Die Mechanik

Aus „bestes CRM für kleine Unternehmen“ macht ein Fan-out-System intern mehrere Teilfragen: Vergleichskriterien, Preismodelle, Integrations-Anforderungen, Erfahrungsberichte. Jede Sub-Query durchläuft einen eigenen Retrieval-Prozess (RAG); die Antwort wird aus den Treffern aller Durchläufe komponiert. Google setzt die Technik in AI Overviews ein und im AI Mode nochmals aggressiver — dort speist der Fan-out auch Folgefragen der Session.

Die Konsequenz für Sichtbarkeit: Eine Domain kann für die Haupt-Query auf Position 1 stehen und trotzdem in der KI-Antwort fehlen, weil die Antwort aus Sub-Query-Treffern zusammengesetzt wird, in denen sie nicht vorkommt.

Der Nachweis in echten Daten

Fan-out ist keine Theorie: In Search-Console-Query-Daten tauchen inzwischen komplette Fan-out-Prompts als „Suchanfragen“ auf — mehrzeilige, konversationelle Anfragen mit Anweisungscharakter („… nenne konkrete Anbieter“), die kein Mensch so in einen Suchschlitz tippt. Sie sind die sichtbare Spur der internen Zerlegungs-Maschinerie und zugleich ein neues Analyse-Fenster: Sie zeigen, für welche Sub-Fragen die eigene Domain bereits retrieved wird.

Sub-Queries identifizieren

  1. SERP-Signale: People-Also-Ask, verwandte Suchanfragen und die in AI Overviews sichtbaren Quellen-Cluster der Haupt-Query.
  2. LLM-Befragung: Modelle direkt nach der Zerlegung fragen („Welche Teilfragen würdest du zu X recherchieren?“) — über mehrere Modelle trianguliert.
  3. GSC-Query-Daten: konversationelle Langform-Queries als reale Fan-out-Spuren auswerten.

Content-Konsequenz: Cluster statt Einzelseite

Fan-out erzwingt Cluster-Denken: Die Topical Map plant die Sub-Query-Räume, einzelne Passagen beantworten je eine Teilfrage eigenständig (Passage-Level), und interne Verlinkung macht die Zusammengehörigkeit maschinenlesbar. Eine einzelne, noch so umfassende Seite verliert gegen ein sauberes Cluster, weil Retrieval-Durchläufe pro Sub-Query die jeweils präziseste Quelle bevorzugen.

Verwandte Begriffe

Fan-out ist die Query-Processing-Stufe von RAG und prägt AI Overviews wie AI Mode. Die Content-Antwort darauf sind Topical Maps und Passage-Optimierung. Die vollständige Analyse: Fan-out Queries.

Kern-Aussage

Die KI beantwortet nicht Ihre Query — sondern ihre eigenen

Generative Systeme zerlegen Anfragen in Sub-Queries mit je eigenem Retrieval. Sichtbar wird, wer die Teilfragen-Räume abdeckt — nicht, wer für die Haupt-Query am besten rankt.

FAQ zu Query Fan-out

Was ist Query Fan-out? ▾

Die Technik generativer Suchsysteme, eine Anfrage intern in mehrere Sub-Queries zu zerlegen, für jede eigenes Retrieval auszuführen und die Antwort aus allen Treffern zu synthetisieren. Google nutzt sie in AI Overviews und — aggressiver — im AI Mode.

Warum reicht ein Top-Ranking für die Haupt-Query nicht? ▾

Weil die Antwort aus Sub-Query-Treffern komponiert wird. Wer die Teilfragen (Kriterien, Preise, Vergleiche, Erfahrungen) nicht mit eigenen präzisen Passagen abdeckt, fehlt in der Synthese — das Haupt-Query-Ranking ändert daran nichts.

Wie findet man die Sub-Queries eines Themas? ▾

Aus drei Quellen: SERP-Signale (People-Also-Ask, verwandte Suchanfragen, AI-Overview-Quellen), direkte LLM-Befragung nach der Zerlegung über mehrere Modelle, und konversationelle Langform-Queries in den eigenen Search-Console-Daten als reale Fan-out-Spuren.

Was bedeutet Fan-out für die Content-Struktur? ▾

Cluster statt Einzelseiten: Eine Topical Map plant die Teilfragen-Räume, jede Passage beantwortet eine Teilfrage eigenständig, interne Verlinkung verbindet das Cluster. Retrieval bevorzugt pro Sub-Query die präziseste Quelle — nicht die längste Seite.