Query Fan-Out

Kurzdefinition

Query Fan-Out ist ein Abrufverfahren von KI-Suchsystemen. Statt nur nach den eingetippten Wörtern zu suchen, zerlegt das System die Frage in mehrere verwandte Teilanfragen, führt sie über Unterthemen und Datenquellen hinweg aus und fasst die Funde zu einer einzigen Antwort zusammen.

Google verwendet den Begriff für AI Mode und AI Overviews. OpenAI beschreibt für ChatGPT Search einen ähnlichen Schritt, bei dem ein Prompt in eine oder mehrere gezielte Suchanfragen umgeschrieben wird. Die Technik unterscheidet sich zwischen den Systemen und ist nur teilweise dokumentiert. Die Folge für SEO ist aber dieselbe: Die Suchen, die entscheiden, welche Seiten in Betracht kommen, sind oft nicht die Suchen, die dir ein Keyword-Tool zeigt.

Woher der Begriff kommt

Die Grundideen sind älter als der Name. Im Information Retrieval werden Query Expansion, Query Rewriting und Query Decomposition seit Langem genutzt, um Dokumente zu finden, die eine wörtliche Anfrage verfehlen würde. Auch die Forschung zu Sprachmodellen mit Retrieval hat dieses Muster untersucht. Ein Beispiel ist das Paper „Query Rewriting for Retrieval-Augmented Large Language Models“ von 2023, in dem ein kleines Modell lernt, Anfragen vor dem Abruf umzuschreiben.

Zum SEO-Begriff wurde „Query Fan-Out“ im Mai 2025. Als Google AI Mode auf seiner Entwicklerkonferenz ausbaute, beschrieb das Unternehmen, dass das System eine Frage in Unterthemen zerlegt und im Namen der Nutzer viele Anfragen gleichzeitig stellt. Google stellte außerdem Deep Search vor, das dieselbe Technik in größerem Maßstab nutzt und laut Google für einen einzigen Bericht Hunderte Suchen ausführen kann. Die Dokumentation von Google Search Central hält heute fest, dass AI Overviews und AI Mode Query Fan-Out nutzen können, also mehrere verwandte Suchen über Unterthemen und Datenquellen hinweg, um eine Antwort zu entwickeln.

Wie Query Fan-Out funktioniert

Kein Anbieter veröffentlicht seine vollständige Verarbeitungskette. Das folgende Modell ist deshalb vereinfacht, passt aber zu den öffentlichen Beschreibungen:

1. Interpretation. Das System liest die Frage, den bisherigen Gesprächsverlauf und verfügbaren Kontext wie Sprache oder ungefähren Standort.
2. Zerlegung. Es leitet Teilanfragen für die Facetten der Frage ab: Definitionen, Optionen, Vergleiche, Einschränkungen, Preise, aktuelle Änderungen oder lokale Details.
3. Paralleler Abruf. Die Teilanfragen laufen gegen einen oder mehrere Indizes und Datenquellen. Zurück kommen Dokumente oder Textpassagen.
4. Auswahl. Das System wählt die Passagen, die jeden Teil der Antwort am besten stützen.
5. Synthese und Quellenangabe. Ein Sprachmodell schreibt die Antwort und verlinkt die stützenden Seiten.

Bei Schritt 2 brechen klassische SEO-Annahmen. Eine Seite muss nicht zur ursprünglichen Frage passen. Sie muss für mindestens eine Teilanfrage ein gutes Ergebnis sein, und ihre relevante Passage muss klar genug sein, um in Schritt 4 ausgewählt zu werden.

Ein Beispiel

Nimm eine ausgedachte Frage: „Welches E-Bike eignet sich für 20 Kilometer Arbeitsweg in einer hügeligen Stadt für unter 2.000 Euro?“

Ein Fan-Out-System könnte daraus plausibel Teilanfragen ableiten wie:

• Reichweite von E-Bikes auf hügeligen Strecken;
• nötiges Drehmoment für steile Anstiege;
• E-Bike-Modelle unter 2.000 Euro;
• Vergleich von Nabenmotor und Mittelmotor;
• Wartungskosten beim täglichen Pendeln;
• Testberichte zu Modellen, die in früheren Ergebnissen auftauchten.

Diese Liste ist eine Illustration und keine Aufzeichnung dessen, was ein System tatsächlich abgefragt hat. Sie zeigt den praktischen Punkt: Die Kategorieseite eines Händlers, das Datenblatt eines Herstellers, der Vergleich eines Testportals und ein Forumsthread können alle zu einer Antwort beitragen, jeweils über eine andere Teilanfrage.

Query Fan-Out in Google AI Mode und AI Overviews

Googles Dokumentation für Website-Betreiber enthält einige Aussagen, die du kennen solltest:

• AI Overviews und AI Mode können Query Fan-Out über Unterthemen und Datenquellen nutzen.
• Dadurch kann eine Antwort eine breitere und vielfältigere Auswahl an stützenden Links zeigen als klassische Ergebnisse.
• Um als stützender Link zu erscheinen, muss eine Seite indexiert sein und in der Google-Suche mit Snippet angezeigt werden dürfen. Zusätzliche technische Anforderungen gibt es laut Google nicht.
• Traffic aus KI-Funktionen wird im Leistungsbericht der Search Console unter dem Suchtyp „Web“ mitgezählt.

Es gibt also keinen eigenen Fan-Out-Index und kein spezielles Markup. Fan-Out verändert, um welche Anfragen eine Seite konkurriert, nicht die grundlegenden Voraussetzungen. Die üblichen Steuerungen wie nosnippet, max-snippet und noindex gelten auch für KI-Funktionen.

Query Fan-Out in ChatGPT und anderen Assistenten

Die Hilfedokumentation von OpenAI zu ChatGPT Search beschreibt, dass ChatGPT einen Prompt meist in eine oder mehrere gezielte Suchanfragen umschreibt, bevor diese an Suchanbieter gehen, und dass nach Sichtung der ersten Ergebnisse weitere Suchen folgen können. Standort und, wenn aktiviert, gespeicherte Erinnerungen können die umgeschriebenen Anfragen beeinflussen.

Andere Assistenten mit Webzugriff nutzen vergleichbare Abrufschritte, dokumentieren sie aber unterschiedlich genau und mit anderen Begriffen. Geh nicht davon aus, dass der Fan-Out eines Anbieters sich wie der eines anderen verhält. Wenn du über mehrere Assistenten berichtest, beschreibe jeden einzeln.

Was sich für SEO ändert

• Vom Keyword zum Fragenraum. Maßgeblich ist die Menge der Teilfragen rund um ein Thema. Eine Seite, die die wichtigsten Facetten eines Themas abdeckt und zu einer Website mit echter thematischer Autorität gehört, hat mehr Einstiegspunkte als eine Seite, die auf eine einzige Phrase optimiert ist.
• Passagen zählen. Systeme wählen einzelne Passagen aus. Jeder wichtige Abschnitt sollte Gegenstand, Bedingungen und Antwort nennen, ohne vom Rest der Seite abzuhängen.
• Vergleiche und Einschränkungen. Teilanfragen zielen oft auf Vergleiche, Preise, Grenzen, Kompatibilität und Fragen nach der Zielgruppe. Seiten, die diese Details verstecken, verlieren Abrufchancen.
• Entitäten müssen eindeutig sein. Klare Namen für Produkte, Organisationen und Orte helfen einem System, eine Passage einer Teilanfrage zuzuordnen. Die Prinzipien von Entity SEO greifen hier direkt.
• Eigene Informationen helfen. Sagen zehn Seiten dasselbe, reicht eine davon für die Antwort. Eigene Daten, Tests oder konkrete Erfahrung geben einer Seite einen Grund, ausgewählt zu werden.

Was Query Fan-Out nicht ändert

Fan-Out ersetzt die Grundlagen nicht. Eine Seite muss weiterhin crawlbar, indexierbar und nützlich sein. Es ist auch kein Grund, jede denkbare Teilfrage in eine Seite zu stopfen. Dünne Abschnitte, die nur geschrieben wurden, um Teilanfragen abzufangen, bringen wenig und machen die Seite schwerer lesbar. Echte Content-Tiefe bedeutet, die Fragen zu beantworten, die dein Publikum wirklich hat, in einer Struktur, der es folgen kann.

Einen verlässlichen „Fan-Out-Score“ für eine Seite gibt es nicht. Jedes Tool, das behauptet zu messen, wie oft eine Seite über die verborgenen Teilanfragen eines KI-Systems abgerufen wird, schätzt. Die Methode sollte offengelegt sein.

Grenzen der Messung

Google dokumentiert keinen Bericht, der die Fan-Out-Anfragen hinter einer Antwort in AI Mode oder in einer AI Overview auflistet. Auch OpenAI veröffentlicht die umgeschriebenen Anfragen aus den Gesprächen anderer Menschen nicht. Beobachten kannst du:

• Search-Console-Daten deiner eigenen Property, in denen KI-Traffic unter „Web“ mitgezählt wird;
• Referral-Traffic von Assistenten in der Webanalyse, etwa Besuche mit utm_source=chatgpt.com;
• eigene Tests, bei denen manche Oberflächen anzeigen, welche Suchen gelaufen sind;
• die zitierten Quellen in einem versionierten Set von Testfragen, über die Zeit wiederholt.

Tools, die Fan-Out „simulieren“, lassen meist ein Sprachmodell plausible Teilanfragen raten. Für das Brainstorming ist das nützlich. Ein Beleg dafür, was ein Suchsystem getan hat, ist es nicht. Vergleichst du die Präsenz von Marken über ein solches Testpanel, misst du eine Form von KI-Share of Voice, und die Methode muss genannt werden.

Wahrscheinliche Teilfragen recherchieren

Kombiniere beobachtete Suchdaten mit dem Wissen über dein Publikum:

• People-Also-Ask-Boxen, verwandte Suchen und Autocomplete-Vorschläge zum Thema;
• lange, fragenförmige Suchanfragen in deinen eigenen Search-Console-Daten;
• Vergleichs- und Alternativsuchen rund um deine Produkte;
• Fragen aus Support-Tickets, Vertriebsgesprächen und Community-Foren;
• SERP-Features, die zeigen, welche Facetten eine Suchmaschine bereits getrennt behandelt.

Nutze Brainstorming mit einem Sprachmodell als Ideengeber für Hypothesen und prüfe die Ideen an diesen beobachteten Quellen.

Ablauf in der Praxis

1. Wähle ein Thema und schreib die Hauptfrage auf, mit der Käufer oder Leser kommen.
2. Sammle beobachtete Teilfragen aus Suchvorschlägen, Search Console und Kundengesprächen.
3. Gruppiere sie nach Facetten: Definition, Optionen, Vergleich, Einschränkungen, Kosten, Ablauf und Risiko.
4. Ordne jede Facette einer bestehenden Seite oder einem Abschnitt zu und markiere die Lücken.
5. Verbessere oder erstelle Inhalte, damit jede Facette eine klare, in sich verständliche Antwort hat.
6. Prüf, ob die Seiten indexierbar sind, Snippets erlauben und intern verlinkt sind.
7. Teste einen festen Satz echter Fragen in KI-Suchoberflächen und halte die zitierten Quellen über mehrere Durchläufe fest.
8. Beobachte Veränderungen über die Zeit, ohne jede Bewegung einer einzelnen Änderung zuzuschreiben.

Häufige Fehler

• eine vom Sprachmodell erzeugte Liste von Teilanfragen als echte Suchdaten behandeln;
• für jede ausgedachte Teilanfrage eine eigene Seite schreiben und so dünne, überlappende Inhalte erzeugen;
• annehmen, spezielles Markup oder eine versteckte Datei könne den Fan-Out beeinflussen;
• Vergleiche, Preise oder Grenzen verstecken, nach denen Teilanfragen oft suchen;
• ein „Fan-Out-Ranking“ berichten, das niemand prüfen kann;
• grundlegende Indexierung und Snippet-Fähigkeit vernachlässigen, während du KI-Sichtbarkeit jagst;
• die Verfahren von Google und OpenAI als identisch behandeln.

Die Crawl-Foundry-Perspektive

Crawl Foundry kann dir die Fan-Out-Anfragen eines Suchsystems nicht zeigen, und kein externes Tool kann das. Was es kann: den beobachtbaren Fragenraum leichter bearbeitbar machen. Die Keyword-Recherche in Crawl Foundry erweitert einen Seed über beobachtete Suchvorschläge, darunter Alphabet-Varianten, Fragen, Vergleiche, lokale Suchen und verwandte Muster. Die Ideen bleiben ohne kostenpflichtige Anreicherung nutzbar. Für ausgewählte Kandidaten kannst du Suchintention, Suchvolumen, Schwierigkeit oder SERP-Kontext abrufen, und Crawl Foundry zeigt die geschätzten Kosten, bevor etwas läuft.

Brauchbare Ideen wandern in Listen und Tags deiner Keyword-Datenbank. So bleibt die Facettenkarte eines Themas mit den Seiten verbunden, die du planst. Das kostenlose People-Also-Ask-Tool auf der Website baut außerdem Fragenideen aus aktuellen Autocomplete-Daten. Beides sind Beobachtungen aus der Suche und keine Aufzeichnung dessen, was ein KI-System intern getan hat. Dieser Unterschied gehört in jedes Briefing, das damit arbeitet.

Verwandte Begriffe

• AI Overviews
• Retrieval-Augmented Generation
• Passage Ranking
• Semantische Suche
• People Also Ask
• Long-Tail-Keywords
• Information Gain
• Vektorsuche

Quellen für den Review

• Google Search Central: KI-Funktionen und deine Website
• Google: AI in Search, going beyond information to intelligence
• Google Search Central Blog: So schneiden Inhalte in Googles KI-Erlebnissen in der Suche gut ab
• OpenAI Help Center: ChatGPT Search
• arXiv: Query Rewriting for Retrieval-Augmented Large Language Models