Sichtbarkeit in der Suche hatte immer ein einziges Ziel: dort erscheinen, wo Deine Zielgruppe sucht. Jahrelang bedeutete das Google-Rankings. Heute zählen auch ChatGPT-Antworten, Google AI Overviews und Perplexity-Ergebnisse dazu. Zwei Kennzahlen stehen jetzt im Mittelpunkt der Markensichtbarkeit: der klassische Share of Voice und der LLM Share of Voice. Beide zu verstehen und ihre Unterschiede zu kennen, ist eine der wichtigsten strategischen Entscheidungen, die Du als Marketer im Jahr 2026 treffen kannst.
Was ist der klassische Share of Voice im SEO?
Der klassische Share of Voice (SOV) im SEO ist der prozentuale Anteil des organischen Suchtraffics, den eine Marke aus einem definierten Set an verfolgten Keywords erzielt, gemessen am gesamten geschätzten Traffic aller konkurrierenden Marken. Er übersetzt Keyword-Rankings in einen Sichtbarkeitsprozentsatz und zeigt, wie viel vom Suchmarkt eine Marke im Vergleich zu ihren Mitbewerbern besetzt.
Das Konzept stammt ursprünglich aus der Werbung, wo SOV den Anteil eines Werbebudgets am Gesamtbudget einer Kategorie maß. Im SEO gilt dieselbe Logik: Statt Budget misst Du geschätzte organische Klicks. Die Standardformel lautet SOV = (Dein geschätzter Traffic / gesamter Markt-Traffic) × 100.
In der Praxis bedeutet die Berechnung des SEO Share of Voice: Du multiplizierst das Suchvolumen jedes Keywords mit der positionsabhängigen Klickrate, um monatliche Klicks zu schätzen, und dividierst dann Deinen Gesamtwert durch den Marktgesamtwert. Eine Marke, die für ein Keyword mit 1.000 monatlichen Suchanfragen auf Position zwei rankt und eine CTR von 15 % erzielt, gewinnt daraus rund 150 geschätzte Besuche. Aggregierst Du das über Dein gesamtes Keyword-Set, erhältst Du einen einzigen, vergleichbaren Sichtbarkeitsscore.
Welche Kanäle deckt der klassische Share of Voice ab?
Der klassische SOV umfasst mehrere Discovery-Kanäle. Paid SOV misst erkaufte Sichtbarkeit über Google Ads und Display-Werbung. Earned SOV deckt PR, Backlinks und redaktionelle Erwähnungen ab. Owned SOV spiegelt die Website und Blog-Inhalte einer Marke wider. Organic SOV, die Variante, die die meisten SEOs verfolgen, misst, was eine Marke allein durch Suchmaschinen-Rankings erzielt. Tools wie Semrush Position Tracking, Ahrefs und SEOmonitor bieten jeweils dediziertes SOV-Reporting, das diese Signale zu einem Wettbewerbs-Benchmark zusammenführt.
Was ist LLM Share of Voice und wie wird er definiert?
LLM Share of Voice ist der prozentuale Anteil der Markenerwähnungen, den ein Unternehmen in KI-generierten Antworten erhält, gemessen an allen Mitbewerber-Markenerwähnungen für dieselbe Kategorie auf diesen Plattformen. Er misst, wie oft und wie positiv eine Marke erscheint, wenn Nutzer ChatGPT, Perplexity, Google AI Overviews oder ähnliche KI-Tools nach Lösungen in einem bestimmten Bereich fragen.
Die Grundformel spiegelt den klassischen SOV wider: AI SOV = (Deine Markenerwähnungen / Gesamtmarkenerwähnungen über alle verfolgten Prompts) × 100. Wenn KI-Modelle in einem repräsentativen Set an Kategorie-Prompts insgesamt 200 Mal Marken erwähnen und Deine Marke dabei 50 Mal vorkommt, beträgt Dein LLM Share of Voice 25 %.
Dir werden auch die Begriffe “AI Share of Voice” und “Share of Model” (SOM) begegnen, ein Begriff, der Mitte 2025 offiziell von Forschern am INSEAD eingeführt wurde. Alle drei Begriffe beschreiben dasselbe Grundkonzept: wie viel vom KI-Antwort-Universum eine Marke besetzt. Für den praktischen Marketing-Einsatz sind sie austauschbar, wobei “LLM Share of Voice” und “AI Share of Voice” im Arbeitsalltag häufiger verwendet werden.
Anders als der klassische SOV erfasst der LLM Share of Voice nicht nur, ob eine Marke erwähnt wird, sondern auch, an welcher Stelle der Antwort sie erscheint, ob der Ton positiv oder neutral ist und ob stattdessen ein Mitbewerber empfohlen wird. Dieses reichhaltigere Signal spiegelt die Realität wider: KI-Antworten sind synthetisierte Narrativen, keine Ranglisten.
Was sind die wichtigsten Unterschiede zwischen LLM SOV und klassischem SOV?
Der grundlegende Unterschied zwischen LLM Share of Voice und klassischem Share of Voice liegt darin, was jede Kennzahl misst. Klassischer SEO-SOV misst den Anteil einer Marke an rankenden, anklickbaren Suchergebnissen. LLM Share of Voice misst die Präsenz einer Marke innerhalb synthetisierter KI-generierter Antworten, wo es keine Rangliste und oft keinen einzigen Klick gibt.
Die folgende Tabelle fasst die wichtigsten Unterschiede zusammen:
- Messobjekt: Klassischer SOV misst Rankings und geschätzte Klicks. LLM SOV misst die Einschlussfrequenz innerhalb KI-generierter Textantworten.
- Sichtbarkeitsmodell: In der klassischen Suche erzeugt Platz fünf noch immer etwas Traffic. In der KI-Suche ist eine Marke entweder Teil der Antwort oder vollständig unsichtbar.
- Autoritätssignale: Klassisches SEO baut Autorität durch Backlinks und Domain-Ratings auf. LLM SOV baut Autorität durch Entitätskonsistenz, Earned-Media-Coverage und semantische Themendichte im gesamten Web auf.
- Keyword vs. Thema: SEO zielt auf spezifische Keyword-Anfragen ab. LLM-Optimierung zielt auf breite semantische Themenabdeckung über konversationelle Prompts hinweg ab.
- Messbarkeit: Klassische Rankings sind direkt beobachtbar. KI-Antworten sind dynamisch und kontextabhängig und erfordern strukturiertes Prompt-basiertes Polling zur Verfolgung.
- Funnel-Position: Klassischer SOV ist ein Proxy für Awareness über einen langen, multi-touch Funnel. LLM SOV komprimiert diesen Funnel auf einen einzigen Moment: Ein Käufer stellt eine Frage, und das Modell antwortet mit einer Empfehlung.
Die wohl wichtigste praktische Konsequenz: Eine Marke kann in KI-Antworten an Mindshare verlieren, lange bevor klassische SEO-Dashboards einen Rückgang im Traffic anzeigen. Klassische Metriken messen, was Suchmaschinen anzeigen. LLMs indexieren nicht auf dieselbe Weise. Sie synthetisieren. Das Markenbewusstsein innerhalb von KI-Systemen entsteht aus Assoziationen, Kontext und semantischer Dichte im gesamten Web, nicht allein aus Linkautorität oder On-Page-Signalen.
Warum ist LLM Share of Voice heute für die SEO-Strategie wichtig?
LLM Share of Voice ist wichtig, weil KI-Tools zu einem primären Recherchekanal für Käufer geworden sind. AI Overviews erscheinen inzwischen bei über 25 % aller Google-Suchanfragen, und die große Mehrheit der Anfragen mit hoher kommerzieller Absicht löst KI-generierte Antworten aus. Eine Marke, die in diesen Antworten fehlt, fehlt genau in dem Moment, in dem Käufer ihre Shortlists erstellen.
Das Ausmaß des Wandels ist erheblich. Laut einer Anfang 2026 veröffentlichten Analyse erscheinen nur 12 % der B2B-SaaS-Marken, wenn Käufer ihre Kategorie in KI-Tools suchen. Die anderen 88 % sind genau in dem Moment unsichtbar, in dem Käufer Meinungen bilden und Entscheidungen treffen. Gleichzeitig konvertiert KI-Referral-Traffic mit einer Rate, die etwa neunmal höher ist als der Standard-Google-Organic-Traffic, was jede KI-Erwähnung deutlich wertvoller macht als ein klassisches Ranking.
Gartner prognostiziert, dass das klassische Suchvolumen bis 2026 um 25 % sinken wird, da KI-Chatbots Discovery-Anfragen absorbieren. Diese Zahl stammt aus sekundärer Attribution statt aus einem direkt verifizierten Primärbericht, aber der Richtungstrend stimmt mit dem überein, was Marketer in ihren eigenen Analytics beobachten. KI-referenzierter Traffic wächst schnell, und die Marken, die ihn abschöpfen, sind jene, die LLM-Sichtbarkeit frühzeitig aufgebaut haben.
Im Jahr 2026 steht die Stabilität des KI-Markensignals gleichberechtigt neben Share of Voice und Keyword-Rankings als zentrale Sichtbarkeitsmetrik. LLMs kalibrieren ständig neu, welche Marken in welchen Kontexten relevant sind. Ein kleiner Rückgang der Modell-Aufmerksamkeit kann verschieben, welche Marken in Zusammenfassungen, Vergleichen und Entscheidungsprozessen erscheinen, lange bevor sich das als Traffic-Rückgang in Google Analytics zeigt.
Wie wird LLM Share of Voice konkret gemessen?
LLM Share of Voice wird gemessen, indem ein strukturiertes Set repräsentativer Prompts regelmäßig über KI-Plattformen hinweg ausgeführt wird und dabei festgehalten wird, wann und wie eine Marke sowie ihre Mitbewerber in den Antworten erscheinen. Da KI-Plattformen keine Analytics-APIs bereitstellen, findet die gesamte Messung von außen statt, durch systematisches Prompt-Testing statt durch Dashboard-Exporte.
Der führende Messansatz nutzt ein Polling-Modell, das von der Wahlforschung inspiriert ist. Eine repräsentative Stichprobe von 250 bis 500 High-Intent-Kategorie-Anfragen wird definiert. Diese Anfragen werden täglich oder wöchentlich über die Zielplattformen ausgeführt. Jede Antwort wird bewertet nach Markenerwähnung (ja oder nein), Position in der Antwort, Ton und ob stattdessen ein Mitbewerber empfohlen wird. Im Laufe der Zeit entsteht so eine Performance-Baseline, die Trends aufzeigt, die durch Content-Updates, Presseberichterstattung oder neue Modellversionen ausgelöst werden.
Wie unterscheiden sich KI-Plattformen in ihrem Markenerwähnungsverhalten?
Markenerwähnungsraten variieren erheblich zwischen den Plattformen. Eine Analyse von über 2,4 Millionen KI-Antworten ergab, dass Claude Marken in der großen Mehrheit seiner Antworten erwähnt, während Perplexity eine niedrigere Markenerwähnungsrate hat, aber externe Links deutlich häufiger einbindet als ChatGPT. Eine Marke könnte 40 % der Erwähnungen in ChatGPT erzielen, aber nur 15 % in Perplexity. Jede Plattform zieht aus unterschiedlichen Quellen, gewichtet Autorität anders und bedient einen anderen Typ von Suchabsicht. Effektives LLM-SOV-Tracking umfasst mehrere Plattformen, nicht nur eine.
Spezialisierte Tools für diese Messung sind Profound, Scrunch, das Semrush AI Visibility Toolkit, Nightwatch und LLM Pulse. Jedes verfolgt eine andere Kombination von KI-Plattformen und liefert Markenerwähnungsfrequenz, Share-of-Voice-Berechnungen und Wettbewerbs-Benchmarking. Top-Marken streben in der Regel mindestens 15 % Share of Voice über ihre Kern-Anfragen an, wobei Enterprise-Leader in spezialisierten Vertikalen 25 bis 30 % erreichen.
Welche Signale beeinflussen den LLM Share of Voice einer Marke?
Der LLM Share of Voice einer Marke wird primär durch die Qualität und Breite der Informationen bestimmt, die KI-Modellen über diese Marke aus Drittquellen zur Verfügung stehen. Earned Media ist das dominante Eingangssignal. Forschungen zeigen konsistent, dass die große Mehrheit der von KI zitierten Links aus Earned Media stammt und nicht aus markeneigenen Kanälen. Das bedeutet: Die wirkungsvollste LLM-SOV-Arbeit findet außerhalb Deiner eigenen Website statt.
Wikipedia-Einträge, Erwähnungen in Branchenverbänden, Berichterstattung in Publikationen wie Forbes oder TechCrunch und Nischen-Fachmedien haben überproportionales Gewicht dafür, wie LLMs Entitäten darstellen. Analysen der Zitatquellen zeigen klare Plattformvorlieben: ChatGPT schöpft stark aus Wikipedia und Reddit, während Perplexity sich stärker auf Reddit und Gartner-Forschung stützt. Die Zitierfrequenz über seriöse externe Quellen macht einen erheblichen Teil der KI-Antworteinschlüsse aus, unabhängig davon, ob diese Erwähnungen Links enthalten oder nicht.
Welche technischen Signale unterstützen die LLM-Sichtbarkeit?
Entitätskonsistenz ist das Fundament des LLM Share of Voice. Wenn ein Unternehmensname in verschiedenen Variationen über Quellen hinweg erscheint, fragmentiert der Entitätsgraph des Modells, und Erwähnungen lassen sich nicht zu einem einheitlichen SOV-Signal zusammenführen. Das bedeutet: ein identisches Unternehmensnamensformat auf allen Web-Properties, konsistente Namenszuschreibung für Führungskräfte, einheitliche Produkt- und Kategoriesprache sowie sauberes Schema-Organisation-Markup mit sameAs-Links, die auf Wikidata, Googles Knowledge Panel und Crunchbase verweisen.
Auch die Content-Struktur spielt eine Rolle. Seiten, die jeden Abschnitt mit einer direkten Antwort von 40 bis 60 Wörtern einleiten, Frage-Format-Überschriften verwenden und FAQ-Abschnitte mit FAQPage-Schema-Markup enthalten, werden von KI-Systemen deutlich häufiger zitiert. Content-Aktualität ist ein weiteres Signal: Seiten, die in den letzten zwei Monaten aktualisiert wurden, erhalten spürbar mehr KI-Zitierungen als veraltete Inhalte. Marken müssen außerdem sicherstellen, dass KI-Crawler in ihrer robots.txt-Datei nicht blockiert werden, da blockierte Seiten Zitierchancen vollständig verlieren.
Sollten Marketer sowohl LLM SOV als auch klassischen SOV verfolgen?
Ja. Marketer sollten sowohl LLM Share of Voice als auch klassischen Share of Voice verfolgen, weil sie unterschiedliche, aber miteinander verbundene Dimensionen der Markensichtbarkeit messen. Klassischer SEO-SOV und LLM SOV sind ergänzende Kennzahlen, keine konkurrierenden. Die Oberflächen ändern sich; das Ziel, dort gefunden zu werden, wo die Zielgruppe recherchiert, bleibt dasselbe.
Die Beziehung zwischen den beiden Kennzahlen ist real, aber nicht perfekt. Forschungen von Search Engine Land ergaben, dass Marken, die auf der ersten Google-Seite ranken, in rund 62 % der Fälle in ChatGPT-Antworten erschienen. Eine separate Analyse ergab, dass etwa drei Viertel der von KI zitierten URLs in den Top-10-Organic-Ergebnissen ranken. Starkes SEO bleibt das Fundament, auf dem KI-Zitierungen aufbauen, denn Inhalte, die nicht in Google oder Bing ranken, können Retrieval-Augmented-Generation-Systeme kaum finden.
Die Überschneidung ist jedoch nicht vollständig. Einige KI-Plattformen zeigen regelmäßig niedriger rankende Seiten an, die Fragen klar beantworten und starke externe Zitationssignale aufweisen. Eine Marke kann exzellente Organic-Rankings haben und trotzdem in KI-Antworten fehlen, wenn ihre Inhalte den Entitätsreichtum, die Earned-Media-Coverage und die strukturierte Formatierung vermissen lassen, auf die LLMs angewiesen sind.
Marken, die AI SOV nicht messen, treffen strategische Entscheidungen ohne den vollständigen Datensatz. Wenn ein Mitbewerber still und leise KI-Erwähnungen aufbaut, während Du für Organic-Traffic optimierst, wird die Verschiebung erst sichtbar, wenn sie sich als Umsatzproblem zeigt. Ein praktisches Content-Scoring-Framework verwendet eine Gewichtung von 55 % SEO zu 45 % GEO, was widerspiegelt, dass klassische Suche heute noch den Großteil der Discovery antreibt, KI-Suche aber der am schnellsten wachsende und am höchsten konvertierende Kanal ist.
Wie kannst Du Deinen LLM Share of Voice verbessern?
Die Verbesserung des LLM Share of Voice erfordert eine koordinierte Strategie über Earned Media, Content-Struktur, Entitätsoptimierung und technische Zugänglichkeit hinweg. Da die Mehrheit der KI-Zitierungen aus Off-Site-Quellen stammt und nicht aus der eigenen Domain einer Marke, findet die wirkungsvollste Arbeit außerhalb Deiner Website statt, durch PR, Drittanbieter-Coverage und Präsenz auf hoch zitierten Plattformen.
Die folgenden Maßnahmen haben die stärkste Evidenzbasis für die Verbesserung des LLM SOV:
- Earned-Media-Coverage aufbauen in autoritativen Publikationen, Branchen-Roundups, Analysten-Reports und Fachmedien. Drittanbieter-Erwähnungen haben bei LLMs deutlich mehr Gewicht als markeneigene Inhalte.
- Präsenz auf hoch zitierten Plattformen aufbauen. LinkedIn ist die am häufigsten zitierte Domain für professionelle Anfragen über alle großen KI-Plattformen hinweg. Reddit und Bewertungsplattformen wie G2 werden stark für “Best of”- und Vergleichsanfragen herangezogen. Aktiv zu sein und auf diesen Plattformen erwähnt zu werden, verbessert die LLM-Sichtbarkeit direkt.
- Inhalte für Extrahierbarkeit strukturieren. Leite jeden Abschnitt mit einer direkten Antwort von 40 bis 60 Wörtern ein. Verwende Frage-Format-Überschriften. Füge FAQPage-Schema-Markup hinzu. Diese strukturellen Signale machen Inhalte für KI-Systeme deutlich leichter zu parsen und zu zitieren.
- Entitätskonsistenz wahren über alle Web-Properties hinweg. Verwende überall denselben Unternehmensnamen, dieselben Produktnamen und dieselbe Kategoriesprache, und stelle sicher, dass das Schema-Organisation-Markup auf Wikidata und Crunchbase verlinkt.
- Inhalte aktuell halten. Seiten, die in den letzten zwei Monaten aktualisiert wurden, erhalten mehr KI-Zitierungen. Füge sichtbare Aktualitätssignale wie Veröffentlichungsdaten und Update-Hinweise hinzu.
- Sicherstellen, dass KI-Crawler auf Deine Website zugreifen können. Überprüfe Deine robots.txt-Datei, um sicherzustellen, dass Du KI-Crawler nicht blockierst, und vermeide es, Inhalte hinter JavaScript-Rendering, Tabs oder Akkordeons zu verstecken, die KI-Systeme nicht lesen können.
- Originaldaten und proprietäre Frameworks veröffentlichen. Benannte Studien, eigene Umfragen und Erkenntnisse von ausgewiesenen Experten schaffen zitierwürdige Inhalte, die LLMs als autoritatives Quellmaterial behandeln.
LLM SOV mit Umsatz zu verknüpfen erfordert, KI-referenzierten Traffic über UTM-getaggte Links in GA4 zu verfolgen, vierteljährliche Käuferbefragungen durchzuführen, um zu ermitteln, wie viele Interessenten KI-Tools während ihrer Recherche genutzt haben, und SOV-Trendlinien mit der Pipeline-Velocity über die Zeit abzugleichen. LLM Share of Voice ist noch eine aufkommende Kennzahl ohne dieselbe longitudinale Evidenzbasis wie klassische Excess-Share-of-Voice-Modelle, aber das Richtungssignal ist klar: Marken, die in KI-Antworten erscheinen, werden genau in dem Moment gefunden, in dem Käufer entscheiden.
Bei WP SEO AI ist unser WP SEO Agent darauf ausgelegt, beide Seiten dieser Gleichung zu unterstützen: Er hilft Dir, GEO-fähige Inhalte zu erstellen und zu veröffentlichen, die in der klassischen Suche performen und sich ihren Platz in KI-generierten Antworten verdienen. Das Ziel ist dasselbe wie immer: dort präsent sein, wo Deine Zielgruppe sucht, in jedem Format, das sie dafür nutzt.
