쿼리 팬아웃(query fan-out)은 AI 검색엔진이 질문 하나를 받아 범위가 더 좁은 여러 개의 검색어로 다시 쓰고, 이를 (대개 동시에) 실행한 뒤, 돌아온 결과를 모두 모아 하나의 답변을 만드는 단계예요. Google은 AI 모드(AI Mode)와 AI 개요(AI Overviews)에 이 방식을 쓴다고 공식 문서에 밝히고 있고, ChatGPT, Perplexity, Gemini도 각자의 방식으로 같은 일을 해요. 한 번도 순위에 오른 적 없는 프롬프트에서 어떤 페이지가 인용되는 이유도, 대표 키워드 1위 페이지가 답변에서 빠지는 이유도 바로 여기에 있어요.
이 글에서는 Google, OpenAI, Perplexity가 실제로 공개한 자료를 바탕으로 팬아웃의 작동 원리를 설명하고, 2026년 10월 18일에 Gemini API에서 실제 팬아웃 쿼리를 수집했을 때 무엇을 봤는지 공유해요. 그리고 어떤 주제든 하위 쿼리를 정리해 잘 짜인 페이지 하나로 만드는, 반복 가능한 방법을 알려 드릴게요. 아래 모든 수치에는 누가, 어떤 방법으로 측정했는지 표시해 두었어요.
핵심 요약
- 팬아웃은 실제로 존재하고 공식 문서로도 확인돼요. Google은 AI 모드가 질문을 하위 주제로 쪼개 “수많은 쿼리를 동시에” 실행한다고 하고, OpenAI는 ChatGPT 검색이 프롬프트를 “하나 이상의 타깃 쿼리로” 다시 쓴다고 밝혀요.
- 공개된 팬아웃 개수는 프롬프트당 약 1.4개에서 10.7개까지 차이가 나요. 이 차이는 측정 방법에서 와요. 어떤 엔진인지, 어떤 모델인지, 검색을 강제로 켰는지에 따라 달라지거든요.
- 정확한 검색어 문자열은 매번 바뀌어요. Seer의 Gemini 3 테스트에서는 팬아웃 11,029개 중 13번의 실행에 모두 등장한 건 8개뿐이었어요. 문자열이 아니라 주제를 기준으로 계획하세요.
- 저희가 직접 수집한 결과, 최신 Gemini 모델은 “최고의 툴”을 찾는 탐색 검색을 건너뛰고 이미 알고 있는 후보 목록의 가격만 확인했어요. 그 후보 목록에 없다면 여러분을 찾으러 가는 팬아웃 쿼리는 없는 셈이에요.
- 실제 구매자 질문 하나당 완성도 높은 페이지 하나를 쓰고, 하위 질문마다 명확하게 답하는 섹션을 두세요. 팬아웃 변형마다 페이지를 하나씩 만드는 건 Google이 말하는 대규모 콘텐츠 악용(scaled content abuse)에 해당해요.
AI 검색에서 쿼리 팬아웃이란 무엇일까요?
쿼리 팬아웃은 검색(retrieval) 기법이에요. 언어 모델이 프롬프트 하나를 서로 관련된 여러 검색 쿼리로 확장하고, 각각의 결과를 가져온 다음, 합쳐진 결과를 근거로 하나의 답변을 만들어요. Google은 생성형 AI 기능 최적화 가이드(Guide to Optimizing for Generative AI Features)의 용어집에서 이를 “모델이 더 많은 정보를 요청하기 위해 생성하는, 동시에 실행되는 관련 쿼리의 집합”이라고 정의해요.
Google이 든 예시는 아주 평범해서 오히려 이해하기 좋아요. “how to fix a lawn that's full of weeds”(잡초투성이 잔디밭 살리는 법)라는 질문에 대해 팬아웃 쿼리는 “best herbicides for lawns”(잔디용 제초제 추천), “remove weeds without chemicals”(약품 없이 잡초 제거하기), “how to prevent weeds in lawn”(잔디밭 잡초 예방법) 같은 것이 될 수 있어요. 어느 것도 사용자가 입력한 문장이 아니에요. 쿼리마다 서로 다른 페이지 묶음을 가져오고, 최종 답변은 이 세 묶음 모두에서 문단을 인용할 수 있어요.
여기서 두 가지를 알 수 있어요. 첫째, 검색의 단위는 하위 쿼리예요. 그래서 페이지는 눈에 보이는 프롬프트뿐 아니라 보이지 않는 검색들에서도 경쟁해요. 둘째, 팬아웃은 일반 검색 위에서 작동해요. Google은 AI 개요와 AI 모드가 핵심 순위 시스템에 뿌리를 두고 있으며, 보조 링크로 노출되려면 페이지가 “색인되어 있고 Google 검색에서 스니펫과 함께 표시될 자격이 있어야 한다”고 분명히 말해요(AI 기능과 웹사이트). 팬아웃은 그물을 넓힐 뿐, 색인을 대신하지 않아요. 이 분야가 처음이라면 생성형 엔진 최적화(GEO) 해설에서 전체 맥락을 먼저 살펴보세요.
Google AI 모드는 쿼리 팬아웃을 어떻게 쓸까요?
AI 모드는 Gemini 모델로 질문에 어떤 하위 주제가 필요한지 판단하고, 그 하위 주제들에 대해 여러 번의 Google 검색을 한꺼번에 실행한 뒤, 링크가 달린 하나의 답변으로 정리해요. 이것이 공식 설명이고, 출시 이후 일관되게 유지되고 있어요.
- 2025년 3월, 출시. Google은 AI 모드가 “‘쿼리 팬아웃’ 기법을 사용해 여러 하위 주제에 걸쳐 관련 검색을 동시에 실행한다”고 밝혔고, Gemini 2.0의 맞춤 버전으로 구동된다고 했어요(Google, 2025년 3월 5일).
- 2025년 5월, Google I/O. 검색 총괄 Elizabeth Reid는 AI 모드가 “질문을 하위 주제로 나누고” “수많은 쿼리를 동시에” 실행해, 검색이 “기존 검색보다 웹을 더 깊이 탐색”할 수 있게 한다고 설명했어요. 같은 글에서 인용이 달린 보고서를 만들기 위해 “수백 건의 검색을 실행할 수 있는” Deep Search도 소개했어요(Google, 2025년 5월 20일).
- 2025년 7월, 더 자세한 설명. 검색 제품 담당 부사장 Robby Stein은 내슈빌 여행을 예로 들며, 시스템이 “맛집, 좋은 바, 아이와 함께 할 만한 것 같은 여러 질문을 떠올린 뒤” “기본적으로 구글링을 시작한다”고 설명했어요. 또 AI 모드가 Google Finance나 Shopping Graph 같은 Google의 실시간 시스템도 활용한다고 덧붙였어요(Search Engine Journal).
- 2025년 11월, Gemini 3. Google은 쿼리 팬아웃이 “대대적으로 업그레이드”되어, 검색이 더 많은 검색을 수행하고 “이전에 놓쳤을 수 있는 새로운 콘텐츠를 찾을 수 있다”고 밝혔어요(Google, 2025년 11월 18일).
Google의 특허도 같은 방향을 가리키지만, 주의할 점이 있어요. 출원 특허 “Search with stateful chat”(US20240289407A1)은 “LLM 출력을 이용해 하나 이상의 합성 쿼리를 생성”하고 결과 문서를 선택하는 과정을 설명하고, 등록 특허 “Thematic search”(US12158907B1)는 하위 주제를 생성하고 두 번째 쿼리로 첫 번째 쿼리를 다듬는 과정을 설명해요. 특허는 Google이 무엇을 발명했는지를 보여 줄 뿐, 실제 서비스에서 무엇이 돌아가는지를 보여 주지는 않아요. 그러니 사양서가 아니라 그럴듯한 설명 정도로 받아들이세요.
Google AI 개요도 쿼리 팬아웃을 쓸까요?
네, 경우에 따라서요. Google 문서에는 AI 개요와 AI 모드 모두 “‘쿼리 팬아웃’ 기법을 사용해 여러 하위 주제와 데이터 소스에 걸쳐 관련 검색을 실행할 수 있다”고 나와 있어요. 여기서 “할 수 있다”가 중요해요. AI 개요는 짧은 쿼리에 빠르게 답하도록 만들어졌고, 2025년 11월 글에 따르면 두 기능 모두 어려운 질문은 더 큰 모델로, 간단한 질문은 더 빠른 모델로 보내요. 실제로는 빠른 AI 개요에서는 팬아웃이 가볍고, AI 모드와 Deep Search에서는 훨씬 무겁다고 보면 돼요. Google은 어느 쪽의 개수도 공개하지 않아요.
ChatGPT와 Perplexity는 프롬프트를 어떻게 팬아웃할까요?
ChatGPT는 프롬프트를 하나 이상의 검색 쿼리로 다시 쓰고, 이를 검색 제공업체에 보낸 뒤, 첫 결과를 읽고 나서 더 좁은 쿼리로 추가 검색을 하기도 해요. OpenAI의 ChatGPT 검색 도움말에 따르면 ChatGPT는 “보통 쿼리를 하나 이상의 타깃 쿼리로 다시 써요”. 바이오테크 예시에서는 첫 쿼리 뒤에 “더 구체적인 추가 쿼리”가 이어지고, 메모리(Memory)가 켜져 있으면 저장된 정보가 재작성에 반영될 수 있다고 해요(샌프란시스코에 사는 비건 사용자가 식당을 물으면 “good vegan restaurants San Francisco”가 되는 식이에요). 개인화 때문에 같은 프롬프트라도 사용자마다 다른 팬아웃이 일어날 수 있다는 뜻이에요.
Perplexity의 Pro Search는 질문을 단계별로 풀어 가면서 “이전 결과를 바탕으로 한 후속 검색”을 시작할 수 있어요. 검색하고, 읽고, 다시 검색하는 순차적 팬아웃이에요.
업체들이 공개하지 않는 부분은 제3자 측정이 채워 줘요.
- 프롬프트당 검색 수. Peec AI는 2026년 4월의 팬아웃 500만 건을 분석해 ChatGPT는 프롬프트당 2.1개, Perplexity는 1.4개, Grok은 6.8개로 집계했어요(Peec AI, 2026년 5월). Profound는 프롬프트 10,000개를 14일 동안 실행했고, ChatGPT, Perplexity, Copilot에서 실행당 대략 1.4~2회의 검색을 확인했어요.
- 더 길고 구체적인 쿼리. 5개국의 ChatGPT 팬아웃 2,000만 건을 보면, 평균 길이는 2025년 10월 약 6단어에서 2026년 1월 약 12단어로 거의 두 배가 됐지만, 프롬프트당 개수는 2.3~2.8개 사이를 유지했어요(Peec AI, 2026년 2월). ChatGPT가 더 자주 검색하는 게 아니라, 더 정확하게 검색하고 있다는 뜻이에요.
- 반복이 거의 없어요. Profound 연구에서 ChatGPT의 쿼리 문자열은 반복 실행 간 91%가 고유했어요. 반면 사용자의 표현에 가깝게 검색하는 Perplexity는 14%였어요.
- 모든 프롬프트가 검색하지는 않아요. DataForSEO는 ChatGPT 프롬프트 100,000개 중 47.5%에서 팬아웃 검색이 일어났다고 밝혔어요(DataForSEO, 2026년 5월). 나머지는 모델 자체 지식으로 답했어요.
영어가 아닌 프롬프트에도 ChatGPT가 영어로 검색하는 이유는 뭘까요?
OpenAI 밖에서는 아무도 확실히 알지 못하지만, 패턴 자체는 잘 측정돼 있어요. Peec에 따르면 영어가 아닌 프롬프트의 약 78%에서 ChatGPT가 영어 검색을 추가했고, 비영어 프롬프트의 전체 팬아웃 단계 중 43%가 영어로 실행됐어요. 언어별로는 터키어가 94%, 스페인어가 66%였어요(Peec AI). 독일어로 소프트웨어를 물었는데 독일 기업이 하나도 나오지 않은 사례도 있어요. OpenAI는 검색 언어를 어떻게 고르는지 공개하지 않아요. 영어권 밖의 브랜드에게 주는 시사점은 분명해요. 현지어 페이지는 검색 풀의 일부일 뿐이니, 여러분의 카테고리에서 상위에 노출되는 영어 자료에서도 브랜드가 정확하게 소개되어 있어야 해요.
| 엔진 | 업체의 공식 설명 | 제3자가 측정한 내용 | 여러분에게 주는 의미 |
|---|---|---|---|
| Google AI 모드 | 질문을 하위 주제로 분해, “수많은 쿼리를 동시에” 실행, Gemini 3로 업그레이드 | Gemini 3 API: 그라운딩 강제 시 프롬프트당 팬아웃 10.7개(Seer, 프롬프트 501개) | 팬아웃이 가장 많아요. 대표 키워드만이 아니라 구매 결정 전체를 다루세요 |
| Google AI 개요 | 팬아웃을 “사용할 수 있음”, 간단한 쿼리는 더 빠른 모델로 처리 | 공개된 개수 없음. 인용 페이지 대부분은 여전히 상위 10위 안(Ahrefs, 2025년 7월) | 여기서는 여전히 전통적인 순위가 가장 중요해요 |
| Google Deep Search | “수백 건의 검색을 실행할 수 있음” | 공개된 개수 없음 | 깊이 있는 내용과 1차 데이터가 긴 보고서에 인용돼요 |
| ChatGPT 검색 | “하나 이상의 타깃 쿼리로” 재작성, 후속 검색, 메모리 반영 | 프롬프트당 2.1개, 길이 약 6단어→약 12단어, 문자열 91% 고유, 프롬프트의 약 47.5%가 검색 | 적고 정확하며 계속 바뀌는 쿼리예요. 구체적인 하위 니즈마다 최고의 페이지가 되세요 |
| Perplexity | Pro Search가 여러 단계의 후속 검색 실행 | Sonar 기준 프롬프트당 1.4개, 쿼리가 사용자 표현에 가까움 | 여기서는 사용자 표현을 그대로 맞추는 것이 여전히 도움이 돼요 |
프롬프트 하나에서 팬아웃 쿼리는 몇 개나 생길까요?
0개부터 수백 개까지예요. 공개된 평균값이 서로 다른 건 측정 대상이 다르기 때문이에요. 이렇게 읽으면 돼요.
- Seer Interactive, Gemini 3 API: 프롬프트 501개에서 프롬프트당 10.7개(범위 3~28개)로, Gemini 2.5의 6.01개보다 78% 늘었어요(Seer, 2025년 11월). Seer는 모든 프롬프트에 그라운딩을 강제로 켰기 때문에 모든 프롬프트가 검색을 했어요.
- Seer Interactive, 반복 실행: 프롬프트 100개를 13번씩 실행했을 때 프롬프트당 8.52개였어요(Seer, 2026년 1월).
- Peec AI와 Profound, 일반 소비자용 엔진: 추적 중인 프롬프트로 측정했을 때 ChatGPT, Perplexity, Copilot에서 프롬프트당 1.4~2.1개였어요.
- 딥 리서치 모드: Google은 Deep Search가 수백 건을 실행할 수 있다고 하고, Ahrefs는 ChatGPT Deep Research 작업 하나가 검색을 420번 실행한 사례를 보고했어요(Ahrefs, 2026년 3월). 다만 이는 평균이 아니라 단일 사례예요.
그러니 솔직한 답은 이래요. 일반 채팅 답변은 검색을 몇 번 하고, AI 모드는 그보다 많이, 리서치 모드는 훨씬 더 많이 해요. 개수보다 중요한 건 형태예요. 같은 Seer 연구에서 Gemini 3 팬아웃의 95%는 월간 검색량이 0이었고, 반복 실행 연구에서는 고유 팬아웃 11,029개 중 13번 모두 등장한 건 8개뿐이었어요. 팬아웃 쿼리는 길고 구체적이며 대부분 그 자리에서 만들어져요. 키워드 도구가 대부분을 절대 보여 주지 못하는 이유예요.
실제 팬아웃 쿼리를 수집해 보니 이런 결과가 나왔어요
다른 사람들의 요약을 되풀이하는 대신 작동 원리를 직접 확인하려고, 2026년 10월 18일에 소규모 수집 실험을 했어요. Google 검색 그라운딩 도구를 켠 상태(강제가 아니라 검색 여부를 모델이 결정)로 Gemini API에 프롬프트를 보내고, API 응답으로 돌아온 모델의 실행 검색 쿼리를 전부 기록했어요. 사용한 모델은 gemini-2.5-flash, gemini-3.1-pro-preview, gemini-3.8-flash 세 가지예요.
상업용 프롬프트는 이것이었어요. “15명 규모의 원격 마케팅 에이전시에 가장 좋은 프로젝트 관리 툴은 뭐고, 1년에 비용은 얼마나 들까요?” 이 프롬프트를 총 13번 실행했어요(모델별로 5번, 3번, 5번). Google이 직접 든 잔디밭 잡초 예시도 6번 실행했어요.
| 모델 | 실행 횟수 | 실행당 검색 수 | “어떤 툴이 최고인지” 탐색 쿼리가 있었던 실행 | 검색한 브랜드 |
|---|---|---|---|---|
| gemini-2.5-flash | 5 | 2, 8, 6, 12, 7 | 5회 중 5회 | Asana, ClickUp, Monday.com(각각 5회 중 4회), Wrike와 Trello(5회 중 3회), Teamwork.com(5회 중 2회), Notion, Jira, Smartsheet(5회 중 1회) |
| gemini-3.1-pro-preview | 3 | 3, 3, 4 | 3회 중 1회 | ClickUp, Asana, Monday.com(3회 중 3회) |
| gemini-3.8-flash | 5 | 4, 4, 4, 3, 4 | 5회 중 0회 | Asana, ClickUp, Monday.com(5회 중 5회), Teamwork.com(5회 중 4회) |
눈에 띈 발견은 세 가지예요.
- 최신 모델은 탐색 단계를 건너뛰었어요. Gemini 2.5 Flash는 “best project management tools for remote marketing agency”를 검색한 뒤 최대 8개 업체의 가격을 확인했어요. 반면 Gemini 3.x 모델 두 개는 대부분 이미 염두에 둔 서너 개 업체에 대해 곧장 “clickup pricing plans annual” 같은 쿼리로 넘어갔어요. Gemini 3.x 실행 8번 중 7번은 어떤 툴이 최고인지 묻는 검색이 아예 없었어요. 후보 목록은 모델이 만들었고, 검색은 가격을 확인하는 데만 쓰였어요.
- 가격만큼은 늘 검색했어요. 13번의 실행 모두 가격을 검색했고, 13번 중 9번은 “annual”을, 4번은 연도(2025 또는 2026)를 붙였어요. 에이전시에게 중요한 리뷰, 연동 기능, 클라이언트나 게스트 접근, 시간 추적을 검색한 실행은 13번 중 한 번도 없었어요. 이런 니즈는 답변에 나왔다 해도 모델 자체 지식에서 나온 거예요.
- 아예 검색하지 않는 프롬프트도 있어요. 잔디밭 잡초 질문에 Gemini 3.8 Flash는 3번 모두 자체 지식으로 답했어요. Gemini 2.5 Flash는 3번 중 2번 검색했는데, “natural weed control methods for lawns”, “chemical weed killers for lawns” 같은 쿼리를 5개, 6개씩 실행했고, 이는 Google이 문서에 든 예시와 아주 비슷했어요.
한계도 있어요. 이 결과는 하루 동안의 API 호출 19건이에요. 그라운딩을 켠 Gemini API는 Google AI 모드와 같은 시스템이 아니고, AI 모드에는 자체 순위, Shopping Graph, 개인화 레이어가 더해져요. 그러니 AI 모드를 측정한 결과가 아니라, Gemini 모델이 검색을 어떻게 계획하는지 들여다본 결과로 받아들이세요. 그래도 업체 입장에서 얻을 교훈은 실용적이에요. 모델이 이미 후보 목록을 갖고 있다면 그 목록에 들어가야 해요(이는 페이지 하나가 아니라 웹 전반에서 어떻게 소개되느냐로 결정돼요). 그리고 실제로 실행되는 “[your brand] pricing per user annual” 같은 쿼리는 크롤링 가능하고 최신 정보가 담긴 가격 페이지로 이어져야 해요.
대표 키워드 1위만으로는 왜 AI 인용을 받기 어려울까요?
AI 모드는 프롬프트만이 아니라 하위 쿼리를 기준으로 검색하고, 하위 쿼리에서 이기는 페이지가 대표 키워드에서 순위가 높은 페이지와 다른 경우가 많기 때문이에요. seoClarity가 2025년 9월 미국의 거래형 쿼리 1,000개를 확인한 결과, AI 모드 인용 12,011건 중 오가닉 상위 20위에서 나온 건 19%뿐이었고, 상위 10위 URL이 하나라도 인용된 쿼리는 28%에 그쳤어요(seoClarity, 2025년 10월). iPullRank의 Mike King도 같은 관찰을 했어요. 인용된 페이지가 원래 쿼리에서 상위 100위 안에도 들지 못하는 경우가 많았는데, 합성 하위 쿼리로 검색됐기 때문이라는 거예요(iPullRank).
AI 개요는 사정이 달라서 정확히 짚고 넘어갈 필요가 있어요. Ahrefs는 2025년 7월 AI 개요 100만 건 샘플에서 인용의 76.1%가 상위 10위에서 나왔다고 밝혔고(Ahrefs), 나머지를 팬아웃으로 설명할 수 있는지 검증했을 때 데이터는 이를 뒷받침하지 않았어요. 정리하면 이래요. AI 개요에서는 여전히 좋은 순위가 가장 큰 지렛대예요. AI 모드와 채팅형 엔진에서는 대표 키워드 순위가 여러 검색 풀 중 하나에 들어가게 해 줄 뿐이고, 나머지 풀은 각 하위 질문에 얼마나 잘 답하느냐로 결정돼요.
프롬프트 하나의 팬아웃 맵은 어떻게 생겼을까요?
팬아웃 맵은 프롬프트에 담긴 하위 질문, 각 질문의 유형, 그리고 페이지의 어느 부분이 그 질문에 답하는지를 정리한 표예요. 아래는 앞의 프로젝트 관리 프롬프트로 만든 맵이고, 13번의 실행에서 Gemini 모델이 실제로 검색한 내용과 대조해 표시했어요. 하위 쿼리는 12개로, 내용이 풍부한 프롬프트에 대해 공개 연구들이 보통 보고하는 8~11개와 비슷한 수준이에요.
| # | 하위 쿼리 | 유형 | 13번의 실행에서 검색됐나요? | 답해야 할 문단 |
|---|---|---|---|---|
| 1 | 마케팅 에이전시를 위한 최고의 프로젝트 관리 소프트웨어 | 탐색 | 13회 중 6회(대부분 Gemini 2.5) | 순위가 매겨진 후보 목록과 선정 기준을 담은 H2 |
| 2 | 원격 팀을 위한 프로젝트 관리 툴 | 조건 | 13회 중 5회(“remote”) | 비동기 기능, 시간대를 다루는 H3 |
| 3 | [Tool] 사용자당 가격, 연간 결제 | 검증 | 13회 중 13회 | 확인 날짜가 적힌 가격표 |
| 4 | 15명 기준 연간 비용 | 계산 | 13회 중 5회(“15 users”) | 툴별 비용 계산 예시 |
| 5 | [Tool] 가격 2026 | 최신성 | 13회 중 4회(연도 추가) | 눈에 보이는 “가격 확인일” |
| 6 | 에이전시용 [Tool A] vs [Tool B] | 비교 | 13회 중 2회(일반적인 “comparison”) | 비교표 |
| 7 | 마케팅 에이전시를 위한 [Tool] | 엔티티 + 사용 사례 | 13회 중 1회 | 툴마다 짧은 문단 하나 |
| 8 | 클라이언트 포털 또는 게스트 접근 | 숨은 니즈 | 13회 중 0회 | 클라이언트 협업을 다루는 H3 |
| 9 | 시간 추적과 청구 가능 시간 | 숨은 니즈 | 13회 중 0회 | 청구 워크플로를 다루는 H3 |
| 10 | Slack, Google Workspace, HubSpot 연동 | 숨은 니즈 | 13회 중 0회 | 연동 기능 표 |
| 11 | 에이전시 사용자 리뷰 | 검증(평판) | 13회 중 0회 | 독립 리뷰 요약과 링크 |
| 12 | 연간 결제와 월간 결제 할인 비교 | 비용 세부 | 13회 중 9회(“annual”) | 가격표 아래 한 줄 |
0회인 항목은 잘 읽어야 해요. “이건 건너뛰어도 된다”는 뜻이 아니에요. 모델이 이미 알고 있는 내용으로 그 니즈에 답했다는 뜻이에요. 그러니 이 부분에 영향을 주려면 실행되지 않을 수도 있는 검색을 기다릴 게 아니라, 웹 전반(리뷰, 비교 글, 문서)에서 정확하게 소개되어야 해요. 횟수가 높은 행이 페이지 하나로 직접 검색 경쟁에서 이길 수 있는 곳이에요.
내 주제의 팬아웃 쿼리는 어떻게 찾을 수 있을까요?
모델이 무엇을 고려하는지 다루는 수동 맵과, 실제로 무엇을 검색하는지 보여 주는 관측 쿼리 샘플을 함께 쓰세요. 저희가 쓰는 방법은 이래요.
- 구매자가 실제로 묻는 방식으로 프롬프트를 쓰세요. 완전한 문장으로, 실제 사람이 덧붙이는 조건(팀 규모, 예산, 지역, 마감일)까지 넣으세요. 짧은 키워드로는 짧고 대표성 없는 팬아웃만 나와요.
- 유형별 하위 질문으로 쪼개세요. 위 맵의 유형(탐색, 조건, 검증, 계산, 최신성, 비교, 엔티티, 숨은 니즈, 평판 검증)을 활용해 8~12개를 목표로 하세요.
- 실제 사람들이 묻는 질문을 더하세요. 대표 키워드와 하위 쿼리 두세 개에 대해 People Also Ask(Google의 ‘관련 질문’)와 연관 검색어를 뽑으세요. 이건 팬아웃은 아니지만, 같은 질문을 사람의 말로 표현한 거예요. AI Rank Lab의 키워드 플래너는 검색량과 함께 PAA와 연관 검색어를 보여 줘서 이 단계를 빠르게 끝낼 수 있어요.
- 관측된 팬아웃을 수집하세요. 실제 쿼리를 돌려주는 소스로 프롬프트를 5번 이상 실행하세요. Google 검색 그라운딩을 켠 Gemini API(Google 그라운딩 문서에 나온 대로 응답에 실행된 쿼리가 나열돼요)나 SE Ranking의 무료 ChatGPT Fan-Out Query Extractor를 쓰면 돼요. 브라우저 개발자 도구에서 ChatGPT의 네트워크 응답을 읽는 실무자도 있지만, OpenAI가 언제든 바꿀 수 있는 비공개 필드에 의존하는 방법이고 저희는 이 글을 위해 검증하지 않았어요.
- 문자열이 아니라 주제로 묶으세요. “clickup pricing plans annual”과 “ClickUp pricing per user per month annual”은 ‘ClickUp 연간 가격’이라는 하나의 주제로 합치세요. Seer의 반복 실행 데이터를 보면 정확한 문자열은 거의 반복되지 않으니, 실행 전체에서 주제가 몇 번 나오는지를 세세요.
- 주제마다 내 페이지와 대조해 표시하세요. 잘 답했는지, 부실하게 답했는지, 아예 빠졌는지요. 자주 나오는데 빠진 주제가 곧 여러분의 목차예요.
- 분기마다 다시 실행하세요. 모델은 바뀌어요. Seer 데이터에서 Gemini 3는 Gemini 2.5보다 팬아웃이 78% 많았고, 저희 데이터에서도 최신 모델은 또 다른 방식으로 검색했어요.
팬아웃 쿼리를 보여 주는 툴은 무엇이고, 관측값일까요 예측값일까요?
팬아웃 툴을 볼 때 가장 먼저 따져야 할 건, 엔진이 실제로 실행한 쿼리(관측)를 보여 주는지, 아니면 엔진이 실행할 것 같다고 LLM이 추측한 쿼리(예측)를 보여 주는지예요. 둘 다 쓸모는 있지만, 증거가 되는 건 관측된 쿼리뿐이에요.
공개: AI Rank Lab은 저희 제품이에요. 저희 사이트라서 가장 먼저 소개하지만, 아래 모든 툴에 같은 기준을 적용했어요.
| 툴 | 관측 또는 예측 | 제공하는 것 | 이럴 때 적합해요 |
|---|---|---|---|
| AI Rank Lab | 팬아웃 원본 문자열은 둘 다 해당 없음, 인용은 관측 | 팬아웃 쿼리 문자열은 보여 주지 않아요. 대신 그 앞뒤 단계를 다뤄요. 키워드 플래너의 PAA와 연관 검색어, Content Suite의 프롬프트 제안과 경쟁사 조사 기반 목차, 그리고 ChatGPT, Claude, Gemini, Perplexity와 AI 개요, AI 모드에 걸친 예약 프롬프트 추적으로 어떤 URL이 인용되는지 기록해요 | 팬아웃 맵을 콘텐츠로 만들고 인용 변화를 확인할 때 |
| Google 검색 그라운딩을 켠 Gemini API | 관측 | 호출마다 모델이 실행한 정확한 쿼리와 사용한 출처 | 짧은 스크립트를 돌릴 수 있다면 직접 수집할 때, 호출당 과금 |
| SE Ranking ChatGPT Fan-Out Query Extractor | 관측(OpenAI API 경유) | 배치당 최대 10개 프롬프트에 대해 ChatGPT가 실행한 쿼리, 일일 한도 내 무료, CSV 내보내기 | 빠르고 무료로 ChatGPT 샘플을 볼 때 |
| Peec AI | 관측(추적 중인 프롬프트 기반) | 추적 중인 프롬프트에서 수집한 팬아웃, 이들의 리서치 페이지도 이 데이터로 만들어져요 | ChatGPT, Perplexity, Grok 팬아웃을 꾸준히 모니터링할 때 |
| DataForSEO LLM Mentions API | 관측(업체 수집) | 자체 대시보드를 만드는 팀을 위한 API 범위의 팬아웃 쿼리 | 대규모로 작업하는 개발자 |
| Otterly AI Query Fan-Out tool | 예측 | ChatGPT와 Google AI 영역용으로 생성된 확장 쿼리, 유형과 의도별 라벨, 추적 프롬프트로 추가 가능 | 팬아웃 맵을 빠르게 브레인스토밍할 때 |
| Qforia (iPullRank) | 예측(시뮬레이션) | Google AI 모드와 AI 개요를 위한 시뮬레이션 합성 쿼리 | Google 스타일 맵을 무료로 시작할 때 |
가격은 적지 않았어요. 대부분 자주 바뀌는 더 큰 요금제에 묶여 있기 때문이에요. 구매하는 날 각 업체의 가격 페이지를 확인하세요(SE Ranking 툴은 2026년 10월 18일 확인 당시 무료였어요).
문단 하나가 하위 쿼리 하나에 답하도록 페이지를 어떻게 구성할까요?
자주 나오는 하위 질문마다 제목이 분명한 섹션을 따로 두고, 그 섹션을 바로 이해되는 직접적인 답으로 시작한 다음 근거를 붙이세요. 팬아웃 검색은 수많은 구체적 쿼리에 문단을 맞춰 보기 때문에, 첫 두 문장에서 질문 하나에 깔끔하게 답하는 섹션은 검색되고 인용되기 쉬워요. 독자에게도 좋은 글쓰기이고, Google은 그 이상은 필요 없다고 분명히 말해요. “AI가 더 잘 이해하도록 콘텐츠를 아주 작은 조각으로 나눌 필요는 없다”고 하고, 자사 시스템이 “동의어를 이해할 수 있다”고 하니 팬아웃 표현을 단어 하나하나까지 맞출 필요도 없어요.
구매자 질문 하나에는 이 목차 템플릿을 쓰세요.
- 도입 답변(2~3문장). 상위 프롬프트에 대한 직접적인 답으로, 그 자체로 인용할 수 있어야 해요.
- 핵심 요약 박스. 독자(또는 모델)가 그대로 가져갈 수 있는 4~5줄.
- H2: 탐색 하위 쿼리(“Y에 가장 좋은 X는?”)와 후보 목록, 그 선정 기준.
- 조건별 H2 또는 H3(팀 규모, 예산, 지역, 사용 사례). 각각 해당 조건에 대한 답으로 시작해요.
- 검증 하위 쿼리용 표: 가격, 한도, 사양과 확인한 날짜.
- “A vs B” 하위 쿼리용 비교표.
- 숨은 니즈를 다루는 H3: 구매자가 말하지 않았지만 신경 쓸 부분.
- 절차를 담은 번호 목록: 질문이 무언가를 하는 방법을 묻는다면요.
- FAQ 항목: 남은 짧은 하위 질문들.
- 출처와 방법론을 본문에 바로 넣어서, 주장마다 근거가 따라붙게 하세요.
이 문단들이 애초에 검색될 수 있는지는 기술적인 부분(색인 가능 여부, 스니펫 자격, 페이지 속도)이 결정하는데, 이건 AEO 체크리스트에서 다뤄요. AI Rank Lab의 Content Suite는 프롬프트와 경쟁사 조사를 바탕으로 이런 목차를 만들어 주고, SEO, AEO, GEO 진단은 페이지가 게시된 뒤 구조를 점검해 줘요.
팬아웃 쿼리마다 페이지를 따로 만들어야 할까요?
아니요. Google 가이드는 “사람들이 검색할 수 있는 모든 변형마다 별도의 콘텐츠를 만들고 싶은 유혹이 들 수 있지만”, 순위나 AI 답변을 조작하려고 그렇게 하면 대규모 콘텐츠 악용 정책 위반이며, “페이지 수가 많다고 웹사이트의 품질이 높아지지는 않는다”고 분명히 말해요. 팬아웃 자체도 이 전략에 불리해요. 문자열이 거의 매번 바뀌니, 문자열마다 페이지를 만드는 건 다음번엔 없을 목표를 쫓는 셈이에요. 실제 구매자 질문 하나당 완성도 높은 페이지 하나, 그리고 하위 질문마다 섹션 하나. 이게 정책도 지키고 효과도 있는 방법이에요. 별도 페이지는 하위 질문이 정말 다른 역할을 할 때만 의미가 있어요(예: 전체 가격 페이지나 전용 연동 가이드).
쿼리 팬아웃 대응에서 흔히 하는 실수
- 하위 쿼리마다 페이지를 하나씩 만들기. Google 기준으로는 대규모 콘텐츠 악용이고, 팬아웃 문자열이 이렇게 불안정하니 의미도 없어요.
- 정확한 팬아웃 문자열에 맞춰 최적화하기. Seer의 13번 실행에서 Gemini 3 팬아웃 11,029개 중 모두 반복된 건 8개뿐이었고, Profound 연구에서 ChatGPT 문자열의 91%는 고유했어요. 주제를 공략하세요.
- 키워드 검색량으로 우선순위 정하기. Seer 데이터에서 팬아웃의 95~99%는 기록된 검색량이 0이에요. 실행 전체에서 주제가 얼마나 자주 나오는지, 구매 결정에 얼마나 가까운지로 우선순위를 정하세요.
- 예측된 팬아웃을 증거로 여기기. 그럴듯한 하위 쿼리를 생성하는 툴은 브레인스토밍이지 측정이 아니에요. 관측된 수집 결과로 검증하세요.
- 모델이 이미 가진 사전 지식을 무시하기. 저희 수집 결과에서 최신 모델은 이미 아는 브랜드만 검색했어요. 제3자 리뷰, 비교 글, 문서에서 정확하게 소개되는 것도 팬아웃 최적화의 일부예요.
- 가격 페이지를 방치하거나 크롤러를 막기. “[brand] pricing annual” 같은 검증 쿼리는 13번의 실행 모두에서 나왔어요. 그 페이지가 오래됐거나, 양식 뒤에 숨겨져 있거나, JavaScript로만 렌더링된다면 모델은 다른 누군가의 페이지로 검증해요.
- 영어 검색 풀을 잊기. 영어권이 아닌 시장에서도 Peec 데이터에 따르면 ChatGPT 검색의 상당 부분이 영어로 실행돼요.
- Google을 위해 특별한 AI 마크업이나 llms.txt 추가하기. Google은 AI 기능에 노출되기 위해 새로운 기계 판독용 파일, AI 텍스트 파일, 특별한 schema.org 마크업이 필요 없다고 말해요.
팬아웃 최적화가 효과가 있는지 어떻게 측정할까요?
한 번의 스냅숏이 아니라, 반복 실행을 통해 상위 프롬프트의 인용과 노출을 측정하세요. 두 가지 소스를 함께 보면 꽤 정확한 그림이 나와요.
- Google Search Console의 생성형 AI 실적 보고서. 2026년 6월 3일에 출시되어 2026년 8월 31일까지 모든 사이트에 배포됐고, AI 개요, AI 모드, Discover AI 기능의 노출수, 페이지, 국가, 기기, 날짜를 보여 줘요(Google Search Central). 팬아웃 쿼리는 나오지 않으니, 페이지 구조를 바꾼 뒤 어떤 페이지가 AI 노출을 얻는지 확인하는 용도로 쓰세요.
- 여러 엔진에 걸친 반복 프롬프트 추적. 상위 프롬프트를 정해진 일정에 따라 실행하고 어떤 도메인과 URL이 인용되는지 기록하세요. 노이즈는 각오해야 해요. AI Rank Lab에서 추적한 프롬프트-엔진 조합 42개의 반복 실행 968건(2026년 2월~10월)을 보면, 연속된 실행 간 인용 도메인 겹침의 중앙값은 0.41(Jaccard)이었고, 모든 실행에 등장한 인용 도메인은 중앙값 기준 3.5%에 불과했어요. 실행마다 이렇게 달라지니, 한 번의 확인이 아니라 몇 주에 걸친 실행으로 변화를 판단하세요. Google용 설정 방법은 AI 개요 체커 가이드에서, ChatGPT용 같은 루프는 ChatGPT 인용 30일 플레이북에서 다뤄요.
성과의 원인은 솔직하게 봐야 해요. 팬아웃 커버리지만을 인용 증가의 원인으로 분리해 검증한 통제 연구는 공개된 게 없고, Ahrefs의 AI 개요 데이터도 상위 10위 밖 인용을 팬아웃으로 설명하는 가설을 뒷받침하지 않았어요. 팬아웃 매핑은 완성도 높은 페이지를 만들 가능성을 높여 주는 기획 방법이지, 켜기만 하면 되는 스위치가 아니에요.
한눈에 정리하면
쿼리 팬아웃은 프롬프트 하나를 정확하고 계속 바뀌는 여러 검색으로 바꿔요. Google도 OpenAI도 문서로 밝히고 있고, 측정된 개수는 엔진, 모델, 방법에 따라 달라져요. 하위 질문을 유형별로 정리하고, 관측된 쿼리 샘플을 확인하고, 이를 주제로 묶은 뒤, 완성도 높은 페이지 하나 안에서 주제마다 제목이 분명한 섹션으로 답하세요. 검증 쿼리가 도착하는 페이지에는 날짜가 적힌 사실을 넣고요. 그다음 반복 실행으로 측정하세요.
ChatGPT, Claude, Gemini, Perplexity, AI 개요, AI 모드가 여러분의 프롬프트에 어떤 페이지를 인용하는지 확인하고 그 빈틈을 목차로 바꾸고 싶다면, AI Rank Lab에서 프롬프트를 추적해 보세요.
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.
