Query Fan-outs: Der blinde Fleck von 99 % der Marketingteams
Bevor ChatGPT antwortet, zerlegt es Ihre Frage in Teilanfragen. Diese Query Fan-outs entscheiden über Ihre KI-Sichtbarkeit — und fast niemand beobachtet sie.
Folgendes passiert, wenn Sie ChatGPT fragen: "Was ist das beste GEO-Tool 2026?"
Das Modell antwortet nicht direkt. Es zerlegt Ihre Frage zunächst in eine Reihe von Teilanfragen, die es an seine Suchwerkzeuge sendet — Google, Bing oder eigene Indizes. Diese Teilanfragen nennt man Query Fan-outs.
Das Ergebnis: Nicht Ihre gut platzierten Seiten zu "bestes GEO-Tool" entscheiden über Ihre Präsenz in der Antwort. Es sind die Seiten und Quellen, die das Modell zu jeder seiner zerlegten Teilanfragen findet.
Und das beobachtet niemand.
Warum Fan-outs alles verändern
Klassisches SEO hat Sie gelehrt, für eine Anfrage = eine Absicht = einen Inhalt zu optimieren. Die Mechanik von LLMs ist anders.
Wenn ein Nutzer einer generativen Engine eine komplexe Frage stellt, zerlegt das Modell sie, bevor es antwortet. Eine Frage wie "für welche Art von Unternehmen ist Vurto relevant" kann Fan-outs erzeugen wie:
- "Vurto GEO-Tool Funktionen"
- "GEO für E-Commerce 2026"
- "LLM-Monitoring KMU Deutschland"
- "bestes Tool zur Verfolgung von ChatGPT-Zitaten"
- "KI-Lesbarkeit E-Commerce-Website"
Die endgültige Antwort der KI wird aus den Quellen aufgebaut, die zu jedem dieser Teilaspekte gefunden werden. Wenn Sie nur bei der Hauptanfrage präsent sind, aber bei den Ableitungen fehlen, fallen Sie aus der endgültigen Antwort heraus — teilweise oder ganz.
Was SEO-Teams stattdessen tun
Sie optimieren für Keywords. Keywords, die Menschen bei Google eingegeben haben. Diese Keywords entsprechen nicht den Fan-out Queries der LLMs.
Das heißt nicht, dass SEO-Arbeit nutzlos ist — sie schafft eine Content-Basis, die LLMs speist. Aber dabei stehenzubleiben bedeutet, die eigene Logik generativer Engines zu verpassen.
Fan-out Queries von LLMs haben andere Eigenschaften. Sie sind oft länger. Sie beziehen sich auf konkrete Attribute, Vergleiche, Nutzungsbedingungen. Sie variieren je nach LLM: ChatGPT und Perplexity zerlegen dieselben Anfragen nicht auf dieselbe Weise.
Das Ergebnis: Eine Content-Strategie, die nur auf klassische Suchintentionen kalibriert ist, ist teilweise abgekoppelt von dem, was tatsächlich Sichtbarkeit in KI-Antworten erzeugt.
Wie Fan-outs entstehen
LLMs verfügen heute über Websuche-Werkzeuge, die sie je nach Art der Anfrage aktivieren. Die genaue Architektur dieser Werkzeuge variiert je nach Modell und entwickelt sich schnell weiter. Aber der Zerlegungsmechanismus selbst ist strukturell.
Das Modell identifiziert die fehlenden Informationen in seiner Wissensbasis (das nennen wir Grounding Queries — dazu mehr in einem anderen Artikel). Dann baut es eine Reihe von Teilanfragen auf, um diese Lücken zu füllen. Anschließend fasst es die Ergebnisse zu einer kohärenten Antwort zusammen.
Für Ihre GEO-Sichtbarkeit zählt, bei den richtigen Ableitungen präsent zu sein — nicht nur bei der ursprünglichen Frage.
Die Content-Strategie, die auf Fan-outs eingeht
Die Fan-outs der eigenen Kategorie zu verstehen bedeutet, die Teilaspekte zu identifizieren, für die Inhalte geschaffen oder ausgebaut werden sollten.
Konkret sieht das so aus:
Kartieren Sie die Fan-outs Ihrer strategischen Anfragen. Befragen Sie LLMs zu den Kernthemen Ihrer Kategorie und beobachten Sie, wie sie ihre Suchen zerlegen. Manche Tools erlauben es, diese Zerlegungen direkt zu visualisieren — Vurto gehört dazu und identifiziert die Fan-out Queries, die mit Ihrer Marke und Branche verbunden sind, um Content-Empfehlungen zu kalibrieren.
Erstellen Sie Inhalte zu spezifischen Attributen. Fan-outs beziehen sich häufig auf präzise Dimensionen: Anwendungsfälle, Vergleiche, Zugangsbedingungen, messbare Ergebnisse. Ein Inhalt, der präzise auf "wie hoch ist der ROI einer GEO-Strategie für einen Onlinehändler" antwortet, wird eher herangezogen als ein allgemeiner Artikel über GEO.
Decken Sie das Multi-LLM-Spektrum ab. ChatGPT und Perplexity erzeugen nicht dieselben Fan-outs. Perplexity sucht journalistische Quellen und aktuelle Vergleiche. ChatGPT bevorzugt strukturierte Inhalte mit starkem Expertise-Signal. Die optimale Content-Strategie deckt beide Logiken ab.
Seien Sie dort präsent, wo LLMs suchen. Fachmedien, LinkedIn, Reddit, YouTube — diese Plattformen werden zunehmend als Quellen in Fan-outs herangezogen. Nur auf der eigenen Domain präsent zu sein bedeutet, auf nur einem Feld zu spielen.
Was sich für Content-Teams ändert
Das Briefing ändert sich. Statt "ein Artikel über GEO für KMU" wird das richtige Briefing zu "ein Inhalt, der die Frage 'ist GEO relevant für ein Unternehmen mit weniger als 50 Mitarbeitenden ohne eigenes SEO-Team' mit Daten und konkreten Beispielen beantwortet".
Der Unterschied ist subtil. Die Auswirkung auf die KI-Sichtbarkeit ist es nicht.
LLMs greifen auf Inhalte zurück, die eine Teilfrage direkt und präzise beantworten. Informationsdichte zählt. Klarheit der Antwort zählt. Format zählt.
Das Signal, das kaum ein Team hat
Zu wissen, welche Fan-outs die eigene Kategorie betreffen, ist ein handfester Wettbewerbsvorteil. Nicht weil es eine esoterische Technik wäre, sondern weil es ein Signal ist, das die große Mehrheit der Wettbewerber nicht hat.
2026 optimieren die meisten Marketingteams noch immer für Google-Keywords. Das ist nützlich. Es reicht nicht. Marken, die die Fan-out-Logik in ihre Content-Strategie aufnehmen, sind diejenigen, die anfangen, in KI-Antworten aufzutauchen, wo ihre Wettbewerber fehlen.
Der blinde Fleck von heute ist der Hebel von morgen.
Vurto identifiziert die Fan-out Queries, die mit Ihrer Marke und Branche verbunden sind, um GEO-Content-Empfehlungen zu kalibrieren.