Query fan-out: как ИИ дробит один вопрос на десяток запросов и под какие из них писать страницы

Query fan-out — это механизм, при котором ИИ-поисковик (Google AI Mode, AI Overviews, Microsoft Copilot) не ищет по буквальному тексту вашего вопроса, а раскладывает его на несколько десятков связанных подзапросов и параллельно ищет ответ по каждому. Для контента это значит: писать нужно не под один головной запрос, а под кластер его вариаций — уточнений, сравнений, обобщений и переформулировок, которые реально пойдут в поиск за вас.

Что такое query fan-out простыми словами

Query fan-out — это разложение одного пользовательского запроса на набор подзапросов, которые система генерирует сама и отправляет в поиск параллельно, а затем склеивает результаты в один ответ. Термин и механика описаны в разборе патентов Google по теме «Thematic Search», который сделала команда iPullRank, 2025.

Важно: это не метафора и не маркетинговое упрощение, а конкретная техническая процедура. Подзапросы в патенте называются «темами» (themes), и система, прежде чем ответить, может сходить не в один индекс, а в несколько — в обычный веб-индекс, в граф знаний, в специализированные базы (например, shopping graph для товарных запросов). Пользователь вводит один вопрос, система превращает его в десятки, и ответ собирается из фрагментов множества страниц, а не из одной «лучшей» по старым меркам SEO.

Отсюда прямое следствие для контент-стратегии: страница, которая отвечает только на головной запрос и игнорирует его производные формулировки, физически не попадёт в большую часть циклов fan-out — её просто не найдут по подзапросу, под который она не писана.

Какие типы подзапросов генерирует ИИ

ИИ-системы, по разбору патентов Google в материале iPullRank, 2025, генерируют подзапросы восемь типов: эквивалентные формулировки, уточняющие follow-up вопросы, обобщения, сужения (спецификации), канонизацию терминов, перевод, подзапросы на entailment (логическое следствие из вопроса) и запросы на прояснение неоднозначности.

Практический вывод: страница, которая закрывает только один из этих типов (например, только определение термина), не покрывает весь веер. Полноценный материал должен явно отвечать и на обобщение, и на сужение, и на follow-up — иначе он выпадает из большей части подзапросов, которые реально генерирует система.

Как устроен цикл генерации подзапросов у Google

Google использует итеративную связку из двух ролей: «Actor», который генерирует варианты подзапросов, и «Critic», который решает, достаточно ли информации или нужно расширять поиск дальше. По данным разбора патентов iPullRank, 2025, типичный потолок — порядка 20 итераций, а сам Google публично говорил о «сотнях запросов», которые могут уйти в поиск за один ответ в режиме AI Mode.

Это означает, что ответ пользователю формируется не за один проход, а за несколько раундов: система ищет, оценивает, достаёт ли информации для уверенного ответа, и если нет — генерирует новый пласт подзапросов. Для издателя контента это выглядит как множественные «попытки» найти подходящий фрагмент текста под конкретную грань темы. Чем больше таких граней покрыто в материале явно и однозначно, тем выше вероятность, что хотя бы один раунд Critic сочтёт вашу страницу достаточной.

Отдельный нюанс: ретрив происходит на уровне пассажей, а не целых страниц. Система вытаскивает конкретные фрагменты текста из множества документов, а не ранжирует страницу целиком, как в классическом поиске. Отсюда практическое правило: абзац должен быть самодостаточной единицей смысла, которую можно вырвать из контекста статьи и процитировать отдельно, без потери смысла.

Разные платформы при этом фан-аутят не одинаково. Явный fan-out подтверждён у Google (AI Mode, Deep Search, часть AI Overviews) и у Microsoft Copilot через Bing Orchestrator. Perplexity описывает свой процесс как гибридный multi-stage retrieval, а не fan-out в терминологии Google. OpenAI механику ChatGPT публично не раскрывает.

Насколько ответ ИИ совпадает с топ-10 обычной выдачи

Ответ короткий: почти не совпадает. По данным анализа 15 000 длиннохвостых запросов Ahrefs, 2025, только порядка 12% ссылок, которые цитируют ChatGPT, Gemini, Copilot и Perplexity, входят в топ-10 Google по тому же исходному запросу. Около 80% процитированных ИИ-ссылок вообще не ранжируются в Google по формулировке, которую ввёл пользователь.

Это прямое следствие fan-out: ИИ почти никогда не ищет буквально тот текст, который напечатал человек, он использует собственные сгенерированные вариации. Поэтому высокая позиция по головному ключевому слову сама по себе не гарантирует цитирование в ИИ-ответе — нужно закрывать весь веер вариаций, а не одну формулировку.

Степень совпадения с обычной выдачей тоже разная по платформам. По тем же данным Ahrefs, 2025, Perplexity ближе всего к Google по пересечению цитирований — около 28,6% из топ-10, у остальных ассистентов это порядка 8%. Copilot сильнее пересекается с обычной выдачей Bing, так как использует его индекс. AI Overviews самого Google теснее привязаны к классическому ранжированию — по более раннему замеру той же серии исследований, около 76% их цитирований берутся из топ-10.

Один из вероятных механизмов склейки результатов по множеству вариаций запроса — Reciprocal Rank Fusion: страница, которая стабильно занимает около 6-й позиции по нескольким связанным формулировкам, может процитироваться чаще, чем страница №1 по одной-единственной формулировке. Практический вывод Ahrefs: оптимизировать нужно не под один головной запрос, а под кластер связанных длиннохвостых вариаций, стремясь «владеть» темой целиком, а не отдельной фразой. Подробнее о том, откуда ИИ в принципе берёт данные для ответа, разбирали в материале откуда ИИ берёт ответ.

Нужна ли сайту отдельная техническая настройка под ИИ-поиск

Нет. Официальная позиция Google в разделе Search Central про AI-функции прямая: для AI Overviews и AI Mode не существует отдельных технических требований сверх обычной индексации и соблюдения стандартных политик поиска. Нет специальной разметки, отдельного типа schema или AI-специфичных файлов, которые обязательно добавлять на сайт.

При этом Google прямо подтверждает, что оба режима могут использовать query fan-out — несколько связанных поисков по подтемам в процессе генерации ответа, из-за чего итоговый набор процитированных ссылок получается шире и разнообразнее, чем в классической выдаче по тому же запросу.

Базовые рекомендации Google сводятся к тому, что должно работать и без ИИ-поиска:

• Открытый robots.txt и беспрепятственный доступ для Googlebot.
• Внутренняя перелинковка между связанными материалами.
• Качественный опыт страницы — быстрая загрузка, читаемая вёрстка.
• Текстовый контент как основа ответа, изображения и видео — как дополнение.
• Соответствие структурированных данных (schema) видимому на странице тексту.

Управлять видимостью именно в ИИ-функциях можно через те же технические инструменты, что и в обычном поиске: nosnippet, data-nosnippet, max-snippet, noindex — а также через директиву Google-Extended, которая отдельно регулирует использование контента для обучения моделей и для grounding (подтягивания фактов в ответ).

Что показывает научное исследование GEO и можно ли верить процентам из блогов

GEO (Generative Engine Optimization) — это предложенный в научной работе исследователей Принстонского университета и Индийского института технологий в Дели (опубликована на arXiv, 2023/2024, KDD'24) black-box оптимизационный фреймворк и бенчмарк GEO-bench для измерения и повышения видимости контента в ответах генеративных поисковых систем.

Headline-результат исследования: применение GEO-техник повышает видимость источника в ответах генеративных систем — авторы указывают эффект до 40%. При этом эффективность конкретных приёмов заметно различается по доменам: универсальной тактики, одинаково работающей для медицины, финансов и e-com, не существует, нужна настройка под конкретную тематику.

Здесь нужна оговорка: более дробные цифры по отдельным тактикам — проценты по добавлению статистики, по цитированию источников, рост видимости для страниц с низких позиций, падение видимости лидера выдачи, эффект keyword stuffing — встречаются в основном во вторичных блогах про GEO и расходятся друг с другом от материала к материалу. В самом исследовании эти детали детально не раскрыты на уровне, доступном без полного текста статьи. Поэтому в практике стоит опираться на сам факт измеримого эффекта от продуманной структуры контента, а не на конкретный процент из чужого блог-поста как на гарантию для своего сайта.

Как писать контент под query fan-out

Прямой ответ: контент нужно строить вокруг интент-кластера — исследование, сравнение, решение, внедрение, поддержка — и делать каждый абзац самодостаточной, цитируемой единицей, а не частью последовательного повествования.

Пять рабочих принципов, которые следуют из механики fan-out и пассажного ретрива:

• Пишите под кластер, а не под фразу. Один материал должен закрывать определение термина, его обобщение, частный случай, сравнение с соседними понятиями и практическое применение — это и есть большинство из восьми типов подзапросов.
• Делайте абзацы атомарными. Каждый абзац должен быть понятен без предыдущего и следующего — система вытаскивает пассажи, а не читает страницу целиком.
• Явно формулируйте определения. Строка вида «X — это...» без метафор цитируется чаще остального текста, потому что её проще извлечь как самостоятельный факт.
• Называйте сущности прямо. «Google AI Mode», «Яндекс.Директ», «152-ФЗ» — конкретные сущности сопоставляются в ответе лучше, чем размытые формулировки типа «одна из поисковых систем».
• Стройте контент-хаб вокруг темы. Отдельные статьи, которые перелинкованы между собой и вместе покрывают весь веер подзапросов по теме, работают лучше одной исчерпывающей, но изолированной страницы — об этом подробно в материале про структуру контент-хаба для SEO.

Для российского рынка большая часть этих принципов переносится напрямую, потому что они описывают механику LLM-поиска как такую, а не специфику конкретной юрисдикции. А вот конкретные цифры по совпадению с выдачей и доле цитирований собраны на западных системах — Google, Bing, Perplexity — и для Яндекса прямого открытого замера пока нет: в Рунете основной поисковик — Яндекс со своей генеративной функцией (Нейро, Алиса), устройство ранжирования которой на уровне патентов публично не описано так подробно, как у Google. Общий принцип про fan-out и кластеризацию запросов стоит считать рабочей гипотезой для Яндекса, а не подтверждённым фактом. Как собрать такой кластер материалов практически, разбирали в статье про составление контент-плана, а более широкий разбор техник видимости в ИИ-поиске — в материале про GEO и AEO оптимизацию.

Частые ошибки

• Оптимизация под одну формулировку. Компании продолжают писать одну страницу под один головной запрос, игнорируя его обобщения и уточнения — и теряют до 80% потенциальных цитирований, которые идут по сгенерированным системой вариациям, а не по исходной фразе пользователя.
• Ставка на техническую магию вместо контента. Поиск специальной разметки или «секретного» файла для ИИ-поиска бессмысленен: по официальной позиции Google отдельных технических требований для AI Overviews и AI Mode сверх обычной индексации нет.
• Длинные нераздельные абзацы. Текст, который требует прочтения трёх предыдущих абзацев для понимания, не подходит под пассажный ретрив — система либо вырвет его с потерей смысла, либо не возьмёт вообще.
• Перенос западных цифр на Россию без оговорок. Доли цитирований Perplexity, ChatGPT и Copilot измерены на англоязычных запросах; выдавать их за показатели Яндекс Нейро — методологическая ошибка.
• Погоня за процентами из блогов про GEO. Конкретные цифры по отдельным тактикам во вторичных источниках расходятся и не подтверждены первичным текстом исследования — ориентироваться на них как на гарантию роста не стоит.
• Игнорирование внутренней перелинковки. Google прямо называет её одной из базовых рекомендаций для видимости в AI-функциях, а разрозненные статьи без связей между собой хуже покрывают кластер подзапросов.

Источники

• Expanding Queries with Fan-Out: What Google's Patent Reveals About AI Search — iPullRank, 2025
• We Analyzed 15,000 Queries: Here's How Much AI Overlaps With Google — Ahrefs, 2025
• AI features and your website — Google Search Central, 2025
• GEO: Generative Engine Optimization — arXiv (Princeton University, IIT Delhi, KDD'24), 2023/2024

FAQ

Что такое query fan-out простыми словами?

Query fan-out — это механизм, при котором ИИ-поисковик раскладывает один запрос пользователя на несколько десятков подзапросов и ищет ответ по каждому параллельно, а затем собирает финальный ответ из найденных фрагментов текста.

Чем query fan-out отличается от обычного ранжирования в поиске?

В обычном поиске система ранжирует страницы по одной формулировке запроса целиком. При fan-out система генерирует множество вариаций исходного вопроса и достаёт из разных страниц отдельные пассажи, которые лучше всего отвечают на каждую конкретную вариацию.

Какие поисковые системы используют fan-out на практике?

Явный fan-out подтверждён у Google — в AI Mode, Deep Search и части AI Overviews — а также у Microsoft Copilot через Bing Orchestrator. Perplexity описывает свой процесс как гибридный multi-stage retrieval. OpenAI механику ChatGPT публично не раскрывает.

Нужна ли для ИИ-поиска специальная разметка на сайте?

Нет. Google официально заявляет, что для AI Overviews и AI Mode действуют те же требования, что и для обычного поиска: индексация, соблюдение политик, базовая техническая гигиена. Отдельной AI-специфичной schema или файла не существует.

Почему высокая позиция в Google не гарантирует попадание в ответ ИИ?

Потому что около 80% ссылок, которые цитируют ИИ-ассистенты, не входят в топ-10 обычной выдачи по исходному запросу пользователя — система ищет по собственным сгенерированным вариациям, а не по точной фразе из топа.

Работает ли query fan-out в Яндексе так же, как в Google?

Прямого подтверждения нет: Google раскрыл механику через патенты, а устройство ранжирования и генеративных функций Яндекса (Нейро, Алиса) публично не описано на том же уровне детализации. Принцип кластеризации запросов стоит считать рабочей гипотезой для российского рынка, а не подтверждённым фактом.

С чего начать перестройку контента под fan-out?

С аудита существующих материалов на одну тему: проверьте, закрывает ли кластер статей определение, обобщение, сравнение и частные случаи темы, и свяжите материалы внутренней перелинковкой, чтобы они работали как единый контент-хаб.

Если хотите разобрать, как ИИ-поиск меняет вашу контент-стратегию и P&L маркетинга на реальных цифрах вашей компании — такие разборы с конкретными кейсами e-com, B2B и услуг идут на интенсиве Marketing OS.