Query Fan-Out

Query Fan-Out ist die Technik, mit der Google eine einzelne Nutzeranfrage in mehrere parallele Unterfragen zerlegt und diese gleichzeitig im Index und im offenen Web recherchiert. Elizabeth Reid, Leiterin der Google-Suche, stellte den Begriff öffentlich auf der Entwicklerkonferenz Google I/O im Mai 2025 vor.

Das Verfahren kommt in AI Mode und AI Overviews zum Einsatz und erlaubt es Googles Sprachmodellen, Antworten aus mehreren semantischen Facetten einer Frage zu synthetisieren. Tests von Seer Interactive ergaben im Februar 2026, dass Gemini 3 im AI Mode durchschnittlich 10,7 solcher Sub-Queries pro Prompt erzeugt, 78 Prozent mehr als die Vorgängerversion Gemini 2.5 mit 6,01 Sub-Queries.

Für die Suchmaschinenoptimierung bedeutet Query Fan-Out einen grundlegenden Perspektivwechsel. Eine Seite rankt nicht mehr für ein einzelnes Keyword, sondern für ihre Fähigkeit, eine ganze Fragenlandschaft zu einem Thema abzudecken.

Was ist Query Fan-Out?

Query Fan-Out ist ein Verfahren im KI-gestützten Suchsystem, bei dem Google eine ursprüngliche Suchanfrage in mehrere thematisch verwandte Unterfragen aufspaltet, parallel verarbeitet und die Ergebnisse zu einer synthetisierten Antwort zusammenführt. Der Begriff bezeichnet sowohl den Mechanismus als auch das resultierende Query-Bündel.

In Googles interner Patentsprache trägt das Verfahren den technischen Namen „Query Variant Generation”. Die Dokumentation findet sich im 2023 erteilten Patent US11663201B2 mit dem Titel „Generating query variants using a trained generative model”.

Die öffentliche Kommunikation setzt seit Mai 2025 konsequent auf den Begriff Query Fan-Out. Google selbst, die SEO-Community und spezialisierte Tool-Anbieter wie SISTRIX, Ahrefs oder Semrush verwenden die Bezeichnung einheitlich. Eine vollständige Standardisierung über alle KI-Anbieter hinweg existiert allerdings nicht. OpenAI, Anthropic oder Perplexity nutzen ähnliche Mechanismen, vermarkten sie jedoch unter eigenen Bezeichnungen.

Wie funktioniert Query Fan-Out technisch?

Der Query-Fan-Out-Prozess läuft in vier Schritten ab. Zuerst analysiert das Sprachmodell die Nutzerfrage auf Intent, Komplexität und semantische Teilaspekte. Je nach Ergebnis dieser Analyse entscheidet das System, ob Fan-Out überhaupt sinnvoll ist: Simple Faktenfragen wie „Hauptstadt von Frankreich” lösen keine Zerlegung aus, während komplexe Recherchefragen wie „beste Workflow-Tools für Remote-Teams unter 20 Euro pro Nutzer” den Prozess vollständig aktivieren.

Im zweiten Schritt generiert Googles multimodales Sprachmodell die Fan-Out-Queries. Die Anzahl hängt von Komplexität und Unschärfe der Originalanfrage ab. Im dritten Schritt durchsucht Google für jede Sub-Query parallel den eigenen Index und zusätzliche Echtzeit-Webinhalte. Abschließend synthetisiert das Modell die gefundenen Informationen und markiert die verwendeten Quellen in Form einer Kachelleiste.

Zur Unterstützung der Retrieval-Phase kommt Googles Multi-Vector-Retrieval-Modell MUVERA zum Einsatz. Das System gleicht Sub-Queries gegen einen semantischen Vektorraum ab, nicht mehr ausschließlich gegen eine reine Keyword-Übereinstimmung. Die Ranking-Hebel verschieben sich dadurch hin zu thematischer Tiefe und kontextueller Zuordnung statt klassischer On-Page-Optimierung auf einzelne Suchbegriffe.

Welche acht Typen von Unterfragen erzeugt Query Fan-Out?

Googles Patentdokumentation und öffentliche Analysen identifizieren acht wiederkehrende Muster, nach denen Sub-Queries generiert werden. Jeder Typ deckt eine andere Perspektive auf die ursprüngliche Frage ab und zielt auf einen spezifischen Informationsbedarf.

• Equivalent Query (Synonym-Anfrage): Formuliert die Originalfrage mit anderen Worten um, zum Beispiel „Laufschuhe für Anfänger” zu „Einsteiger-Laufschuhe”.
• Follow-up Query (Folgefrage): Antizipiert die nächste logische Frage, etwa „Wie pflege ich Laufschuhe?” nach einer Produktfrage.
• Generalization Query (Verallgemeinerung): Erweitert die Frage auf ein übergeordnetes Thema, etwa von „Asics Gel-Nimbus Dämpfung” zu „Laufschuh-Dämpfung Vergleich”.
• Specification Query (Spezifizierung): Verengt die Frage auf einen konkreten Aspekt, etwa „Laufschuhe unter 100 Euro” aus einer allgemeinen Kaufanfrage.
• Canonicalization Query (Kanonisierung): Normalisiert Schreibweisen und Markennamen, etwa „Asics” statt „ASICS” oder „Addidas”.
• Language Translation Query (Sprachübersetzung): Übersetzt die Frage in andere Sprachen, wenn mehrsprachige Quellen Relevanz versprechen.
• Entailment Query (Schlussfolgerung): Leitet implizite Teilfragen ab, etwa „Schuhe für Überpronation” aus „meine Knie tun beim Laufen weh”.
• Clarification Query (Klärungsfrage): Klärt mehrdeutige Intentionen, etwa bei „Apple” zwischen Technologiekonzern und Frucht.

Die tatsächliche Verteilung variiert je Anfrage. Kaufbezogene Anfragen aktivieren häufiger Specification- und Canonicalization-Queries, Gesundheitsfragen dagegen typischerweise Entailment- und Follow-up-Varianten. Für die Content-Optimierung folgt daraus, dass eine einzelne Seite im Idealfall mehrere dieser Query-Typen bedient und nicht nur die explizite Hauptfrage beantwortet.

In welchen Google-Produkten kommt Query Fan-Out zum Einsatz?

Query Fan-Out läuft aktuell in drei Google-Produkten: AI Mode, AI Overviews und Deep Search. Alle drei nutzen denselben Grundmechanismus, unterscheiden sich aber in Umfang und Sichtbarkeit der zerlegten Queries.

AI Mode ist Googles eigenständige Chat-Oberfläche, die den gesamten Suchdialog durch ein konversationelles Interface ersetzt. Sie wurde im Mai 2025 in den USA ausgerollt und greift auf eine speziell angepasste Version von Gemini 2.5 zu.

AI Overviews sind die KI-generierten Antwortblöcke oberhalb der klassischen Suchergebnisse. Beide Produkte nutzen Query Fan-Out, jedoch mit unterschiedlichem Umfang: AI Mode erzeugt tiefere und zahlreichere Sub-Queries, AI Overviews arbeiten in kompakterem Rahmen.

Deep Search ist ein Premium-Modus für besonders rechercheintensive Anfragen, verfügbar für zahlende Gemini-Advanced-Nutzer. Der Modus erzeugt deutlich mehr Fan-Out-Queries und generiert mehrseitige Reports als Antwort.

Eine Ahrefs-Analyse von 730.000 Nutzerfragen zeigte im März 2026, dass die Zitierüberschneidung zwischen AI Mode und AI Overviews bei nur 13,7 Prozent liegt. Trotz identischer Fan-Out-Mechanik wählen beide Produkte unterschiedliche Quellen, weil Temperatur, Prompt-Design und Modellversionen variieren.

Eine gezielte Strategie für Zitierungen in Googles KI-Antwortboxen muss beide Kanäle separat analysieren, weil sich die Optimierung nicht automatisch auf den jeweils anderen Kanal überträgt.

Wie viele Unterfragen generiert Gemini pro Suchanfrage?

Gemini 3 erzeugt im AI Mode durchschnittlich 10,7 Fan-Out-Queries pro Prompt, ein Anstieg um 78 Prozent gegenüber der Vorgängerversion Gemini 2.5 mit 6,01 Queries (Seer Interactive, Februar 2026). Die Bandbreite reicht dabei von 0 bis über 30 Sub-Queries, abhängig von Intent und Komplexität.

Vier Faktoren beeinflussen die Fan-Out-Breite direkt:

• Intent-Komplexität: Multidimensionale Kaufentscheidungen und Vergleichsfragen aktivieren mehr Sub-Queries als einfache Definitionsfragen.
• Themenvielfalt: Generische Themen ohne klaren Fokus (etwa „gesund essen”) lösen mehr Clarification- und Generalization-Queries aus.
• Entity-Unschärfe: Suchanfragen ohne eindeutige Objekte und Konzepte erhöhen den Fan-Out, weil das Modell mögliche Bedeutungen parallel prüft.
• Nutzerkontext und Historie: AI Mode berücksichtigt Konversationsverlauf und frühere Interaktionen, was zusätzliche Follow-up-Queries auslöst.

Die Zahl der Fan-Out-Queries wird weiter wachsen. Jede neue Gemini-Version hat das Verhältnis bislang erhöht, weil breitere Query-Bündel nachweislich zu faktentreueren Antworten führen. Für SEO bedeutet das einen kontinuierlich steigenden Anspruch an semantische Tiefe pro optimierter Seite.

Wie unterscheidet sich Query Fan-Out von Query Augmentation und RAG?

Query Fan-Out, Query Augmentation und Retrieval-Augmented Generation sind drei unterschiedliche Verfahren, die oft verwechselt werden. Alle drei verbessern KI-Antworten, setzen aber an verschiedenen Stellen des Retrieval-Prozesses an.

Merkmal	Query Fan-Out	Query Augmentation	Retrieval-Augmented Generation
Zeitpunkt	Vor dem Retrieval	Vor dem Retrieval	Nach dem Retrieval
Aktion	Zerlegung in mehrere Sub-Queries	Erweiterung einer Query mit Synonymen und Varianten	Kombination von abgerufenen Inhalten mit Sprachmodell-Generierung
Ziel	Breitere thematische Abdeckung	Tiefere Keyword-Abdeckung einer Query	Faktenbasierte, aktuelle Antwortsynthese
Output	5 bis 15 Sub-Queries	1 angereicherte Query	1 generierte Antwort mit Quellen
Primärer Nutzen	Multi-Intent-Erfassung	Recall-Verbesserung	Halluzinationsreduktion

Query Fan-Out erzeugt viele neue Anfragen, Query Augmentation reichert eine bestehende an, und der nachgelagerte Generierungsschritt mit Retrieval-Einbindung verarbeitet die gefundenen Treffer zu einer kohärenten Antwort. In modernen Google-Systemen laufen alle drei Verfahren in Kombination: Fan-Out erzeugt die Sub-Queries, Augmentation optimiert jede einzelne davon, und die Synthese fügt die Ergebnisse zur finalen KI-Antwort zusammen.

Welche SEO-Konsequenzen hat Query Fan-Out?

Query Fan-Out verschiebt das Ranking-Ziel weg von einzelnen Keywords hin zu vollständigen Themenfeldern. Eine Seite, die nur die Hauptfrage einer Suchanfrage beantwortet, aber keine der typischerweise erzeugten Sub-Queries bedient, verliert systematisch an Zitierchance.

Fünf direkte Konsequenzen für die SEO-Arbeit:

• Einzel-Keyword-Optimierung reicht nicht mehr: Jede Seite muss mehrere Fan-Out-Typen bedienen, idealerweise Equivalent, Follow-up und Specification in einem Dokument.
• Topical Authority schlägt Domain Authority: Seiten mit tiefer thematischer Clusterbildung werden häufiger zitiert als starke Einzelseiten auf autoritativen Domains.
• Antwort-Fenster entscheiden: 44 Prozent der Zitate stammen aus den ersten 30 Prozent eines Textes (Averi, 2026). Kernaussagen gehören nach vorn, bevor das Modell den Absatz verlässt.
• FAQ-Strukturen gewinnen: Eine FAQ-Sektion am Seitenende kann drei bis fünf zusätzliche Fan-Out-Queries abdecken, insbesondere Follow-up- und Clarification-Varianten.
• Entity-Klarheit wird Pflicht: Eindeutige Benennung von Personen, Produkten, Orten und Konzepten reduziert Clarification-Queries und erhöht die Chance auf Direktzitierung.

Die Overlap-Rate zwischen AI-Overview-Zitierungen und klassischen Top-10-Rankings ist seit Juli 2025 von 76 auf 38 Prozent gesunken (ALM Corp, 2026). Klassisches Ranking allein erklärt nicht mehr, welche Seiten als Quelle erscheinen. Wer in KI-Suchsystemen sichtbar bleiben will, braucht eine systematische Ausrichtung auf generative Antwortsysteme als eigenständige Disziplin neben klassischem SEO.

Wie optimierst du Inhalte für Query Fan-Out?

Die Optimierung folgt einem strukturellen Prinzip: Eine Seite soll innerhalb eines Dokuments möglichst viele Sub-Queries eines Themenclusters abdecken, ohne dabei den Fokus zu verlieren. Drei Arbeitsschritte bauen systematisch Fan-Out-Abdeckung auf.

Zuerst ermittelst du die erwartbaren Sub-Queries. Googles „People also ask”-Box, AlsoAsked.com, AnswerThePublic sowie spezialisierte Fan-Out-Simulatoren wie Niara AI oder das Gemini Fan-Out Tool liefern Hinweise, in welche Unterfragen Gemini ein gegebenes Keyword zerlegt. Zehn bis zwanzig Sub-Queries pro Cluster sind ein solider Ausgangspunkt.

Danach strukturierst du den Content nach Fragen statt nach Themen. Jede H2 wird zur exakten Nutzerfrage, gefolgt von einer 30 bis 40 Wörter langen Antwort, die auch isoliert verständlich bleibt. Diese Answer-First-Struktur liefert Gemini bei jedem Fan-Out-Schritt ein extrahierbares Zitier-Fenster.

Im dritten Schritt fügst du inhaltliche Tiefe, Zahlen und Beispiele hinzu. Ein Absatz mit konkreten Werten wie „58 Prozent CTR-Verlust” oder „10,7 Sub-Queries pro Prompt” wird häufiger zitiert als ein allgemein formulierter Fließtext. Die Kombination aus strukturierter Frage-Antwort-Logik, thematischer Tiefe und eindeutiger Entity-Benennung ist die operative Grundlage für Sichtbarkeit in Query-Fan-Out-getriebenen Suchsystemen.