Fanout Queries: Wie LLMs intern suchen — und was das für GEO bedeutet
Hinter jeder Antwort von ChatGPT, Perplexity oder Googles AI Overviews steckt mehr als ein großes Sprachmodell. LLMs lösen beim Verarbeiten eines Prompts intern mehrere gezielte Suchanfragen aus — sogenannte Fanout Queries. Wer bei diesen Queries sichtbar ist, erscheint in der KI-Antwort. Wer nicht sichtbar ist, existiert für das Modell in diesem Kontext nicht.
Was sind Fanout Queries?
Wenn ein Nutzer einem LLM-basierten System eine Frage stellt — etwa "Welche SEO-Audit-Tools gibt es?" — verarbeitet das Modell diesen Prompt nicht allein aus seinem Trainingswissen. Moderne LLM-Systeme mit Web-Anbindung (Perplexity, ChatGPT mit Browsing, Googles AI Overviews) zerlegen den Prompt intern in mehrere spezifische Suchanfragen, um aktuelle und verlässliche Quellen zu finden.
Diese internen Suchanfragen heißen Fanout Queries — weil sie vom ursprünglichen Prompt "auffächern" (englisch: to fan out). Aus einer Nutzerfrage können dabei fünf, zehn oder mehr interne Suchanfragen entstehen, die das Modell parallel oder sequenziell ausführt, um seine Antwort zusammenzustellen.
Wie Fanout Queries entstehen
Der Mechanismus hinter Fanout Queries lässt sich vereinfacht so beschreiben:
- Prompt-Analyse: Das LLM analysiert die Nutzeranfrage und identifiziert, welche Informationen für eine vollständige Antwort benötigt werden.
- Query-Generierung: Das Modell formuliert daraus spezifische Suchanfragen — oft deutlich präziser und fachlicher als der ursprüngliche Prompt.
- Web-Retrieval: Die Suchanfragen werden gegen einen Suchindex (Google, Bing oder einen eigenen Index) ausgeführt.
- Synthese: Das Modell verarbeitet die Suchergebnisse und synthetisiert die Antwort — unter Angabe der Quellen, die es als verlässlich eingestuft hat.
Ein Beispiel: Auf den Prompt "Erkläre mir, wie ein SEO-Audit funktioniert und welche kostenlosen Tools es dafür gibt" könnten intern Fanout Queries entstehen wie: "SEO-Audit Ablauf", "kostenlose SEO-Audit-Tools", "Google Search Console SEO-Audit", "Screaming Frog kostenlos" oder "SEO-Audit Checkliste 2026". Wer für diese konkreten Queries sichtbar ist, hat eine deutlich höhere Chance, in der Antwort zu erscheinen.
Fanout Queries und GEO
GEO — Generative Engine Optimization — ist die Disziplin, Sichtbarkeit in KI-generierten Antworten systematisch zu verbessern. Fanout Queries sind der zentrale Hebelpunkt in diesem System: Wer für die tatsächlich ausgeführten internen Suchanfragen eines LLMs sichtbar ist, hat die beste Ausgangslage für eine Erwähnung in der Antwort.
Das unterscheidet GEO grundlegend von klassischem SEO: Bei klassischer Suche geht es darum, bei einer bekannten Suchanfrage sichtbar zu sein. Bei GEO geht es darum, bei Suchanfragen sichtbar zu sein, die kein Mensch direkt eingegeben hat — sondern die ein Modell intern generiert hat. Diese Queries sind oft spezifischer, fachlicher und anders formuliert als typische Nutzereingaben.
GEO-Score: Was er misst
Der GEO-Score — wie er beispielsweise von ucited.ai berechnet wird — misst den Anteil der Fanout Queries, bei denen ein Client gerankt oder erwähnt ist, an der Gesamtzahl der analysierten Queries für einen Prompt. Ein GEO-Score von 40 % bedeutet: Bei 40 % der Fanout Queries, die das LLM intern ausführt, taucht die Marke in den Suchergebnissen auf.
Fanout Queries vs. klassische Suchanfragen
Wer Fanout Queries verstehen will, muss die Unterschiede zu klassischen Suchanfragen kennen:
- Spezifizität: Fanout Queries sind oft präziser als Nutzereingaben. Aus "SEO-Audit" wird intern "SEO-Audit kostenlos durchführen Anleitung" oder "technischer SEO-Audit Checkliste".
- Keine CTR-Signale: Fanout Queries generieren keine Klicks. Das klassische Klickverhalten als Qualitätssignal entfällt — was zählt, ist ob der Inhalt in den Top-Ergebnissen erscheint und ob das Modell ihn als verlässlich einschätzt.
- Keine direkte Kontrolle: Welche Fanout Queries ein Modell intern generiert, ist nicht vorhersehbar und ändert sich mit jedem Prompt. Die einzige Möglichkeit, sie zu kennen, ist die Messung durch Monitoring-Tools.
- Andere Intent-Verteilung: LLMs generieren häufig informationale und komparative Queries — "Vergleich von X und Y", "Wie funktioniert Z", "Vor- und Nachteile von A". Transaktionale Queries ("kaufen", "bestellen") sind seltener, kommen aber bei kommerziell orientierten Prompts vor.
Was man tun kann: Strategien für Fanout-Sichtbarkeit
Thematische Breite und Tiefe
Der zuverlässigste Weg zu Fanout-Sichtbarkeit ist Topical Authority: Wer ein Themenfeld breit und tief abdeckt, erscheint bei einer größeren Bandbreite von internen Suchanfragen. Ein einzelner Artikel zu "SEO-Audit" erzielt Fanout-Sichtbarkeit für wenige, direkte Queries. Eine Domain mit Inhalten zu SEO-Audit, Core Web Vitals, Keyword-Clustering, interner Verlinkung und Backlink-Analyse erzielt Sichtbarkeit für das gesamte thematische Cluster rund um SEO-Audit.
Strukturierte, zitierbare Inhalte
LLMs bevorzugen Inhalte, die klare, faktenreiche Aussagen machen — und die ohne zusätzlichen Kontext verständlich sind. Konkrete Zahlen, klare Definitionen, schrittweise Erklärungen und direkte Antworten auf typische Nutzerfragen verbessern die Wahrscheinlichkeit, als Quelle herangezogen zu werden. Vage Marketingsprache ohne fachlichen Substanzgehalt wird von LLMs systematisch deprioritisiert.
Monitoring: Welche Fanout Queries finden statt?
Ohne Messung ist GEO-Optimierung blind. Tools wie ucited.ai machen Fanout Queries sichtbar: Sie zeigen, für welche internen LLM-Suchanfragen eine Marke erscheint, welche Position sie hält und bei welchen Fanout Queries sie vollständig fehlt. Diese Lücken sind direkte Content-Signale — Themen, die aufgebaut oder vertieft werden sollten, um in KI-Antworten sichtbar zu werden.
Häufige Fragen
Weitere Themen