Query Fan-out: Wie KI-Suche eine Anfrage auffächert

Auf der Google I/O 2025 stellte Google für den AI Mode ein Verfahren vor, das eine einzelne Suchanfrage in mehrere Anfragen aufteilt und diese gleichzeitig ausführt. Für den technischen Mittelstand verschiebt das eine Grundannahme der Suchmaschinenoptimierung: Eine einzelne, gut optimierte Seite deckt nur noch einen Ausschnitt dessen ab, was die KI-Suche zu einer Frage abfragt. Stand: Juli 2026.

Was ist Query Fan-out?

Query Fan-out ist eine Retrieval-Technik der KI-Suche, die eine einzelne Nutzeranfrage in mehrere synthetisch erzeugte Teilanfragen zerlegt, diese parallel ausführt und die Ergebnisse zu einer Antwort zusammenführt. Der Begriff beschreibt das „Auffächern“ einer Frage in ihre latenten Teil-Absichten.

Google verwendet den Ausdruck in der AI-Mode-Ankündigung von 2025 und beschreibt das Vorgehen als Zerlegung einer Frage in Subtopics, zu denen das System viele Suchen gleichzeitig „on your behalf“ absetzt. Der technisch-formale Begriff dafür ist query variant generation, festgehalten in einem 2023 erteilten Google-Patent zur Erzeugung von Anfrage-Varianten über ein trainiertes generatives Modell.

Die Technik greift nicht bei jeder Suche gleich stark. Eine eindeutige Faktenfrage wie „Hauptstadt von Spanien“ wird als Ganzes beantwortet. Erst komplexe, mehrdeutige oder vergleichende Anfragen lösen eine ausgeprägte Auffächerung aus.

Wie funktioniert Query Fan-out?

Query Fan-out verarbeitet eine Anfrage in vier aufeinanderfolgenden Schritten. Zuerst interpretiert ein Sprachmodell die Absicht hinter der Frage. Dann generiert es Sub-Queries zu verschiedenen Teil-Absichten und Entitäten des Themas. Anschließend läuft das Retrieval parallel über mehrere Oberflächen. Zuletzt verdichtet das Modell die Treffer zu einer Antwort.

Im AI Mode übernimmt eine angepasste Variante des Gemini-Modells die Erzeugung der synthetischen Sub-Queries. Das Retrieval zieht Kandidaten aus dem Web-Index und zusätzlich aus strukturierten Daten wie dem Knowledge Graph und dem Shopping Graph.

Der zentrale mechanische Unterschied zur klassischen Suche liegt in der Bewertungsebene. Query Fan-out bewertet Relevanz auf Passage-Ebene, also für einzelne Abschnitte einer Seite, statt eine ganze URL als eine Einheit zu ranken. Ein gut beantworteter Absatz kann so zitiert werden — auch wenn die restliche Seite ein anderes Thema hat.

Werden die Zertifizierungs- und Lieferzeit-Angaben Ihrer Produkte als eigenständige, beantwortbare Passagen erkannt, oder stecken sie in einem PDF hinter dem Login? Diese Frage entscheidet auf der Retrieval-Ebene über die Sichtbarkeit in der Auffächerung. Die Retrieval-Grundlage teilt Query Fan-out mit verwandten Verfahren wie RAG (Retrieval-Augmented Generation) und der Semantic Search.

Welche Arten von Fan-out-Queries gibt es?

Eine offizielle, von Google definierte Typologie der Fan-out-Queries existiert nicht. In der Praxis lassen sich die erzeugten Sub-Queries aber in wiederkehrende Muster einordnen, die bei der Content-Planung helfen.

Wichtig ist die Abgrenzung zur klassischen Query-Expansion. Die klassische Suche erweitert eine Anfrage um Synonyme desselben Wortlauts. Query Fan-out erzeugt dagegen inhaltlich eigenständige Teilanfragen zu unterschiedlichen inhaltlichen Facetten. Der eine Mechanismus variiert Wörter — der andere zerlegt Absichten.

Das Prinzip ist zudem kein Google-Spezifikum. Auch andere LLM-basierte Suchsysteme wie Google AI Overviews, Perplexity und ChatGPT Search fächern komplexe Anfragen in Teilanfragen auf. Der ausführliche Modus, in dem Google diese Technik am sichtbarsten einsetzt, ist der Google AI Mode.

Query Fan-out und SEO: Warum wichtig für die Sichtbarkeit?

Query Fan-out verlagert den Ort der organischen Sichtbarkeit von der Ranking-Position einer Seite auf die Abdeckung der einzelnen Teilfragen, die eine KI-Antwort speist. Sichtbar wird, wessen Inhalte die aufgefächerten Sub-Queries beantworten, nicht allein, wer für das Hauptkeyword vorne steht.

• Von Dokument- zu Passage-Relevanz: Die Konkurrenz verlagert sich auf die Ebene einzelner Abschnitte. Das verschiebt die Content-Planung hin zu klar abgegrenzten, je für sich beantworteten Passagen statt langer Allround-Seiten.
• Von einem Keyword zur Teilfragen-Abdeckung: Ein Inhalt muss die absehbaren Sub-Intents eines Themas mitbeantworten, um in mehreren Teilanfragen als Quelle aufzutauchen.
• Topical Authority wird zur Retrieval-Konsequenz: Thematische Vollständigkeit ist der strukturelle Weg, um viele Teilfragen eines Clusters abzudecken. Das ist keine SEO-Folklore. Es folgt direkt aus der Auffächerungs-Logik.
• B2B-Anfragen fächern am stärksten auf: Mehrkriterielle Entscheidungsfragen aus Investitionsrecherchen erzeugen besonders viele Sub-Queries. Genau hier liegt die Chance für Anbieter mit erklärungsbedürftigen Produkten.

Die meisten Agenturen optimieren weiter auf das eine Haupt-Keyword, während die KI-Suche längst die aufgefächerten Teilfragen bedient. Wer nur den Wortlaut der Hauptfrage bedient, deckt einen Ausschnitt der Auffächerung ab — die übrigen Teilfragen beantworten dann andere Quellen. Die strategische Einordnung dieser Verschiebung vertieft der Eintrag zu Generative Engine Optimization.

Query Fan-out in der Praxis: Steuerung und Einflussfaktoren

Sub-Queries antizipieren statt raten

Der erste Schritt ist eine Landkarte der Unterfragen. Zu jedem Pillar-Thema werden die absehbaren Sub-Intents entlang der Kaufentscheidung notiert, von der Problemdefinition bis zur Auswahl. Diese manuelle Suchintentions-Map ist die menschliche Entsprechung dessen, was Query Fan-out maschinell erzeugt.

Inhalte in beantwortbare Passagen schneiden

Jede Teilfrage bekommt eine eigenständige, kurz und klar beantwortete Passage mit einer präzisen ersten Aussage. Diese Struktur erhöht die Chance, dass ein Abschnitt als Antwort auf eine Sub-Query herangezogen wird. Ein B2B-Beispiel macht die Wirkung greifbar.

Entitäten und Werkzeuge nutzen

Klar benannte Entitäten, also Produkte, Normen, Verfahren und Kennzahlen, helfen dem System, Passagen den passenden Sub-Queries zuzuordnen. Simulations-Werkzeuge wie Qforia von iPullRank schätzen, in welche Teilanfragen eine Ausgangsfrage wahrscheinlich zerfällt. Sie liefern Näherungswerte für die Content-Planung, keine offiziellen Google-Daten.

Ein vertiefender Weg zur thematischen Tiefe steht im Ratgeber Topical Authority aufbauen, die technische Umsetzung in der AI-Search-Optimization und die strategische Bündelung in der Lösung Sichtbarkeit in KI-Suchmaschinen.

Der blinde Fleck: Warum Fan-out-Queries nicht in der Search Console auftauchen

Die synthetisch erzeugten Sub-Queries werden in der Google Search Console nicht ausgewiesen. Der Suchanfragen-Bericht zeigt weiterhin die vom Nutzer eingegebene Anfrage, nicht die davon abgeleiteten Teilanfragen, für die eine Seite tatsächlich als Passage herangezogen wurde.

Daraus folgt eine messbare Lücke. Ein Unternehmen kann in KI-Antworten als Quelle für Teilfragen erscheinen, ohne dass ein klassisches Analyse-Werkzeug diese Sichtbarkeit sauber ausweist. Diese Intransparenz ist der am häufigsten genannte Schmerzpunkt unter SEOs, weil sich die Wirkung schwer belegen lässt.

Praktisch bleibt deshalb nur die stichprobenartige Kontrolle: die wichtigsten mehrteiligen Pillar-Fragen manuell im AI Mode prüfen und beobachten, welche Quellen für welche Teilaspekte genannt werden. Aus diesen Beobachtungen entsteht ein Bild der eigenen Passage-Abdeckung, das die fehlende Kennzahl teilweise ersetzt.

Fazit & Takeaways

• Teilfragen kartieren: Listen Sie zu jedem Pillar-Thema die absehbaren Sub-Intents vom Problem bis zur Auswahl auf und prüfen Sie, welche davon Ihr bestehender Inhalt beantwortet.
• In Passagen denken: Jede Teilfrage als eigenständig zitierfähige Passage mit präziser erster Aussage schreiben, statt eine ganze Seite auf ein Hauptkeyword auszurichten.
• Sichtbarkeit stichprobenartig prüfen: Da die Search Console die Sub-Queries nicht ausweist, die wichtigsten mehrteiligen Anfragen manuell im AI Mode kontrollieren und genannte Quellen dokumentieren.

Verwandte Begriffe

• Google AI Mode: Der ausführliche KI-Such-Modus, in dem Google Query Fan-out am sichtbarsten einsetzt.
• Google AI Overviews: Der eingeblendete KI-Antwortblock, der ebenfalls auf aufgefächertem Retrieval basiert.
• Topical Authority: Thematische Vollständigkeit als strukturelle Antwort auf die Auffächerung in viele Teilfragen.
• RAG (Retrieval-Augmented Generation): Das Retrieval-Prinzip, auf dem die Sub-Query-Auswertung technisch aufsetzt.

Autor: Daniel Neubauer, Gründer und Geschäftsführer RED RAM MEDIA. Über 16 Jahre Agentur- und SEO-Erfahrung, seit 2010 als Agenturinhaber tätig, Entwickler des VISIBL-Frameworks für technisches B2B-SEO.

Häufige Fragen (FAQ)

Was ist Query Fan-out?

Query Fan-out bezeichnet eine Retrieval-Technik, bei der ein KI-Suchsystem eine einzelne Anfrage in mehrere synthetische Teilanfragen zerlegt, diese parallel ausführt und die Ergebnisse zu einer Antwort verdichtet. Google nennt das Verfahren technisch query variant generation.

Wie viele Sub-Queries erzeugt Query Fan-out pro Anfrage?

Die Zahl der Sub-Queries steigt mit der Komplexität der Anfrage. Einfache Faktenfragen lösen kaum eine Auffächerung aus, während mehrteilige oder vergleichende Anfragen mehrere Teilanfragen erzeugen. Eine feste Anzahl gibt Google öffentlich nicht an.

Bei welchen Suchanfragen greift Query Fan-out?

Query Fan-out greift vor allem bei komplexen, mehrdeutigen und vergleichenden Anfragen. Navigationale oder eindeutige Faktenanfragen bearbeitet das System dagegen meist als Ganzes, ohne die Anfrage in mehrere Teilfragen aufzufächern.

Kann man die Sub-Queries von Query Fan-out sehen?

Die generierten Sub-Queries erscheinen nicht in der Google Search Console. Spezialisierte Tools wie Qforia von iPullRank simulieren die wahrscheinliche Auffächerung einer Anfrage, liefern aber Näherungswerte und keine offiziellen Google-Daten.

Wie optimiert man Inhalte für Query Fan-out?

Query-Fan-out-Optimierung setzt an eigenständig beantwortbaren Passagen an. Inhalte sollten die absehbaren Teilfragen eines Themas jeweils klar und zitierfähig beantworten, statt eine ganze Seite allein auf ein einziges Hauptkeyword auszurichten.

Nutzt nur Google Query Fan-out?

Query Fan-out ist kein Google-Spezifikum. Auch KI-Suchsysteme wie Perplexity und ChatGPT Search fächern komplexe Anfragen in Teilanfragen auf, um Informationen aus mehreren Quellen zu einer zusammenhängenden Antwort zu verdichten.