Query Fan Out: Wie KI-Systeme intern recherchieren und was das für deine Content-Strategie bedeutet

Google AI Mode hat seit dem Roll-out Anfang 2025 über eine Milliarde monatlich aktive Nutzer erreicht. AI Overviews erscheinen mittlerweile bei 76% aller untersuchten Keywords in den USA. ChatGPT verarbeitet täglich rund 2,5 Milliarden Prompts.

Das sind keine akademischen Zahlen. Dahinter steckt eine einfache, für uns unangenehme Realität: Ein wachsender Teil der Informationssuche, der früher auf klassische SERPs geführt hat, landet heute in KI-generierten Antworten. Wer dort als Quelle genannt wird, gewinnt Sichtbarkeit und Vertrauen. Wer fehlt, existiert für diesen Nutzer in diesem Moment nicht.

Query Fan Out ist der technische Mechanismus, der darüber entscheidet, welche Seiten überhaupt in Betracht kommen. Wer diesen Mechanismus nicht versteht, optimiert an ihm vorbei.

Google definiert Query Fan Out in seiner offiziellen Search Central Dokumentation (zuletzt aktualisiert am 29. Juni 2026) so:

„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."

Kein Fachjargon, klare Aussage: Das System erzeugt gleichzeitig mehrere verwandte Suchanfragen, um seine Antwort abzusichern.

Das praktische Beispiel aus derselben Quelle: Jemand fragt „how to fix a lawn that's full of weeds." Das System feuert im Hintergrund unter anderem Queries wie „best herbicides for lawns", „remove weeds without chemicals" und „how to prevent weeds in lawn" ab, bevor es die sichtbare Antwort zusammenstellt.

Fanout ist kein neues Keyword-Konzept

Das Missverständnis, das gerade durch viele Beiträge geistert: Fanout-Queries wie Keywords zu behandeln und zu versuchen, sie einzeln in Texte einzubauen. Das greift zu kurz und wird in der Praxis schnell zu einem Problem.

Google hat in seinem AI-Optimization-Guide explizit davor gewarnt, für jede mögliche Fanout-Variation separaten Content zu erstellen. Das verstößt gegen die Richtlinien zu Scaled Content Abuse, wenn das primäre Ziel die Manipulation von Rankings ist.

Das ist wichtig genug, um es direkt auszusprechen: Viele der Ratgeber, die gerade unter dem Label „Fan Out Optimierung" publiziert werden, bewegen sich in einem Graubereich, der für deine Seite problematisch werden kann.

Fanouts sind Suchstrings, keine Nutzerqueries

Das ist der Kern, der die eigentliche Arbeitsperspektive definiert:

Ein reales Beispiel aus Peec.ai-Daten: „SEO Strategie Beratung Content Architektur technisches SEO Vergleich professionelle Ansätze SEO Strategie Content Architecture technical SEO agency approach."

Das wirkt auf den ersten Blick wie ein fehlerhaft zusammengeklebter Export – Deutsch und Englisch gemischt, unnatürlich lang. Aber genau darin liegt der Informationswert: Diese Query zeigt, welche semantischen Bausteine das System für relevant hält, wenn es ein Thema auffächert. Nicht: „Schreib diesen String in deinen Text." Sondern: „Dein Content muss SEO-Strategieberatung, Content-Architektur, technisches SEO, Vergleiche verschiedener Ansätze und das Beratungs- oder Agenturmodell abdecken – und das in beiden Sprachräumen."

Die richtige Frage ist nicht: „Wie optimiere ich auf diesen Suchstring?"

Die richtige Frage ist: „Welche Themenbausteine muss mein Content abdecken, damit er in diesem Entscheidungsraum überhaupt auftaucht?"

Der Ablauf

Wenn ein Nutzer eine Frage in Google AI Mode, ChatGPT Search oder Perplexity stellt, passiert im Hintergrund folgendes:

Schritt 1 – Intent-Analyse: Das Modell erkennt Hauptintention, Nebenfragen, Entitäten, Einschränkungen und mögliche Folgethemen der Anfrage.

Schritt 2 – Fanout-Generierung: Das System erzeugt mehrere Fanout-Queries, die verschiedene Aspekte abdecken: Definitionen, Vergleiche, Risiken, Implementierung, Kosten, Referenzen.

Schritt 3 – Paralleles Retrieval: Alle Fanouts werden gleichzeitig gegen verschiedene Indizes gefeuert: klassischer Webindex, Knowledge Graph, Produktdaten, Videoplattformen, lokale Daten.

Schritt 4 – Re-Ranking und Selektion: Die besten Fundstücke werden bewertet, dedupliziert und gewichtet.

Schritt 5 – Antwortsynthese: Das Modell schreibt eine Antwort und wählt unterstützende Quellen aus.

Die Unterschiede zwischen den Plattformen

Nicht alle KI-Systeme fächern gleich auf. Das macht in der Praxis einen Unterschied:

Google AI Mode generiert nach verfügbaren Feldbeobachtungen (u.a. Chris Long via LinkedIn, Nectiv) rund 9 Fanouts pro Anfrage. Deep Search, die tiefere Rechercheform innerhalb von AI Mode, kann laut Google selbst hunderte Sub-Queries abfeuern.

ChatGPT arbeitet deutlich konservativer. Peec.ai hat 20 Millionen ChatGPT-Fanout-Queries analysiert (Oktober 2025 bis Januar 2026) und kommt auf einen stabilen Wert von 2,3 bis 2,8 Fanouts pro Prompt. Was sich aber dramatisch verändert hat: die Länge der einzelnen Fanouts. Durchschnittlich verdoppelte sich die Wortanzahl pro Fanout von rund 6 Wörtern (Oktober 2025) auf rund 12 Wörter (Januar 2026). ChatGPT sucht weniger oft, aber wenn, dann präziser.

Ein weiterer Datenpunkt, der in der Diskussion oft fehlt: ChatGPT aktiviert seinen Web-Search-Mechanismus gar nicht bei jeder Anfrage. Nur rund 34% aller Prompts lösen laut Semrush eine externe Suche aus. Ende 2024 waren es noch 46 %. Nach einer von AI Peekaboo zitierten Analyse (ursprünglich von Nectiv, Oktober 2025) liegt dieser Wert bei bei lokalen Anfragen bei 59%, bei transaktionalen Anfragen bei 53,5%, bei rein informativen Fragen dagegen nur bei 18,7%. Das bedeutet: Für viele Wissensthemen, bei denen das Modell aus seinem Trainingsstand ausreichend antworten kann, feuert ChatGPT gar keine Fanouts ab.

Fanout vs. Grounding Queries: Ein Unterschied, den Bing sichtbar macht

Bing Webmaster Tools zeigt in seinem AI Performance Report eine verwandte, aber andere Datenkategorie: Grounding Queries. Cyrus Shepard hat das in seinem Framework klar beschrieben: Fanout-Queries suchen neue Informationen. Grounding Queries verifizieren bereits vorhandene Informationen im Antwortprozess. Beides ist verwandt, aber nicht identisch. Für die Praxis gibt es Überlappung - trotzdem sollte man die Begriffe nicht synonym verwenden.

Die Surfer-SEO-Studie (November 2025)

Surfer SEO hat 10.000 Keywords analysiert, daraus rund 33.000 Fanout-Queries per Gemini extrahiert und die Ergebnisse gegen AI-Overview-Zitierungen abgeglichen (173.902 URLs).

Die zentralen Zahlen:

• 76% der untersuchten Keywords lösten AI Overviews aus

• Seiten, die für Fanout-Queries ranken, werden 161% häufiger zitiert als Seiten, die nur für das Hauptkeyword ranken

• Die Spearman-Korrelation zwischen der Anzahl der Fanout-Queries, für die eine Seite rankt, und der Zitierwahrscheinlichkeit liegt bei 0,77 - das ist ein starker Zusammenhang

• 67,82% der in AI Overviews zitierten Seiten erscheinen weder für das Hauptkeyword noch für einen der Fanouts in den Top-10 der klassischen SERP

Diesen letzten Punkt sollte man genauer lesen: Er klingt wie ein Argument dafür, Fanout-Optimierung zugunsten von klassischem Ranking zu vernachlässigen. Ist er aber nicht. Er zeigt, dass AI Overviews aus einem deutlich breiteren Quell-Pool schöpfen als nur aus den Top-10-Ergebnissen der Hauptquery.

Die Ahrefs-Studie (aktualisiert März 2026, 1,9 Millionen Zitierungen)

Ahrefs bestätigt die Richtung und liefert einen interessanten Zeitverlauf: Im Juli 2025 kamen noch rund 76% der AI-Overview-Zitierungen aus den organischen Top-10 für die Originalquery. Im März 2026 war dieser Wert auf 38% gefallen.

Das bedeutet: Mit dem Wechsel auf Gemini 3 für AI Overviews spielen die Fanout-Query-SERPs eine größere Rolle in der Quellenauswahl als zuvor. AI Overviews verlassen sich weniger auf das direkte Ranking-Ergebnis und mehr auf das, was quer durch den Fanout-Prozess auftaucht.

Die entscheidende Einschränkung, die viele Artikel weglassen

Die Surfer-Studie selbst nennt eine Zahl, die die Begeisterung für direkte Fanout-Optimierung erheblich dämpfen sollte: Nur 27% der Fanout-Queries bleiben bei wiederholten Anfragen konstant.

Das heißt: Drei von vier Fanouts, die du heute für einen Prompt siehst, sehen bei der nächsten Ausführung desselben Prompts anders aus. Fanouts sind probabilistisch. Sie variieren je nach Nutzerkontext, Modellversion, Datum und Personalisierung.

Daraus folgt: Wer auf spezifische Fanout-Strings optimiert, arbeitet nach einem Snapshot, der schon morgen nicht mehr gilt. Wer stattdessen das Thema breit und tief abdeckt, arbeitet auf eine Art Ziel, das stabil genug ist, um eine belastbare Strategie darauf aufzubauen.

Die Korrelation ist klar. Die Kausalität ist nicht beweisbar. Und das ist ein Unterschied, der zählt.

Bevor wir zu den Workflows kommen, eine ehrliche Einschätzung der verfügbaren Werkzeuge.

Was verfügbar ist

Für den deutschsprachigen Markt sind folgende Tools relevant:

Peec.ai (das ich selbst einsetze): Zeigt für ChatGPT-Prompts die tatsächlich beobachteten Fanout-Queries und aggregiert diese über Prompt-Sets hinweg. Die neue Funktion für gebündelte Fanout-Ansicht über mehrere Prompts macht Muster sichtbar, die man bei der Einzelbetrachtung leicht übersieht.

Rankscale (nutze ich ebenfalls) hat Query Fan Out Tracking seit Oktober 2025 in die Plattform integriert. Die Funktion zeigt, welche Fanout-Queries AI-Systeme wie ChatGPT, Grok oder Perplexity beim Verarbeiten deiner getrackten Prompts generieren - nicht als isolierter Fanout-Generator, sondern eingebettet in dein bestehendes Brand- und Wettbewerbs-Monitoring. Der Vorteil gegenüber Standalone-Tools: Du siehst die Fanouts im Kontext deines Prompt-Sets und kannst sie direkt mit Brand Visibility, Source Visibility und Competitor-Daten verknüpfen. Wer ohnehin mit Rankscale arbeitet, erspart sich damit ein separates Tool für diesen Analyseschritt.

QueryFan (queryfan.com): Synthethischer Fanout-Generator, der auf OpenAI- oder Gemini-API-Schlüsseln basiert. Gut für einen ersten strukturierten Überblick. Benötigt API-Zugang.

Qforia (iPullRank): Speziell auf Google AI Overviews und AI Mode ausgerichtet. Kann mehrere Queries auf einmal verarbeiten. Ebenfalls API-abhängig.

queryfanout.ai und das kostenlose Fan-Out-Tool von Otterly.ai (https://geo.otterly.ai/geo/ai-query-fan-out/) Beide bieten Fanout-Analysen ohne API-Schlüssel.

Bing Webmaster Tools (AI Performance Report): Zeigt Grounding Queries für eigene URLs. Kostenlos, aber auf das Bing/Copilot-Ökosystem begrenzt.

Google Search Console: Hat seit Juni 2026 einen separaten Report für generative AI Features unter search.google.com/search-console/performance/search-analytics/ai. Zeigt Impressionen und Klicks aus AI Overviews und AI Mode – aber keine Fanout-Queries oder Grounding-Daten.

Sonderfall Keyword Insights: Kein Fanout Tool, hat aber eine sehr gute Clustering-Funktion, die sich - das ist Cyrus Shepards Empfehlung - auch auf Fanout-Listen anwenden lässt, um Muster und Intent-Cluster zu identifizieren.

Das Grundproblem, das keines dieser Tools löst

Google exponiert seine intern generierten Fanout-Queries nicht. Semrush hat das in einem Experiment explizit festgehalten: Es gibt derzeit keine Möglichkeit, exakt zu wissen, welche Fanout-Queries Google AI Mode dynamisch generiert.

Was die Tools dir zeigen, ist entweder:

• Ein synthetischer Fanout, der von einem LLM simuliert wurde (QueryFan, Qforia, generative Eigenversuche)

• Ein beobachteter Fanout aus ChatGPT Search oder Perplexity (Peec.ai), der aber nicht auf Google AI Mode übertragbar ist

Das heißt nicht, dass diese Daten wertlos sind. Es heißt, dass du sie als semantischen Kompass, nicht als präzise Keyword-Liste verwenden solltest.

Cyrus Shepard hat im Juni 2026 ein Framework veröffentlicht, das schon durch die SEO-Community gegangen ist. Es ist solide, transparent beschrieben und operativ direkt anwendbar. Der Prozess:

1. Ein Keyword nehmen, für das man bereits rankt

2. Fanout-Queries sammeln

3. Die wichtigsten Fanout-Themen bestimmen

4. Die bestehende Seite optimieren oder neue Seiten erstellen

5. Die Ergebnisse messen

Zwei Dinge will ich explizit anerkennen, bevor ich sage, wo ich das Framework für unvollständig halte.

Der Startpunkt - ein Keyword, für das du bereits rankst - ist nicht willkürlich gewählt. Cyrus stützt ihn auf Daten: Ranking in den organischen Top-10 ist nach wie vor der stärkste einzelne Prädiktor für AI-Zitierungen. Er zitiert Ahrefs (38% der AI-Overview-Zitierungen kommen aus den Top-10), AirOps (ChatGPT zitiert Seiten auf Rang 1 in 43,2% der Fälle) und Semrush (82% Überschneidung zwischen Perplexity-Antworten und Googles Top-10). Das ist ein gut begründeter Ausgangspunkt. Und er warnt im selben Artikel ausdrücklich davor, für jeden Fanout blind neue Seiten zu erstellen - das ist ihm wichtig genug, um es als eigenen Hinweisblock hervorzuheben.

Wo es trotzdem nicht weit genug geht:

Engpass 1: Das Framework geht von einzelnen Keywords aus, nicht von Entscheidungssituationen. Ein Keyword, für das du bereits rankst, ist ein bequemer, aber kein strategischer Ausgangspunkt. KI-Systeme antworten auf Prompts, auf Nutzerkontexte, auf Entscheidungsfragen. Wer Fan-Out-Coverage von einer bereits rankenden Seite aus aufbaut, optimiert für den Status quo. Wer von einem Prompt-Set ausgeht, das die Situationen abbildet, in denen er als Quelle auftauchen will, kommt von einem offensiveren Ausgangspunkt - und landet an einem anderen Ort.

Engpass 2: Der Messpunkt ist zu dünn. „Measure the results" öffnet eine Tür, ohne zu zeigen, was dahinter liegt. Das Attributionsproblem wird nicht adressiert: Fanouts sind probabilistisch, AI-Antworten ändern sich laut Ahrefs bei 70% der Queries bei jeder Ausführung, und Korrelation zwischen einer Maßnahme und einer Veränderung in der Zitierrate ist nicht dasselbe wie Kausalität. Messen ist schwieriger als der Abschlussschritt des Frameworks andeutet. Dazu gleich mehr.

Der produktivere Rahmen für diese Arbeit dreht den Ausgangspunkt um: Nicht von einem Keyword zu seinen Fanouts, sondern von einem Prompt-Set als Marktmodell zu einer Relevanzkarte über das gesamte Content-Portfolio.

Das nenne ich Fan-Out Coverage Mapping.

Schritt 1: Vom Keyword zum Prompt-Set

Statt zu fragen „Welche Fanouts hat das Keyword ‚SEO Beratung'?" frage ich: „In welchen Entscheidungssituationen soll feller.systems von KI-Systemen als relevante Quelle erkannt werden?"

Das Prompt-Set ist dann kein Reporting-Dashboard, sondern ein Modell eines strategischen Sichtbarkeitsraums. Für einen B2B-SEO-Berater könnte das so aussehen:

• „Welche externe SEO-Beratung macht für ein B2B-Unternehmen mit komplexer Website Sinn?"

• „Was kostet ein SEO-Audit für einen Online-Shop mit 50.000 Produktseiten?"

• „Wann ist ein SEO-Freelancer besser als eine SEO-Agentur?"

• „Wie erkenne ich einen guten SEO-Consultant?"

• „Welche Kennzahlen sollte ich nach einem Relaunch tracken?"

Das sind echte Entscheidungsfragen - keine Keyword-Varianten.

Schritt 2: Fanouts aggregieren, nicht einzeln bewerten

Du sammelst dann Fanout-Queries nicht für einen Prompt, sondern über das gesamte Prompt-Set hinweg. Peec.ai ermöglicht genau das: Die gebündelte Ansicht über mehrere Prompts, filterbar nach Plattform und Muster.

Was entsteht, ist keine Keyword-Liste. Es ist eine semantische Rohdatenbasis.

Schritt 3: Semantisch clustern, nicht nach Wortlaut sortieren

Hier liegt die methodisch wichtigste Abweichung vom klassischen Keyword-Denken. Die Fanout-Strings werden nicht nach Ähnlichkeit der Formulierung geclustert, sondern nach ihrer Funktion im Antwortprozess:

Das sind die semantischen Bausteine, aus denen KI-Antworten gebaut werden. Ein Thema, das in deinem Content alle acht Cluster abdeckt, ist deutlich stärker positioniert als eines, das nur Definition und Umsetzung abdeckt.

Schritt 4: Fanout-Cluster gegen Content-Portfolio mappen

Jetzt wird der eigentliche strategische Wert sichtbar. Du legst die Cluster-Struktur über dein bestehendes Content-Portfolio:

Die dritte Kategorie - zitiert, aber dünn - ist der produktivste Ansatzpunkt. Die Quelle ist im Retrieval-Prozess schon sichtbar. Eine gezielte Ergänzung mit einem klaren Antwortblock, einer Tabelle oder einem Praxisbeispiel kann die Zitierhäufigkeit und -qualität verbessern, ohne neuen Content zu produzieren.

Fallbeispiel: Online-Händler für Büromöbel (DACH, ca. 15.000 Produkte)

Annahmen: Etablierter Online-Händler, Hauptzielgruppe B2B (Einrichtung von Büros), organischer Traffic überwiegend über klassische Produktkeywords, keine AI-Search-Präsenz bis dato.

Ausgangsprompt im Prompt-Set: „Welche ergonomischen Bürostühle eignen sich für Büros, in denen Teams 8 Stunden täglich sitzen?"

Beobachtete Fanout-Cluster (aus ChatGPT-Fanouts, aggregiert über 12 ähnliche Prompts):

Coverage-Ergebnis: 3 von 8 Clustern abgedeckt, 2 davon dünn.

Priorität 1 - Quick Win: Die B2B-Beratungslandingpage ist schon vorhanden und wird gelegentlich als Quelle gezogen, liefert aber keinen klaren Antwortblock. Ergänzung: Eine direkte Antwort im ersten Absatz der Seite, eine Entscheidungsmatrix (Team unter 10 Personen / über 50 Personen) und ein konkreter Fallablauf für Sammelbestellungen.

Priorität 2 - Neuer Content: Cluster „Auswahl & Entscheidung" und „Kosten & ROI" fehlen komplett und sind transaktionsnah. Ein einzelner Ratgeberartikel mit einer Einkaufs-Checkliste und einem realistischen Budgetrahmen (300 bis 600 Euro pro Stuhl für Qualitätsergonomie, 10 bis 20% Mengenrabatt ab 10 Stück, typischer Abschreibungszeitraum 7 Jahre) deckt beide Cluster.

Nicht-Priorität: Cluster „Belege & Studien" ist informationsnah, nicht transaktionsnah. Kein eigenständiger Content, aber 2 Sätze mit Quellenangabe auf der Ratgeberseite reichen.

Geschätzter Aufwand für Priorität 1 und 2: 1 halber Arbeitstag Konzept, 1 Tag Texterstellung und CMS-Einpflege. Die Alternative - ein Fan-Out-Tool zu abonnieren und jeden Cluster reflexartig mit neuem Content zu befüllen - würde das falsche Problem lösen.

Nicht das Tool ist der Hebel. Der Prozess ist der Hebel.

Schritt 5: Entscheiden, nicht reflexartig produzieren

Nicht jeder identifizierte Cluster braucht eine neue Seite. Das ist die Falle, in die Fan-Out-Frameworks führen können.

Die Entscheidungslogik:

• Starke bestehende URL deckt Cluster gut ab → nichts tun oder minimal schärfen

• Bestehende URL deckt Cluster teilweise ab, aber unstrukturiert → Antwortbox, Tabelle, FAQ ergänzen

• Mehrere Seiten behandeln Teilaspekte verstreut → Hub-Seite oder interne Verlinkung verbessern

• Cluster mit hohem Business-Wert fehlt komplett → neue Seite erstellen

• Cluster ist generisch oder ohne Lead-Relevanz → beobachten, nicht priorisieren

Das ist der Teil, den die meisten Artikel zu Query Fan Out nicht schreiben. Und er ist für deutschsprachige SEOs erheblich relevanter als alle Optimierungstipps zusammen.

Peec.ai hat über 20 Millionen ChatGPT-Fanout-Queries aus mehr als 10 Millionen Prompts analysiert und dabei einen konsistenten Befund festgestellt: 43% der Fanout-Queries, die ChatGPT Search im Hintergrund abfeuert, laufen auf Englisch - auch wenn der ursprüngliche Prompt auf Deutsch, Polnisch, Spanisch oder einer anderen Sprache formuliert war.

Noch deutlicher: Bei 78% aller nicht-englischen Prompt-Ausführungen enthielt das Fanout-Set mindestens eine englischsprachige Sub-Query.

Das hat direkte Konsequenzen, die Peec.ai mit konkreten Beispielen belegt:

• Deutsche Prompts über deutsche Softwareunternehmen → ChatGPTs Antwort listete keine deutschen Unternehmen

• Polnische Prompts über Auktionsportale → Allegro.pl, Polens dominante Plattform, tauchte kaum auf; eBay und globale Anbieter dominierten

• Spanische Prompts über Kosmetikmarken → erster Fanout auf Englisch, zweiter auf Spanisch, aber mit dem Zusatz „globales", einem Qualifier, der im ursprünglichen Prompt nie vorkam

Die Mechanik dahinter: ChatGPT startet seine Fanout-Queries typischerweise in der Sprache des Prompts und ergänzt dann englischsprachige Sub-Queries. Die englischsprachigen Fanouts ziehen englischsprachige Quellen. Rein deutschsprachiger Content kommt für diese Fanout-SERPs gar nicht erst in Betracht.

Das ist kein Optimierungsproblem, das man mit besserer Strukturierung löst. Es ist eine strukturelle Eigenschaft des Systems.

Was das für deine Content-Strategie bedeutet:

Wer im DACH-Markt auf ChatGPT-Sichtbarkeit optimiert, sollte prüfen, ob wichtige Themen auch englischsprachig abgedeckt sind - sei es durch eigenen englischen Content, durch Präsenz auf englischsprachigen Plattformen oder durch zumindest terminologische Abdeckung beider Sprachräume auf deutschen Seiten.

Das ist kein Argument dafür, jetzt alle deutschen Seiten in englische umzuschreiben. Es ist ein Argument dafür, bei wichtigen Transaktions- und Vertrauensthemen die englischsprachige Begriffswelt zumindest strukturell abzudecken: In einem Glossar-Abschnitt, in einer Terminologietabelle, in einem FAQ-Block, der auch englische Fachbegriffe aufgreift.

Google AI Mode verhält sich in dieser Hinsicht übrigens anders. Das System ist stärker auf lokale Märkte optimiert und fächert in Deutschland typischerweise auf Deutsch auf. Wer primär auf Google AI Visibility abzielt, hat hier einen anderen Ausgangspunkt als wer auf ChatGPT-Zitierungen optimiert.

Hier liegt die ehrliche Grenze des Fan-Out-Ansatzes.

Was du messen kannst

Google Search Console, AI Features Report: Seit Juni 2026 zeigt GSC unter dem Suchtyp „Web" separat, wie oft URLs in AI Overviews und AI Mode erschienen sind. Keine Fanout-Query-Daten, aber immerhin ein eigener Report. Die URL: search.google.com/search-console/performance/search-analytics/ai

Bing Webmaster Tools, AI Performance Report: Zeigt Grounding Queries für eigene URLs, also die Queries, mit denen Copilot Aussagen auf deinen Seiten abgesichert hat. Besser als nichts, aber Copilot ist nicht Google.

AI-Visibility-Tools (Peec.ai, Rankscale, Otterly): Tracking von Brand-Mentions, Quellenzitierungen und Prompts über Zeit. Das sind keine direkten Fan-Out-Metriken, aber sie zeigen, ob sich deine Sichtbarkeit als Quelle verändert.

Klassisches SEO-Monitoring: Rankings für Haupt-Queries und semantisch verwandte Themen. Nach wie vor notwendig – nicht als Ersatz für AI-Monitoring, sondern als Basis.

Was du nicht messen kannst

Du kannst nicht belastbar messen, ob eine bestimmte Fan-Out-Optimierungsmaßnahme eine Verbesserung deiner AI-Zitierrate verursacht hat.

Der Grund: Zu viele Variablen ändern sich gleichzeitig. AI-Overview-Content wechselt laut einer Ahrefs-Untersuchung in 70% der Fälle bei wiederholter Ausführung desselben Prompts. Wenn sich Zitierungen verändern, kann das an deiner Optimierung liegen – oder an einem Modell-Update, einem SERP-Shift, saisonalen Einflüssen oder dem schlichten Zufallselement in der probabilistischen Antwortgenerierung.

Korrelation ist hier das Maximum. Kausalität ist selten beweisbar. Das macht Fan-Out-Optimierung nicht wertlos, aber es macht übertriebene Versprechen – „mit dieser Methode steigerst du deine AI-Zitierungen um X%" – zu dem, was sie meistens sind: Verkaufsmaterial.

Wenn du es nicht messen kannst, steuerst du nach Gefühl. Das gilt hier besonders: Ohne Baseline-Messung vor deinen Maßnahmen kannst du nicht einmal beobachten, ob sich etwas verändert hat.

Die realistische Messkette:

1. Prompt-Set definieren, Baseline-Sichtbarkeit messen (Brand Visibility, Source Visibility)

2. Fan-Out Coverage Mapping durchführen, priorisierte Maßnahmen ableiten

3. Maßnahmen implementieren

4. Nach 6-8 Wochen Sichtbarkeitsveränderungen beobachten

5. Muster identifizieren (nicht: Kausalitäten behaupten)

Das ist keine schöne Messmethodik. Es ist die ehrliche.

Eine kurze Einordnung zur medialen Lage, weil das dazu gehört: Query Fan Out ist seit Anfang 2026 das am häufigsten genannte Konzept in SEO-Newslettern, LinkedIn-Posts und Agentur-Blogbeiträgen. Das schafft Druck. Das Gefühl, man müsse jetzt sofort ein Fan-Out-Tool abonnieren, seine Content-Strategie komplett umbauen und für jede mögliche Sub-Query neuen Content produzieren, ist präzise das FOMO, das Beratungs- und Tool-Anbieter gut brauchen können.

Die Realität ist ruhiger: Der Mechanismus ist real und relevant, aber er ist kein Bruch mit allem, was vorher galt. Wer soliden, thematisch tiefen, gut strukturierten Content auf einer technisch einwandfreien Website hatte, ist besser aufgestellt als die Masse derer, die jetzt Fan-Out-Optimierung als neue Disziplin kaufen.

Die Frage ist nicht „geht das?", sondern „lohnt sich das – und wie kontrollierst du es?"

Deep Search eskaliert das Problem

Google AI Mode hat mit Deep Search eine Funktion eingeführt, die denselben Fanout-Mechanismus „auf das nächste Level" bringt, wie Google es selbst beschreibt: hunderte Sub-Queries, rekursive Recherche über verstreute Quellen, vollständig zitierte Expertenberichte als Output.

Das bedeutet: Der Fanout-Baum wächst in die Tiefe. Fanouts fächern selbst wieder auf. Was heute als praktisch handhabbares Optimierungsthema beschrieben wird, skaliert in Richtung einer thematischen Vollabdeckung, die für Einzelseiten kaum noch erreichbar ist. Das begünstigt systematisch Domains mit breitem, tiefem und gut vernetztem Content-Portfolio.

Agentic Search ändert den Kontext

Der nächste Schritt nach Deep Search ist Agentic Search: KI-Systeme, die nicht nur recherchieren, sondern Aufgaben ausführen. Google demonstriert das bereits mit Ticketkauf und Restaurantreservierungen. ChatGPT bewegt sich in dieselbe Richtung.

Im agentischen Modus werden Fanouts nicht nur zur Informationssammlung verwendet, sondern als Beweiskette für eine Handlungsentscheidung. „Finde zwei erschwingliche Tickets für das Spiel am Samstag" löst einen Fanout über verfügbare Tickets, Preise, Bewertungen der Anbieter, Sicherheitsbewertungen und Transaktionsmöglichkeiten aus. Dein Content muss dann nicht nur informieren, sondern als Entscheidungsbaustein taugen.

Die unbequeme Frage: Wird Fanout-Optimierung weniger relevant?

ChatGPT aktiviert seinen Web-Search-Mechanismus nur noch in rund 31% aller Fälle. Semrush hat für Februar 2026 eine Aktivierungsrate von 34,5% gemessen, ein Rückgang gegenüber 46% Ende 2024.

Der Trend ist klar: Je leistungsfähiger das Modell selbst wird, desto weniger muss es suchen. Für rein informationale Anfragen, bei denen die Antwort im Trainingsdaten-Bestand liegt, aktiviert ChatGPT keine Suche. Fanout-Optimierung ist dann irrelevant.

Das heißt nicht, dass Fanout-Optimierung sinnlos ist. Es heißt, dass sie für die transaktionalen, aktuellen und spezifischen Anfragen besonders relevant bleibt, bei denen Systeme externe Quellen brauchen: Preise, Verfügbarkeiten, lokale Anbieter, aktuelle Studien, proprietäre Daten, Expertenmeinungen.

Wer generischen informativen Content für LLM-Sichtbarkeit optimieren will, optimiert für einen Anwendungsfall, der schrumpft. Wer entscheidungsnahmen, transaktionalen und spezifischen Content für AI-Sichtbarkeit optimiert, arbeitet in einem Bereich, der wächst.

Was tatsächlich kaum einer schreibt: Die Widersprüchlichkeit des Toolsatzes

Tools wie Peec.ai, Profound, Otterly und Rankscale zeigen alle „Fan-Out-Daten". Keines davon schaut direkt in die Systeme, die du optimieren willst.

Peec.ai zeigt tatsächlich beobachtete ChatGPT-Fanouts – das ist der direkteste verfügbare Datenpunkt für ChatGPT. Aber nicht für Google AI Mode.

QueryFan, Qforia und ähnliche Tools zeigen synthetisch erzeugte Fanouts – also was ein KI-System erzeugen könnte, nicht was es tatsächlich generiert.

Das ist keine Kritik an diesen Tools. Es ist eine Beschreibung ihres Charakters als Schätzungsmodelle. Wer das versteht, kann mit den Daten arbeiten. Wer erwartet, damit Googles interne Fanout-Generierung direkt zu sehen, wird enttäuscht.

Die häufigsten Fehler bei der Umsetzung:

Fanout-Strings wörtlich einbauen. Der längere, gemischtsprachige Suchstring als Zwischenüberschrift in den Artikel – das ist der direkteste Weg, Leser zu verlieren und Google keinen Gefallen zu tun.

Für jeden Fanout eine neue Seite. Das ist der Content-Farm-Weg. Er funktioniert kurz, wird bestraft mittel- und langfristig, und er beantwortet nicht, was Google in seinem Optimierungsleitfaden explizit warnt: Inhalte für Manipulation, nicht für Nutzer.

Fanout-Optimierung statt klassischer SEO. Indexierung, Crawlbarkeit, Page Experience, interne Verlinkung, hilfreiche Inhalte – das ist die Grundlage. Google sagt es direkt: Die gleichen SEO-Best-Practices, die für klassisches Search gelten, gelten für AI Features. Wer auf einem schwachen technischen Fundament beginnt, Fan-Out-Optimierung zu betreiben, priorisiert falsch.

Einmal Coverage Mapping, nie wieder. Fanout-Strukturen verändern sich mit Modell-Updates. Was heute die dominanten Cluster sind, kann in sechs Monaten anders aussehen. Coverage Mapping ist kein einmaliges Audit, sondern ein laufendes Monitoring-Instrument.

Query Fan Out ist kein neues SEO-Trendthema, das in sechs Monaten wieder vergessen wird. Es ist die technische Beschreibung dessen, wie KI-Suchsysteme heute tatsächlich funktionieren. Google hat es offiziell dokumentiert. Die Daten von Surfer SEO, Ahrefs und Peec.ai zeigen, dass Fanout-Coverage einen messbaren Zusammenhang mit AI-Zitierungen hat.

Aber der richtige Schluss aus diesen Daten ist nicht: „Ich brauche jetzt ein Fan-Out-Tool und erstelle für jeden Fanout eine neue Seite."

Der richtige Schluss ist: KI-Systeme recherchieren intern breit, bevor sie antworten. Wer als Quelle in möglichst vielen dieser internen Sub-Queries relevant ist, hat bessere Chancen, zitiert zu werden. Das funktioniert über thematische Tiefe und Breite, über klar strukturierte Antwortbausteine, über Entitätsabdeckung und über einen Content-Portfolio-Ansatz, der nicht bei einzelnen URLs denkt, sondern bei semantischen Clustern.

Der erste sinnvolle Schritt ist einfach: Nimm deine fünf wichtigsten kommerziellen Themen und überprüfe, welche Cluster - Definition, Wirkung, Risiko, Vergleich, Umsetzung, Kosten, Belege, Entitäten - auf deiner Website schon sauber abgedeckt sind und wo die Lücken liegen.

Was du dann findest, zeigt dir mehr über deine AI-Search-Readiness als jede Fanout-Query-Liste.

Wo steht dein Content-Portfolio im semantischen Retrieval-Raum deiner Themen?

Fan-Out Coverage Mapping zeigt dir, welche Cluster KI-Systeme für deine wichtigsten Themen intern abfragen - und wo deine Website dabei fehlt oder nur dünn abgedeckt ist.

In einem strukturierten Sparring arbeiten wir das gemeinsam durch: Mit deinem Prompt-Set, deinen konkreten Themen und einem klaren Bild, wo der nächste sinnvolle Schritt liegt.