Query Fan-Out: Wie KI-Suchsysteme denken und was das für deine GEO-Strategie bedeutet
Hauptthema des Artikels: Query Fan-Out erklärt, wie KI-Suchsysteme Anfragen in mehrere Teilfragen aufteilen und warum dieses Verständnis für eine erfolgreiche GEO-Strategie entscheidend ist.
Wichtige Punkte:
- Query Fan-Out zerlegt eine Suchanfrage automatisch in mehrere Sub-Queries, recherchiert diese parallel und kombiniert die Ergebnisse zu einer fundierten KI-Antwort.
- Für eine erfolgreiche GEO-Strategie sollten Inhalte nicht nur ein Keyword, sondern alle relevanten Teilfragen eines Themas mit klarer Struktur, Überschriften, Tabellen und FAQs abdecken.
- KI-Suchsysteme bevorzugen Quellen, die bei mehreren Sub-Queries relevant sind. So steigen die Chancen auf Citations in ChatGPT oder Google AI Mode.
- Die Analyse von Query Fan-Out deckt Content-Lücken auf und zeigt, welche Themen ergänzt werden sollten, um Nutzerintentionen umfassend zu erfüllen.
- Detaillierter, spezifischer und maschinenlesbarer Content wird zunehmend wichtiger, da KI-Systeme immer präzisere Suchanfragen generieren.
Fazit: Wer Query Fan-Out versteht und seinen Content konsequent an den entstehenden Sub-Queries ausrichtet, verbessert die Sichtbarkeit in KI-Suchsystemen und stärkt seine GEO-Strategie nachhaltig.
Klassische Suche vs. KI-Suche: Ein kurzer Blick unter die Haube
Um den Query Fan-Out zu verstehen, hilft ein kurzer Blick auf den Unterschied zwischen klassischer und KI-basierter Suche, denn genau hier liegt der Ausgangspunkt dafür, warum KI-Systeme überhaupt auf eine Websuche zurückgreifen müssen.
Die klassische Suche funktioniert deterministisch: Eine Query wird abgefeuert, ein Algorithmus bewertet Seiten anhand von On-page-, Off-page- und Nutzersignalen, und es entsteht eine Ranking-Liste. Gleicher Input, gleicher Output. Zwei Nutzer, die in Berlin zur gleichen Zeit nach „beste Siebträgermaschine“ suchen, bekommen nahezu identische Ergebnisse.
KI-Suchsysteme funktionieren anders: Sie arbeiten probabilistisch. Sie generieren eine Antwort, basierend auf dem wahrscheinlichsten nächsten Wort. Das bedeutet: Gleicher Prompt, unterschiedliche Antworten.
Ein Sprachmodell, das ausschließlich auf Trainingsdaten basiert, kann veraltete Preise nennen, nicht mehr erhältliche Produkte empfehlen oder im schlimmsten Fall halluzinieren. Um dieses Risiko zu verringern und mit hoher Wahrscheinlichkeit keine falsche Antwort zu generieren, kommt es zur Absicherung der KI-Antwort: dem sogenannten Grounding. Es bezeichnet die Verankerung an externen, verifizierbaren Quellen, in der Regel über eine Technik namens RAG (Retrieval Augmented Generation).
Ob Grounding überhaupt ausgelöst wird, entscheidet dabei ein Schwellenwert. ChatGPT berechnet intern einen Wert namens „search_prob“ zwischen 0 und 1, der angibt, wie wahrscheinlich eine Anfrage eine Websuche benötigt. Überschreitet er die Schwelle (unterschiedliche Schwellen bei der kostenlosen und bezahlten Version), recherchiert das System im Web.
Eine einzelne Suchanfrage deckt dabei aber oft nur einen schmalen Ausschnitt der relevanten Informationen ab, besonders bei komplexen oder mehrdeutigen Fragen. Um trotzdem eine robuste, gut abgesicherte Antwort zu generieren, zerlegt das System die Anfrage deshalb in mehrere parallele Teilfragen. Dies ist der Ausgangspunkt für Query Fan-Out.
Was ist Query Fan-Out?
Query Fan-Out ist das Standard-Suchverhalten moderner KI-Systeme: Das System zerlegt die ursprüngliche Query automatisch in mehrere thematisch verwandte Teilanfragen, sogenannte Sub-Queries. Diese werden parallel recherchiert, die Ergebnisse gewichtet und zu einer kohärenten Antwort zusammengeführt.
Das Gegenstück dazu ist der sogenannte Exact Prompt: Hier wird die Query unverändert verwendet, etwa bei sehr spezifischen Signalen wie Fehlercodes, Artikelnummern oder exakten Phrasen in Anführungszeichen. Dieses Verhalten ist jedoch die Ausnahme.
Was sagt Googles Patent dazu?
Google hat im Mai 2023 ein Patent eingereicht, das im Dezember 2024 erteilt wurde und diesen Mechanismus technisch beschreibt: das sogenannte „Thematic Search“-Patent (US12158907). Es gibt konkrete Einblicke in die Funktionsweise:
Das System nimmt eine Suchanfrage entgegen und leitet sie zunächst an eine klassische Suchmaschine weiter. Die zurückgelieferten Ergebnisse werden in thematische Cluster, sogenannte „Themes“, gruppiert. Für jeden dieser Cluster generiert ein Sprachmodell eine kompakte Zusammenfassung.
Das System rankt diese Themen nach ihrer Prominenz, also danach, wie viele unterschiedliche Dokumente ein jeweiliges Thema erwähnen. Je mehr Quellen ein Thema abdecken, desto höher seine Gewichtung in der finalen Antwort. Das Patent aktiviert diese Mechanik außerdem erst dann, wenn eine Anfrage einen bestimmten Breitenwert überschreitet, also bei komplexen oder mehrdimensionalen Fragen, bei denen eine einzelne Antwort nicht ausreicht.
Dieses patentierte System spiegelt sehr genau das wider, was Google für seinen AI Mode als Query Fan-Out beschreibt: die automatische Erkundung von Unterthemen durch das Generieren neuer Teilanfragen auf Basis übergeordneter Themen.
Wie Query Fan-Out in der Praxis funktioniert
So läuft der Prozess konkret ab:
- Die ursprüngliche Query wird semantisch analysiert und in mehrere sinnvolle Unterfragen zerlegt. Die Anzahl der Sub-Queries unterscheidet sich dabei stark nach System: Google AI Mode generiert lt. Ekamoria zufolge typischerweise 8 bis 12 parallele Sub-Queries, ChatGPT laut Auswertungen von Peec AI (Februar 2026) und AirOps (März 2026) im Schnitt 2,3 bis 2,8, wobei bei komplexen Fragen deutlich mehr entstehen können.
- Jede Sub-Query wird eigenständig recherchiert (z. B. über das Web, Datenbanken oder Wissensgraphen).
- Die Ergebnisse werden gewichtet und zusammengeführt, um eine kohärente Antwort zu liefern.
- Für den Nutzer erscheint die Antwort innerhalb von Sekunden wie aus einem Guss, obwohl im Hintergrund mehrere parallele Suchpfade liefen.
Ein konkretes Beispiel
Angenommen, ein Nutzer fragt: „Was ist die beste Siebträgermaschine für Einsteiger?“
Klassischer Ansatz: Eine Antwort mit einer Liste von drei Modellen und einer pauschalen Empfehlung.
Mit Query Fan-Out zerlegt das System die Anfrage zum Beispiel in folgende Sub-Queries:
- „Beste Siebträgermaschine für Einsteiger unter 800 €“
- „Siebträgermaschine Einsteiger Testberichte“
- „Siebträgermaschine Einsteiger Reviews“
- „Siebträgermaschine Einsteiger Markenvergleich, z. B. De’Longhi vs. Sage“
Das System recherchiert nun parallel zu diesen Sub-Queries und zieht dabei häufig auch englischsprachige Ergebnisse heran, da KI-Systeme wie ChatGPT bevorzugt englische Quellen nutzen, selbst wenn die ursprüngliche Frage auf Deutsch gestellt wurde. Die Ergebnisse werden gewichtet und zu einer differenzierten Antwort zusammengeführt, mit konkreten Modellempfehlungen je nach Budget, Erfahrungsgrad und Nutzungssituation.
Wie spezifisch diese Sub-Queries in der Praxis sind, zeigt eine Analyse von 365.920 realen Fan-Out-Suchanfragen von Dan Petrovic (dejan.ai): Die durchschnittliche Länge liegt zwischen 52 und 60 Zeichen, 71,1 % der Sub-Queries bestehen aus sieben oder mehr Wörtern, nur 3,9 % aus einem bis drei Wörtern. Kurze, generische Begriffe wie „Siebträgermaschine“ tauchen als Sub-Query also kaum auf.
Eine separate Auswertung von Peec AI auf Basis von 20 Millionen ChatGPT-Fan-Out-Queries zeigt zudem, dass sich die durchschnittliche Länge der Sub-Queries zwischen Oktober 2025 und Januar 2026 in etwa verdoppelt hat, von rund 6 auf rund 12 Wörter pro Sub-Query. Die Anzahl der Fan-Outs pro Prompt blieb dabei konstant bei 2,3 bis 2,8. ChatGPT sucht also nicht öfter, sondern präziser. Das könnte vermutlich daran liegen, dass längere Queries dem Retrieval-System mehr Kontext geben, um wirklich relevante Inhalte von generischem, KI-gesättigtem Content zu unterscheiden. Breite, generische Seiten werden es zunehmend schwerer haben, in den Fan-Out-Ergebnissen zu erscheinen. Spezifischer, detaillierter Content mit klarem Themenfokus hat einen Vorteil.
Wie du Query Fan-Out für deine Content-Strategie nutzt
Genau hier setzt der praktische Hebel an: Analysiere die Query Fan-Outs, die zu deinen relevanten Prompts entstehen, und überprüfe, ob dein Content alle diese Sub-Queries abdeckt.
Schritt 1: Relevante Prompts identifizieren
Überlege, welche Fragen deine Zielgruppe stellt, wenn sie nach deinem Produkt, deiner Dienstleistung oder deinem Thema sucht. Das sind deine Seed-Queries.
Schritt 2: Query Fan-Outs analysieren
Schau dir an, in welche Sub-Queries diese Prompts aufgebrochen werden. Du kannst dafür bei z.B. die Entwicklerkonsole deines Browsers öffnen (Rechtsklick, Untersuchen, Tab „Network“), eine Chat-Antwort auslösen und in den Netzwerk-Antworten nach „search_model_queries“ (bei ChatGPT) suchen. Alternativ bieten Tools wie Rankscale oder Peec AI mittlerweile eine direkte Visualisierung der Query Fan-Outs.
Schritt 3: Content-Lücken identifizieren
Welche der Sub-Queries beantwortet dein bestehender Content? Welche nicht? Genau diese Lücken sind deine GEO-Optimierungsfelder.
Schritt 4: Content gezielt anreichern
Ergänze deinen Content so, dass er alle relevanten Sub-Queries abdeckt, mit klaren Überschriften, FAQ-Abschnitten, Tabellen und konkreten Antworten auf jede Teilfrage.
Schritt 5: Über alle Sub-Queries hinweg sichtbar werden
KI-Systeme wie ChatGPT aggregieren die Ergebnisse aller Fan-Out-Queries Branchenbeobachtungen zufolge vermutlich über einen Mechanismus wie Reciprocal Rank Fusion (RRF) und bevorzugen dabei Quellen, die über möglichst viele Sub-Queries hinweg auftauchen. Wer nur bei einer einzigen Sub-Query erscheint, hat gegenüber Inhalten, die mehrere Teilfragen abdecken, einen klaren Nachteil. Als Citation wirst du nur dann herangezogen, wenn du über den Großteil der Query Fan-Outs hinweg Relevanz zeigst.
Wie knapp der Wettbewerb dabei ist, zeigt die AirOps-Studie: Von 548.534 Seiten, die ChatGPT im Rahmen von 15.000 Prompts abgerufen hat, wurden 85 % nie zitiert. Abgerufen werden und als Citation landen sind zwei verschiedene Dinge.
Zurück zum Siebträger-Beispiel: Als Hersteller oder Händler bedeutet das: Decke alle relevanten Sub-Queries ab, Preis, Testberichte, Markenvergleiche, Pflege, Zubehör. Und überleg dabei auch, ob es sich lohnt, zentrale Inhalte zusätzlich auf Englisch bereitzustellen, denn genau diese Quellen werden von KI-Systemen wie ChatGPT bevorzugt herangezogen. Nutze Überschriften, Tabellen und FAQ-Abschnitte, um die einzelnen Teilfragen klar und maschinenlesbar zu beantworten.
Fazit
Query Fan-Out bestimmt, welche Citations, ChatGPT oder Google AI Mode beim Zusammenstellen einer Antwort heranziehen, und welche nicht. Wer das verstehen will, muss wissen, wie diese Systeme intern suchen.
Für deine GEO-Strategie bedeutet das: Denk nicht mehr in einzelnen Keywords oder Fragen, sondern in Themen-Clustern. Analysiere, welche Sub-Queries aus deinen wichtigsten Prompts entstehen, und stelle sicher, dass dein Content all diese Facetten abdeckt, strukturiert, klar und maschinenlesbar.
Query Fan-Out hilft dir dabei, Content-Lücken zu identifizieren und den Nutzer-Intent möglichst vollständig abzudecken. Das schafft mehr Sichtbarkeit in KI-Suchsystemen.
FAQ
Was ist Query Fan-Out?
Der Mechanismus, mit dem KI-Suchsysteme wie ChatGPT und Google AI Mode eine Anfrage automatisch in mehrere parallele Sub-Queries zerlegen, diese recherchieren und zu einer Antwort zusammenführen. Er bestimmt, welche Quellen zitiert werden.
Wie viele Sub-Queries erzeugt Query Fan-Out pro Anfrage?
Google AI Mode generiert typischerweise 8 bis 12 parallele Sub-Queries, ChatGPT im Schnitt nur 2,3 bis 2,8, bei komplexen Fragen können es deutlich mehr werden.
Wie nutzt man Query Fan-Out für die eigene GEO-Strategie?
Indem man die Sub-Queries zu relevanten Prompts analysiert, prüft, welche der eigene Content abdeckt, und Lücken gezielt mit klaren Überschriften, Tabellen und FAQ-Abschnitten schließt. Sichtbarkeit entsteht, wer über möglichst viele Sub-Queries hinweg auftaucht.
Quellen
– Dan Petrovic (dejan.ai): Fanout Query Analysis – https://dejan.ai/blog/fanout-query-analysis/
– Peec AI: ChatGPT fan-outs have doubled in length in 4 months – https://peec.ai/blog/country-analysis-20-million-search-qfos
– AirOps: The Influence of Retrieval, Fan-out, and Google SERPs on ChatGPT Citations – https://www.airops.com/report/influence-of-retrieval-fanout-and-google-serps-in-chatgpt
– Ekamoira: What Is Query Fan-Out? Definition, How It Works in AI Search – https://www.ekamoira.com/blog/query-fan-out-original-research-on-how-ai-search-multiplies-every-query-and-why-most-brands-are-invisible
– Google Patent US12158907 – Thematic Search – https://patentimages.storage.googleapis.com/c4/f3/ef/a68bdc7ba4359d/US12158907.pdf