Jaccard-Ähnlichkeit
Die Jaccard-Ähnlichkeit misst, wie stark sich zwei Mengen überschneiden: Schnittmenge geteilt durch Vereinigungsmenge. In der AI Visibility kann sie zeigen, wie ähnlich zwei Empfehlungs- oder Erwähnungsmengen sind.
Auch genannt: Jaccard Similarity · Jaccard-Index · Jaccard-Koeffizient
Olaf Kunz · Aktualisiert 22. September 2026
Die Formel, ohne Mystik
Die Jaccard-Ähnlichkeit (Jaccard-Index) ist ein etablierter Wert zwischen 0 und 1: Grösse der Schnittmenge zweier Mengen geteilt durch die Grösse der Vereinigung. Zwei identische Mengen ergeben 1, disjunkte Mengen 0.
Beispiel: System A empfiehlt {Alpha, Beta}, System B {Beta, Gamma}. Schnitt {Beta}, Vereinigung {Alpha, Beta, Gamma} → Jaccard 1/3.
Warum das in der AI Visibility vorkommt
Wenn man vergleicht, welche Marken zwei KI-Systeme empfehlen oder erwähnen, braucht man ein einfaches Überlappungsmass. Jaccard ist dafür geeignet, weil es Mengen vergleicht, nicht Ranglisten. Es sagt etwas über Stabilität und Übereinstimmung der genannten Sets – nicht über Qualität der Begründung.
Eine methodische Falle
Zwei leere Mengen sind mathematisch oft als identisch definiert (Jaccard 1). Für Empfehlungen wäre das irreführend: «Beide Systeme empfehlen niemanden» ist keine hohe Übereinstimmung der Empfehlungen. MentionBee behandelt in Studienkontexten leere Fälle deshalb gesondert statt sie als perfekte Ähnlichkeit zu verkaufen. Das ist eine methodische Festlegung, kein Widerspruch zur klassischen Formel.
Was Jaccard nicht misst
Keine Qualität der Begründung, keine Reihenfolge, keine Stärke der Empfehlung, keinen Share of Voice. Nur Mengenüberlappung. Wer Jaccard als «wie ähnlich ChatGPT und Claude denken» liest, überinterpretiert.
Verwandte Begriffe
Quellen & weiterführende Informationen
- Étude comparative de la distribution florale dans une portion des Alpes et du Jura — Paul Jaccard, 1901Ursprüngliche botanische Arbeit, aus der der Jaccard-Index als Mengenmass hervorgeht. MentionBee wendet die Formel auf Empfehlungs- und Erwähnungsmengen an.