Fan-out-Query

Wenn du etwas in eine Suchmaschine eintippst, sieht das nach einer einzigen Frage aus. Im Hintergrund wird daraus aber oft ein ganzes Bündel von Fragen. Das System zerlegt deinen Satz in mehrere Teilfragen und schickt sie gleichzeitig an verschiedene Stellen los. Danach sammelt es alle Antworten wieder ein und baut daraus ein Ergebnis. Genau dieses Auffächern und Wieder-Zusammenführen nennt man Fan-out-Query. Der Name kommt vom englischen „to fan out“, also „sich auffächern“ wie ein Handfächer.

Warum eine Frage selten eine Frage ist

Viele echte Fragen bestehen aus mehreren versteckten Teilfragen. Nimm „Welches E-Bike unter 2000 Euro hat die beste Reichweite und passt in meinen Kofferraum?“. Darin stecken mindestens drei Bedingungen: Preis, Reichweite und Größe. Ein System, das nur nach dem kompletten Satz sucht, findet vermutlich nichts Passendes. Ein System, das die Bedingungen einzeln prüft, hat deutlich bessere Chancen.

Dazu kommt die Geschwindigkeit. Die Teilfragen laufen parallel, also gleichzeitig statt nacheinander. Zehn Anfragen, die einzeln je eine halbe Sekunde brauchen, kosten zusammen trotzdem nur ungefähr eine halbe Sekunde. Für Nutzer fühlt sich das an wie eine einzige schnelle Suche. Ohne dieses Prinzip wären KI-Antworten mit Quellenangaben in ihrer heutigen Form kaum benutzbar.

Für Unternehmen hat das eine unangenehme Nebenwirkung. Früher konnte man eine Webseite auf einen bestimmten Suchbegriff hin optimieren. Wenn die Suchmaschine daraus aber zehn eigene Teilfragen macht, weiß niemand mehr genau, worauf man optimieren soll. Ein großer Teil der aktuellen Diskussion über die Zukunft der Suchmaschinenoptimierung dreht sich um genau dieses Problem.

Vom Auffächern bis zum Zusammensetzen

Der erste Schritt ist die Zerlegung. Ein Sprachmodell, also ein KI-System für Text, liest die ursprüngliche Frage und formuliert daraus mehrere Varianten. Manche davon sind Umformulierungen, andere decken einzelne Aspekte ab, wieder andere ergänzen Fachbegriffe, die der Nutzer nicht kannte. Aus einer Eingabe werden so schnell fünf bis dreißig Suchanfragen.

Im zweiten Schritt laufen diese Anfragen los, oft an ganz unterschiedliche Ziele. Eine geht an den Web-Index, eine an eine Produktdatenbank, eine an Kartendaten, eine an aktuelle Nachrichten. Jede Quelle liefert eine eigene Trefferliste zurück. Diese Listen sind zunächst unsortiert und enthalten viele Dopplungen.

Der dritte Schritt ist das Zusammenführen, im Fachjargon „Fan-in“. Doppelte Treffer werden entfernt, die Ergebnisse werden neu nach Relevanz sortiert, und ein Sprachmodell formuliert daraus eine Antwort. Hier liegt auch die größte Schwachstelle. Wenn eine Teilanfrage schlecht formuliert war oder eine Quelle langsam antwortet, fehlt dieser Baustein in der Endantwort. Der Nutzer sieht davon nichts und hält das Ergebnis für vollständig.

Wo überall aufgefächert wird

Am sichtbarsten ist das Prinzip bei KI-Suchdiensten. Perplexity, ChatGPT mit Websuche und Googles KI-Modus zeigen häufig an, wie viele Suchanfragen sie gerade stellen. Wenn dort „12 Quellen durchsucht“ steht, hast du eine Fan-out-Query in Aktion gesehen. Bei sogenannten Deep-Research-Funktionen, die minutenlang arbeiten, können es hunderte Teilanfragen werden.

Auch außerhalb der KI ist das Muster alt. Eine Reise-Vergleichsseite fragt bei jeder Suche dutzende Airlines gleichzeitig ab. Deine Social-Media-Startseite entsteht, indem der Dienst parallel Beiträge, Werbung und Benachrichtigungen einsammelt. In der Softwareentwicklung ist Fan-out deshalb seit Jahren ein Standardbegriff für verteilte Systeme.

Ein verbreiteter Irrtum ist, dass mehr Teilanfragen automatisch bessere Antworten bedeuten. Jede zusätzliche Anfrage kostet Rechenzeit und Geld, und schlechte Quellen können eine gute Antwort sogar verschlechtern. Anbieter suchen deshalb ständig nach der richtigen Balance zwischen Gründlichkeit und Aufwand.