Analyse von Query Fan-Outs bei drei KI-Modellen
Wenn ein Nutzer eine Frage stellt, führen KI-Modelle diese nicht direkt aus. Stattdessen generieren sie mehrere eigene Suchanfragen, die auf der ursprünglichen Anfrage basieren. Diese Query Fan-Outs dienen dazu, komplexe Themen in kleinere Einheiten aufzuteilen und Informationen aus verschiedenen Quellen zu verifizieren.
Dan Petrovic von DEJAN AI beschreibt, wie verschiedene KI-Modelle bei der Informationsbeschaffung im Web vorgehen. Die Analyse umfasst 365.920 Query Fan-Outs von Google (Gemini), OpenAI (GPT) und Amazon (Nova). Die Daten stammen aus realen Arbeitsumgebungen über mehrere Projekte hinweg.
Die Verteilung der erfassten Queries:
- Google (Gemini): 158.186 Queries
- OpenAI (GPT): 207.174 Queries
- Amazon (Nova): 560 Queries
Die Analyse zeigt, welche Suchanfragen KI-Modelle tatsächlich generieren, wenn Nutzer eine Frage stellen. Diese internen Queries bestimmen, welche Inhalte die Modelle finden und als Quelle nutzen.
KI-generierte Suchanfragen sind deutlich länger
Die Ergebnisse zeigen: KI-generierte Suchanfragen sind deutlich länger als typische Nutzer-Suchanfragen. Die durchschnittliche Länge liegt zwischen 52 und 60 Zeichen. Die überwiegende Mehrheit besteht aus sieben oder mehr Wörtern (71,1 %). Nur 3,9 % der Queries enthalten ein bis drei Wörter.
OpenAI GPT generiert die längsten Queries mit durchschnittlich 60 Zeichen, gefolgt von Amazon Nova mit 59 Zeichen. Google Gemini liegt bei 52 Zeichen.
Die Verteilung nach Wortanzahl zeigt deutliche Unterschiede zwischen den Anbietern:
- Google: 64,9 % der Queries bestehen aus sieben oder mehr Wörtern
- OpenAI: 75,8 % der Queries bestehen aus sieben oder mehr Wörtern
- Amazon: 83,6 % der Queries bestehen aus sieben oder mehr Wörtern
Kurze Queries mit ein bis drei Wörtern sind selten. Google generiert diese in 4,5 % der Fälle, OpenAI in 3,4 % und Amazon nur in 0,2 %.
Unterschiedliche sprachliche Strategien der drei Anbieter
Die Analyse zeigt, wie unterschiedlich die drei Anbieter ihre Suchanfragen aufbauen: OpenAI setzt stark auf Nomen. 58,4 % aller Wörter in den generierten Queries sind Nomen, davon 18,9 % Eigennamen. Google liegt bei nur 8,6 % Eigennamen. OpenAI generiert deutlich mehr entitätsspezifische Suchanfragen, die gezielt nach bestimmten Personen, Orten oder Organisationen suchen.
Amazon nutzt überdurchschnittlich viele Adjektive. Der Anteil liegt bei 18,6 %, während Google und OpenAI nur rund 10 % erreichen. Amazon-Queries enthalten häufiger qualifizierende Begriffe wie „beste", „top" oder „effektivste".
Google verwendet mehr W-Fragen und Verben. Die Queries sind stärker als ausformulierte Fragen strukturiert und nutzen häufiger Fragewörter wie „was", „wie" oder „welche".
OpenAI nutzt doppelt so viele Zahlen wie die Konkurrenz (5,3 %). Das deutet auf Suchanfragen hin, die gezielt nach Jahreszahlen oder spezifischen Mengen suchen.
Relevanz für Content-Optimierung
Die unterschiedlichen Query-Strategien der KI-Modelle haben direkte Auswirkungen auf die Content-Optimierung. Als GEO-Agentur unterstützt seowerk Unternehmen dabei, Inhalte für verschiedene KI-Modelle zu optimieren. Wer versteht, wie die verschiedenen Anbieter ihre Suchanfragen formulieren, kann Inhalte gezielter darauf ausrichten.
Für OpenAI-Modelle empfiehlt sich eine stärkere Fokussierung auf spezifische Entitäten. Inhalte sollten konkrete Namen, Organisationen und Orte klar benennen. Auch numerische Informationen wie Jahreszahlen, Statistiken und Mengenangaben erhöhen die Auffindbarkeit.
Bei Amazon-Modellen spielen beschreibende und bewertende Formulierungen eine größere Rolle. Inhalte, die Vergleiche, Bewertungen oder qualifizierende Aussagen enthalten, werden eher gefunden. Begriffe wie „beste Lösung", „effektivste Methode" oder „top Anbieter" passen zur Query-Strategie.
Google-Modelle reagieren stärker auf fragenbasierte Inhalte. Da Gemini häufiger W-Fragen generiert, erhöhen Strukturen, die direkte Antworten auf Fragen liefern, die Chance, als Quelle genutzt zu werden. FAQ-Formate und klar formulierte Problemlösungen passen zur Query-Struktur.
Die Analyse zeigt: KI-Modelle nutzen unterschiedliche Strategien bei der Informationsbeschaffung. Diese Unterschiede zu kennen, ermöglicht eine gezieltere Ausrichtung von Inhalten auf die jeweiligen Modelle.
Quelle: DEJAN AI
