ChatGPT und andere LLMs suchen nicht wie Menschen. Sie nutzen Fan-out Queries: mehrere parallele Suchanfragen, um Informationen schnell und umfassend zu sammeln.
Zusammenfassung
ChatGPT löst eine Anfrage nicht mit einer einzelnen Suche. Das System schreibt sie in mehrere gezielte Suchanfragen um (Fan-out Queries), sammelt Ergebnisse aus verschiedenen Perspektiven und synthetisiert sie zu einer Antwort. Für Content-Strategien heisst das: Wer bei mehreren dieser Sub-Queries auftaucht, wird mit höherer Wahrscheinlichkeit zitiert. Dieser Artikel erklärt den Mechanismus, ordnet ihn anbieterübergreifend ein und zeigt konkrete Optimierungsansätze.
Was sind Fan-out Queries?
Wenn Sie ChatGPT eine Frage stellen, die aktuelles Wissen erfordert, läuft im Hintergrund mehr als eine einzelne Google-Suche. Das System "fächert" die Anfrage in mehrere parallele Suchanfragen auf. OpenAI beschreibt das im eigenen Help Center: ChatGPT schreibt Ihre Anfrage in eine oder mehrere gezielte Suchanfragen um und nennt das selbst query fanout.
Ein Beispiel: Sie fragen "Welche nachhaltigen Tourismusanbieter gibt es in der Schweiz?"
So könnte ein Fan-out illustrativ aussehen (konstruierte Beispiele, keine Logs):
- "nachhaltige Reiseveranstalter Schweiz"
- "Eco-Tourism Schweiz Anbieter"
- "zertifizierte nachhaltige Hotels Schweiz"
- "umweltfreundliche Aktivitäten Schweizer Alpen"
Warum mehrere Suchanfragen?
Die Strategie hat drei Vorteile gegenüber einer einzelnen Suche:
- Verifikation: Wenn mehrere unabhängige Quellen dieselbe Information liefern, steigt die Vertrauenswürdigkeit. Fan-out Queries erlauben Cross-Referencing automatisch.
- Perspektiven: Unterschiedliche Formulierungen liefern unterschiedliche Ergebnisse. "Eco-Tourism" und "nachhaltiger Tourismus" führen zu verschiedenen, aber relevanten Websites.
- Abdeckung: Komplexe Fragen haben mehrere Dimensionen. Fan-out Queries decken diese systematisch ab und gehen damit über eine breite, aber oberflächliche Einzelsuche hinaus.
Das Muster ist nicht ChatGPT-spezifisch. Auch Google nutzt nach eigener Darstellung eine query fan-out technique, die eine Frage in Teilthemen zerlegt und gleichzeitig viele Suchanfragen absetzt. Perplexity zerlegt komplexe Fragen ebenfalls in Sub-Queries und macht die einzelnen Schritte oft sichtbar.
Wie funktioniert der Prozess?
Der typische Ablauf eines Fan-out Search:
- Query-Generierung: Das LLM analysiert die Nutzeranfrage und generiert mehrere spezifische Suchanfragen
- Parallele Suche: Alle Queries werden gleichzeitig an die Suchmaschine geschickt
- Ergebnis-Sammlung: Die Top-Ergebnisse jeder Suche werden gesammelt
- Deduplizierung: Identische URLs werden zusammengeführt
- Ranking: Quellen, die in mehreren Suchergebnissen erscheinen, werden höher gewichtet
- Content-Extraktion: Die relevantesten Seiten werden gecrawlt und analysiert
- Synthese: Das LLM erstellt eine Antwort basierend auf den extrahierten Informationen
Was bedeutet das für Ihre Content-Strategie?
Fan-out Queries verändern, welche Inhalte sichtbar werden. Drei Implikationen:
| Hebel | Warum es zählt | Beispiel |
|---|---|---|
| Keyword-Variationen | Fan-out Queries nutzen verschiedene Formulierungen. Wer nur einen Begriff abdeckt, verpasst Sub-Queries. | Neben "nachhaltiger Tourismus" auch "Eco-Tourism", "umweltfreundliches Reisen", "grüne Ferien" |
| Thematische Autorität | Wer bei mehreren parallelen Suchanfragen auftaucht, wird mit höherer Wahrscheinlichkeit als Quelle zitiert. | Ein breites Content-Cluster deckt mehr Sub-Queries ab als eine einzelne Seite. |
| Spezifische Unterseiten | Eine Hauptseite "Services" deckt selten alle Sub-Queries ab. Dedizierte Seiten für Teilaspekte sind stärker. | "Nachhaltige Bergtouren", "Eco-Hotels", "CO2-neutrale Anreise" |
Wie Sie diese Hebel konkret umsetzen, von Keyword-Variationen über thematische Autorität bis zur internen Verlinkung, zeigt der ausführliche Leitfaden dazu, wie Sie Ihre Website für ChatGPT optimieren.
Fan-out Queries in der Praxis analysieren
Das Fan-out-Verhalten lässt sich teilweise direkt nachvollziehen. Fachpublikationen haben das beobachtete Fan-out-Verhalten von ChatGPT (über den internen web.run-Schritt) bereits dokumentiert. Diese drei Wege zeigen das Muster:
- ChatGPT mit Browsing: Zeigt manchmal die verwendeten Suchanfragen an
- Perplexity: Macht Suchanfragen oft transparent sichtbar
- GEO-Audits: Systematische Tests zeigen, bei welchen Query-Variationen Sie erscheinen. Bombelli prüft ein Thema dafür über ChatGPT, Claude, Gemini und Perplexity, misst transparent, bei welchen Formulierungen Sie auftauchen, und liefert die Rohdaten als Excel. Wie sich daraus belastbare Kennzahlen ableiten lassen, zeigt der Beitrag dazu, wie Sie KI-Sichtbarkeit messen; den operativen Ablauf beschreibt ein systematischer Prompt-Audit.
Typische Fan-out-Muster
So könnte ein Fan-out illustrativ aussehen (konstruierte Beispiele, keine Logs). Zwei Fälle:
Produktsuche
Nutzeranfrage: "Beste CRM-Software für KMU"
- "CRM Software KMU Schweiz"
- "CRM Vergleich kleine Unternehmen"
- "Top CRM-Systeme 2026"
- "CRM Software Bewertungen"
Lokale Anfrage
Nutzeranfrage: "Restaurants mit veganer Küche in Zürich"
- "vegan Restaurant Zürich"
- "pflanzliche Küche Zürich"
- "vegane Restaurants Zürich Bewertungen"
- "beste vegane Lokale Zürich 2026"
Optimierung für Fan-out Queries
Vier Massnahmen, die direkt auf den Fan-out-Mechanismus einzahlen:
- Decken Sie ein Thema mit mehreren Formulierungen ab, damit verschiedene Sub-Queries Sie finden.
- Beantworten Sie wiederkehrende Fragen zum Thema direkt auf der Seite.
- Hinterlegen Sie strukturierte Daten nach schema.org, damit Suchsysteme Zusammenhänge erkennen.
- Verlinken Sie verwandte Inhalte intern, damit ein Cluster sichtbar wird.
Grenzen von Fan-out Queries
Die Methode hat Einschränkungen. Jede zusätzliche Suche kostet API-Credits und Zeit, was die Anzahl paralleler Queries begrenzt. Bei sehr spezifischen Nischenthemen kann ein breiter Fan-out sogar verwässern: Wenn kaum relevante Ergebnisse existieren, sinkt die Qualität der Synthese. Und selbst mit dem cleversten Fan-out-Mechanismus bleibt ein LLM auf das angewiesen, was die Suchmaschine in ihrem Index hat.
FAQ: Fan-out Queries. Häufige Fragen
Wie viele Suchanfragen macht ChatGPT pro Frage?
OpenAI nennt keine feste Zahl. Im eigenen Help Center schreibt das Unternehmen, ChatGPT formuliere Ihre Anfrage in eine oder mehrere gezielte Suchanfragen um. Bei einfachen Fragen reicht eine Handvoll, bei komplexen Themen werden es mehr. Anbieter- und Branchenschätzungen streuen entsprechend breit, von wenigen bis zu über einem Dutzend pro Antwort. Wichtig ist deshalb weniger die genaue Zahl als die Tatsache, dass mehrere Formulierungen Ihres Themas gleichzeitig gesucht werden.
Nutzen alle KI-Suchsysteme Fan-out?
Das Muster ist anbieterübergreifend. ChatGPT zerlegt Anfragen in mehrere gezielte Suchanfragen, Googles AI Mode nennt das nach eigener Darstellung query fan-out technique und Perplexity zerlegt komplexe Fragen sichtbar in Teilschritte. Der Mechanismus gilt damit über alle grossen Anbieter hinweg und ist Standard moderner KI-Suche.
Kann man die einzelnen Sub-Queries sehen?
Bei Perplexity sind die Sub-Queries oft direkt sichtbar, bei ChatGPT mit Browsing teilweise. Vollständig messbar wird das Muster über einen systematischen GEO-Audit: Sie testen ein Thema mit vielen Formulierungen über ChatGPT, Claude, Gemini und Perplexity und sehen, bei welchen Sub-Queries Ihre Inhalte auftauchen und bei welchen nicht.
Fazit
Fan-out Queries sind ein grundlegendes Konzept, um zu verstehen, wie LLMs mit Web-Zugriff arbeiten. Für Content-Strategien bedeutet das: Thematische Tiefe und semantische Breite sind wichtiger als einzelne Keyword-Rankings. Genau dieses Zusammenspiel beschreibt das Konzept LLMO (Large Language Model Optimization).
Wenn Sie wissen möchten, bei welchen Variationen und Formulierungen Ihre Inhalte gefunden werden, hilft ein GEO-Audit mit systematischen Prompt-Tests.
Dieser Beitrag ist zuerst im Blog von Bombelli Analytics erschienen. Tsari Bombelli ist Gründer von Bombelli Analytics in Luzern und misst mit transparenter Methodik, wie ChatGPT, Claude, Gemini und Perplexity über Schweizer Unternehmen sprechen.
Top comments (0)