Query Fan-Out als Sichtbarkeitshebel: So richten Sie Content stärker an KI-Suchlogiken aus
Der User-Prompt ist für viele KI-Suchsysteme nur der Anfang. Im sogenannten Query Fan-Out zerlegen sie die Suchanfrage in mehrere verwandte Sub-Queries und starten zu jeder dieser einen eigenen Rechercheprozess. Wer diesen Prozess versteht, kann damit seine Inhalte besser für die KI-Suche optimieren. In diesem Beitrag erklären wir Ihnen, wie Query Fan-Outs funktionieren, was sie für die Content-Strategie bedeuten und wie Sie mögliche Sub-Queries sinnvoll für die Generative Engine Optimization nutzen.
Was ist ein Query Fan-Out?
Ein Query Fan-Out (oft auch Query Decomposition, Query Expansion oder Query Rewriting genannt) ist ein Verfahren, bei dem ein KI-Suchsystem eine ursprüngliche Suchanfrage (den User-Prompt) in mehrere verwandte Teilanfragen, sogenannte Sub-Queries, auffächert. Statt ausschließlich nach der exakten Formulierung des Users zu recherchieren, sucht das System also gleichzeitig nach verschiedenen Aspekten, Umformulierungen und impliziten Informationsbedürfnissen.
Die offizielle Google-Definition
In der Google Search Central Dokumentation definiert Google den Query-Fan-Out-Prozess wie folgt: „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’.”
Wie funktioniert ein Query Fan-Out?
Der tatsächliche Prozess des Query Fan-Outs ist letztendlich eine Blackbox und variiert wahrscheinlich zusätzlich von KI-System zu KI-System. Auch bei einer konkreten Suchanfrage werden die spezifischen Sub-Queries nicht offengelegt. Die gute Nachricht ist aber: Anhand der offiziellen Google-Dokumentation und Analysen Dritter von Googles Patenten können wir uns das Prinzip hinter den Query Fan-Outs ableiten. Im Folgenden erklären wir die grobe Funktionsweise:
Der Prozess vereinfacht dargestellt
Sobald der User eine Suchanfrage startet, sieht der Prozess – stark vereinfacht – wahrscheinlich so aus:
- Prompt analysieren: Die KI prüft die Suchanfrage des Users und überlegt: Was möchte der Nutzer tatsächlich wissen? Welche Aufgaben muss er erledigen?
- Sub-Queries generieren: Die KI fächert den Prompt in eine Liste von verwandten Prompts auf: Welche Teilfragen, Synonyme und angrenzenden Aspekte sind relevant?
- Parallel recherchieren: Die KI startet die Recherche und sucht für die verschiedenen Sub-Queries passende Informationen in den Trainingsdaten und / oder dem Live Web heraus.
- Ergebnisse zusammenführen: Die KI sichtet die gesammelten Informationen und bündelt relevante Ergebnisse.
- Antwort generieren: Die KI erstellt aus den synthetisierten Suchergebnissen der Sub-Queries eine zusammenhängende individualisierte Antwort.
Potenzielle Arten von Sub-Queries
Aus einem User-Prompt entstehen während des Query-Fan-Out-Prozesses synthetische Suchanfragen, die entweder …
- Synonyme bzw. Umformulierungen des ursprünglichen User-Prompts,
- indirekte, noch nicht ausformulierte Suchintentionen im User-Prompt oder
- weiterführende Schritte und Folgefragen
… sind.
Sie Sub-Queries können dabei unterschiedliche Suchintentionen abdecken, wie zum Beispiel:
- Informationssuche (informational intent)
- Aufruf einer bestimmten Webseite (navigational intent)
- Vergleich oder Bewertung von Produkten / Dienstleistungen (commercial investigation)
- Abschluss eines Kaufs, einer Buchung, einer Anmeldung etc. (transactional intent)
- Markenbasierte Suche (branded search)
Beispiel eines Query Fan-Outs
Ein fiktiver User-Prompt im Google AI Mode könnte sein:
„Ich betreibe einen kleinen Online-Shop und möchte, dass der Shop und meine Produkt auch in ChatGPT und im Google KI-Modus empfohlen werden. Was muss ich dafür machen?“
Fiktive Sub-Queries könnten dazu sein:
- Wie funktioniert die Optimierung für KI-Suchmaschinen?
- Wie wird eine Marke in den Antworten von ChatGPT sichtbar?
- Welche Faktoren beeinflussen, welche Marken ChatGPT empfiehlt?
- Welche Kennzahlen eignen sich, um den Erfolg von GEO zu messen?
- Welche Tools eignen sich für kleine Unternehmen, die mit GEO starten?
- Welche GEO-Agentur kann die Optimierung meines Online-Shops übernehmen?
- Wo kann ich einen GEO-Sichtbarkeitsreport für meine Website erstellen?
- etc.
Welche KI-Systeme nutzen Query-Fan-Out-Prozesse bei der Verarbeitung von Suchanfragen?
Der Query Fan-Out ist vor allem durch Google bekannt geworden und wird bei den KI-gestützten Google-Suchfunktionen AI Overviews und AI Mode verwendet. Auch Gemini scheint laut offiziellen Dokumentationen User-Prompts aufzufächern („[…] the model automatically generates one or multiple search queries […]“). OpenAI beschreibt für ChatGPT Search ähnliche Prozesse, wenn eine erste Informationssuche ungenügend war.
Prozesse wie den Query Fan-Out gibt es aber vermutlich auch bei Perplexity (Pro Search), Copilot, Claude und Co. – zumindest bis zu dem Grad, dass der ursprüngliche User-Prompt optimiert, angereichert oder aufgedröselt wird.
Wie verändert der Query Fan-Out die Suche?
Durch Query Fan-Out wird die Suchanfrage stärker als Ausgangspunkt einer Recherche behandelt und weniger als feste Zeichenfolge, zu der passende Ergebnisse gefunden werden müssen (Keyword Matching), wie wir es grundsätzlich von der klassischen Google-Suche kennen. Der Prozess ist ein entscheidender Unterschied zur Funktionsweise traditioneller Suchmaschinen und bedeutet vor allem drei Dinge:
- Mehr Recherchepfade: Die generative KI kann über verschiedene Suchanfragen auf verschiedenste Typen von Seiten gelangen (und damit auf unterschiedlichen Wegen potenziell auf eine Marke / ein Unternehmen stoßen).
- Stärkere Interpretation: Zwar interpretiert auch die klassische Google-Suche das Informationsbedürfnis hinter einer Suchphrase (und entscheidet zum Beispiel entsprechend zwischen Produktseiten oder informativen Ratgebern), aber KI-Systeme mit Query Fan-Out können noch viel stärker interpretieren. Sie können etwa Informationsbedürfnisse berücksichtigen, die nicht ausdrücklich formuliert wurden und bereits die nächsten Schritte des Users antizipieren.
- Mehr potenzielle Quellen: Für unterschiedliche Teilfragen können unterschiedliche Webseiten relevant sein. Der Pool an Quellen, die für eine Suchanfrage als relevant eingestuft werden, ist potenziell größer.
Was bedeutet der Query-Fan-Out-Prozess fürs Marketing?
Für das Marketing bedeutet Query Fan-Out vor allem: Einzelne Keywords allein sind als Planungsgrundlage zu eng gedacht. Inhalte sollten zusätzlich die Fragen, Teilprobleme und Entscheidungskriterien abdecken, die mit dem eigentlichen Nutzerproblem zusammenhängen. Es ist also mehr denn je unabdingbar, sich mit der Zielgruppe, ihren Pain Points, Informationsbedürfnissen und Jobs to be Done auseinanderzusetzen.
Gleichzeitig ergeben sich aus dem großen Pool an Informationsquellen, der beim Query Fan-Out entsteht, neue potenzielle Touchpoints zwischen Marken und ihrer Zielgruppe. Es lohnt sich also zum einen, die eigene Webseite zu einer präferierten KI-Quelle zu optimieren und sich auf anderen externen Seiten, die als KI-Quelle infrage kommen, zu positionieren.
Query Fan-Outs sprechen insgesamt also für Content-Strategien, die:
- Suchintentionen in allen Facetten (auch implizite) und Jobs to be Done statt nur Keywords betrachten
- zentrale Anschlussfragen systematisch abdecken (z.B. durch verlinkte Seiten oder integrierte FAQ-Abschnitte)
- Themen in der Tiefe und in verschiedene Richtungen vollumfänglich abdecken und thematisch verwandte Inhalte in starken Content Clustern organisieren
- Onpage-Content mit Brand Mentions und Backlinks im Offpage-Bereich verbinden (z.B. in Branchenverzeichnissen, in Online-Nachrichtenmedien, auf Social Media, bei Bewertungsportalen etc.)
Woher weiß ich, welche Sub-Queries die KI von einem User-Prompt ableitet?
Exakt vorhersagen können Sie die Sub-Queries nicht. Die Prozesse laufen innerhalb der KI-Systeme ab und können sich je nach Modell, Prompt, User, Kontext und Zeitpunkt unterscheiden. Es gibt jedoch verschiedene Möglichkeiten, verwandte User-Fragen zu sammeln oder einen Query Fan-Out zu simulieren:
1. Eigene Internetrecherche
Analysieren Sie die Google SERPs zu wichtigen Suchthemen Ihrer Zielgruppe und prüfen Sie, welche Suchbegriffe und Fragen Google in den „People Also Ask“-Boxen auflistet.
Es kann sich außerdem lohnen, Foren und Communities wie Reddit nach relevanten Nutzer-Problemen und -Fragen zu durchsuchen. Oder aber Sie werfen einen Blick in die Kommentarspalten unter Social-Media-Posts und das Feedback in den Unternehmens- und Produktbewertungen bei Google, Trustpilot und Co.
2. Unternehmensinternes Wissen
Fragen Sie Mitarbeiter, die in Kontakt mit (potenziellen) Kunden stehen. Aus Kundengesprächen wissen sie häufig, welche Fragen, Sorgen, Probleme und Aufgaben tatsächlich rund um Ihre Fachgebiete, Produkte und Dienstleistungen häufig entstehen.
3. Klassische Keywordrecherche-Tools und spezialisierte Query Fan-Out Tools
Nutzen Sie Tools, die Query Fan-Outs zu Ihren Prompts simulieren, wie zum Beispiel:
- AI Query Fan Out Tool (Suche per Prompt, E-Mail-Angabe nötig)
- DEJAN Query Fan-Out (Suche per URL oder Prompt, Google-Account nötig)
- Ahrefs Brand Radar (Bereich AI Responses) (kostenpflichtiger Ahrefs-Account nötig)
Helfen können aber auch klassische SEO-Keyword-Brainstorming-Tools wie AnswerThePublic.
Wie kann ich Sub-Queries für die Generative Engine Optimization nutzen?
Mögliche Sub-Queries können Ihnen helfen, Content-Lücken zu erkennen und Themen umfassender abzudecken, um sich als Topical Authority in Ihrem Spezialgebiet zu positionieren und damit mehr Sichtbarkeit in KI-Antworten zu generieren.
Schritt 1: Mögliche Sub-Queries und Informationsbedürfnisse recherchieren
Wählen Sie ein typisches Prompt-Thema Ihrer Zielgruppe und sammeln Sie relevante Teilfragen aus verschiedenen Quellen (vgl. Liste oben). Ziel ist keine vollständige Liste aller theoretischen Queries, sondern ein realistisches Bild der wichtigsten Nutzerfragen.
Schritt 2: Relevante Sub-Queries auswählen und priorisieren
Nicht jede gefundene Frage verdient eigenen Content. Prüfen Sie vor allem:
- Passt sie zum Nutzerproblem?
- Ist sie für Ihre Zielgruppe relevant?
- Gehört sie fachlich zum Thema?
- Können Sie dazu echten Mehrwert liefern?
Schritt 3: Bestehenden Content auf Lücken prüfen
Vergleichen Sie die priorisierten Fragen mit Ihrem vorhandenen Content.
Markieren Sie:
- bereits gut beantwortete Fragen
- unvollständig behandelte Aspekte
- komplett fehlende Informationen
So wird aus der Fan-Out-Recherche eine konkrete Content-Gap-Analyse.
Schritt 4: Content sinnvoll ergänzen oder neue Inhalte erstellen und streuen
Entscheiden Sie anschließend, wo eine Antwort am sinnvollsten aufgehoben ist.
Eine kleine Ergänzungsfrage passt häufig auf die bestehende Seite – entweder im Hauptteil oder beispielsweise als zusätzliche Frage in einem FAQ-Element. Ein umfangreiches Unterthema kann dagegen einen eigenen Beitrag rechtfertigen. Bauen Sie am besten ein strategisch durchdachtes Content Cluster mit Hierarchien sowie cleveren Verlinkungen auf und verteilen Sie die Inhalte sowohl auf Ihrer eigenen Webseite als auch außerhalb (zum Beispiel mithilfe von Online-PR oder Social Media). Achtung: Welche Seiten für die Offpage-Strategie sinnvoll sind, ist immer abhängig von Thema, Zielgruppe und KI-System!
Fazit
Der Query Fan-Out macht sichtbar, warum Content für die KI-Suche nicht nur rund um einzelne Keywords geplant werden sollte. KI-Systeme können einen Prompt in mehrere Recherchepfade auffächern und dadurch auch Inhalte zu verwandten Teilfragen heranziehen. Für die Generative Engine Optimization heißt das: Nutzen Sie mögliche Sub-Queries als Recherchehilfe und bauen Sie strategische Content Cluster auf und aus, um Ihre Expertise gegenüber KI-Systemen sichtbar zu machen und die Chancen zu erhöhen, dass Ihre Marke bei den KI-gestützten Suchen gefunden und erwähnt wird.
