Query Fan Out

KI-Suche liefert keine zehn blauen Links mehr. Sie denkt Anfragen weiter, zerlegt sie in Teilfragen, durchsucht parallel mehrere Quellen und synthetisiert daraus eine einzige Antwort. Dieses Prinzip heißt Query Fan Out. Wer den Mechanismus versteht, versteht auch, warum klassisches Keyword-Ranking allein nicht mehr reicht. Query Fan Out ist einer der Gründe, warum Generative Engine Optimization (GEO) zur eigenen Optimierungsschicht neben klassischem SEO geworden ist.

Eine Suchanfrage, zehn Antworten: was sich verändert hat

Wer die letzten Monate AI Overviews oder Googles AI Mode beobachtet hat, merkt: Die Antworten sind umfangreicher geworden. Kontextreicher. Und deutlich weniger vorhersehbar als klassische Suchergebnisse. Eine Anfrage zu einem lokalen Abdichtungsbetrieb liefert plötzlich Informationen zu Leistungen, Referenzen, Bewertungen und Preisrahmen, obwohl niemand nach all dem explizit gefragt hat.

Das liegt nicht daran, dass Google besser geraten hat. Dahinter steckt ein strukturierter Mechanismus: Das System stellt selbst weitere Fragen, führt diese aus und baut daraus die Antwort zusammen. Klassische Suchmaschinen liefern eine Ergebnisliste. KI-Suche liefert eine Synthese. Der Begriff für dieses Prinzip ist Query Fan Out.

Was Query Fan Out ist

Herkunft des Begriffs

Query Fan Out stammt aus der Information-Retrieval-Forschung und beschreibt das Ausweiten einer Suchanfrage auf verwandte Teilanfragen. Google verwendet den Begriff in eigenen Patenten und mittlerweile auch in seiner öffentlichen Entwicklerdokumentation: Die Systeme nutzen eine "query fan-out" Technik - issuing multiple related searches across subtopics and data sources - zur Entwicklung einer Antwort. Für Praktiker ist die Herkunft eine Randnotiz; was zählt, ist der Mechanismus dahinter.

Definition: was Fan Out konkret beschreibt

Query Fan Out bezeichnet den Prozess, bei dem ein KI-System eine einzelne Nutzeranfrage automatisch in mehrere Sub-Queries zerlegt, diese parallel ausführt und die Ergebnisse zu einer einzigen Antwort zusammenführt. Eine Frage wird zu vielen Suchvorgängen, ohne dass der Nutzer das sieht oder steuert.

Google:

Query fan-out: A set of concurrent, related queries generated by the model to request more information and fetch additional relevant search results to address the user's query. For example, if the original user's query is "how to fix a lawn that's full of weeds", fanout queries might include "best herbicides for lawns", "remove weeds without chemicals", and "how to prevent weeds in lawn". Google Search Central, 15.05.2026

Abgrenzung zur klassischen Suche

Klassische Suche: 1 Query → 10 Blue Links → Nutzer entscheidet selbst, was relevant ist.

KI-Suche mit Fan Out: 1 Query → N Sub-Queries → synthetisierte Antwort → Nutzer entscheidet weniger, weil das System bereits gefiltert hat.

Was für Nutzer bequemer ist, verändert für SEOs die Spielregeln: Der Nutzer wählt nicht mehr aus einer Liste mit Suchergebnissen aus, sondern das System selbst wählt bereits die Quellen.

Wie Query Fan Out Schritt für Schritt funktioniert

Phase 1: Decomposition

Das System analysiert die eingehende Anfrage und erkennt, welche Teilaspekte darin stecken. Aus "Abdichtungsbetrieb Köln" leitet es ab: Es geht um einen lokalen Anbieter, wahrscheinlich mit konkretem Bedarf, der Reputation und Leistungsumfang vergleichen möchte.

Phase 2: Expansion

Implizite Fragen werden explizit gemacht. Das System generiert Fragen, die der Nutzer nicht gestellt hat, aber wahrscheinlich interessant findet: Welche Leistungen bietet der Betrieb? Was sagen Kunden? Welche Referenzen gibt es? Was kostet eine Abdichtung ungefähr? Wie ist der Betrieb erreichbar?

Phase 3: Execution

Alle abgeleiteten Teilanfragen werden parallel gegen Web-Indizes und Datenbanken ausgeführt. Ergebnis: Nicht eine Quelle wird gefunden, sondern für jeden Teilaspekt eine eigene Ergebnismenge. Das Abrufen passender Textabschnitte und das anschließende Formulieren der Antwort daraus ist der Mechanismus, den man Retrieval Augmented Generation nennt; Fan Out beschreibt die Auffächerung davor.

Phase 4: Synthesis

Das System gewichtet die Ergebnisse, priorisiert nach Relevanz und fasst zusammen. Technisch läuft das über Mechanismen wie Reciprocal Rank Fusion. Reciprocal Rank Fusion führt mehrere getrennte Ergebnislisten zu einer einzigen zusammen, indem es für jedes Dokument die Kehrwerte seiner Rangpositionen über alle Sub-Queries aufaddiert. Ein Dokument, das in vielen Teilanfragen auftaucht und dort jeweils weit oben steht, bekommt so den höchsten Gesamtscore, auch wenn es in keiner einzelnen Liste ganz vorne liegt.

Phase 5: Response

Eine kohärente Ausgabe entsteht, oft mit Quellenangaben (Citations), manchmal ohne. Der Nutzer sieht eine Antwort, die wirkt, als käme sie aus einer einzigen, sehr umfassenden Quelle.

Konkretes Beispiel: "Abdichtungsbetrieb Köln"

Jemand sucht nach einem lokalen Abdichtungsspezialisten. Das KI-System leitet aus dieser Anfrage wahrscheinlich folgende Sub-Queries ab: Welche Abdichtungsbetriebe gibt es in Köln? Was sind die Leistungen typischer Abdichtungsfirmen? Welche Bewertungen haben lokale Anbieter? Was kostet Abdichtung in NRW ungefähr? Welche Referenzprojekte gibt es?

Wer in der AI-Antwort erscheint, ist nicht zwingend derjenige mit dem besten Ranking auf "Abdichtungsbetrieb Köln", sondern derjenige, dessen Content mehrere dieser Sub-Queries gleichzeitig abdeckt. Ein Betrieb ohne Bewertungsseite, ohne Leistungsübersicht und ohne Referenzen fällt heraus, selbst wenn er für das Hauptkeyword gut rankt.

Plattformvergleich: wer fächert wie stark auf?

Die Fan-Out-Tiefe variiert deutlich zwischen Plattformen. Die belastbarsten Zahlen kommen aus zwei Studien, die beide über die Gemini-3-API messen, also als Proxy für Googles Fan-Out-Verhalten: Seer Interactive hat mit 501 Prompts das Verhalten von Gemini 3 dokumentiert, Nectiv Digital hat einen Datensatz von rund 70.000 Fan-Out-Queries aus knapp 9.000 Prompts ausgewertet. Die Zahlen sind ein Snapshot von Ende 2025 bis Anfang 2026; die einzelnen Werte stammen aus unterschiedlichen Systemen und Messungen, also nicht direkt vergleichbar.

Google AI Mode ist die kritischste Plattform mit der höchsten Fan-Out-Dichte. Wer dort präsent ist, hat die härteste Anforderung erfüllt.

Was sich für deine SEO-Arbeit jetzt ändert

Keyword-Rankings bilden Fan-Out-Sichtbarkeit nicht ab

Platz 1 auf "Abdichtung Köln" bedeutet nicht, dass das System diese Quelle zieht. Das KI-System führt für jeden Aspekt der Anfrage eigene Suchen durch. Ein gutes Ranking auf die Hauptanfrage garantiert keine Präsenz in den Sub-Queries. Wer nur auf Rankings schaut, hat einen blinden Fleck.

Erschwerend kommt hinzu: 95% der Fan-Out-Queries haben null globales Suchvolumen. Sie tauchen in keinem Keyword-Tool auf. Wer seine SEO-Strategie ausschließlich auf messbare Suchvolumina aufbaut, optimiert für eine Welt, die gerade kleiner wird.

Zero-Click ist die neue Normalität

Rund 93% der Suchen im Google AI Mode enden ohne Klick [Semrush, 2025]. Der Nutzer bekommt seine Antwort direkt. SEO verschiebt sich damit von einem direkten Performance-Kanal zu einem Brand-Visibility-Kanal: Weniger Klicks bedeuten nicht zwingend schlechtere SEO-Arbeit, sondern können heißen, dass die eigene Domain in AI-Antworten präsent ist, ohne dass jemand klickt. Warum gute Rankings trotzdem immer weniger Traffic bringen und was das fürs Reporting bedeutet, steht im Detail unter Warum verliere ich Traffic trotz guter Rankings.

Was gleich bleibt und was sich ändert

Qualitätscontent ist nach wie vor Grundvoraussetzung. Das ändert sich nicht. Was sich ändert, ist der Maßstab für "gut": Früher bedeutete das, für ein Keyword relevant und technisch sauber aufgestellt zu sein. Heute bedeutet es, ein Thema breit genug abzudecken, dass das System auf mehrere Sub-Queries eine passende Antwort findet, und diese so strukturiert zu haben, dass sie extrahierbar ist.

Topical Authority: das neue Ziel hinter Fan Out

Von Single-Keyword-Optimierung zu Topic-Ecosystem-Coverage

Fan-Out-Systeme ziehen bevorzugt Quellen, die ein Thema vollständig abdecken. Eine Seite, die einen Aspekt sehr gut behandelt, verliert gegen eine Domain, die das gesamte Thema abdeckt, weil das System für mehrere Sub-Queries aus derselben Domain schöpfen kann. Content-Cluster werden dadurch relevanter denn je: Hub-Spoke-Modelle, die ein Thema auf verschiedenen Ebenen abdecken, bedienen die Fan-Out-Logik direkt.

Mega-Guide oder viele Einzelseiten? Eine offene Debatte

Hier ist die Branche gespalten. Das Argument für Konsolidierung: Eine starke, tiefe Autorenseite signalisiert Expertise und gibt dem System eine zentrale, extrahierbare Quelle. Das Argument für Einzelseiten: Spezifische Sub-Queries lassen sich gezielter beantworten, wenn jede Unterseite eine einzige Frage vollständig beantwortet.

Eine eindeutige Antwort gibt es nicht. Wahrscheinlich hängt es vom Thema und der Wettbewerbssituation ab: Bei hochspezifischen Nischen kann ein Mega-Guide sinnvoll sein, bei breiteren Themenfeldern eher ein Cluster aus Einzelseiten. Wer weder das eine noch das andere hat, hat das größere Problem.

Content so strukturieren, dass KI ihn extrahiert

Klare Headings, kurze Chunks, Listen und Tabellen

Fan-Out-Systeme lesen Content in Chunks, nicht Seiten. Das System greift auf einzelne Abschnitte zu, nicht auf den Gesamtartikel. Daraus folgt: Jeder Abschnitt muss für sich stehen können. Kurze Paragraphen mit einer Idee, klare Überschriften, die den Inhalt ankündigen, Listen und Tabellen wo der Inhalt das hergibt. Wie Content technisch in extrahierbare Blöcke zerlegt wird und welche Chunking-Ansätze es gibt, steht unter Content Chunking für KI-SEO.

Vorgeschaltet ist eine schlichte Bedingung: Der KI-Crawler muss die Seite überhaupt abrufen dürfen, sonst ist sie für Fan Out unsichtbar. Was Crawler-Zugang, robots.txt und eine llms.txt dabei leisten, ist ein eigenes Thema.

E-E-A-T in der Fan-Out-Ära

Autorität, Erfahrung und Glaubwürdigkeit (E-E-A-T) werden durch Fan-Out noch relevanter, weil das System bei mehreren Sub-Queries zur gleichen Domain greifen kann, wenn diese als vertrauenswürdig eingestuft wird. Sichtbare Expertise: Autorenprofile mit Nachweisen, Quellenangaben im Text, eigene Daten und Fallbeispiele.

Ein überraschender Befund: Die Reddit-Präsenz in AI Overviews ist von März bis Juni 2025 um rund 450 Prozent gestiegen (BrightEdge, 2025). Community-Signale und User-Generated Content werden als Fan-Out-Quelle gezogen, als Glaubwürdigkeitsfaktor für Nutzererfahrungen und Bewertungen. Wer keine Review-Signale hat, fällt bei einem ganzen Fan-Out-Typ heraus: Laut Nectiv Digital gehört "Reviews" zu den häufigsten N-Gram-Mustern in Fan-Out-Queries. Das System sucht aktiv nach Bewertungen als eigenem Schritt, unabhängig von der ursprünglichen Anfrage.

Praktischer Workflow: Sub-Queries finden, priorisieren, umsetzen

Sub-Queries ohne Tool ermitteln

Das Grundprinzip funktioniert ohne spezialisierte Tools:

1. Kernanfrage formulieren, so wie ein echter Nutzer sie stellen würde
2. W-Fragen ableiten, die ein KI-System stellen würde: Wer braucht das? Was kostet es? Wie läuft es ab? Wo wird es angeboten? Warum dieser Anbieter?
3. Intentionen hinter jeder Frage benennen: informational, navigational, transactional
4. Mit tatsächlichen AI-Antworten abgleichen: welche Quellen werden in Google AI Mode oder Perplexity für diese Anfrage zitiert?

Priorisierungs-Framework: welche Sub-Queries zuerst?

Nicht jede Sub-Query ist gleich wertvoll:

Fan-Out-Retrofit: bestehendes Content-Portfolio anpassen

Bestehende Seiten können mit Fan-Out-Linse neu bewertet werden. Das Audit stellt drei Fragen: Welche Seiten decken bereits Sub-Queries unserer Kernthemen ab? Wo sind Lücken, fehlende Seiten oder zu oberflächliche Behandlung? Wann ist Konsolidierung sinnvoller als neue Seiten?

Die Antwort auf die dritte Frage hängt von der Wettbewerbssituation ab. Wenn eine Seite bereits rankt und nur inhaltlich tiefer werden muss, ist Konsolidierung oft sinnvoller als eine neue URL. Wenn ein ganzer Themenbereich fehlt, braucht es neue Inhalte.

Local SEO und KMU: was Fan Out für kleinere Unternehmen konkret bedeutet

Wie Fan Out lokale Suchanfragen verarbeitet

Lokale Anfragen fächern weniger stark auf als andere Kategorien: Nectiv Digital dokumentiert für Local-Suchanfragen einen Durchschnitt von 3,79 Fan-Outs, deutlich unter dem Gesamtschnitt von 9,06. Das klingt zunächst beruhigend. Aber selbst 3-4 Sub-Queries bedeuten: Reputation, Leistungsumfang, Erreichbarkeit und Bewertungen werden als eigene Suchvorgänge ausgeführt. Wer auf einem oder mehreren dieser Felder keine Signale hat, fällt heraus.

Für z.B. den kleinen Abdichtungsbetrieb in Köln bedeutet das: Eine Webseite mit Kontaktdaten reicht nicht. Das System prüft aktiv, was andere über diesen Betrieb sagen, welche Leistungen explizit ausgewiesen sind und ob lokale Referenzen vorhanden sind.

Was kleine Websites mit wenig Content tun können

Breite Themenführerschaft ist für kleine Betriebe nicht realistisch. Die Fan-Out-Logik belohnt aber auch Tiefe: Ein Nischenthema vollständig abzudecken ist erreichbarer als ein breites Themenportfolio aufzubauen.

• Wenige, aber dafür vollständig behandelte Themen priorisieren: lieber ein Leistungsbereich komplett als fünf oberflächlich
• Lokale Signale stärken: Google Business Profile aktuell halten, strukturierte Daten (LocalBusiness Schema) einsetzen, lokale Referenzen und Bewertungen aktiv aufbauen
• Review-Signale systematisch aufbauen, nicht als Nice-to-have, sondern als eigene Fan-Out-Kategorie

Neue Metriken: wie du Fan-Out-Sichtbarkeit misst

Warum traditionelle Rankings hier versagen

Eine Citation in einer AI-Antwort entspricht keiner Ranking-Position. Eine Domain kann in AI-Antworten häufig auftauchen, ohne für das entsprechende Keyword gut zu ranken. Umgekehrt kann eine Domain auf Platz 1 stehen, ohne je in einer AI-Antwort zu erscheinen. Die klassische Ranking-Tabelle bildet Fan-Out-Sichtbarkeit nicht ab.

Citations, Mentions, Share of Voice als neue Kennzahlen

Was sich messen lässt: wie oft die eigene Domain in AI-Antworten erscheint, für welche Themenfelder, und im Vergleich zu welchen Wettbewerbern. Share of Voice im AI-Kontext ist eine andere Metrik als klassische SERP-Sichtbarkeit, aber eine, die relevanter wird, wenn Nutzer seltener klicken und die AI-Antwort häufiger als Endpunkt akzeptieren.

Tools für Fan-Out-Analyse

Kostenlos:

• AI-Suchen manuell testen: Kernanfragen in Google AI Mode, Perplexity und ChatGPT eingeben und dokumentieren, welche Domains zitiert werden
• Google Search Console: Impressionen für AI Overview-Traffic separat auswerten (seit Googles Erweiterung der GSC-Daten)

Kostenpflichtig:

• Semrush AI Toolkit, Ahrefs AI-Sichtbarkeit, spezialisierte GEO-Tools wie Brandlight oder AISEOmeter: alle messen Citations und Mentions in AI-Antworten, Tiefe und Methodik variieren.

Paid Search und Fan Out

AI Overviews beeinflussen die CTR auf Paid-Anzeigen messbar. Wenn die organische AI-Antwort die Nutzerfrage vollständig beantwortet, sinkt der Anreiz, auf eine Anzeige zu klicken. Wer stark auf Paid setzt und steigende CPAs oder sinkende CTRs beobachtet, sollte das Zusammenspiel mit AI Overviews aktiv beobachten, auch wenn der direkte Kausalzusammenhang schwer isolierbar ist.

Ausblick: wohin sich Query Fan Out entwickeln könnte

Agentic Fan-Out: KI soll nach Aussagen von OpenAI und Co. nicht nur Antworten liefern, sondern Handlungen ausführen: Buchungen, Anfragen, Kaufentscheidungen. Fan-Out würde dann nicht zur Informationssynthese genutzt, sondern als Entscheidungsgrundlage für autonomes Handeln. Für welche Quellen das System dann greift, ist keine Ranking-Frage mehr, sondern eine Vertrauensfrage. Das ist bislang allerdings hauptsächlich Zukunftsmusik / Marketing-Versprechen und wirklich überzeugend sind diese "KI-Agenten" bislang noch nicht.

Visual Fan-Out: Google hat visuelle Fan-Out-Technik bestätigt: Bilder und Videos als Sub-Query-Quellen. Wer multimodalen Content strukturiert aufbaut, hat eine Differenzierungschance, solange das noch kein Standard ist.

Was das heute bedeutet: Wer jetzt Topical Authority aufbaut und Content extrahierbar strukturiert, ist für beide Entwicklungen besser positioniert als wer wartet. Die Grundlagen sind dieselben, nur der Maßstab wird schärfer.