Query Fan-Out (deutsch etwa „Anfragen-Auffächerung") ist eine Information-Retrieval-Technik, mit der KI-Suchsysteme eine einzelne Suchanfrage im Hintergrund in mehrere thematische Unterfragen zerlegen, diese parallel ausführen und die Ergebnisse zu einer einzigen, zusammenhängenden Antwort synthetisieren. Google nutzt das Verfahren als zentralen Mechanismus seines AI Mode.
Statt einmal nach den eingegebenen Wörtern zu suchen, generiert das System aus der Originalfrage ein Bündel verwandter Anfragen, die jeweils einen anderen Aspekt der Nutzerabsicht abdecken. Aus „welches Shopsystem für B2B-Großhandel mit ERP-Anbindung" werden so im Hintergrund etwa: B2B-Funktionen von Shopsystemen, ERP-Schnittstellen im E-Commerce, Plattformvergleich für den Großhandel, typische Kosten und Migrationsaufwand. Jede dieser Unterfragen wird separat beantwortet, und aus den Treffern baut das Modell eine kohärente Gesamtantwort.
Wie Query Fan-Out technisch funktioniert
Google hat das Verfahren mit der Einführung des AI Mode (offizielle Ankündigung im Mai 2025) öffentlich beschrieben. Ein speziell trainiertes Gemini-Modell erzeugt die Unterfragen; bei einer typischen Anfrage entstehen etwa 8 bis 12 davon, bei komplexen Recherchen in Googles „Deep Search" können es hunderte werden. Elizabeth Reid, die Leiterin der Google-Suche, hat Query Fan-Out als den Mechanismus bezeichnet, der die Intelligenz des AI Mode überhaupt erst möglich macht.
Damit die parallelen Suchen funktionieren, läuft im Hintergrund dichte Vektor-Suche (Dense Retrieval): Jede Unterfrage und jede infrage kommende Textpassage wird in einen Vektor übersetzt, und das System sucht nach semantischer Nähe statt nach exakter Wortübereinstimmung. Die relevantesten Passagen aus allen Teilsuchen werden extrahiert, thematisch gruppiert und zu einer Antwort zusammengeführt. Der Nutzer sieht von diesem aufwendigen Prozess nichts — nur das fertige Ergebnis mit einigen wenigen verlinkten Quellen.
Sichtbare und unsichtbare Anfragen
Entscheidend ist, dass die meisten dieser Unterfragen für den Nutzer unsichtbar bleiben. Er stellt eine Frage und bekommt eine Antwort; dass dahinter ein Dutzend oder mehr Suchen liefen, erfährt er nicht. Für die Sichtbarkeit einer Website hat das eine weitreichende Konsequenz: Die eigene Seite muss nicht mehr exakt zur eingegebenen Originalfrage passen, sondern zu einer der vielen abgeleiteten Unterfragen.
Bedeutung für SEO, E-Commerce und B2B
Query Fan-Out verändert die Grundlage der Suchmaschinenoptimierung. Wer nur auf das eine, offensichtliche Haupt-Keyword optimiert, deckt im Fan-Out-Modell nur einen kleinen Ausschnitt der tatsächlich gestellten Anfragen ab. Erfolgreich ist, wer ein Thema in seiner ganzen Breite abdeckt: mit Inhalten, die die naheliegenden Detailfragen, Vergleiche, Kosten, Voraussetzungen und Sonderfälle jeweils eigenständig beantworten.
Für Shopbetreiber und B2B-Anbieter folgt daraus eine klare Content-Strategie:
- Themencluster statt Einzel-Keyword: Ein Hauptthema wird durch zahlreiche, eng verwandte Unterseiten und Abschnitte flankiert, die typische Fan-Out-Unterfragen abdecken.
- Frageorientierte Überschriften: H2/H3 als echte Fragen formuliert treffen die abgeleiteten Unterfragen genauer als generische Schlagworte.
- Eigenständige Passagen: Jeder Abschnitt beantwortet eine konkrete Unterfrage vollständig, sodass er als Chunk zitierfähig ist.
- Strukturierte Daten: Schema.org-Markup hilft dem System, Inhalte den richtigen Unterfragen zuzuordnen.
Ein konkretes Beispiel
Ein Hersteller technischer Komponenten möchte für Beschaffungsentscheidungen sichtbar sein. Statt einer einzigen Seite „Industriekomponenten kaufen" baut er ein Cluster: eigene, tief beantwortete Abschnitte zu technischen Spezifikationen, Lieferzeiten, Mindestabnahmen, ERP-Anbindung der Bestellung, Zertifizierungen und Mengenrabatten. Stellt ein Einkäufer im AI Mode eine komplexe Frage, fächert das System sie in genau solche Unterfragen auf — und der Hersteller hat für mehrere davon eine zitierfähige Passage parat. Genau dieses Verhalten dokumentiert Google in seiner offiziellen Search-Ankündigung zum AI Mode.
Häufige Missverständnisse und verwandte Konzepte
Ein Missverständnis ist, Query Fan-Out sei nur ein neuer Name für die altbekannte Keyword-Recherche. Tatsächlich ist es ein maschineller Prozess zur Laufzeit der Suche: Das Modell erzeugt die Unterfragen dynamisch und semantisch, nicht aus einer festen Keyword-Liste. Ein zweites Missverständnis ist, man könne die exakten Unterfragen kennen und gezielt „bespielen". Da sie modell- und kontextabhängig generiert werden, lassen sie sich nur näherungsweise antizipieren — die richtige Antwort ist thematische Tiefe, nicht das Erraten einzelner Strings.
Eng verwandt sind Dense Retrieval und Vektor-Einbettungen (die technische Grundlage), Generative Engine Optimization (GEO) sowie Relevance Engineering als übergeordnete Disziplin. Auch das Konzept der Passage-Extraktion (Chunking) hängt unmittelbar mit Query Fan-Out zusammen, weil die Teilantworten auf Passagenebene zusammengesetzt werden.
Ausblick
Query Fan-Out steht exemplarisch für den Wandel der Suche von einer Liste blauer Links hin zu synthetisierten Antworten. Mit leistungsfähigeren Modellen wird die Zahl und Qualität der Unterfragen weiter steigen, besonders in agentischen und „Deep Research"-Szenarien, in denen Systeme eigenständig recherchieren. Für Websites bleibt der strategische Hebel derselbe: thematische Vollständigkeit, eigenständig zitierfähige Passagen und saubere Struktur. Eine ausführliche Einordnung des Verfahrens bietet der Query-Fan-Out-Leitfaden von Search Engine Land.
Von der Passage-Indexierung zum Query Fan-Out
Query Fan-Out ist nicht aus dem Nichts entstanden, sondern die konsequente Weiterentwicklung mehrerer Schritte. Schon 2020 begann Google, einzelne Passagen einer Seite unabhängig vom Rest zu bewerten (Passage Ranking), um auch tiefer vergrabene Antworten zu finden. Parallel verschob sich die Suche von der reinen Wortübereinstimmung hin zum semantischen Verständnis, getragen durch Sprachmodelle und Vektor-Repräsentationen. Query Fan-Out kombiniert beides: Es nutzt das semantische Verständnis, um aus einer Frage viele zu machen, und die Passagen-Ebene, um die Teilantworten zusammenzusetzen.
Damit reiht sich das Verfahren in eine längere Entwicklung ein, in der die Suche immer weniger eine Liste von Dokumenten zurückgibt und immer mehr eine zusammengesetzte Antwort konstruiert. Für die Praxis bedeutet das: Die Einheit, um die konkurriert wird, ist nicht mehr die Seite, sondern die Passage, die zu einer Unterfrage passt.
Query Fan-Out im Vergleich zur klassischen Suche
Der Unterschied zur klassischen Suche lässt sich an mehreren Dimensionen festmachen:
| Dimension | Klassische Suche | Query Fan-Out |
|---|---|---|
| Anzahl Suchen pro Anfrage | eine | typisch 8–12, in Deep Search hunderte |
| Treffer-Logik | Wortübereinstimmung, Ranking-Liste | semantische Vektor-Nähe, parallele Teilsuchen |
| Ergebnis | Liste blauer Links | synthetisierte Antwort mit wenigen Quellen |
| Optimierungsziel | Ranking für ein Keyword | Treffer für viele Unterfragen, Zitation |
| Content-Bauweise | seitenweise, keyword-zentriert | modular, frageorientiert, eigenständige Passagen |
Aus dieser Gegenüberstellung folgt die wichtigste Konsequenz für die Praxis: Wer im Fan-Out-Modell sichtbar sein will, muss thematische Vollständigkeit liefern. Es reicht nicht, das eine offensichtliche Haupt-Keyword zu bedienen; gefragt sind Inhalte, die das Umfeld der Frage — Vergleiche, Kosten, Voraussetzungen, Sonderfälle — jeweils eigenständig und belegt beantworten.
Häufige Fehler bei der Optimierung für Query Fan-Out
Wer Query Fan-Out verstanden hat, vermeidet einige typische Fehler, die im klassischen Keyword-Denken verwurzelt sind. Der häufigste ist die Monokultur auf ein Haupt-Keyword: Eine einzige, stark optimierte Seite deckt im Fan-Out-Modell nur einen Bruchteil der tatsächlich gestellten Unterfragen ab. Wirksamer ist ein Cluster aus inhaltlich verbundenen Seiten und Abschnitten, die das Thema in seiner Breite bedienen.
Ein zweiter Fehler ist das Keyword-Stuffing in der Hoffnung auf Wortübereinstimmung. Da die Teilsuchen über semantische Vektor-Nähe laufen, bringt die mechanische Wiederholung von Begriffen keinen Vorteil mehr; sie schadet eher der Lesbarkeit. Drittens unterschätzen viele die technische Voraussetzung: Wenn ein KI-Crawler den Inhalt wegen fehlendem serverseitigem Rendering gar nicht lesen kann, nützt die beste inhaltliche Breite nichts. Viertens werden Passagen zu unselbstständig geschrieben — ein Abschnitt, der seinen Sinn erst aus dem vorherigen bezieht, lässt sich nicht sauber als Teilantwort entnehmen.
Die Gegenmittel sind in allen vier Fällen dieselben Prinzipien: thematische Tiefe statt Keyword-Fixierung, semantisch reiche statt mechanisch wiederholte Sprache, ein technisch lesbares Fundament und eigenständig stehende, frageorientierte Passagen. So wird aus dem Verständnis des Fan-Out-Mechanismus eine konkrete, umsetzbare Content-Strategie.
Häufige Fragen zu Query Fan-Out
In wie viele Unterfragen wird eine Anfrage zerlegt?
Bei einer typischen Anfrage im AI Mode entstehen etwa 8 bis 12 Unterfragen. In der „Deep Search" für komplexe Recherchen können es laut Google hunderte sein. Die genaue Zahl hängt von der Komplexität der Frage ab.
Kann ich die generierten Unterfragen sehen?
In der Regel nicht. Die Unterfragen laufen im Hintergrund; der Nutzer sieht nur die zusammengesetzte Antwort und einige verlinkte Quellen. Tools versuchen, typische Fan-Out-Muster nachzubilden, können sie aber nur annähern.
Was bedeutet Query Fan-Out für meine SEO-Strategie?
Optimiere nicht nur auf ein Haupt-Keyword, sondern decke ein Thema in seiner Breite ab. Frageorientierte Überschriften, eigenständig zitierfähige Abschnitte und ein dichtes Themencluster erhöhen die Chance, für eine der abgeleiteten Unterfragen als Quelle herangezogen zu werden.
Welche Technologie steckt hinter Query Fan-Out?
Google setzt ein speziell für die Auffächerung trainiertes Gemini-Modell ein. Die parallelen Teilsuchen laufen über dichte Vektor-Suche, bei der Anfragen und Passagen als Vektoren verglichen werden. Die Ergebnisse werden anschließend zu einer Antwort synthetisiert.
Gilt Query Fan-Out nur für Google?
Das Prinzip, eine komplexe Anfrage in mehrere Teilsuchen zu zerlegen und die Ergebnisse zu synthetisieren, findet sich in ähnlicher Form bei anderen KI-Suchsystemen und Recherche-Agenten wie Perplexity oder ChatGPT mit Suchfunktion. Der Begriff „Query Fan-Out" ist eng mit Googles AI Mode verbunden, das zugrunde liegende Muster ist jedoch allgemeiner und prägt die generative Suche insgesamt.
Wie bereite ich meinen Shop auf Query Fan-Out vor?
Sorge zuerst dafür, dass KI-Crawler deine Inhalte überhaupt lesen können (serverseitiges Rendering, kein Aussperren per robots.txt). Baue dann Themencluster mit eigenständig zitierfähigen Passagen zu allen relevanten Detailfragen rund um deine Produkte, und zeichne Produkte und Eigenschaften mit strukturierten Daten aus. So steigt die Wahrscheinlichkeit, für mehrere der abgeleiteten Unterfragen als Quelle zu dienen.
Wie hängt Query Fan-Out mit Relevance Engineering zusammen?
Query Fan-Out ist einer der Gründe, warum Relevance Engineering überhaupt nötig wurde. Weil eine Anfrage in viele semantische Unterfragen zerfällt, reicht die Optimierung auf ein einzelnes Keyword nicht mehr. Relevance Engineering antwortet darauf mit eigenständig zitierfähigen Passagen, sauberer Entitäten-Struktur und thematischer Tiefe – genau den Bausteinen, die ein Inhalt braucht, um für möglichst viele der aufgefächerten Unterfragen als Quelle infrage zu kommen.