Der Prompt als Lego-Figur: warum KI-Sichtbarkeit über Entitäten läuft, nicht über Keywords

Die meisten Optimierungspläne, die ich in Beratungsprojekten sehe, folgen noch derselben Logik: ein Prompt, eine Landingpage, ein Ranking. Diese Rechnung geht nicht mehr auf, weil ChatGPT, Google AI Mode und Perplexity jede Frage vor der Antwort zerlegen. Ein Prompt ist dann keine einzelne Frage mehr. Er ist eine Lego-Figur aus vielen Blöcken, und die KI sucht nach jedem Block für sich. Eine gute Google-Position auf den Ausgangsbegriff kann in der KI-Antwort zur Nebenrolle werden – oder ganz verschwinden.

Wie sich SEO in vier Etappen bis hierher verschoben hat

Ich erinnere mich noch an die Etappe des reinen Keyword-Stuffings. Ein Block aus kommagetrennten Begriffen unten auf der Seite reichte oft für stabile Positionen, ohne dass wir sonst viel bewegen mussten. Danach kam die Recherche mit Intent-Trennung: informational, commercial, transactional. Semantische Kerne, Cluster, thematische Karten. Der Übergang zur Ära der Sprachmodelle – eingeläutet durch Googles BERT, das Sätze im Zusammenhang liest statt Wort für Wort – hat das Modell noch einmal umgestellt. Suchmaschinen verstehen Kontext, Präpositionen, Ironie. Der exakte Begriff verliert seinen Rang, die semantische Tiefe rückt an seine Stelle.

Jetzt kommt die vierte Etappe. Die Frage, für welches Keyword eine Seite ranken soll, wird durch eine andere ersetzt: welche Teilfragen der KI-Suchprozess aus dem Ausgangsbegriff selbst ableitet, und in welchen davon Ihr Content vorkommt. Das ist keine graduelle Verfeinerung. Es ist eine neue Grundlage.

Was Google offiziell Query Fan-Out nennt

Elizabeth Reid, Head of Search bei Google, hat den Mechanismus auf der Google I/O 2025 benannt: „Search recognizes when a question needs advanced reasoning. It calls on our custom version of Gemini to break the question into different subtopics, and it issues a multitude of queries simultaneously on your behalf.“ Das System erkennt also, wann eine Frage über eine einfache Antwort hinausgeht, zerlegt sie in Teilthemen und stößt für jeden Teil eine eigene Suche an. Die finale Antwort baut auf diesem Bündel auf, nicht auf einem einzelnen Ranking.

Wie groß dieses Bündel wird, hängt vom Reasoning-Modus ab. Kevin Indig und Semrush haben in einer Auswertung von Juni 2026 100 Prompts durch GPT-5.2 in beiden Modi laufen lassen und die Sub-Queries verglichen. Der Thinking Mode stößt 4,6-mal so viele Fan-Out-Queries an wie der Instant Mode. Nur 25,6 Prozent der zitierten Domains überlappen zwischen beiden Modi. Fast drei von vier Belegen tauchen im schnellen Modus nie auf. Wer seine Sichtbarkeit also nur im Instant Mode misst, misst am Wettbewerbsfeld vorbei, das ein Käufer bei einer komplexen Frage tatsächlich sieht.

Ein Fall aus meiner Praxis: „Lohnt sich Fulfillment Outsourcing für meinen Shop?“

Ein Beispiel aus einer laufenden Fan-Out-Analyse für einen Schweizer E-Commerce-Kontext. Der Prompt „Lohnt sich Fulfillment Outsourcing für meinen Shop?“ zerfiel in neun Sub-Queries, die das System parallel loslässt. Sieben davon drehen sich um „Fulfillment Outsourcing Vorteile für Online-Shop“. Das System will die Kernfrage aus dem Blickwinkel der Vor- und Nachteile lösen. Zwei zusätzliche Sub-Queries brechen die Kernfrage weiter auf. Die erste öffnet das Kaufumfeld: „Fulfillment Outsourcing E-Commerce lohnt sich Schweiz Kosten Vorteile Nachteile“. Die zweite zieht Plattform und Anbieterlandschaft hinzu: „Fulfillment Outsourcing Vorteile Nachteile E-Commerce lohnt sich Fulfillment Anbieter Deutschland“.

Extrahiere ich aus diesem und weiteren Wiederholungen des Fan-Out die häufigsten Wortpaare, wird sichtbar, worauf der Käufer im Entscheidungsprozess gerade zeigt. Die Verteilung sah so aus: „vorteile online“ mit 28 Nennungen vorn, dann „e commerce“ mit 18 und „vorteile nachteile“ mit 17, mit Abstand gefolgt von „commerce vorteile“ mit 6. Der lange Schwanz danach besteht aus Einzeltreffern zu Schweizer Kosten, Amazon FBA, Lagerlogistik und Anbieterland, je ein bis zwei Nennungen. Der Prompt liest sich wie eine einzige Frage. Er ist in Wirklichkeit ein Bündel von Prüfungen, bei denen der Käufer geografische, preisliche, technische und wettbewerbsseitige Grenzen abtastet.

Für einen Fulfillment-Anbieter aus der Schweiz sind das messbare Sichtbarkeitspositionen. Fehlt eine klare, zitierfähige Antwort zu „Kosten in der Schweiz“ oder zum Vergleich mit Amazon FBA, holt sich das Modell die Antwort woanders. Die Landingpage „Fulfillment Outsourcing“ mag auf Google auf Position 3 stehen. Für den ChatGPT-Käufer, der Kosten in Franken kalkuliert und FBA als Alternative im Kopf hat, ist sie unsichtbar. Der Fall läuft noch. Welche Lücke am Ende wie viel Zitationsrate bringt, trage ich nach, sobald die neuen Antworten indexiert sind – Ergebnis folgt.

Was 25 Prompts über den Fan-Out verraten

Ein einzelner Prompt kann täuschen. Also habe ich denselben Blick auf das ganze Set gelegt: 25 Kaufprompts aus diesem Schweizer Fulfillment-Umfeld, über ChatGPT und Perplexity getrackt, im Fenster eines Monats zusammen 1.390 Fan-Out-Sub-Queries. Drei Befunde daraus ändern, wie ich Sichtbarkeit plane.

Die erste Zahl ist die Breite. Kein Prompt bleibt bei seiner Ausgangsform. Im Median zerfällt jede Frage in 26 Sub-Queries, der schmalste in 19, der breiteste in 31. Der Fan-Out reicht damit weiter, als die neun aus dem Einzelbeispiel oben vermuten lassen – über zwei Engines zusammengenommen ist er der Normalfall.

Die zweite Zahl trägt die These. Für 306 Domains habe ich zwei Werte nebeneinandergelegt: in wie vielen der 25 Prompts eine Domain zitiert wird, ihre Coverage-Breite, und wie oft die Engines sie überhaupt abrufen, ihren Retrieval-Anteil. Beide hängen stark zusammen, Pearson-Korrelation +0,64. Wer über viele Sub-Queries hinweg auftaucht, wird spürbar häufiger herangezogen. Die Gegenprobe schärft den Punkt: gegen die Zitierdichte je Treffer korreliert die Breite gar nicht (−0,05). Nicht wie dicht Sie an einer Stelle zitiert werden entscheidet, sondern an wie vielen Blöcken der Figur Sie vorkommen.

Der dritte Befund zeigt, wonach der Fan-Out fragt. Jede Sub-Query tastet eine Grenze der Kaufentscheidung ab. Am häufigsten die Geografie: 58 Prozent nennen ein Land oder einen Wirtschaftsraum, Schweiz, Deutschland, UK, EU. In 41 Prozent steckt ein Vergleich – „beste“, „Top“, direkter Anbietercheck. Knapp ein Drittel prüft harte Kriterien und Regulatorik, von der Verzollung bis zur Skalierbarkeit. Kosten kommen in 8 Prozent vor, ausdrückliche Alternativen in 2. Der Käufer stellt eine Frage und meint ein Dutzend Prüfungen.

Warum das Brief-auf-einen-Prompt-Denken hier scheitert

Der klassische Ablauf sieht so aus: Wir wollen für einen bestimmten Prompt sichtbar sein, also erstellen wir einen Brief, der eine Seite auf diesen Prompt zuschneidet. Der Ablauf greift zu kurz, weil der Prompt gar nicht das Optimierungsobjekt ist. Er ist eine Lego-Figur, zusammengesetzt aus vielen Einzelblöcken. Jeder dieser Blöcke ist eine Fan-Out-Query. Wer eine gute Seite für die Figur baut, aber die einzelnen Blöcke ignoriert, hat nur die Silhouette getroffen. Die Blöcke, aus denen sie zusammengesetzt ist, kommen aus anderen Quellen.

Die praktische Konsequenz ist unbequem: eine gute SEO-Position für den Ausgangsbegriff und eine Sichtbarkeit in der KI-Antwort sind zwei getrennte Größen. Der eine Wert kann steigen, während der andere fällt. Beide zu prüfen ist Pflicht.

Entity Mapping als neues Fundament

Aus dieser Verschiebung folgt eine andere Grundlage. Statt eine Seite pro Prompt zu bauen, kartieren Sie die Entitäten Ihres Marktumfeldes und ordnen ihnen Ihre Antworten zu. Eine Entität ist im Kontext der Generative Engine Optimization (GEO) ein klar umrissenes Objekt: „Fulfillment-Anbieter Schweiz“, „Amazon FBA“, „Shopify Fulfillment“, „Kosten pro Paket in CHF“, „Retourenquote“. Jede von ihnen kann in einer Fan-Out-Query landen. Wenn Ihre Seiten diese Entitäten mit klaren, überprüfbaren Aussagen belegen und intern sauber miteinander verlinken, wird Ihre Domain zur naheliegenden Quelle für das Modell.

Der Nutzen dieser Denkweise trägt weiter als der einzelne Prompt. Ein System, das heute im schnellen Modus antwortet, kann morgen den längeren Reasoning-Schritt einlegen. Die Modelle werden dabei tiefer forschen, aber die Entitäten und ihre Beziehungen bleiben. Wer sie klar hinterlegt, wird in beiden Modi zitiert. Das entspricht demselben Prinzip, das Google im Search Central APAC 2025 bestätigt hat: PageRank lebt weiter, und die Suchmaschinen denken in Entitäten und ihren Beziehungen, nicht in isolierten Keywords.

Fan-Out-Check: der Ablauf für Ihre nächsten drei Prompts

Ein Rezept, das ohne neues Werkzeug funktioniert.

Erstens: Wählen Sie drei Prompts aus, die aus Ihrer Sicht Ihre wichtigsten Kaufentscheidungen abbilden. Ein guter Test: Würden Sie in genau diesem Prompt selbst kaufen?

Zweitens: Lassen Sie das Modell den Fan-Out zeigen. Formulieren Sie: „Zeig mir die Sub-Queries, die du für diesen Prompt intern ausführen würdest, mit einer kurzen Begründung.“ ChatGPT im Thinking Mode und Perplexity antworten darauf verlässlich. Notieren Sie zwischen zehn und fünfzehn Sub-Queries pro Prompt.

Drittens: Extrahieren Sie die häufigsten Wortpaare. Ausdrücke wie „preis pro paket“, „anbieter schweiz“ oder „vergleich fba“ zeigen Ihnen die Grenzen, an denen der Käufer prüft. Halten Sie sie in einer schlanken Tabelle fest, in Zeilen die Wortpaare, in Spalten die Prompts.

Viertens: Prüfen Sie für jedes Wortpaar, ob Ihr Content einen klaren, zitierfähigen Satz dazu enthält. Ein Satz, kein Aufsatz drumherum. Der Satz muss so stehen, dass das Modell ihn herauslösen und als Beleg verwenden kann. Fehlt der Satz, ist die Lücke gefunden.

Fünftens: Ordnen Sie die Lücken nach zwei Maßstäben – Bedeutung für die Kaufentscheidung und Aufwand für die Antwort. Die Lücke mit dem besten Verhältnis füllen Sie zuerst.

Der ganze Ablauf für drei Prompts kostet mich in der Praxis zwischen einem halben und einem Tag. Messbare Bewegung in der Zitationsrate – dem Anteil der Antworten, in denen das Modell Sie als Quelle nennt – zeigt sich meist innerhalb weniger Wochen, sobald die neuen Antworten indexiert sind.

Wo dieser Ansatz an Grenzen stößt

Nicht jeder Prompt lohnt eine Fan-Out-Analyse. Bei Prompts, die stark auf Echtzeit-Preise oder tagesaktuelle Nachrichten angewiesen sind, verschiebt sich das Bündel der Sub-Queries jede Woche. Der Aufwand, jede Verschiebung nachzupflegen, übersteigt den Sichtbarkeitsgewinn. Der Fan-Out-Check zahlt sich für Prompts aus, die eine strukturelle Kaufentscheidung abbilden: mehrere Kriterien, längere Recherche, klarer Anbietervergleich.

Ein zweiter Punkt: Entity Mapping ersetzt kein sauberes technisches SEO. Wenn GPTBot, ClaudeBot oder PerplexityBot Ihre Seiten nicht erreichen, bleibt jedes Mapping wertlos. Wie Statuscodes und Crawl-Budget für dieses Fundament sorgen, habe ich im Beitrag zum Crawl Budget beschrieben.

Fazit

Die alte SEO-Rechnung Prompt → Landingpage → Ranking hat lange getragen. Sie trägt nicht mehr, weil zwischen Prompt und Antwort ein neuer Schritt sitzt, den weder Nutzer noch klassische Ranking-Tools sehen: der Fan-Out in Sub-Queries. Wer die Sub-Queries liest, sieht die Grenzen des Käufers klar vor sich. Wer die Entitäten dahinter mit klaren Antworten belegt, wird in beiden Reasoning-Modi zitiert. Wer weiter für den Ausgangsbegriff schreibt, optimiert für eine Bühne, die es so nicht mehr gibt.