Share of Voice in KI-Antworten messen: ChatGPT vs. Perplexity

Immer mehr B2B-Entscheider starten ihre Recherche nicht bei Google, sondern in ChatGPT oder Perplexity. Laut dem G2 AI Search Insight Report 2026, für den 1.076 B2B-Entscheider befragt wurden, beginnen 51 Prozent der B2B-Software-Käufer ihre Anbieter-Recherche inzwischen in einem KI-Chatbot.

Wer dort nicht genannt wird, landet oft gar nicht erst auf der Shortlist. Die entscheidende Frage lautet deshalb nicht mehr nur „Ranken wir bei Google?", sondern: Wie oft und wie prominent tauchen wir in den Antworten der Modelle auf, verglichen mit unseren Wettbewerbern? Genau das misst der AI Share of Voice.

Was ist AI Share of Voice?

AI Share of Voice ist der Anteil der KI-Antworten, in denen Deine Marke für eine definierte Menge an Käuferfragen genannt oder empfohlen wird, relativ zu den Wettbewerbern. Es gibt zwei gängige Berechnungen, und sie beantworten unterschiedliche Fragen:

• Mention Rate: Antworten mit Deiner Marke geteilt durch alle getesteten Antworten, mal 100. Sie sagt, wie präsent Du überhaupt bist.
• Competitive Share of Voice: Deine Nennungen geteilt durch alle Marken-Nennungen im Testfeld, mal 100. Sie sagt, wie viel vom Kuchen Du bekommst.

Die zweite Zahl ist die aussagekräftigere. Eine hohe Mention Rate bei niedrigem Competitive Share of Voice heißt: Du wirst zwar genannt, die großen Namen dominieren die Antwort aber trotzdem.

Und gleich vorweg die wichtigste Einschränkung: Es gibt keine offizielle Kennzahl. Weder OpenAI noch Perplexity veröffentlichen so etwas. Jede Messung ist eine Momentaufnahme und hängt von Prompt-Auswahl, Region, Konto, Zeitpunkt und Modellversion ab. Genau deshalb braucht es eine nachvollziehbare Methode statt eines Bauchgefühls.

Warum Du ChatGPT und Perplexity getrennt messen musst

Die beiden Systeme holen Marken auf grundsätzlich verschiedene Weise in ihre Antworten. Wie weit das auseinanderliegt, zeigen mehrere unabhängige Auswertungen, die überraschend genau übereinstimmen:

Nur rund 11 Prozent der zitierten Domains erscheinen in beiden Systemen. Diese Zahl fanden Averi über 680 Millionen Zitationen, Whitehat über 118.000 Antworten und Profound über 100.000 Prompts unabhängig voneinander. Perplexity zitiert dabei im Schnitt 21,9 Quellen pro Antwort, ChatGPT nur 10,4. Und bei ChatGPT stellt Wikipedia allein rund 47,9 Prozent des Top-10-Quellenanteils.

Das sind praktisch zwei getrennte Quellenwelten. Was auf dem einen System funktioniert, überträgt sich nicht automatisch auf das andere.

Praktisch heißt das: getrennt messen, getrennt berichten, getrennt optimieren. Eine zusammengefasste Zahl über beide Systeme verwischt genau den Unterschied, auf den es ankommt.

Wie misst Du den Share of Voice konkret?

Für einen belastbaren ersten Überblick brauchst Du kein Tool. Eine Tabelle und etwas Disziplin reichen.

Schritt 1, das Prompt-Set. Sammle 15 bis 25 echte Käuferfragen, die Deine Zielgruppe stellen würde. Entscheidend: keine Markennamen in den Prompts. Sonst misst Du Wiedererkennung statt Empfehlung. Decke dabei Awareness-, Vergleichs- und Entscheidungsfragen ab und friere die exakten Formulierungen ein, denn das Prompt-Set ist Dein Messstab. Beispiele für einen B2B-Dienstleister:

• Beste Agenturen für KI-Sichtbarkeit und GEO in Deutschland 2026
• Wie messe ich Markensichtbarkeit in ChatGPT und Perplexity?
• Welche Tools helfen beim Tracking von AI Share of Voice?
• Worauf achten B2B-Käufer bei der Auswahl einer KI-Marketing-Agentur?
• ChatGPT oder Perplexity: Was eignet sich besser für Anbieter-Recherche?

Schritt 2, die Durchläufe. Miss mindestens in ChatGPT mit aktivierter Web-Suche und in Perplexity. Lass jeden Prompt drei- bis fünfmal pro System laufen, weil die Antworten schwanken. Nutze dabei saubere Sitzungen, also einen neuen Chat oder ein Fenster ohne Verlauf, damit gespeicherte Kontexte das Ergebnis nicht verfälschen. Region und Sprache hältst Du konstant.

Schritt 3, das Protokoll. Notiere pro Antwort: Wurde die Marke genannt, an welcher Position, in welcher Art (empfohlen, nur erwähnt, verglichen), welche Wettbewerber tauchen auf, welche Quellen werden zitiert, wie ist der Tonfall und mit welchem Datum und welcher Modellversion wurde gemessen. Ohne Datum und Modellversion ist die Messung später nicht reproduzierbar.

Schritt 4, die Berechnung. Gerechnet wird immer je System, nie über beide zusammen. Ein Beispiel: 20 Prompts mal 5 Durchläufe ergeben 100 Antworten pro System. Erscheint Deine Marke in 14 davon, liegt die Mention Rate bei 14 Prozent. Zählst Du im selben Datensatz 93 Marken-Nennungen insgesamt, liegt Dein Competitive Share of Voice bei 15 Prozent. Optional kommt die Citation Rate dazu, also wie oft Deine eigene Domain als Quelle auftaucht.

Schritt 5, die Wiederholung. Lass denselben Prompt-Satz alle ein bis zwei Wochen erneut laufen. Einzelne Ausreißer sind normal, aussagekräftig ist der Trend über mehrere Messungen.

Wo die Messung an ihre Grenzen stößt

• Die Ergebnisse schwanken zwischen Durchläufen, Regionen und Konten. Eine einzelne Messung ist wertlos.
• Es gibt keine offizielle Share-of-Voice-Zahl von OpenAI oder Perplexity, an der Du Dich eichen könntest.
• Ein einzelner Prompt sagt fast nichts. Erst die Verteilung über viele Fragen und mehrere Durchläufe ergibt ein Bild.
• Gebrandete Fragen messen Wiedererkennung, nicht Wettbewerbsposition. Für die Shortlist zählen die ungebrandeten Kauffragen.
• Tools automatisieren das und skalieren besser. Für den Einstieg und das Verständnis der Logik ist die manuelle Messung trotzdem unschlagbar.

Was Du mit dem Ergebnis machst

Die Zahl allein ändert nichts. Ihr Wert liegt darin, dass sie zeigt, wo die Lücke sitzt, und die Lücke fällt je nach System völlig unterschiedlich aus.

Ein niedriger Wert bei Perplexity ist meist ein Inhaltsproblem: Es fehlen frische, klar strukturierte und gut zitierbare Seiten, dazu Präsenz auf Community- und Review-Plattformen. Das lässt sich vergleichsweise schnell beheben, weil Perplexity in Echtzeit liest.

Ein niedriger Wert bei ChatGPT ist meist ein Autoritätsproblem: Es fehlen Entity-Signale, Erwähnungen in etablierten Quellen und eine konsistente Beschreibung der Marke über viele Seiten hinweg. Das dauert länger, hält dafür auch länger.

Deshalb ist die Frage nach der Maßnahme wichtiger als die Zahl selbst. Wer bei Perplexity schlecht dasteht, braucht Content-Arbeit. Wer bei ChatGPT schlecht dasteht, braucht Autoritätsaufbau. Beides zu verwechseln kostet Monate.

Wie wir eine Messung aufsetzen

Wir gehen genau nach dieser Methode vor: ungebrandetes Prompt-Set aus echten Kauffragen, getrennte Messung in beiden Systemen, mehrere Durchläufe gegen die Schwankung, Protokoll mit Datum und Modellversion. Der Teil, für den Kunden uns holen, ist aber nicht das Zählen. Es ist die Ableitung: welcher Befund auf welchen Hebel zeigt, und in welcher Reihenfolge sich die Arbeit rechnet.

Und eine Einschränkung, die wir offen sagen: Unser WhatsApp-Check ist eine schnelle erste Einordnung, keine vollständige Messung. Er beantwortet in wenigen Minuten die Frage, ob Deine Marke bei typischen Kauffragen überhaupt auftaucht und neben wem. Für die belastbare Zahl über die Zeit braucht es das volle Prompt-Set und wiederholte Durchläufe, so wie oben beschrieben. Wir halten die beiden Dinge bewusst auseinander.

Fazit

Solange 11 Prozent Überschneidung zwischen zwei Systemen die Regel sind, ist eine einzige Sichtbarkeitszahl wertlos. Was zählt, ist ein festes Prompt-Set, getrennte Messung je System, genug Durchläufe gegen das Rauschen und die Ehrlichkeit, das Ergebnis als Momentaufnahme zu behandeln.

Der Aufwand für den Einstieg liegt bei etwa einer Stunde: zehn bis fünfzehn Deiner wichtigsten Käuferfragen, zwei Systeme, eine Tabelle. Danach weißt Du zum ersten Mal, ob die Modelle Dich überhaupt kennen und ob sie Dich empfehlen.