mainostoimisto.ai
Oulu · 06:00:00

LähteetArtikkelien lähdetiedostot

src/content/artikkelit/share-of-model-mittaus.md

Markdown ja frontmatter (portti, faktat, huomiot). Tämä on repon tiedosto sellaisenaan sillä hetkellä, kun sivusto viimeksi rakennettiin. Rivin voi linkittää suoraan: lisää osoitteen perään #r ja rivin numero.

---
title: "Share of Model: uusi mittari vai myyntitermi?"
description: "Mistä Share of Model -termi tulee, mitä se lupaa ja voiko brändin osuutta tekoälyn vastauksista mitata toistettavasti. Lähteet auki."
pvm: 2026-11-16
pilari: nakyvyyden-mittaaminen-tekoalyssa
tiivistelma: "Molempia. Share of Model eli brändin osuus kielimallien vastauksista on mainostoimisto Jellyfishin lanseeraama ja tavaramerkiksi merkitsemä termi, jota myydään sen omalla alustalla. Ajatus on järkevä: kuinka usein malli mainitsee sinut suhteessa kilpailijoihin. Mutta vastaukset vaihtelevat joka ajolla, joten luku on aina otos. Järjestyksellä ei ole merkitystä, toistuvalla mukanaololla on. Pk-yritys voi mitata saman itse."
avainsanat: ["Share of Model", "tekoälynäkyvyys", "share of voice", "GEO", "mittaaminen", "AI visibility"]
lahteet:
  - otsikko: "Tom Roach: There's a new 'share of' in town"
    url: "https://thetomroach.com/2025/01/12/theres-a-new-share-of-in-town/"
    huomio: "Termin varhainen kuvaus: Jack Smyth (Jellyfish), määritelmä ja varaumat"
  - otsikko: "Jellyfish: Jellyfish launches AI ads optimization in Share of Model"
    url: "https://www.jellyfish.com/en-gb/news/jellyfish-launches-ai-ads-optimization-in-share-of-model/"
    huomio: "Jellyfishin oma kertomus: lanseeraus 2024, Share of Model™ Platform"
  - otsikko: "INSEAD: Forget What You Know About Search. Optimize Your Brand for LLMs (HBR)"
    url: "https://www.insead.edu/faculty-research/publications/journal-articles/forget-what-you-know-about-search-optimize-your"
    huomio: "Harvard Business Review -artikkelin julkaisutiedot ja tiivistelmä"
  - otsikko: "INSEAD Knowledge: Meet the Model: How to Market to LLMs (and Sell to Humans)"
    url: "https://knowledge.insead.edu/marketing/meet-model-how-market-llms-and-sell-humans"
    huomio: "Kirjoittajien oma määritelmä ja menetelmän kuvaus; kaksi kirjoittajista Jellyfishiltä"
  - otsikko: "Search Engine Land: AI recommendation lists repeat less than 1% of the time: Study"
    url: "https://searchengineland.com/ai-recommendation-lists-rarely-repeat-study-468076"
    huomio: "SparkToron tutkimuksen luvut: sama lista harvoin, sama järjestys lähes ei koskaan"
  - otsikko: "SparkToro: Office Hours: Can You Actually Track AI Visibility?"
    url: "https://sparktoro.com/blog/office-hours-can-you-actually-track-ai-visibility/"
    huomio: "Rand Fishkin: näkyvyysprosentti kelpaa, sijoitus ei"
  - otsikko: "Thinking Machines Lab: Defeating Nondeterminism in LLM Inference"
    url: "https://www.thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/"
    huomio: "Miksi kielimalli ei vastaa samoin edes lämpötilalla 0"
  - otsikko: "OpenAI Help Center: ChatGPT search"
    url: "https://help.openai.com/en/articles/9237897-chatgpt-search"
    huomio: "Automaattinen verkkohaku, IP-pohjainen sijainti"
  - otsikko: "Google Search Help: Personal Intelligence in AI Mode"
    url: "https://support.google.com/websearch/answer/17212611?hl=en"
    huomio: "AI Moden personointi hakuhistorian perusteella; muistiominaisuudet Yhdysvalloissa englanniksi"
  - otsikko: "Google Search Central: AI features and your website"
    url: "https://developers.google.com/search/docs/appearance/ai-features"
    huomio: "Googlen kanta: ei erityisvaatimuksia; AI-näkyvyys Search Consolen Web-raportissa"
faq:
  - k: "Mikä on Share of Model?"
    v: "Brändin osuus kielimallien vastauksista: montako kertaa malli mainitsee brändin suhteessa kaikkiin saman kategorian brändimainintoihin. Termiä on vienyt eteenpäin mainostoimisto Jellyfish, jolla on samanniminen kaupallinen alusta."
  - k: "Mitä eroa on Share of Modelilla ja share of voicella?"
    v: "Share of voice mittaa brändin osuutta mainonnasta tai mediasta, share of search osuutta kategorian hauista. Share of Model mittaa osuutta tekoälyn vastauksista. Ero on, että tekoälyn vastaus vaihtelee joka kerta, joten luku on aina otoksen keskiarvo."
kone:
  malli: claude-opus-5-5
  generoitu: "2026-11-09T14:20:00Z"
  hakuja: 7
  portti:
    pisteet: 83
    kynnys: 70
    malli: "claude-opus-5-5 (erillinen agentti)"
    huomiot:
      - "Portti 83/100 (faktat 36, hyöty 21, omaperäisyys 8, kieli 9, rakenne 9)."
      - "Korjattu portin jälkeen: 'viikoissa' poistettu, personointi-, Search Console- ja pk-alustavirkkeet pehmennetty."
  faktat:
    malli: "väitepankki + scripts/vaitteet.mjs"
    tarkistettu: 7
    poistettu: 1
    pehmennetty: 3
    korjattu: 0
tarkistus:
  tila: kone
tila: julkaistu
---

Share of Model on samaan aikaan järkevä ajatus ja kaupallinen tuote. Ajatus: jos asiakkaat kysyvät suosituksia kielimallilta, brändin kannattaa tietää, kuinka usein malli mainitsee sen kilpailijoihin verrattuna. Tuote: termi on mainostoimisto Jellyfishin tavaramerkki ja sen myymän alustan nimi. Kumpikaan ei tee siitä huonoa mittaria. Mutta mittarin arvo riippuu siitä, miten se lasketaan, ja juuri siinä tekoälyn vastaukset tekevät asiasta vaikeaa.

## Termi tulee Jellyfishiltä, ja se kerrotaan itse

En löytänyt lähdettä, joka nimeäisi termin keksijän yksiselitteisesti, joten en nimeä. Varhaisin avaamani kuvaus on Tom Roachin blogikirjoitus tammikuulta 2025. Hän kirjoittaa, että "a colleague at Jellyfish, Jack Smyth, started talking about ‘share of model’ early this year", ja toteaa samassa tekstissä: "Jellyfish has built a platform to help monitor share of model."

Jellyfish itse kertoo elokuussa 2026 julkaistussa tiedotteessaan, että "Jellyfish launched Share of Model in 2024 to help brands understand how AI systems perceive and recommend them", ja puhuu omasta "proprietary Share of Model™ Platform" -alustastaan. Termi on siis merkitty tavaramerkiksi.

Laajemman yleisön termi sai [Harvard Business Review -artikkelista](https://www.insead.edu/faculty-research/publications/journal-articles/forget-what-you-know-about-search-optimize-your) "Forget What You Know About Search. Optimize Your Brand for LLMs". Kirjoittajat ovat INSEADin David Dubois sekä John Dawson ja Akansh Jaiswal. [INSEAD Knowledgen jatkokirjoituksen](https://knowledge.insead.edu/marketing/meet-model-how-market-llms-and-sell-humans) mukaan Dawson ja Jaiswal työskentelevät Jellyfishillä. Tämä on hyvä tietää: tunnetuin akateeminen lähde termille on osin samojen ihmisten kirjoittama, jotka myyvät mittaustyökalua.

## Lupaus on share of voice, siirrettynä kielimalliin

Roachin määritelmä on yksinkertainen: brändin mainintojen määrä yhdessä tai useammassa kielimallissa, "as a proportion of total mentions of brands in the same category". Se on sama rakenne kuin vanhoissa mittareissa. Roach muistuttaa, että "Share of search measures the proportion of online searches for a brand compared to the total searches in its category." Share of voice tekee saman mediasta.

INSEADin tekstissä määritelmä on laajempi: käsite, joka "measures how often, prominently and favourably brands appear in AI-generated responses". Mukana on siis myös näkyvyys vastauksessa ja sävy, ei pelkkä mainintojen laskeminen. Kirjoittajien mukaan perinteiset mittarit "that help brands gauge their visibility in terms of share of search and share of voice are not enough."

Perustelu on uskottava. HBR-artikkelin tiivistelmä alkaa: "Increasingly, consumers are turning to LLMs (not search engines) to answer their questions about products and services." Ja INSEAD-teksti sanoo terävästi, miksi tämä on brändille ankarampaa kuin hakukone: "While search engines still display less popular brands on later pages, AI models are merciless." Jos malli ei mainitse sinua, toista sivua ei ole.

Roach on itse varovainen: "It’s too early to say if share of model will prove to have the universal utility". Avoin kysymys on hänen mukaansa juuri se, joka ratkaisee mittarin arvon: "Do improvements in share of model reflect or even predict market share gains?" En löytänyt lähdettä, joka olisi osoittanut tämän yhteyden.

## Sama kysymys antaa eri vastauksen, eikä sitä saa pois päältä

Share of voice lasketaan mediasta, joka pysyy paikallaan. Kielimallin vastaus ei pysy. [Thinking Machines Labin](https://www.thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/) tutkimuskirjoitus aloittaa arkisesta havainnosta: "you might observe that asking ChatGPT the same question multiple times provides different results." Yllättävämpää on, että satunnaisuuden säätäminen nollaan ei riitä: "even when we adjust the temperature down to 0 ... LLM APIs are still not deterministic in practice". Heidän kokeessaan 1000 vastausta samaan kehotteeseen lämpötilalla 0 tuotti 80 erilaista vastausta. Syy on tekninen ja käyttäjän ulottumattomissa: palvelimen kuorma vaihtelee, ja sen mukana laskennan eräkoko.

Brändisuosituksissa vaihtelu on vielä suurempaa, koska malli valitsee listan monesta vaihtoehdosta. SparkToron tutkimuksessa, josta [Search Engine Land](https://searchengineland.com/ai-recommendation-lists-rarely-repeat-study-468076) kertoo, "Six hundred volunteers ran 12 identical prompts through ChatGPT, Claude, and Google's AI nearly 3,000 times." Tulos: todennäköisyys saada sama lista kahdesti oli alle yksi sadasta, ja saman listan samassa järjestyksessä "closer to 1 in 1,000".

Toinen löydös koskee kysymyksiä. Kun vapaaehtoiset kirjoittivat omin sanoin kehotteen samaan tarpeeseen, sanamuodot erosivat toisistaan lähes täysin. [SparkToron Rand Fishkin](https://sparktoro.com/blog/office-hours-can-you-actually-track-ai-visibility/) antaa kehotteiden keskimääräiseksi samankaltaisuudeksi "zero point zero eight zero nine". Mittaustyökalun kysymyslista ei siis ole asiakkaidesi kysymyslista.

## Henkilökohtaistaminen ja haku muuttavat luvun merkitystä

Kolmas ongelma on, ettei kaikille vastata samoin. OpenAI:n ohjeen mukaan "ChatGPT also collects general location information based on your IP address", ja Googlen AI Moden personointi "references previous searches and activity saved in your Search Services History". Googlen muistiominaisuudet ovat ohjeen mukaan saatavilla "in the US, in English", joten Suomessa vaikutus on toistaiseksi rajallisempi. Jos mittaustyökalu kysyy rajapinnan kautta, se ei todennäköisesti näe samaa personointia kuin kirjautunut käyttäjä.

Neljäs ongelma on, mistä vastaus tulee. [OpenAI:n mukaan](https://help.openai.com/en/articles/9237897-chatgpt-search) "ChatGPT will automatically search the web if your question might benefit from information on the web." Hakuun perustuva vastaus riippuu siitä, mitä verkosta sillä hetkellä löytyy. Ilman hakua vastaus tulee mallin koulutusdatasta, joka muuttuu vain uuden mallin myötä. Nämä ovat kaksi eri mittaria: ensimmäiseen voit vaikuttaa sisällöllä, jälkimmäiseen et suoraan juuri lainkaan. Share of Model -luku, joka ei kerro, kumpaa se mittaa, sekoittaa ne.

Myös INSEAD-kirjoittajat myöntävät mallien eron: "brands' SOM varies significantly across the models". Yksi luku kaikille malleille on keskiarvo hyvin erilaisista asioista.

## Mitattavissa on osuus, ei sijoitus

Vaihtelu ei tee mittaamisesta mahdotonta. Se muuttaa sitä, mitä kannattaa mitata. Fishkinin johtopäätös: "Visibility percentages across numerous prompts run dozens of times actually does seem to be a reasonable metric." Sijoitukselle hän ei anna samaa armoa: mallit "almost never give the list in the same order." Search Engine Land tiivistää: "Repeat presence means something. Exact rank does not."

Tämä on itse asiassa Share of Model -ajatuksen ydin, kun siitä riisutaan myyntikieli: kuinka suuressa osassa toistoja olet mukana. Fishkin kehottaa ajattelemaan työkaluja todennäköisyyskoneina: "You can think of these tools as probability engines". Jos työkalu raportoi sinulle sijan kolme, kysy, montako kertaa kysymys ajettiin ja millä sanamuodoilla. Jos vastausta ei ole, luku on yksi heitto.

Jellyfishin menetelmästä INSEAD-teksti kertoo vain, että yhtiö "has pioneered a proprietary methodology through large-scale AI prompting". Kehotteiden määrää tai toistoja en löytänyt avatuista lähteistä, joten menetelmän toistettavuutta en pysty arvioimaan.

## Googlen kanta: ei erillistä mittaria, ei erillistä optimointia

Google ei tarjoa Share of Modelin kaltaista lukua. Sen mukaan "There are no additional requirements to appear in AI Overviews or AI Mode, nor other special optimizations necessary", ja näkyvyys AI-ominaisuuksissa raportoidaan Search Consolessa: "they're reported on in the Performance report, within the "Web" search type." Googlen osalta klikit ja näytöt löytyvät siis samasta raportista kuin muukin hakuliikenne.

## Pk-yritys pärjää omalla otoksella

Ennen maksullista alustaa kannattaa kokeilla, riittääkö itse tehty seuranta. Saman perusidean voi toteuttaa itse: kiinteä joukko kysymyksiä, toistettuna säännöllisesti, ja kirjanpito siitä, kuinka usein yritys mainitaan. Tämän sivuston [protokolla ChatGPT-näkyvyyden testaamiseen](/artikkelit/nain-testaat-nakyvyytesi-chatgptssa/) neuvoo: "Kirjoita kymmenen kysymystä sellaisina kuin asiakas ne kysyisi." Sen lähtöoletus on sama kuin SparkToron tuloksissa: yksi ajo ei kerro mitään, trendi kertoo.

Oma otos on pieni, joten sitä ei pidä lukea prosentin tarkkuudella. Se kertoo karkean asian: oletko mukana usein, joskus vai et koskaan. Välillisiä merkkejä kannattaa seurata rinnalla. [Search Consolen brändihaut](/artikkelit/search-console-brandihaut/) ja [ChatGPT-liikenne GA4:ssä](/artikkelit/chatgpt-liikenne-ga4/) ovat lukuja, jotka eivät vaihtele joka ajolla. Mitä raporttiin kannattaa ylipäätään ottaa, on käsitelty pilarissa [näkyvyyden mittaaminen tekoälyssä](/aiheet/nakyvyyden-mittaaminen-tekoalyssa/).