Share of Voice in KI-Antworten selbst messen

Ausgangslage: Der Score kommt, die Formel nicht

In Kundenprojekten messe ich KI-Sichtbarkeit mit Peec.ai. Das Werkzeug liefert täglich Daten auf Prompt-Ebene, und für die tägliche Arbeit ist das die richtige Wahl. Eine Sache liefert es nicht: die Rechenvorschrift hinter der Zahl.

Für eine Marke, die „keine Annahmen ohne Datenbasis” auf die Startseite schreibt, ist das ein Problem mit Ansage. Wenn ich einem Kunden erkläre, warum sein Share of Voice von 18 auf 11 Prozent gefallen ist, will ich die Kette bis zur Rohantwort zurückverfolgen können. Also habe ich die Messung einmal komplett selbst gebaut – als Werkzeug für Kundenprojekte und als Prüfstein für meine eigene Methode.

Was der Workflow tut

Vier Phasen, ausgelöst von einem Zeitplan. Phase eins fächert jeden aktiven Prompt zu Prompt × Modell × Wiederholung auf und schickt ihn über einen einzigen OpenRouter-Zugang an die Antwortmaschinen. Perplexity Sonar sucht nativ, die übrigen Modelle bekommen das Web-Plugin mit engine: native, damit jeder Anbieter mit seiner eigenen Suche gemessen wird und nicht mit einer vorgeschalteten fremden. Jede Antwort landet als Rohsatz in Google Sheets, mit Volltext und Quell-URLs. Fehlgeschlagene Aufrufe brechen den Lauf nicht ab, sie stehen als status=error in der Tabelle.

Phase zwei prüft jede Antwort gegen die Markenliste: erwähnt ja/nein, Domain als Quelle zitiert ja/nein, relative Position der ersten Nennung. Das läuft per Regex, nicht über einen LLM-Judge. Der Unterschied entscheidet über die Brauchbarkeit der ganzen Zeitreihe: Ein Modell, das ein anderes Modell bewertet, liefert bei jedem Lauf leicht andere Zahlen, und wer die Laune eines Judge-Modells nicht von echter Marktbewegung trennen kann, misst am Ende sich selbst. Regex liefert bei gleicher Eingabe immer dieselbe Zahl. Reproduzierbarkeit schlägt Eleganz.

Phase drei aggregiert je Modell und Marke zur Wochenzahl – Mention Rate, Citation Rate, Share of Voice, mittlere Position – plus einen kombinierten Wert über alle Modelle. Phase vier vergleicht mit der Vorwoche und verschickt einen HTML-Bericht mit Deltas in Prozentpunkten. Zwei Alarme sind eingebaut: ein SoV-Verlust von mehr als fünf Prozentpunkten, und eine Citation Rate, die auf null fällt. Der zweite ist der wichtigere. Er bedeutet fast immer, dass Crawler nicht mehr auf die Domain kommen.

Jeder Prompt läuft dreimal pro Modell. Eine Einzelmessung an einer stochastischen Antwort ist kein Signal, sondern Rauschen mit Nachkommastellen.

Datenmodell

Google Sheet
├── prompts      Frage, Thema, Markt, Sprache, aktiv
├── brands       Name, aliases_regex, Domains, is_own
├── runs         Rohantwort + Quell-URLs, ein Satz je Call
├── mentions     eine Zeile je Marke je Antwort
└── weekly_agg   Wochenzahlen, Datenquelle für Looker Studio

Fünf Tabs, kein Server, keine Datenbank. Das Sheet ist gleichzeitig Konfiguration, Rohdatenspeicher und Exportformat. Die Marken- und Metriklogik bleibt darin liegen: An die Modell-APIs gehen nur die Fragen selbst, nie die Wettbewerberliste.

Was der Betrieb kostet

Die Modell-Token sind der kleinste Posten, rund 2 $ im Monat. Bezahlt wird die Suche: Perplexity berechnet eine Request-Gebühr, bei GPT und Gemini kommt das Websuche-Plugin dazu. Die Zahlen unten stammen aus dem Betrieb mit 50 Prompts über drei Modelle (GPT-4o-mini, Gemini 2.5 Flash, Perplexity Sonar). Der Workflow bringt vier mit; welche Modelle laufen, ist eine Zeile im Code-Node.

Betriebsmodus	Kosten pro Monat
Wöchentlich, 1 Durchlauf	10 bis 12 $
Wöchentlich, 3 Durchläufe	30 bis 35 $
Täglich, 1 Durchlauf	70 bis 80 $
Täglich, 3 Durchläufe	200 bis 220 $

Dazu das Hosting: ein kleiner VPS ab etwa 5 $, die n8n Cloud ab rund 24 € im Monat.

Der ehrliche Vergleich

Hier wird es unbequem, und deshalb steht es auf dieser Seite. Peec.ai und orchly.ai messen täglich. Der Eigenbau ist nur billiger, solange ein Wochenrhythmus genügt.

Der Starter-Plan von Peec kostet 85 € im Monat und deckt exakt denselben Umfang ab, den ich hier baue: 50 Prompts, drei Modelle, ein Projekt – täglich statt wöchentlich, mit Dashboard, Sentiment und Quellenanalyse. Orchly Essential liegt bei 49 $ monatlich (37 $ bei Jahreszahlung) für 25 täglich aktualisierte Prompts, mit ChatGPT, Google AI Overview und Perplexity im Basispaket; Gemini, Claude, Grok und AI Mode kosten extra.

Rechnet man den Eigenbau auf tägliche Messung mit drei Durchläufen hoch, landet er bei 200 bis 220 $ und ist damit teurer als beide – ohne fertiges Dashboard, ohne Sentiment-Analyse, ohne Support. Wer täglich messen will und ein Team-Frontend braucht, kauft besser ein. Das ist kein Zugeständnis, das ist die Rechnung.

Zwei Dinge bleiben trotzdem beim Eigenbau. Erstens die Modellwahl: Claude Sonnet steht bei Peec erst im Enterprise-Plan, ein viertes Modell kostet im Starter 35 € Aufpreis. Im Workflow ist es ein Eintrag in einem Array. Zweitens die Prompt-Zahl: 50, 200 oder 500 Prompts ändern die Lizenz nicht, nur die API-Rechnung.

Datenhoheit, nicht Datenschutz

Bei Eigenbau-Projekten liest man oft das Argument „Ihre Daten bleiben bei Ihnen”. Das trägt hier nicht, und ich sage lieber selbst, warum. Durch diesen Monitor fließen keine personenbezogenen Daten – die Prompts sind generische Marktfragen, die DSGVO hat damit wenig zu tun. Der Eigenbau schickt Anfragen an mehr US-Anbieter statt an weniger: OpenRouter, OpenAI, Google, Perplexity. Die Rohdaten liegen in Google Sheets. Wer daraus einen Datenschutzvorteil gegenüber einem deutschen SaaS konstruiert, argumentiert gegen die eigene Architektur.

Was trägt, ist Datenhoheit. Die vollständigen Antworttexte gehören Ihnen, exportierbar, ohne Vendor-Lock-in. Jede Share-of-Voice-Zahl ist nachrechenbar, weil die Formel im Code-Node steht und die Erkennung deterministisch läuft. Und das strategisch heikelste Gut, das getrackte Prompt-Set samt Wettbewerberliste, liegt in Ihrer Tabelle statt in der Datenbank eines Anbieters.

Stolperstellen

Die Quell-URLs kommen je nach Modell an unterschiedlichen Stellen der Antwort zurück. Der Workflow liest zuerst annotations[].url_citation.url, den OpenRouter-Standard, und fällt auf das ältere Perplexity-Feld citations zurück. Ohne diesen Fallback bleibt die Citation Rate stumm auf null und sieht aus wie ein Crawler-Problem.

Die Marken-Regex entscheidet über die Datenqualität. Eine Marke, die einen Allerweltsnamen trägt, sammelt ohne Wortgrenzen und gepflegte Aliasse Treffer in Antworten ein, die von einer ganz anderen Sache handeln, und der Share of Voice steigt, während real nichts passiert ist. Prüfen Sie die Ausdrücke an zehn echten Antworten, bevor Sie den Zeitplan scharf schalten.

Und die Geduldsprobe: Vier bis sechs Wochen Daten braucht es, bevor die Zeitreihe etwas erzählt. Vorher sehen Sie Schwankung und halten sie für Bewegung.

Aufwand

Von null bis produktiv: rund fünf Arbeitstage für Datenmodell, API-Anbindung, Parsing, Aggregation und Bericht. Wer den fertigen Workflow importiert, braucht für Credentials, Google Sheet und Testlauf zwei bis vier Stunden.

Am Anfang stand die Frage, ob ich die Zahl, die ich einem Kunden zeige, bis zur Rohantwort zurückverfolgen kann. Jetzt kann ich es – und Sie können es auch: als Workflow auf GitHub oder JSON zum Import, CC BY 4.0. Importieren, ein Sheet anlegen, fünf Prompts aktivieren, eine Woche warten. Wenn Sie danach wissen wollen, was die Zahlen für Ihre Marke bedeuten: Schreiben Sie mir.

---

Quellen und Stand: Plan-Umfänge abgerufen am 19. Juli 2026 bei peec.ai/pricing – Starter mit 50 Prompts, drei Modellen, täglicher Messung und einem Projekt, Claude Sonnet ausschließlich im Enterprise-Plan – sowie bei orchly.ai/pricing mit Essential zu 49 $ monatlich (37 $ bei Jahreszahlung) für 25 täglich aktualisierte Prompts. Der Starter-Preis von 85 € und der Aufpreis von 35 € je zusätzlichem Modell entsprechen dem Stand Juli 2026 aus meinem eigenen Peec-Zugang, da die Beträge auf der Preisseite dynamisch geladen werden. Betriebskosten aus meinen OpenRouter-Abrechnungen bei 50 Prompts über drei Modelle.