Il query fan-out è il passaggio in cui un motore di ricerca basato sull'IA prende la tua domanda, la riscrive in diverse ricerche più mirate, le esegue (spesso in contemporanea) e scrive un'unica risposta partendo da tutto ciò che quelle ricerche restituiscono. Google lo documenta per AI Mode (la Modalità AI di Google) e per gli AI Overviews (le panoramiche generate dall'IA nei risultati), mentre ChatGPT, Perplexity e Gemini ne usano versioni proprie. È il motivo per cui una pagina può essere citata per un prompt per cui non si è mai posizionata, e per cui una pagina prima in classifica per la keyword principale può restare fuori.
In questa guida spieghiamo il meccanismo partendo da ciò che Google, OpenAI e Perplexity hanno davvero pubblicato, ti mostriamo cosa abbiamo visto catturando query fan-out reali dalla Gemini API il 18 ottobre 2026 e ti diamo un metodo ripetibile per mappare le sotto-query di qualsiasi argomento e trasformarle in un'unica pagina fatta bene. Per ogni numero indichiamo chi l'ha misurato e come.
In sintesi
- Il fan-out è reale e documentato ufficialmente: Google dice che AI Mode scompone una domanda in sottoargomenti ed esegue «una moltitudine di query simultaneamente»; OpenAI dice che la ricerca di ChatGPT riscrive il tuo prompt «in una o più query mirate».
- I conteggi pubblicati vanno da circa 1,4 a 10,7 query per prompt. La differenza dipende dal metodo: quale motore, quale modello e se la ricerca era forzata o no.
- Le stringhe esatte sono instabili. Nel test di Seer su Gemini 3 solo 8 fan-out su 11.029 sono comparsi in tutte e 13 le esecuzioni. Ragiona per temi, non per stringhe.
- Nella nostra cattura, i modelli Gemini più recenti hanno saltato la fase di scoperta dei «migliori tool» e si sono limitati a verificare i prezzi di una rosa di nomi che conoscevano già. Se non sei in quella rosa, nessuna query fan-out verrà a cercarti.
- Scrivi una pagina completa per ogni vera domanda dell'acquirente, con una sezione che risponde chiaramente a ogni sotto-domanda. Una pagina per ogni variante di fan-out è ciò che Google chiama abuso di contenuti su larga scala.
Che cos'è il query fan-out nella ricerca con l'IA?
Il query fan-out è una tecnica di recupero delle informazioni: un modello linguistico espande un prompt in diverse query di ricerca correlate, recupera i risultati di ciascuna e basa un'unica risposta sull'insieme dei risultati. Il glossario di Google lo definisce «un insieme di query correlate e simultanee generate dal modello per richiedere più informazioni» nella sua Guida all'ottimizzazione per le funzionalità di IA generativa.
L'esempio di Google è utile proprio perché è banale. Per la domanda «come sistemare un prato pieno di erbacce», le query fan-out potrebbero includere «migliori diserbanti per prati», «eliminare le erbacce senza prodotti chimici» e «come prevenire le erbacce nel prato». Nessuna di queste è ciò che l'utente ha digitato. Ognuna recupera un insieme diverso di pagine, e la risposta finale può citare passaggi presi da tutti e tre.
Ne derivano due conseguenze. Primo: l'unità di recupero è la sotto-query, quindi una pagina compete per le ricerche nascoste, non solo per il prompt visibile. Secondo: il fan-out si appoggia alla ricerca tradizionale. Google è esplicita nel dire che AI Overviews e AI Mode si basano sui suoi sistemi di ranking principali e che una pagina «deve essere indicizzata e idonea a essere mostrata nella Ricerca Google con uno snippet» per comparire come link di supporto (Le funzionalità di IA e il tuo sito web). Il fan-out allarga la rete, ma non sostituisce l'indice. Se sei alle prime armi con la disciplina più ampia, la nostra guida alla generative engine optimization ti dà il contesto.
Come usa il query fan-out AI Mode di Google?
AI Mode usa un modello Gemini per decidere di quali sottoargomenti ha bisogno una domanda, esegue molte ricerche Google su quei sottoargomenti in contemporanea e assembla un'unica risposta con i link. È la descrizione ufficiale, ed è rimasta coerente fin dal lancio:
- Marzo 2025, il lancio. Google ha detto che AI Mode «usa una tecnica di "query fan-out", eseguendo più ricerche correlate in contemporanea su diversi sottoargomenti», su una versione personalizzata di Gemini 2.0 (Google, 5 marzo 2025).
- Maggio 2025, Google I/O. La responsabile della Ricerca Elizabeth Reid ha descritto AI Mode mentre «scompone la tua domanda in sottoargomenti» ed esegue «una moltitudine di query simultaneamente», cosa che permette alla Ricerca di «andare più a fondo nel web rispetto a una ricerca tradizionale». Lo stesso post presentava Deep Search, che «può eseguire centinaia di ricerche» per costruire un report con citazioni (Google, 20 maggio 2025).
- Luglio 2025, più dettagli. Robby Stein, VP of Product della Ricerca, ha spiegato che per un viaggio a Nashville il sistema «può pensare a una serie di domande, come ottimi ristoranti, ottimi bar, cose da fare se hai bambini» e poi «iniziare, in pratica, a googlare». Ha aggiunto che AI Mode attinge ai sistemi in tempo reale di Google, come Google Finance e lo Shopping Graph (Search Engine Journal).
- Novembre 2025, Gemini 3. Google ha annunciato che il query fan-out stava «ricevendo un importante aggiornamento»: la Ricerca può eseguire più ricerche e «trovare nuovi contenuti che in precedenza avrebbe potuto perdere» (Google, 18 novembre 2025).
Anche i brevetti di Google vanno nella stessa direzione, con una riserva. La domanda di brevetto «Search with stateful chat» (US20240289407A1) descrive la «generazione di una o più query sintetiche usando l'output dell'LLM» e la selezione dei documenti di risultato, mentre il brevetto concesso «Thematic search» (US12158907B1) descrive la generazione di sottotemi e il perfezionamento di una prima query con una seconda. Un brevetto mostra cosa Google ha inventato, non cosa gira in produzione: considerali descrizioni plausibili, non una specifica tecnica.
Anche gli AI Overviews di Google usano il query fan-out?
Sì, a volte. La documentazione di Google dice che sia gli AI Overviews sia AI Mode «possono usare una tecnica di "query fan-out", eseguendo più ricerche correlate su sottoargomenti e fonti di dati». Quel «possono» conta: gli AI Overviews sono pensati per la velocità su query brevi, e il post di novembre 2025 spiega che in entrambe le funzionalità le domande più complesse vengono indirizzate al modello più grande, mentre quelle semplici usano modelli più veloci. In pratica, aspettati un fan-out più leggero in un AI Overview rapido e più pesante in AI Mode e Deep Search. Google non pubblica conteggi per nessuno dei due.
Come scompongono un prompt ChatGPT e Perplexity?
ChatGPT riscrive il tuo prompt in una o più query di ricerca, le invia ai suoi provider di ricerca e, dopo aver letto i primi risultati, può proseguire con query più mirate. L'articolo di supporto di OpenAI sulla ricerca di ChatGPT dice che «in genere riscrive la tua query in una o più query mirate», fa l'esempio di una ricerca nel biotech in cui a una prima query seguono «altre query più specifiche» e precisa che, con la Memoria attiva, la riscrittura può includere dettagli salvati (un utente vegano di San Francisco che chiede ristoranti diventa «good vegan restaurants San Francisco»). La personalizzazione fa sì che due utenti possano innescare fan-out diversi con lo stesso prompt.
La Pro Search di Perplexity affronta una domanda passo dopo passo e può avviare «ricerche successive che si basano sui risultati precedenti». È un fan-out sequenziale: cerca, leggi, cerca di nuovo.
Le misurazioni di terze parti colmano ciò che i vendor non pubblicano:
- Volume per prompt. Peec AI ha analizzato 5 milioni di fan-out di aprile 2026 e ne ha contati 2,1 per prompt su ChatGPT, 1,4 su Perplexity e 6,8 su Grok (Peec AI, maggio 2026). Profound ha eseguito 10.000 prompt per 14 giorni e ha osservato circa da 1,4 a 2 ricerche per esecuzione su ChatGPT, Perplexity e Copilot.
- Query più lunghe e più specifiche. Su 20 milioni di fan-out di ChatGPT in cinque Paesi, la lunghezza media è circa raddoppiata, da circa 6 parole a ottobre 2025 a circa 12 a gennaio 2026, mentre il numero per prompt è rimasto tra 2,3 e 2,8 (Peec AI, febbraio 2026). ChatGPT non cerca più spesso: cerca in modo più preciso.
- Poche ripetizioni. Nello studio di Profound, il 91% delle stringhe di query di ChatGPT era unico tra un'esecuzione e l'altra, contro il 14% di Perplexity, che resta vicino alla formulazione dell'utente.
- Non tutti i prompt fanno ricerche. DataForSEO ha rilevato che il 47,5% di 100.000 prompt di ChatGPT ha innescato ricerche fan-out (DataForSEO, maggio 2026). Gli altri hanno ricevuto risposta dalla conoscenza interna del modello.
Perché ChatGPT cerca in inglese anche quando il prompt è in un'altra lingua?
Nessuno al di fuori di OpenAI lo sa con certezza, ma il fenomeno è ben misurato. Peec ha rilevato che in circa il 78% dei casi non in inglese ChatGPT aggiungeva ricerche in inglese, e che il 43% di tutti i passaggi di fan-out per prompt non in inglese avveniva in inglese, dal 94% per il turco al 66% per lo spagnolo (Peec AI). Tra i loro esempi ci sono prompt sul software in tedesco che non restituivano nessuna azienda tedesca. OpenAI non documenta come sceglie la lingua. La conseguenza pratica per un brand fuori dal mondo anglofono è concreta: le tue pagine nella lingua locale sono solo una parte del bacino di recupero, quindi devi essere descritto in modo accurato anche nelle fonti in inglese che si posizionano per la tua categoria.
| Motore | Cosa dice ufficialmente il vendor | Cosa hanno misurato le terze parti | Cosa significa per te |
|---|---|---|---|
| Google AI Mode | Scompone la domanda in sottoargomenti; «una moltitudine di query simultaneamente»; potenziato con Gemini 3 | Gemini 3 API: 10,7 fan-out per prompt con grounding forzato (Seer, 501 prompt) | Il fan-out più intenso. Copri l'intera decisione, non solo la keyword principale |
| Google AI Overviews | Il fan-out «può» essere usato; le query semplici vanno a modelli più veloci | Nessun conteggio pubblico. La maggior parte delle pagine citate è ancora nella top 10 (Ahrefs, luglio 2025) | Qui il posizionamento classico conta ancora più di tutto |
| Google Deep Search | «Può eseguire centinaia di ricerche» | Nessun conteggio pubblico | Profondità e dati primari finiscono nei report lunghi |
| Ricerca di ChatGPT | Riscrive in «una o più query mirate»; ricerche di follow-up; tiene conto della Memoria | 2,1 per prompt; lunghezza da ~6 a ~12 parole; 91% di stringhe uniche; ~47,5% dei prompt fa ricerche | Poche query, precise e mutevoli. Sii la pagina migliore per ogni esigenza specifica |
| Perplexity | La Pro Search esegue ricerche di follow-up in più passaggi | 1,4 per prompt su Sonar; le query restano vicine alla formulazione dell'utente | Qui riprendere le parole dell'utente aiuta ancora |
Quante query fan-out genera un singolo prompt?
Da zero a centinaia, e le medie pubblicate non concordano perché misurano cose diverse. Ecco come leggerle:
- Seer Interactive, Gemini 3 API: 10,7 per prompt (da 3 a 28) su 501 prompt, il 78% in più rispetto ai 6,01 di Gemini 2.5 (Seer, novembre 2025). Seer ha forzato il grounding su ogni prompt, quindi ogni prompt ha fatto ricerche.
- Seer Interactive, esecuzioni ripetute: 8,52 per prompt su 100 prompt eseguiti 13 volte (Seer, gennaio 2026).
- Peec AI e Profound, motori consumer: da 1,4 a 2,1 per prompt su ChatGPT, Perplexity e Copilot, misurati su prompt monitorati.
- Modalità di ricerca approfondita: Google dice che Deep Search può eseguire centinaia di ricerche; Ahrefs ha riportato un singolo task di ChatGPT Deep Research con 420 ricerche (Ahrefs, marzo 2026), un caso isolato e non una media.
La risposta onesta, quindi, è questa: una normale risposta in chat esegue una manciata di ricerche, AI Mode ne esegue di più e le modalità di ricerca approfondita molte di più. Ma più del numero conta la forma. Lo stesso studio di Seer ha rilevato che il 95% dei fan-out di Gemini 3 aveva zero volume di ricerca mensile, e nello studio con esecuzioni ripetute solo 8 fan-out unici su 11.029 sono comparsi in tutte e 13 le esecuzioni. Le query fan-out sono lunghe, specifiche e quasi sempre inventate sul momento: ecco perché un tool di keyword research non te ne mostrerà mai la maggior parte.
Cosa abbiamo visto catturando query fan-out reali
Per vedere il meccanismo con i nostri occhi invece di ripetere i riassunti altrui, il 18 ottobre 2026 abbiamo fatto una piccola cattura in proprio. Abbiamo inviato prompt alla Gemini API con lo strumento di grounding con Google Search attivo (non forzato: è il modello a decidere se cercare) e abbiamo registrato ogni query di ricerca eseguita dal modello, così come restituita nella risposta dell'API. Abbiamo usato tre modelli: gemini-2.5-flash, gemini-3.1-pro-preview e gemini-3.8-flash.
Il prompt commerciale, inviato in inglese, era: "Which project management tool is best for a 15-person remote marketing agency, and how much will it cost us per year?" (cioè: «Qual è il miglior tool di project management per un'agenzia di marketing da remoto di 15 persone, e quanto ci costerà all'anno?»). L'abbiamo eseguito 13 volte (5, 3 e 5 esecuzioni per modello). Abbiamo anche eseguito 6 volte l'esempio del prato pieno di erbacce di Google.
| Modello | Esecuzioni | Ricerche per esecuzione | Esecuzioni con una query di scoperta del tipo «qual è il tool migliore» | Brand cercati |
|---|---|---|---|---|
| gemini-2.5-flash | 5 | 2, 8, 6, 12, 7 | 5 su 5 | Asana, ClickUp, Monday.com (4 esecuzioni su 5 ciascuno), Wrike e Trello (3 su 5), Teamwork.com (2 su 5), Notion, Jira, Smartsheet (1 su 5) |
| gemini-3.1-pro-preview | 3 | 3, 3, 4 | 1 su 3 | ClickUp, Asana, Monday.com (3 su 3) |
| gemini-3.8-flash | 5 | 4, 4, 4, 3, 4 | 0 su 5 | Asana, ClickUp, Monday.com (5 su 5), Teamwork.com (4 su 5) |
Sono emersi tre risultati:
- I modelli più recenti hanno saltato la fase di scoperta. Gemini 2.5 Flash ha cercato «best project management tools for remote marketing agency» e poi ha controllato i prezzi di un massimo di otto vendor. I due modelli Gemini 3.x sono andati quasi sempre dritti a query come «clickup pricing plans annual» per tre o quattro vendor che avevano già in mente. In 7 esecuzioni Gemini 3.x su 8 nessuna ricerca chiedeva quale fosse il tool migliore. La rosa di nomi veniva dal modello, e la ricerca serviva solo a verificare i prezzi.
- Il prezzo era l'unica costante. Tutte e 13 le esecuzioni hanno cercato i prezzi, 9 su 13 hanno aggiunto «annual» e 4 su 13 hanno aggiunto un anno (2025 o 2026). Nessuna delle 13 esecuzioni ha cercato recensioni, integrazioni, accesso per clienti o ospiti, o il time tracking, anche se per un'agenzia sono aspetti importanti. A queste esigenze il modello ha risposto, quando l'ha fatto, con la propria conoscenza.
- Alcuni prompt non fanno nessuna ricerca. Per la domanda sul prato, Gemini 3.8 Flash ha risposto con la propria conoscenza in 3 esecuzioni su 3. Gemini 2.5 Flash ha cercato in 2 esecuzioni su 3, con 5 e 6 query come «natural weed control methods for lawns» e «chemical weed killers for lawns», molto simili all'esempio documentato da Google.
I limiti: si tratta di 19 chiamate API in un solo giorno. La Gemini API con grounding non è lo stesso sistema di AI Mode, che aggiunge i propri livelli di ranking, lo Shopping Graph e la personalizzazione. Consideralo uno sguardo su come i modelli Gemini pianificano le ricerche, non una misurazione di AI Mode. Detto questo, la lezione per un vendor è molto concreta: se il modello ha già una rosa di nomi, devi esserci dentro (e ci entri perché si parla di te sul web, non grazie a una sola pagina), e la query che viene effettivamente eseguita, per esempio «[your brand] pricing per user annual», deve atterrare su una pagina prezzi aggiornata e scansionabile.
Perché essere primi per la keyword principale non basta per le citazioni dell'IA?
Perché AI Mode recupera risultati per le sotto-query, non solo per il prompt, e le pagine che vincono le sotto-query spesso non sono quelle posizionate per la keyword principale. seoClarity ha analizzato 1.000 query transazionali negli Stati Uniti a settembre 2025 e ha rilevato che solo il 19% delle 12.011 citazioni di AI Mode proveniva dalla top 20 organica, e che solo nel 28% delle query era citato almeno un URL della top 10 (seoClarity, ottobre 2025). Mike King di iPullRank ha fatto la stessa osservazione: le pagine citate spesso non erano nemmeno nella top 100 per la query originale, perché erano state recuperate tramite sotto-query sintetiche (iPullRank).
Con gli AI Overviews le cose vanno diversamente, e vale la pena essere precisi. Ahrefs ha rilevato che il 76,1% delle citazioni negli AI Overviews del suo campione di 1 milione di Overviews di luglio 2025 proveniva dalla top 10 (Ahrefs), e quando gli autori hanno verificato se il fan-out spiegasse il resto, i dati non lo hanno confermato. Riassumendo: per gli AI Overviews posizionarsi bene resta la leva principale; per AI Mode e i motori di chat, posizionarsi per la keyword principale ti fa entrare in uno dei vari bacini di recupero, mentre gli altri si decidono in base a quanto bene rispondi a ciascuna sotto-domanda.
Com'è fatta la mappa fan-out di un prompt?
Una mappa fan-out elenca le sotto-domande implicite in un prompt, il tipo di ciascuna e il punto della tua pagina in cui trova risposta. Ecco la mappa che abbiamo costruito per il prompt sul project management visto sopra, confrontata con ciò che i modelli Gemini hanno effettivamente cercato nelle nostre 13 esecuzioni. Contiene 12 sotto-query, in linea con le 8-11 che gli studi pubblicati riportano di solito per un prompt articolato.
| # | Sotto-query | Tipo | Cercata nelle nostre 13 esecuzioni? | Passaggio che dovrebbe rispondere |
|---|---|---|---|---|
| 1 | Miglior software di project management per agenzie di marketing | Scoperta | 6 su 13 (soprattutto Gemini 2.5) | H2 con una rosa di nomi in classifica e i criteri di scelta |
| 2 | Tool di project management per team da remoto | Vincolo | 5 su 13 («remote») | H3 sulle funzioni asincrone e i fusi orari |
| 3 | Prezzo di [Tool] per utente, fatturazione annuale | Verifica | 13 su 13 | Tabella prezzi con la data di verifica |
| 4 | Costo per 15 utenti all'anno | Calcolo | 5 su 13 («15 users») | Esempio di costo calcolato per ogni tool |
| 5 | Prezzi di [Tool] 2026 | Attualità | 4 su 13 (anno aggiunto) | Data «prezzi verificati il» ben visibile |
| 6 | [Tool A] vs [Tool B] per agenzie | Confronto | 2 su 13 («comparison» generico) | Tabella di confronto |
| 7 | [Tool] per agenzie di marketing | Entità + caso d'uso | 1 su 13 | Un breve paragrafo per ogni tool |
| 8 | Portale clienti o accesso ospiti | Esigenza implicita | 0 su 13 | H3 sulla collaborazione con i clienti |
| 9 | Time tracking e ore fatturabili | Esigenza implicita | 0 su 13 | H3 sui flussi di fatturazione |
| 10 | Integrazioni con Slack, Google Workspace, HubSpot | Esigenza implicita | 0 su 13 | Tabella delle integrazioni |
| 11 | Recensioni di utenti che lavorano in agenzia | Validazione | 0 su 13 | Riepilogo di recensioni indipendenti, con link |
| 12 | Sconto annuale rispetto alla fatturazione mensile | Dettaglio sui costi | 9 su 13 («annual») | Riga sotto la tabella prezzi |
Leggi bene gli zeri. Non significano «salta questi punti». Significano che il modello ha risposto a quelle esigenze con ciò che sapeva già, quindi per influenzarle devi essere descritto in modo accurato sul web (recensioni, confronti, documentazione), non aspettare una ricerca che magari non partirà mai. Le righe con i conteggi alti sono quelle in cui una singola pagina può vincere direttamente il recupero.
Come trovo le query fan-out per il mio argomento?
Combina una mappa manuale (per coprire ciò a cui pensano i modelli) con un campione di query osservate (per vedere cosa cercano davvero). Ecco il metodo che usiamo noi:
- Scrivi il prompt come lo farebbe un acquirente. Una frase completa, con i vincoli che aggiunge una persona reale (dimensioni del team, budget, località, scadenza). Le keyword brevi producono fan-out brevi e poco rappresentativi.
- Scomponilo in sotto-domande per tipo. Usa i tipi della mappa qui sopra: scoperta, vincolo, verifica, calcolo, attualità, confronto, entità, esigenza implicita, validazione. Punta a 8-12 sotto-domande.
- Aggiungi le domande che fanno le persone reali. Raccogli le People Also Ask (il riquadro «Le persone hanno chiesto anche») e le ricerche correlate per la keyword principale e per due o tre sotto-query. Non sono fan-out, ma sono le stesse domande dette con parole umane. Il keyword planner di AI Rank Lab restituisce PAA e ricerche correlate insieme ai volumi, il che velocizza questo passaggio.
- Cattura i fan-out osservati. Esegui il prompt 5 o più volte tramite una fonte che restituisce le query reali: la Gemini API con il grounding con Google Search (la risposta elenca le query eseguite, come documentato nella documentazione di Google sul grounding) oppure il ChatGPT Fan-Out Query Extractor gratuito di SE Ranking. Alcuni professionisti leggono anche le risposte di rete di ChatGPT nei DevTools del browser; questo metodo si basa su campi non documentati che OpenAI può cambiare, e non l'abbiamo verificato per questo articolo.
- Raggruppa per tema, non per stringa. Riunisci «clickup pricing plans annual» e «ClickUp pricing per user per month annual» in un solo tema: prezzo annuale di ClickUp. I dati di Seer sulle esecuzioni ripetute mostrano che le stringhe esatte si ripetono raramente, quindi conta quante volte un tema compare tra le esecuzioni.
- Confronta ogni tema con la tua pagina. Risposta solida, risposta debole o assente. I temi frequenti che mancano sono la tua scaletta.
- Ripeti ogni trimestre. I modelli cambiano. Nei dati di Seer Gemini 3 ha generato il 78% di fan-out in più rispetto a Gemini 2.5, e nei nostri i modelli più recenti hanno cercato ancora in modo diverso.
Quali tool mostrano le query fan-out, e sono osservate o previste?
La domanda più importante da fare su qualsiasi tool di fan-out è se mostra le query che un motore ha effettivamente eseguito (osservate) o quelle che un LLM pensa che il motore potrebbe eseguire (previste). Entrambe sono utili, ma solo le query osservate sono una prova.
Trasparenza: AI Rank Lab è il nostro prodotto. Lo mettiamo per primo perché questo è il nostro sito, e abbiamo applicato gli stessi criteri a tutti i tool qui sotto.
| Tool | Osservate o previste | Cosa ti dà | Ideale per |
|---|---|---|---|
| AI Rank Lab | Né l'una né l'altra per le stringhe fan-out grezze; osservate per le citazioni | Non mostra le stringhe delle query fan-out. Copre i passaggi intorno: PAA e ricerche correlate nel keyword planner, suggerimenti di prompt e scalette basate sulla ricerca dei competitor nella Content Suite, e il monitoraggio programmato dei prompt su ChatGPT, Claude, Gemini e Perplexity, oltre ad AI Overviews e AI Mode, registrando quali URL vengono citati | Trasformare una mappa fan-out in contenuti e verificare se le citazioni cambiano |
| Gemini API con grounding con Google Search | Osservate | Le query esatte eseguite dal modello e le fonti usate, per ogni chiamata | Cattura fai-da-te se sai lanciare un breve script; si paga a chiamata |
| SE Ranking ChatGPT Fan-Out Query Extractor | Osservate (tramite l'API di OpenAI) | Le query eseguite da ChatGPT per un massimo di 10 prompt per batch; gratuito con limiti giornalieri; export in CSV | Campioni rapidi e gratuiti di ChatGPT |
| Peec AI | Osservate (dai prompt monitorati) | Fan-out catturati dai prompt che monitori; le loro pagine di ricerca si basano su questi dati | Monitoraggio continuo dei fan-out di ChatGPT, Perplexity e Grok |
| DataForSEO LLM Mentions API | Osservate (raccolte dal vendor) | Query fan-out tramite API, per i team che costruiscono le proprie dashboard | Sviluppatori che lavorano su larga scala |
| Otterly AI Query Fan-Out tool | Previste | Espansioni generate per ChatGPT e per le superfici IA di Google, etichettate per tipo e intento, che puoi aggiungere come prompt monitorati | Fare brainstorming veloce su una mappa fan-out |
| Qforia (iPullRank) | Previste (simulate) | Query sintetiche simulate per Google AI Mode e AI Overviews | Punto di partenza gratuito per mappe in stile Google |
Non abbiamo indicato i prezzi perché la maggior parte di questi tool è inclusa in piani più ampi che cambiano spesso: controlla la pagina prezzi di ogni vendor il giorno in cui acquisti (il tool di SE Ranking era gratuito quando l'abbiamo verificato, il 18 ottobre 2026).
Come strutturo una pagina in modo che ogni passaggio risponda a una sotto-query?
Dai a ogni sotto-domanda frequente una sezione propria, con un titolo chiaro, che si apre con una risposta diretta e autosufficiente e poi la argomenta. Il recupero fan-out confronta i passaggi con tante query specifiche, quindi una sezione che risponde in modo pulito a una domanda nelle prime due frasi è facile da recuperare e da citare. È anche buona scrittura per i lettori, e Google è chiara sul fatto che non serve altro: «Non è necessario spezzettare i contenuti in piccoli frammenti perché l'IA li capisca meglio», e i suoi sistemi «sono in grado di capire i sinonimi», quindi non c'è bisogno di ricalcare parola per parola la formulazione dei fan-out.
Usa questo modello di scaletta per una domanda dell'acquirente:
- Risposta di apertura (2-3 frasi). La risposta diretta al prompt principale, citabile anche da sola.
- Box con i punti chiave. Quattro o cinque righe che un lettore (o un modello) può riprendere così come sono.
- H2: la sotto-query di scoperta («Qual è il miglior X per Y?»), con una rosa di nomi e i criteri che la giustificano.
- Un H2 o H3 per ogni vincolo (dimensioni del team, budget, area geografica, caso d'uso). Ognuno si apre con la risposta per quel vincolo.
- Una tabella per le sotto-query di verifica: prezzi, limiti, specifiche, con la data in cui li hai controllati.
- Una tabella di confronto per le sotto-query del tipo «A vs B».
- H3 per le esigenze implicite che l'acquirente non ha espresso ma che gli staranno a cuore.
- Un elenco numerato per la procedura, se la domanda implica fare qualcosa.
- Voci di FAQ per le sotto-domande brevi rimanenti.
- Fonti e metodologia nel testo, così ogni affermazione porta con sé le proprie prove.
La nostra checklist AEO copre il lato tecnico (indicizzabilità, idoneità agli snippet, velocità della pagina) che decide se questi passaggi possono essere recuperati o meno. La Content Suite di AI Rank Lab costruisce una scaletta come questa partendo da un prompt e dalla ricerca sui competitor, e il suo audit SEO, AEO e GEO controlla la struttura della pagina una volta online.
Devo creare una pagina separata per ogni query fan-out?
No. La guida di Google lo dice chiaramente: anche se «potrebbe essere allettante creare contenuti separati per ogni possibile variante di come le persone potrebbero cercare», farlo per manipolare il ranking o le risposte dell'IA viola le sue norme contro l'abuso di contenuti su larga scala, e «un numero elevato di pagine non rende un sito web di qualità più alta». Anche il fan-out stesso gioca contro questa tattica: le stringhe cambiano quasi a ogni esecuzione, quindi una pagina per stringa insegue un bersaglio che la volta dopo non ci sarà più. Una pagina completa per ogni vera domanda dell'acquirente, con una sezione per ogni sotto-domanda, è l'approccio sia conforme sia efficace. Le pagine separate hanno senso solo quando una sotto-domanda è davvero un compito diverso (per esempio, una pagina prezzi completa o una guida dedicata a un'integrazione).
Gli errori più comuni con il query fan-out
- Creare una pagina per ogni sotto-query. Per Google è abuso di contenuti su larga scala, ed è inutile vista l'instabilità delle stringhe fan-out.
- Ottimizzare per le stringhe fan-out esatte. Solo 8 fan-out di Gemini 3 su 11.029 si sono ripetuti in tutte e 13 le esecuzioni di Seer, e nello studio di Profound il 91% delle stringhe di ChatGPT era unico. Punta ai temi.
- Affidarsi al volume delle keyword per le priorità. Nei dati di Seer, dal 95% al 99% dei fan-out ha zero volume registrato. Dai la priorità in base a quanto spesso un tema compare tra le esecuzioni e a quanto è vicino a una decisione d'acquisto.
- Trattare i fan-out previsti come prove. Un tool che genera sotto-query probabili è un brainstorming, non una misurazione. Convalidali con catture osservate.
- Ignorare ciò che il modello sa già. Nella nostra cattura, i modelli più recenti hanno cercato solo brand che conoscevano già. Essere descritti in modo accurato in recensioni, confronti e documentazione di terze parti fa parte dell'ottimizzazione per il fan-out.
- Lasciare la pagina prezzi non aggiornata o bloccata ai crawler. Le query di verifica come «[brand] pricing annual» sono state eseguite in tutte e 13 le nostre esecuzioni. Se quella pagina è datata, nascosta dietro un modulo o generata solo via JavaScript, il modello fa la verifica sulla pagina di qualcun altro.
- Dimenticare il bacino in inglese. Per i mercati non anglofoni, i dati di Peec mostrano che una quota consistente delle ricerche di ChatGPT avviene in inglese.
- Aggiungere markup speciale per l'IA o llms.txt per Google. Google dice che non servono nuovi file leggibili dalle macchine, file di testo per l'IA o markup Schema.org speciale per comparire nelle sue funzionalità di IA.
Come misuro se l'ottimizzazione per il fan-out funziona?
Misura citazioni e impressioni per il prompt principale su esecuzioni ripetute, non su singole istantanee. Due fonti insieme danno un quadro affidabile:
- Il report sul rendimento dell'IA generativa di Google Search Console. Lanciato il 3 giugno 2026 ed esteso a tutti i siti entro il 31 agosto 2026, mostra impressioni, pagine, Paesi, dispositivi e date per AI Overviews, AI Mode e le funzionalità IA di Discover (Google Search Central). Non elenca le query fan-out, quindi usalo per vedere quali pagine guadagnano impressioni IA dopo che le hai ristrutturate.
- Monitoraggio ripetuto dei prompt su più motori. Esegui il prompt principale a intervalli regolari e registra quali domini e URL vengono citati. Aspettati del rumore: su 968 esecuzioni ripetute di 42 coppie prompt-motore monitorate in AI Rank Lab (da febbraio a ottobre 2026), la sovrapposizione mediana dei domini citati tra un'esecuzione e la successiva era 0,41 (indice di Jaccard), e in mediana solo il 3,5% dei domini citati compariva in ogni esecuzione. Con una variabilità così alta da un'esecuzione all'altra, valuta i cambiamenti su settimane di esecuzioni, non su un singolo controllo. La nostra guida all'AI Overview checker spiega come impostarlo per Google, e il playbook di 30 giorni per farsi citare da ChatGPT copre lo stesso ciclo per ChatGPT.
Sii onesto sull'attribuzione. Nessuno studio controllato pubblicato isola la copertura dei fan-out come causa dell'aumento delle citazioni, e i dati di Ahrefs sugli AI Overviews non hanno confermato il fan-out come spiegazione delle citazioni fuori dalla top 10. La mappatura dei fan-out è un metodo di pianificazione che rende più probabili le pagine complete; non è un interruttore.
In breve
Il query fan-out trasforma un prompt in diverse ricerche precise e mutevoli. Google lo documenta, OpenAI lo documenta, e i conteggi misurati dipendono dal motore, dal modello e dal metodo. Mappa le sotto-domande per tipo, controlla un campione di query osservate, raggruppale in temi e rispondi a ogni tema in una sezione con un titolo chiaro all'interno di un'unica pagina completa, con dati accompagnati dalla data di verifica sulle pagine su cui atterrano le query di verifica. Poi misura su esecuzioni ripetute.
Se vuoi vedere quali pagine citano ChatGPT, Claude, Gemini, Perplexity, AI Overviews e AI Mode per i tuoi prompt, e trasformare le lacune in scalette, puoi monitorare i tuoi prompt in AI Rank Lab.
Get a free AI ranking consultation
Want your brand to show up when ChatGPT, Gemini and Perplexity answer questions in your market? Tell us about your site and our team will send a personalized strategy.
