Query Fan-Out

Was ist ein Query Fan-Out?

Ein Query Fan-Out ist ein Verfahren der KI-Suche. Ein System wie der Google AI Mode oder ChatGPT beantwortet eine Frage dabei nicht mit einer einzigen Suche, sondern fächert sie in mehrere Teilsuchen auf. Deren Ergebnisse fasst es zu einer Antwort zusammen. Die einzelnen Suchanfragen heißen Fan-Out-Queries, Sub-Queries, Teilsuchen oder kurz Fan-Outs. Sie formuliert das System selbst, nicht die Person, die den Prompt eingegeben hat.

„Query“ ist das englische Wort für Suchanfrage, „to fan out“ heißt sich fächerförmig ausbreiten. Im Deutschen wird meist der englische Begriff verwendet.

Fan-Out außerhalb der KI-Suche

In der Digitaltechnik gibt der Fan-Out an, wie viele Eingänge ein Gatterausgang ansteuern kann. In großen Suchsystemen bezeichnet er das Verteilen derselben Anfrage auf viele Server, die je einen Teil der Daten durchsuchen. So beschrieben es 2013 die Google-Ingenieure Jeffrey Dean und Luiz André Barroso im Fachartikel „The Tail at Scale“. Beim Query Fan-Out entstehen dagegen neue, inhaltlich verschiedene Suchanfragen.

Woher kommt der Begriff Query Fan-Out?

Bekannt gemacht hat den Begriff Google. Am 5. März 2025 stellte das Unternehmen den AI Mode vor, zunächst als Experiment in Search Labs. Laut der Ankündigung nutzt der AI Mode eine „query fan-out“-Technik. Er setzt mehrere verwandte Suchen zu Unterthemen und über mehrere Datenquellen gleichzeitig ab und führt die Ergebnisse zu einer Antwort zusammen.

Auf der Google I/O am 20. Mai 2025 kündigte Google Deep Search an, eine Funktion, die mit derselben Technik Hunderte Suchen absetzen kann. Laut Google Search Central können auch die AI Overviews Query Fan-Out nutzen. Inzwischen wird der Begriff auch für das Vorgehen anderer Systeme wie ChatGPT verwendet.

Wie funktioniert ein Query Fan-Out?

Zuerst entscheidet das System, ob es überhaupt im Web sucht. Fragen zu etabliertem Wissen beantworten Sprachmodelle oft aus dem Training. Im KKP-Testlauf zur Hundeversicherung vom August 2026 suchte ChatGPT über die Programmierschnittstelle (API) bei 24 von 30 Suchbegriffen, Gemini bei 26 von 30. Keine Suche gab es nur bei allgemeinen Begriffen ohne Zusatz wie „vergleich“ oder „testsieger“, etwa bei „hundekrankenversicherung“.

Sucht das System, formuliert es eigene Suchanfragen zu einzelnen Aspekten der Frage, etwa zu Kosten, Leistungen, Tests oder Regeln. Oft ergänzt es Begriffe, die in der Frage fehlen, zum Beispiel eine Jahreszahl oder den Namen einer Behörde. Jede Teilsuche liefert eine eigene Trefferliste, dieser Abruf heißt Retrieval. Zum Schluss führt das System die Treffer zusammen, und das Sprachmodell schreibt die Antwort mit Quellenangaben, den Citations.

Setzt ein System nur eine umformulierte Suchanfrage ab, liegt streng genommen kein Fan-Out vor. Studien zählen solche Einzelsuchen trotzdem meist als Fan-Out-Queries.

Wie nutzen Google, ChatGPT, Gemini und Perplexity Query Fan-Out?

Google AI Mode und AI Overviews

Laut Google finden AI Overviews und AI Mode, während die Antwort entsteht, weitere passende Seiten und zeigen so eine breitere Auswahl an Links als die klassische Websuche. Als Quelle verlinkt werden kann eine Seite nur, wenn sie indexiert ist und in der Google-Suche mit Snippet erscheinen darf.

ChatGPT

Laut OpenAI schreibt ChatGPT eine Frage, wenn es externe Suchanbieter einbindet, meist in eine oder mehrere gezielte Suchanfragen um und schickt nach den ersten Ergebnissen bei Bedarf genauere hinterher. Snippet Digital fand in 21 von 27 Konversationen schon in der ersten Suchanfrage Brands, die im Prompt fehlten (07/2026, ein ChatGPT-Plus-Konto).

Gemini

Für die Gemini-API beschreibt Google den Ablauf bei „Grounding with Google Search“. Das Modell prüft, ob eine Google-Suche die Antwort verbessert, erzeugt bei Bedarf eine oder mehrere Suchanfragen und führt sie aus. In Studien heißen solche Suchanfragen Grounding Queries, nach Grounding, dem Absichern einer Antwort mit Quellen. Moz hat 5.333 Grounding Queries zu 1.000 englischen Themen veröffentlicht, erhoben mit angepassten System-Instruktionen, also eigenen Vorgaben an das Modell. Im Standard lieferte die API laut Moz selten mehr als 1 bis 2 je Prompt, mit den angepassten Vorgaben 4 bis 6. Die Nachrechnung des Datensatzes steht in der KKP-Auswertung der Grounding Queries von Gemini.

Perplexity

Laut dem Hilfe-Center von Perplexity führt die Pro Search mehrere Suchvorgänge im Web aus und zeigt, wie die KI die Frage aufgeschlüsselt hat. Peec AI, ein Anbieter für die Messung von KI-Sichtbarkeit, hat 5 Mio. Fan-Outs aus dem April 2026 ausgewertet. In dieser Auswertung setzte Perplexity im Schnitt 1,4 Suchanfragen je Prompt ab, ChatGPT 2,1, jeweils ohne Angabe des Suchmodus. Meist entfernte Perplexity nur Füllwörter und suchte mit einer bereinigten Fassung derselben Frage.

Was zeigen Studien zum Query Fan-Out?

Für GPT-5.6 Sol, ein Modell mit Reasoning, also mit Denkschritten vor der Antwort, zählte Nectiv (08/2026, rund 4.000 Prompts) über die OpenAI-API im Schnitt 7,61 Suchanfragen pro Prompt mit Websuche. In der Vorgängerstudie von 2025 mit anderem Erhebungsweg waren es 2,17.

Eine allgemeingültige Zahl gibt es nicht, weil Modell, Modus und Messweg die Werte stark verändern. Modelle mit Reasoning setzen deutlich mehr Teilsuchen ab als schnelle Standardmodelle.

Der site:-Operator in Fan-Outs

Mit GPT-5.6 grenzt ChatGPT viele Teilsuchen mit dem Operator site: auf eine einzelne Domain ein. Laut Nectiv enthielten 64 % der Teilsuchen von GPT-5.6 Sol über die OpenAI-API diesen Operator, über die ChatGPT-Oberfläche maß Peec AI nach dem Wechsel des Standardmodells im August 2026 einen Anteil von 23 %. Welche Domains ChatGPT per site: abfragt und wie belastbar die Studien sind, zeigt der KKP-Artikel Query Fan-Out in ChatGPT.

Wie lassen sich Fan-Outs sichtbar machen?

Echte Fan-Outs lassen sich auf mehreren Wegen auslesen.

• Schnittstellen. Die Gemini-API und die OpenAI-API geben die Suchanfragen aus. Datenanbieter wie DataForSEO liefern sie für ChatGPT und Gemini als eigenes Feld.
• Netzwerkdaten. In der ChatGPT-Oberfläche lassen sie sich in den Entwicklertools des Browsers mitlesen.
• Tracking-Tools. Tools wie Peec AI speichern die Teilsuchen der getrackten Prompts.
• Webmaster-Tools. Die Bing Webmaster Tools zeigen seit Februar 2026 eine Stichprobe der Grounding Queries, die zu Zitaten der eigenen Website in Copilot und Bing geführt haben.

Für AI Overviews und den AI Mode dokumentiert Google keinen Weg, die Teilsuchen einzusehen. Der Bericht zur generativen KI in der Search Console zeigt seit Ende August 2026 für alle Websites Impressionen je Seite, aber keine Suchanfragen. Kostenlose Fan-Out-Tools im Web simulieren die Teilsuchen meist mit einem Sprachmodell. Das Ergebnis ist eine Schätzung, keine Messung.

Was bedeutet Query Fan-Out für SEO und GEO?

Für SEO und GEO (Generative Engine Optimization) ist entscheidend, dass eine Seite in der KI-Suche nicht um eine einzelne Suchanfrage konkurriert, sondern um die Teilsuchen, die ein System aus einer Frage bildet. Diese ähneln Longtail-Keywords. Die Teilsuchen von ChatGPT waren bei Nectiv im Schnitt 6,82 Wörter lang, die Grounding Queries von Gemini bei Moz 6,56.

Kernfrage klar beantworten, nicht jede Teilfrage

Laut AirOps (04/2026) wurden Seiten, deren Überschriften die Hauptfrage eng treffen, zu 41 % zitiert, bei schwacher Übereinstimmung zu 29 %. Seiten mit 26 bis 50 % Abdeckung der Teilfragen schnitten besser ab als Seiten mit vollständiger Abdeckung. Die Abdeckung möglichst vieler Teilsuchen ist laut AirOps nur ein schwaches Signal, fokussierte Seiten schneiden besser ab als umfassende Ratgeber.

Präsenz bei Anbietern, Portalen und Behörden

Teilsuchen nennen oft schon konkrete Quellen, im KKP-Testlauf etwa Stiftung Warentest, Finanztip, Check24, BaFin oder Verbraucherzentrale. Für eine Brand zählt deshalb auch, ob sie auf solchen Seiten vorkommt. Auf der eigenen Website sollten Preise, Konditionen und Leistungen als lesbarer Text im Quelltext stehen, damit auch gezielte Abfragen per site: sie finden.

Retrieval-Rang und Reciprocal Rank Fusion

Je weiter oben eine Seite in der Trefferliste einer Teilsuche steht, desto eher wird sie zitiert, wie der Artikel zum Retrieval-Rang zeigt. Ein bekanntes Verfahren, mehrere Listen zu einer zu verbinden, ist die Reciprocal Rank Fusion (RRF), 2009 beschrieben von Gordon Cormack, Charles Clarke und Stefan Büttcher. Jede Seite erhält je Liste den Wert 1 ÷ (k + Rang), im Originalpaper mit k = 60, und die Werte werden addiert. Rang 3 in zwei Listen ergibt so rund 0,032 Punkte, Rang 1 in nur einer Liste rund 0,016.

Ob ChatGPT so rechnet, ist nicht gemessen. Peec AI stützt die These auf eine Analyse von 2025, die im Code der ChatGPT-Oberfläche Konfigurationswerte für RRF fand, aber keine Zitate auswertete. OpenAI und Google legen ihr Verfahren nicht offen. Das Rechenbeispiel zeigt nur, warum Präsenz in mehreren Teilsuchen unter dieser Annahme mehr wiegen könnte als ein Spitzenplatz in einer einzigen.

Abgrenzung zu Grounding Queries und Keyword-Recherche

Query Fan-Out und Grounding Queries

Grounding Queries sind die Suchanfragen, mit denen ein KI-System seine Antwort an aktuelle Quellen bindet. Den Begriff verwenden etwa Moz für Gemini und Microsoft in den Bing Webmaster Tools. Query Fan-Out bezeichnet dagegen das Verfahren, eine Frage in mehrere solcher Suchanfragen aufzufächern. Moz ordnet Grounding Queries als Teil davon ein. Fan-Out-Queries und Grounding Queries meinen in Studien meist dieselbe Art von Suchanfrage.

Query Fan-Out und Keyword-Recherche

Keywords sind Suchbegriffe, die Menschen eingeben, und das Suchvolumen zeigt, wie oft das geschieht. Fan-Out-Queries formuliert dagegen das KI-System. Wie oft es eine Teilsuche absetzt, zeigt nur eine wiederholte Messung. Fan-Outs ersetzen die Keyword-Recherche deshalb nicht, sie ergänzen sie um die Suchlogik der Modelle.

Welche Rolle spielt Query Fan-Out bei der Prompt-Recherche?

Für Promptsets, mit denen KKP die KI-Sichtbarkeit einer Brand misst, liefern echte Fan-Outs von ChatGPT und Gemini die Struktur. Sie zeigen, in welche Aspekte die Modelle ein Thema zerlegen, und helfen beim Bündeln von Fragen zu Intent-Familien, also Gruppen mit derselben Absicht.

Laut dem KKP-Artikel zu Promptsets für AI Search dient eine Teilsuche als Vorlage für einen Prompt, wenn eine Intent-Familie nur aus Teilsuchen besteht. Weil Fan-Outs mit Modellversion und Modus schwanken, gelten sie als Strukturmaterial, nicht als Abbild dessen, was Nutzer in der Chat-Oberfläche sehen.

Gratis Download

AI Search Guide: Sichtbar in ChatGPT & Co.

Der Praxis-Guide zeigt auf 164 Seiten, wie eine Brand in ChatGPT, Google AI Overviews, Gemini und Perplexity sichtbar wird, von den Grundlagen über Messung und KPIs bis zu konkreten Maßnahmen.

Kostenlos herunterladen →