KI-Share-of-Voice ist der Anteil deiner Marke an allen Markennennungen in KI-generierten Antworten auf ein festes Prompt-Set: deine Nennungen geteilt durch die Nennungen aller Marken in diesen Antworten, mal 100. Das ist eine Wettbewerbskennzahl, keine Trefferquote. Aussagekräftig wird sie deshalb nur zusammen mit dem Prompt-Set, den KI-Systemen, der Wettbewerberliste und dem Zeitraum, aus denen sie stammt. Zwei Varianten sind genauso wichtig: der Zitations-Share-of-Voice (auf wessen Website die Antworten verlinken) und der positionsgewichtete Share of Voice (wer zuerst genannt wird).
In diesem Leitfaden bekommst du alle drei Formeln, einen Beispieldatensatz, der für dieselbe Marke vier verschiedene „Share of Voice“-Werte liefert, Tabellenformeln zum Kopieren, einen direkten Vergleich, wie Profound, Peec AI, Semrush und Ahrefs die Kennzahl definieren, eine Berechnung der Stichprobengröße auf Basis unserer eigenen Wiederholungsdaten und eine Reporting-Vorlage fürs Management. Die Tool-Definitionen haben wir am 18. Oktober 2026 geprüft.
Das Wichtigste in Kürze
- Drei Formeln, drei Ergebnisse. Der Nennungsanteil zählt Namen in der Antwort, der Zitationsanteil zählt Links auf deine Website, und der positionsgewichtete Anteil belohnt, wer zuerst genannt wird. In unserem Rechenbeispiel kommt dieselbe Marke auf 17,5 %, 44,0 % und 14,3 %.
- Share of Voice ist nicht die Präsenzrate. „In 35 % der Antworten erwähnt“ ist eine Sichtbarkeitsrate. Der Share of Voice teilt durch alle Markennennungen und sinkt deshalb, wenn sich Wettbewerber in der Antwort drängen.
- Der Nenner entscheidet über die Zahl. Wer nur die vier selbst gewählten Marken zählt statt jeder Marke, die die KI nennt, verschiebt unser Beispiel von 17,5 % auf 22,6 %.
- Einzelne Durchläufe sind Stichproben. Über 968 wiederholte Durchläufe von 42 Prompt-Engine-Paaren in AI Rank Lab sprangen 42,9 % der Paare mindestens einmal zwischen „Marke genannt“ und „nicht genannt“ hin und her. Berichte also Zeitfenster statt Momentaufnahmen und weise eine Fehlermarge aus.
- Einen belegten, universellen Benchmark gibt es nicht. Veröffentlichte „Gut“-Spannen widersprechen sich und messen oft unterschiedliche Kennzahlen. Vergleiche dich lieber mit deinen benannten Wettbewerbern und deinem eigenen Marktanteil.
Was ist KI-Share-of-Voice?
KI-Share-of-Voice misst, wie viel vom Markengespräch in KI-Antworten auf dich entfällt. Du legst ein Set an Prompts fest, die deine Käufer stellen, lässt sie auf Systemen wie ChatGPT, Claude, Gemini, Perplexity und den KI-Funktionen von Google laufen, notierst jede Marke, die eine Antwort nennt, und berechnest deinen Anteil an der Gesamtsumme.
Die Idee stammt aus der Werbung. In der klassischen Mediaplanung war Share of Voice der Anteil einer Marke an der gesamten Werbepräsenz ihrer Kategorie, und John Philip Jones argumentierte 1990 in der Harvard Business Review, dass der Vergleich von Share of Voice und Marktanteil ein besserer Weg ist, Budgets festzulegen. KI-Share-of-Voice behält das Verhältnis bei, tauscht aber bezahlte Reichweite gegen etwas, das du nicht direkt kaufen kannst: in einer Antwort genannt zu werden.
Bei der Grundformel sind sich die Anbieter, die die Kennzahl tracken, einig. Das Glossar von Profound definiert Share of Voice als „wie oft deine Marke im Vergleich zu allen Marken erwähnt wird“, und die Dokumentation von Peec AI gibt die Formel an als deine Nennungen geteilt durch alle Markennennungen, mal 100.
Worin unterscheidet sich KI-Share-of-Voice von Nennungsrate und Sichtbarkeit?
Die Nennungsrate (auch Sichtbarkeit oder Präsenzrate genannt) fragt: „In welchem Anteil der Antworten tauchen wir auf?“ Der Share of Voice fragt: „Welcher Anteil aller Markennennungen gehört uns?“ Der Unterschied liegt im Nenner: Antworten gegenüber Nennungen.
Eine Marke, die in jeder Antwort vorkommt, hat eine Nennungsrate von 100 %. Tauchen aber vier andere Marken ebenfalls in jeder Antwort auf, liegt ihr Share of Voice bei 20 %. Das Beispiel von Peec zeigt die Lücke: 4 Nennungen gegenüber 12 eines Wettbewerbers in 10 Chats ergeben 40 % Sichtbarkeit, aber 25 % Share of Voice. Manche viel gelesenen Ratgeber veröffentlichen die Formel für die Präsenzrate unter dem Namen Share of Voice – ein Grund, warum veröffentlichte Zahlen selten zusammenpassen. Berichte beide Werte, beschrifte beide und tausche nie den einen gegen den anderen zwischen zwei Berichtszeiträumen.
Nennungskennzahlen sagen außerdem nichts über Traffic aus. Eine Nennung bringt deinen Namen vor die Nutzer, ein Zitat gibt ihnen einen Link. Warum diese Unterscheidung verändert, wie du einen Report liest, erklären wir in Markennennungen vs. Zitate in der KI-Suche.
Wie berechnet man KI-Share-of-Voice? Die drei Formeln
Nimm pro Frage, die du beantworten willst, eine Formel, und stelle die Ergebnisse nebeneinander, statt sie zu einem einzigen Score zu vermischen.
| Kennzahl | Formel | Gezählte Einheit | Beantwortete Frage |
|---|---|---|---|
| Nennungs-Share-of-Voice | Deine Markennennungen / alle Markennennungen x 100 | Im Antworttext genannte Marke, höchstens einmal pro Antwort | Wie viel vom Empfehlungsgespräch gehört uns? |
| Zitations-Share-of-Voice | Zitate auf deine Domain / Zitate auf die Domains aller getrackten Marken x 100 | Eine verlinkte Quell-URL auf einer Domain, die einer Marke gehört | Wenn Antworten auf die Website einer Marke verweisen: Wie oft ist es unsere? |
| Positionsgewichteter Share of Voice | Summe deiner Gewichte / Summe der Gewichte aller Marken x 100, mit Gewicht = 1 / Position | Jede Nennung, gewichtet nach ihrer Reihenfolge in der Antwort | Sind wir der erste Name oder nur eine Randnotiz? |
| Nennungsrate (zur Einordnung) | Antworten mit deiner Marke / alle Antworten x 100 | Antworten | Wie oft tauchen wir überhaupt auf? |
Nennungs-Share-of-Voice
Das ist der Standard und die Variante, die Profound und Peec dokumentieren. Zähle jede Marke höchstens einmal pro Antwort, selbst wenn die Antwort sie dreimal nennt – sonst dominieren lange Antworten die Summe. Nimm jede Marke, die die Antwort nennt, in den Nenner auf, nicht nur die Wettbewerber, die du tracken wolltest; warum, erklärt der Abschnitt zum Wettbewerber-Set.
Zitations-Share-of-Voice
Der Zitations-Share-of-Voice verfolgt die Links unter der Antwort, nicht die Namen darin. Die meisten Zitate in KI-Antworten gehen an Drittseiten: Im Panel von Trakkr mit 48,4 Millionen Zitat-Vorkommen auf 529.165 Domains (Oktober 2025 bis August 2026) hielt die meistzitierte Domain, youtube.com, 3,47 % des Gesamtvolumens, gefolgt von Wikipedia mit 1,83 % und Reddit mit 1,74 %. Deshalb teilt die Wettbewerbsvariante der Formel durch die Zitate auf die eigenen Domains der getrackten Marken. Wenn du lieber den Anteil an allen Zitaten nimmst (Profound nennt das „Citation Share“), berichte ihn separat und rechne mit einstelligen Werten.
Auch auf URL-Ebene ist der Zitationsanteil stark konzentriert. Die Analyse von Peec AI mit mehr als 1 Million Zitaten ergab, dass bei ChatGPT die 31 % der URLs, die im Schnitt zwei- oder mehrmals pro Antwort zitiert werden, 59 % aller Zitate ausmachen, und dass 64 % der URLs, die Perplexity abruft, nie zitiert werden. Meist tragen einige wenige Seiten deinen gesamten Zitationsanteil.
Positionsgewichteter Share of Voice
Die Positionsgewichtung gibt einer Erstnennung mehr Gewicht als einer fünften. Das gängige Schema ist 1/Position: erste = 1,0, zweite = 0,5, dritte = 0,33 und so weiter. Semrush gibt an, dass sein Enterprise-AIO-Share-of-Voice sowohl Häufigkeit als auch Position berücksichtigt, veröffentlicht die Gewichte aber nicht.
Behandle ihn als Nebenkennzahl. SparkToro und Gumshoe.ai haben 12 Prompts 2.961-mal durch ChatGPT, Claude und die KI von Google laufen lassen und dabei eine Chance von weniger als 1 zu 100 gefunden, zweimal dieselbe Markenliste zu bekommen – und dieselbe Reihenfolge nur etwa einmal in 1.000 Durchläufen. Ihr Fazit: Ein Sichtbarkeitsprozentsatz über viele Prompts und Durchläufe ist eine sinnvolle Kennzahl, eine einzelne „Ranking-Position“ nicht. Gemittelt über Hunderte Antworten trennt die Position immer noch „meist zuerst“ von „meist zuletzt“; in einer einzelnen Antwort ist sie Rauschen.
Rechenbeispiel: ein Datensatz, vier verschiedene Zahlen
Die folgenden Zahlen stammen aus einem anschaulichen Beispieldatensatz, den wir gebaut haben, um zu zeigen, wie weit die Formeln auseinanderliegen; es sind keine Kundendaten. Der Aufbau: 20 Prompts, 4 KI-Systeme, je 3 Durchläufe, macht 240 Antworten. 228 dieser Antworten nannten mindestens eine Marke, insgesamt 480 Markennennungen, und die Antworten enthielten 1.440 Zitate. „Andere“ sind Marken, die die Systeme nannten, die das Team aber nicht auf seiner Tracking-Liste hatte.
| Marke | Antworten mit Nennung (Nennungsrate) | Nennungen nach Position (1. / 2. / 3. / 4.+) | Nennungs-SOV | Positionsgewichteter SOV | Zitate auf eigene Domain | Zitations-SOV (getracktes Set) |
|---|---|---|---|---|---|---|
| Deine Marke | 84 (35,0 %) | 24 / 30 / 18 / 12 | 17,5 % | 14,3 % | 66 | 44,0 % |
| Wettbewerber A | 132 (55,0 %) | 90 / 30 / 9 / 3 | 27,5 % | 32,5 % | 48 | 32,0 % |
| Wettbewerber B | 96 (40,0 %) | 54 / 30 / 9 / 3 | 20,0 % | 21,7 % | 30 | 20,0 % |
| Wettbewerber C | 60 (25,0 %) | 18 / 24 / 12 / 6 | 12,5 % | 10,6 % | 6 | 4,0 % |
| Andere (nicht getrackt) | - | 42 / 36 / 24 / 6 | 22,5 % | 20,8 % | - | - |
| Gesamt | 240 Antworten | 228 / 150 / 72 / 30 | 480 Nennungen | 334,5 Gewicht | 150 | 100 % |
So entstehen die Werte für deine Marke:
- Nennungsrate: 84 Antworten / 240 Antworten = 35,0 %.
- Nennungs-Share-of-Voice: 84 / 480 Nennungen = 17,5 %.
- Positionsgewichteter Share of Voice: (24 x 1) + (30 x 0,5) + (18 x 0,333) + (12 x 0,25) = 48,0 Gewicht; 48,0 / 334,5 = 14,3 %. Positionen ab 4 werden hier als 4 gewertet.
- Zitations-Share-of-Voice: 66 / 150 Zitate auf Domains getrackter Marken = 44,0 %. Als Anteil an allen 1.440 Zitaten sind es 4,6 %.
- Share of Voice im geschlossenen Pool: Nimmst du „Andere“ aus dem Nenner, wird der Nennungsanteil zu 84 / 372 = 22,6 %.
In dieser einen Tabelle stecken vier Lehren. Erstens: Dieselbe Marke liegt bei den Nennungen auf Platz drei, fällt bei der Position noch weiter zurück und führt bei den Zitaten – ein typisches Muster für Marken mit starkem Content, die aber weniger bekannt sind als der Kategorieführer. Zweitens: Der Wert im geschlossenen Pool schönt alle Marken um etwa ein Fünftel. Drittens: 22,5 % des Gesprächs gingen an Marken, die niemand getrackt hat – genau das Frühwarnsignal, das eine geschlossene Liste verdeckt. Viertens: Der Zitationsanteil an allen Quellen (4,6 %) und der Zitationsanteil am getrackten Set (44,0 %) sind verschiedene Kennzahlen mit sehr unterschiedlichen Größenordnungen; ein Report muss also sagen, welche er zeigt.
Wie berechnest du KI-Share-of-Voice in einer Tabelle?
Erfasse eine Zeile pro Antwort, eine Zeile pro Markennennung und eine Zeile pro Zitat, und lass dann die Formeln zählen. Dieser Aufbau funktioniert in Google Sheets und Excel.
- Tabellenblatt „Answers“: answer_id, prompt, engine, run_date. Eine Zeile für jede Antwort, auch für Antworten ohne Markennennung, denn sie gehören in den Nenner der Nennungsrate.
- Tabellenblatt „Mentions“: answer_id (Spalte A), brand (Spalte B), position (Spalte C). Eine Zeile pro Marke und Antwort, jede Marke höchstens einmal pro Antwort. Vereinheitliche vorher die Namen: Führe „HubSpot CRM“ und „HubSpot“ als eine Marke und lege vorab fest, ob ein Produkt und seine Muttergesellschaft als eine Marke zählen.
- Tabellenblatt „Citations“: answer_id (A), cited_url (B), domain (C), owner_brand (D). Lass owner_brand leer, wenn die Domain einem Dritten gehört, etwa Reddit, YouTube oder einem Bewertungsportal.
- Tabellenblatt „Summary“: Trag jeden Markennamen in Spalte H ein und nutze die Formeln unten in derselben Zeile.
| Kennzahl | Formel (Markenname in H2) |
|---|---|
| Nennungsrate | =COUNTIF(Mentions!B2:B5000,H2)/COUNTA(Answers!A2:A5000) |
| Nennungs-Share-of-Voice | =COUNTIF(Mentions!B2:B5000,H2)/COUNTA(Mentions!B2:B5000) |
| Positionsgewichteter Share of Voice | =SUMPRODUCT(IFERROR((Mentions!B2:B5000=H2)/Mentions!C2:C5000,0))/SUMPRODUCT(IFERROR(1/Mentions!C2:C5000,0)) |
| Zitations-Share-of-Voice (getracktes Set) | =COUNTIF(Citations!D2:D5000,H2)/COUNTA(Citations!D2:D5000) |
| Zitationsanteil an allen Quellen | =COUNTIF(Citations!D2:D5000,H2)/COUNTA(Citations!B2:B5000) |
| Fehlermarge, 95 % (Anteil in I2, n in J2) | =1.96*SQRT(I2*(1-I2)/J2) |
Formatiere die Ergebnisse als Prozent. Die positionsgewichtete Formel braucht Excel 365 oder Google Sheets, damit IFERROR innerhalb von SUMPRODUCT ausgewertet wird; in älteren Excel-Versionen gibst du sie als Matrixformel ein. Arbeitest du mit deutschsprachigem Excel, heißen die Funktionen ZÄHLENWENN, ANZAHL2, SUMMENPRODUKT, WENNFEHLER und WURZEL, Argumente werden mit Semikolon getrennt und Dezimalzahlen mit Komma geschrieben – passe die Formeln dann entsprechend an. Ergänze einen Filter auf die Spalte engine (oder eine Pivot-Tabelle), um dieselben Kennzahlen pro KI-System zu erhalten. Die solltest du dir immer ansehen, bevor du auf den Gesamtwert schaust.
Wie definieren Profound, Peec AI, Semrush und Ahrefs Share of Voice?
Nicht gleich – 30 % im einen Tool und 30 % im anderen sind also nicht dieselbe Leistung. Hier steht, was die eigene Dokumentation jedes Anbieters sagt, Stand 18. Oktober 2026.
| Tool | Was der Share of Voice zählt | Gewichtung | Herkunft der Prompts | Quelle |
|---|---|---|---|---|
| AI Rank Lab | Deine Nennungen / (deine Nennungen + Nennungen der Wettbewerber, die du angibst), über geplante Durchläufe hinweg | Keine im Anteil; durchschnittliche Position, Nennungsrate und Zitationsrate werden separat ausgewiesen | Dein Prompt-Set | Unser Produkt (siehe Hinweis unten) |
| Profound | Markennennungen / alle Markennennungen über die getrackten Antworten; Citation Share und Visibility Score sind eigene Kennzahlen | Keine angegeben; Average Position ist separat | Deine getrackten Prompts | Glossar von Profound |
| Peec AI | Deine Nennungen / alle Markennennungen x 100 | Keine; Position und Sentiment sind separat | Deine getrackten Prompts | Dokumentation von Peec |
| Semrush AI Visibility Toolkit | „Prozentsatz der Nennungen, die deine Marke in KI-generierten Antworten im Vergleich zu den Wettbewerbern in deinem Markt erhält“; die Daten zur Brand Performance werden wöchentlich aktualisiert | Laut Semrush berücksichtigt die Enterprise-AIO-Version Häufigkeit und Position; die genauen Gewichte sind nicht veröffentlicht | Prompt-Datenbank von Semrush plus getrackte Prompts | Semrush-Wissensdatenbank |
| Ahrefs Brand Radar | „Der Prozentsatz der Markenimpressionen, die dir im Vergleich zu den Wettbewerbern gehören“ | Nennungen gewichtet nach dem Google-Suchvolumen des Prompts, was Ahrefs als „eine Modellierungsentscheidung, keinen gemessenen Zusammenhang“ bezeichnet | Korpus aus Googles „Ähnliche Fragen“ (People Also Ask) und der Keyword-Datenbank von Ahrefs, nicht deine eigenen Prompts | Methodik von Ahrefs |
Daraus folgen zwei praktische Konsequenzen. Ahrefs beantwortet „Wie viel vom nachfragegewichteten Markt gehört uns?“, ohne dass du ein Prompt-Set aufbauen musst, während Profound, Peec und AI Rank Lab beantworten: „Wie schneiden wir bei den Prompts ab, die wir gewählt haben?“ Beides ist legitim, und die Zahlen werden nicht übereinstimmen. Und weil keines dieser Tools in die Systeme hineinschauen kann, ziehen alle nur Stichproben von Antworten. Google selbst stellt klar, dass der neue Leistungsbericht zu generativer KI in der Search Console (Juni 2026) deine eigenen Impressionen, Seiten, Länder und Geräte in AI Overviews (den KI-Übersichten über den Suchergebnissen) und im AI Mode (dem KI-Modus der Google-Suche) zeigt, aber keine Wettbewerberdaten. Share of Voice auf Googles KI-Oberflächen muss also aus einem Tracker kommen und sollte neben deinen Search-Console-Zahlen gelesen werden, nicht stattdessen. Unser Test des Semrush AI Visibility Toolkit geht genauer darauf ein, wie Semrush seine Daten erhebt.
Wie wählst du Prompt-Set und Wettbewerber-Set aus?
Die Formel ist in einer Minute erledigt; ob die Zahl etwas bedeutet, entscheiden Prompt-Set und Wettbewerberliste. Friere beide vor deiner ersten Messung ein und ändere sie nur zusammen mit einer neuen Baseline.
Das Prompt-Set aufbauen
- Starte bei den Fragen der Käufer, nicht bei deiner Positionierung. Hol dir die Formulierungen aus Sales-Calls, Support-Tickets, der Suche auf deiner Website, Reddit-Threads und „Ähnliche Fragen“ bei Google. Prompts, die um deine eigenen Claims herum geschrieben sind, blähen deinen Anteil auf.
- Deck den Funnel in festen Anteilen ab. Zum Beispiel 50 % Kategorie- und „bestes X für Y“-Prompts, 30 % Vergleichs- und Alternativen-Prompts, 20 % Problem- oder Anleitungs-Prompts. Halte die Anteile stabil, damit eine geänderte Mischung nicht wie eine Veränderung des Share of Voice aussieht.
- Lass Marken-Prompts aus der Hauptkennzahl heraus. „Ist [deine Marke] gut?“ nennt dich jedes Mal. Tracke solche Prompts in einer eigenen Gruppe, um Richtigkeit und Sentiment zu prüfen.
- Verschlagworte jeden Prompt nach Thema, Funnel-Stufe, Persona und Markt, damit du den Share of Voice pro Segment berichten kannst und nicht nur einen Mischwert.
- Richte die Größe an der Entscheidung aus. Mehrere veröffentlichte Ratgeber starten mit 20 bis 50 kommerziell relevanten Prompts, andere empfehlen 100 bis 200 für breite Kategorien. Der Abschnitt zur Stichprobengröße unten zeigt, warum mehr Prompts meist mehr bringen als mehr Durchläufe.
Weil die Systeme jeden Prompt vor dem Abruf von Quellen in viele Unteranfragen zerlegen, können schon leicht umformulierte Fragen andere Marken liefern. Ein Grund mehr, deine wichtigsten Fragen in zwei oder drei Formulierungen aufzunehmen statt nur in einer.
Wettbewerber wählen: offener oder geschlossener Pool?
Nutze einen offenen Pool für den Nenner und eine benannte Liste fürs Reporting. Ein offener Pool zählt jede Marke, die die Antworten nennen; ein geschlossener Pool zählt nur die Wettbewerber, die du eingetragen hast. Geschlossene Pools sind einfacher und über die Zeit vergleichbar, überschätzen aber den Anteil aller Marken und übersehen Neueinsteiger – siehe die 22,5 % „Andere“ im Rechenbeispiel.
- Benannte Liste: 5 bis 8 direkte Wettbewerber, an die du Deals verlierst, plus ein oder zwei Kategorieführer, an denen du dich messen willst.
- Discovery-Durchgang: Liste einmal im Monat jede Marke auf, die die Systeme genannt haben und die nicht auf deiner Liste steht. Jede Marke, die in mehr als ein paar Prozent der Antworten auftaucht, kommt für die nächste Baseline auf die Liste.
- Regeln für Entitäten: Halte fest, wie du mit Aliasnamen, Untermarken, Wiederverkäufern und Marktplätzen umgehst (ist „Amazon“ ein Wettbewerber oder ein Vertriebskanal?), und wende in jedem Zeitraum dieselbe Regel an.
Unterstützt dein Tool nur eine geschlossene Liste, schreib das auf jeden Report und halte die Liste fest. So bleibt der Trend ehrlich, auch wenn das Niveau hoch ist.
Wie viele Prompts und Durchläufe brauchst du für eine belastbare Zahl?
So viele, dass die Veränderung, die dich interessiert, größer ist als das Rauschen. KI-Antworten sind nicht reproduzierbar, jede Antwort ist also eine Stichprobe – und ein Share of Voice aus ein paar Dutzend Antworten kann um zweistellige Werte schwanken, ohne dass sich irgendetwas geändert hat.
Unsere eigenen Daten zeigen, wie stark. Über 968 erfolgreiche Durchläufe von 42 Prompt-Engine-Paaren, die zwischen dem 13. Februar und dem 14. Oktober 2026 in AI Rank Lab getrackt wurden (nur Paare mit 5 oder mehr Durchläufen), sprangen 18 Paare (42,9 %) mindestens einmal zwischen „getrackte Marke genannt“ und „nicht genannt“ hin und her, und zwei aufeinanderfolgende Durchläufe desselben Prompts teilten im Median nur 41 % ihrer zitierten Domains. Am stärksten wechselten die Quellen bei Gemini (Median-Überschneidung 0,26), am wenigsten bei Perplexity (0,59). Methode und Grenzen im Detail findest du in unserer Studie zur Stabilität von KI-Antworten. Selbst „deterministische“ Einstellungen lösen das nicht: Eine Studie mit fünf auf Determinismus konfigurierten LLMs stellte fest, dass die Genauigkeit zwischen Durchläufen um bis zu 15 % schwankte.
Dieselben Daten zeigen, wo du dein Stichprobenbudget investieren solltest. 24 der 42 Paare (57 %) lieferten bei jedem Durchlauf dasselbe Ergebnis zur Nennung; für diese Prompts brachten zusätzliche Durchläufe also kaum neue Information. Wiederholte Durchläufe eines Prompts sind korreliert, das heißt: 20 Prompts mit je 10 Durchläufen sind viel weniger wert als 200 unabhängige Antworten. Erst mehr Prompts, dann mehr Durchläufe: Plane 2 bis 3 Durchläufe pro Prompt, System und Zeitfenster ein, um die Sprünge zu glätten, und fasse die Durchläufe über ein Fenster von 2 bis 4 Wochen zusammen.
Um den Fehler abzuschätzen, behandle den Share of Voice wie einen Anteilswert und nutze das übliche Konfidenzintervall über die Normalapproximation, p ± 1,96 x sqrt(p(1-p)/n), aus dem NIST Engineering Statistics Handbook. Für ein vorsichtiges n nimmst du die Zahl der unterschiedlichen Prompt-Engine-Paare, nicht die Zahl der Antworten.
| n (Prompt-Engine-Paare) | 95-%-Marge bei einem Anteil von etwa 20 % | 95-%-Marge bei einem Anteil von etwa 50 % | Was sich damit erkennen lässt |
|---|---|---|---|
| 50 | ± 11,1 Pkt. | ± 13,9 Pkt. | Nur große Abstände zwischen Marken |
| 100 | ± 7,8 Pkt. | ± 9,8 Pkt. | Veränderungen von 10+ Punkten von Quartal zu Quartal |
| 200 | ± 5,5 Pkt. | ± 6,9 Pkt. | Veränderungen von 6 bis 7 Punkten |
| 400 | ± 3,9 Pkt. | ± 4,9 Pkt. | Veränderungen von 4 bis 5 Punkten |
| 1.000 | ± 2,5 Pkt. | ± 3,1 Pkt. | Kleine, stetige Zuwächse |
Aufs Rechenbeispiel angewendet: 20 Prompts auf 4 Systemen sind 80 Prompt-Engine-Paare, ein Nennungs-Share-of-Voice von 17,5 % hat also eine Marge von etwa ± 8,3 Punkten. Ein Anstieg von 17,5 % auf 22 % im nächsten Monat läge im Rauschen. Die NIST-Seite weist außerdem darauf hin, dass dieses Intervall bei sehr kleinen Stichproben oder Anteilen nahe 0 % unzuverlässig wird; dann ist das Wilson-Intervall die bessere Wahl. Unterstützt dein Tool es, ist ein Resampling nach Prompts (Bootstrap) noch besser.
Solltest du alle KI-Systeme zu einem Share of Voice zusammenfassen?
Berichte zuerst jedes System einzeln, dann einen Gesamtwert mit dokumentierter Gewichtung. Die Systeme sind sich nicht einig: Der Engine-Benchmark von Trakkr mit 825.343 Prompts ergab eine durchschnittliche Übereinstimmung zwischen den Modellen von 43,3 %, und eine Marke kann auf einem System führen und auf einem anderen gar nicht vorkommen. Rohzahlen über Systeme hinweg zusammenzulegen ist in Ordnung, wenn jedes System gleich viele Antworten bekommt. Willst du Systeme nach Bedeutung gewichten, dann danach, wo deine Zielgruppe tatsächlich unterwegs ist. Als Orientierung: ChatGPT lieferte 56,8 % von 3.677 KI-vermittelten Seitenaufrufen, die das AI-Rank-Lab-Tag auf 28 Websites erfasst hat (Juli 2025 bis Oktober 2026), gefolgt von Gemini (17,1 %), Perplexity (12,4 %), Claude (12,0 %) und Copilot (1,7 %). Referral-Anteil ist nicht Nutzungsanteil, und deine Werte werden abweichen – miss also deine eigenen, bevor du sie als Gewichtung verwendest.
Was ist ein guter KI-Share-of-Voice?
Einen belegten, universellen Benchmark gibt es nicht, und bei jedem, der einen ohne Methode nennt, solltest du skeptisch sein. Was „gut“ ist, hängt davon ab, wie viele Marken in deinen Antworten konkurrieren, von deiner Kategorie und von der verwendeten Formel.
Die veröffentlichten Spannen widersprechen sich auch deshalb, weil sie Unterschiedliches messen:
| Quelle | Kennzahl, auf die sich die Spanne bezieht | Spanne für „Marktführer“ | Belegt? |
|---|---|---|---|
| Alex Birkett | Antworten mit Nennung / alle Antworten (eine Präsenzrate) | 50 % bis 90 % | Erfahrung des Autors, Bottom-of-Funnel-Prompts |
| LLM Pulse | Nennungsanteil an allen Markennennungen | 40 % bis 70 % | Keine Quelle angegeben |
| geotoolbox | Nennungsanteil an allen Markennennungen | 50 % und mehr | Eine Zusammenfassung anderer Ratgeber, ausdrücklich nur als Orientierung gekennzeichnet |
Eine Präsenzrate von 60 % und ein Nennungsanteil von 60 % sind sehr unterschiedliche Positionen. Diese Spannen lassen sich also weder untereinander noch mit der Zahl aus deinem Tool vergleichen, solange die Formel nicht übereinstimmt. Belegte Orientierungspunkte:
- Die Fair-Share-Linie. Bei N regelmäßig genannten Marken liegt eine gleichmäßige Verteilung bei 100 / N. Bei fünf Marken sind 20 % Gleichstand; darüber bist du überrepräsentiert. Trakkr schlägt diese Linie als Orientierung vor, nicht als Ziel.
- Die Streuung zwischen Kategorien ist enorm. In der Studie von SparkToro tauchte eine Krankenhausmarke in 97 % der ChatGPT-Antworten zu ihrer Anfrage auf, Kopfhörermarken in 55 % bis 77 %, und Branding-Agenturen kamen nur auf Werte im Bereich von 30 bis 40 Prozent und etwas darüber. Vergleiche innerhalb deiner Kategorie, nie über Kategorien hinweg.
- Der Zitationsanteil an allen Quellen bleibt klein. Wenn die meistzitierte Domain in einem Panel mit 48 Millionen Zitaten 3,47 % hält, kann ein einstelliger Zitationsanteil an allen Quellen eine Spitzenposition sein.
- Share of Voice gegenüber Marktanteil. Nach der Logik von Jones ist der nützlichste Benchmark dein KI-Share-of-Voice im Vergleich zu deinem tatsächlichen Marktanteil. Liegt dein Share of Voice unter deinem Marktanteil, bist du in KI-Antworten unterrepräsentiert – ein konkretes Problem, das du angehen kannst.
Der Benchmark, der am meisten zählt, ist dein eigener Trend gegenüber denselben benannten Wettbewerbern, auf demselben Prompt-Set und jenseits der Fehlermarge. Trackst du zusätzlich einen zusammengesetzten Score, zeigt unser Beitrag dazu, wie ein AEO-Score gemessen wird, wie solche Scores diese Größen kombinieren.
Wie berichtest du KI-Share-of-Voice ans Management?
Liefere eine Tabelle, eine Trendlinie und eine Entscheidung. Die Führungsebene muss wissen, ob die Veränderung echt ist, wer sich bewegt hat und was du tun wirst – nicht die rohen Prompt-Logs. Eine Berichtszeile sieht so aus (Beispielwerte aus dem Rechenbeispiel, mit einem hypothetischen Vorzeitraum):
| Kennzahl | Aktueller Zeitraum | Vorzeitraum | Veränderung | Marge (±) | Einordnung |
|---|---|---|---|---|---|
| Nennungsrate | 35,0 % | 22,5 % | +12,5 Pkt. | 10,5 Pkt. | Signal – im nächsten Zeitraum bestätigen |
| Nennungs-Share-of-Voice | 17,5 % | 15,0 % | +2,5 Pkt. | 8,3 Pkt. | Im Rauschen – abwarten |
| Zitations-Share-of-Voice (getracktes Set) | 44,0 % | 36,0 % | +8,0 Pkt. | 10,9 Pkt. | Im Rauschen – beobachten |
| Nennungsanteil des stärksten Wettbewerbers | 27,5 % (A) | 29,0 % (A) | -1,5 Pkt. | 9,8 Pkt. | Keine Veränderung |
| Anteil nicht getrackter Marken | 22,5 % | 18,0 % | +4,5 Pkt. | - | Discovery-Durchgang starten |
Rund um diese Tabelle passt der Report auf eine Seite:
- Umfang: Prompts, Systeme, Märkte, Durchläufe, Zeitraum und Formel, zum Beispiel „80 Prompt-Engine-Paare, 4 Systeme, US-Englisch, 240 Antworten, 15. Sept. bis 12. Okt., Nennungsanteil im offenen Pool“.
- Kernaussage: ein Satz zu der Veränderung, die über der Fehlermarge liegt, oder „keine signifikante Veränderung“.
- Aufteilung pro System: eine kleine Tabelle, denn ein Gesamtwert kann einen Verlust auf einem System verdecken.
- Segmentansicht: Share of Voice nach Funnel-Stufe oder Thema – hier entstehen die Maßnahmen.
- Treiber: die zitierten Seiten und Drittquellen hinter den größten Veränderungen, aus deinen Zitationsdaten.
- Maßnahmen und Verantwortliche: zwei oder drei Fixes, jeweils einem Prompt-Segment zugeordnet.
Was du lassen solltest: einen einzelnen Durchlauf als Trend zeigen, das Prompt-Set ohne neue Baseline ändern und den positionsgewichteten Anteil als „unser Ranking in ChatGPT“ präsentieren.
Tools, die das Tracking von KI-Share-of-Voice automatisieren
Hinweis: AI Rank Lab ist unser Produkt. Wir nennen es zuerst, weil das hier unsere Website ist, und haben für alle Tools unten dieselben Kriterien angelegt. Die Kriterien: welche Formel das Tool dokumentiert, ob du das Prompt-Set selbst steuerst und was du mit dem Ergebnis anfangen kannst.
- AI Rank Lab. Das Tracking der Markensichtbarkeit lässt deine Prompts nach Zeitplan auf ChatGPT, Claude, Gemini und Perplexity laufen und erfasst für jeden Durchlauf Nennung, Position, Sentiment, genannte Wettbewerber und zitierte URLs; eigene Tracker für AI Overviews und den AI Mode decken Google ab. Die Wettbewerbsanalyse und der Citation Tracker weisen Nennungsanteil und Zitationsanteil der Wettbewerber gegenüber den von dir angegebenen Wettbewerbern aus, und der Action Plan sowie die Content-Tools machen aus Lücken konkrete Fixes. Die Tarife starten bei 69 US-Dollar pro Monat (Preise geprüft am 18. Oktober 2026). Einschränkung: Der Share of Voice basiert auf den Wettbewerbern, die du einträgst, also auf einem geschlossenen Pool – mach deshalb regelmäßig einen Discovery-Durchgang für nicht gelistete Marken.
- Profound. Ein klares öffentliches Glossar, in dem Share of Voice, Visibility Score, Citation Share und Average Position getrennt definiert sind, plus eine Matrixansicht über Systeme, Themen und Wettbewerber hinweg. Eine starke Wahl für Enterprise-Teams, die Governance und Skalierung brauchen.
- Peec AI. Dokumentiert eine schlichte Formel für den Nennungsanteil samt Rechenbeispiel und führt Sichtbarkeit, Position und Sentiment als getrennte Kennzahlen, sodass sich die Zahlen leicht in einer Tabelle nachbauen lassen. Passt gut zu Teams, die ein einfaches, transparentes Setup wollen.
- Semrush AI Visibility Toolkit. Der Share of Voice steckt in den wöchentlich aktualisierten Brand-Performance-Reports, mit einer großen Prompt-Datenbank neben deinen getrackten Prompts. Die bessere Wahl, wenn dein SEO-Team ohnehin in Semrush arbeitet – die Positionsgewichtung ist allerdings nicht veröffentlicht.
- Ahrefs Brand Radar. Gewichtet Nennungen nach Suchnachfrage und baut Prompts aus „Ähnliche Fragen“ (People Also Ask) auf, sodass du einen Share of Voice auf Marktebene bekommst, ohne ein Prompt-Set zu schreiben. Ideal, wenn du einen nachfragegewichteten Blick auf eine ganze Kategorie willst statt auf deine Performance bei deinen eigenen Fragen.
- Eine Tabelle. Die Formeln oben funktionieren mit manueller Erfassung für 20 bis 50 Prompts. Das ist der günstigste Einstieg und der beste Weg, zu verstehen, was die Kennzahlen bedeuten; sobald du tägliche Durchläufe über mehrere Systeme brauchst, stößt sie an ihre Grenzen.
Grenzen von KI-Share-of-Voice
- Es ist eine Stichprobe deiner Prompts, nicht echter Nutzergespräche. Kein Tool sieht, was echte Nutzer gefragt oder angezeigt bekommen haben, und Personalisierung, Gedächtnis und Standort verändern die Antworten.
- Antworten über API und App können sich unterscheiden. Viele Tracker fragen die Systeme über APIs mit aktivierter Suche ab; die Apps für Endnutzer verhalten sich womöglich anders.
- Die Markenerkennung läuft automatisiert. Aliasnamen, Tippfehler und Marken mit Allerweltsnamen führen zu Fehlzählungen. Prüfe in jedem Zeitraum stichprobenartig einige Antworten.
- Eine Nennung ist keine Empfehlung. Auch eine Marke, die mit „für Enterprise eher meiden“ genannt wird, zählt. Kombiniere den Share of Voice mit Sentiment oder einer Markierung für empfohlene Antworten.
- Share of Voice ist kein Umsatz. Verknüpfe ihn mit KI-Referral-Traffic und Pipeline, bevor du einen geschäftlichen Effekt behauptest.
Fazit
KI-Share-of-Voice ist leicht zu berechnen und leicht falsch zu machen. Wähle die Formel, die deine Frage beantwortet, schreib die Zählregeln auf, nutze einen offenen Nenner, dimensioniere deine Stichprobe so, dass Veränderungen die Fehlermarge übertreffen, und berichte Nennungsanteil, Zitationsanteil und Nennungsrate gemeinsam. Wenn du die Tabelle nicht selbst pflegen willst: Die Wettbewerbsanalyse von AI Rank Lab trackt Nennungen, Zitate und Wettbewerberanteile nach Zeitplan, damit du Trends liest statt Momentaufnahmen.
Get a free AI ranking consultation
Want your brand to show up when ChatGPT, Gemini and Perplexity answer questions in your market? Tell us about your site and our team will send a personalized strategy.



