Wie funktioniert Query Fan-out?
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 (laut Google seit der I/O 2025) 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: Google-Dokumentation und Datenspuren
Fan-out ist keine Theorie: Google beschreibt die Technik in seinem Leitfaden zu generativen KI-Funktionen als Satz paralleler, verwandter Anfragen, die das Modell erzeugt, um zusätzliche Suchergebnisse abzurufen. In Search-Console-Daten beobachten wir zudem mehrzeilige, konversationelle Anfragen mit Anweisungscharakter („… nenne konkrete Anbieter“), die kein Mensch so in einen Suchschlitz tippt. Wir werten sie als wahrscheinliche Spur automatisierter Zerlegung; offiziell bestätigt hat Google diese Zuordnung nicht. Als Analyse-Fenster zeigen sie, für welche Sub-Fragen die eigene Domain bereits gefunden wird.
Sub-Queries identifizieren
- SERP-Signale: People-Also-Ask, verwandte Suchanfragen und die in AI Overviews sichtbaren Quellen-Cluster der Haupt-Query.
- LLM-Befragung: Modelle direkt nach der Zerlegung fragen („Welche Teilfragen würdest du zu X recherchieren?“) — über mehrere Modelle trianguliert.
- GSC-Query-Daten: konversationelle Langform-Queries als mutmaßliche 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. Die Grenze zieht Google selbst: Eigene Seiten für jede denkbare Fan-out-Variante, primär zur Manipulation erstellt, verstoßen gegen die Spam-Richtlinie zu Scaled Content Abuse.
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.
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 mutmaßliche 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.