Query Fan-Out – Funktion & SEO-Bedeutung

Query Fan-Out wird von KI-Suchsystemen verwendet, um eine Suchanfrage eines Nutzers in mehrere parallele Unterabfragen (Sub-Queries) zu zerlegen, und deren Ergebnisse zu einer generierten Antwort zusammenzufügen.

Query Fan-Out ist die Retrieval-Stufe innerhalb von RAG-Systemen (lies hier: Retrivel Augmented Generation).

Statt lediglich eine Anfrage („Suche“) gegen eine Trefferliste zu matchen, erzeugt ein generatives Modell mehrere intent-verschiedene Sub-Queries, lässt sie parallel laufen und baut die Antwort passagenweise aus den Treffern.

Ausgelöst wird das vor allem bei komplexen, vergleichenden oder mehrkriterigen Anfragen. Eher weniger hingegen bei bei Faktenfragen.

Für die Erstellung von Inhalten heißt das: Eine Seite konkurriert nicht mehr um ein einzelnes Keyword, sondern um die Frage, ob sie für mehrere parallele Sub-Intents der beste Passagenlieferant ist. Die Keyword-Recherche wandelt sich somit zur Intent-Analyse.

Abgrenzung zum gleichnamigen „Fan-out“

Der Begriff kollidiert mit zwei etablierten Bedeutungen: dem „Fan-out“ aus Softwareentwicklung und Messaging (ein Verteilungsmuster, bei dem eine Nachricht an mehrere Empfänger geht) und dem „Fan-out“ aus der Elektronik (die Zahl der Eingänge, die ein Ausgang treiben kann). Die Verwechslung liegt nahe, weil alle drei dasselbe Bild teilen — eine Quelle, die sich auf viele Ziele aufspreizt. Gemeint ist hier aber ausschließlich das Retrieval-Verfahren in KI-Suche: gleicher Name, anderer Gegenstand. Wer nach dem Messaging- oder Elektronik-Konzept sucht, ist hier falsch.

Wie ein Query Fan-Out abläuft (und wann es überhaupt ausgelöst wird)

Der Ablauf folgt vier Schritten:

1. Analyse: Das System analysiert die Anfrage mit NLP-Modellen auf Intent, Komplexität und benötigten Antworttyp.
2. Entscheidung: Das System entscheidet, ob Fan-Out sinnvoll ist.
3. Aktivierung: Bei Aktivierung erzeugt ein generatives Modell parallele Sub-Queries. Diese laufen gleichzeitig gegen mehrere Datenquellen. Bspw. Live-Websuchen, Knowledge Graph, ggf. Shopping-Graph oder vertikale Indizes.
4. Generierung: Die Antwort entsteht anschließend nicht aus ganzen Seiten, sondern aus Passagen: Relevante „Chunks“ aus den abgerufenen Dokumenten werden ausgewählt und in die Antwort eingewoben.

Je nach KI-System löst auch nicht jede Anfrage einen Fan-Out aus. Faktische Kurzfragen wie „Hauptstadt Spaniens“ werden meist direkt beantwortet.

Hingegen aktivieren komplexe, vergleichende oder mehrkriterielle Fragen den Mechanmismus: „Wie optimiere ich die Performance einer Website“

Google hat das Verfahren auf der I/O 2025 offiziell beschrieben: AI Mode zerlege die Frage in Subtopics und stelle „a multitude of queries simultaneously“ (siehe auch I/O 2025 Takeaways).

Deep Search von Google nutzt dieselbe Technik in skalierter Form und kann laut eigener Angabe „hundreds of searches“ pro Nutzeranfrage absetzen.

8 Sub-Query-Typen von Google

Google selbst unterteilt die Anfrage eines Nutzers in 8 Sub-Query-Typen.

Das ist für SEO insofern spannend, da man aus dem jeweiligen Sub-Query-Typ auch Schlussfolgerungen für die Contenterstellung ableiten kann, um die genaue Suchintention der Nutzer perfekt zu bedienen.

Zur Herkunft der Typologie ist vorab eine kurze Herleitung wichtig: Der formale Mechanismus stammt aus zwei Google-Patenten.

1. Query Variant Generation (US11663201B2)
2. Thematic Search (US12158907B1)

Den Begriff Query Fan-Out verwendet Google selbst erst seit der I/O 2025 öffentlich. Im oben verlinkten Patenttext heißt er noch „query variant generation“.

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.

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 für die Content-Praxis übersetzt.

Diese Acht-Typen-Logik liefert einen reproduzierbaren Rahmen, um zu prüfen, welche Äste eine Seite bereits abdeckt und welche fehlen:

1. Reformulation: Dieselbe Intention, andere Formulierung („CRM-Software“ → „Tools für Kundenverwaltung“).
2. Implicit: Implizit mitgemeinter Kontext, den der Nutzer nicht ausspricht („CRM-Software“ → „CRM-Software für kleine Teams“).
3. Entity Expansion: Erweiterung um verbundene Entitäten, Marken, Produkte („CRM-Software“ → „Salesforce vs. HubSpot“).
4. Comparative: Vergleich mit Alternativen, „vs“-Anfragen, Auswahlentscheidungen.
5. Personalized: Varianten je nach Rolle, Branche, Erfahrungsstand („CRM für Maschinenbau“, „CRM für Einsteiger“).
6. Related: Thematisch angrenzende Fragen rund um das Seed.
7. Definitional / Category: Was-ist-Fragen und Kategorisierungen.
8. Equivalent: Synonyme oder semantisch gleichwertige Formulierungen.

Sinnvoll wird die Typologie erst, wenn man sie an einem konkreten Seed durchspielt.

Ein Alltagsbeispiel mit der Suchanfrage (Seed) „Laufschuhe kaufen“:

1. Reformulation = „Welche Laufschuhe soll ich kaufen“ — gleiche Absicht, andere Worte.
2. Implicit = „Laufschuhe für Anfänger“ — der unausgesprochene Kontext, dass jemand neu anfängt.
3. Entity Expansion = „Nike Pegasus vs. Adidas“ — konkrete Marken und Modelle, die mitgemeint sind.
4. Comparative = „Laufschuhe vs. Wanderschuhe“ — Abgrenzung zur Alternative.
5. Personalized = „Laufschuhe für Plattfüße“ — Variante nach persönlicher Eigenschaft.
6. Definitional = „Was macht einen guten Laufschuh aus“ — die Was-/Grundlagenfrage.
7. Equivalent = „Joggingschuhe“ — dasselbe gemeint, anderes Wort.

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.

Was Query Fan-Out für die Contenterstellung bedeutet

Wenn eine Anfrage in mehrere Sub-Queries zerfällt und die KI passagenweise auswählt, entscheidet nicht mehr die Gesamtseite über die Sichtbarkeit, sondern die einzelnen Abschnitte. Daraus folgt eine Strukturlogik, die sich von klassischer Keyword-Optimierung unterscheidet und drei wiederkehrende Stolperfallen erzeugt:

• eine Seite pro Phrasierungsvariante anzulegen
• Keyword-Stuffing zu betreiben
• oder Fan-Out wie eine erweiterte Keyword-Liste zu behandeln

Eine tragfähige 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 Nebensätzen.

Wichtig: Dabei immer den User im Sinn haben, nicht die KI-Suchmaschine.

Was möchte der User wirklich wissen? Genau das macht auch Query Fan-Out.

Konsolidieren statt fragmentieren

Der Impuls, für jede Phrasierungsvariante eine eigene Seite zu erstellen, ist meist nicht zielführend. Das fragmentiert die thematische Tiefe und verteilt Relevanzsignale auf mehrere dünne Seiten.

Besser ist es, eine Hauptseite zu erstellen, die mehrere Sub-Query-Äste in klar gegliederten Abschnitten beantwortet. Sub-Themen, die eigenständig genug sind (etwa ein vollständiger Vergleich oder eine Branchenanwendung), werden zu eigenen Seiten (und von der Hauptseite verlinkt).

Die Faustregel lautet: konsolidieren ist Default, fragmentieren braucht eine Begründung jenseits der Phrasierung.

Vergleichs- und Klärungs-Subqueries bewusst bedienen

Die beiden Sub-Query-Typen Comparative und Implicit gehören zu den sog. entscheidungsnahen Sub-Query-Ästen, weil sie typischerweise in der Entscheidungsphase entstehen. Sie werden regelmäßig übersehen.

Wer „X“ beschreibt, ohne „X vs. Y“, „Wann lohnt sich X“, „X für [Rolle/Branche]“ zu bedienen, überlässt diese Äste anderen Quellen.

In der Praxis heißt das: pro Hauptseite mindestens einen expliziten Vergleichsabschnitt und einen Abschnitt zu typischen Kontextannahmen (Unternehmensgröße, Anwendungsfall, Voraussetzungen).

FAQ-Blöcke sind dafür ein geeignetes Format, solange die Fragen aus tatsächlich beobachteten Sub-Queries kommen und nicht als Füllmaterial dienen.

Warum klassische Sichtbarkeitsmessung bei Fan-Out versagt

Sub-Queries aus Fan-Out-Prozessen erscheinen nicht in der Google Search Console. Sichtbar wird dort nur die ursprüngliche Nutzeranfrage und nicht die acht bis zwölf abgeleiteten Sub-Queries, die intern zur Antwort geführt haben. Wer Sichtbarkeit in KI-Antworten ausschließlich an klassischen GSC-Metriken misst, sieht den Mechanismus, der über die Sichtbarkeit entscheidet, gar nicht.

Hinzu kommt die Stabilitätsfrage: Da nur etwa 27 % der Sub-Queries bei Wiederholung gleich bleiben, lohnt es sich wirtschaftlich nicht, erschöpfend auf konkrete Sub-Query-Formulierungen zu optimieren.

Brauchbarer ist eine zweistufige Praxis: Für strategisch wichtige Seed-Begriffe simuliert man das tatsächliche Fan-Out über sog. Fan-Out-Generatoren, AI-Tracker und Sichtbarkeitstools, welche Sub-Queries aus AI Mode, Perplexity oder ChatGPT abgreifen.

Für die Breite reicht thematische Autorität als Proxy: Eine Seite, die die acht Sub-Query-Typen entlang des Seeds inhaltlich abdeckt, hat eine höhere Wahrscheinlichkeit, in mehreren parallelen Retrieval-Läufen als Quelle gewählt zu werden.

Wie stark dieser Effekt ist, zeigt eine Surfer-SEO-Studie über 173.902 URLs und 10.000 Keywords (November 2025).

Sie fand einen Zusammenhang (Spearman 0,77) zwischen der Zahl der Fan-Out-Queries, für die eine Seite rankt, und ihrer Zitierwahrscheinlichkeit in AI Overviews. Seiten, die für den Haupt-Term und mindestens eine Fan-Out-Query rankten, wurden 161 % häufiger zitiert als Seiten, die nur für den Haupt-Term ranken. Dieselbe Studie liefert auch die oben genannte Stabilitätszahl: nur rund 27 % der Sub-Queries bleiben über wiederholte Läufe konstant. Eine ergänzende Kennzahl ist die Zitation in KI-Antworten selbst — wie oft eine Domain bei definierten Prompts als Quelle erscheint. Ein Semrush-Experiment beobachtete in einer kleinen Stichprobe von vier Artikeln einen Anstieg von zwei auf fünf Zitationen nach gezielter Fan-Out-Optimierung; die Größenordnung ist als Hinweis brauchbar, kein Kausalbeleg.

Was im B2B- und DACH-Kontext zusätzlich zählt

Zwei Effekte sind im B2B-Umfeld stärker ausgeprägt als im Consumer-Segment.

Erstens läuft Fan-Out bei DACH-Anfragen häufig parallel in Deutsch und Englisch, weil ein erheblicher Teil der Fachterminologie englisch ist. Etwa „Predictive Maintenance“, „Condition Monitoring“ oder „Digital Twin“.

Eine deutschsprachige Seite, die zentrale Fachbegriffe ausschließlich übersetzt verwendet, deckt englische Sub-Queries nicht ab und umgekehrt. Brauchbar ist eine durchgängige Doppelnennung im Fließtext (englischer Fachterm plus deutsche Entsprechung) und beide Varianten konsequent in Überschriften und FAQ.

Zweitens sind Personalized und Comparative Sub-Queries im B2B stark ausdifferenziert. Bei erklärungsbedürftigen Lösungen entstehen Sub-Queries, die explizit nach Rolle (Instandhaltungsleiter, IT-Leiter, Einkauf), Branche (Maschinenbau, Prozessindustrie, Energie) und Reifegrad (Pilotprojekt, Rollout, Bestandssystem) fragen. Eine Hauptseite, die nur die Lösung beschreibt, ohne diese Rollen- und Branchenäste zu bedienen, fehlt in genau den Sub-Queries, die in der Entscheidungsphase entstehen. Die strukturelle Antwort: Rollen- und Branchen-Abschnitte als feste Bausteine in der Seitengliederung und nicht als optionale Anhänge.