Query Fan-out erklärt: Wie KI-Suchen eine Frage aufteilen

Was ist Query Fan-out?

Query Fan-out ist ein Abrufmuster. Statt den Prompt unverändert an einen Suchindex zu schicken, leitet ein Sprachmodell daraus mehrere engere Suchanfragen ab, führt sie aus und schreibt aus den Treffern eine Antwort. Google hat den Begriff im März 2025 beim Start von AI Mode öffentlich verwendet: Verwandte Suchen laufen gleichzeitig über Unterthemen und mehrere Datenquellen hinweg (Google, 2025).

breaking down your question into subtopics and issuing a multitude of queries simultaneously

Hinter einer Frage wie „Lohnt sich eine Wärmepumpe für ein Haus aus den 1970er-Jahren?“ stecken mehrere Informationsbedürfnisse: Einbaukosten, Anforderungen an die Dämmung, Betriebskosten im Vergleich zu Gas, Förderung, Lautstärke. Ein Fan-out-System macht daraus einzelne Suchen, und jede kann andere Seiten liefern. Die Antwort zitiert am Ende die Quellen, die den jeweiligen Teil am besten abgedeckt haben.

Die Idee ist älter als AI Mode. Die Self-Ask-Methode von Press et al. zeigte, dass ein Modell, das sich selbst Folgefragen stellt und diese per Suchmaschine beantwortet, bei mehrstufigen Fragen genauer wird (Findings of EMNLP 2023). Microsoft beschrieb 2023 für die Deep Search in Bing einen verwandten Ansatz: Die Anfrage wird im Namen der Nutzer umformuliert, und die Varianten werden ebenfalls gesucht (Bing, 2023).

Welche KI-Suchen nutzen Query Fan-out?

Jede große KI-Antwortmaschine, die ihr Suchverhalten dokumentiert, beschreibt eine Form mehrerer, vom Modell erzeugter Suchen pro Anfrage. Die Details unterscheiden sich, ebenso wie der Teil, den Sie davon sehen können. Wie sich die beiden KI-Oberflächen von Google grundsätzlich unterscheiden, lesen Sie in AI Mode vs. AI Overviews.

Zwei Feinheiten sind wichtig. Google schreibt „may use“, also nutzt nicht zwingend jede AI Overview ein Fan-out. Und die Entwickler-APIs beschreiben, wie ein Modell sucht, wenn Sie es per API aufrufen; die Apps für Endnutzer können sich anders verhalten. Laut OpenAI Help Center kann ChatGPT zum Beispiel gespeicherte Erinnerungen (Memory) nutzen, wenn es eine Suchanfrage umformuliert.

Was sagen Googles Patente zu Fan-out, und was beweisen sie nicht?

Patente werden gern als Beleg dafür zitiert, wie AI Mode funktioniert. Sie zeigen, was Google angemeldet hat, nicht, was produktiv läuft. Drei werden besonders häufig genannt:

• US11769017B1, „Generative summaries for search results“ (erteilt 2023): beschreibt eine LLM-Zusammenfassung, die nicht nur auf Dokumenten zur eigentlichen Anfrage beruht, sondern auch auf Dokumenten zu verwandten, kürzlich gestellten und implizierten Anfragen (Google Patents).
• US20240289407A1, „Search with stateful chat“ (Anmeldung, veröffentlicht 2024): Anspruch 1 umfasst das Erzeugen synthetischer Anfragen aus der Modellausgabe und die Auswahl von Suchergebnis-Dokumenten, die zur ursprünglichen Anfrage und zu diesen synthetischen Anfragen passen (Google Patents).
• WO2024064249A1, „Systems and methods for prompt-based query generation for diverse retrieval“ (veröffentlicht 2024): Trotz des Titels geht es hier darum, mit einem LLM synthetische Anfrage-Dokument-Paare zu erzeugen, um ein Retrieval-Modell zu trainieren. Ein Fan-out zum Zeitpunkt der Antwort beschreibt es nicht (Google Patents).

Die ersten beiden beschreiben dieselbe Grundform wie Googles Blogbeiträge: zusätzliche Anfragen ableiten, für alle abrufen, zusammenfassen. Keines verrät, wie viele Teilanfragen AI Mode ausführt, wie Ergebnisse gewichtet werden oder welche Teile tatsächlich im Einsatz sind.

Warum ist Query Fan-out für Ihre Inhalte wichtig?

Abgerufen wird pro Teilanfrage. Sucht eine Engine als eine ihrer Fan-outs nach „Wärmepumpe Betriebskosten vs. Gasheizung“, kommen die Seiten, die für diese Teilanfrage ranken, als Quelle infrage, auch wenn sie für den eingegebenen Prompt nie gerankt haben. Google schreibt, dass seine Modelle beim Erstellen einer Antwort weitere unterstützende Seiten finden und so eine breitere und vielfältigere Auswahl an Links zeigen als die klassische Websuche (Search Central).

Die Abdeckung von Unterthemen wird sichtbar. Eine Fan-out-Liste zeigt, welche Fakten die Engine gebraucht hat. Fragen die Teilanfragen immer wieder nach Preisen, Kompatibilität und Alternativen, überlässt eine Seite, die nur die Hauptfrage beantwortet, diese Teile anderen Quellen.

Die Planung verschiebt sich von einzelnen Keywords zu Fragenbündeln. Keyword-Recherche zeigt, was Menschen eintippen. Fan-outs zeigen, wonach eine Engine in ihrem Namen sucht, und diese Suchen sind oft länger und spezifischer. Google weist darauf hin, dass Menschen in seinen KI-Funktionen längere, spezifischere Fragen und Folgefragen stellen (Search Central Blog, 2025).

Wo liegen die Grenzen von Fan-out-Daten?

• Fan-outs schwanken von Durchlauf zu Durchlauf. In allen dokumentierten Systemen entscheidet das Modell, ob und wonach es sucht, und ChatGPT kann je nach ersten Treffern weitere Anfragen stellen. Derselbe Prompt kann an verschiedenen Tagen andere Teilanfragen erzeugen. Werten Sie eine einzelne Beobachtung als Anekdote und achten Sie auf wiederkehrende Teilanfragen.
• Nicht alle Fan-outs sind sichtbar. Google veröffentlicht die Teilanfragen hinter AI Mode und AI Overviews nicht, und die Search Console führt Traffic aus KI-Funktionen im Suchtyp „Web“ mit, nicht pro Teilanfrage. Laut API-Dokumentation von OpenAI enthält eine Suchaktion meist, aber nicht immer, die ausgeführten Suchanfragen.
• Engines unterscheiden sich. ChatGPT kann umformulierte Anfragen an Suchpartner schicken, Gemini stützt sich auf die Google-Suche, Claude nutzt das Web-Search-Tool von Anthropic. Jede Engine hat eigenen Index und eigenes Ranking; eine Teilanfrage, die Ihre Seite in einer Engine nach oben bringt, muss das in einer anderen nicht tun.
• API-Antworten sind ein Näherungswert. Über Entwickler-APIs gesammelte Fan-outs zeigen, wie ein Modell unter API-Bedingungen sucht. Die App für Endnutzer kann durch Memory, Standort oder Modellwahl abweichen.
• Gemini ist nicht AI Mode. Die Suchanfragen, die die Gemini API für Antworten mit Grounding meldet, sind die von Gemini, kein Blick in das Fan-out von AI Mode, auch wenn beide die Google-Suche nutzen.

Was bedeutet das für Sie, und wie planen Sie Inhalte entlang von Fan-outs?

1. Fan-outs wiederholt erfassen: aus Engines, die sie offenlegen, über mehrere Durchläufe und Engines hinweg, für die Prompts, die geschäftlich zählen.
2. Normalisieren und zählen: Fassen Sie nahezu identische Teilanfragen zusammen und sortieren Sie nach Häufigkeit über Durchläufe, Engines und Prompts. Wiederkehr sagt mehr als jede einzelne Liste.
3. Nach Unterthemen gruppieren, etwa Preise, Vergleiche, Kompatibilität, Anleitungen und Aktualität. Jede Gruppe ist ein Kandidat für einen Abschnitt, einen FAQ-Eintrag oder eine eigene Seite.
4. Gruppen bestehenden URLs zuordnen: Legen Sie fest, welche Seite welche Gruppe beantwortet, und erstellen Sie nur dann eine neue Seite, wenn keine bestehende das Unterthema tragen kann, ohne unscharf zu werden.
5. Passagen schreiben, die die Teilanfrage direkt beantworten: Fakt, Zahl oder Empfehlung in den ersten Satz des Abschnitts, mit Datum und Quelle, wo es darauf ankommt. Laut Google gibt es für KI-Funktionen keine besonderen Anforderungen außer Indexierung und Snippet-Berechtigung. Es geht also um gute Inhalte, gegliedert nach den Fragen, die Engines stellen. Weitere Techniken finden Sie unter GEO-Techniken.
6. Grundlagen prüfen: crawlbar, indexiert, wichtige Inhalte als Text (siehe Lesbarkeit für KI-Crawler).
7. Zitationen neu messen: nach der Änderung pro Engine für den Prompt, nicht nur Rankings für das Hauptkeyword.

Wie sieht eine Fan-out-Analyse in der Praxis aus?

Beispiel: ExampleTrack ist ein fiktives Unternehmen, das Zeiterfassungssoftware für kleine Agenturen verkauft. Alle Zahlen sind illustrativ und keine gemessenen Daten.

1. Das Team trackt vier Wochen lang täglich den Prompt „Welches Zeiterfassungstool eignet sich für eine Designagentur mit zehn Leuten?“ in ChatGPT, Claude, Gemini und Perplexity.
2. In diesem Zeitraum führen die Engines rund 40 unterschiedliche Teilanfragen aus (illustrativ). Nach dem Zusammenfassen von Dubletten kehren fünf häufig wieder (Tabelle unten).
3. Das Team gruppiert sie: Preise, Integrationen mit Projektmanagement-Tools, Rechnungsstellung, Aktualität und ein direkter Vergleich.
4. Es ordnet die Gruppen der eigenen Website zu: Preise stehen nur in einer Grafik, Integrationen und Rechnungsstellung haben keine Seite, der Bestenlisten-Artikel stammt von 2023, und den Vergleich gibt es nur als Vertriebsfolie.
5. Es stellt die Preise pro Nutzer als Text mit „Stand“-Datum dar, ergänzt einen Abschnitt zu Integrationen und Rechnungsstellung mit kurzer FAQ, aktualisiert den Bestenlisten-Artikel und veröffentlicht eine faire Vergleichsseite.
6. Nach weiteren vier Wochen vergleicht es pro Engine, wie oft die eigenen Seiten für den Prompt zitiert werden, mit dem ersten Zeitraum.

Das Beispiel zeigt die Reihenfolge der Arbeit: wiederholt beobachten, zählen, gruppieren, Seiten zuordnen, Passagen verbessern, Zitationen erneut messen. Eine Zitation garantiert das nicht, aber es beseitigt die offensichtlichen Gründe, warum keine kommt.

Wie erfassen Sie Fan-out-Anfragen mit AutoSEO?

AutoSEO speichert Fan-outs als Teil des KI-Sichtbarkeits-Trackings, allerdings nur, wenn der Anbieter sie liefert. Stand September 2026 erfasst der Code Teilanfragen für ChatGPT, Claude, Gemini und Perplexity, wenn die Antworten über DataForSEO kommen (einschließlich des ChatGPT-App-Scrapers), sowie über die direkten APIs von OpenAI, Anthropic, Gemini, die Agent API von Perplexity, xAI (Grok), Mistral, Meta AI und Kimi, wenn deren Antworten Suchanfragen enthalten. Über DataForSEO kommen für Google AI Overviews, Google AI Mode und Microsoft Copilot keine Fan-outs. Laufen diese Engines stattdessen über die simulierte Ausweichlösung von AutoSEO (ein Modell mit Websuche ahmt die Engine nach, gekennzeichnet als Simulated), stammen die gespeicherten Anfragen von diesem Modell und nicht von Google oder Microsoft. Die API von DeepSeek hat keine Websuche, und Antworten des lokalen Agenten enthalten ebenfalls keine Fan-outs.

• Seite Query Fanouts: Die Teilanfragen jeder Antwort werden mit Prompt, Engine und Datum gespeichert. Die Seite fasst sie über alle Antworten zusammen und zeigt Häufigkeit, Engines, auslösende Prompts sowie erstes und letztes Auftreten, mit Suche, Zeitraumfilter und CSV-Download (Query-Fan-out-Analyse).
• Pro Antwort: Die Antwortansicht listet die Fan-out queries neben Antworttext und Quellenangaben.
• Einzelne Prompts testen: Der Prompt Explorer schickt einen Prompt live über DataForSEO an ChatGPT, Claude, Gemini oder Perplexity und zeigt die Teilanfragen unter Related queries the model considered (Prompt-Recherche).
• Content-Pläne: Für getrackte Prompts mit mindestens zwei Antworten, bei denen Engines mindestens zwei fremde Seiten und keine eigene zitieren, legt AutoSEO eine Content-Gap-Aufgabe an. Deren Gliederungsvorschlag nutzt die häufigsten Fan-outs des Prompts als Überschriften. Den Entwurf können Sie mit den Content-Werkzeugen schreiben.
• Agenten, API und Reports: Das MCP-Tool get_query_fanouts und der REST-Endpunkt GET /api/v1/projects/{projectId}/fanouts liefern dieselben gruppierten Daten (Standardzeitraum: 90 Tage) für eigene Agenten und Skripte (MCP-Server); Reports können einen Baustein Query fan-outs enthalten.

Wenn Sie das mit Ihren eigenen Prompts ausprobieren möchten, können Sie AutoSEO kostenlos selbst hosten oder AutoSEO Cloud für 50 US-Dollar pro Monat nutzen.