Was ist Query Fan-out (Anfragen-Auffächerung)

Der Name beschreibt die Bewegung: Eine Anfrage geht hinein, mehrere gehen hinaus. In der klassischen Suche tippte die Person eine Zeichenkette ein, und das System lieferte eine für diese Zeichenkette sortierte Linkliste. Bei KI-generierten Antworten ist dieser Zwischenschritt nicht mehr einzeln. Das System deutet die Absicht, formuliert von sich aus die Hilfsfragen, die zur Beantwortung nötig sind, und ruft für jede einzelne davon Dokumente ab.

Zwei ähnliche Dinge sind davon zu trennen. Es ist nicht die Synonymerweiterung, die Suchmaschinen seit Jahrzehnten anwenden, denn dort blieb es bei einer einzigen Suche mit lexikalischen Varianten. Es sind auch nicht die Vorschläge unter dem Ergebnis, denn die richten sich an den Nutzer und sind keine Anfragen, die das System bereits ausgeführt hätte. Beim Fan-out werden die abgeleiteten Suchen wirklich ausgeführt, und die Antwort entsteht aus deren Ergebnissen.

Die praktische Folge verschiebt den Gegenstand der Optimierung. Deine Seite konkurriert nicht mehr um den Satz, den jemand eingetippt hat, sondern um eine Menge abgeleiteter Fragen, die nie jemand getippt hat. Du kannst für die ursprüngliche Anfrage das erste Ergebnis sein und in der Antwort trotzdem nicht zitiert werden, weil sich das Zitat in den Teilanfragen entscheidet.

Der Vorgang läuft zwischen Frage und Antwort ab, ohne dass der Nutzer ihn sieht. Das System liest die Anfrage, leitet ab, was zur Beantwortung bekannt sein müsste, und erzeugt eine Menge von Hilfssuchen. Diese Suchen laufen gegen den Index und gegen weitere Datenquellen, und jede liefert ihre eigene Dokumentmenge.

Die Ableitungen folgen erkennbaren Mustern. Es gibt gleichwertige Umformulierungen derselben Frage, allgemeinere und speziellere Fassungen, die kanonische Form eines Produkt- oder Markennamens, Übersetzungen in eine andere Sprache, Anschlussfragen, die der Nutzer danach stellen würde, und Klärungsfragen, wenn die Anfrage mehrere Lesarten zulässt. Eine kommerzielle Frage aus drei Wörtern kann so ein Dutzend interner Suchen erzeugen.

Hier liegt die ehrliche Grenze der Sache: Es gibt keine Möglichkeit zu sehen, welche Teilanfragen abgesetzt wurden. Googles Dokumentation beschreibt den Mechanismus, aber der Leistungsbericht der Search Console fasst den Verkehr dieser Oberflächen unter dem Suchtyp Web zusammen, mit den normalen Klick- und Impressionsregeln und ohne Aufschlüsselung nach Teilanfrage. Eine Anschlussfrage im KI-Modus zählt als neue Anfrage, und die Experimente aus Search Labs bleiben aus den Daten heraus. Jedes Werkzeug, das dir „die echten Teilanfragen" zeigt, zeigt eine eigene Rekonstruktion und keine Messung aus der Quelle. Du kannst begründete Hypothesen darüber bilden, welche Hilfsfragen existieren; an der Quelle überprüfen kannst du sie nicht.

Davon hängt die Entscheidung ab, wie du ein Thema auf Seiten verteilst. Wenn die Suchmaschine eine Frage mit zehn Hilfssuchen löst, kommt eine Seite, die nur einen Aspekt gut abdeckt, höchstens in einer davon vor. Eine Seite, die das ganze Thema behandelt und für jede absehbare Teilfrage einen klaren Abschnitt hat, kann in mehreren vorkommen und innerhalb derselben Antwort öfter zitiert werden.

Das drückt in die Gegenrichtung zur Gewohnheit, für jede Keyword-Variante eine eigene URL anzulegen. Zehn fast identische Seiten über Nuancen derselben Frage teilen die Autorität auf und konkurrieren untereinander um dieselben Ableitungen. Eine gut gegliederte Seite mit ausreichend Kontext deckt das Spektrum besser ab.

Die zweite Entscheidung betrifft die Messung und das, was du einem Kunden zusagst. Weil die Teilanfragen nicht beobachtbar sind, lässt sich weder ein Positionsbericht je Teilanfrage bauen noch die Abdeckung eines Prozentsatzes des Spektrums versprechen. Messbar ist dagegen das Auftauchen deiner Marke und deiner URLs in echten Antworten, indem du Fragen wiederholst und festhältst, was zitiert wird. Das ist der belegbare Indikator, und man legt ihn besser auf den Tisch, bevor jemand nach dem anderen fragt.

• Gliedere jede Seite nach Fragen: eine Überschrift, die die Teilfrage formuliert, und darunter die direkte Antwort in den ersten Sätzen, vor der Ausführung.
• Führe die Nuancen eines Themas auf einer URL zusammen, statt sie auf fast gleiche Varianten zu verteilen, die miteinander konkurrieren.
• Schreibe den Kontext explizit hin, den die Maschine nicht ableiten kann: auf welchen Markt, welche Währung, welche Rechtslage und welchen Zeitraum sich deine Daten beziehen.
• Benenne Entitäten in ihrer kanonischen Form (Marke, Produkt, Ort) und halte diese Form auf der gesamten Website konstant, denn eine der typischen Ableitungen ist genau die Kanonisierung.
• Decke die Anschlussfragen auf derselben Seite ab: Preis, Alternativen, Voraussetzungen, Fristen und die üblichen Einwände.
• Miss, was sich messen lässt: Sichere KI-Antworten, in denen deine Marke vorkommt, mit Modell und Datum, und vergleiche die Reihe über die Zeit.

• Eine von einem Werkzeug erzeugte Liste von Teilanfragen wie ein Datum der Suchmaschine behandeln und darauf Inhalte planen, ohne sie als Hypothese zu kennzeichnen.
• In einem Angebot Positionsberichte je Teilanfrage versprechen, was heute keine öffentliche Quelle überprüfbar macht.
• Dünne URLs vervielfachen, eine je Fragevariante, sodass keine vollständig genug ist, um in mehreren Ableitungen vorzukommen.
• Die Antwort unter Einleitung, historischem Kontext und Rechtshinweis begraben, sodass die zitierfähige Passage in der Mitte des Dokuments steht.
• Annehmen, ein guter Platz in der Liste der blauen Ergebnisse garantiere das Zitat in der generierten Antwort, obwohl sich beides in verschiedenen Anfragen entscheidet.