Query Fan-Out erklärt: So zerlegt KI-Suche eine Frage in viele

Query Fan-Out ist der Schritt, in dem eine KI-Suchmaschine deine eine Frage nimmt, sie in mehrere engere Suchanfragen umschreibt, diese ausführt (oft gleichzeitig) und aus allem, was zurückkommt, eine einzige Antwort schreibt. Google dokumentiert das Verfahren für AI Mode (den KI-Modus der Google Suche) und AI Overviews (die KI-Übersichten in den Suchergebnissen), und ChatGPT, Perplexity und Gemini haben jeweils ihre eigene Variante. Genau deshalb kann eine Seite für einen Prompt zitiert werden, für den sie nie gerankt hat, und eine Seite auf Platz 1 für das Hauptkeyword kann leer ausgehen.

In diesem Guide erklären wir den Mechanismus anhand dessen, was Google, OpenAI und Perplexity tatsächlich veröffentlicht haben. Wir zeigen, was wir gesehen haben, als wir am 18. Oktober 2026 echte Fan-Out-Queries über die Gemini API mitgeschnitten haben, und geben dir eine wiederholbare Methode an die Hand, mit der du die Teilfragen zu jedem Thema kartierst und in eine einzige, gut gebaute Seite verwandelst. Bei jeder Zahl steht, wer sie gemessen hat und wie.

Was ist Query Fan-Out in der KI-Suche?

Query Fan-Out ist eine Retrieval-Technik: Ein Sprachmodell erweitert einen Prompt zu mehreren verwandten Suchanfragen, ruft für jede davon Ergebnisse ab und stützt eine einzige Antwort auf die zusammengeführten Ergebnisse. Googles eigenes Glossar definiert es in seinem Leitfaden zur Optimierung für generative KI-Funktionen als „eine Reihe gleichzeitiger, verwandter Suchanfragen, die das Modell erzeugt, um weitere Informationen anzufordern“.

Googles Beispiel ist gerade deshalb hilfreich, weil es so alltäglich ist. Für die Frage „Wie bekomme ich einen Rasen voller Unkraut wieder in den Griff?“ könnten die Fan-Out-Queries etwa „beste Unkrautvernichter für Rasen“, „Unkraut ohne Chemie entfernen“ und „Unkraut im Rasen vorbeugen“ lauten. Keine davon hat der Nutzer eingetippt. Jede liefert andere Seiten, und die finale Antwort kann Passagen aus allen drei Ergebnismengen zitieren.

Daraus folgen zwei Dinge. Erstens ist die Einheit des Retrievals die Teilanfrage: Eine Seite konkurriert um die versteckten Suchen, nicht nur um den sichtbaren Prompt. Zweitens sitzt Fan-Out auf der normalen Suche auf. Google stellt klar, dass AI Overviews und AI Mode auf seinen zentralen Ranking-Systemen basieren und eine Seite „indexiert und berechtigt sein muss, in der Google Suche mit einem Snippet angezeigt zu werden“, um als unterstützender Link zu erscheinen (KI-Funktionen und deine Website). Fan-Out wirft das Netz weiter aus, ersetzt den Index aber nicht. Wenn dir das größere Thema noch neu ist, liefert unser Beitrag zur Generative Engine Optimization den Kontext.

Wie nutzt Google AI Mode Query Fan-Out?

AI Mode entscheidet mit einem Gemini-Modell, welche Unterthemen eine Frage braucht, führt für diese Unterthemen viele Google-Suchen gleichzeitig aus und setzt daraus eine Antwort mit Links zusammen. So lautet die offizielle Beschreibung, und sie ist seit dem Start gleich geblieben:

• März 2025, Start. Google erklärte, AI Mode „nutzt eine ‚Query Fan-Out‘-Technik und stellt mehrere verwandte Suchanfragen gleichzeitig über Unterthemen hinweg“, auf Basis einer angepassten Version von Gemini 2.0 (Google, 5. März 2025).
• Mai 2025, Google I/O. Search-Chefin Elizabeth Reid beschrieb, wie AI Mode „deine Frage in Unterthemen zerlegt“ und „eine Vielzahl von Suchanfragen gleichzeitig“ stellt, wodurch die Suche „tiefer ins Web eintauchen kann als eine klassische Suche“. Im selben Beitrag wurde Deep Search vorgestellt, das „Hunderte von Suchen ausführen kann“, um einen Bericht mit Quellenangaben zu erstellen (Google, 20. Mai 2025).
• Juli 2025, mehr Details. Robby Stein, VP of Product für die Google Suche, erklärte am Beispiel einer Reise nach Nashville, das System „denkt sich vielleicht eine Reihe von Fragen aus, etwa zu tollen Restaurants, tollen Bars, Unternehmungen mit Kindern“ und „fängt dann im Grunde an zu googeln“. Er ergänzte, dass AI Mode auf Googles Echtzeitsysteme wie Google Finance und den Shopping Graph zugreift (Search Engine Journal).
• November 2025, Gemini 3. Google kündigte an, dass Query Fan-Out „ein großes Upgrade bekommt“: Die Suche kann mehr Suchanfragen ausführen und „neue Inhalte finden, die ihr zuvor vielleicht entgangen sind“ (Google, 18. November 2025).

Googles Patente zeigen in dieselbe Richtung, allerdings mit einem Vorbehalt. Die Patentanmeldung „Search with stateful chat“ (US20240289407A1) beschreibt, wie „eine oder mehrere synthetische Suchanfragen aus der LLM-Ausgabe erzeugt“ und Ergebnisdokumente ausgewählt werden. Das erteilte Patent „Thematic search“ (US12158907B1) beschreibt, wie Unterthemen erzeugt und eine erste Suchanfrage durch eine zweite verfeinert wird. Ein Patent zeigt, was Google erfunden hat, nicht was tatsächlich im Einsatz ist. Betrachte sie also als plausible Beschreibungen, nicht als Spezifikation.

Nutzen auch Googles AI Overviews Query Fan-Out?

Ja, manchmal. Laut Googles Dokumentation „können“ sowohl AI Overviews als auch AI Mode „eine ‚Query Fan-Out‘-Technik nutzen und mehrere verwandte Suchanfragen über Unterthemen und Datenquellen hinweg stellen“. Das Wort „können“ ist entscheidend: AI Overviews sind auf Tempo bei kurzen Suchanfragen ausgelegt, und laut dem Beitrag vom November 2025 werden schwierigere Fragen in beiden Funktionen an das größere Modell geleitet, während einfachere mit schnelleren Modellen beantwortet werden. In der Praxis kannst du bei einer schnellen AI Overview mit leichterem Fan-Out rechnen und mit stärkerem Fan-Out in AI Mode und Deep Search. Zahlen veröffentlicht Google für keine der beiden Funktionen.

Wie verteilen ChatGPT und Perplexity einen Prompt auf mehrere Suchen?

ChatGPT schreibt deinen Prompt in eine oder mehrere Suchanfragen um, schickt sie an seine Suchanbieter und legt nach dem Lesen der ersten Ergebnisse unter Umständen mit engeren Anfragen nach. Im Hilfeartikel von OpenAI zur ChatGPT-Suche heißt es, sie „schreibt deine Anfrage in der Regel in eine oder mehrere gezielte Suchanfragen um“. Dort gibt es ein Biotech-Beispiel, bei dem auf eine erste Anfrage „weitere, spezifischere Anfragen“ folgen, und den Hinweis, dass bei aktiviertem Memory gespeicherte Details in die Umformulierung einfließen können: Eine vegan lebende Person in San Francisco, die nach Restaurants fragt, wird zu „gute vegane Restaurants San Francisco“. Personalisierung bedeutet, dass zwei Nutzer mit demselben Prompt unterschiedliche Fan-Outs auslösen können.

Pro Search von Perplexity arbeitet eine Frage Schritt für Schritt ab und kann „Folgesuchen starten, die auf vorherigen Ergebnissen aufbauen“. Das ist sequenzielles Fan-Out: suchen, lesen, erneut suchen.

Was die Anbieter selbst nicht veröffentlichen, liefern Messungen von Dritten:

• Anzahl pro Prompt. Peec AI hat 5 Millionen Fan-Outs aus dem April 2026 ausgewertet und kam auf 2,1 pro Prompt bei ChatGPT, 1,4 bei Perplexity und 6,8 bei Grok (Peec AI, Mai 2026). Profound hat 10.000 Prompts über 14 Tage laufen lassen und sah bei ChatGPT, Perplexity und Copilot etwa 1,4 bis 2 Suchen pro Durchlauf.
• Längere, spezifischere Anfragen. Über 20 Millionen ChatGPT-Fan-Outs in fünf Ländern hat sich die durchschnittliche Länge von etwa 6 Wörtern im Oktober 2025 auf etwa 12 im Januar 2026 ungefähr verdoppelt, während die Anzahl pro Prompt zwischen 2,3 und 2,8 blieb (Peec AI, Februar 2026). ChatGPT sucht also nicht häufiger, sondern präziser.
• Kaum Wiederholungen. In der Studie von Profound waren 91 % der Suchanfragen von ChatGPT über wiederholte Durchläufe hinweg einzigartig, gegenüber 14 % bei Perplexity, das nah an der Formulierung des Nutzers bleibt.
• Nicht jeder Prompt löst eine Suche aus. DataForSEO stellte fest, dass 47,5 % von 100.000 ChatGPT-Prompts Fan-Out-Suchen auslösten (DataForSEO, Mai 2026). Der Rest wurde aus dem eigenen Wissen des Modells beantwortet.

Warum sucht ChatGPT bei nicht englischsprachigen Prompts auf Englisch?

Genau weiß das außerhalb von OpenAI niemand, aber das Muster ist gut vermessen. Peec fand heraus, dass ChatGPT in etwa 78 % der nicht englischsprachigen Fälle englischsprachige Suchen ergänzte und dass 43 % aller Fan-Out-Schritte für nicht englischsprachige Prompts auf Englisch liefen, von 94 % bei Türkisch bis 66 % bei Spanisch (Peec AI). Unter ihren Beispielen sind deutsche Software-Prompts, bei denen kein einziges deutsches Unternehmen auftauchte. Wie OpenAI die Sprache wählt, ist nicht dokumentiert. Für eine Marke außerhalb des englischsprachigen Raums ist die Konsequenz sehr konkret: Deine Seiten in der Landessprache sind nur ein Teil des Retrieval-Pools. Du musst also auch in den englischsprachigen Quellen, die für deine Kategorie ranken, korrekt beschrieben sein.

Suchmaschine	Was der Anbieter offiziell sagt	Was Dritte gemessen haben	Was das für dich bedeutet
Google AI Mode	Zerlegt die Frage in Unterthemen; „eine Vielzahl von Suchanfragen gleichzeitig“; mit Gemini 3 aufgerüstet	Gemini 3 API: 10,7 Fan-Outs pro Prompt bei erzwungenem Grounding (Seer, 501 Prompts)	Stärkstes Fan-Out. Deck die ganze Entscheidung ab, nicht nur das Hauptkeyword
Google AI Overviews	„Kann“ Fan-Out nutzen; einfache Anfragen gehen an schnellere Modelle	Keine öffentliche Zahl. Die meisten zitierten Seiten ranken weiterhin in den Top 10 (Ahrefs, Juli 2025)	Klassisches Ranking zählt hier nach wie vor am meisten
Google Deep Search	„Kann Hunderte von Suchen ausführen“	Keine öffentliche Zahl	Tiefe und Primärdaten landen in langen Berichten
ChatGPT-Suche	Schreibt um in „eine oder mehrere gezielte Suchanfragen“; Folgeanfragen; berücksichtigt Memory	2,1 pro Prompt; Länge ~6 bis ~12 Wörter; 91 % der Anfragen einzigartig; ~47,5 % der Prompts lösen eine Suche aus	Wenige, präzise, wechselnde Anfragen. Sei die beste Seite für jeden einzelnen Teilbedarf
Perplexity	Pro Search führt mehrstufige Folgesuchen aus	1,4 pro Prompt bei Sonar; Anfragen bleiben nah an der Formulierung des Nutzers	Die Wortwahl der Nutzer zu treffen, hilft hier weiterhin

Wie viele Fan-Out-Queries erzeugt ein einziger Prompt?

Irgendwo zwischen null und mehreren Hundert, und die veröffentlichten Durchschnittswerte widersprechen sich, weil sie Unterschiedliches messen. So liest du sie richtig:

• Seer Interactive, Gemini 3 API: 10,7 pro Prompt (Spanne 3 bis 28) über 501 Prompts, ein Plus von 78 % gegenüber 6,01 bei Gemini 2.5 (Seer, November 2025). Seer hat das Grounding bei jedem Prompt erzwungen, also wurde bei jedem Prompt gesucht.
• Seer Interactive, wiederholte Durchläufe: 8,52 pro Prompt über 100 Prompts, die jeweils 13-mal ausgeführt wurden (Seer, Januar 2026).
• Peec AI und Profound, Consumer-Suchmaschinen: 1,4 bis 2,1 pro Prompt bei ChatGPT, Perplexity und Copilot, gemessen an getrackten Prompts.
• Deep-Research-Modi: Laut Google kann Deep Search Hunderte von Suchen ausführen; Ahrefs berichtete von einer einzigen ChatGPT-Deep-Research-Aufgabe mit 420 Suchen (Ahrefs, März 2026), allerdings ein Einzelfall und kein Durchschnitt.

Die ehrliche Antwort lautet also: Eine normale Chat-Antwort führt eine Handvoll Suchen aus, AI Mode mehr und Research-Modi deutlich mehr. Wichtiger als die Anzahl ist die Form. Dieselbe Seer-Studie ergab, dass 95 % der Fan-Outs von Gemini 3 null monatliches Suchvolumen hatten, und in der Studie mit wiederholten Durchläufen tauchten nur 8 von 11.029 einzigartigen Fan-Outs in allen 13 Durchläufen auf. Fan-Out-Queries sind lang, spezifisch und meist spontan erfunden. Deshalb zeigt dir ein Keyword-Tool die meisten davon nie.

Was wir gesehen haben, als wir echte Fan-Out-Queries mitgeschnitten haben

Um den Mechanismus aus erster Hand zu sehen, statt nur die Zusammenfassungen anderer zu wiederholen, haben wir am 18. Oktober 2026 einen eigenen kleinen Mitschnitt gemacht. Wir haben Prompts an die Gemini API geschickt, mit aktiviertem Google-Search-Grounding-Tool (nicht erzwungen; das Modell entscheidet selbst, ob es sucht), und jede Suchanfrage protokolliert, die das Modell ausgeführt hat, so wie sie in der API-Antwort zurückkam. Wir haben drei Modelle verwendet: gemini-2.5-flash, gemini-3.1-pro-preview und gemini-3.8-flash.

Der kommerzielle Prompt lautete: „Welches Projektmanagement-Tool ist das beste für eine Remote-Marketingagentur mit 15 Leuten, und was kostet es uns pro Jahr?“ Wir haben ihn 13-mal ausgeführt (5, 3 und 5 Durchläufe pro Modell). Außerdem haben wir Googles eigenes Rasen-Unkraut-Beispiel 6-mal laufen lassen.

Modell	Durchläufe	Suchen pro Durchlauf	Durchläufe mit einer „Welches Tool ist das beste?“-Suche	Marken, nach denen gesucht wurde
gemini-2.5-flash	5	2, 8, 6, 12, 7	5 von 5	Asana, ClickUp, Monday.com (je 4 von 5 Durchläufen), Wrike und Trello (3 von 5), Teamwork.com (2 von 5), Notion, Jira, Smartsheet (1 von 5)
gemini-3.1-pro-preview	3	3, 3, 4	1 von 3	ClickUp, Asana, Monday.com (3 von 3)
gemini-3.8-flash	5	4, 4, 4, 3, 4	0 von 5	Asana, ClickUp, Monday.com (5 von 5), Teamwork.com (4 von 5)

Drei Ergebnisse sind uns besonders aufgefallen:

1. Neuere Modelle haben die Suche nach Optionen übersprungen. Gemini 2.5 Flash suchte nach „best project management tools for remote marketing agency“ und prüfte danach die Preise von bis zu acht Anbietern. Die beiden Gemini-3.x-Modelle gingen meist direkt zu Anfragen wie „clickup pricing plans annual“ für drei oder vier Anbieter, die sie bereits im Kopf hatten. In 7 von 8 Gemini-3.x-Durchläufen fragte keine einzige Suche, welches Tool das beste ist. Die Shortlist kam vom Modell, und die Suche diente nur dazu, Preise zu überprüfen.
2. Preise waren die einzige Konstante. Alle 13 Durchläufe suchten nach Preisen, 9 von 13 ergänzten „annual“ (jährlich) und 4 von 13 eine Jahreszahl (2025 oder 2026). Keiner der 13 Durchläufe suchte nach Bewertungen, Integrationen, Kunden- oder Gastzugang oder Zeiterfassung, obwohl genau das für eine Agentur zählt. Diese Bedürfnisse wurden, wenn überhaupt, aus dem eigenen Wissen des Modells beantwortet.
3. Manche Prompts lösen gar keine Suche aus. Bei der Rasen-Unkraut-Frage antwortete Gemini 3.8 Flash in 3 von 3 Durchläufen aus seinem eigenen Wissen. Gemini 2.5 Flash suchte in 2 von 3 Durchläufen, mit 5 und 6 Anfragen wie „natural weed control methods for lawns“ und „chemical weed killers for lawns“, die Googles dokumentiertem Beispiel sehr nahe kommen.

Einschränkungen: Das sind 19 API-Aufrufe an einem einzigen Tag. Die Gemini API mit Grounding ist nicht dasselbe System wie Google AI Mode, das eigene Schichten für Ranking, Shopping Graph und Personalisierung ergänzt. Sieh es als Einblick, wie Gemini-Modelle Suchen planen, nicht als Messung von AI Mode. Trotzdem ist die Lehre für einen Anbieter ganz praktisch: Wenn das Modell schon eine Shortlist hat, musst du draufstehen (und das erreichst du dadurch, dass du im ganzen Web beschrieben wirst, nicht mit einer einzelnen Seite). Und die Anfrage, die dann tatsächlich läuft, etwa „[your brand] pricing per user annual“, muss auf einer crawlbaren, aktuellen Preisseite landen.

Warum reicht Platz 1 für das Hauptkeyword nicht für KI-Zitate?

Weil AI Mode für die Teilanfragen abruft, nicht nur für den Prompt, und die Seiten, die bei den Teilanfragen gewinnen, oft nicht die sind, die für das Hauptkeyword ranken. seoClarity hat im September 2025 1.000 transaktionale US-Suchanfragen geprüft: Nur 19 % von 12.011 Zitaten in AI Mode stammten aus den organischen Top 20, und nur bei 28 % der Anfragen wurde mindestens eine URL aus den Top 10 zitiert (seoClarity, Oktober 2025). Mike King von iPullRank hat dasselbe beobachtet: Zitierte Seiten rankten für die ursprüngliche Anfrage oft nicht einmal in den Top 100, weil sie über synthetische Teilanfragen abgerufen wurden (iPullRank).

Bei AI Overviews sieht es anders aus, und hier lohnt es sich, genau zu sein. Ahrefs fand heraus, dass 76,1 % der Zitate in AI Overviews in seiner Stichprobe von 1 Million Overviews aus dem Juli 2025 aus den Top 10 kamen (Ahrefs). Als die Autoren prüften, ob Fan-Out den Rest erklärt, gaben die Daten das nicht her. Zusammengefasst heißt das: Für AI Overviews ist ein gutes Ranking nach wie vor der wichtigste Hebel. Für AI Mode und Chat-Suchmaschinen bringt dich das Ranking für das Hauptkeyword in einen von mehreren Retrieval-Pools, und über die anderen Pools entscheidet, wie gut du jede einzelne Teilfrage beantwortest.

Wie sieht eine Fan-Out-Map für einen Prompt aus?

Eine Fan-Out-Map listet die Teilfragen auf, die in einem Prompt stecken, ordnet jeder einen Typ zu und zeigt, wo deine Seite sie beantwortet. Hier ist die Map, die wir für den Projektmanagement-Prompt von oben gebaut haben, abgeglichen mit dem, wonach die Gemini-Modelle in unseren 13 Durchläufen tatsächlich gesucht haben. Sie enthält 12 Teilanfragen und liegt damit im Rahmen der 8 bis 11, die veröffentlichte Studien typischerweise für einen umfangreichen Prompt angeben.

#	Teilanfrage	Typ	In unseren 13 Durchläufen gesucht?	Passage, die sie beantworten sollte
1	Beste Projektmanagement-Software für Marketingagenturen	Discovery	6 von 13 (meist Gemini 2.5)	H2 mit gerankter Shortlist und Auswahlkriterien
2	Projektmanagement-Tools für Remote-Teams	Einschränkung	5 von 13 („remote“)	H3 zu asynchronen Funktionen, Zeitzonen
3	[Tool] Preis pro Nutzer, jährliche Abrechnung	Verifizierung	13 von 13	Preistabelle mit Prüfdatum
4	Kosten für 15 Nutzer pro Jahr	Berechnung	5 von 13 („15 users“)	Durchgerechnetes Kostenbeispiel pro Tool
5	[Tool] Preise 2026	Aktualität	4 von 13 (Jahreszahl ergänzt)	Sichtbares Datum „Preise geprüft am“
6	[Tool A] vs. [Tool B] für Agenturen	Vergleich	2 von 13 (allgemein „comparison“)	Vergleichstabelle
7	[Tool] für Marketingagenturen	Entität + Anwendungsfall	1 von 13	Ein kurzer Absatz pro Tool
8	Kundenportal oder Gastzugang	Impliziter Bedarf	0 von 13	H3 zur Zusammenarbeit mit Kunden
9	Zeiterfassung und abrechenbare Stunden	Impliziter Bedarf	0 von 13	H3 zu Abrechnungs-Workflows
10	Integrationen mit Slack, Google Workspace, HubSpot	Impliziter Bedarf	0 von 13	Integrationstabelle
11	Bewertungen von Agentur-Nutzern	Validierung	0 von 13	Zusammenfassung unabhängiger Bewertungen, verlinkt
12	Rabatt bei jährlicher vs. monatlicher Abrechnung	Kostendetail	9 von 13 („annual“)	Zeile unter der Preistabelle

Lies die Nullen genau. Sie bedeuten nicht „kannst du weglassen“. Sie bedeuten, dass das Modell diese Bedürfnisse aus seinem vorhandenen Wissen beantwortet hat. Beeinflussen kannst du sie also, indem du im Web korrekt beschrieben wirst (Bewertungen, Vergleiche, Dokumentation), statt auf eine Suche zu warten, die vielleicht nie stattfindet. Die Zeilen mit hohen Werten sind die Stellen, an denen eine einzelne Seite das Retrieval direkt gewinnen kann.

Wie finde ich die Fan-Out-Queries für mein Thema?

Kombiniere eine manuelle Map (um abzudecken, woran Modelle denken) mit einer Stichprobe beobachteter Anfragen (um zu sehen, wonach sie tatsächlich suchen). So gehen wir vor:

1. Formuliere den Prompt so, wie ein Käufer ihn stellen würde. Ein ganzer Satz, mit den Rahmenbedingungen, die ein echter Mensch dazusagt (Teamgröße, Budget, Standort, Deadline). Kurze Keywords erzeugen kurze, wenig repräsentative Fan-Outs.
2. Zerleg ihn in typisierte Teilfragen. Nutze die Typen aus der Map oben: Discovery (Orientierung), Einschränkung, Verifizierung, Berechnung, Aktualität, Vergleich, Entität, impliziter Bedarf, Validierung. Ziel sind 8 bis 12.
3. Ergänze die Fragen, die echte Menschen stellen. Hol dir People Also Ask (in der deutschen Google Suche „Ähnliche Fragen“) und die verwandten Suchanfragen für das Hauptkeyword und zwei oder drei Teilanfragen. Das sind keine Fan-Outs, aber es sind dieselben Fragen in menschlichen Worten. Der Keyword-Planer von AI Rank Lab liefert PAA und verwandte Suchanfragen zusammen mit dem Suchvolumen, was diesen Schritt beschleunigt.
4. Schneide beobachtete Fan-Outs mit. Lass den Prompt 5-mal oder öfter über eine Quelle laufen, die echte Anfragen zurückgibt: die Gemini API mit Google-Search-Grounding (die Antwort listet die ausgeführten Anfragen auf, wie in Googles Grounding-Dokumentation beschrieben) oder den kostenlosen ChatGPT Fan-Out Query Extractor von SE Ranking. Manche Praktiker lesen auch die Netzwerkantworten von ChatGPT in den Browser-DevTools aus. Das stützt sich allerdings auf undokumentierte Felder, die OpenAI jederzeit ändern kann, und wir haben es für diesen Artikel nicht überprüft.
5. Gruppiere nach Themen, nicht nach exakten Formulierungen. Fasse „clickup pricing plans annual“ und „ClickUp pricing per user per month annual“ zu einem Thema zusammen: ClickUp-Jahrespreise. Seers Daten aus wiederholten Durchläufen zeigen, dass sich exakte Formulierungen selten wiederholen. Zähl also, wie oft ein Thema über die Durchläufe hinweg auftaucht.
6. Gleiche jedes Thema mit deiner Seite ab. Gut beantwortet, dünn beantwortet oder fehlt. Die fehlenden Themen mit hoher Häufigkeit sind deine Gliederung.
7. Wiederhole das quartalsweise. Modelle ändern sich. Gemini 3 hat in Seers Daten 78 % mehr Fan-Outs erzeugt als Gemini 2.5, und in unseren Daten suchten die neueren Modelle noch einmal anders.

Welche Tools zeigen Fan-Out-Queries, und sind sie beobachtet oder vorhergesagt?

Die wichtigste Frage bei jedem Fan-Out-Tool: Zeigt es Anfragen, die eine Suchmaschine tatsächlich ausgeführt hat (beobachtet), oder Anfragen, von denen ein LLM glaubt, dass die Suchmaschine sie ausführen könnte (vorhergesagt)? Beides ist nützlich, aber nur beobachtete Anfragen sind ein Beleg.

Transparenzhinweis: AI Rank Lab ist unser Produkt. Wir führen es zuerst auf, weil das unsere Website ist, und haben für jedes Tool unten dieselben Kriterien angelegt.

Tool	Beobachtet oder vorhergesagt	Was du bekommst	Ideal für
AI Rank Lab	Weder noch bei den reinen Fan-Out-Formulierungen; beobachtet bei Zitaten	Zeigt keine Fan-Out-Formulierungen an. Es deckt die Schritte drumherum ab: PAA und verwandte Suchanfragen im Keyword-Planer, Prompt-Vorschläge und auf Wettbewerberrecherche basierende Gliederungen in der Content Suite sowie geplantes Prompt-Tracking über ChatGPT, Claude, Gemini und Perplexity plus AI Overviews und AI Mode, wobei festgehalten wird, welche URLs zitiert werden	Eine Fan-Out-Map in Content umsetzen und prüfen, ob sich die Zitate verändern
Gemini API mit Google-Search-Grounding	Beobachtet	Die exakten Anfragen, die das Modell ausgeführt hat, und die genutzten Quellen, pro Aufruf	Eigener Mitschnitt, wenn du ein kurzes Skript laufen lassen kannst; Abrechnung pro Aufruf
SE Ranking ChatGPT Fan-Out Query Extractor	Beobachtet (über die API von OpenAI)	Anfragen, die ChatGPT für bis zu 10 Prompts pro Batch ausgeführt hat; kostenlos mit Tageslimits; CSV-Export	Schnelle, kostenlose ChatGPT-Stichproben
Peec AI	Beobachtet (aus getrackten Prompts)	Fan-Outs, die aus den von dir getrackten Prompts mitgeschnitten werden; die Research-Seiten von Peec basieren auf diesen Daten	Laufendes Fan-Out-Monitoring für ChatGPT, Perplexity und Grok
DataForSEO LLM Mentions API	Beobachtet (vom Anbieter erhoben)	Fan-Out-Queries über den API-Umfang, für Teams, die eigene Dashboards bauen	Entwickler, die in großem Maßstab arbeiten
Otterly AI Query Fan-Out Tool	Vorhergesagt	Generierte Erweiterungen für ChatGPT und die KI-Oberflächen von Google, gekennzeichnet nach Typ und Suchintention, die du als getrackte Prompts hinzufügen kannst	Schnelles Brainstorming für eine Fan-Out-Map
Qforia (iPullRank)	Vorhergesagt (simuliert)	Simulierte synthetische Anfragen für Google AI Mode und AI Overviews	Kostenloser Einstieg für Maps im Google-Stil

Preise haben wir bewusst nicht aufgeführt, weil die meisten dieser Tools in umfassendere Pakete gebündelt sind, die sich oft ändern. Prüf die Preisseite des jeweiligen Anbieters am Tag des Kaufs (das Tool von SE Ranking war kostenlos, als wir am 18. Oktober 2026 nachgesehen haben).

Wie baue ich eine Seite so auf, dass jede Passage eine Teilanfrage beantwortet?

Gib jeder häufigen Teilfrage einen eigenen Abschnitt mit klarer Überschrift, der mit einer direkten, in sich geschlossenen Antwort beginnt und sie dann untermauert. Fan-Out-Retrieval gleicht Passagen mit vielen spezifischen Anfragen ab. Ein Abschnitt, der eine Frage in den ersten zwei Sätzen sauber beantwortet, lässt sich also leicht abrufen und zitieren. Das ist auch für Leser gutes Schreiben, und Google stellt klar, dass du darüber hinaus nichts brauchst: „Es ist nicht erforderlich, Inhalte in winzige Stücke zu zerlegen, damit KI sie besser versteht“, und die Systeme „können Synonyme verstehen“. Du musst die Formulierung der Fan-Outs also nicht Wort für Wort treffen.

Nutze diese Gliederungsvorlage für eine Käuferfrage:

1. Einstiegsantwort (2-3 Sätze). Die direkte Antwort auf den übergeordneten Prompt, für sich allein zitierfähig.
2. Box mit den wichtigsten Punkten. Vier oder fünf Zeilen, die ein Leser (oder ein Modell) direkt übernehmen kann.
3. H2: die Discovery-Teilanfrage („Welches X ist das beste für Y?“), mit einer Shortlist und den Kriterien dahinter.
4. Eine H2 oder H3 pro Rahmenbedingung (Teamgröße, Budget, Region, Anwendungsfall). Jede beginnt mit der Antwort für genau diese Bedingung.
5. Eine Tabelle für Verifizierungs-Teilanfragen: Preise, Limits, technische Daten, jeweils mit dem Datum, an dem du sie geprüft hast.
6. Eine Vergleichstabelle für die „A vs. B“-Teilanfragen.
7. H3s für implizite Bedürfnisse, die der Käufer nicht ausgesprochen hat, die ihm aber wichtig sein werden.
8. Eine nummerierte Liste für das Vorgehen, wenn die Frage impliziert, dass etwas getan werden muss.
9. FAQ-Einträge für die restlichen kurzen Teilfragen.
10. Quellen und Methodik direkt im Text, sodass jede Aussage ihren eigenen Beleg mitbringt.

Unsere AEO-Checkliste deckt die technische Seite ab (Indexierbarkeit, Snippet-Berechtigung, Ladezeit), die darüber entscheidet, ob diese Passagen überhaupt abgerufen werden können. Die Content Suite von AI Rank Lab erstellt aus einem Prompt und einer Wettbewerberrecherche eine solche Gliederung, und das SEO-, AEO- und GEO-Audit prüft die Seitenstruktur, sobald die Seite live ist.

Sollte ich für jede Fan-Out-Query eine eigene Seite erstellen?

Nein. Googles Leitfaden sagt unmissverständlich: Auch wenn „es verlockend sein mag, für jede mögliche Variante, wie Menschen suchen könnten, eigene Inhalte zu erstellen“, verstößt das gegen die Richtlinie zu Scaled Content Abuse, wenn es dazu dient, Rankings oder KI-Antworten zu manipulieren, und „eine große Menge an Seiten macht eine Website nicht hochwertiger“. Auch Fan-Out selbst spricht gegen diese Taktik: Die Formulierungen ändern sich bei fast jedem Durchlauf, eine Seite pro Formulierung jagt also einem Ziel hinterher, das beim nächsten Mal nicht mehr da ist. Eine vollständige Seite pro echter Käuferfrage, mit einem Abschnitt pro Teilfrage, ist sowohl der regelkonforme als auch der wirksame Weg. Eigene Seiten lohnen sich nur, wenn eine Teilfrage wirklich eine andere Aufgabe ist (zum Beispiel eine vollständige Preisseite oder ein eigener Integrationsleitfaden).

Typische Fehler beim Query Fan-Out

• Eine Seite pro Teilanfrage bauen. Nach Googles Definition Scaled Content Abuse und angesichts der instabilen Fan-Out-Formulierungen ohnehin sinnlos.
• Auf exakte Fan-Out-Formulierungen optimieren. Nur 8 von 11.029 Fan-Outs von Gemini 3 wiederholten sich in allen 13 Durchläufen von Seer, und in der Studie von Profound waren 91 % der ChatGPT-Anfragen einzigartig. Ziele auf Themen.
• Beim Priorisieren auf das Keyword-Volumen vertrauen. 95 % bis 99 % der Fan-Outs haben in Seers Daten kein erfasstes Suchvolumen. Priorisiere danach, wie oft ein Thema über die Durchläufe hinweg auftaucht und wie nah es an der Kaufentscheidung liegt.
• Vorhergesagte Fan-Outs als Beleg behandeln. Ein Tool, das wahrscheinliche Teilanfragen generiert, liefert ein Brainstorming, keine Messung. Validiere mit beobachteten Mitschnitten.
• Das Vorwissen des Modells ignorieren. In unserem Mitschnitt suchten neuere Modelle nur nach Marken, die sie schon kannten. Auf Bewertungsportalen, in Vergleichen und Dokumentationen von Dritten korrekt beschrieben zu sein, gehört zur Fan-Out-Optimierung dazu.
• Die Preisseite veralten lassen oder für Crawler sperren. Verifizierungsanfragen wie „[brand] pricing annual“ liefen in jedem unserer 13 Durchläufe. Ist diese Seite veraltet, hinter einem Formular versteckt oder nur per JavaScript gerendert, gleicht das Modell die Preise mit der Seite eines anderen ab.
• Den englischsprachigen Pool vergessen. Für nicht englischsprachige Märkte zeigen die Daten von Peec, dass ein großer Teil der ChatGPT-Suchen auf Englisch läuft.
• Für Google spezielles KI-Markup oder eine llms.txt ergänzen. Google sagt, dass du keine neuen maschinenlesbaren Dateien, keine KI-Textdateien und kein spezielles Schema.org-Markup brauchst, um in seinen KI-Funktionen zu erscheinen.

Woran erkenne ich, ob die Fan-Out-Optimierung wirkt?

Miss Zitate und Impressionen für den übergeordneten Prompt über wiederholte Durchläufe, nicht anhand einzelner Momentaufnahmen. Zwei Quellen zusammen ergeben ein faires Bild:

• Der Bericht zur Leistung von generativer KI in der Google Search Console. Am 3. Juni 2026 gestartet und bis 31. August 2026 für alle Websites ausgerollt, zeigt er Impressionen, Seiten, Länder, Geräte und Daten für AI Overviews, AI Mode und die KI-Funktionen in Discover (Google Search Central). Fan-Out-Queries listet er nicht auf. Nutze ihn also, um zu sehen, welche Seiten nach einer Umstrukturierung mehr KI-Impressionen bekommen.
• Wiederholtes Prompt-Tracking über mehrere Suchmaschinen. Lass den übergeordneten Prompt regelmäßig laufen und halte fest, welche Domains und URLs zitiert werden. Rechne mit Rauschen: Über 968 wiederholte Durchläufe von 42 Prompt-Suchmaschinen-Paaren, die in AI Rank Lab getrackt wurden (Februar bis Oktober 2026), lag die mediane Überschneidung der zitierten Domains zwischen aufeinanderfolgenden Durchläufen bei 0,41 (Jaccard), und im Median tauchten nur 3,5 % der zitierten Domains in jedem Durchlauf auf. Bei so viel Schwankung von Durchlauf zu Durchlauf solltest du Veränderungen über Wochen hinweg bewerten, nicht anhand einer einzelnen Prüfung. Unser Guide zum AI Overview Checker erklärt, wie du das für Google einrichtest, und das 30-Tage-Playbook für ChatGPT-Zitate beschreibt denselben Kreislauf für ChatGPT.

Sei ehrlich bei der Zuordnung. Keine veröffentlichte kontrollierte Studie isoliert die Fan-Out-Abdeckung als Ursache für mehr Zitate, und die AI-Overview-Daten von Ahrefs stützten die Fan-Out-Erklärung für Zitate außerhalb der Top 10 nicht. Fan-Out-Mapping ist eine Planungsmethode, die vollständige Seiten wahrscheinlicher macht, kein Schalter, den man umlegt.

Kurz zusammengefasst

Query Fan-Out macht aus einem Prompt mehrere präzise, wechselnde Suchen. Google dokumentiert es, OpenAI dokumentiert es, und die gemessenen Zahlen hängen von Suchmaschine, Modell und Methode ab. Kartiere die Teilfragen nach Typ, prüf eine Stichprobe beobachteter Anfragen, gruppiere sie zu Themen und beantworte jedes Thema in einem klar überschriebenen Abschnitt einer vollständigen Seite, mit datierten Fakten auf den Seiten, auf denen Verifizierungsanfragen landen. Und dann miss über wiederholte Durchläufe.

Wenn du sehen willst, welche Seiten ChatGPT, Claude, Gemini, Perplexity, AI Overviews und AI Mode für deine Prompts zitieren, und die Lücken in Gliederungen verwandeln möchtest, kannst du deine Prompts in AI Rank Lab tracken.