Statt lediglich eine Anfrage („Suche“) gegen eine Trefferliste zu matchen, erzeugt ein generatives Modell mehrere intent-verschiedene Sub-Queries, l\u00e4sst sie parallel laufen und baut die Antwort passagenweise aus den Treffern. <\/p>\n\n\n\n
Ausgel\u00f6st wird das vor allem bei komplexen, vergleichenden oder mehrkriterigen Anfragen. Eher weniger hingegen bei bei Faktenfragen. <\/p>\n\n\n\n
F\u00fcr die Erstellung von Inhalten hei\u00dft das: Eine Seite konkurriert nicht mehr um ein einzelnes Keyword, sondern um die Frage, ob sie f\u00fcr mehrere parallele Sub-Intents der beste Passagenlieferant ist. Die Keyword-Recherche<\/a> wandelt sich somit zur Intent-Analyse.<\/p>\n\n\n\n Der Begriff kollidiert mit zwei etablierten Bedeutungen: dem \u201eFan-out“ aus Softwareentwicklung und Messaging (ein Verteilungsmuster, bei dem eine Nachricht an mehrere Empf\u00e4nger geht) und dem \u201eFan-out“ aus der Elektronik (die Zahl der Eing\u00e4nge, die ein Ausgang treiben kann). Die Verwechslung liegt nahe, weil alle drei dasselbe Bild teilen \u2014 eine Quelle, die sich auf viele Ziele aufspreizt. Gemeint ist hier aber ausschlie\u00dflich das Retrieval-Verfahren in KI-Suche: gleicher Name, anderer Gegenstand. Wer nach dem Messaging- oder Elektronik-Konzept sucht, ist hier falsch.<\/p>\n\n\n\n Der Ablauf folgt vier Schritten:<\/p>\n\n\n\n Je nach KI-System l\u00f6st auch nicht jede Anfrage einen Fan-Out aus. Faktische Kurzfragen wie \u201eHauptstadt Spaniens“ werden meist direkt beantwortet. <\/p>\n\n\n\n Hingegen aktivieren komplexe, vergleichende oder mehrkriterielle Fragen den Mechanmismus: „Wie optimiere ich die Performance einer Website<\/a>“<\/p>\n\n\n\n Google hat das Verfahren auf der I\/O 2025<\/a> offiziell beschrieben: AI Mode zerlege die Frage in Subtopics und stelle \u201ea multitude of queries simultaneously“ (siehe auch I\/O 2025 Takeaways<\/a>).<\/p>\n\n\n\n Deep Search von Google nutzt dieselbe Technik in skalierter Form und kann laut eigener Angabe \u201ehundreds of searches“ pro Nutzeranfrage absetzen. <\/p>\n\n\n\n Google selbst unterteilt die Anfrage eines Nutzers in 8 Sub-Query-Typen.<\/p>\n\n\n\n Das ist f\u00fcr SEO<\/a> insofern spannend, da man aus dem jeweiligen Sub-Query-Typ auch Schlussfolgerungen f\u00fcr die Contenterstellung ableiten kann, um die genaue Suchintention der Nutzer perfekt zu bedienen.<\/p>\n\n\n\n Zur Herkunft der Typologie ist vorab eine kurze Herleitung wichtig: Der formale Mechanismus stammt aus zwei Google-Patenten.<\/p>\n\n\n\n Den Begriff Query Fan-Out verwendet Google selbst erst seit der I\/O 2025 \u00f6ffentlich. Im oben verlinkten Patenttext hei\u00dft er noch \u201equery variant generation“. <\/p>\n\n\n\n Die acht Varianttypen, die US11663201B2 nennt, sind allerdings andere als die in der SEO-Praxis verbreiteten. Das Patent selbst listet equivalent, follow-up, generalization, canonicalization, language translation, entailment, specification und clarification.<\/p>\n\n\n\n Die folgend genannten acht Typen sind nicht der Patentwortlaut, sondern eine in der SEO-Community etablierte Auswertung (u. a. iPullRank, Wellows), die sich an den Patenten orientiert und sie f\u00fcr die Content-Praxis \u00fcbersetzt. <\/p>\n\n\n\n Diese Acht-Typen-Logik liefert einen reproduzierbaren Rahmen, um zu pr\u00fcfen, welche \u00c4ste eine Seite bereits abdeckt und welche fehlen:<\/p>\n\n\n\n Sinnvoll wird die Typologie erst, wenn man sie an einem konkreten Seed durchspielt. <\/p>\n\n\n\n Ein Alltagsbeispiel mit der Suchanfrage (Seed) \u201eLaufschuhe kaufen“:<\/p>\n\n\n\n Wichtig zur Erwartungssteuerung: Die konkret erzeugten Sub-Queries sind nicht stabil. Die acht genannten Typen sind reproduzierbar, die exakten Formulierungen nicht. Das kommt daher, da KI-System sog. Black-Box-Systeme sind. <\/p>\n\n\n\n Wenn eine Anfrage in mehrere Sub-Queries zerf\u00e4llt und die KI passagenweise ausw\u00e4hlt, entscheidet nicht mehr die Gesamtseite \u00fcber die Sichtbarkeit, sondern die einzelnen Abschnitte. Daraus folgt eine Strukturlogik, die sich von klassischer Keyword-Optimierung unterscheidet und drei wiederkehrende Stolperfallen erzeugt: <\/p>\n\n\n\n Eine tragf\u00e4hige Seitenstruktur beantwortet die Hauptfrage oben in komprimierter Form (TL;DR-Block), gliedert dann mit H2 je Intent-Ast (Definition, Vergleich, Anwendungsfall, Abgrenzung) und bedient implizite und vergleichende Sub-Queries in eigenen Abschnitten, nicht in Nebens\u00e4tzen.<\/p>\n\n\n\n Wichtig: Dabei immer den User im Sinn haben, nicht die KI-Suchmaschine.<\/p>\n\n\n\n Was m\u00f6chte der User wirklich wissen? Genau das macht auch Query Fan-Out.<\/p>\n\n\n\n Der Impuls, f\u00fcr jede Phrasierungsvariante eine eigene Seite zu erstellen, ist meist nicht zielf\u00fchrend. Das fragmentiert die thematische Tiefe und verteilt Relevanzsignale auf mehrere d\u00fcnne Seiten. <\/p>\n\n\n\n Besser ist es, eine Hauptseite zu erstellen, die mehrere Sub-Query-\u00c4ste in klar gegliederten Abschnitten beantwortet. Sub-Themen, die eigenst\u00e4ndig genug sind (etwa ein vollst\u00e4ndiger Vergleich oder eine Branchenanwendung), werden zu eigenen Seiten (und von der Hauptseite verlinkt). <\/p>\n\n\n\n Die Faustregel lautet: konsolidieren ist Default, fragmentieren braucht eine Begr\u00fcndung jenseits der Phrasierung.<\/p>\n\n\n\n Die beiden Sub-Query-Typen Comparative und Implicit geh\u00f6ren zu den sog. entscheidungsnahen Sub-Query-\u00c4sten, weil sie typischerweise in der Entscheidungsphase entstehen. Sie werden regelm\u00e4\u00dfig \u00fcbersehen. <\/p>\n\n\n\n Wer \u201eX“ beschreibt, ohne \u201eX vs. Y“, \u201eWann lohnt sich X“, \u201eX f\u00fcr [Rolle\/Branche]“ zu bedienen, \u00fcberl\u00e4sst diese \u00c4ste anderen Quellen. <\/p>\n\n\n\n In der Praxis hei\u00dft das: pro Hauptseite mindestens einen expliziten Vergleichsabschnitt und einen Abschnitt zu typischen Kontextannahmen (Unternehmensgr\u00f6\u00dfe, Anwendungsfall, Voraussetzungen). <\/p>\n\n\n\n FAQ-Bl\u00f6cke sind daf\u00fcr ein geeignetes Format, solange die Fragen aus tats\u00e4chlich beobachteten Sub-Queries kommen und nicht als F\u00fcllmaterial dienen.<\/p>\n\n\n\n Sub-Queries aus Fan-Out-Prozessen erscheinen nicht in der Google Search Console. Sichtbar wird dort nur die urspr\u00fcngliche Nutzeranfrage und nicht die acht bis zw\u00f6lf abgeleiteten Sub-Queries, die intern zur Antwort gef\u00fchrt haben. Wer Sichtbarkeit in KI-Antworten ausschlie\u00dflich an klassischen GSC-Metriken misst, sieht den Mechanismus, der \u00fcber die Sichtbarkeit entscheidet, gar nicht.<\/p>\n\n\n\n Hinzu kommt die Stabilit\u00e4tsfrage: Da nur etwa 27 % der Sub-Queries bei Wiederholung gleich bleiben, lohnt es sich wirtschaftlich nicht, ersch\u00f6pfend auf konkrete Sub-Query-Formulierungen zu optimieren. <\/p>\n\n\n\n Brauchbarer ist eine zweistufige Praxis: F\u00fcr strategisch wichtige Seed-Begriffe simuliert man das tats\u00e4chliche Fan-Out \u00fcber sog. Fan-Out-Generatoren, AI-Tracker und Sichtbarkeitstools, welche Sub-Queries aus AI Mode, Perplexity oder ChatGPT abgreifen. <\/p>\n\n\n\n F\u00fcr die Breite reicht thematische Autorit\u00e4t als Proxy: Eine Seite, die die acht Sub-Query-Typen entlang des Seeds inhaltlich abdeckt, hat eine h\u00f6here Wahrscheinlichkeit, in mehreren parallelen Retrieval-L\u00e4ufen als Quelle gew\u00e4hlt zu werden.<\/p>\n\n\n\n![\"Ein](\"https:\/\/webraketen.space\/wp-content\/uploads\/2026\/06\/query-fan-out-technik-ablauf.svg\")
<\/figure>\n\n\n\nAbgrenzung zum gleichnamigen \u201eFan-out“<\/h2>\n\n\n\n
Wie ein Query Fan-Out abl\u00e4uft (und wann es \u00fcberhaupt ausgel\u00f6st wird)<\/h2>\n\n\n\n
\n
8 Sub-Query-Typen von Google<\/h2>\n\n\n\n
\n
\n
![\"Ein](\"https:\/\/webraketen.space\/wp-content\/uploads\/2026\/06\/query-fan-out-8-typen.svg\")
<\/figure>\n\n\n\n\n
Was Query Fan-Out f\u00fcr die Contenterstellung bedeutet<\/h2>\n\n\n\n
\n
Konsolidieren statt fragmentieren<\/h3>\n\n\n\n
Vergleichs- und Kl\u00e4rungs-Subqueries bewusst bedienen<\/h3>\n\n\n\n
Warum klassische Sichtbarkeitsmessung bei Fan-Out versagt<\/h2>\n\n\n\n