Query fan-out is de stap waarin een AI-zoekmachine jouw ene vraag herschrijft tot een reeks smallere zoekopdrachten, die uitvoert (vaak tegelijk) en uit alles wat terugkomt één antwoord schrijft. Google documenteert het voor AI Mode en AI Overviews, en ChatGPT, Perplexity en Gemini hebben elk hun eigen variant. Het verklaart waarom een pagina geciteerd kan worden voor een prompt waarvoor ze nooit rankte, en waarom de nummer 1 voor de hoofdzoekterm soms buiten de boot valt.
In deze gids leggen we het mechanisme uit aan de hand van wat Google, OpenAI en Perplexity zelf hebben gepubliceerd. We laten zien wat we zagen toen we op 18 oktober 2026 echte fan-out-queries uit de Gemini API vastlegden, en je krijgt een herhaalbare methode om de subqueries voor elk onderwerp in kaart te brengen en er één goed gebouwde pagina van te maken. Bij elk cijfer hieronder staat wie het heeft gemeten en hoe.
De belangrijkste punten
- Fan-out bestaat echt en is officieel gedocumenteerd: volgens Google deelt AI Mode een vraag op in subonderwerpen en voert het “een groot aantal zoekopdrachten tegelijk” uit; volgens OpenAI herschrijft ChatGPT search je prompt “tot een of meer gerichte zoekopdrachten”.
- Gepubliceerde aantallen lopen uiteen van ongeveer 1,4 tot 10,7 fan-outs per prompt. Dat verschil zit in de methode: welke engine, welk model en of zoeken geforceerd aan stond.
- De exacte zoekstrings zijn instabiel. In de Gemini 3-test van Seer kwamen maar 8 van de 11.029 fan-outs in alle 13 runs voor. Plan op thema’s, niet op strings.
- In onze eigen meting sloegen nieuwere Gemini-modellen de zoektocht naar “de beste tools” over en checkten ze alleen de prijzen van een shortlist die ze al kenden. Sta je niet op die shortlist, dan gaat geen enkele fan-out-query naar je op zoek.
- Schrijf één complete pagina per echte koopvraag, met per subvraag één sectie die helder antwoord geeft. Eén pagina per fan-out-variant noemt Google scaled content abuse (misbruik van content op schaal).
Wat is query fan-out in AI-zoekmachines?
Query fan-out is een retrievaltechniek: een taalmodel breidt één prompt uit tot meerdere verwante zoekopdrachten, haalt voor elk daarvan resultaten op en baseert één antwoord op het geheel. Google definieert het in de woordenlijst van zijn Guide to Optimizing for Generative AI Features als “een set gelijktijdige, verwante zoekopdrachten die het model genereert om meer informatie op te vragen”.
Het voorbeeld dat Google geeft, werkt juist omdat het zo alledaags is. Bij de vraag “hoe krijg ik een gazon vol onkruid weer netjes?” kunnen de fan-out-queries bijvoorbeeld “beste onkruidverdelger voor het gazon”, “onkruid verwijderen zonder chemicaliën” en “onkruid in het gazon voorkomen” zijn. Geen van die drie heeft de gebruiker zelf getypt. Elke query haalt een andere set pagina’s op, en het uiteindelijke antwoord kan passages uit alle drie de sets citeren.
Daar volgen twee dingen uit. Ten eerste is de subquery de eenheid van retrieval: een pagina concurreert dus om de verborgen zoekopdrachten, niet alleen om de zichtbare prompt. Ten tweede ligt fan-out bovenop de gewone zoekmachine. Google zegt expliciet dat AI Overviews en AI Mode zijn geworteld in de kernsystemen voor ranking, en dat een pagina “geïndexeerd moet zijn en in Google Search met een snippet getoond mag worden” om als ondersteunende link te verschijnen (AI features and your website). Fan-out maakt het net breder, maar vervangt de index niet. Ben je nieuw in het vakgebied, lees dan eerst onze uitleg over generative engine optimization voor de bredere context.
Hoe gebruikt Google AI Mode query fan-out?
AI Mode laat een Gemini-model bepalen welke subonderwerpen een vraag nodig heeft, voert voor die subonderwerpen tegelijk een reeks Google-zoekopdrachten uit en stelt daaruit één antwoord met links samen. Dat is de officiële beschrijving, en die is sinds de lancering niet veranderd:
- Maart 2025, lancering. Google meldde dat AI Mode “een ‘query fan-out’-techniek gebruikt, waarbij meerdere verwante zoekopdrachten tegelijk over subonderwerpen worden uitgevoerd”, op basis van een aangepaste versie van Gemini 2.0 (Google, 5 maart 2025).
- Mei 2025, Google I/O. Head of Search Elizabeth Reid beschreef hoe AI Mode “je vraag opdeelt in subonderwerpen” en “een groot aantal zoekopdrachten tegelijk” uitvoert, waardoor Search “dieper het web in kan duiken dan een traditionele zoekopdracht”. In dezelfde post werd Deep Search geïntroduceerd, dat “honderden zoekopdrachten kan uitvoeren” om een rapport met bronvermelding op te bouwen (Google, 20 mei 2025).
- Juli 2025, meer details. Robby Stein, VP of Product voor Search, legde uit dat het systeem voor een trip naar Nashville “misschien een hele rij vragen bedenkt, zoals goede restaurants, goede bars, wat je met kinderen kunt doen” en dan “eigenlijk gewoon gaat googelen”. Hij voegde eraan toe dat AI Mode put uit realtime systemen van Google, zoals Google Finance en de Shopping Graph (Search Engine Journal).
- November 2025, Gemini 3. Google kondigde aan dat query fan-out “een flinke upgrade krijgt”: Search kan meer zoekopdrachten uitvoeren en “nieuwe content vinden die het eerder misschien had gemist” (Google, 18 november 2025).
Ook patenten van Google wijzen die kant op, met een kanttekening. De aanvraag “Search with stateful chat” (US20240289407A1) beschrijft het “genereren van een of meer synthetische zoekopdrachten op basis van de LLM-output” en het selecteren van resultaatdocumenten, en het verleende patent “Thematic search” (US12158907B1) beschrijft het genereren van subthema’s en het verfijnen van een eerste zoekopdracht met een tweede. Een patent laat zien wat Google heeft uitgevonden, niet wat er in productie draait. Zie ze dus als aannemelijke beschrijvingen, niet als specificatie.
Gebruiken Google AI Overviews ook query fan-out?
Ja, soms. Volgens Googles documentatie “kunnen” zowel AI Overviews als AI Mode “een ‘query fan-out’-techniek gebruiken, waarbij meerdere verwante zoekopdrachten over subonderwerpen en databronnen worden uitgevoerd”. Dat woordje “kunnen” doet ertoe: AI Overviews zijn gebouwd om snel te zijn bij korte zoekopdrachten, en volgens de post van november 2025 gaan moeilijkere vragen in beide functies naar het grotere model, terwijl eenvoudige vragen snellere modellen krijgen. In de praktijk mag je dus lichtere fan-out verwachten bij een snelle AI Overview en zwaardere fan-out in AI Mode en Deep Search. Google publiceert voor geen van beide aantallen.
Hoe splitsen ChatGPT en Perplexity een prompt op?
ChatGPT herschrijft je prompt tot een of meer zoekopdrachten, stuurt die naar zijn zoekproviders en kan na het lezen van de eerste resultaten nog smallere vervolgvragen stellen. In OpenAI’s helpartikel over ChatGPT search staat dat het “je zoekopdracht doorgaans herschrijft tot een of meer gerichte zoekopdrachten”. Het geeft een biotechvoorbeeld waarin op een eerste zoekopdracht “aanvullende, specifiekere zoekopdrachten” volgen, en het vermeldt dat de herschrijving met Memory aan opgeslagen details kan bevatten: een veganistische gebruiker in San Francisco die naar restaurants vraagt, krijgt de zoekopdracht “good vegan restaurants San Francisco”. Door die personalisatie kunnen twee gebruikers met dezelfde prompt verschillende fan-outs triggeren.
Pro Search van Perplexity werkt een vraag stap voor stap af en kan “vervolgzoekopdrachten starten die voortbouwen op eerdere resultaten”. Dat is sequentiële fan-out: zoeken, lezen, opnieuw zoeken.
Metingen van derden vullen aan wat de aanbieders zelf niet publiceren:
- Aantal per prompt. Peec AI analyseerde 5 miljoen fan-outs uit april 2026 en telde 2,1 per prompt op ChatGPT, 1,4 op Perplexity en 6,8 op Grok (Peec AI, mei 2026). Profound draaide 10.000 prompts gedurende 14 dagen en zag op ChatGPT, Perplexity en Copilot zo’n 1,4 tot 2 zoekopdrachten per run.
- Langere, specifiekere zoekopdrachten. Over 20 miljoen ChatGPT-fan-outs in vijf landen verdubbelde de gemiddelde lengte ruwweg, van zo’n 6 woorden in oktober 2025 naar zo’n 12 in januari 2026, terwijl het aantal per prompt tussen 2,3 en 2,8 bleef (Peec AI, februari 2026). ChatGPT zoekt dus niet vaker, maar wel preciezer.
- Weinig herhaling. In het onderzoek van Profound was 91% van de zoekstrings van ChatGPT uniek over herhaalde runs, tegenover 14% bij Perplexity, dat dicht bij de bewoording van de gebruiker blijft.
- Niet elke prompt zoekt. DataForSEO ontdekte dat 47,5% van 100.000 ChatGPT-prompts fan-out-zoekopdrachten triggerde (DataForSEO, mei 2026). De rest werd beantwoord vanuit de eigen kennis van het model.
Waarom zoekt ChatGPT in het Engels, ook als je prompt dat niet is?
Niemand buiten OpenAI weet het zeker, maar het patroon is goed gemeten. Peec zag dat ChatGPT in ongeveer 78% van de niet-Engelse gevallen Engelstalige zoekopdrachten toevoegde, en dat 43% van alle fan-out-stappen voor niet-Engelse prompts in het Engels liep, van 94% voor Turks tot 66% voor Spaans (Peec AI). In hun voorbeelden leverden Duitse prompts over software geen enkel Duits bedrijf op. OpenAI documenteert niet hoe het de taal kiest. Voor een merk buiten de Engelstalige wereld, dus ook voor Nederlandse en Vlaamse bedrijven, is de les heel concreet: je pagina’s in je eigen taal zijn maar een deel van de pool waaruit wordt opgehaald. Je moet dus ook correct beschreven staan in de Engelstalige bronnen die voor jouw categorie ranken.
| Engine | Wat de aanbieder officieel zegt | Wat derden hebben gemeten | Wat het voor jou betekent |
|---|---|---|---|
| Google AI Mode | Deelt de vraag op in subonderwerpen; “een groot aantal zoekopdrachten tegelijk”; geüpgraded met Gemini 3 | Gemini 3 API: 10,7 fan-outs per prompt met geforceerde grounding (Seer, 501 prompts) | De zwaarste fan-out. Dek de hele beslissing af, niet alleen de hoofdzoekterm |
| Google AI Overviews | “Kan” fan-out gebruiken; eenvoudige vragen gaan naar snellere modellen | Geen publiek aantal. De meeste geciteerde pagina’s staan nog steeds in de top 10 (Ahrefs, juli 2025) | Klassieke ranking telt hier nog het zwaarst |
| Google Deep Search | “Kan honderden zoekopdrachten uitvoeren” | Geen publiek aantal | Diepgang en eigen data belanden in lange rapporten |
| ChatGPT search | Herschrijft tot “een of meer gerichte zoekopdrachten”; vervolgvragen; houdt rekening met Memory | 2,1 per prompt; lengte van ~6 naar ~12 woorden; 91% van de strings uniek; bij ~47,5% van de prompts wordt gezocht | Weinig, precieze en wisselende zoekopdrachten. Wees de beste pagina voor elke specifieke deelbehoefte |
| Perplexity | Pro Search voert vervolgzoekopdrachten in meerdere stappen uit | 1,4 per prompt op Sonar; zoekopdrachten blijven dicht bij de bewoording van de gebruiker | Aansluiten bij de eigen formulering van de gebruiker helpt hier nog steeds |
Hoeveel fan-out-queries levert één prompt op?
Ergens tussen nul en honderden, en de gepubliceerde gemiddelden spreken elkaar tegen omdat ze verschillende dingen meten. Zo lees je ze:
- Seer Interactive, Gemini 3 API: 10,7 per prompt (bereik 3 tot 28) over 501 prompts, een stijging van 78% ten opzichte van 6,01 op Gemini 2.5 (Seer, november 2025). Seer forceerde grounding bij elke prompt, dus elke prompt zocht.
- Seer Interactive, herhaalde runs: 8,52 per prompt over 100 prompts die elk 13 keer zijn gedraaid (Seer, januari 2026).
- Peec AI en Profound, consumentenengines: 1,4 tot 2,1 per prompt op ChatGPT, Perplexity en Copilot, gemeten op gevolgde prompts.
- Deep-research-modi: volgens Google kan Deep Search er honderden uitvoeren; Ahrefs meldde één Deep Research-taak in ChatGPT die 420 zoekopdrachten draaide (Ahrefs, maart 2026). Dat is één anekdote, geen gemiddelde.
Het eerlijke antwoord is dus: een gewoon chatantwoord draait een handvol zoekopdrachten, AI Mode meer, en onderzoeksmodi nog veel meer. Belangrijker dan het aantal is de vorm. Hetzelfde onderzoek van Seer vond dat 95% van de Gemini 3-fan-outs nul maandelijks zoekvolume had, en in het onderzoek met herhaalde runs kwamen maar 8 van de 11.029 unieke fan-outs in alle 13 runs terug. Fan-out-queries zijn lang, specifiek en grotendeels ter plekke verzonnen. Daarom laat een keywordtool je het merendeel ervan nooit zien.
Wat we zagen toen we echte fan-out-queries vastlegden
We wilden het mechanisme met eigen ogen zien in plaats van samenvattingen van anderen te herhalen, dus deden we op 18 oktober 2026 een kleine eigen meting. We stuurden prompts naar de Gemini API met de grounding-tool voor Google Search aan (niet geforceerd: het model beslist zelf of het zoekt) en logden elke zoekopdracht die het model uitvoerde, zoals die in de API-respons terugkwam. We gebruikten drie modellen: gemini-2.5-flash, gemini-3.1-pro-preview en gemini-3.8-flash.
De commerciële prompt (in het Engels verstuurd) was: "Which project management tool is best for a 15-person remote marketing agency, and how much will it cost us per year?" Oftewel: welke projectmanagementtool is het best voor een remote marketingbureau van 15 mensen, en wat kost die ons per jaar? Die prompt draaiden we 13 keer (5, 3 en 5 runs per model). Daarnaast draaiden we Googles eigen gazon-en-onkruidvoorbeeld 6 keer.
| Model | Runs | Zoekopdrachten per run | Runs met een oriënterende “welke tool is het best”-query | Merken waarop werd gezocht |
|---|---|---|---|---|
| gemini-2.5-flash | 5 | 2, 8, 6, 12, 7 | 5 van 5 | Asana, ClickUp, Monday.com (elk in 4 van 5 runs), Wrike en Trello (3 van 5), Teamwork.com (2 van 5), Notion, Jira, Smartsheet (1 van 5) |
| gemini-3.1-pro-preview | 3 | 3, 3, 4 | 1 van 3 | ClickUp, Asana, Monday.com (3 van 3) |
| gemini-3.8-flash | 5 | 4, 4, 4, 3, 4 | 0 van 5 | Asana, ClickUp, Monday.com (5 van 5), Teamwork.com (4 van 5) |
Drie dingen vielen op:
- Nieuwere modellen sloegen de oriëntatie over. Gemini 2.5 Flash zocht op “best project management tools for remote marketing agency” en zocht daarna de prijzen van tot acht aanbieders op. De twee Gemini 3.x-modellen gingen meestal direct naar zoekopdrachten als “clickup pricing plans annual” voor drie of vier aanbieders die ze al in gedachten hadden. In 7 van de 8 runs met Gemini 3.x vroeg geen enkele zoekopdracht welke tool het best was. De shortlist kwam uit het model zelf; zoeken diende alleen om prijzen te controleren.
- Prijs was de enige constante. Alle 13 runs zochten naar prijzen, 9 van de 13 voegden “annual” toe en 4 van de 13 een jaartal (2025 of 2026). Geen van de 13 runs zocht naar reviews, integraties, toegang voor klanten of gasten, of urenregistratie, terwijl dat voor een bureau juist belangrijk is. Die behoeften werden, als ze al aan bod kwamen, beantwoord vanuit de eigen kennis van het model.
- Sommige prompts zoeken helemaal niet. Op de onkruidvraag antwoordde Gemini 3.8 Flash in 3 van de 3 runs vanuit zijn eigen kennis. Gemini 2.5 Flash zocht in 2 van de 3 runs, met 5 en 6 zoekopdrachten zoals “natural weed control methods for lawns” en “chemical weed killers for lawns”, die sterk lijken op het voorbeeld dat Google zelf documenteert.
Beperkingen: dit zijn 19 API-calls op één dag. De Gemini API met grounding is niet hetzelfde systeem als Google AI Mode, dat er zijn eigen ranking, Shopping Graph en personalisatie bovenop legt. Zie dit dus als een kijkje in hoe Gemini-modellen hun zoekopdrachten plannen, niet als een meting van AI Mode. Toch is de les voor een aanbieder heel praktisch: als het model al een shortlist in zijn hoofd heeft, moet je daarop staan (en dat bereik je door op veel plekken op het web beschreven te worden, niet met één pagina). En de zoekopdracht die wél wordt uitgevoerd, zoals “[jouw merk] prijs per gebruiker per jaar”, moet uitkomen op een crawlbare, actuele prijspagina.
Waarom is op 1 staan voor de hoofdzoekterm niet genoeg voor AI-citaties?
Omdat AI Mode ophaalt voor de subqueries, niet alleen voor de prompt, en de pagina’s die de subqueries winnen vaak niet de pagina’s zijn die op de hoofdzoekterm ranken. seoClarity controleerde in september 2025 1.000 transactionele Amerikaanse zoekopdrachten en zag dat maar 19% van 12.011 AI Mode-citaties uit de organische top 20 kwam, en dat bij maar 28% van de zoekopdrachten minstens één top 10-URL werd geciteerd (seoClarity, oktober 2025). Mike King van iPullRank zag hetzelfde: geciteerde pagina’s stonden vaak niet eens in de top 100 voor de oorspronkelijke zoekopdracht, omdat ze via synthetische subqueries waren opgehaald (iPullRank).
Bij AI Overviews ligt het anders, en het loont om daar precies in te zijn. Ahrefs vond dat 76,1% van de citaties in AI Overviews in zijn steekproef van 1 miljoen Overviews uit juli 2025 uit de top 10 kwam (Ahrefs). Toen de onderzoekers testten of fan-out de rest verklaarde, bleek de data dat niet te ondersteunen. Samengevat: voor AI Overviews is goed ranken nog steeds de belangrijkste hefboom; voor AI Mode en chat-engines brengt een ranking op de hoofdzoekterm je in één van meerdere retrievalpools, en de andere pools worden beslist door hoe goed je elke subvraag beantwoordt.
Hoe ziet een fan-out-map voor één prompt eruit?
Een fan-out-map zet de subvragen op een rij die in een prompt besloten liggen, met per subvraag het type en de plek op je pagina waar je hem beantwoordt. Hieronder staat de map die we bouwden voor de projectmanagementprompt van hierboven, afgezet tegen wat de Gemini-modellen in onze 13 runs echt zochten. Hij telt 12 subqueries, wat in lijn is met de 8 tot 11 die gepubliceerde onderzoeken doorgaans melden voor een rijke prompt.
| # | Subquery | Type | Gezocht in onze 13 runs? | Passage die hem moet beantwoorden |
|---|---|---|---|---|
| 1 | Beste projectmanagementsoftware voor marketingbureaus | Oriëntatie | 6 van 13 (vooral Gemini 2.5) | H2 met een gerangschikte shortlist en selectiecriteria |
| 2 | Projectmanagementtools voor remote teams | Randvoorwaarde | 5 van 13 (“remote”) | H3 over asynchrone functies en tijdzones |
| 3 | [Tool] prijs per gebruiker, jaarlijkse facturering | Verificatie | 13 van 13 | Prijstabel met datum van controle |
| 4 | Kosten voor 15 gebruikers per jaar | Berekening | 5 van 13 (“15 users”) | Uitgewerkt kostenvoorbeeld per tool |
| 5 | [Tool] prijzen 2026 | Actualiteit | 4 van 13 (jaartal toegevoegd) | Zichtbare datum “prijzen gecontroleerd op” |
| 6 | [Tool A] vs [Tool B] voor bureaus | Vergelijking | 2 van 13 (algemeen “comparison”) | Vergelijkingstabel |
| 7 | [Tool] voor marketingbureaus | Entiteit + use case | 1 van 13 | Eén korte alinea per tool |
| 8 | Klantportaal of gasttoegang | Impliciete behoefte | 0 van 13 | H3 over samenwerken met klanten |
| 9 | Urenregistratie en declarabele uren | Impliciete behoefte | 0 van 13 | H3 over facturatieworkflows |
| 10 | Integraties met Slack, Google Workspace, HubSpot | Impliciete behoefte | 0 van 13 | Integratietabel |
| 11 | Reviews van bureaugebruikers | Validatie | 0 van 13 | Samenvatting van onafhankelijke reviews, met links |
| 12 | Korting bij jaarlijkse vs maandelijkse betaling | Kostendetail | 9 van 13 (“annual”) | Regel onder de prijstabel |
Kijk goed naar de nullen. Die betekenen niet “sla deze over”. Ze betekenen dat het model die behoeften beantwoordde vanuit wat het al wist. Je beïnvloedt ze dus door op het web correct beschreven te staan (reviews, vergelijkingen, documentatie), niet door te wachten op een zoekopdracht die misschien nooit komt. De rijen met hoge aantallen zijn de plekken waar één pagina de retrieval direct kan winnen.
Hoe vind je de fan-out-queries voor jouw onderwerp?
Combineer een handmatige map (om af te dekken waar modellen aan denken) met een steekproef van geobserveerde zoekopdrachten (om te zien waar ze echt op zoeken). Dit is de methode die wij gebruiken:
- Schrijf de prompt zoals een koper hem zou stellen. Een volledige zin, met de randvoorwaarden die een echt mens toevoegt (teamgrootte, budget, locatie, deadline). Korte zoekwoorden leveren korte, niet-representatieve fan-outs op.
- Splits hem op in getypeerde subvragen. Gebruik de types uit de map hierboven: oriëntatie, randvoorwaarde, verificatie, berekening, actualiteit, vergelijking, entiteit, impliciete behoefte, validatie. Mik op 8 tot 12.
- Voeg de vragen toe die echte mensen stellen. Haal People Also Ask (de vakken ‘Mensen vragen ook’) en gerelateerde zoekopdrachten op voor de hoofdzoekterm en twee of drie subqueries. Dat zijn geen fan-outs, maar wel dezelfde vragen in mensentaal. De keyword planner van AI Rank Lab geeft PAA en gerelateerde zoekopdrachten naast het zoekvolume, wat deze stap versnelt.
- Leg geobserveerde fan-outs vast. Draai de prompt minstens 5 keer via een bron die echte zoekopdrachten teruggeeft: de Gemini API met grounding voor Google Search (de respons somt de uitgevoerde zoekopdrachten op, zoals beschreven in Googles documentatie over grounding), of de gratis ChatGPT Fan-Out Query Extractor van SE Ranking. Sommige professionals lezen ook de netwerkresponsen van ChatGPT uit in de DevTools van hun browser; dat leunt op ongedocumenteerde velden die OpenAI kan wijzigen, en dat hebben we voor dit artikel niet geverifieerd.
- Groepeer op thema, niet op string. Voeg “clickup pricing plans annual” en “ClickUp pricing per user per month annual” samen tot één thema: jaarprijs van ClickUp. De data van Seer met herhaalde runs laat zien dat exacte strings zelden terugkomen, dus tel hoe vaak een thema over de runs heen opduikt.
- Zet elk thema af tegen je pagina. Goed beantwoord, mager beantwoord of ontbrekend. De ontbrekende thema’s die vaak voorkomen, vormen je outline.
- Herhaal dit elk kwartaal. Modellen veranderen. In de data van Seer deed Gemini 3 78% meer fan-outs dan Gemini 2.5, en in die van ons zochten de nieuwere modellen weer anders.
Welke tools tonen fan-out-queries, en zijn die geobserveerd of voorspeld?
De belangrijkste vraag bij elke fan-out-tool: toont hij zoekopdrachten die een engine echt heeft uitgevoerd (geobserveerd), of zoekopdrachten waarvan een LLM denkt dat de engine ze zou kunnen uitvoeren (voorspeld)? Allebei handig, maar alleen geobserveerde zoekopdrachten zijn bewijs.
Openheid: AI Rank Lab is ons eigen product. We zetten het bovenaan omdat dit onze site is, en we hebben voor elke tool hieronder dezelfde criteria aangehouden.
| Tool | Geobserveerd of voorspeld | Wat je ermee krijgt | Het meest geschikt voor |
|---|---|---|---|
| AI Rank Lab | Geen van beide voor ruwe fan-out-strings; geobserveerd voor citaties | Toont geen fan-out-strings. Dekt wel de stappen eromheen af: PAA en gerelateerde zoekopdrachten in de keyword planner, promptsuggesties en outlines op basis van concurrentieonderzoek in de Content Suite, en geplande prompttracking in ChatGPT, Claude, Gemini en Perplexity plus AI Overviews en AI Mode, waarbij wordt vastgelegd welke URL’s geciteerd worden | Een fan-out-map omzetten in content en controleren of citaties veranderen |
| Gemini API met grounding voor Google Search | Geobserveerd | Per call de exacte zoekopdrachten die het model uitvoerde en de bronnen die het gebruikte | Zelf vastleggen als je een kort script kunt draaien; je betaalt per call |
| SE Ranking ChatGPT Fan-Out Query Extractor | Geobserveerd (via de API van OpenAI) | Zoekopdrachten die ChatGPT uitvoerde voor maximaal 10 prompts per batch; gratis met daglimieten; export naar CSV | Snelle, gratis steekproeven in ChatGPT |
| Peec AI | Geobserveerd (uit gevolgde prompts) | Fan-outs vastgelegd uit de prompts die je volgt; hun onderzoekspagina’s zijn op deze data gebouwd | Doorlopende monitoring van fan-outs in ChatGPT, Perplexity en Grok |
| DataForSEO LLM Mentions API | Geobserveerd (verzameld door de aanbieder) | Fan-out-queries via de API-scope, voor teams die hun eigen dashboards bouwen | Developers die op schaal werken |
| Otterly AI Query Fan-Out tool | Voorspeld | Gegenereerde uitbreidingen voor ChatGPT en de AI-functies van Google, gelabeld op type en intentie, die je als gevolgde prompts kunt toevoegen | Snel een fan-out-map brainstormen |
| Qforia (iPullRank) | Voorspeld (gesimuleerd) | Gesimuleerde synthetische zoekopdrachten voor Google AI Mode en AI Overviews | Gratis startpunt voor maps in Google-stijl |
Prijzen hebben we niet vermeld, omdat de meeste van deze tools onderdeel zijn van bredere abonnementen die vaak veranderen. Kijk op de dag dat je koopt op de prijspagina van elke aanbieder (de tool van SE Ranking was gratis toen we op 18 oktober 2026 keken).
Hoe structureer je een pagina zodat elke passage één subvraag beantwoordt?
Geef elke subvraag die vaak voorkomt een eigen sectie met een duidelijke kop, die opent met een direct antwoord dat op zichzelf staat, en onderbouw dat daarna. Fan-out-retrieval matcht passages met veel specifieke zoekopdrachten, dus een sectie die in de eerste twee zinnen één vraag helder beantwoordt, is makkelijk op te halen en te citeren. Dat is ook gewoon goed schrijven voor lezers, en Google is duidelijk dat meer niet nodig is: “Je hoeft je content niet in piepkleine stukjes te hakken zodat AI hem beter begrijpt”, en de systemen “begrijpen synoniemen”, dus je hoeft de bewoording van fan-outs niet woord voor woord over te nemen.
Gebruik dit outline-sjabloon voor één koopvraag:
- Openingsantwoord (2-3 zinnen). Het directe antwoord op de hoofdprompt, op zichzelf citeerbaar.
- Blok met de belangrijkste punten. Vier of vijf regels die een lezer (of een model) zo kan overnemen.
- H2: de oriënterende subquery (“Welke X is het best voor Y?”), met een shortlist en de criteria erachter.
- Een H2 of H3 per randvoorwaarde (teamgrootte, budget, regio, use case). Elke sectie opent met het antwoord voor die randvoorwaarde.
- Een tabel voor verificatie-subqueries: prijzen, limieten, specificaties, met de datum waarop je ze controleerde.
- Een vergelijkingstabel voor de “A vs B”-subqueries.
- H3’s voor impliciete behoeften die de koper niet uitsprak maar wel belangrijk vindt.
- Een genummerde lijst voor het stappenplan, als de vraag impliceert dat er iets gedaan moet worden.
- FAQ-items voor de overige korte subvragen.
- Bronnen en methodologie in de tekst zelf, zodat elke bewering haar eigen bewijs meedraagt.
Onze AEO-checklist behandelt de technische kant (indexeerbaarheid, geschiktheid voor snippets, laadsnelheid) die bepaalt of deze passages überhaupt opgehaald kunnen worden. De Content Suite van AI Rank Lab bouwt zo’n outline op basis van een prompt en concurrentieonderzoek, en de SEO-, AEO- en GEO-audit controleert de paginastructuur zodra de pagina live staat.
Moet je voor elke fan-out-query een aparte pagina maken?
Nee. Googles gids zegt het onomwonden: hoewel “het verleidelijk kan zijn om aparte content te maken voor elke denkbare variant van hoe mensen zoeken”, is dat in strijd met het beleid tegen scaled content abuse als je het doet om rankings of AI-antwoorden te manipuleren, en “een groot aantal pagina’s maakt een website niet kwalitatief beter”. Fan-out zelf werkt die tactiek ook tegen: de strings veranderen bijna bij elke run, dus met een pagina per string jaag je op een doel dat er de volgende keer niet meer is. Eén complete pagina per echte koopvraag, met een sectie per subvraag, is zowel de aanpak die binnen de regels blijft als de aanpak die werkt. Aparte pagina’s zijn alleen zinvol als een subvraag echt een andere taak is (bijvoorbeeld een volledige prijspagina of een aparte integratiegids).
Veelgemaakte fouten bij query fan-out
- Eén pagina per subquery bouwen. Scaled content abuse in de woorden van Google, en zinloos gezien hoe instabiel fan-out-strings zijn.
- Optimaliseren op exacte fan-out-strings. Maar 8 van de 11.029 Gemini 3-fan-outs kwamen terug in alle 13 runs van Seer, en 91% van de ChatGPT-strings was uniek in het onderzoek van Profound. Mik op thema’s.
- Op zoekvolume prioriteren. 95% tot 99% van de fan-outs heeft in de data van Seer nul geregistreerd volume. Prioriteer op hoe vaak een thema over de runs heen terugkomt en hoe dicht het bij een koopbeslissing ligt.
- Voorspelde fan-outs als bewijs behandelen. Een tool die waarschijnlijke subqueries genereert, is een brainstorm, geen meting. Valideer met geobserveerde captures.
- De voorkennis van het model negeren. In onze meting zochten nieuwere modellen alleen naar merken die ze al kenden. Correct beschreven worden in reviews, vergelijkingen en documentatie van derden hoort bij fan-out-optimalisatie.
- Je prijspagina laten verouderen of crawlers blokkeren. Verificatiezoekopdrachten zoals “[merk] pricing annual” kwamen in elk van onze 13 runs voor. Is die pagina verouderd, zit hij achter een formulier of wordt hij alleen met JavaScript gerenderd, dan verifieert het model tegen de pagina van een ander.
- De Engelstalige pool vergeten. Voor niet-Engelstalige markten laat de data van Peec zien dat een groot deel van de zoekopdrachten van ChatGPT in het Engels loopt.
- Speciale AI-markup of llms.txt toevoegen voor Google. Google zegt dat je geen nieuwe machineleesbare bestanden, AI-tekstbestanden of speciale schema.org-markup nodig hebt om in zijn AI-functies te verschijnen.
Hoe meet je of fan-out-optimalisatie werkt?
Meet citaties en vertoningen voor de hoofdprompt over herhaalde runs, niet op basis van losse momentopnamen. Twee bronnen samen geven een eerlijk beeld:
- Het prestatierapport voor generatieve AI in Google Search Console. Gelanceerd op 3 juni 2026 en op 31 augustus 2026 voor alle sites uitgerold. Het toont vertoningen, pagina’s, landen, apparaten en datums voor AI Overviews, AI Mode en de AI-functies in Discover (Google Search Central). Fan-out-queries staan er niet in, dus gebruik het om te zien welke pagina’s er AI-vertoningen bij krijgen nadat je ze hebt geherstructureerd.
- Herhaalde prompttracking over engines heen. Draai de hoofdprompt volgens een vast schema en leg vast welke domeinen en URL’s geciteerd worden. Reken op ruis: over 968 herhaalde runs van 42 combinaties van prompt en engine die in AI Rank Lab werden gevolgd (februari tot oktober 2026), was de mediane overlap van geciteerde domeinen tussen opeenvolgende runs 0,41 (Jaccard), en verscheen mediaan maar 3,5% van de geciteerde domeinen in elke run. Met zoveel variatie van run tot run beoordeel je veranderingen over weken aan runs, niet op basis van één check. Onze gids over de AI Overview-checker legt uit hoe je dit voor Google opzet, en het 30-dagenplan om door ChatGPT geciteerd te worden behandelt dezelfde cyclus voor ChatGPT.
Wees eerlijk over attributie. Er is geen gepubliceerd gecontroleerd onderzoek dat fan-out-dekking isoleert als oorzaak van meer citaties, en de AI Overview-data van Ahrefs ondersteunde fan-out niet als verklaring voor citaties van buiten de top 10. Fan-out-mapping is een planningsmethode die complete pagina’s waarschijnlijker maakt. Het is geen knop die je omzet.
In het kort
Query fan-out maakt van één prompt een reeks precieze, wisselende zoekopdrachten. Google documenteert het, OpenAI documenteert het, en de gemeten aantallen hangen af van de engine, het model en de methode. Breng de subvragen per type in kaart, check een steekproef van geobserveerde zoekopdrachten, groepeer ze in thema’s en beantwoord elk thema in een sectie met een duidelijke kop op één complete pagina, met gedateerde feiten op de pagina’s waar verificatiezoekopdrachten op uitkomen. Meet daarna over herhaalde runs.
Wil je zien welke pagina’s ChatGPT, Claude, Gemini, Perplexity, AI Overviews en AI Mode citeren voor jouw prompts, en de gaten omzetten in outlines? Dan kun je je prompts volgen 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.
