Ein Gründer tippt in Gemini: „Welche CRM-Tools passen zu einem B2B-Startup in Deutschland?" Das Modell antwortet mit drei Anbietern, vergleicht Preise, DSGVO-Konformität, Integrationen und API-Reife. Was der Nutzer als eine Frage formuliert hat, hat das Modell im Hintergrund in sieben Teilfragen zerlegt, parallel beantwortet und zu einer Antwort zusammengefügt. Genau dieser Zerlegungs-Mechanismus ist der Kern der Frage was ist Query Fan-Out, und er entscheidet 2026, welche Marken in KI-Antworten überhaupt auftauchen.
Für Marketingverantwortliche bedeutet das eine neue Optimierungsebene. Wer nur für die Haupt-Query optimiert, wird in den meisten Fällen nicht zitiert, weil die Engine ihre Quellen aus den Teilfragen bezieht. Der Rest dieses Glossar-Eintrags klärt Definition, Mechanik, Tool-Landschaft und praktische Konsequenzen, damit Sie Ihre Content-Strategie sauber darauf ausrichten können.
Was bedeutet Query Fan-Out genau?
Query Fan-Out ist der Mechanismus, mit dem KI-Suchsysteme eine Nutzerfrage in Teilfragen aufspalten und parallel Quellen abrufen. Google beschreibt den Prozess offiziell als „query fan-out technique" im Kontext des AI Mode und von Gemini (Google, 2025). Mehr dazu in unserem was ist KI-Content-Optimierung.
Die deutsche Übersetzung ist nicht einheitlich. In der Fachpresse tauchen „Abfrage-Fächer", „Query-Fanout" und „Frage-Zerlegung" parallel auf, während der englische Begriff sich im B2B-Umfeld als Standard etabliert (Olaf Kopp, 2025).
Der Kern ist eine Verschiebung der Antwortlogik. Klassische Suche nimmt eine Query und vergleicht sie mit einem Index. Ein Query-Fan-Out-System nimmt eine Query, formuliert daraus 5 bis 15 neue Suchanfragen, holt für jede eigene Treffer und synthetisiert erst dann eine Antwort. Damit verändert sich, welche Quellen in welcher Frage überhaupt gewertet werden (iPullRank, 2025).
Technisch stehen hinter Fan-Out zwei Schritte. Zuerst zerlegt das Modell die Ausgangsfrage in semantische Bestandteile, Unterthemen und implizite Folgefragen. Danach laufen diese Teilqueries gegen einen Retrieval-Index, etwa den Google-Index, Bing oder eine eigene Embedding-Datenbank. Die Synthese erfolgt im letzten Schritt durch das Sprachmodell, das die einzelnen Treffer verknüpft und konsolidiert (HubSpot, 2025).
Wie zerlegen KI-Modelle eine Frage konkret?
Ein KI-Modell zerlegt eine Frage in thematische, kriteriale und intentbezogene Teilfragen, die nebeneinander stehen und sich ergänzen. Ein Beispiel macht die Mechanik sichtbar. Unser was ist Conversational Commerce erklärt die Details.
Beispiel: CRM-Auswahl für ein B2B-Startup
Die Ausgangsfrage „Welche CRM-Tools passen zu einem B2B-Startup in Deutschland?" landet nach dem Fan-Out als Cluster aus rund sieben Teilfragen im Retrieval-Layer: Details finden Sie in unserem was ist Vektor-Embedding.
Welche Preis-Modelle haben CRM-Tools für Startups?
Welche Integrationen zu HubSpot und Slack bieten sie?
Wie DSGVO-konform sind die Anbieter?
Wie skalieren die Tools ab 50 Nutzern?
Wie gut ist die Benutzeroberfläche im Alltag?
Wie offen ist die API für eigene Integrationen?
Wie zuverlässig ist der deutschsprachige Support?
Jede dieser Teilfragen trifft auf andere Quellen. Preis-Fragen werden oft aus Pricing-Seiten und G2-Reviews beantwortet. DSGVO-Fragen führen zu Trust-Center-Seiten und Fachartikeln. Integrations-Fragen landen auf Marketplace-Listings. Wer nur eine generische „Top-CRM-Tools"-Seite pflegt, ist bei dieser Zerlegung in keiner der sieben Teilfragen die beste Antwort.
Der Fan-Out-Faktor
Mike King von iPullRank beobachtet in seinen Tests 5 bis 15 Teilfragen pro Ausgangsquery, abhängig von Komplexität und Modell. Für einfache Transaktionsfragen fällt der Faktor auf 2 bis 3. Für Recherche-Queries mit mehreren Kriterien liegt er regelmäßig im oberen Bereich (iPullRank, 2025).
Der Fan-Out-Faktor ist kein fester Wert, sondern hängt vom Modell, vom Promptkontext und von der Reasoning-Tiefe ab. Gemini im Deep-Research-Modus erzeugt deutlich mehr Teilfragen als ChatGPT Search mit einer Kurzantwort. Für die GEO-Praxis heißt das, dass die relevante Angriffsfläche größer ist, als die eine sichtbare Nutzerfrage vermuten lässt.
Welche Systeme nutzen Query Fan-Out?
Query Fan-Out ist 2026 die Standardmechanik in allen großen generativen Suchsystemen, auch wenn die Anbieter den Begriff unterschiedlich nennen: Mehr dazu in unserem Was ist GEO.
System | Offizieller Begriff | Transparenz der Teilfragen |
|---|---|---|
Google AI Mode / Gemini | Query Fan-Out | Teilweise sichtbar im Deep-Research-Modus |
Perplexity Pro Search | Pro Search / Subqueries | Im Interface offengelegt |
ChatGPT Search | Kein offizieller Begriff | Nicht sichtbar, nachweisbar über Reverse-Engineering |
Claude mit Web-Zugriff | Kein offizieller Begriff | Nicht sichtbar |
Perplexity hat den Pro-Search-Modus früh als Fan-Out-Architektur positioniert und legt die Teilfragen offen. Die Plattform erreichte im März 2026 rund 34 Millionen monatlich aktive Nutzer, nach 2 Millionen 2023 (Gradually AI, 2026). ChatGPT verarbeitet laut Averi 2026 rund 2,5 Milliarden Suchanfragen täglich, von denen ein wachsender Anteil durch Fan-Out-Routinen läuft (Averi, 2026). Die Zahl der tatsächlichen Retrieval-Calls liegt damit um ein Vielfaches höher als die Zahl der Nutzerfragen.
Warum ist Query Fan-Out für GEO entscheidend?
Query Fan-Out verändert die Einheit, für die optimiert werden muss. Nicht mehr die Haupt-Query ist der Zielbegriff, sondern das Cluster aus Teilfragen. Wer nur auf ein Fokus-Keyword optimiert, trifft im Fan-Out keine der Retrieval-Runden.
Die Konsequenz ist ein Perspektivwechsel im Content-Plan. Eine Pillar-Seite zu „CRM für B2B-Startups" muss die sieben erwartbaren Teilfragen eigenständig beantworten, mit eigenen Absätzen, eigenen Überschriften und eigenen Datenpunkten. Jede Teilfrage sollte so standalone lesbar sein, dass ein Fan-Out-Retriever sie als Antwort auf eine eigene Subquery einbauen kann.
Wir sehen bei unseren Kunden einen direkten Effekt. Seiten, die nur die Oberflächenfrage behandeln, landen selten in Zitationen. Seiten, die pro H2 eine klar formulierte Teilfrage samt Antwort mitführen, werden teils mehrfach in derselben KI-Antwort zitiert, weil sie zu mehreren Subqueries passen.
Der Traffic-Effekt lohnt die Mühe. Laut Sedestral 2026 macht KI-Suche rund 30 Prozent aller Suchinteraktionen aus, Tendenz steigend (Sedestral, 2026). Ahrefs meldet, dass KI-Referral-Traffic 12,1 Prozent mehr Signups generiert als Google-Traffic (Ahrefs, 2025). Wer im Fan-Out nicht erscheint, verliert einen Kanal, der höher konvertiert als die klassische Suche.
Wie optimieren wir Inhalte für Query Fan-Out?
Optimierung für Query Fan-Out bedeutet, Teilfragen zu antizipieren und pro Teilfrage einen eigenständigen Antwort-Block bereitzustellen. Drei Arbeitsschritte führen in der Praxis zu belastbaren Ergebnissen:
Teilfragen erheben über Tools wie Qforia oder Ziptie Fanout plus manuelle Prompt-Tests in ChatGPT, Gemini und Perplexity.
Pro Teilfrage einen eigenen Block liefern mit H2 oder H3, direktem Antwortsatz unter 25 Wörtern und kurzer Begründung.
Semantische Breite aufbauen durch Synonyme, Rollen-Perspektiven und FAQ-Schema, statt reiner Keyword-Wiederholung.
Teilfragen erheben. Tools wie Qforia von Mike King oder das Ziptie-Fanout-Tool simulieren die Zerlegung einer Ausgangsquery und zeigen 5 bis 15 wahrscheinliche Subqueries. Wir kombinieren diese Ausgabe bei rankprompt.de mit manuellen Prompt-Tests in ChatGPT, Gemini und Perplexity, um die Liste zu konsolidieren. Mehr dazu in unserer GEO-Audit-Checkliste.
Pro Teilfrage einen eigenen Block liefern. Jede Teilfrage braucht einen standalone lesbaren Abschnitt, idealerweise mit einer H2 oder H3, einem direkten Antwortsatz unter 25 Wörtern und einer kurzen Begründung. Unser LLMO-Glossareintrag zeigt das Muster für Definitionsfragen, der GEO-Guide 2026 für Strategiefragen.
Semantische Breite aufbauen. Der Retriever hinter dem Fan-Out nutzt Embeddings und belohnt semantisch reiche Cluster. Das heißt konkret, pro Thema mehrere verwandte Begriffe, Synonyme und Rollen-Perspektiven zu adressieren, nicht nur das Fokus-Keyword. Wer zusätzlich mit strukturierten Daten wie FAQ-Schema arbeitet, erhöht die Wahrscheinlichkeit, dass einzelne Blöcke extrahiert werden.
Messbar wird der Effekt über Fan-Out-Zitationsrate. Das ist der Anteil der simulierten Teilfragen, bei denen die eigene Domain mindestens einmal zitiert wird. Klassische Ranking-Tools bilden diese Metrik nicht ab, weshalb wir bei rankprompt.de eine eigene Scorecard dafür führen.
Häufige Irrtümer über Query Fan-Out
Irrtum 1: Query Fan-Out ist nur ein Google-Thema. Falsch. Alle großen generativen Suchsysteme nutzen das Muster, darunter Perplexity, ChatGPT Search und Gemini. Wer nur für Google AI Mode optimiert, blendet rund ein Drittel des KI-Traffics aus.
Irrtum 2: Wer für das Haupt-Keyword rankt, ist automatisch im Fan-Out sichtbar. Falsch. Der Retriever bewertet jede Teilfrage separat. Eine Seite, die für „CRM Vergleich" auf Position 1 steht, kann bei der Subquery „DSGVO-konformes CRM 2026" komplett fehlen. Seokratie beobachtet Überschneidungen zwischen Top-10-Google-Ergebnissen und KI-Zitaten teilweise unter 30 Prozent (Seokratie, 2026).
Irrtum 3: Mehr Keywords auf einer Seite lösen das Problem. Falsch. Fan-Out-Retriever arbeiten mit Embeddings und Passagen, nicht mit Keyword-Dichte. Entscheidend ist, dass einzelne Passagen eine Teilfrage präzise beantworten, nicht dass die Seite semantisch alles streift.
Irrtum 4: Query Fan-Out betrifft nur B2B-Recherche. Teilweise richtig, aber verkürzt. Auch im B2C-Bereich sehen wir Fan-Out-Muster, etwa bei Produktvergleichen, Reiseplanung und Gesundheitsthemen. Der Unterschied ist die Tiefe der Zerlegung, nicht die Existenz des Mechanismus.
FAQ: Häufig gestellte Fragen
Was ist Query Fan-Out in einem Satz?
Query Fan-Out ist der Prozess, bei dem ein KI-Suchsystem eine Nutzerfrage in 5 bis 15 Teilfragen zerlegt, parallel Quellen dafür abruft und aus den Treffern eine gemeinsame Antwort baut.
Welche Tools zeigen, wie eine Query zerlegt wird?
Am bekanntesten sind Qforia von Mike King und das Fanout-Tool von Ziptie. Beide simulieren die Zerlegung einer Ausgangsquery und geben eine Liste wahrscheinlicher Teilfragen zurück. Perplexity zeigt im Pro-Search-Modus die generierten Subqueries direkt im Interface an.
Wie viele Teilfragen entstehen typischerweise?
Der typische Fan-Out-Faktor liegt laut iPullRank zwischen 5 und 15 Teilfragen pro Ausgangsquery. Einfache Transaktionsfragen erzeugen 2 bis 3 Teilfragen, komplexe Recherche-Queries oft mehr als 10 (iPullRank, 2025).
Muss ich für jede Teilfrage eine eigene Seite bauen?
Nicht zwingend. In vielen Fällen reicht eine Pillar-Seite, die jede Teilfrage in einem eigenen Abschnitt beantwortet. Nur wenn eine Teilfrage eigenes Suchvolumen hat oder thematisch deutlich abzweigt, lohnt eine separate Seite mit interner Verlinkung.
Wie schnell sehe ich Ergebnisse, wenn ich für Query Fan-Out optimiere?
Erste Zitations-Verschiebungen in Gemini und Perplexity sehen wir bei unseren Kunden nach vier bis acht Wochen, sobald neue Abschnitte indexiert und in die Retrieval-Schicht aufgenommen sind. Stabile Präsenz über mehrere Teilfragen braucht drei bis sechs Monate, weil der Retriever Signale über wiederholte Abrufe konsolidiert.
---
Die Frage was ist Query Fan-Out lässt sich in einem Satz beantworten: ein Zerlegungs-Mechanismus, der aus einer Nutzerfrage mehrere parallele Teilfragen macht und damit die Sichtbarkeit in KI-Antworten auf einzelne Passagen statt auf ganze Seiten verschiebt. Für Marken heißt das, dass jede Pillar-Seite als Cluster von Antworten auf Teilfragen gedacht werden muss, nicht als Antwort auf ein Fokus-Keyword. Wir bei rankprompt.de haben dafür eine Fan-Out-Simulation entwickelt, die pro Kern-Query die wahrscheinlichen Teilfragen erzeugt und die eigene Zitationsrate misst. Der schnellste Einstieg führt über unseren GEO-Guide 2026.
