Коли людина ставить AI одне питання, система в фоні робить кілька власних пошукових запитів і збирає відповідь з їхніх результатів. Ці фонові запити називаються fan-out, і хто ранжується за ними, той і потрапляє у відповідь. Нижче розбираємо, які типи підзапитів роблять AI-системи, як побачити їх у Google, ChatGPT, Perplexity і Grok і що з ними робити далі. Це текстова версія нашого стріму про запити fan-out, відео можна дивитись паралельно:
Сам механізм не новий. Блок People also ask у видачі Google працює за схожим принципом: видача добудовується суміжними питаннями наперед. А відповіді всередині цього блока вже фактично AI Overviews: за даними AlsoAsked, у перший тиждень вересня їх 97%, роком раніше було 12%. Fan-out переніс цю логіку всередину відповіді. Окремо існують grounding-запити: ними модель перевіряє факти зі свого тренування перед тим, як видати їх користувачу. Для практичної роботи це один і той самий список машинних запитів, тому далі ми не розрізняємо їх.
Які типи підзапитів робить AI
Система розбиває ваш запит на кілька підзапитів з різних боків:
- Суміжні запити — семантичні сусіди вашого запиту.
- Суміжні сутності — та сама тема через повʼязані бренди, продукти, людей.
- Порівняльні — X проти Y, навіть якщо ви не просили порівняння.
- Чутливі до часу — з вимогою свіжості, часто з роком у запиті.
- Передбачені наперед — питання, яких ви ще не поставили, але система очікує їх як наступні і закриває заздалегідь.
Зверху на це накладається персоналізація: профіль, локація, історія. Тому точний набір підзапитів у кожного користувача свій, і ганятися за повним списком нема сенсу. Сенс у тому, що між різними промптами на одну тему підзапити сильно повторюються.
Скільки їх робить кожна система, за нашими спостереженнями: ChatGPT близько шести і зараз зменшує кількість, бо економить ресурси, модель Google робить до 20, Brave близько семи, Perplexity шукає на кожен запит. Медіана по всіх виходить приблизно сім підзапитів на одне питання.
Google: grounding у Gemini API
Найпростіший спосіб, бо Google сам його дає. У Gemini API вмикається пошук Google, і відповідь повертається разом з полем webSearchQueries, де лежать запити, які модель реально зробила:
curl -s "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.5-flash:generateContent?key=$GEMINI_API_KEY" \
-H "Content-Type: application/json" \
-d '{"contents":[{"parts":[{"text":"ваш запит"}]}],"tools":[{"google_search":{}}]}'
Живий приклад з наших даних: на запит seo baza модель зробила чотири підзапити, серед них "SEO BAZA" сайт у лапках, "SEO BAZA" site:.ua з оператором і кириличну форму seo база. Це запити машини для машини: лапки, оператори, кілька мов на один запит. Людина так не шукає.
Grounding платний, але для розуміння логіки досить кількох запитів: дивитесь, які підзапити виходять з вашого основного ключа, і далі моделюєте самостійно. Як ми зібрали на цьому цілий вимірювач частки сайту в AI-відповідях, описано у статті про share of AI answer.
ChatGPT: DevTools і нова мова пошуку
Офіційного інструменту в OpenAI немає, тож дивимось мережевий трафік. Відкрийте chatgpt.com у Chrome, натисніть F12, вкладка Network, і тільки потім поставте питання, бо DevTools записує трафік лише поки відкритий. У фільтрі наберіть conversation, клікніть найбільшу відповідь, вкладка Response, і шукайте в ній fast| через Ctrl+F.
Влітку OpenAI прибрали з потоку окреме зручне поле search_queries, тому старі інструкції більше не працюють. Але запити лишились у потоці в компактному форматі: рядок типу fast|Zendesk AI agents pricing 2026|30|zendesk.com читається як тип пошуку, текст запиту, вимога свіжості в днях і необовʼязковий цільовий домен. Для біржових цін модель вимагає свіжість 2 дні, для комерційних тем 30, а Reddit дозволяє собі й річної давнини. Новий синтаксис детально розібрав Suganthan Mohanadasan.
Perplexity і Grok: показують самі
Perplexity показує свої кроки, запити і джерела прямо в інтерфейсі, поки генерує відповідь. Якщо дивитесь через DevTools, увімкніть preserve log, бо потік відповіді не відтворюється заднім числом. Важлива особливість цієї системи: вона майже не розширює запит і шукає близько до дослівного формулювання користувача, тому точні фрази у вашому тексті важать тут більше, ніж будь-де. Детальніше в нашому розборі, як Perplexity відбирає джерела.
У Grok два режими пошуку: звичайний WebSearch по власному індексу xAI і DeepSearch, який ітеративно розбиває питання на підзапити і жене їх паралельно по вебу та по X, до 10 викликів інструментів на запит. DeepSearch показує кроки пошуку прямо в інтерфейсі, тобто fan-out тут видно без DevTools. Головна відмінність від інших систем у джерелах: пости з X стоять поруч з вебом. В API за пошук відповідають інструменти web_search і x_search, деталі є в гайді Profound про пошук Grok.
Безкоштовні сусіди: Bing, Search Console і підказки
У Bing Webmaster Tools є вкладка AI Performance: вона показує, якими запитами Copilot і ChatGPT діставали ваші сторінки з індексу Bing. Це реальні машинні запити саме до вашого сайту, без жодного API і витрат. Ми писали про запуск цього звіту у лютому.
У Google Search Console AI-запити впізнаються за патерном: довгі однотипні запити з помітною кількістю показів і нулем або одиницею кліків. Як відділяти запити з AI Mode, ми розбирали у гайді про запити AI Mode у Search Console.
І класика, яка нікуди не ділась: підказки автокомпліту збираються через неофіційний ендпоінт Google, перебором мови інтерфейсу та країни:
curl -s "https://suggestqueries.google.com/complete/search?client=firefox&hl=uk&gl=UA&q=ваш+бренд"
Це трохи інший звір, підказки формуються з людського попиту, а fan-out генерує модель. Але для мапи теми і брендових ризиків вони чудово доповнюють одне одного.
Що робити із зібраними підзапитами
Беремо основне ключове слово, збираємо його fan-out, дивимось видачу за кожним підзапитом і шукаємо, де можемо додати щось унікальне. Підзапити між різними промптами повторюються, тому вони природно групуються в кластери. Під кластери вирішуємо, де доповнити наявну сторінку, де зробити окремий текст, відео або зображення, і виводимо це в топ за відповідними запитами. Модель бере для відповіді те, що ранжується за її підзапитами.
Не треба робити сторінку під кожен підзапит. Частину можна взагалі не покривати. Одна якісно покрита сторінка з усіх боків працює краще за багато маленьких. Fan-out тут слугує джерелом кутів: як ще можна описати продукт, на які decision-питання покупця ви досі не відповіли, чого немає в конкурентів.
Одиниця, за яку йде конкуренція, це вже давно чанк, шматок контенту, який модель дістає для відповіді або цитати. Тому найважливіше ставимо якомога вище на сторінці, а кожен блок пишемо самодостатнім: питання і повна відповідь поруч.
Розбіжності у фактах про продукт ламають видимість найчастіше. Живий кейс зі стріму: до сейлзів страхової компанії приходять люди зі старою ціною, вичитаною в чужій статті, бо лінкбілдер не звірив атрибути продукту перед розміщенням. Коли модель бачить різні значення на різних ресурсах, вона може вирішити, що бренд недостатньо надійний для відповіді. Мінімальний робочий захист: табличка-чекліст атрибутів продукту для контент-редактора і лінкбілдера, щоб у кожному зовнішньому розміщенні стояли ті самі цифри, що на сайті.
Чи треба це трекати
Комерційні підзапити варто. Якщо сторінка під запити з best збирає десятки тисяч показів на тиждень, за позицією під цим fan-out стоять гроші. Решту достатньо використовувати як джерело ідей для контенту.
Готові AI-visibility трекери купувати не радимо. Вони працюють загальними промптами під усіх клієнтів одразу, а власний скрипт на grounding API під конкретний бізнес дає більше контексту, точніше розбиває підзапити на типи і коштує менше. Технічних знань для цього треба небагато: API з прикладами дає сам Google, решту збирає будь-який агент типу Claude або Codex.
З вимірюванням трафіку тверезе очікування таке: частина переходів з AI падає в direct, бо джерело не завжди передається, особливо з мобільних. І дивіться в консоль Bing теж: на наших проєктах вона зараз показує якісніші дані, ніж Search Console, яка останнім часом суперечить сама собі в різних звітах.
Перед усім цим переконайтеся, що боти взагалі можуть дістатись вашого контенту: Cloudflare має три різні місця, де сайт випадково закривається від краулерів AI, і перевірити треба кожне.
Якщо ви нормально робили SEO раніше, ви вже оптимізували і під fan-out, бо це розширення контенту додатковими запитами за інтентом користувача. Нове модне слово, стара робота, тільки одиницею оптимізації замість сторінки став чанк.
Відео повністю: Fanout Query або запити fanout: як знайти і що далі робити