Query Fan-Out: Wie aus einer KI-Suchanfrage Dutzende werden und was das für internationalen Content heißt

Query Fan-Out macht aus einer Frage mehrere Rechercheaufträge

Bei einer klassischen Suche gibt der Nutzer eine Anfrage ein und erhält eine Trefferliste. Ein KI-Suchsystem kann komplexer vorgehen: Es zerlegt die Ausgangsfrage in mehrere Teilfragen, sucht parallel nach passenden Informationen und setzt daraus eine Antwort zusammen.

Google bezeichnet dieses Vorgehen im Zusammenhang mit AI Mode als Query-Fan-Out-Technik. Entscheidend ist weniger, ob im Hintergrund tatsächlich 8, 20 oder 40 Abfragen laufen. Diese Zahl ist von außen normalerweise nicht zuverlässig sichtbar. Entscheidend ist die Logik: Eine ausführliche Frage erzeugt mehrere Informationsbedürfnisse.

Nehmen wir einen deutschen Einkaufsleiter, der fragt:

Welche industrielle Wärmepumpe eignet sich für einen Lebensmittelbetrieb in Frankreich, wenn wenig Platz vorhanden ist und sich die Investition in fünf Jahren amortisieren soll?

Darin stecken unter anderem diese möglichen Sub-Queries:

• industrielle Wärmepumpen für Lebensmittelbetriebe
• Platzbedarf verschiedener Bauarten
• französische Vorschriften und Fördermöglichkeiten
• Investitionskosten und Betriebskosten
• Amortisationsrechnung über fünf Jahre
• geeignete Anbieter für Frankreich
• Referenzen aus der Lebensmittelindustrie

Die KI muss nicht jede Teilfrage mit derselben Quelle beantworten. Sie kann technische Daten vom Hersteller, regulatorische Angaben aus einer französischen Institution und Kostenannahmen aus einer Branchenquelle kombinieren.

Du konkurrierst beim Query Fan-Out nicht nur um die Ausgangsfrage, sondern um jeden relevanten Zweig der Recherche.

Das lässt sich als vereinfachter Baum darstellen:

Ausgangsfrage
├── Anwendung und Branche
│   ├── Temperaturanforderungen
│   └── Hygieneanforderungen
├── Produkt und Technik
│   ├── Platzbedarf
│   └── Leistung
├── Markt Frankreich
│   ├── Vorschriften
│   └── Förderung
└── Wirtschaftlichkeit
    ├── Investition
    └── Amortisation

Dieses Baumdiagramm ist keine Rekonstruktion eines geheimen Algorithmus. Es ist ein Arbeitsmodell für die Content-Planung.

Eine Keyword-Map bildet die neue Suchlogik nur teilweise ab

Keywords bleiben nützlich. Sie zeigen Nachfrage, Wortwahl und klassische Suchintentionen. Das Problem beginnt, wenn ein Content-Briefing nur aus Hauptkeyword, Nebenkeywords und gewünschter Wortzahl besteht.

Längere KI-Suchen enthalten Kontext, Einschränkungen und Entscheidungskriterien. Laut einem Bericht von Search Engine Journal über Googles AI-Mode-Daten sind AI-Mode-Anfragen im Durchschnitt dreimal so lang wie traditionelle Suchanfragen. Nutzer formulieren eher ein Problem als eine knappe Wortkombination.

Eine Seite zum Keyword „industrielle Wärmepumpe“ kann deshalb gut ranken und trotzdem mehrere entscheidende Zweige offenlassen. Fehlen konkrete Angaben zu Einsatzgebiet, Markt, Kosten oder Auswahlkriterien, muss das System andere Quellen heranziehen.

Die Keyword-Map bleibt der Ausgangspunkt, aber die Teilfragen-Matrix wird zur eigentlichen Arbeitsfläche.

Ergänze pro Thema mindestens vier Spalten: Nutzerkontext, Entscheidungskriterium, mögliche Folgefrage und benötigter Beleg. So wird aus einem abstrakten Themencluster ein belastbarer Antwortplan.

Internationaler Query Fan-Out vervielfacht die möglichen Zweige

Bei internationalen Websites fächert sich eine Frage nicht nur thematisch auf. Sprache, Land und lokaler Marktkontext erzeugen zusätzliche Varianten.

„Frankreich“ in einer deutschen Frage kann bedeuten, dass der Nutzer deutschsprachige Beratung für den französischen Markt sucht. Eine französische Anfrage kann dagegen andere Fachbegriffe, Institutionen, Währungen, Maßeinheiten, Wettbewerber oder Erwartungen an Nachweise enthalten.

Eine bloße Übersetzung übernimmt häufig die Struktur des Ausgangsmarktes. Sie beantwortet dann zwar dieselben Sätze auf Französisch, aber nicht zwingend die Fragen französischer Entscheider. Genau deshalb muss internationale Content-Planung zwischen Sprache und Markt unterscheiden.

Für vier Märkte entsteht schnell ein großes Prüfset. Angenommen, ein Kernthema hat 8 relevante Teilfragen. Für Deutschland, Frankreich, UK und die USA ergeben sich rechnerisch 32 Kombinationen. Wenn du jede Kombination zusätzlich als Informations-, Vergleichs- und Kaufprompt prüfst, landest du bei 96 Prompt-Varianten.

Die Zahlen sind illustrativ. Aber die Logik hält.

Ein internationaler Master-Content liefert das gemeinsame Fundament, während lokale Module die marktspezifischen Fan-Out-Zweige schließen.

Das passt zu einem größeren Ziel: Internationale Marken müssen ihre fachliche Zuordnung in jedem Markt aufbauen. Warum technische Übersetzung dafür nicht genügt, zeige ich auch im Beitrag über Recognition statt Rankings.

Eine Teilfragen-Matrix macht Content für KI-Systeme nutzbarer

Starte mit einer realen Buyer-Frage, nicht mit einem isolierten Keyword. Zerlege sie anschließend in Entitäten, Bedingungen, Vergleiche, Risiken und Folgefragen.

Für jede Teilfrage legst du fest, welcher Seitentyp die beste Antwort liefern kann. Eine zentrale Produktseite muss nicht gleichzeitig Förderratgeber, technisches Datenblatt, Kostenrechner und Fallstudie sein. Ein sauber verlinktes Cluster kann diese Aufgaben verteilen.

In der Praxis würde ich fünf Schritte nutzen:

1. Ausgangsfrage mit Branche, Rolle, Markt und Einschränkung formulieren.
2. Fachliche und marktbezogene Teilfragen sammeln.
3. Vorhandene Seiten jeder Teilfrage zuordnen.
4. Fehlende Antworten nach Nähe zur Kaufentscheidung priorisieren.
5. Fakten, Quellen und Aktualisierungsbedarf pro Seite dokumentieren.

Dabei zählen klare Entitäten. Schreibe nicht abwechselnd von „Lösung“, „System“ und „Technologie“, wenn ein konkreter Produkttyp gemeint ist. Benenne Anbieter, Produktkategorie, Einsatzgebiet und Markt eindeutig. Das erleichtert die maschinelle Zuordnung und hilft zugleich dem Leser.

Antwortblöcke sollten eine Teilfrage früh und direkt beantworten. Tabellen helfen bei echten Vergleichen. FAQ-Abschnitte eignen sich für klar abgegrenzte Folgefragen, dürfen aber keinen dünnen Haupttext kaschieren.

Guter Fan-Out-Content beantwortet viele zusammenhängende Teilfragen präzise, statt eine Seite künstlich mit möglichst vielen Formulierungen aufzublähen.

Auch Vertrauenssignale gehören dazu. Autor, Aktualität, nachvollziehbare Kriterien und belastbare Belege machen Aussagen zitierfähiger. Wie KI-Systeme solche Signale einordnen können, erläutere ich ausführlicher unter EEAT im KI-Zeitalter.

Nicht jeder Fan-Out-Zweig braucht eine eigene URL

Die Versuchung ist groß, aus jeder Teilfrage eine neue Seite zu machen. Das führt schnell zu Überschneidungen, dünnen Texten und internem Wettbewerb.

Entscheide stattdessen nach Eigenständigkeit. Hat eine Teilfrage eine eigene Suchintention, ausreichend Erklärungstiefe und einen klaren nächsten Schritt, kann eine eigene URL sinnvoll sein. Lässt sie sich in 100 bis 200 Wörtern vollständig beantworten, passt sie möglicherweise besser als Abschnitt auf eine bestehende Seite.

Für internationale Websites kommt eine zweite Entscheidung hinzu: Ist die Information sprachspezifisch oder marktspezifisch? Eine technische Definition kann zentral erstellt und fachlich sauber übertragen werden. Förderprogramme, rechtliche Vorgaben, Liefergebiete und lokale Referenzen brauchen dagegen marktbezogene Pflege.

Die richtige Einheit ist nicht „eine URL pro Sub-Query“, sondern „eine eindeutige, gepflegte Antwort pro relevantem Informationsbedarf“.

So bleibt die Architektur beherrschbar. Gleichzeitig können interne Links den Zusammenhang zwischen Überblick, Detailseite, Vergleich und lokaler Variante sichtbar machen.

Die Messung muss Prompts, Märkte und Citations trennen

Query Fan-Out lässt sich nicht vollständig von außen auslesen. Du kannst aber messen, bei welchen realistischen Ausgangsfragen deine Marke erwähnt und deine Domain zitiert wird.

Lege dafür ein stabiles Prompt-Set pro Sprache und Markt an. Ein kleines Beispiel wären 10 Kernthemen mit jeweils 3 Prompt-Typen in 4 Märkten. Das ergibt 120 Prompts. Segmentiere die Ergebnisse mindestens nach Engine, Land, Sprache, Mention und Citation.

Für die Messung der KI-Sichtbarkeit eignet sich Rankscale. Interessant ist nicht nur ein Gesamtscore, sondern die Frage, welche Prompt-Varianten Citations auslösen, welche URL verwendet wird und welche Wettbewerber bei denselben Fragen auftauchen.

Prüfe Veränderungen als Zeitreihe. Wenn deine französische Vergleichsseite nach einer Überarbeitung bei 6 von 20 relevanten Prompts zitiert wird statt zuvor bei 2, steigt die beobachtete Citation Rate in diesem Set von 10 auf 30 Prozent. Das beweist noch keinen Umsatzbeitrag, zeigt aber, dass die Seite häufiger als Quelle ausgewählt wird.

Miss Fan-Out-Abdeckung nicht als globale Zahl, sondern als Muster aus Prompts, Teilfragen, Märkten und verwendeten Quellen.

Genau hier treffen SEO und GEO (Generative Engine Optimization) zusammen. SEO sorgt dafür, dass Inhalte auffindbar, technisch zugänglich und thematisch geordnet sind. GEO erweitert die Aufgabe: Deine Inhalte müssen in den verschiedenen Zweigen einer generativen Recherche verständlich, belastbar und zitierfähig sein.

Die Konsequenz ist nicht das Ende des Keywords. Es ist das Ende der Vorstellung, ein Keyword allein beschreibe die ganze Frage.