Lesezeit: ca. 9 Minuten | Niveau: Fortgeschrittene
Jemand tippt in Googles AI Mode: webshop für schweizer kmu mit wenig produkten. Sieben Wörter, keine Satzzeichen, kein vollständiger Satz.
Früher wäre daraus genau eine Suchanfrage geworden. Zehn blaue Links, und den Rest macht der Mensch.
Heute passiert etwas anderes. Das System sucht nicht nach diesem Satz. Es zerlegt ihn zuerst.
Dieser Mechanismus heisst Query Fan-Out. Aus einer einzigen Nutzerfrage entsteht im Hintergrund eine ganze Reihe zusammenhängender Teilsuchen. Die laufen parallel. Aus den Treffern baut das Modell danach eine Antwort.
Aus unserem Beispiel könnten etwa solche Teilfragen entstehen:
- Welche Shopsysteme gibt es für kleine Unternehmen?
- Was kosten diese Shopsysteme pro Monat?
- Welches Shopsystem eignet sich für ein kleines Sortiment?
- Welche Zahlungsmittel brauchen Kunden in der Schweiz?
- Unterstützt System X TWINT?
- Was ist bei Mehrwertsteuer und Versand innerhalb der Schweiz zu beachten?
- Wie aufwendig ist der Aufbau ohne eigene Entwickler?
- Gibt es Erfahrungsberichte von Schweizer KMU?
Keine dieser Teilfragen hat der Nutzer getippt. Trotzdem entscheiden sie darüber, welche Seiten in der Antwort landen.
Genau darum ist dieses Thema wichtiger als die meisten Checklisten, die gerade zu KI-Suche kursieren. Wer den Mechanismus versteht, versteht auch, warum das alte Denken in einzelnen Keywords nicht mehr greift.
Was an Query Fan-Out dokumentiert ist und was Beobachtung bleibt
Bevor es losgeht, eine Einordnung. Bei diesem Thema wird viel behauptet und wenig belegt.
Dokumentiert ist: Google verwendet den Begriff Query Fan-Out selbst. In der eigenen Kommunikation zum AI Mode beschreibt Google die Technik so, dass eine Frage in Teilthemen zerlegt und daraus mehrere Suchanfragen gleichzeitig ausgelöst werden. Die Antwort entsteht dann aus den Ergebnissen dieser Teilsuchen.
Beobachtung aus der Praxis ist: alles Weitere. Wie viele Teilfragen entstehen, wie sie formuliert sind, wie stark sie sich zwischen zwei Nutzern unterscheiden, welche Signale bei der Auswahl gewichten. Das sieht niemand von aussen direkt.
Dieser Artikel beschreibt den Mechanismus deshalb konzeptionell. Er erklärt die Logik, nicht die genaue Implementierung. Wo etwas Vermutung ist, steht das dabei.
Warum eine Suchanfrage überhaupt zerlegt wird
Der Grund ist simpel: Suchanfragen sind unterspezifiziert.
Zurück zum Beispiel. webshop für schweizer kmu mit wenig produkten enthält eine Menge unausgesprochener Annahmen. Wie viel darf es kosten? Gibt es interne IT? Soll es TWINT geben? Wird nur in die Schweiz geliefert? Ist „wenig Produkte“ zehn oder zweihundert?
Der Mensch hat das alles im Kopf. Ins Suchfeld tippt er die komprimierte Version.
In der klassischen Suche war das kein grosses Problem. Das System lieferte eine Ergebnisliste, und der Mensch übernahm die Zerlegung selbst. Er klickte auf einen Vergleich, dann auf eine Preisseite, dann suchte er separat nach TWINT. Die Teilfragen entstanden im Browserverlauf, nicht im Suchsystem.
Ein System, das eine fertige Antwort ausgibt, kann das nicht delegieren. Es muss die Zerlegung selbst vornehmen, sonst bleibt die Antwort an der Oberfläche.
Dazu kommt ein zweiter Grund. Eine gute Antwort auf diese Frage steht auf keiner einzelnen Website. Preise stehen beim Anbieter, Zahlungsmittel in einem Fachartikel, Praxiserfahrung in einem Forum. Das Modell muss Bausteine aus verschiedenen Quellen zusammensetzen und jeden Baustein belegen können. Wie diese Verankerung in Quellen funktioniert, beschreiben wir im Artikel zu RAG und Grounding in der KI-Suche.
Fan-Out ist also kein Gimmick. Es ist die Voraussetzung dafür, dass ein Sprachmodell überhaupt eine belegbare Antwort auf eine vage Frage bauen kann.
Der Ablauf in sechs Schritten
Konzeptionell läuft eine Anfrage im AI Mode etwa so durch das System. Die Schritte sind nicht immer sauber getrennt, aber als Modell tragen sie weit.
1. Frage entgegennehmen und einordnen
Das System nimmt die Eingabe und alles, was drumherum bekannt ist: Sprache, ungefährer Standort, Gerät, bei einem Dialog auch die vorherigen Fragen.
Bei unserem Beispiel ist „schweizer“ explizit. Ohne dieses Wort würde der Standort denselben Job erledigen und die Teilfragen in Richtung Schweiz drehen.
2. Teilfragen generieren
Jetzt kommt der eigentliche Fan-Out. Ein Modell leitet aus der Frage die dahinterliegenden Teilfragen ab.
Diese Teilfragen sind sprachlich vollständiger als die Eingabe. Aus „wenig produkten“ wird eine Frage nach Shopsystemen für kleine Sortimente. Aus „schweizer“ werden Fragen nach TWINT, nach Versand innerhalb der Schweiz, nach Mehrwertsteuer im Checkout.
Typischerweise deckt der Fächer mehrere Ebenen ab: die reine Auswahlfrage, die Kostenfrage, die Eignungsfrage, die Randbedingungen, den Vergleich, die Praxis. Wie viele Teilfragen es genau sind, ist von aussen nicht feststellbar. Jede Zahl dazu ist geraten.
3. Parallel suchen
Die Teilfragen gehen gleichzeitig in die Suche. Nicht nacheinander, sondern als Bündel.
Wichtig dabei: Es ist weiterhin die Suche. Index, Crawling, Relevanzsignale, Seitenqualität. Die klassischen Grundlagen aus dem technischen SEO verschwinden nicht, sie werden nur öfter und für feinere Fragen abgerufen.
4. Ergebnisse bewerten
Zu jeder Teilfrage kommt eine eigene Ergebnismenge zurück. Aus jeder davon werden einzelne Passagen ausgewählt, die zur jeweiligen Teilfrage passen.
Hier entscheidet sich viel. Bewertet wird nicht „wie gut ist diese Website insgesamt“, sondern „beantwortet diese Stelle diese eine Teilfrage klar“. Eine starke Seite mit einer schwammigen Passage kann an dieser Stelle verlieren.
5. Antwort synthetisieren
Das Modell setzt aus den ausgewählten Passagen eine zusammenhängende Antwort zusammen. Widersprüchliche Angaben muss es dabei auflösen oder nebeneinanderstellen.
Das Ergebnis ist ein Text, den es so vorher nirgends gab. Er ist aber aus vorhandenen Bausteinen gebaut.
6. Quellen zitieren
Zum Schluss werden Links gesetzt. Zitiert wird nicht der beste Gesamttreffer, sondern die Quelle des jeweiligen Bausteins.
Deshalb tauchen in solchen Antworten regelmässig Seiten auf, die für die ursprüngliche Suchanfrage nie auf Seite eins gestanden hätten. Sie haben eine Teilfrage sauber beantwortet, mehr nicht.
Was Query Fan-Out für deine Website bedeutet
Das ist der Punkt, an dem es praktisch wird.
Deine Seite wird nicht mehr nur für die eine eingegebene Suche gefunden. Sie wird für eine der unsichtbaren Teilfragen gefunden.
Nimm eine Seite über Zahlungsmittel im Schweizer Onlinehandel. Für die Suche webshop für schweizer kmu mit wenig produkten würde sie klassisch kaum ranken. Über die Teilfrage nach TWINT und Schweizer Zahlungsmitteln landet sie trotzdem in der Antwort.
Umgekehrt gilt dasselbe. Ein Shopsystem-Vergleich, der zur Hauptfrage perfekt passt, aber zu Kosten, Zahlungsmitteln und Aufwand nur vage bleibt, liefert für die meisten Teilfragen nichts Zitierbares.
Daraus folgen drei Dinge.
Erstens: Es gibt mehr Eintrittstüren als früher. Jede Teilfrage ist eine eigene Chance. Auch kleinere Seiten können eine davon gewinnen, wenn sie einen engen Punkt besser beantworten als alle anderen.
Zweitens: Ein Haupt-Keyword deckt nur eine Tür ab. Wer eine Seite ausschliesslich auf den einen Suchbegriff optimiert, verpasst den Rest des Fragenraums. Der Rest ist der grössere Teil.
Drittens: Sichtbarkeit wird körniger. Nicht mehr „Seite drei, Position zwei“, sondern „in dieser Antwort wurde unser Absatz zu TWINT zitiert“. Das ist schwerer zu messen. Welche Kennzahlen dafür taugen, behandeln wir separat unter KI-Sichtbarkeit messen.
Konsequenzen für die Content-Arbeit
Aus dem Mechanismus lassen sich ein paar sehr konkrete Arbeitsregeln ableiten.
Themen abdecken statt Einzelkeywords
Die Planungseinheit ist nicht mehr das Keyword, sondern der Fragenraum um ein Thema.
Bevor du schreibst, sammle die Teilfragen. Was will jemand wissen, der diese Suche eingibt, aber nicht getippt hat? Genau diese Liste ist dein Inhaltsverzeichnis. Wie du daraus eine Struktur für die ganze Website baust, zeigt unser Guide zur SEO-Strategie.
Unterfragen als Zwischenüberschriften beantworten
Eine Teilfrage, die als H2 oder H3 im Text steht und im nächsten Absatz direkt beantwortet wird, ist leichter als Passage auszuwählen als dieselbe Information mitten in einem langen Fliesstext.
Formuliere Überschriften deshalb wie Fragen oder wie klare Aussagen. „Was kostet ein Shopsystem für kleine Sortimente?“ schlägt „Kosten“.
Und beantworte die Frage im ersten Satz danach. Nicht im fünften.
Definitionen und Zahlen an einer Stelle bündeln
Wenn die Antwort auf eine Teilfrage über fünf Absätze verteilt ist, muss ein System sie rekonstruieren. Steht sie kompakt an einer Stelle, kann sie übernommen werden.
Praktisch heisst das: eine saubere Definition pro Begriff, eine Stelle für Preisangaben, eine Stelle für die Voraussetzungen. Tabellen und kurze Listen helfen hier mehr als schöne Absatzbrücken.
Absätze müssen alleine stehen können
Ein zitierter Absatz erscheint ohne den Text davor. „Das ist bei kleinen Sortimenten oft günstiger“ ergibt ausserhalb der Seite keinen Sinn.
Nenne das Subjekt also aus. Lieber eine kleine Wiederholung als ein Absatz, der ohne Kontext zerfällt. Mehr dazu im Artikel über Content für KI optimieren.
Eine Seite pro Fragenraum, nicht pro Frage
Das heisst nicht, dass du für jede Teilfrage eine eigene Seite brauchst. Zwanzig dünne Seiten zu zwanzig Teilfragen sind schwächer als eine gute Seite, die zwanzig Teilfragen sauber gegliedert beantwortet.
Die Faustregel: Eine Seite deckt ein Thema ab. Innerhalb der Seite bekommt jede Teilfrage ihren eigenen, klar abgegrenzten Abschnitt.
Klassische Suche und Suche mit Fan-Out im Vergleich
Die Unterschiede auf einen Blick. Die rechte Spalte beschreibt die Logik, nicht eine gemessene Regel.
| Klassische Suche | Suche mit Fan-Out |
|---|---|
| Anzahl Suchanfragen: eine Eingabe, eine Suche | Anzahl Suchanfragen: eine Eingabe, viele parallele Teilsuchen |
| Rolle der Position: Platz eins bis zehn entscheidet über den Klick | Rolle der Position: entscheidend ist, ob eine Passage in die Antwort kommt |
| Was zählt: die Seite als Ganzes zur Suchanfrage | Was zählt: der einzelne Abschnitt zur jeweiligen Teilfrage |
| Worauf optimiert wird: Haupt-Keyword und Varianten | Worauf optimiert wird: der ganze Fragenraum rund um ein Thema |
| Struktur des Texts: Fliesstext mit Keyword-Platzierung | Struktur des Texts: abgegrenzte Abschnitte, die alleine stehen können |
| Messung: Ranking und Klicks pro Keyword | Messung: Zitate und Erwähnungen pro Frage, schwerer zu erfassen |
| Sichtbarkeit der Anfragen: die Suchanfrage ist bekannt | Sichtbarkeit der Anfragen: die Teilfragen bleiben unsichtbar |
Die Grenzen: niemand sieht den Fächer
Hier wird es unbequem, und genau deshalb gehört es in diesen Artikel.
Die tatsächlichen Teilfragen sind von aussen nicht sichtbar. Google zeigt sie nicht an. Es gibt keinen Report, keine Schnittstelle, keinen Log, in dem die erzeugten Teilsuchen stehen.
Es gibt Tools, die Teilfragen zu einer Anfrage anzeigen. Die lesen diese Teilfragen nicht aus. Sie rekonstruieren sie. Meist läuft dasselbe Prinzip: Ein Sprachmodell bekommt die Anfrage und soll plausible Teilfragen erzeugen.
Das kann nützlich sein, um den Fragenraum zu sortieren. Es ist aber eine Schätzung, kein Messwert. Wer diese Listen als Tatsache verkauft, verkauft eine Vermutung.
Dazu kommen drei weitere Einschränkungen.
- Die Zerlegung ist nicht stabil. Dieselbe Frage kann je nach Standort, Verlauf und Zeitpunkt anders zerlegt werden. Ein einmaliger Test beweist wenig.
- Es gibt keine öffentliche Zahl. Wie viele Teilfragen entstehen, ist nicht dokumentiert. Jede genaue Angabe dazu im Netz ist geraten oder aus einem Einzelfall hochgerechnet.
- Die Gewichtung ist unbekannt. Welche Signale darüber entscheiden, ob eine Passage in die Antwort kommt, ist nicht veröffentlicht. Bekannt ist nur, dass die bestehende Suchinfrastruktur die Grundlage bildet.
Was daraus folgt, ist trotzdem handfest. Du kannst den Fächer nicht messen, aber du kannst ihn vorwegnehmen. Die Teilfragen deiner Kunden kennst du aus Verkaufsgesprächen, Supportanfragen und der eigenen Search Console. Diese Liste ist näher an der Realität als jede Rekonstruktion aus einem Tool.
So wendest du das auf eine bestehende Seite an
Ein Vorgehen, das ohne zusätzliche Tools funktioniert.
- Nimm die eine Suche, für die deine Seite gedacht ist.
- Schreibe zehn bis zwölf Teilfragen auf, die jemand mit dieser Absicht wirklich hätte. Nutze dabei echte Kundenfragen, nicht Keyword-Listen.
- Prüfe für jede Teilfrage: Steht die Antwort auf der Seite? Steht sie an einer Stelle? Steht darüber eine Überschrift, die zur Frage passt?
- Schliesse die Lücken in der bestehenden Seite, statt sofort neue Seiten anzulegen.
- Kürze Absätze, die ohne Kontext unverständlich wären, und nenne das Thema jeweils beim Namen.
Das ist unspektakulär. Es wirkt aber gleichzeitig in der klassischen Suche, weil dieselben Teilfragen dort als eigene Suchanfragen existieren.
Query Fan-Out ist damit weniger ein Bruch als eine Verschiebung. Die Belohnung wandert von der guten Seite zum guten Abschnitt. Wie das ins grosse Bild passt, erklärt unser Pillar-Artikel zu Generative Engine Optimization.
Das Wichtigste in Kürze
Query Fan-Out bezeichnet die Zerlegung einer Suchanfrage in mehrere Teilfragen, die parallel gesucht und deren Ergebnisse zu einer Antwort zusammengesetzt werden. Google nennt die Technik im Zusammenhang mit dem AI Mode selbst so.
Für deine Website heisst das: Du wirst über Fragen gefunden, die niemand getippt hat. Die Arbeit besteht darin, diese Fragen vorwegzunehmen und jede einzelne an einer klar erkennbaren Stelle zu beantworten.
Und wo jemand behauptet, er kenne die genauen Teilfragen: Das kann er nicht. Ausserhalb von Google kennt niemand die tatsächliche Zerlegung.
Passend dazu
- Google AI Mode: was der neue Suchmodus verändert
- RAG und Grounding: wie KI-Antworten an Quellen gebunden werden
- Generative Engine Optimization: der Überblick zur KI-Sichtbarkeit
- Content für KI optimieren: Struktur, die zitiert wird
Du willst wissen, welche Teilfragen rund um dein Thema offen sind und welche Seite sie beantworten sollte? Melde dich über unser Kontaktformular, wir schauen uns deine Inhalte an.
