Die Query-Fan-Out-Funktion von Waikay
Was das ist und warum es in deinem Werkzeugkasten für die KI-Optimierung nicht fehlen darf
Die Grundlagen
KI-Optimierung anzugehen, ist nicht leicht. Sie ist neu, sie ist verwirrend, und ein bewährtes Vorgehen gibt es noch nicht. Das meiste, was wir wissen, stammt aus frühen Experimenten und von Leuten, die in Echtzeit teilen, was bei ihnen funktioniert. Dazu kommt eine Welle von Tools, die KI-Optimierung so darstellen wollen, als wäre sie dasselbe wie die Keyword-Recherche in der SEO: Sie verkaufen „KI-Suchvolumen“ und behandeln sie wie die alten Suchkennzahlen, die wir kennen.
Nur ist es so: KI erzeugt keine Suchvolumen. Es gibt keine Datenbank dazu, wie viele Menschen ChatGPT oder Gemini im letzten Monat dasselbe gefragt haben. Selbst wenn du exakt dieselbe Formulierung mehrmals an die KI gibst, können die Antworten deutlich voneinander abweichen. So funktioniert das eben: Sie arbeitet generativ, nicht mit einem Index.
Wenn wir uns also nicht auf Volumenzahlen verlassen können, wie verbessern wir dann tatsächlich unsere Sichtbarkeit? Der einzige tragfähige Ansatz ist, Muster über die Zeit über ein breites Spektrum verwandter Anfragen hinweg zu untersuchen, statt nur auf einem einzelnen Keyword herumzureiten. Überleg mal: Wenn du für „Hundefutter“ ranken willst, bringt es nichts, auf deiner Website eine Million Mal „Hundefutter“ zu schreiben. (In der SEO funktioniert das schon lange nicht mehr.) Trotzdem scheinen viele dieses Grundprinzip irgendwie vergessen zu haben, seit sich die Diskussion zur KI-Suche verlagert.
Um zu verstehen, was in der KI „rankt“, müssen wir einen Schritt zurücktreten und uns ansehen, worauf die Funktionsweise von KI beruht. Und diese Grundlage sind Entitäten.
Entitäten in der KI
Entitäten sind nicht bloß Wörter, sie sind Konzepte. Sie bündeln mehrere Bedeutungsebenen. Nimm „Hundefutter“ als Beispiel. Als Entität zieht der Begriff sofort verwandte Vorstellungen nach sich: Gesundheit, Zutaten, Fisch, Huhn, Brühe, Preis, Qualität, Haustiere, sogar emotionale Assoziationen wie „glücklicher Hund“ oder „billig, aber ungesund“. Menschen verarbeiten „Hundefutter“ nicht als alleinstehendes Wort: Wir denken automatisch den Kontext mit. KI tut dasselbe.
Deshalb geht es beim Auswerten von KI-Antworten weniger um exakte Zahlen als um qualitative Muster. Es ist fast so, als würde man mit Menschen sprechen. Würdest du 100 Leute auf der Straße fragen: „Welches Hundefutter ist das beste?“, bekämst du nicht eine einzige Antwort, sondern 100 leicht unterschiedliche. Der eine schwört vielleicht auf eine günstige Supermarktmarke, die andere auf ein hochwertiges Bio-Produkt, und ein Dritter gibt zu, dass sein Hund das ungesunde Zeug liebt, er es aber nur gelegentlich kauft.
Entscheidend ist: Zusammengenommen ergeben diese Antworten das wirkliche Bild. Du würdest die Favoriten erkennen, die Themen und die Abwägungen, die Menschen treffen. Genau so müssen wir auch KI behandeln.
Was ist Query Fan Out?
Zurück zur großen Frage: Was hat das mit Query Fan Out zu tun? Und was bedeutet das überhaupt?
Bei Query Fan Out geht es darum, nicht an einem einzigen Keyword oder einer einzigen Formulierung hängen zu bleiben. Die Anfrage wird stattdessen bewusst aufgefächert (daher „Fan Out“): in die verwandten Entitäten und Kontexte, die Menschen ganz von selbst einbringen, wenn sie über ein Thema sprechen.
Nimm noch einmal das Beispiel Hundefutter. Eine einzelne Person könnte antworten:
- „Beim Preis ist Marke X am besten, bei der Qualität bevorzuge ich aber Marke Y.“
- „Mein Hund liebt dieses Futter, aber es steckt voller Füllstoffe, deshalb kaufe ich es nur als Leckerli.“
- „Früher habe ich diese Marke gekauft, weil sie günstig war. Dann hat mir mein Tierarzt gesagt, dass sie nicht gesund ist, also habe ich gewechselt.“
Achte darauf, wie schnell hier einschränkende Kriterien ins Spiel kommen: Preis, Qualität, Gesundheit, Bequemlichkeit. Das sind keine Nebensächlichkeiten. Es sind die Entitätsmerkmale, die bestimmen, wie Menschen (und KI) das Feld bewerten.
Query Fan Out nimmt solche Kriterien vorweg. Du musst dir nicht jeden denkbaren Blickwinkel selbst überlegen: Waikay nutzt Daten zu den Beziehungen zwischen Entitäten, um deine Ausgangsanfrage automatisch zu erweitern. So siehst du, wo deine Marke in den verschiedenen Dimensionen steht, die KI-Systeme voraussichtlich berücksichtigen.
Query Fan Out in Waikay erklärt
Wie setzt Waikay das nun konkret um? Zum Glück ist es einfacher, als es klingt.
- Du beginnst mit einer Formulierung, für die du ranken willst, zum Beispiel: „What is the best dog food brand?“
- Waikay fragt ein KI-System (etwa Gemini) ab und holt Varianten dieser Formulierung zurück, also verschiedene Arten, wie Nutzer dieselbe Frage stellen könnten.
- Diese Varianten bringen oft neue Blickwinkel ein: Gesundheit, Erschwinglichkeit, Nährwert, Bequemlichkeit, Nachhaltigkeit, rassespezifische Bedürfnisse usw.
- Dann wählst du die aus, die für deine Marke am sinnvollsten sind, und nimmst sie in deinen Pool von Anfragen auf.
Am Ende steht ein vollständiges Bild der Präsenz deiner Marke in der KI-Suche. Statt einer oberflächlichen Momentaufnahme, die an einer einzigen Formulierung hängt, baust du einen Datensatz mit vielen Entitäten auf, der zeigt, wie KI und damit auch Nutzer tatsächlich über dein Feld sprechen. Das heißt: Du musst nicht wissen, was du verfolgen sollst, hast aber alle Werkzeuge, um herauszufinden, was du verfolgen solltest.
Beispiel:
Hier ein Beispiel für die Query-Fan-Out-Funktion in Waikay. Du siehst: Sie geht nicht nur verschiedene Entitäten aus unterschiedlichen Blickwinkeln an, sie beginnt auch, verschiedene Zielgruppen abzudecken. Allgemeine Rankings unterscheiden sich zum Beispiel deutlich von Experten- oder Nutzerbewertungen. So kannst du anfangen, deine Marke aus verschiedenen Perspektiven zu sehen, und es kommen verschiedene Dinge ins Spiel, die Menschen berücksichtigen, wenn sie nach fachlich verlässlichen Quellen suchen.
Darin liegt die eigentliche Stärke von Query Fan Out: weg von der Fixierung auf Keywords, hin zum Blick für den Kontext, und weg von einzelnen Momentaufnahmen, hin zu einem Gesamtverständnis.
Um darauf zuzugreifen, öffne zuerst die Funktion „Brand Visibility“:
Lege dann einen Prompt an. Achte darauf, dass es eine Funnel-Anfrage ist, bei der mehrere Marken in den Ergebnissen auftauchen können.
Das löst den Query Fan Out automatisch aus. Nutze ihn, um die Prompts zu ergänzen, die du verfolgst. Starte mit einer einzelnen Idee und erweitere sie nach Logik, nicht nach Suchvolumen.
Aber ich will Suchvolumen!
Viele SEOs fragen jetzt sofort: Aber sind diese Daten überhaupt genau?
Die Antwort: ja, aber nicht im Sinn der alten Keyword-Kennzahlen. Sie sind auf dieselbe Weise genau wie eine Befragung von 100 echten Menschen. KI ist darauf trainiert, menschliche Kommunikation nachzuahmen. Wenn wir ihre Antworten qualitativ auswerten, führen wir also im Grunde eine riesige, automatisierte Fokusgruppe durch. Das ist unordentlich, es ist menschenähnlich, und es ist weit realistischer, als nicht existierenden Zahlen zum „KI-Suchvolumen“ hinterherzujagen.
Aber woher bekomme ich diese Autorität?
Dazu gibt es im Moment sehr viele widersprüchliche Quellen. Nach unserem derzeitigen Verständnis kommt es auf wiederholte und übereinstimmende Rückmeldungen aus mehreren Quellen an. Reddit war (und ist laut Waikay) ein riesiger Zitationspool für Markenautorität, aber wir können nicht aber wir können uns nicht allein auf Reddit oder irgendeine einzelne Plattform verlassen. Autorität in KI-Antworten, besonders im Unternehmens- oder kommerziellen Einsatz, verlangt eine mehrgleisige Strategie, die auf Transparenz, Konsistenz und überprüfbarer Expertise beruht.
• Zitationen von vertrauenswürdigen Domains: Antworten, die auf anerkannte Quellen mit hoher Autorität verlinken (etwa .gov, .edu, große Publikationen oder Branchenführer), haben mehr Gewicht. Reddit kann für Stimmungsbilder und die Bestätigung durch die Community nützlich sein, ist aber keine primäre Quelle für faktische Autorität.
• Schema und strukturierte Daten: Wenn deine Marke Inhalte veröffentlicht, hilft eingebettetes Schema (vor allem die Eigenschaften , , und ) Suchmaschinen und KI-Modellen, deine Glaubwürdigkeit zu verstehen. Das gilt besonders für Plattformen wie InLinks, die interne Verlinkung und das Ausspielen von Schema automatisieren.
• Konsistenz über alle Plattformen: Autorität wird gestärkt, wenn Botschaften, Expertise und Tonfall deiner Marke auf deiner Website, in sozialen Medien, in der Dokumentation und in Erwähnungen durch Dritte übereinstimmen. KI-Modelle nehmen diese Wiederholung wahr.
• Inhalte von Fachleuten: Wenn deine Marke Inhalte veröffentlicht, die echten Experten zugeordnet sind (mit Kurzbiografie, Qualifikationen und Bestätigung von außen), werden sie von KI-Systemen mit größerer Wahrscheinlichkeit zitiert oder herangezogen. Autorität verdient man sich durch Klarheit und Gründlichkeit, nicht bloß durch Menge.
• Interaktion und Backlinks: Verweisen andere maßgebliche Websites auf deine Inhalte, besonders in technischen Bereichen oder Nischen, signalisiert das Vertrauenswürdigkeit. KI-Modelle berücksichtigen oft Backlink-Profile, wenn sie entscheiden, welchen Quellen sie vertrauen.
• Transparenz und Offenlegung: Besonders in sensiblen Bereichen wie Gesundheit, Finanzen oder Sicherheit erhöhen klare Offenlegungen, Zeitstempel der Aktualisierung und redaktionelle Standards die wahrgenommene Autorität.
Ehrlich gesagt: Autorität „bekommt“ man nicht einmalig. Man baut sie auf, festigt sie und schützt sie. KI-Systeme sind darauf trainiert, Quellen zu bevorzugen, die über die Zeit Expertise, Vertrauenswürdigkeit und Relevanz beweisen. Deine Marke muss also beständig präsent sein, sich klar ausdrücken und Aussagen mit Belegen untermauern.
Genie Jones is a Knowledge Graph Manager at InLinks and Waikay. A Warwick University graduate with a degree in Language, Culture, and Communications, she combines her passion for linguistics with website optimization. Genie specializes in using linguistic insights to enhance content structure, improve SEO, and manage knowledge graphs, helping brands connect effectively with their audiences.
