Запис стріму: Fanout Query або запити fanout - як знайти і що далі робити

Стрім розгорнутий у текстовий гайд: Запити fan-out: як побачити підзапити AI і що з ними робити.

Fan-out — це коли людина ставить AI одне питання, а система в фоні сама робить кілька додаткових пошукових запитів, щоб зібрати повнішу відповідь. Олеся нагадала, що предок цього механізму давно знайомий: блок People also ask, який зараз майже повністю генерується AI. На ефірі до fan-out додали і grounding-запити, якими модель перевіряє власні факти з тренування перед тим, як видати їх користувачу: для практичної роботи це той самий список машинних запитів.

Саша розклала типи підзапитів: суміжні запити, суміжні сутності, порівняльні, чутливі до часу, плюс питання, яких користувач ще не поставив, але система передбачає їх наперед як follow-up. Зверху на все накладається персоналізація за профілем користувача. Скільки їх робить кожна система: 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 систем виходить приблизно сім підзапитів.

Де ці підзапити діставати. Для Google найпростіше: сам Google радить grounding у Gemini API, даєш промпт і отримуєш назад список fan-out запитів, які модель реально зробила. Він платний, але пари запитів досить, щоб побачити логіку і далі моделювати самостійно. У ChatGPT офіційного інструменту немає: F12, вкладка Network, відповіді conversation, і там видно запити до індексу і пошуку. Окреме зручне поле для цього OpenAI прибрали влітку, тому шукати треба всередині відповіді. Perplexity показує свої кроки, джерела і запити прямо в інтерфейсі під час генерації відповіді, а в DevTools варто увімкнути preserve log. З чату Юрій докинув ще підказки Google через неофіційний ендпоінт автокомпліту: перебираєш мови інтерфейсу і збираєш усі підказки.

Що з зібраним робити. Береш основне ключове слово, збираєш fan-out, дивишся видачу за кожним з них і шукаєш, де можеш додати щось унікальне. Підзапити сильно повторюються між промптами, тому вони групуються в кластери, і під кластери вже вирішуєш, де доповнити наявну сторінку, де зробити текст, відео чи зображення. На питання глядача, чи не розмиває fan-out класичну структуру під пошук, Саша відповіла: не треба сторінка під кожен підзапит, частину можна взагалі не покривати, і краще одна якісно покрита сторінка з усіх боків, ніж багато маленьких.

Про трекінг думки зійшлися: готові AI-visibility трекери купувати не варто. Вони працюють загальними промптами, а власний скрипт на grounding API під конкретний бізнес дає більше контексту, точніші типи підзапитів і коштує менше. Олеся трекає тільки комерційні fan-out, за якими сторінки під best збирають десятки тисяч показів на тиждень, для Саші fan-out це передусім джерело ідей, чого не вистачає в контенті.

Як це міряти без спецінструментів: у Search Console AI-запити впізнаються як довгі однотипні запити з великою кількістю показів і нулем кліків. Консоль Bing зараз дає якісніші дані, ніж Search Console, яка суперечить сама собі в різних звітах. Частина AI-трафіку падає в direct, бо джерело переходу не завжди передається, тому дорогі розміщення варто розмічати UTM-мітками. І технічна база: перевірити налаштування Cloudflare у трьох місцях, щоб випадково не закрити сайт від ботів, і синхронізувати факти про продукт на своєму сайті та в зовнішніх розміщеннях. Живий кейс: до сейлзів страхової компанії приходять люди зі старою ціною з чужої статті, бо лінкбілдер не звірив атрибути продукту. Коли модель бачить різні значення на різних ресурсах, вона може вирішити, що бренд недостатньо надійний для відповіді.

Підсумок Олесі: якщо ти нормально робив SEO раніше, ти вже оптимізував і під fan-out, бо це просто розширення контенту додатковими запитами за інтентом користувача. Реально змінюється одне: одиницею оптимізації замість сторінки цілком стає чанк, шматок контенту, який модель дістає для відповіді або цитати.

Що не встигли на ефірі: Grok

Grok на стрімі не розібрали, тож коротко тут. За гайдом Profound, у Grok два режими пошуку: звичайний WebSearch по власному гібридному індексу xAI і DeepSearch, який ітеративно розбиває питання на підзапити і жене їх паралельно по вебу та по X, до 10 викликів інструментів на один запит. Головна відмінність від інших систем: X як пріоритетне джерело, пости звідти стоять поруч з вебом. Практична частина найприємніша: DeepSearch сам показує свої кроки пошуку прямо в інтерфейсі, тобто fan-out у Grok видно без DevTools. В API за це відповідають інструменти web_search і x_search, і цитати з'являються тільки тоді, коли ці інструменти реально викликались. Деталі: гайд Profound про пошук Grok.

Таймкоди:

• 0:00 інтро і слово спонсора Collaborator
• 1:13 що таке fan-out запити і до чого тут People also ask
• 3:31 типи підзапитів і скільки їх робить ChatGPT, Google, Brave і Perplexity
• 5:28 grounding у Gemini API: Google сам віддає свої fan-out
• 10:00 нащо це бізнесу: цитування, конверсії і менше кліків
• 11:27 Cloudflare: три місця, де можна випадково закритися від ботів
• 12:35 чи варто трекати fan-out і чи розмиває він структуру кластерів
• 17:03 синхронізація фактів про продукт і чекліст для лінкбілдера
• 20:15 як дістати fan-out: підказки Google, ChatGPT через DevTools, кроки Perplexity
• 22:11 чому не купувати готові AI-visibility трекери
• 24:23 AI-запити в Search Console, консоль Bing, трафік у direct і UTM-мітки
• 28:56 хто яким пошуком користується: ChatGPT, Perplexity, мапи
• 36:37 підсумки: одиниця оптимізації тепер чанк

Що почитати до теми

• Як ми міряємо частку сайту в AI-відповідях Google і які підзапити робить Gemini
• Як знайти запити з AI Mode у Search Console
• Як ранжуватися в ChatGPT: розбір подкасту з Dan Petrovic
• Як Perplexity відбирає джерела для відповідей
• Brave Ask зсередини і дослідження geoSurge про пам'ять моделі
• 5 333 реальні запити, якими Gemini шукає в Google
• Що насправді описують патенти Google про AI Overviews і AI Mode
• Стрім про RAG для SEO: як AI-системи дістають і нарізають сторінки