Query Fan-Out: Wie KI-Systeme Fragen in Teilsuchen zerlegen

Was Query Fan-Out bedeutet

Query Fan-Out ist das Verfahren, mit dem KI-Suchen eine Frage in mehrere Teilsuchen zerlegen. Statt nur nach „Wie lange dauert SEO?“ zu suchen, fragt das System zum Beispiel parallel nach Erfahrungswerten, nach offiziellen Aussagen von Google und nach Faktoren, die die Dauer beeinflussen. Aus den Ergebnissen dieser Teilsuchen setzt das Modell seine Antwort zusammen und verlinkt die Quellen, auf die es sich stützt.

Der Begriff ist doppelt belegt. In der Softwareentwicklung bezeichnet Fan-Out, dass eine Anfrage an viele Server oder Datenbanken verteilt wird. Das hat mit Suchmaschinenoptimierung nichts zu tun. Wie verbreitet die Verwechslung ist, zeigte sich in einer eigenen Messung: ChatGPT verstand die Frage, ob man für jede „Fan-Out-Anfrage“ eine eigene Seite erstellen sollte, in allen drei Durchläufen als Frage zur Softwaretechnik.

Was Google offiziell zu Query Fan-Out sagt

Google beschreibt das Verfahren an mehreren Stellen. Im Leitfaden zur Optimierung für generative KI-Funktionen (Stand 10. Juli 2026) ist Fan-Out eine Reihe gleichzeitiger, verwandter Suchanfragen, die das Modell erzeugt, um mehr Informationen abzurufen. Die Dokumentation zu den KI-Funktionen ergänzt, dass AI Overviews und AI Mode dafür mehrere verwandte Suchen über Unterthemen und Datenquellen hinweg ausführen.

Zum Start des KI-Modus in Deutschland am 8. Oktober 2025 schrieb Google im deutschen Google-Blog, der KI-Modus zerlege Fragen in Unterthemen und führe dazu viele Suchen gleichzeitig aus. Wie viele Teilsuchen das im Einzelfall sind, nennt Google nicht.

Wie viele Teilsuchen entstehen: Daten aus 448 eigenen Abrufen

Wie viele Teilsuchen eine KI stellt, lässt sich bei ChatGPT und Gemini messen. Die Schnittstelle von DataForSEO liefert zu jeder Antwort mit Websuche die Liste der Teilsuchen mit. Tokato Media hat damit zwischen August und Oktober 2026 fünf Messreihen durchgeführt.

Gemini stellte fast immer genau zwei Teilsuchen, ChatGPT meist drei bis fünf. Im Whirlpool-Projekt ergaben 120 Abrufe 207 Teilsuchen, die sich auf 16 stabile Teilfragen verdichten ließen.

Was die Messungen über ChatGPT und Gemini zeigen

Neben der Zahl der Teilsuchen fielen in allen Messreihen dieselben Muster auf:

• Bei Grundsatzfragen sucht die KI oft gar nicht. In der Messreihe zur KI-Sichtbarkeit lösten vier von elf Fragen in keinem Durchlauf eine Websuche aus. Solche Antworten kommen aus dem Trainingswissen des Modells.
• ChatGPT sucht auf Englisch. In drei der vier Messreihen vom Oktober waren alle Teilsuchen von ChatGPT englisch, in der vierten fast alle, obwohl die Fragen deutsch waren. Gemini suchte teilweise auf Deutsch.
• ChatGPT prüft gegen offizielle Quellen. Ein großer Teil seiner Teilsuchen richtete sich per site:-Operator an Seiten wie developers.google.com, help.openai.com oder llmstxt.org. Gemini nutzte diesen Operator in keiner der Messreihen vom Oktober.
• Gemini vermischt Begriffe. Fragen zum Google AI Mode übersetzte Gemini in 38 von 45 Durchläufen in Suchen nach AI Overviews oder dem alten Begriff SGE.
• Die Absichten sind stabil, die Formulierungen nicht. Fast jede Teilsuche war wörtlich neu, die Teilfragen dahinter tauchten aber meist schon im ersten oder zweiten Durchlauf auf.

Warum Fan-Outs für SEO und GEO wichtig sind

Eine Seite kann über eine Teilsuche in eine KI-Antwort gelangen, auch wenn sie für die ursprüngliche Frage nicht vorne rankt. Umgekehrt nützt ein gutes Ranking für die Hauptfrage wenig, wenn die Seite die Teilfragen nicht beantwortet, nach denen die KI tatsächlich sucht.

Diese Teilfragen tauchen in klassischen Keyword-Tools meist nicht auf, weil sie so niemand in Google eintippt. Ein Beispiel aus dem Whirlpool-Projekt: Bei jeder Frage zum pH-Wert suchte die KI auch nach „Alkalinität“, einem Begriff, den Kunden kaum selbst verwenden. Ein Ratgeber zum pH-Wert ohne Erklärung der Alkalinität deckt diese Teilsuche nicht ab.

Für GEO, also die Optimierung für KI-Antworten, sind die Teilsuchen deshalb die genaueste Vorlage dafür, was eine Seite beantworten muss. Für die Messung der KI-Sichtbarkeit liefern sie die Fragen, die man tracken sollte, wie der Ratgeber KI-Sichtbarkeit messen zeigt.

Teilsuchen sichtbar machen: Tools und eigene Abfrage

Googles Dokumentation beschreibt keinen Weg, die Teilsuchen des AI Mode einzusehen. Für ChatGPT und Gemini lassen sie sich über Schnittstellen abrufen. Die Schnittstelle von DataForSEO liefert zu jeder Antwort mit Websuche die Liste der Teilsuchen mit. Darauf beruhen alle Messungen in diesem Ratgeber.

Mehrere SEO- und GEO-Tools werben inzwischen mit Fan-Out-Analysen. Vor einer Entscheidung lohnt sich die Frage, ob ein Tool die Teilsuchen tatsächlich bei ChatGPT oder Gemini abruft oder sie nur von einem Sprachmodell schätzen lässt. Nur gemessene Teilsuchen zeigen, wonach die KI wirklich sucht.

Für eine belastbare Auswertung reicht eine einzelne Abfrage nicht. In den eigenen Messungen tauchten die wichtigen Teilfragen nach zwei bis drei Durchläufen je Modell zuverlässig auf. Die Recherche ist Teil der Keyword- & Fan-Out-Recherche.

Sollte man für jede Teilsuche eine eigene Seite anlegen?

Nein. Google schreibt in seinem Leitfaden zur generativen KI ausdrücklich, dass es gegen die Richtlinie zu massenhaft erstellten Inhalten (Scaled Content Abuse) verstößt, für jede denkbare Variante einer Suche eigene Inhalte anzulegen, um Rankings oder KI-Antworten zu beeinflussen.

Die Teilsuchen gehören deshalb als Abschnitte auf die Seite, die das Hauptthema behandelt. Eine starke Seite pro Thema, die ihre wichtigsten Teilfragen beantwortet, ist für Leser und Suchsysteme nützlicher als viele dünne Seiten mit je einer Antwort. Welche Seite welches Thema übernimmt, legt eine Keywordmap fest. Mehr dazu im Ratgeber Keyword-Mapping.

Inhalte für Fan-Outs optimieren

Inhalte werden für Fan-Outs nicht umgeschrieben, sondern vervollständigt. Google betont, dass Texte nicht eigens für KI geschrieben oder in kleine Stücke zerlegt werden müssen. So lassen sich die Teilsuchen trotzdem gezielt abdecken:

1. Zu jeder wichtigen Seite die Fragen formulieren, die Kunden einer KI stellen würden, in ganzen Sätzen.
2. Jede Frage zwei- bis dreimal in ChatGPT und Gemini mit Websuche abrufen und die Teilsuchen speichern.
3. Gleichbedeutende Teilsuchen zu Teilfragen bündeln und zählen, wie oft jede vorkommt.
4. Häufige Teilfragen mit der bestehenden Seite abgleichen: Was fehlt, was ist zu dünn?
5. Für jede fehlende häufige Teilfrage einen Abschnitt mit einer Überschrift ergänzen, die die Frage benennt, und die Antwort gleich in den ersten Satz stellen.
6. Begriffe aufnehmen, die die KI mitsucht, auch wenn Kunden sie selbst nicht verwenden.
7. Die Wirkung über ein festes Set von Fragen messen, nicht über einzelne Abfragen.

Häufige Fragen