„Query Fan‑Out“ bezeichnet ein Verfahren in KI‑gestützten Suchsystemen, bei dem eine Nutzeranfrage nicht einfach als Ganzes bearbeitet wird, sondern automatisch in mehrere Teilanfragen (Subqueries) zerlegt wird. Das geschieht nur bei komplexen Suchanfragen, für die mehrere Aspekte recherchiert werden müssen, um eine Antwort zu finden.
Google hat dieses Prinzip im Dezember 2024 patentieren lassen und beschreibt es so:
Was sagt Google?
Wenn ein Nutzer ein angezeigtes Thema auswählt, erzeugt das System automatisch eine zweite, spezifischere Suchanfrage, indem es die ursprüngliche Suchanfrage mit dem gewählten Thema kombiniert, und liefert daraufhin neue Suchergebnisse an den Browser, die ausschließlich auf dieses nun eingegrenzte Thema bezogen sind.
Diese Teilanfragen bearbeiten unterschiedliche Facetten der ursprünglichen Frage parallel. Anschließend werden die Ergebnisse aggregiert zu einer zusammenhängenden Antwort.
Query Fan-Out in der Praxis
So funktioniert der Query Fan-Out in der Praxis:
- Die ursprüngliche Query bzw. der Prompt wird semantisch analysiert und in mehrere sinnvolle Unterfragen zerlegt.
- Jede Subquery wird eigenständig recherchiert (z. B. Web, Datenbanken, Wissensgraph).
- 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.
Ob die Antwort korrekt ist, hängt von mehreren Aspekten ab: der Qualität des Prompts, der Faktentreue der Trainingsdaten oder des Suchergebnisses und die Gewichtung innerhalb des Sprachmodells.
Beispiel
Angenommen, ein Nutzer fragt: „Was ist das beste CRM‑System für Startups?“
Ein klassischer Ansatz: Eine Antwort mit einer Liste von drei CRM‑Systemen und einer Empfehlung.
Mit Query Fan‑Out: Das System zerlegt die Anfrage z. B. in folgende Subfragen:
- „Welche CRM‑Systeme sind preislich günstig für Startups?“
- „Welche CRM‑Systeme bieten viele Integrationen und API?“
- „Welche CRM‑Systeme sind datenschutzkonform in der EU?“
- „Welche Erfahrungsberichte gibt es von Startups über CRM‑Auswahl?“
Das System recherchiert nun parallel zu diesen Subfragen, zieht Daten und Quellen heran, gewichtet die Ergebnisse und produziert eine komplexere Antwort mit mehreren Optionen – jeweils mit Kontext, warum sie für bestimmte Startup‑Typen geeignet sind.
Um als CRM-Anbieter in diesen Antworten aufzutauchen bedeutet das konkret: Stelle nicht nur das CRM vor, sondern decke alle relevanten Subfragen (Preis, API, Testergebnisse, DSGVO, Zielgruppe,…) mit ab und nutze Überschriften, Tabellen und FAQ‑Abschnitte, um diese Subfragen klar zu beantworten.
Praktische Relevanz für SEO
Warum ist Query Fan-Out für SEO relevant? Weil sich mit Query Fan‑Out die Logik von Suchanfragen und die Nutzung von Inhalten durch Suchsysteme deutlich verändert.
Auswirkungen im Überblick
- Mehrdimensionale Nutzerintention
- Eine Anfrage enthält oft mehrere implizite Teilfragen. Ein System mit Fan‑Out‑Logik erkennt diese automatisch und liefert Antworten zu allen Teilaspekten. Für Inhalte bedeutet das: Es reicht nicht mehr, eine einzelne Frage sauber zu beantworten, man muss bedenken, welche Subfragen sich aus der Hauptfrage ergeben könnten (z. B. technische Aspekte, Alternativen, Einsatzmöglichkeiten, Kosten, Risiken).
- Inhaltstiefe & semantische Breite gewinnen an Bedeutung
- Inhalte, die mehrere Facetten eines Themas abdecken, werden von KI‑Suchsystemen bevorzugt einbezogen. Seiten mit isoliertem Fokus auf eine kleine Frage haben im Wettbewerb gegenüber solchen mit breiterer thematischer Ausleuchtung Nachteile.
- Struktur und Lesbarkeit für Maschinen
- Da ein KI‑System mehrere Subqueries parallel bearbeitet, müssen Inhalte so aufgebaut sein, dass sie leicht extrahierbar sind: klare Überschriften, modular gegliederte Abschnitte, Tabellen oder FAQ‑Blöcke zur Abdeckung der Subfragen. Ohne solche Struktur kann eine KI‑Suchmaschine Inhalte schwer als Antwortbaustein einbinden.
- Sichtbarkeit durch Zitationen statt klassisches Ranking
- Im Rahmen von Systemen wie Google Gemini oder dem „AI Mode“ von Google wird zunehmend nicht die reine Listung in den organischen Rankings relevant, sondern die Frage: Wird eine Seite als Antwort (Citation) eingebunden? Inhalte, die als Antwortbaustein in einem generativen System erscheinen, gewinnen an Sichtbarkeit, auch wenn der Klick‑Traffic sinkt.
Prompts herausfinden mit SISTRIX
Alles schön und gut. Aber zu welchen Prompts wird die eigene Marke oder Entität überhaupt genannt oder zitiert und besonders interessant in welchen Prompts geschieht das, ohne dass explizit nach der Marke gefragt wird.
Um Inhalte an ein Query Fan Out anzupassen, ist es sinnvoll genau die Prompts und Fragestellungen zu analysieren, in denen die eigene Marke vorkommt. So lassen sich thematische Zusammenhänge erkennen, die anschließend mit passenden Inhalten und klarer Struktur abgedeckt werden können. Noch spannender wird es, wenn man dieselbe Analyse für konkurrierende Seiten durchführt. So lassen sich Prompts und klassische Suchanfragen in modernen Suchsystemen identifizieren, zusammenfassen und strategisch besetzen.
In SISTRIX kann dafür eine Marke oder Entität einfach in das Suchfeld der AI/Chatbot Analyse eingetragen werden. Unter dem Reiter Prompts erscheinen dann alle Prompts, die in Verbindung mit dieser Entität abgefragt wurden. Aktiviert man den Filter „Prompt enthält nicht [Entität]“ werden nur die Prompts angezeigt, in denen die Marke zwar in der Antwort genannt wird, aber nicht Teil der eigentlichen Frage war.
Wenn du herausfinden möchtest, bei welchen Prompts deine Marke genannt wird und welche thematischen Zusammenhänge sich daraus ergeben, kannst du das in SISTRIX direkt selbst ausprobieren. Mit einem kostenlosen 14 tägigen Testaccount siehst du sofort, in welchen Antworten deine Marke erscheint und wo sich neue Chancen für Inhalte ergeben.
Zusammenfassung
Query Fan‑Out ist eine Methode neuer KI‑Suchsysteme, bei der Nutzeranfragen automatisch in mehrere Teilfragen zerlegt werden. Für SEO bedeutet das: Inhalte müssen heute breiter ausgerichtet, tiefer strukturiert und für Maschinen leicht extrahierbar sein.
Mit SISTRIX lassen sich relevante Subfragen erkennen, Inhalte entsprechend planen und die eigene Präsenz in generativen Antworten messen. Indem du deine Inhalte so aufbaust, dass sie direkt als Antwortbausteine genutzt werden können, erhöhst du deine Chancen, nicht nur gefunden zu werden, sondern als relevante Quelle in KI‑gestützten Suchantworten sichtbar zu werden.
FAQ
- Was ist der Unterschied zwischen Query Fan‑Out und klassischer Keyword‑Recherche?
- Die klassische Keyword‑Recherche fokussiert auf einzelne Keywords und Ranking‑Platzierungen. Beim Query Fan‑Out geht es zusätzlich darum, alle Teilfragen einer Nutzeranfrage zu erkennen und Inhalte so zu bauen, dass sie von KI‑Systemen als Bausteine einer Antwort übernommen werden können.
- Wie erkenne ich mit SISTRIX, ob eine Domain für Query Fan‑Out‑Themen bereits sichtbar ist?
- Welche inhaltlichen Formate sind besonders geeignet für Query Fan‑Out?
- Formate wie Listen (Listicles), Schritt‑für‑Schritt‑Anleitungen, Tabellen mit Vergleichsdaten und FAQ‑Blöcke eignen sich besonders gut, weil sie klare, extrahierbare Einheiten bieten, die eine KI direkt verwenden kann.
- Gibt es technische Anforderungen, die besondere Berücksichtigung finden sollten?
- Ja. Neben grundlegend guter Seitenstruktur (semantisches HTML) sind strukturierte Daten (z. B. schema.org‑Markups) sowie sichtbare Aktualitäts‑ und Autoritätssignale wichtig (E-E-A-T).
SISTRIX kostenlos testen
- Kostenloser Testaccount für 14 Tage
- Unverbindlich, keine Kündigung notwendig
- Persönliches Onboarding durch Experten
