Fanout Queries: Der komplette Leitfaden für KI-Sichtbarkeit & GEO

Sprachen / Languages: Deutsch (diese Seite) · Türkçe · English

Zusammenfassung (KI-TL;DR)

Fanout Queries sind die verborgenen Unterfragen, die ein KI-Modell (ChatGPT, Gemini, Perplexity, Google AI Overview) im Hintergrund sucht, während es eine Anfrage beantwortet. Erscheint Ihre Marke in diesen Unterfragen nicht, taucht sie auch in der finalen Antwort nicht auf. GEO (Generative Engine Optimization) bedeutet, diese Unterfragen sichtbar zu machen und die häufigsten – sowie die modellübergreifend gemeinsamen – mit Inhalten zu besetzen. Dieser Leitfaden zeigt Schritt für Schritt, wie Sie Fanout Queries finden, in eine Content-Roadmap überführen und KI-Sichtbarkeit zu einem messbaren Kanal machen.

Suche ist längst keine Liste aus zehn blauen Links mehr. Fragt eine Nutzerin ChatGPT „Welches ist das beste Reiseunternehmen für einen Familienurlaub?", beantwortet das Modell diese Frage nicht direkt – es zerlegt sie in Dutzende Unterfragen, recherchiert jede einzeln und baut aus den gesammelten Belegen eine Antwort. Genau diese verborgenen Unterfragen sind Fanout Queries, und sie sind das eigentliche Signal dafür, ob Ihre Marke in einer KI-Antwort erscheint.

Dieser Leitfaden behandelt GEO (Generative Engine Optimization), AEO (Answer Engine Optimization) und KI-Sichtbarkeit, erklärt, warum Fanout Queries die nächste SEO-Ebene sind, und zeigt Schritt für Schritt, wie Sie diese Daten in eine konkrete Content-Strategie überführen.

Dieser Leitfaden basiert auf Mayas GEO-Praxiserfahrung und Fanout-Methodik. Kundendaten sind vertraulich; Markennamen in den Beispielen sind anonymisiert. Die Methodik ist unverändert anwendbar.

Inhaltsverzeichnis

Warum hat sich Sichtbarkeit im Zeitalter der KI-Suche verändert?
Was ist der Unterschied zwischen GEO, AEO und LLM SEO?
Was ist eine Fanout Query und warum ist sie wichtig?
Wie „fächert" ein KI-Modell eine Frage auf?
Warum ersetzen Fanout Queries die klassische Keyword-Recherche?
Fanout-Dynamiken pro Markt: lokales Suchverhalten
Wie findet man Fanout Queries? (Schritt für Schritt mit Maya)
Von Fanout-Daten zur Content-Strategie: ein 7-Schritte-Playbook
„Shared across models" – die Fragen, über die sich Modelle einig sind
Praxisbeispiel: Fanout-Analyse für eine Reisemarke
Der Kreislauf: Fanout → Briefing → Veröffentlichung → Messung
Die 10 häufigsten GEO-Fehler
Häufig gestellte Fragen (FAQ)
Fazit: messbare KI-Sichtbarkeit

1. Warum hat sich Sichtbarkeit im Zeitalter der KI-Suche verändert?

Ein Jahrzehnt lang war die Definition digitaler Sichtbarkeit klar: auf Googles erster Seite ranken. Nutzer sucht, sieht zehn blaue Links, klickt einen an. Die gesamte SEO-Disziplin baute auf diesem Verhalten auf.

KI-Assistenten haben diese Kette durchbrochen. Wenn Nutzer heute ChatGPT, Gemini, Perplexity oder Google AI Overview eine Frage stellen:

sehen sie keine Linkliste – sondern eine einzige synthetisierte Antwort.
klicken sie oft nicht – die Antwort selbst genügt (Zero-Click).
hören sie nur von den Marken, die das Modell gewählt hat – eine in der Antwort ungenannte Marke existiert für die Nutzerin praktisch nicht.

Die Konsequenz ist eindeutig: Die Frage lautet nicht mehr „Auf welchem Google-Platz stehe ich?", sondern „Empfiehlt mich die KI?" Der Name dieser neuen Disziplin ist GEO – Generative Engine Optimization.

Wie groß ist die KI-Suche inzwischen?

KI-gestützte Suche wächst am schnellsten in Kategorien mit hoher Kaufabsicht – Reiseplanung, Produktvergleich, Finanz- und Gesundheitsfragen. Kommerzielle Anfragen wie „beste Marke X", „X oder Y", „ist X seriös" nehmen rasch zu. Für Unternehmen bedeutet das Risiko und Chance zugleich: Fehlen Sie in der KI-Antwort, wird an Ihrer Stelle ein Wettbewerber empfohlen.

2. Was ist der Unterschied zwischen GEO, AEO und LLM SEO?

Diese Begriffe werden oft vermischt. Kurz:

SEO (Search Engine Optimization): Inhaltliche und technische Optimierung für organisches Ranking in klassischen Suchmaschinen (Google, Bing).
AEO (Answer Engine Optimization): Inhalte „beantwortbar" machen, damit Antwortmaschinen (AI Overview, Featured Snippets, Sprachassistenten) ihre eine klare Antwort von Ihnen nehmen.
GEO (Generative Engine Optimization): Optimierung, damit generative KI-Modelle (ChatGPT, Gemini, Claude, Perplexity) Ihre Marke in ihren Antworten zitieren und empfehlen.
LLM SEO: Weitgehend synonym zu GEO; betont Sichtbarkeit speziell innerhalb großer Sprachmodelle.

Der größte Unterschied von GEO zu SEO ist die Messebene. Bei SEO sehen Sie das Ranking; bei GEO müssen Sie die Antwort des Modells sehen, ob es Sie erwähnt, welche Quellen es zitiert und – entscheidend – welche Unterfragen es im Hintergrund gesucht hat. Genau hier kommen Fanout Queries ins Spiel.

3. Was ist eine Fanout Query und warum ist sie wichtig?

Eine Fanout Query ist eine Unterfrage, die ein KI-Modell beim Beantworten einer Anfrage erzeugt und sucht. Das Modell „fächert" eine breite Frage in engere, suchbare Teile auf und untermauert seine Antwort mit dem, was diese Suchen zurückliefern.

Ein einfaches Beispiel. Nutzeranfrage:

„Könnt ihr uns einen familienfreundlichen Strandurlaub empfehlen?"

Fanout Queries, die das Modell im Hintergrund erzeugen könnte:

„familienfreundliche Hotels am Meer"
„All-inclusive-Urlaub für Familien"
„Hotels mit Kinderclub"
„babyfreundliche Resorts für 0–6 Jahre"
„Strandhotel für Familien Frühbucher"

Die Nutzerin hat diese Unterfragen nie eingetippt. Aber das Modell hat sie gesucht und seine Antwort auf die dabei gefundenen Inhalte gestützt. Erscheinen Ihre Inhalte bei diesen Unterfragen nicht, fehlen Sie in der finalen Antwort.

Warum ist eine Fanout Query so entscheidend?

Weil Fanout Queries die echte Suchabsicht des Modells offenlegen. Klassische Keyword-Recherche sagt Ihnen, was Menschen in ein Suchfeld tippen. Fanout Queries sagen Ihnen, was die KI in Ihrem Namen sucht – die Information, die sie zum Aufbau einer Antwort braucht. Es ist das einzige direkte Signal, das eine „Content-Lücke" sichtbar macht:

Hat ein Modell eine Unterfrage 20-mal gesucht und Sie nie gefunden, taucht dieser Fehltreffer in keinem Ranking-Report auf – und genau deshalb werden Sie nicht zitiert.

4. Wie „fächert" ein KI-Modell eine Frage auf?

Je nach Modell unterschiedlich, aber der grundsätzliche Ablauf ist:

Absichtsanalyse: Das Modell deutet das eigentliche Ziel der Nutzerin (Information, Vergleich, Kauf?).
Erzeugung von Unterfragen: Es zerlegt die Frage in die engeren Suchen, die es zur Untermauerung braucht.
Retrieval / Grounding: Es recherchiert diese Unterfragen über eine Suchebene (Websuche, interner Index, Retrieval).
Quellenauswahl: Es wählt die als vertrauenswürdig und relevant befundenen Ergebnisse.
Synthese: Es baut aus den gewählten Quellen eine einzige Antwort, oft mit Quellenangaben.

Perplexity zeigt seine „Related Questions" offen; Gemini führt Suchanfragen in den Grounding-Metadaten mit; Google AI Overview führt im Hintergrund mehrere Google-Suchen aus. Gemeinsam ist: Unter jeder Antwort liegt eine Menge von Unterfragen – und diese Menge ist das eigentliche Schlachtfeld Ihrer Sichtbarkeit.

Ist Fanout dasselbe wie RAG oder Query Expansion?

Nahe Verwandte, aber nicht dasselbe. Query Expansion erweitert eine einzelne Anfrage in der klassischen Suche um Synonyme. RAG (Retrieval-Augmented Generation) ist die Architektur, mit der ein Modell externes Wissen einbezieht. Fanout ist das Verhalten, eine Nutzerfrage in mehrere unterschiedliche Unterfragen aufzuteilen, die jeweils separat gesucht werden. Fanout ist die für GEO am besten umsetzbare Ebene innerhalb von RAG.

5. Warum ersetzen Fanout Queries die klassische Keyword-Recherche?

Klassische Keyword-Tools (Volumen, Schwierigkeit, CPC) modellieren menschliches Verhalten. Doch inzwischen erledigen Maschinen einen Großteil der Suche in Ihrem Namen. Die beiden Welten im Vergleich:

Dimension	Klassisches Keyword	Fanout Query
Quelle	Von Menschen getippte Anfrage	Vom Modell erzeugte Unterfrage
Messgröße	Monatliches Suchvolumen	Lookup-Häufigkeit des Modells
Absicht	Allgemein	Antwortspezifisch, eng
Aktion	Seiten-Targeting	Content-Lücken schließen
Sichtbarkeit	SERP-Position	Erwähnung in der Antwort

Fanout Queries sind das Keyword-Recherche-Äquivalent des KI-Zeitalters – aber auf dem tatsächlichen Verhalten des Modells basierend, nicht auf Schätzungen. Das erlaubt eine deutlich präzisere Content-Priorisierung.

6. Fanout-Dynamiken pro Markt: lokales Suchverhalten

Fanout-Analyse hat marktspezifische Feinheiten. Einige allgemeingültige, die es hervorzuheben lohnt:

Sprache und Fallen beim Marken-Matching

Markennamen werden oft unterschiedlich geschrieben – in zwei Wörter getrennt, zusammengeschrieben oder mit Endungen/Beugungen. Erwähnt die Antwort eines Modells die Marke in der getrennten Form, Ihr System sucht aber nur die zusammengeschriebene Form, verpassen Sie den Treffer und Ihre Erwähnungsrate zeigt fälschlich 0 %. Das Definieren von Marken-Aliassen (allen Schreibvarianten) ist für exaktes Fanout- und Erwähnungs-Tracking entscheidend.

Lokale Absicht und Saisonalität

Fanout Queries tragen starke saisonale und lokale Absicht: „Frühbucher", „Last Minute", „Ratenzahlung", „Stornobedingungen", „Bewertungen". Diese Muster sucht das Modell am häufigsten, wenn es lokale Nutzer bedient, und sie sollten im Zentrum Ihrer Content-Strategie stehen.

Anbietervielfalt

Nutzer verlassen sich auf verschiedene Assistenten – ChatGPT, Gemini, Perplexity, Google AI Overview. Ihr Fanout-Verhalten unterscheidet sich; in einem zu erscheinen und im anderen nicht, ist häufig. Deshalb sind die Anbieter-Aufschlüsselung und die Fragen, über die sich Modelle einig sind, besonders wichtig.

7. Wie findet man Fanout Queries? (Schritt für Schritt mit Maya)

Fanout Queries von Hand zu sammeln, ist praktisch unmöglich: Die Daten liegen in den Grounding-Metadaten jedes Modells, verstreut über Hunderte Läufe und Anbieter. Maya sammelt sie automatisch, normalisiert sie und macht daraus eine einzige, sortierte Liste.

Schritte:

Definieren Sie Ihre Prompts. Fügen Sie die echten Nutzerfragen zu Ihrer Marke hinzu (Discovery-Prompts): „bestes X", „ist X seriös", „X oder Y".
Maya führt die Prompts über alle Modelle aus. Es stellt dieselben Fragen an ChatGPT, Gemini, Perplexity und Google AI Overview.
Fanout wird automatisch erfasst. Die von jedem Modell gesuchten Unterfragen werden extrahiert, normalisiert und dedupliziert.
Ergebnisse in der Fanout-Queries-Ansicht. Unterfragen erscheinen nach Lookup-Häufigkeit sortiert; jede Zeile zeigt, wie oft sie gesucht wurde (×N), wie viele verschiedene Prompts sie ausgelöst haben, und die Anbieter-Aufschlüsselung.
Filtern und exportieren. Nach Anbieter, nach Suchbegriff oder mit dem Filter „Shared across models" (von 2+ Modellen gesuchte Unterfragen) eingrenzen; als CSV exportieren und Ihrem Content-Team ein fertiges Briefing geben.

Die Funktion Fanout Queries befindet sich im Bereich Monitoring, und dieselben Daten sind programmatisch über das Maya-MCP-Tool get_fanout_queries verfügbar.

8. Von Fanout-Daten zur Content-Strategie: ein 7-Schritte-Playbook

Die Fanout-Liste ist für sich genommen interessant; der eigentliche Wert liegt darin, sie in eine Content-Roadmap zu überführen. Sieben praxiserprobte Schritte:

Schritt 1 — Markieren Sie hochfrequente Fragen mit geringer Abdeckung

Unterfragen, die das Modell oft sucht (hohes ×N), bei denen Sie aber nicht erscheinen, sind Ihre dringendsten Content-Lücken. Sie stehen ganz oben.

Schritt 2 — Finden Sie den Kern mit „Shared across models"

Von 2+ Modellen gesuchte Fragen sind der Konsens-Kern. Gewinnen Sie diese zuerst: Eine Seite kann Sichtbarkeit bei ChatGPT, Gemini und Perplexity zugleich bringen.

Schritt 3 — Gruppieren Sie Unterfragen zu Themen

Arbeiten Sie Hunderte Unterfragen nicht einzeln ab – bündeln Sie sie zu Themen: „Preis/Zahlung", „Vertrauen/Bewertungen", „Vergleich", „Rückgabe/Storno", „Frühbucher". Jedes Cluster ist ein Pillar-Content-Kandidat.

Schritt 4 — Schreiben Sie „beantwortbare" Inhalte je Cluster

Bei GEO müssen Inhalte klar genug sein, damit das Modell direkt zitieren kann: Überschriften als Frage (H2/H3 = Nutzerfrage), ein kurzer, direkter Antwortabsatz, dann Details. Tabellen, Listen und Definitionsboxen erhöhen die Zitierwahrscheinlichkeit.

Schritt 5 — Stärken Sie Marken-Aliasse und Entitätssignale

Nennen Sie Ihre Marke in allen Schreibvarianten, zusammen mit Ihrer Kategorie und verwandten Entitäten. Strukturierte Daten (Organization, FAQPage) und konsistente NAP-Angaben helfen dem Modell, Sie als Entität zu erkennen.

Schritt 6 — Veröffentlichen und Fanout erneut messen

Führen Sie nach der Veröffentlichung die Prompts erneut aus. Erscheinen Sie nun bei diesen Unterfragen? Sind Erwähnungsrate und Zitationen gestiegen? GEO ist ein iterativer Kreislauf.

Schritt 7 — Wettbewerber-Fanout verfolgen

Welche Wettbewerber erscheinen in den Unterfragen? In Fanout-Texten aufgetauchte Wettbewerbernamen sind direkter Input für Ihre Vergleichs- und Differenzierungsinhalte.

9. „Shared across models" – die Fragen, über die sich Modelle einig sind

Nicht jede Unterfrage der Fanout-Liste ist gleich viel wert. Manche sind einmalige Nebenfragen, die ein einzelnes Modell einmal gesucht hat; andere sind Kernfragen, die jedes große Modell zum selben Thema sucht.

Der Filter „Shared across models" isoliert genau diese: nur Unterfragen, die zwei oder mehr Modelle gemeinsam gesucht haben. In der Praxis ist die Liste kurz – vielleicht 10–20 von Hunderten. Doch diese kurze Liste ist Gold wert: Sie zu gewinnen bedeutet, die „Pflicht"-Themen zu besetzen, über die sich alle Assistenten einig sind, statt der Eigenart eines einzelnen Modells hinterherzulaufen.

Diese Konsensfragen gruppieren sich typischerweise um Vertrauen („ist X seriös", „X Bewertungen"), Preis/Zahlung („Raten", „Rückgabe") und Vergleich („X oder Y").

10. Praxisbeispiel: Fanout-Analyse für eine Reisemarke

Gehen wir den gesamten Ablauf durch – der Markenname bleibt vertraulich. Angenommen, Sie sind eine Online-Reisemarke.

Eingabe-Prompts:

„Was sind die besten Reise-Touren?"
„Bestes Reiseunternehmen für einen Familienurlaub?"
„Ist Unternehmen X seriös?"

Von Maya gesammelte Fanout Queries (nach Lookup sortiert, Marke anonymisiert):

„Frühbucher-Hotelangebote" — ×51 (ChatGPT, Gemini, Perplexity)
„All-inclusive familienfreundliche Hotels" — ×30 (Gemini, Perplexity)
„Unternehmen X Bewertungen Beschwerden" — ×24 (ChatGPT, Perplexity)
„Storno- und Rückerstattungsbedingungen Reise" — ×20 (Perplexity)
„Ratenzahlung Urlaub Zahlungsoptionen" — ×15 (ChatGPT)

Interpretation:

„Frühbucher" ist hochfrequent und über drei Modelle geteilt → Pillar-Content mit höchster Priorität.
„Bewertungen/Beschwerden" ist ein Reputationssignal → braucht eine transparente, vertrauensbildende Bewertungs-/FAQ-Seite.
Erscheinen Sie bei „Storno-/Rückerstattungsbedingungen" nicht, verschafft eine starke Stornogarantie-Seite direkte Sichtbarkeit.

Aktion: Diese fünf Unterfragen werden zu fünf klaren Content-Briefings, die jeweils ein Thema angehen, das das Modell tatsächlich sucht – datengetrieben statt geraten.

11. Der Kreislauf: Fanout → Briefing → Veröffentlichung → Messung

GEO ist keine einmalige Aufgabe, sondern ein kontinuierlicher Kreislauf:

Entdecken: Mit Fanout Queries die von Modellen gesuchten Unterfragen extrahieren.
Priorisieren: Die hochfrequenten, geteilten, gering abgedeckten auswählen.
Briefing: Ein Content-Briefing je Unterfragen-Cluster (CSV-Export ist direkter Input).
Erstellen & veröffentlichen: Klare, zitierbare Inhalte mit strukturierten Daten.
Neu scannen: Prompts erneut ausführen, die Veränderung bei Erwähnung/Zitation messen.
Iterieren: Neue Fanout Queries angehen, sobald Lücken geschlossen sind.

Marken, die diesen Kreislauf operationalisieren, machen aus KI-Sichtbarkeit statt Glück einen messbaren Kanal.

12. Die 10 häufigsten GEO-Fehler

Marken-Aliasse nicht definieren – die Marke erscheint getrennt geschrieben, Sie suchen aber die zusammengeschriebene Form, der Treffer wird verpasst und die Erwähnung zeigt 0 %.
Nur auf Prompts fokussieren, Fanout ignorieren – die eigentliche Absicht steckt in den Unterfragen.
Nur ein Modell betrachten – bei ChatGPT zu erscheinen, aber nicht bei Gemini/AI Overview, ist sehr häufig.
Keine „beantwortbaren" Inhalte schreiben – langer, unstrukturierter Text wird nicht zitiert; nötig sind klare Frageüberschrift + prägnante Antwort.
Fehlende strukturierte Daten – ohne Organization-/FAQPage-Schema erkennt das Modell Sie schwerer.
Reputations-/Bewertungsfragen ignorieren – „ist es seriös" gehört zu den absichtsstärksten Fanout Queries.
Ohne Messung veröffentlichen – nach der Veröffentlichung das Fanout nicht erneut scannen, um die Wirkung zu sehen.
llms.txt- und Robots-Einstellungen vernachlässigen – KI-Crawler unwissentlich blockieren.
Wettbewerber-Fanout nicht verfolgen – in Unterfragen aufgetauchte Wettbewerber nicht in Vergleichsinhalte überführen.
Inhalte über Märkte kopieren – lokale Absicht (Raten, Feiertage, Frühbucher) fehlt in generischen Vorlagen.

13. Häufig gestellte Fragen (FAQ)

Ist eine Fanout Query dasselbe wie ein Keyword?

Nein. Ein Keyword ist eine Phrase, die ein Mensch in ein Suchfeld tippt. Eine Fanout Query ist eine Unterfrage, die ein KI-Modell beim Beantworten in Ihrem Namen sucht. Fanout ist die Keyword-Recherche des KI-Zeitalters – basierend auf dem echten Verhalten des Modells, nicht auf Schätzungen.

Aus welchen Modellen stammen Fanout Queries?

Aus jedem Anbieter, der Fanout offenlegt: vor allem ChatGPT, Gemini, Perplexity und Google AI Overview. Anbieternamen werden normalisiert, sodass dieselbe Engine, unterschiedlich erhoben, als ein Modell gezeigt wird.

Was bedeutet „Shared across models"?

Unterfragen, die zwei oder mehr Modelle zum selben Thema gesucht haben. Das sind die zu priorisierenden Kernthemen, denn jeder große Assistent versucht sie zu beantworten – gewinnen Sie diese Seiten, erscheinen Sie überall.

Ersetzt GEO das klassische SEO?

Nein, es baut darauf auf. Solides technisches SEO und hochwertige Inhalte bleiben das Fundament; GEO ist die neue Ebene, die sie in Sichtbarkeit innerhalb von KI-Antworten übersetzt. Beide arbeiten zusammen.

Was ist der erste Schritt für KI-Sichtbarkeit?

Zuerst messen. Führen Sie Ihre echten Markenfragen über alle Modelle aus und sehen Sie Ihre Erwähnungsrate, den Zitationsstatus und die Fanout Queries. Was Sie nicht messen können, können Sie nicht optimieren.

Wie exportiere ich die Fanout-Daten?

Jede gefilterte Ansicht (Anbieter, Suchbegriff oder „Shared across models") lässt sich als CSV exportieren und direkt in ein Content-Briefing überführen. Programmatischer Zugriff ist zudem über das Maya-MCP-Tool get_fanout_queries möglich.

14. Fazit: messbare KI-Sichtbarkeit

Sichtbarkeit in der KI-Suche ist kein Ratespiel mehr. Zwischen der Frage der Nutzerin und der Antwort des Modells liegt eine verborgene Ebene – die Unterfragen, die das Modell im Hintergrund sucht – und diese Ebene entscheidet, ob Ihre Marke erwähnt wird.

Ihre Fanout Queries zu sehen, verschiebt GEO von „veröffentlichen wir Inhalte, die uns gefallen" zu „zielen wir datenbasiert auf die Themen, die das Modell tatsächlich sucht." Eine Fanout-Strategie auf Basis korrekter Marken-Aliasse, lokaler Absicht und modellübergreifenden Konsenses macht aus KI-Sichtbarkeit einen messbaren, wiederholbaren Wachstumskanal.

Der nächste Schritt ist einfach: Führen Sie die Fragen zu Ihrer Marke über alle KI-Modelle aus, sehen Sie, was im Hintergrund gesucht wird, und besetzen Sie die Themen, nach denen das Modell sucht.