Query Fan-Out: Wie KI-Suchen eine Frage in viele Suchanfragen zerlegen

Beispiel aus der Praxis

Ein typischer Fall für Entwickler: Ein Team will verstehen, welche Teilfragen eine KI-Suche zu seinem Fachthema stellt. Die Google-Suche gibt diese Teilsuchen nicht preis. Die Gemini API mit aktivierter Google-Suche liefert die ausgeführten Suchanfragen dagegen in jeder Antwort mit (Google AI for Developers, Stand: Oktober 2026).

Das Team schickt deshalb eine Liste typischer Kundenfragen an die API, etwa „Welche Datenbank eignet sich für Zeitreihen mit hoher Schreiblast?“, und speichert für jede Frage die vom Modell erzeugten Suchanfragen und die zitierten Quellen. Aus den Protokollen wird sichtbar, welche Unterthemen das Modell sucht, zum Beispiel Vergleiche einzelner Systeme, Kompressionsverfahren oder Betriebskosten, und ob die eigene Dokumentation zu einem dieser Unterthemen als Quelle auftaucht.

Die Ergebnisse sind eine Annäherung. Die Gemini API ist nicht der KI-Modus der Google-Suche, und dieselbe Frage kann bei jedem Aufruf andere Teilsuchen erzeugen. Das Szenario ist ein Beispiel ohne reale Messwerte.

Wie funktioniert Query Fan-Out?

Den Begriff machte Google bei der Vorstellung des Google KI-Modus bekannt. Der KI-Modus nutze ein Verfahren namens Query Fan-Out und führe mehrere verwandte Suchen gleichzeitig über Unterthemen und verschiedene Datenquellen aus, um die Ergebnisse dann zu einer leicht verständlichen Antwort zusammenzuführen (Google, März 2025).

Der Ablauf lässt sich in vier Schritte gliedern:

1. Zerlegen: Ein Sprachmodell analysiert die Frage und leitet daraus mehrere Teilsuchanfragen ab.
2. Auffächern: Die Teilsuchanfragen laufen parallel gegen einen oder mehrere Suchindizes und Datenquellen.
3. Nachsuchen: Je nach Zwischenergebnis kann das System weitere, genauere Anfragen stellen.
4. Zusammenführen: Das Modell wählt passende Passagen aus und schreibt eine Antwort mit Quellen.

Google Search Central beschreibt Fan-Out-Anfragen als eine Reihe gleichzeitiger, verwandter Suchanfragen, die das Modell erzeugt, um mehr Informationen anzufordern. Als Beispiel nennt Google eine Frage zu Unkraut im Rasen, zu der unter anderem nach geeigneten Herbiziden gesucht werden kann (Google Search Central, Stand 10. Juli 2026). Laut Google nutzen sowohl die Übersichten mit KI als auch der KI-Modus dieses Verfahren und ermitteln während der Antworterstellung zusätzliche Belegseiten (Google Search Central, Stand: Oktober 2026).

Was ist der Unterschied zwischen klassischer Suche, Query Fan-Out und Deep Research?

Die drei Formen unterscheiden sich vor allem darin, wie viele Suchen hinter einer Frage stehen.

Deep Search beschreibt Google als dasselbe Fan-Out-Verfahren auf einer höheren Stufe: Die Funktion kann laut Google Hunderte Suchen ausführen und daraus in wenigen Minuten einen Bericht mit Quellen erstellen (Google, Mai 2025). Perplexity gibt für seine Research-Funktion Dutzende automatische Suchen und Hunderte gelesene Quellen an (Perplexity Help Center, Stand: Oktober 2026).

Nutzen auch andere KI-Suchen Query Fan-Out?

Der Begriff stammt von Google, das Prinzip ist aber verbreitet. OpenAI beschreibt, dass ChatGPT bei der Websuche eine Frage in der Regel in eine oder mehrere gezielte Suchanfragen umschreibt und an Suchpartner sendet. Nach Durchsicht der ersten Ergebnisse kann ChatGPT weitere, genauere Anfragen stellen (OpenAI Help Center, Stand: Oktober 2026).

Bei der Gemini API ist der Vorgang offen dokumentiert. Das Modell entscheidet, ob eine Suche die Antwort verbessert, erzeugt dann eine oder mehrere Suchanfragen und führt sie aus. Bei Gemini 3 und neueren Modellen wird jede ausgeführte Suchanfrage einzeln abgerechnet; zwei Suchanfragen zu einer Frage zählen also als zwei Nutzungen (Google AI for Developers, Stand: Oktober 2026). Für Entwickler heißt das: Fan-Out hat direkte Kostenfolgen.

Wie hängen Query Fan-Out und RAG zusammen?

Query Fan-Out ist eine Variante des Abrufschritts in Retrieval-Augmented Generation (RAG). Ein einfaches RAG-System sucht mit der Originalfrage einmal in einer Vektordatenbank oder einem Suchindex. Bei Fan-Out erzeugt das Modell vorher mehrere Suchanfragen, die verschiedene Aspekte der Frage abdecken.

In eigenen RAG-Systemen ist dieses Muster unter Namen wie Query-Zerlegung oder Multi-Query-Retrieval bekannt. Die Ergebnisse mehrerer Abfragen werden dabei zusammengeführt, Dubletten entfernt und oft per Reranking neu sortiert. Plant ein Agent die Abfragen selbst und passt sie anhand von Zwischenergebnissen an, spricht man von Agentic RAG.

Was bedeutet Query Fan-Out für Inhalte?

Weil eine KI-Antwort aus mehreren Teilsuchen entsteht, kann eine Seite als Quelle erscheinen, weil sie eine einzelne Teilfrage präzise beantwortet. Die Position für die ursprüngliche, oft lange Frage ist dafür weniger entscheidend. Inhalte, die die naheliegenden Teilaspekte eines Themas mit klaren, belegten Aussagen abdecken, haben dadurch mehr Gelegenheiten, ausgewählt zu werden.

Google zieht daraus aber keine Sonderregeln. Inhalte müssen laut Google nicht in kleine Stücke zerlegt und nicht speziell für KI geschrieben werden. Für jede Variante einer Frage eine eigene Seite anzulegen, um Rankings oder KI-Antworten zu beeinflussen, verstößt nach Google gegen die Richtlinie zu massenhaft erzeugten Inhalten (Google Search Central, Stand 10. Juli 2026).

Sinnvoll ist deshalb, die Suchintention hinter einem Thema vollständig zu verstehen und eine gründliche Seite pro Thema zu pflegen. Weitere Maßnahmen beschreibt der Eintrag zu GEO (Generative Engine Optimization).