Query Fanouts der KI-Modelle unterscheiden sich deutlich

Die von den verschiedenen KI-Modellen erzeugten Query Fanouts unterscheiden sich inhaltlich sowie in ihrer Länge. Das kann man für mögliche Optimierungen nutzen.

 Anzeige

Dan Petrovic hat untersucht, wie verschiedene KI-Modelle wie Google Gemini, GPT von OpenAI und Nova von Amazon bei der Informationsbeschaffung im Web vorgehen. Bei bestimmten Prompts erzeugen diese Modelle per Query Fanout verschiedene Fragen. Das sind vom Prompt abgeleitete Suchanfragen, um komplexe Fragen in Teilthemen zu zerlegen und Fakten zu überprüfen.

SEO-Beratung: Wir sind Ihre Experten

Wir bringen gemeinsam Ihre Website nach vorne. Profitieren Sie von jahrelanger SEO-Erfahrung.

Unsere Beratungsleistungen

Christian Kunz

SEO Experte

David Wulf

SEO Experte

Sven Häwel

Offpage-Experte

Für die Studie wurden 365.920 reale Fanout-Suchanfragen analysiert. Die Ergebnisse zeigen, dass KI-generierte Suchanfragen in der Regel recht lang sind: Die durchschnittliche Länge liegt zwischen 52 und 60 Zeichen. Die überwiegende Mehrheit der Anfragen besteht aus sieben oder mehr Wörtern.

Bei der Analyse der verwendeten Wortarten (Part-of-Speech) zeigten sich zudem deutliche inhaltliche Unterschiede zwischen den Modellen:

• OpenAI GPT: Die Anfragen sind stark nomenlastig mit einem besonders hohen Anteil an Eigennamen. Zudem verwendet OpenAI doppelt so viele Zahlen wie die Konkurrenz, was auf sehr gezielte Suchen nach spezifischen Entitäten wie z. B. nach bestimmten Jahren oder Mengen schließen lässt.
• Amazon Nova: Das Modell generiert besonders deskriptive Suchanfragen. Der Anteil an Adjektiven ist fast doppelt so hoch wie bei den anderen Anbietern. Das zeig sich durch qualifizierende Suchbegriffe wie „beste“, „top“ oder „effektivste“ äußert.
• Google Gemini: Google nutzt im Vergleich deutlich mehr W-Wörter (wie „was“, „wie“, „welche“) und Verben. Das führt zu Suchanfragen, die stärker als ausformulierte Fragen aufgebaut sind.

Diese Erkenntnisse sind hilfreich, wenn es um die Optimierung für die verschiedenen Modelle geht. So kann man zum Beispiel versuchen, die jeweils spezifischen Fragen in den entsprechenden Beiträgen zu beantworten.