Mit dem Aufkommen von KI-Assistenten wie ChatGPT, Perplexity oder Gemini bereiten Konsument*innen ihre Kaufentscheidungen zunehmend in textbasierten Dialogen vor. In diesem Umfeld entscheidet nicht mehr allein klassisches Branding über den Absatz, sondern die Sichtbarkeit im generierten Antwortfeld – das sogenannte „Share of Model“. Marken, die sowohl die emotionale Erwartungshaltung der Menschen als auch die faktengestützten Bedürfnisse von Large Language Models (LLMs) adressieren, gewinnen einen entscheidenden Wettbewerbsvorteil.
Was bedeutet Dual-Audience-Marketing?
Dual-Audience-Marketing bezeichnet den strategischen Spagat zwischen zwei Zielgruppen: Menschen, die auf Geschichten, Emotionen und heuristische Argumente reagieren, und KI-Modelle, die klare, verifizierbare Fakten benötigen, um Inhalte zu zitieren. Ohne diesen Ausgleich wird Content entweder von Menschen als zu nüchtern empfunden oder von Maschinen als unlesbar abgelehnt.
Die neue Kennzahl: Share of Model
Traditionell galt das „Share of Search“ als zentraler Erfolgsfaktor. Heute ergänzt das „Share of Model“ die Messlatte: Es misst den Prozentsatz der KI-Antworten, in denen eine Marke im Vergleich zu Wettbewerbern empfohlen oder als Quelle genannt wird. Laut David Dugan, Head of Global Ads Solutions bei OpenAI, besitzen rund 20 % aller KI-Anfragen einen kommerziellen Hintergrund.
„Rund 20 % der KI-Anfragen haben einen kommerziellen Hintergrund“ – David Dugan, OpenAI
Generative Engine Optimization (GEO) und das Antwort-Beleg-Prinzip
GEO ist die gezielte Optimierung von Inhalten für die Extraktion durch LLMs. Das Kernstück ist das Antwort-Beleg-Prinzip: Jede zentrale Aussage wird durch statistische Daten, glaubwürdige Zitate oder nachprüfbare Quellen ergänzt. Dadurch wird die Wahrscheinlichkeit erhöht, dass ein Modell den Inhalt nicht nur versteht, sondern auch namentlich zitiert.
Wissenschaftlicher Beleg: Die Princeton-GEO-Studie
Eine Grundlagenstudie der Princeton University, Georgia Tech und des Allen Institute (Aggarwal et al., 2024) belegt, dass strukturierte Daten, Zitate und statistische Belege die Sichtbarkeit von Inhalten in generativen KI-Antworten um bis zu 41 % steigern. Gleichzeitig senkte klassisches Keyword-Stuffing die KI-Sichtbarkeit um 10 %. Die Studie quantifizierte den Sichtbarkeitszuwachs anhand des „Position-Adjusted Word Count“ und des subjektiven Eindrucks im GEO-bench-Testframework:
- Sichtbarkeitszuwachs durch Statistiken: +37 % bis +41 % (2024)
- Equalizer-Effekt durch Quellenzitate: +115,1 % – Zitationswahrscheinlichkeit für Inhalte, die in klassischen Suchergebnissen erst Rang 5 erreichten (2024)
„Das Antwort-Beleg-Prinzip verleiht der im Text empfohlenen Taktik ein belastbares, peer-reviewtes Fundament statt reiner Agenturtheorie“, betont die Studie.
Die Two-Audience-Kluft: Cannes-Lions-Studie von Jellyfish & INSEAD
Eine weitere Analyse von Jellyfish und Prof. David Dubois (INSEAD) untersuchte 480 Video-Kampagnen, die bei den Cannes Lions 2022 und 2023 eingereicht wurden. Die KI-Bewertung (via Gemini) zeigte eine statistische Null-Korrelation (r ≈ 0,0) zur menschlichen Jury-Bewertung. Dabei gewichteten LLMs rationale Produktfeatures dreimal stärker, während emotionale Narrative praktisch ignoriert wurden.
- Untersuchte Werbekampagnen: 480 (2024)
- Korrelation Mensch vs LLM: 0,0 (2024)
Die Resultate verdeutlichen, dass der Zielkonflikt zwischen emotionalem Storytelling und faktischer Klarheit systemisch ist.
Verlagerung des Suchvolumens: Warum Share of Model das klassische SEO ablöst
Analysten von Gartner prognostizieren einen strukturellen Bruch im Suchverhalten: Durch Zero-Click-Search-Szenarien sinkt der Klickverkehr auf traditionelle Websites signifikant. Bis 2026 wird ein Rückgang traditioneller Suchanfragen um -25 % erwartet, während die Klickrate bei generativen Antworten bei etwa 8 % liegt – gegenüber rund 15 % bei klassischen Suchergebnislisten.
- Prognostizierter Rückgang traditioneller Suchanfragen: -25 % (2024, Prognose-Horizont 2026)
- Klickrate bei generativen Antworten: ca. 8 % (2024)
Damit wird die Sichtbarkeit in den Trainings- und Retrieval-Augmented-Generation-Pipelines der LLMs zur zentralen Überlebensmetrik für Marken.
Praktische Umsetzung: Tipps für E-Commerce-Marken
Basierend auf den vorgestellten Studien lassen sich folgende Handlungsfelder ableiten:
- Ergänzen Sie Produktbeschreibungen mit nachprüfbaren Kennzahlen (z. B. Maße, Gewichte, Testergebnisse).
- Verankern Sie Zitate von Experten oder Kundenmeinungen sowie direkte Quellen-Links.
- Vermeiden Sie Keyword-Stuffing; setzen Sie stattdessen auf semantisch sinnvolle, kontextbezogene Begriffe.
- Strukturieren Sie Inhalte klar (Überschriften, Tabellen, Aufzählungen), damit LLMs die Fakten leicht extrahieren können.
- Nutzen Sie das Antwort-Beleg-Prinzip, um emotionale Story-Elemente mit harten Daten zu verbinden.
Risiken und Gegenmaßnahmen
Die Optimierung ausschließlich für LLMs birgt zwei wesentliche Gefahren:
- Overfitting auf LLMs: Wird Content zu stark auf das Antwort-Beleg-Schema getrimmt, sinkt die Conversion-Rate bei menschlichen Besuchern.
- Volatilität generativer Zitationen: KI-Zitat-Muster hängen von Prompt-Formulierungen, Temperature-Parametern und Trainingszyklen ab, was die Messbarkeit des Share of Model erschwert.
Ein ausgewogenes Zusammenspiel von Fakten und Storytelling reduziert diese Risiken.
Schnellüberblick:
Was unterscheidet Generative Engine Optimization (GEO) konkret von klassischem SEO?
Klassisches SEO optimiert Webseiten für Rankings in Linklisten anhand von Keywords, Backlinks und technischer Ladezeit. GEO zielt darauf ab, dass Algorithmen und LLMs Inhalte als semantisch belastbare Faktenquelle erkennen, extrahieren und in direkt formulierten KI-Antworten namentlich zitieren.
Wie lässt sich der „Share of Model“ messen?
Der Share of Model wird über automatisierte Abfragen branchenrelevanter Prompts über Modelle wie ChatGPT, Perplexity und Gemini hinweg erhoben. Er misst den prozentualen Anteil der Antworten, in denen eine Marke im Vergleich zu Mitbewerbern empfohlen oder als Quelle genannt wird.
Quellen
- https://almcorp.com/chatgpt-ads-cannes-commercial-intent
- https://arxiv.org/abs/2311.09735
- https://www.gartner.com/en/newsroom/press-releases/2024-02-19-gartner-predicts-search-engine-volume-will-drop-25-percent-by-2026-due-to-ai-chatbots
- https://www.jellyfish.com/en-gb/thinking/share-of-model-creativity-cannes