedia- und Knowledge-Graph-Präsenz: 50 Prozent der von grossen Sprachmodellen zitierten Top-Marketing-Agenturen verfügen über einen Wikipedia-Eintrag. Wikidata-Einträge mit konsistenten Entitätsinformationen und mehrsprachige Wikipedia-Seiten stärken die Basis für KI-Markenerkennung überproportional.

Digitale PR und Marken-Erwähnungen auf hoch autoritären Quellen: Earned Media fliesst direkt in Trainingsdaten und Abruf-Systeme ein. Reddit, YouTube und Branchenpublikationen zählen bei allen grossen KI-Plattformen zu den am häufigsten zitierten Quellen. Nick Taylor von Edelman bezeichnete Earned Media als den wichtigsten Treiber für Marken-Sichtbarkeit in KI-generierten Antworten.

Technische Optimierung für KI-Crawler: Die robots.txt muss GPTBot, ClaudeBot und PerplexityBot explizit zulassen. Der neue llms.txt-Standard, bereits von Stripe, Cloudflare und über 600 weiteren Websites implementiert, bietet KI-Crawlern eine für die Maschine optimierte Zusammenfassung der Website. Serverseitiges Rendering ist Pflicht – KI-Crawler führen kein JavaScript aus.

Was CMOs im DACH-Raum jetzt tun sollten

Der erste Schritt ist ein Audit. Testen Sie 50 bis 100 Prompts, die typische Kundenanfragen in Ihrer Kategorie widerspiegeln – parallel auf ChatGPT, Claude, Gemini und Perplexity. Wichtig: Jede Abfrage mehrfach durchführen. Rand Fishkins Forschung mit 600 Probanden zeigte, dass nur 30 Prozent der Marken zwischen aufeinanderfolgenden KI-Antworten konsistent sichtbar bleiben. Testen Sie unbedingt auch auf Deutsch: «Erzähle mir alles, was du über die Marke [X] weisst» liefert andere Ergebnisse als die englische Variante.

Integrieren Sie KI-Sichtbarkeits-Metriken in Ihre bestehenden Dashboards. Relevante KPIs umfassen die Erwähnungsfrequenz, die Zitationsrate im Verhältnis zu Mitbewerbern, den Sentiment-Score und – entscheidend – die Conversion-Rate des KI-Referral-Traffics. Die Daten dazu sind überzeugend: KI-Suchtraffic konvertiert mit 14,2 Prozent, verglichen mit 2,8 Prozent bei herkömmlicher Google-Suche. Das ist das Fünffache.

Für das Monitoring stehen mittlerweile professionelle Tools zur Verfügung: Profound (155 Millionen Dollar Funding, über zehn Prozent der Fortune-500-Unternehmen als Kunden), Otterly.ai (mit dem Schweizer Partner AB3.ch für den DACH-Raum) und Semrush mit integriertem AI-Visibility-Tracking. Jellyfish bietet eine eigene Share-of-Model-Plattform an.

Budgetmässig gilt: KI-Sichtbarkeit ist eine zusätzliche Investition, keine Umverteilung des SEO-Budgets. Deloitte Deutschland stuft den kombinierten Ansatz aus SEO, AEO (Answer Engine Optimization) und GEO (Generative Engine Optimization) als «strategische Notwendigkeit» ein. Unternehmen mit hohem GEO-Reifegrad investieren nahezu doppelt so viel wie ihre Wettbewerber – und 97 Prozent der digitalen Führungskräfte berichten von positiven Impact.

Der DACH-Raum hat einen Vorsprung – noch

Der First-Mover-Vorteil im deutschsprachigen Raum ist real. Laut einer KfW-Analyse vom Februar 2026 nutzen lediglich 20 Prozent der DACH-KMU überhaupt KI – und praktisch keines fragt sich, ob es in KI-generierten Antworten auftaucht. Einige spezialisierte Agenturen positionieren sich bereits: Claneo (Berlin), eMinded (München), Dachcom und AB3.ch (Schweiz), die GEO Agentur Zürich. Doch das Feld ist noch weit offen.

Die Kernbotschaft für Marketing-Entscheider ist klar: Share of Model ist kein nächster Hype-KPI. Er erfasst, ob eine Marke in der KI-vermittelten Realität existiert, in der eine wachsende Mehrheit der Konsumenten ihre Entscheidungen trifft. Die INSEAD-Forschung zeigt, dass starke traditionelle Markenbekanntheit sich nicht automatisch in KI-Sichtbarkeit übersetzt. Und der KI-Referral-Traffic wächst jährlich um 700 Prozent bei fünffacher Conversion-Rate.

Wer jetzt in strukturierte Daten, autoritäre Inhalte, Knowledge-Graph-Präsenz, digitale PR und technische KI-Zugänglichkeit investiert, baut einen kumulativen Vorteil auf. Wer abwartet, riskiert, was ein aktuelles White Paper von Monks treffend formuliert: von den Maschinen aus dem Gespräch optimiert zu werden.

Über den Autor: Lucas Blochberger ist Founder & CEO bei Blck Alpaca in Wien, einer auf Data-Driven Marketing und KI-Automatisierung spezialisierten Agentur. Blck Alpaca entwickelt massgeschneiderte KI-Agents für Marketing-Automatisierung und unterstützt Unternehmen im DACH-Raum bei der Optimierung ihrer Prozesse – von Content-Erstellung über Lead-Generierung bis hin zu datengetriebener Kampagnensteuerung. Zu den Referenzen zählen Projekte mit IPEC Group, Heimwatt und Biopower. blckalpaca.at