Query Fan-Out: So prüfst du die Abdeckung deiner Inhalte

Wer im KI-Modus von Google tippt „welcher Laufschuh passt bei Überpronation und 90 Kilo", sucht nicht nach diesem Satz. Google zerlegt ihn. Im Hintergrund laufen mehrere Suchanfragen gleichzeitig: zu Überpronation, zu Stützschuhen, zu Dämpfung bei höherem Gewicht. Aus deren Ergebnissen baut das Modell eine Antwort mit Links. Diese Technik heißt Query Fan-Out, und der Begriff stammt von Google selbst.

Für einen Shop ändert das die Frage, die vor jedem Text steht. Sie lautet nicht mehr „auf welches Keyword optimiere ich diese Seite", sondern „aus welchen Teilfragen besteht dieses Thema, und beantwortet meine Seite sie". Hier erfährst du, was Query Fan-Out wirklich ist, wie du die Teilfragen zusammenbekommst, was die verbreiteten Werkzeuge tatsächlich tun und wo du prompt-nahe Formulierungen messen kannst. Der Beitrag fasst zwei ältere Texte zusammen und korrigiert zwei Punkte, die darin falsch standen.

Was Query Fan-Out ist, in Googles eigenen Worten

In der Dokumentation „AI features and your website" steht der Satz, an dem sich alles Weitere messen lassen muss. KI-Übersichten und KI-Modus können laut Google eine „query fan-out"-Technik nutzen, beschrieben als „issuing multiple related searches across subtopics and data sources": mehrere verwandte Suchen zu Teilthemen und zu unterschiedlichen Datenquellen, aus denen die Antwort entsteht.

Noch genauer ist Googles Leitfaden zur Optimierung für generative KI-Funktionen, Stand 10. Juli 2026. Dort steht Query Fan-Out im Glossar: „a set of concurrent, related queries generated by the model to request more information and fetch additional relevant search results to address the user's query". Drei Dinge stecken darin: Die Teilanfragen entstehen im Modell, sie laufen gleichzeitig, und ihr Zweck ist es, zusätzliche Suchergebnisse zu holen.

Wie groß das wird, steht im Blogbeitrag zum KI-Modus vom 20. Mai 2025: „AI Mode uses our query fan-out technique, breaking down your question into subtopics and issuing a multitude of queries simultaneously on your behalf." Für die Funktion Deep Search nennt Google dort „hundreds of searches" für eine einzige Nutzerfrage.

Wo Fan-Out vorkommt und wo es anders heißt

Dokumentiert ist der Begriff nur bei Google, Grundlage ist dort der normale Suchindex. Bei den anderen Systemen findest du dieselbe Grundidee unter anderen Namen oder gar nicht beschrieben:

• Microsoft Copilot: verankert in Bing-Daten. Statt Fan-Out beschreibt Microsoft einen anderen Mechanismus: Nahezu gleiche URLs werden zu einem Cluster zusammengefasst, und daraus wählt das Modell eine Seite als Vertreter.
• Perplexity: eigener Index, Bewertung laut Anbieterdoku auf Abschnittsebene. Die Wettbewerbseinheit ist dort der Absatz, nicht die Seite.
• ChatGPT: kein eigener Suchindex, sondern „third-party search providers" plus Partnerinhalte. Die Zerlegung ist nicht dokumentiert.

Die Konsequenz ist überall dieselbe: Bewertet wird nicht die Seite als Ganzes gegen ein Keyword, sondern die Passage gegen die Teilfrage.

Warum das die Arbeitsweise ändert

Die alte Logik war: eine Seite, ein Hauptkeyword, dazu ein paar Nebenbegriffe. Sie bricht nicht zusammen, aber sie greift zu kurz. Wenn ein System zwanzig Teilanfragen absetzt und für jede die besten Passagen einsammelt, konkurrierst du zwanzig Mal, mit unterschiedlichen Teilen deiner Seite. Umgekehrt kann eine Seite für eine Teilfrage auftauchen, für die sie klassisch nie auf Seite eins stünde.

Wichtig ist, was daraus nicht folgt. Google schreibt wörtlich: „There are no additional requirements to appear in AI Overviews or AI Mode, nor other special optimizations necessary." Voraussetzung ist allein, dass die Seite indexiert und snippet-fähig ist. Dazu räumt der Leitfaden mit drei Mythen auf: keine llms.txt oder andere KI-Dateien, kein Zerstückeln der Inhalte, und „structured data isn't required for generative AI search".

Was das für Kategorie-, Produkt- und Ratgeberseiten heißt

In der bislang größten Auswertung nach Seitenformat entfielen 21,9 Prozent der Zitate auf redaktionelle Listen, 13,7 Prozent auf Produktseiten und 11,25 Prozent auf Kategorieseiten, während dedizierte Vergleichsseiten mit 2,20 Prozent fast keine Rolle spielten. Shopseiten kommen also vor, der Hebel liegt aber woanders, als viele Angebote vermuten lassen.

• Kategorieseite: Sie beantwortet meist genau eine Teilfrage, nämlich „welche Produkte gibt es". Auswahlkriterien, Größen, Pflege, Lieferzeit und Rückgabe stehen nirgends oder in einem SEO-Text unter der Produktliste, den niemand liest. Genau solche Abschnitte sind die Einheit, um die im Fan-Out konkurriert wird.
• Produktseite: Hier schlägt Microsofts Cluster-Mechanismus zu. Wenn Varianten, Filter und Sortierungen fast identische Seiten erzeugen, wählt das System selbst eine Vertreter-URL aus, und das ist nicht zwingend die, die du meinst.
• Ratgeberseite: das Format mit der höchsten Zitatquote und dem klarsten Pflegebedarf. Von den zitierten Blog-Listen einer Untersuchung waren 79,1 Prozent im laufenden Jahr aktualisiert.

Praktisch heißt das: Eine Teilfrage bekommt einen eigenen Abschnitt mit Überschrift, keinen Halbsatz im Fließtext. Wie du die Seitenarten aufstellst, steht in der Anleitung zu SEO für Online-Shops.

Wie du die Teilfragen selbst ermittelst

Der ehrliche Rahmen zuerst: Kein Anbieter gibt die intern erzeugten Teilanfragen heraus. Was du aufbaust, ist eine Nachbildung, und je mehr davon aus echten Daten stammt, desto belastbarer ist sie. Fünf Quellen, nach Belastbarkeit sortiert:

1. Deine Search Console. Filtere die Suchanfragen auf Fragewörter wie „wie", „was", „welche" und auf Vergleichswörter wie „oder" und „statt". Echte Formulierungen echter Menschen, und sie sind deine eigenen. Fehlt die Property noch, hilft die Anleitung, wie du deine URL in der Google Search Console einträgst.
2. „Ähnliche Fragen" in der Suchergebnisseite. Kostenlos, länderspezifisch, direkt von Google ausgespielt. Klick die Fragen auf, dann klappen weitere nach.
3. Deine interne Suche. Der am meisten unterschätzte Datensatz in jedem Shop. Suchbegriffe ohne Treffer sind Themenlücken in Reinform.
4. Kundenanfragen. Tickets, Rückfragen vor dem Kauf, Retourengründe, Bewertungen. Die Sprache deiner Kunden, bevor sie zur Suchanfrage geglättet wurde.
5. Ein Sprachmodell als Ideengeber. Nützlich gegen blinde Flecken. Aber: Es simuliert den Fan-Out, es liest ihn nicht aus Google aus. Die Ausgabe ist eine plausible Liste, keine Messung.

Diese Quellen ersetzen die Keyword-Recherche nicht, sie kommen danach. Suchvolumen und Wettbewerb entscheiden weiter, welches Thema eine eigene Seite verdient. Wie du den Schritt davor machst, steht in der Anleitung zur Keyword-Recherche.

Welche Werkzeuge es gibt und was sie wirklich tun

Die verbreiteten Werkzeuge werden oft in einen Topf geworfen, unterscheiden sich aber genau dort, wo es zählt: in der Datengrundlage. Stand geprüft am 18. September 2026.

Damit zu den beiden Korrekturen. In der früheren Fassung dieses Beitrags stand, Qforia bilde die Fan-Out-Logik über People-also-ask-Daten nach. Das stimmt nicht. Im offen einsehbaren Quellcode baut das Werkzeug einen Prompt und schickt ihn an ein Sprachmodell, das daraufhin mindestens zehn beziehungsweise zwanzig Teilanfragen erzeugt. Auf People-also-ask-Daten setzt AlsoAsked. Der zweite Fehler stand im Beitrag zum Werkzeugtest: Dort war Query Fan-Out als Methode der Keyword-Recherche beschrieben. Es ist die Technik der Suchsysteme, nicht deine Arbeitsweise.

Schlechter sind die Werkzeuge dadurch nicht, sie beantworten nur verschiedene Fragen. Ein simulierter Fan-Out zeigt, wie ein Modell dein Thema zerlegen würde. Ein Fragenbaum aus echten „Ähnliche Fragen"-Daten zeigt, was Google an dieser Stelle tatsächlich anzeigt. Für eine belastbare Themenkarte brauchst du beides, und du solltest wissen, welche Zeile woher kommt.

Die Anleitung in fünf Schritten

Schritt 1: Themenraum sammeln

Nimm ein Thema, nicht ein Keyword. Trag aus den fünf Quellen oben alles zusammen, was als Frage formuliert werden kann. Dreißig bis sechzig Fragen sind für ein mittleres Shopthema normal. Notier die Herkunft mit, denn beim Priorisieren entscheidet der Unterschied zwischen „aus meiner Search Console" und „von einem Modell erzeugt".

Schritt 2: Fragen gruppieren

Sortiere nach Absicht, nicht nach Wortlaut. Bewährt haben sich vier Gruppen: Verstehen („was ist"), Auswählen („Unterschied zwischen"), Kaufen („Lieferzeit", „Rückgabe") und Nutzen („Pflege", „Montage"). Fragen, die sich nur in der Formulierung unterscheiden, werden eine Zeile. Am Ende hast du eine Themenkarte statt einer Fragenliste.

Schritt 3: Gegen die eigenen Seiten prüfen

Geh die Themenkarte durch und trag zu jeder Gruppe die URL ein, die sie beantwortet. Es gibt nur vier mögliche Befunde:

Der Befund „verteilt" ist der häufigste und der teuerste: Er erzeugt genau die Dubletten, aus denen sich ein System selbst eine Vertreter-URL aussucht.

Schritt 4: Lücken schließen

Schließ die Lücken in der Reihenfolge der Belastbarkeit: zuerst die Fragen aus deinen eigenen Daten, dann die aus „Ähnliche Fragen", zuletzt die vom Modell erzeugten. Jeder neue Abschnitt bekommt eine Überschrift, die die Frage aufnimmt, und eine Antwort im ersten Satz. Dazu etwas, das nicht in jedem anderen Text steht: eine eigene Zahl, ein eigenes Beispiel, eine Erfahrung aus dem Betrieb. Quellenangaben, Zitate und Statistiken im Text sind die einzige Content-Taktik mit kausaler Messung. Keyword-Stuffing lag in derselben Untersuchung unter der Ausgangslinie. Den größeren Zusammenhang zeigt die Anleitung zu Generative Engine Optimization.

Schritt 5: Messen

Setz einen festen Stichtag, an dem du dieselbe Themenkarte erneut prüfst. Interessant sind drei Zahlen: abgedeckte Gruppen, dafür nötige Seiten, und die Entwicklung von Impressionen und Zitaten auf den betroffenen Seiten. Woher diese Zahlen kommen, sagt der nächste Abschnitt.

Messen: wo du prompt-nahe Formulierungen wirklich siehst

Es gibt genau eine Stelle, an der ein Anbieter zeigt, mit welchen Formulierungen ein KI-System Inhalte abgeholt hat: den AI-Performance-Bericht der Bing Webmaster Tools, in Public Preview seit dem 10. Februar 2026. Dort heißen sie Grounding Queries, also die Schlüsselphrasen, die die KI beim Abrufen der zitierten Inhalte genutzt hat. Dazu kommen Total Citations, Average Cited Pages und, seit Juni 2026, Citation Share, Intents und Topics.

Unterschätzt wird das aus einem nüchternen Grund: Kommt ein relevanter Teil deiner Suchbesuche ohnehin aus dem Bing-Umfeld, misst du dort keine Nebenfläche, sondern deinen Hauptkanal. Ein Konto kostet nichts.

Auf Google-Seite bleibt die Lage dünn. Der Generative-AI-Bericht liefert seit dem 31. August 2026 weltweit Impressionen mit den Dimensionen Seiten, Länder, Geräte und Datum. Keine Klicks, keine Suchanfragen, keine Trennung der Flächen. Auch analyseseitig gibt es keinen Ausweg: Der GA4-Kanal für KI-Assistenten schließt Googles KI-Übersichten und KI-Modus ausdrücklich aus. Klicks daraus lassen sich von organischem Google-Traffic nicht trennen. Wie solche Zahlen in einen monatlichen Bericht kommen, steht auf der Seite zu Reporting und Auswertungen.

Wo ein Anbieter nichts herausgibt, bleibt die eigene Messung. Für opal-schmiede.com verfolge ich die KI-Sichtbarkeit mit einem festen Satz Kundenfragen, über Monate unverändert und mehrfach je Lauf abgefragt. Das misst nicht den Markt, sondern die eigene Entwicklung gegen sich selbst. Mehr dazu auf der Seite zu GEO und KI-Sichtbarkeit.

Was davon belegt ist und was Modellierung bleibt

Der Beitrag wäre unehrlich ohne eine klare Trennlinie. Durch Anbieterdokumentation belegt ist:

• dass Query Fan-Out existiert und in KI-Übersichten und KI-Modus vorkommt,
• dass es keine KI-spezifischen Anforderungen gibt und Sonderdateien oder Sondermarkup nicht nötig sind,
• dass Bing Grounding Queries ausweist und sie als Stichprobe kennzeichnet,
• dass Googles Generative-AI-Bericht nur Impressionen zeigt.

Modellierung bleibt alles, was die konkreten Teilanfragen betrifft. Niemand außerhalb von Google weiß, welche davon für deine Frage abgesetzt wurden. Jede Werkzeugausgabe ist eine Hypothese, jeder Abdeckungswert eine Kennzahl des Werkzeugs, nicht von Google. Der Hinweis kommt von Google selbst: Drittanbieter haben keinen Zugang zu internen Ranking-Daten, und Vorhersagen sind ihre eigenen.

Auch die Brücke vom Ranking zum Zitat ist schwächer, als sie oft verkauft wird. Die Auswertungen reichen von rund 17 bis 76 Prozent Überschneidung, weil sie Verschiedenes messen. Konsistent ist nur: Die Position hängt mit der Zitierwahrscheinlichkeit zusammen, Platz eins garantiert nichts, und ausgerechnet E-Commerce ist der Ausreißer nach unten.

Praktisch folgt daraus: Die Abdeckungsprüfung ist gute Content-Planung mit einem klaren Prüfschritt, kein Hebel mit garantierter Wirkung. Sie kostet wenig, macht Lücken sichtbar und hilft auch dann, wenn keine KI-Antwort deine Seite je zitiert. Wenn du nicht weißt, wo du anfangen sollst: Im kostenlosen Shop-Check sehe ich mir Rankings, KI-Sichtbarkeit und Technik persönlich an.

Häufige Fragen

Ist Query Fan-Out dasselbe wie Keyword-Recherche?

Nein. Query Fan-Out ist die Technik, mit der ein KI-System eine Frage zerlegt. Keyword-Recherche ist deine Arbeit, Themen zu finden und zu priorisieren. Sie kommt zuerst und entscheidet, welches Thema eine Seite bekommt.

Kann ich sehen, welche Teilanfragen Google für meine Frage stellt?

Nein. Google gibt sie nicht heraus, und kein Werkzeug hat Zugang dazu. Am nächsten kommen die Grounding Queries in den Bing Webmaster Tools, und die betreffen Copilot und Bing, nicht Google.

Brauche ich ein Sonderformat, damit KI-Systeme meine Abschnitte finden?

Nein. Google schreibt ausdrücklich, dass es keine zusätzlichen Anforderungen gibt und weder KI-Dateien noch spezielles Markup noch das Zerstückeln von Inhalten nötig sind. Was hilft, ist eine saubere Überschriftenstruktur, weil sie Abschnitte abgrenzt, für Menschen wie für Maschinen.

Wie viele Teilfragen soll eine Seite abdecken?

So viele, wie inhaltlich zusammengehören. Eine Frage pro Abschnitt, eine Seite pro Fragengruppe. Mischt eine Seite Kaufkriterien und Pflegehinweise, spricht das für zwei Seiten. Eine Zielwortzahl gibt es nicht.

Lohnt sich ein kostenpflichtiges Werkzeug dafür?

Für die ersten Durchgänge nicht. Search Console, „Ähnliche Fragen", interne Suche und Kundenanfragen kosten nichts und liefern die belastbareren Daten.

Woran erkenne ich, dass die Arbeit gewirkt hat?

An drei Stellen, in dieser Reihenfolge: mehr abgedeckte Fragengruppen in deiner Tabelle, mehr Impressionen auf den überarbeiteten Seiten in der Search Console, mehr Zitate im AI-Performance-Bericht von Bing. Rechne in Monaten, nicht in Wochen.