Was passiert beim Query Fan-out Schritt für Schritt?

Das Fan-out ist die erste Stufe der gemeinsamen Pipeline (Retrieval → Grounding → Generierung → Zitation). Am Beispiel „welches Forderungsmanagement-System eignet sich für einen Mittelständler mit SAP“: Das System formuliert intern Unterabfragen — Definition der Kategorie, Auswahlkriterien, SAP-Integration, Preise, Vergleiche, Erfahrungsberichte, Anforderungen des Mittelstands. Für jede wird separat gesucht, Passagen werden als Kandidaten abgerufen und erst danach verankert, verdichtet und zitiert. Die Nutzerfrage ist die Spitze eines Fragenbaums; das Fan-out ist der Baum.

Warum verändert das die Content-Planung?

Klassische SEO-Planung dachte in Keywords: eine Seite pro Suchbegriff. Das Fan-out denkt in Clustern: Eine einzige komplexe Frage erzeugt ein Dutzend Unterabfragen, und die Antwort wird aus Passagen vieler Seiten zusammengesetzt. Eine Seite, die nur die Definition abdeckt, nimmt an genau einer Unterabfrage teil; eine Seite mit Direktantwort, Kriterien-Liste, Vergleichstabelle, Preisblock und FAQ ist in fünf bis sieben Unterabfragen gleichzeitig Kandidat. Die Folge: Seiten werden nicht mehr nach Suchvolumen einzelner Begriffe geplant, sondern nach der Abdeckung des Fragenbaums — gemessen wird das als semantische Abdeckung, eine der vier Dimensionen des offenen Standards.

Wie rekonstruiert man das Fan-out der eigenen Kategorie?

  1. Zehn bis zwanzig echte Käuferfragen aus Vertrieb und Support sammeln — komplexe, keine Ein-Wort-Anfragen.
  2. Jede Frage an Google AI Overviews, ChatGPT und Perplexity stellen und die Antworten sezieren: Welche Aspekte werden behandelt? Das sind die Unterabfragen.
  3. Die Aspekte über alle Antworten hinweg in Cluster ordnen: Definition, Kriterien, Vergleich, Preis, Umsetzung, Reputation.
  4. Mit dem eigenen Content abgleichen: Für jeden Cluster notieren — abgedeckt, dünn abgedeckt, fehlend.
  5. Die fehlenden Cluster bilden die priorisierte Content-Roadmap; das Gesamtset ergibt Ihr Mess-Fragenset von 50 bis 100 Fragen.

Wie baut man Seiten, die das ganze Fan-out abdecken?

Das Muster ist stabil: H1 als Kernfrage; direkt darunter die Direktantwort von 40 bis 80 Wörtern für die Definition-Unterabfrage; H2-Abschnitte in Frageform für jede weitere Unterabfrage („woran erkennt man…“, „was kostet…“, „wie unterscheidet sich… von…“); mindestens eine Vergleichstabelle für die X-oder-Y-Unterabfragen; eine nummerierte Liste für Verfahrensfragen; eine FAQ mit den wörtlichen Formulierungen der Käufer. Jeder Abschnitt muss allein extrahierbar sein — ohne „wie oben gezeigt“, ohne Pronomen ohne Referenz. Genau diese Disziplin beschreibt Antwort-Engineering.

Wie hängt Fan-out mit Embeddings zusammen?

Das Matching zwischen Unterabfrage und Passage läuft nicht über wörtliche Begriffe, sondern über semantische Ähnlichkeit: Vektoren statt Keyword-Strings. Eine Unterabfrage „Kosten“ matcht auch eine Passage über „Preismodelle“, weil beide im Vektorraum nah beieinander liegen. Für Autoren heißt das: Schreiben Sie im Begriffsfeld Ihrer Käufer, decken Sie Synonyme und Umschreibungen ab und halten Sie jeden Abschnitt thematisch scharf — ein Absatz, der drei Themen mischt, hat zu jedem nur schwache Ähnlichkeit. Details siehe Vektor-Embeddings.

Typische Fallen

Erste Falle: Fan-out mit Keyword-Stuffing verwechseln — die Engine zerlegt Fragen, sie belohnt keine wiederholten Begriffe. Zweite: nur die eigene Vermutung über Unterfragen abbilden statt die echten Antworten zu sezieren; das Fan-out ist empirisch beobachtbar, man muss es nicht raten. Dritte: breite Seiten ohne eigenständige Abschnitte bauen — Länge ohne Struktur erzeugt keine zusätzlichen Kandidaten. Vierte: die Abdeckung einmalig prüfen; neue Modellversionen (Gemini 3, seit Januar 2026 Standard) zerlegen tiefer, der Fragenbaum wächst. Fünfte: Deckung ohne Zitierfähigkeit — ein abgedeckter Cluster mit unbelegtem Text verliert die Passage trotzdem beim Grounding. Zur Messung siehe das Mess-SOP.

Häufige Fragen

Kann man die Unterabfragen direkt auslesen?
Nicht vollständig, aber zuverlässig rekonstruieren: Die Antworten der Engines auf komplexe Fragen zeigen die abgedeckten Aspekte — das sind die Unterabfragen. Wer zehn bis zwanzig Antworten seiner Kategorie seziert und clustert, besitzt eine belastbare Fan-out-Karte.
Ersetzt das Fan-out die Keyword-Recherche?
Es verlagert sie: Statt Volumen einzelner Begriffe zählt die Abdeckung der Fragen-Cluster. Keyword-Daten bleiben ein Eingangssignal, der Plan wird aber am Fragenset ausgerichtet — 50 bis 100 echte Käuferfragen, gruppiert in Cluster.
Warum hilft eine Vergleichstabelle so oft?
Weil „X oder Y“ und „bester für Z“ fast jede Fan-out-Kaskade enthält. Eine Tabelle beantwortet diese Unterabfrage in einem direkt extrahierbaren Format — sie ist das meistzitierte Strukturelement bei Vergleichsfragen.