Query Fan-Out in Google AI Mode: Definition & implizite SEO-Auswirkungen

• 26. Mai 2025
• Patrick Stolp
• keine Kommentare

Googles AI Mode, der kürzlich in den USA startete, verändert „die Suche“ als Marketingkanal vermutlich mit einer lange nicht mehr gesehenen disruptiven Wirkung. Eine Kernmechanismus hinter Googles neuer AI-Suche ist die sogenannte „Query Fan-Out“-Technik, die Suchanfragen mehrstufig kontextuell verarbeitet und tiefgreifende Auswirkungen auf die „klassische“ Suchmaschinenoptimierung haben wird.

Dieser Artikel analysiert präzise, was Query Fan-Out technisch bedeutet, wie es im AI Mode funktioniert und welche konkreten, teils impliziten, SEO-Anpassungen daraus resultieren. Für SEO-Experten, die ihre Strategien zukunftssicher gestalten wollen, ist das Verständnis dieser Technik unerlässlich.

Was ist Query Fan-Out und was ist die konzeptionelle Idee dahinter?

Google selbst beschreibt Query Fan-Out als eine Technik, bei der eine Nutzerfrage in relevante Unterthemen zerlegt wird. Auf Basis dieser Zerlegung werden simultan eine Vielzahl von Suchanfragen ausgeführt. Das primäre Ziel dieser Methode ist es, tiefer in das Web einzutauchen, als es mit einer traditionellen Google-Suche möglich wäre. Dadurch sollen Nutzer noch mehr von dem entdecken, was das Web zu bieten hat, und gewissermaßen „hyperrelevante“ Inhalte finden, die exakt ihrer ursprünglichen Frage entsprechen.

Google dazu wörtlich:

„Under the hood, AI Mode uses our query fan-out technique, breaking down your question into subtopics and issuing a multitude of queries simultaneously on your behalf. This enables Search to dive deeper into the web than a traditional search on Google, helping you discover even more of what the web has to offer and find incredible, hyper-relevant content that matches your question.”

Im Kern ist Query Fan-Out eine Information-Retrieval-Technik. Sie erweitert eine einzelne Nutzeranfrage (Query) in multiple Sub-Queries. Diese Sub-Queries sind darauf ausgelegt, verschiedene mögliche Nutzerintentionen zu erfassen und dadurch vielfältigere und breitere Ergebnisse aus unterschiedlichen Quellen zu gewinnen. Zu diesen Quellen zählen das Live-Web, der Knowledge Graph und spezialisierte Datensätze wie beispielsweise den Google Shopping Graph.

Die Stärke des Query Fan-Out zeigt sich insbesondere bei der Dekonstruktion komplexer Anfragen. Die Technik ist besonders vorteilhaft für vergleichende Analysen, multikriterielle Entscheidungsfindungen und für Fragen, die eine Synthese von Informationen aus diversen Quellen erfordern, um eine umfassende Antwort zu generieren.

Wie funktioniert Query Fan-Out in Googles AI Mode?

Nachdem wir das grundlegende Prinzip des Query Fan-Out definiert haben, stellt sich die Frage, wie Google diese Technik konkret in seinem AI Mode implementiert. Der Prozess ist mehrstufig und zielt darauf ab, aus einer einzelnen Nutzeranfrage ein Maximum an relevanten Informationen zu extrahieren und zu einer kohärenten Antwort zu synthetisieren.

Schritt 1: Analyse der Nutzeranfrage

Wenn ein Nutzer eine Anfrage im AI Mode stellt, analysieren Googles Systeme diese zunächst mittels fortschrittlichem Natural Language Processing (NLP). Dabei werden unter anderem die Nutzerintention, der Komplexitätsgrad der Anfrage und der benötigte Antworttyp ermittelt. Auf dieser Basis wird entschieden, ob und in welchem Umfang ein Query Fan-Out notwendig ist.

Die Differenzierung ist hier entscheidend: Einfache, faktische Anfragen, wie beispielsweise „Einwohnerzahl Lübeck“, lösen möglicherweise keinen oder nur einen sehr begrenzten Fan-Out-Prozess aus. Im Gegensatz dazu würden komplexe Anfragen den Fan-Out-Prozess aktivieren.

Schritt 2: Parallele Exploration & Informationsbeschaffung

Sobald die Notwendigkeit für einen Fan-Out erkannt wurde, beginnt das System mit dem eigentlichen „Auffächern“ der ursprünglichen Anfrage. Es untersucht simultan diverse Facetten und Unterthemen, die mit der Anfrage in Verbindung stehen. Diese Exploration basiert auf semantischem Verständnis, Mustern im Nutzerverhalten und der logischen Informationsarchitektur, die das betreffende Thema umgibt.

Ein wesentlicher Unterschied zur traditionellen Suche besteht darin, dass nicht nur eine einzelne Suchanfrage ausgeführt wird, die einen einzelnen Satz an Ergebnissen liefert. Stattdessen ruft der AI Mode Informationen für alle durch den Fan-Out generierten Sub-Queries gleichzeitig und parallel ab. Dies erweitert den Pool an verfügbaren Informationen für die Antwortsynthese erheblich.

Schritt 3: Synthese zur kohärenten Antwort

Die parallel abgerufenen Informationen und Inhalte werden anschließend von Google bewertet, wobei die bekannten Ranking- und Qualitätssignale zum Einsatz kommen. Im finalen Schritt kombiniert das System die evaluierten Informationen aus den multiplen Quellen und den verschiedenen Fan-Out-Anfragen.

Ziel ist es, eine in sich stimmige, umfassende Antwort zu erstellen, die nicht nur die ursprüngliche Anfrage adressiert, sondern auch relevante Informationen und diverse Perspektiven aus verschiedenen Quellformaten integriert. Für das obige Beispiel könnten diese Quellen beispielsweise Restaurantführer, UGC-Bewertungsportale, Blogs mit veganen Food-Guides und Map-Einträge für die Lokalisation sein.

Query Fan-Out in der SEO-Praxis mit Anwendungsbeispiel

Um die Funktionsweise des Query Fan-Out zu veranschaulichen, betrachten wir eine präzise, lokale Suchanfrage, wie sie täglich zig Mal gestellt wird. Stellen wir uns vor, ein Nutzer gibt folgende Anfrage in die Suchmaske des Google AI Mode ein:

Beste vegane Restaurants in Lübeck auf der Altstadtinsel im höheren Preissegment

Diese Anfrage ist zwar durchaus spezifisch, enthält formal aber dennoch mehrere Kriterien, die der AI Mode mittels Query Fan-Out analysieren und verarbeiten würde, um zu einer insgesamt relevanteren Antwort als bei der klassischen Suche zu kommen. Die Komplexität ergibt sich hier aus der Notwendigkeit, verschiedene Attribute und Informationsquellen miteinander zu verknüpfen.

Suchdimensionen und implizite Bedürfnisse der Suchanfrage

Googles AI würde die Anfrage in ihre wesentlichen inhaltlichen Bestandteile zerlegen und die Kernintentionen des Nutzers erfassen. Dazu zählen:

• Art der Einrichtung: „Restaurant“
• Kulinarische Ausrichtung: „Vegan“
• Qualitätsanspruch: „Bestes“ (impliziert Suche nach Top-Bewertungen, exzellenter Qualität, besonderem Ambiente)
• Standort/Lokalisation: Lübeck, mit der Präzisierung „auf der Altstadtinsel“
• Preisniveau: „im höheren Preissegment“

Implizite Bedürfnisse/Fragen könnten sein:

• Benötigt man eine Reservierung?
• Wie sind die Öffnungszeiten?
• Gibt es aktuelle Speisekarten online?
• Wie sind die Erfahrungen anderer Gäste (Bewertungen von Speisen, Bewirtung, Ambiente etc.)?
• Gibt es Parkmöglichkeiten oder eine gute Anbindung an öffentliche Verkehrsmittel?

Generierung von Sub-Query-Typen und konkreten Sub-Queries

Auf Basis dieser Analyse würden in Googles AI Mode verschiedene Sub-Queries generiert, um Informationen aus unterschiedlichen Blickwinkeln und Quellen zu sammeln. Die folgende Tabelle illustriert beispielhaft, wie die verschiedenen Facetten bzw. Dimensionen der Originalanfrage in Sub-Queries übersetzt werden könnten:

Architektur und Funktionsweise von Query Fan-Out im Kontext Large Language Models

Die technische Realisierung von Query Fan-Out, wie sie Google im Rahmen der Promptagator-Technologie (siehe WO2024064249A1) beschreibt, basiert auf einem mehrstufigen Workflow, der aus dem klassischen Prompt Engineering herauswächst und die Generierung, Selektion und Weiterverarbeitung von Subqueries systematisch integriert.

Konkret erfolgt die Query-Diversifizierung nicht einfach nur als Nebeneffekt eines leistungsfähigen Sprachmodells. Vielmehr wird das LLM gezielt mit ausgewählten Beispiel-Prompts (Few-Shot oder Zero-Shot) angesteuert und erzeugt daraus für jede Taskstellung eine Vielzahl synthetischer Query-Dokument-Paare.

Diese synthetischen Datensätze dienen als Grundlage für das anschließende Training und Fine-Tuning von Retrieval-Modellen – ein Aspekt, der insbesondere für Low-Resource-Szenarien und neue Retrieval-Tasks ohne große Trainingsmengen unverzichtbar ist.

Ein Kernelement: Die Vielfalt und Qualität der generierten Subqueries werden durch zusätzliche Komponenten wie Round-Trip Filtering und konsistenzbasiertes Sampling weiter optimiert. Dadurch entsteht ein hochdiverser und aufgabenspezifisch zugeschnittener Query-Pool, der nicht nur auf Oberflächenebene variiert, sondern auch tieferliegende Suchintentionen und argumentative Facetten abbildet.

Filtermechanismen, Re-Ranking und Training: Qualitätsmanagement beim Query Fan-Out

Ein zentrales Alleinstellungsmerkmal des patentierten Ansatzes ist das integrierte Qualitätsmanagement der generierten Subqueries:

Mittels Round-Trip Filtering werden im Patent gezielt solche synthetischen Query-Document-Paare selektiert, die besonders konsistent mit den ursprünglichen Prompts bzw. der Zielintention sind.
Das bedeutet: Die LLM-generierten Subqueries werden iterativ mit dem Ziel geprüft, dass sie sowohl möglichst viel Diversität (also verschiedene Facetten und Suchaspekte) als auch ein hohes Maß an Relevanz zum Task aufweisen. Queries, die z. B. zu generisch oder zu weit vom Task entfernt sind, werden herausgefiltert.

Im nächsten Schritt kommt ein optionales, oft jedoch hochwirksames Re-Ranking zum Einsatz:
Die Retrieval-Systeme nutzen nicht nur einfache Dual-Encoder-Modelle, sondern können durch Cross-Attention-basierte Re-Ranker ergänzt werden, die die Dokument-Query-Relation noch feiner bewerten und sortieren.

Dies ist vor allem bei hochkomplexen Aufgabenstellungen (Stichwort: argumentatives oder kontradiktorisches Retrieval, z. B. für Fact-Checking, Rechts- oder Wissenschaftsanwendungen) ein echter Qualitätshebel.

Abschließend werden die so kuratierten Query-Document-Paare als Trainingsgrundlage genutzt, um hochperformante, domänen- oder taskspezifische Retrieval-Modelle aufzubauen – selbst dann, wenn ursprünglich keine oder nur wenige handannotierte Trainingsdaten verfügbar waren.

Patentbasierte Insights: Skalierbarkeit und Zukunftspotenzial von Query Fan-Out

Das Patent unterstreicht noch einen weiteren, bislang selten diskutierten Aspekt: Die Architektur hinter Query Fan-Out ist hochgradig skalierbar und vielseitig einsetzbar.

Nicht nur lassen sich damit unterschiedlichste Retrieval-Aufgaben – von klassischer Websuche über semantische Navigation in großen Enterprise-Datenbanken bis hin zu spezialisierten Frage-Antwort-Systemen – effizient abbilden.

Durch die Modularisierung (Prompt, Query-Generation, Filtering, Re-Ranking, Training) lässt sich das System dynamisch an neue Use Cases und Datenstrukturen anpassen.

Gerade im Hinblick auf zukünftige Entwicklungen im Bereich Search, Enterprise Knowledge Management und automatisiertes Content Discovery bieten diese patentierten Mechanismen eine wegweisende Basis:
Sie ermöglichen nicht nur eine optimierte Abdeckung von Suchintentionen, sondern sorgen durch den gezielten Query-Fan-Out-Prozess für ein nie dagewesenes Maß an Ergebnisdiversität, Relevanz und semantischer Präzision.