Query Fan-out

Google beschreibt Query Fan-out in seiner Dokumentation für Website-Betreiber als eine Reihe gleichzeitiger, verwandter Suchanfragen, die das Modell selbst erzeugt, um mehr Informationen und zusätzliche passende Treffer für die Frage des Nutzers zu holen. Googles Beispiel: Aus der Frage, wie man einen verunkrauteten Rasen in Ordnung bringt, werden Teilanfragen nach Herbiziden, nach Unkrautentfernung ohne Chemie und nach Vorbeugung. Der Nutzer sieht nur die fertige Antwort mit Links.

Den Begriff hat Google am 5. März 2025 mit der Vorstellung von AI Mode öffentlich gemacht: Der Modus stelle mehrere verwandte Suchen gleichzeitig zu Teilthemen und über mehrere Datenquellen und führe die Ergebnisse zu einer verständlichen Antwort zusammen. Im Mai 2025 folgte Deep Search, das laut Google mit demselben Verfahren Hunderte Suchen ausführen kann. In der deutschen Ankündigung zum Start von AI Mode am 8. Oktober 2025 spricht Google vom „Query-Fan-Out-Verfahren“. Laut Search Central können sowohl AI Mode als auch AI Overviews es einsetzen (Stand November 2026).

Für Unternehmen verschiebt Query Fan-out die Frage, wofür eine Seite gefunden wird. Statt einer Suchanfrage, die ein Mensch eintippt, prüft das System viele Teilfragen, die so nie jemand formuliert hat. Eine Seite kann deshalb als Quelle erscheinen, weil sie eine einzelne Teilfrage gut beantwortet. Zugleich warnt Google ausdrücklich davor, für jede denkbare Teilanfrage eigene Seiten anzulegen.

So läuft eine Anfrage mit Fan-out ab.

Das Sprachmodell erkennt, welche Teilthemen in einer oft langen, mehrteiligen Frage stecken, und formuliert dazu eigene Suchanfragen. Sie laufen gleichzeitig, gegen den Suchindex und laut Google auch gegen weitere Datenquellen.

Welche Seiten zu einer Teilanfrage passen, entscheiden laut Google die bestehenden Ranking-Systeme der Suche. Die Dokumentation beschreibt das Zusammenspiel als Retrieval-Augmented Generation, kurz RAG, auch Grounding genannt: Die Kernsysteme der Suche holen relevante, aktuelle Seiten aus dem Index, danach prüft das Modell die konkreten Angaben auf diesen Seiten und schreibt eine Antwort, die per Link auf die stützenden Seiten verweist. Fan-out ist dabei der Schritt, der aus einer Frage viele Suchen macht.

Wie viele Teilanfragen entstehen, legt Google nicht offen. Für Deep Search spricht Google von Hunderten Suchen, für den normalen AI Mode von einer Vielzahl. Die Dokumentation sagt nur, dass AI Overviews und AI Mode das Verfahren nutzen können; ob eine einfache Frage nach einer Öffnungszeit einen Fan-out auslöst, beschreibt sie nicht.

Das Ergebnis ist ein Text mit Quellenangaben. Google gibt an, dabei mehr unterstützende Seiten zu finden und eine breitere, vielfältigere Auswahl an Links zu zeigen als bei einer klassischen Websuche.

Was Fan-out von klassischer Suche unterscheidet.

Bei der klassischen Suche gibt ein Mensch eine Anfrage ein und erhält eine sortierte Liste von Treffern. Hat seine Frage mehrere Teile, zerlegt er sie selbst: erst eine Suche nach Preisen, dann eine nach Erfahrungen, dann eine nach Alternativen.

Mit Query Fan-out übernimmt das System diese Zerlegung. Der Nutzer stellt eine Frage, im Hintergrund laufen viele Suchen, und am Ende steht eine Zusammenfassung mit Links.

Abzugrenzen ist das Verfahren von der Query Expansion, einem älteren Begriff der Informationssuche. Dort wird eine einzelne Suchanfrage um Synonyme oder verwandte Begriffe ergänzt, damit sie mehr passende Dokumente findet. Es bleibt eine Suche mit einer Trefferliste. Beim Fan-out entstehen eigenständige Anfragen zu verschiedenen Teilthemen, deren Ergebnisse getrennt abgerufen und erst in der Antwort zusammengeführt werden.

Ganz neu ist der Blick auf Teile einer Seite nicht: Googles Übersicht der Ranking-Systeme führt ein System für Passagen, das einzelne Abschnitte einer Seite erkennt und ihre Relevanz für eine Suche einschätzt. Neu ist, dass eine einzige Frage viele solche Suchen auslöst und der Nutzer nur noch das zusammengefasste Ergebnis liest.

Woher die Idee stammt.

Der Name stammt von Google, die Idee ist älter. Ein bekanntes Beispiel ist das Verfahren Self-Ask aus einer Arbeit von Ofir Press und Kollegen, erstmals veröffentlicht im Oktober 2022: Das Modell stellt sich vor der Antwort selbst Folgefragen und beantwortet sie. Die Autoren zeigen, dass sich für diese Folgefragen eine Suchmaschine einbinden lässt, was die Genauigkeit bei mehrstufigen Fragen weiter verbessert.

In der Fachliteratur heißt das Zerlegen einer Frage in Teilfragen meist Query Decomposition. Decomposition beschreibt die logische Zerlegung, oft in eine Reihenfolge, bei der eine Teilantwort die nächste Frage bestimmt. Fan-out betont die Breite: viele verwandte Suchen gleichzeitig, deren Treffer anschließend zusammenlaufen. Die Grenze ist unscharf.

Andere KI-Suchdienste beschreiben ihr Vorgehen nicht im selben Detail wie Google, und sie verwenden den Begriff nicht einheitlich. Aussagen, die Google über Query Fan-out macht, gelten deshalb für Googles Suche. Ob ein anderer Dienst Fragen ähnlich zerlegt und wie viele Suchen er stellt, lässt sich nur aus dessen eigener Dokumentation oder aus Beobachtung ableiten.

Was das für Inhalte bedeutet.

Google verlangt für AI Overviews und AI Mode keine zusätzlichen Maßnahmen. Eine Seite muss indexiert sein und in der Suche mit einem Snippet erscheinen dürfen. Neue maschinenlesbare Dateien, KI-Textdateien oder besondere Auszeichnungen sind laut Search Central nicht nötig.

In seinem Leitfaden zur Optimierung für generative KI-Funktionen räumt Google mit mehreren Annahmen auf, die eng mit Fan-out verbunden sind. Inhalte müssen nicht in kleine Häppchen zerlegt werden, damit die KI sie versteht; Googles Systeme erkennen mehrere Themen auf einer Seite und zeigen den passenden Teil. Texte müssen nicht eigens für KI umgeschrieben werden, weil die Systeme Synonyme und Bedeutungen verstehen.

Was bleibt, ist Redaktionsarbeit. Google empfiehlt Inhalte, die eine eigene Sicht oder eigene Erfahrung einbringen, statt Bekanntes zusammenzufassen, gegliedert in Abschnitte mit klaren Überschriften. Für Fan-out liegt daraus eine einfache Folgerung nahe: Eine Seite, die die Fragen ihrer Kunden tatsächlich beantwortet, und zwar mit Angaben, die anderswo fehlen, hat mehr Gelegenheiten, zu einer Teilfrage zu passen. Belegt ist diese Folgerung nicht als Regel, sie ergibt sich aus der Beschreibung des Verfahrens. Preise, Leistungsumfang und Einsatzgrenzen gehören dafür als Text auf die Seite statt in Bilder oder PDF-Dateien.

Typische Missverständnisse.

Die Teilanfragen ließen sich auslesen. Google veröffentlicht weder die erzeugten Anfragen noch ihre Zahl. Werkzeuge, die „Fan-out-Anfragen“ anzeigen, simulieren sie mit eigenen Modellen. Laut Google hat kein externes Werkzeug Zugang zu den internen Ranking- oder KI-Systemen.

Für jede Teilanfrage brauche es eine eigene Seite. Google schreibt das Gegenteil. Wer eigene Inhalte für jede mögliche Variante anlegt, etwa für Fan-out-Anfragen, und das vor allem tut, um Rankings oder KI-Antworten zu beeinflussen, verstößt gegen die Spam-Richtlinie zum Missbrauch skalierter Inhalte. Viele Seiten machen eine Website laut Google weder besser noch relevanter.

Inhalte müssten in kurze Blöcke zerlegt werden. Laut Google gibt es dafür keine Anforderung und keine ideale Seitenlänge.

Ein gutes Ranking sichere die Nennung. Weil die Antwort auf vielen Teilsuchen beruht, kann eine Seite, die für die ursprüngliche Anfrage weit vorne steht, fehlen, und eine andere wird für eine Teilfrage zitiert.

Query Fan-out sei dasselbe wie RAG. RAG ist das übergeordnete Prinzip, eine Antwort an abgerufene Quellen zu binden. Fan-out beschreibt den Schritt, aus einer Frage viele Suchen zu machen.

Wie man die Wirkung beobachtet.

Direkt messen lässt sich Query Fan-out nicht, weil die Teilanfragen unsichtbar bleiben. Beobachten lässt sich das Ergebnis: ob und wie oft eine Website in KI-Antworten als Quelle erscheint.

Die Search Console bietet dafür seit dem 31. August 2026 weltweit einen eigenen Leistungsbericht für generative KI-Funktionen der Google-Suche. Er zählt Impressionen aus AI Overviews und AI Mode, also wie oft Links zur eigenen Website dort angezeigt wurden. Die Hilfeseite nennt als Gliederung Seiten, Länder, Datum und Geräte. Eine Gliederung nach Suchanfragen beschreibt sie nicht. Welche Teilanfrage zu einer Nennung geführt hat, zeigt er also nicht, wohl aber, welche Seiten in KI-Funktionen erscheinen.

Ergänzend helfen Stichproben. Eine feste Liste von Fragen, so formuliert, wie Kunden sie stellen, wird in regelmäßigen Abständen in AI Mode gestellt, und es wird festgehalten, welche Quellen die Antworten nennen. Antworten schwanken je nach Standort, Verlauf und Zeitpunkt, Muster werden trotzdem sichtbar: welche Teilthemen Wettbewerber oder Foren besetzen und wo die eigene Website fehlt.

Aus beidem lässt sich eine Arbeitsliste ableiten: Fragen, zu denen die eigene Seite keine klare Antwort gibt, und Seiten, die in KI-Funktionen auftauchen, aber veraltete Angaben enthalten.

Die Grenze des Begriffs

Query Fan-out beschreibt, wie Googles KI-Suche sucht, nicht, wie man optimiert; es ist weder ein Rankingfaktor noch eine Methode für Website-Betreiber. Abzugrenzen ist es von RAG, dem übergeordneten Prinzip, Antworten an abgerufene Quellen zu binden, von Query Expansion, die eine einzelne Suche um Synonyme ergänzt, und von GEO, der Arbeit an der Sichtbarkeit in KI-Antworten. Aussagen über Googles Verfahren gelten nicht automatisch für ChatGPT, Perplexity oder andere Dienste.