Query fan-out: como a busca com IA divide uma pergunta em várias

Query fan-out é a etapa em que um buscador com IA pega a sua pergunta, reescreve em várias buscas mais específicas, roda todas elas (muitas vezes ao mesmo tempo) e escreve uma única resposta com tudo o que essas buscas trouxeram. O Google documenta o processo no AI Mode e nos AI Overviews, e ChatGPT, Perplexity e Gemini têm suas próprias versões. É por isso que uma página pode ser citada para um prompt em que nunca rankeou, e uma página em primeiro lugar no termo principal pode ficar de fora.

Este guia explica o mecanismo com base no que Google, OpenAI e Perplexity realmente publicaram, mostra o que vimos ao capturar consultas de fan-out reais pela API do Gemini em 18 de outubro de 2026 e entrega um método replicável para mapear as subconsultas de qualquer tema e transformá-las em uma única página bem construída. Cada número abaixo vem com a indicação de quem mediu e como.

O que é query fan-out na busca com IA?

Query fan-out (algo como "desdobramento de consultas") é uma técnica de recuperação: um modelo de linguagem expande um prompt em várias buscas relacionadas, recupera resultados para cada uma e fundamenta uma única resposta no conjunto desses resultados. O glossário do próprio Google define o termo como "um conjunto de consultas simultâneas e relacionadas, geradas pelo modelo para pedir mais informações", no Guide to Optimizing for Generative AI Features.

O exemplo do Google ajuda justamente por ser tão comum. Para a pergunta "como recuperar um gramado cheio de ervas daninhas", as consultas de fan-out poderiam incluir "melhores herbicidas para gramado", "tirar ervas daninhas sem química" e "como evitar ervas daninhas no gramado". Nenhuma delas é o que o usuário digitou. Cada uma recupera um conjunto diferente de páginas, e a resposta final pode citar trechos dos três conjuntos.

Daí saem duas conclusões. Primeiro, a unidade de recuperação é a subconsulta: a página disputa as buscas ocultas, e não só o prompt visível. Segundo, o fan-out roda em cima da busca normal. O Google deixa claro que AI Overviews e AI Mode se apoiam nos seus sistemas centrais de ranking e que uma página "precisa estar indexada e qualificada para aparecer na Pesquisa Google com um snippet" para surgir como link de apoio (AI features and your website). O fan-out joga a rede mais longe, mas não substitui o índice. Se você está começando nessa disciplina, nosso guia sobre otimização para motores generativos (GEO) dá o contexto.

Como o AI Mode do Google usa o query fan-out?

O AI Mode (o Modo IA do Google) usa um modelo Gemini para decidir de quais subtópicos uma pergunta precisa, roda várias buscas no Google para esses subtópicos ao mesmo tempo e monta uma única resposta com links. Essa é a descrição oficial, e ela se mantém desde o lançamento:

• Março de 2025, lançamento. O Google disse que o AI Mode "usa uma técnica de 'query fan-out', disparando várias buscas relacionadas ao mesmo tempo em diferentes subtópicos", rodando em uma versão personalizada do Gemini 2.0 (Google, 5 de março de 2025).
• Maio de 2025, Google I/O. A chefe da Busca, Elizabeth Reid, descreveu o AI Mode "dividindo a sua pergunta em subtópicos" e disparando "uma infinidade de consultas simultaneamente", o que permite à Busca "mergulhar mais fundo na web do que uma busca tradicional". O mesmo post apresentou o Deep Search, que "pode disparar centenas de buscas" para montar um relatório com fontes citadas (Google, 20 de maio de 2025).
• Julho de 2025, mais detalhes. Robby Stein, VP de Produto da Busca, explicou que, para uma viagem a Nashville, o sistema "pode pensar em várias perguntas, como ótimos restaurantes, ótimos bares, o que fazer com crianças" e então "basicamente começar a dar Google". Ele acrescentou que o AI Mode usa sistemas do Google em tempo real, como o Google Finance e o Shopping Graph (Search Engine Journal).
• Novembro de 2025, Gemini 3. O Google disse que o query fan-out estava "ganhando um grande upgrade": a Busca consegue fazer mais buscas e "encontrar conteúdo novo que antes poderia ter deixado passar" (Google, 18 de novembro de 2025).

As patentes do Google apontam na mesma direção, com uma ressalva. O pedido "Search with stateful chat" (US20240289407A1) descreve "gerar uma ou mais consultas sintéticas usando a saída do LLM" e selecionar documentos de resultado, e a patente concedida "Thematic search" (US12158907B1) descreve a geração de subtemas e o refinamento de uma primeira consulta com uma segunda. Uma patente mostra o que o Google inventou, não o que está rodando em produção. Então trate essas descrições como plausíveis, não como especificação.

Os AI Overviews do Google também usam query fan-out?

Sim, às vezes. A documentação do Google diz que tanto os AI Overviews (as Visões gerais criadas por IA) quanto o AI Mode "podem usar uma técnica de 'query fan-out', disparando várias buscas relacionadas em subtópicos e fontes de dados". O "podem" faz diferença: os AI Overviews são feitos para responder rápido a consultas curtas, e o post de novembro de 2025 diz que, nos dois recursos, as perguntas mais difíceis vão para o modelo maior, enquanto as mais simples usam modelos mais rápidos. Na prática, espere um fan-out mais leve em um AI Overview rápido e mais pesado no AI Mode e no Deep Search. O Google não publica contagens para nenhum dos dois.

Como o ChatGPT e o Perplexity fazem o fan-out de um prompt?

O ChatGPT reescreve o seu prompt em uma ou mais consultas de busca, envia essas consultas aos seus provedores de busca e pode fazer novas consultas, mais específicas, depois de ler os primeiros resultados. O artigo de ajuda da OpenAI sobre a busca do ChatGPT diz que ele "normalmente reescreve a sua consulta em uma ou mais consultas direcionadas", traz um exemplo de biotecnologia em que a primeira consulta é seguida de "consultas adicionais, mais específicas" e observa que, com a Memória ativada, a reescrita pode incluir detalhes salvos (um usuário vegano em San Francisco que pede restaurantes vira "bons restaurantes veganos San Francisco"). Com a personalização, dois usuários podem disparar fan-outs diferentes para o mesmo prompt.

O Pro Search do Perplexity resolve a pergunta passo a passo e pode iniciar "buscas de acompanhamento que partem dos resultados anteriores". Isso é fan-out sequencial: busca, lê, busca de novo.

Medições de terceiros preenchem o que os fornecedores não publicam:

• Volume por prompt. A Peec AI analisou 5 milhões de fan-outs de abril de 2026 e contou 2,1 por prompt no ChatGPT, 1,4 no Perplexity e 6,8 no Grok (Peec AI, maio de 2026). A Profound rodou 10.000 prompts durante 14 dias e viu cerca de 1,4 a 2 buscas por rodada no ChatGPT, no Perplexity e no Copilot.
• Consultas mais longas e específicas. Em 20 milhões de fan-outs do ChatGPT em cinco países, o tamanho médio praticamente dobrou, de cerca de 6 palavras em outubro de 2025 para cerca de 12 em janeiro de 2026, enquanto o número por prompt ficou entre 2,3 e 2,8 (Peec AI, fevereiro de 2026). O ChatGPT não está buscando com mais frequência; está buscando com mais precisão.
• Pouca repetição. No estudo da Profound, 91% das strings de consulta do ChatGPT foram únicas entre rodadas repetidas, contra 14% no Perplexity, que fica perto das palavras do usuário.
• Nem todo prompt gera busca. A DataForSEO descobriu que 47,5% de 100.000 prompts do ChatGPT dispararam buscas de fan-out (DataForSEO, maio de 2026). O restante foi respondido com o conhecimento do próprio modelo.

Por que o ChatGPT busca em inglês quando o prompt está em outro idioma?

Ninguém fora da OpenAI sabe com certeza, mas o padrão está bem medido. A Peec descobriu que, em cerca de 78% dos casos fora do inglês, o ChatGPT acrescentou buscas em inglês, e 43% de todas as etapas de fan-out para prompts em outros idiomas rodaram em inglês, de 94% para o turco a 66% para o espanhol (Peec AI). Entre os exemplos, prompts sobre software em alemão que não retornaram nenhuma empresa alemã. A OpenAI não documenta como escolhe o idioma. A consequência prática para uma marca fora do mundo anglófono é bem concreta: suas páginas no idioma local são só uma parte do conjunto de recuperação, então você também precisa ser descrito com precisão nas fontes em inglês que rankeiam para a sua categoria.

Buscador	O que o fornecedor diz oficialmente	O que terceiros mediram	O que isso significa para você
Google AI Mode	Divide a pergunta em subtópicos; "uma infinidade de consultas simultaneamente"; turbinado com o Gemini 3	API do Gemini 3: 10,7 fan-outs por prompt com grounding forçado (Seer, 501 prompts)	O fan-out mais pesado. Cubra a decisão inteira, não só o termo principal
Google AI Overviews	"Podem usar" fan-out; consultas simples vão para modelos mais rápidos	Sem contagem pública. A maioria das páginas citadas ainda está no top 10 (Ahrefs, julho de 2025)	Aqui, o ranking clássico continua pesando mais
Google Deep Search	"Pode disparar centenas de buscas"	Sem contagem pública	Profundidade e dados primários entram nos relatórios longos
Busca do ChatGPT	Reescreve em "uma ou mais consultas direcionadas"; consultas de acompanhamento; considera a memória	2,1 por prompt; tamanho de ~6 para ~12 palavras; 91% de strings únicas; ~47,5% dos prompts geram busca	Poucas consultas, precisas e mutáveis. Seja a melhor página para cada necessidade específica
Perplexity	O Pro Search faz buscas de acompanhamento em várias etapas	1,4 por prompt no Sonar; consultas ficam perto das palavras do usuário	Aqui, usar a mesma formulação do usuário ainda ajuda

Quantas consultas de fan-out um prompt gera?

De zero a centenas, e as médias publicadas não batem porque medem coisas diferentes. Veja como interpretar cada uma:

• Seer Interactive, API do Gemini 3: 10,7 por prompt (variação de 3 a 28) em 501 prompts, alta de 78% em relação aos 6,01 do Gemini 2.5 (Seer, novembro de 2025). A Seer forçou o grounding em todos os prompts, então todos geraram busca.
• Seer Interactive, rodadas repetidas: 8,52 por prompt em 100 prompts rodados 13 vezes (Seer, janeiro de 2026).
• Peec AI e Profound, buscadores de consumo: 1,4 a 2,1 por prompt no ChatGPT, no Perplexity e no Copilot, medidos a partir de prompts monitorados.
• Modos de pesquisa aprofundada: o Google diz que o Deep Search pode disparar centenas; a Ahrefs relatou uma tarefa do ChatGPT Deep Research que rodou 420 buscas (Ahrefs, março de 2026), um caso isolado, não uma média.

Então a resposta honesta é: uma resposta normal de chat roda um punhado de buscas, o AI Mode roda mais e os modos de pesquisa rodam muito mais. Mais importante que a contagem é o formato. O mesmo estudo da Seer mostrou que 95% dos fan-outs do Gemini 3 tinham volume de busca mensal zero, e no estudo com rodadas repetidas só 8 de 11.029 fan-outs únicos apareceram nas 13 rodadas. As consultas de fan-out são longas, específicas e, em grande parte, inventadas na hora. É por isso que uma ferramenta de palavras-chave nunca vai mostrar a maioria delas.

O que vimos ao capturar consultas de fan-out reais

Para ver o mecanismo de perto, em vez de repetir resumos dos outros, fizemos nossa própria captura, em pequena escala, em 18 de outubro de 2026. Enviamos prompts para a API do Gemini com a ferramenta de grounding da Pesquisa Google ativada (não forçada; o modelo decide se busca ou não) e registramos cada consulta que o modelo executou, conforme retornado na resposta da API. Usamos três modelos: gemini-2.5-flash, gemini-3.1-pro-preview e gemini-3.8-flash.

O prompt comercial foi: "Qual ferramenta de gestão de projetos é a melhor para uma agência de marketing remota com 15 pessoas, e quanto ela vai nos custar por ano?" Rodamos esse prompt 13 vezes (5, 3 e 5 rodadas por modelo). Também rodamos 6 vezes o próprio exemplo do Google sobre ervas daninhas no gramado.

Modelo	Rodadas	Buscas por rodada	Rodadas com consulta de descoberta ("qual ferramenta é a melhor")	Marcas buscadas
gemini-2.5-flash	5	2, 8, 6, 12, 7	5 de 5	Asana, ClickUp, Monday.com (4 de 5 rodadas cada), Wrike e Trello (3 de 5), Teamwork.com (2 de 5), Notion, Jira, Smartsheet (1 de 5)
gemini-3.1-pro-preview	3	3, 3, 4	1 de 3	ClickUp, Asana, Monday.com (3 de 3)
gemini-3.8-flash	5	4, 4, 4, 3, 4	0 de 5	Asana, ClickUp, Monday.com (5 de 5), Teamwork.com (4 de 5)

Três resultados chamaram a atenção:

1. Os modelos mais novos pularam a descoberta. O Gemini 2.5 Flash buscou "best project management tools for remote marketing agency" e depois levantou o preço de até oito fornecedores. Os dois modelos Gemini 3.x, na maioria das vezes, foram direto para consultas como "clickup pricing plans annual" para três ou quatro fornecedores que já tinham em mente. Em 7 de 8 rodadas do Gemini 3.x, nenhuma busca perguntou qual ferramenta era a melhor. A lista curta veio do próprio modelo, e a busca serviu para conferir preços.
2. Preço foi a única constante. As 13 rodadas buscaram preços, 9 de 13 acrescentaram "annual" (anual) e 4 de 13 acrescentaram um ano (2025 ou 2026). Nenhuma das 13 rodadas buscou avaliações, integrações, acesso para clientes ou convidados, ou controle de horas, mesmo sendo pontos importantes para uma agência. Essas necessidades foram respondidas, quando muito, com o conhecimento do próprio modelo.
3. Alguns prompts nem chegam a buscar. Na pergunta sobre ervas daninhas, o Gemini 3.8 Flash respondeu com o próprio conhecimento em 3 de 3 rodadas. O Gemini 2.5 Flash buscou em 2 de 3 rodadas, com 5 e 6 consultas como "natural weed control methods for lawns" e "chemical weed killers for lawns", muito parecidas com o exemplo documentado pelo Google.

Limitações: são 19 chamadas de API em um único dia. A API do Gemini com grounding não é o mesmo sistema que o AI Mode do Google, que acrescenta suas próprias camadas de ranking, Shopping Graph e personalização. Encare isso como um olhar sobre como os modelos Gemini planejam buscas, não como uma medição do AI Mode. Mesmo assim, a lição para um fornecedor é bem prática: se o modelo já tem uma lista curta na cabeça, você precisa estar nela (e isso vem de ser descrito em toda a web, não de uma única página), e a consulta que de fato roda, como "preço anual por usuário de [sua marca]", precisa cair em uma página de preços rastreável e atualizada.

Por que rankear em primeiro no termo principal não basta para ser citado pela IA?

Porque o AI Mode recupera páginas para as subconsultas, não só para o prompt, e as páginas que vencem as subconsultas muitas vezes não são as que rankeiam no termo principal. A seoClarity analisou 1.000 consultas transacionais nos EUA em setembro de 2025 e descobriu que só 19% de 12.011 citações do AI Mode vieram do top 20 orgânico, e que só 28% das consultas tiveram pelo menos uma URL do top 10 citada (seoClarity, outubro de 2025). Mike King, da iPullRank, fez a mesma observação: as páginas citadas muitas vezes nem estavam no top 100 para a consulta original, porque foram recuperadas por subconsultas sintéticas (iPullRank).

Com os AI Overviews é diferente, e vale ser preciso. A Ahrefs descobriu que 76,1% das citações em AI Overviews na sua amostra de 1 milhão de Overviews de julho de 2025 vieram do top 10 (Ahrefs), e, quando os autores testaram se o fan-out explicava o restante, os dados não confirmaram. Resumindo: nos AI Overviews, rankear bem ainda é a principal alavanca; no AI Mode e nos buscadores de chat, rankear no termo principal coloca você em um dos vários conjuntos de recuperação, e os outros conjuntos são decididos pela qualidade com que você responde a cada subpergunta.

Como é um mapa de fan-out para um prompt?

Um mapa de fan-out lista as subperguntas que um prompt implica, o tipo de cada uma e onde a sua página responde a ela. Este é o mapa que montamos para o prompt de gestão de projetos acima, cruzado com o que os modelos Gemini realmente buscaram nas nossas 13 rodadas. São 12 subconsultas, em linha com as 8 a 11 que os estudos publicados costumam relatar para um prompt rico.

#	Subconsulta	Tipo	Buscada nas nossas 13 rodadas?	Trecho que deve responder
1	Melhor software de gestão de projetos para agências de marketing	Descoberta	6 de 13 (principalmente Gemini 2.5)	H2 com uma lista curta ranqueada e critérios de seleção
2	Ferramentas de gestão de projetos para equipes remotas	Restrição	5 de 13 ("remote")	H3 sobre recursos assíncronos e fusos horários
3	Preço por usuário de [Ferramenta], cobrança anual	Verificação	13 de 13	Tabela de preços com data da checagem
4	Custo para 15 usuários por ano	Cálculo	5 de 13 ("15 users")	Exemplo de custo calculado por ferramenta
5	Preço de [Ferramenta] em 2026	Atualidade	4 de 13 (ano incluído)	Data visível de "preços conferidos em"
6	[Ferramenta A] vs. [Ferramenta B] para agências	Comparação	2 de 13 ("comparison" genérico)	Tabela comparativa
7	[Ferramenta] para agências de marketing	Entidade + caso de uso	1 de 13	Um parágrafo curto por ferramenta
8	Portal do cliente ou acesso de convidados	Necessidade implícita	0 de 13	H3 sobre colaboração com clientes
9	Controle de horas e horas faturáveis	Necessidade implícita	0 de 13	H3 sobre fluxos de faturamento
10	Integrações com Slack, Google Workspace, HubSpot	Necessidade implícita	0 de 13	Tabela de integrações
11	Avaliações de usuários de agências	Validação	0 de 13	Resumo de avaliações independentes, com links
12	Desconto da cobrança anual vs. mensal	Detalhe de custo	9 de 13 ("annual")	Linha abaixo da tabela de preços

Leia os zeros com cuidado. Eles não querem dizer "pode pular". Querem dizer que o modelo respondeu a essas necessidades com o que já sabia, então a forma de influenciá-las é ser descrito com precisão em toda a web (avaliações, comparativos, documentação), e não esperar por uma busca que talvez nunca aconteça. As linhas com contagens altas são onde uma página pode vencer a recuperação diretamente.

Como descobrir as consultas de fan-out do meu tema?

Combine um mapa manual (para cobrir o que os modelos levam em conta) com uma amostra de consultas observadas (para ver o que eles realmente buscam). Este é o método que usamos:

1. Escreva o prompt do jeito que um comprador perguntaria. Frase completa, com as restrições que uma pessoa real acrescenta (tamanho da equipe, orçamento, localização, prazo). Palavras-chave curtas geram fan-outs curtos e pouco representativos.
2. Divida em subperguntas com tipo definido. Use os tipos do mapa acima: descoberta, restrição, verificação, cálculo, atualidade, comparação, entidade, necessidade implícita, validação. Mire em 8 a 12.
3. Acrescente as perguntas que pessoas reais fazem. Puxe o People Also Ask (o bloco "As pessoas também perguntam") e as pesquisas relacionadas do termo principal e de duas ou três subconsultas. Isso não são fan-outs, mas são as mesmas perguntas com palavras de gente. O planejador de palavras-chave da AI Rank Lab traz PAA e pesquisas relacionadas junto com o volume, o que acelera essa etapa.
4. Capture fan-outs observados. Rode o prompt 5 vezes ou mais em uma fonte que retorne consultas reais: a API do Gemini com grounding da Pesquisa Google (a resposta lista as consultas executadas, como mostra a documentação de grounding do Google) ou o ChatGPT Fan-Out Query Extractor gratuito da SE Ranking. Alguns profissionais também leem as respostas de rede do ChatGPT no DevTools do navegador; isso depende de campos não documentados que a OpenAI pode mudar, e não verificamos esse método para este artigo.
5. Agrupe por tema, não por string. Junte "clickup pricing plans annual" e "ClickUp pricing per user per month annual" em um único tema: preço anual do ClickUp. Os dados de rodadas repetidas da Seer mostram que strings exatas raramente se repetem, então conte quantas vezes um tema aparece entre as rodadas.
6. Marque cada tema em relação à sua página. Bem respondido, respondido de forma rasa ou ausente. Os temas frequentes que estão faltando são o seu roteiro.
7. Repita a cada trimestre. Os modelos mudam. O Gemini 3 fez 78% mais fan-out que o Gemini 2.5 nos dados da Seer, e nos nossos os modelos mais novos buscaram de um jeito diferente outra vez.

Quais ferramentas mostram consultas de fan-out, e elas são observadas ou previstas?

A pergunta mais importante sobre qualquer ferramenta de fan-out é se ela mostra consultas que um buscador realmente rodou (observadas) ou consultas que um LLM acha que o buscador poderia rodar (previstas). As duas são úteis, mas só as observadas servem como evidência.

Transparência: a AI Rank Lab é o nosso produto. Ela aparece primeiro porque este é o nosso site, e mantivemos os mesmos critérios para todas as ferramentas abaixo.

Ferramenta	Observada ou prevista	O que entrega	Ideal para
AI Rank Lab	Nenhuma das duas para strings brutas de fan-out; observada para citações	Não exibe strings de consultas de fan-out. Cobre as etapas em volta delas: PAA e pesquisas relacionadas no planejador de palavras-chave, sugestões de prompts e roteiros baseados em pesquisa de concorrentes no Content Suite, e monitoramento agendado de prompts no ChatGPT, no Claude, no Gemini e no Perplexity, além de AI Overviews e AI Mode, registrando quais URLs são citadas	Transformar um mapa de fan-out em conteúdo e checar se as citações mudam
API do Gemini com grounding da Pesquisa Google	Observada	As consultas exatas que o modelo executou e as fontes que usou, a cada chamada	Captura faça-você-mesmo, se você consegue rodar um script curto; pagamento por chamada
SE Ranking ChatGPT Fan-Out Query Extractor	Observada (via API da OpenAI)	Consultas que o ChatGPT rodou para até 10 prompts por lote; gratuito com limites diários; exportação em CSV	Amostras rápidas e gratuitas do ChatGPT
Peec AI	Observada (a partir de prompts monitorados)	Fan-outs capturados dos prompts que você monitora; as páginas de pesquisa deles são feitas com esses dados	Monitoramento contínuo de fan-out no ChatGPT, no Perplexity e no Grok
DataForSEO LLM Mentions API	Observada (coletada pelo fornecedor)	Consultas de fan-out via escopo da API, para equipes que montam os próprios dashboards	Desenvolvedores trabalhando em escala
Ferramenta Query Fan-Out da Otterly AI	Prevista	Expansões geradas para o ChatGPT e as superfícies de IA do Google, rotuladas por tipo e intenção, que você pode adicionar como prompts monitorados	Fazer um brainstorm rápido de um mapa de fan-out
Qforia (iPullRank)	Prevista (simulada)	Consultas sintéticas simuladas para o AI Mode e os AI Overviews do Google	Ponto de partida gratuito para mapas no estilo do Google

Não listamos preços porque a maioria dessas ferramentas vem dentro de planos maiores que mudam com frequência; confira a página de preços de cada fornecedor no dia da compra (a ferramenta da SE Ranking era gratuita quando verificamos, em 18 de outubro de 2026).

Como estruturar uma página para que cada trecho responda a uma subconsulta?

Dê a cada subpergunta frequente uma seção própria, com um título claro, que comece com uma resposta direta e autossuficiente e depois traga o embasamento. A recuperação por fan-out compara trechos com muitas consultas específicas, então uma seção que responde a uma pergunta de forma limpa nas duas primeiras frases é fácil de recuperar e citar. Isso também é boa escrita para o leitor, e o Google deixa claro que você não precisa de nada além disso: "Não é necessário quebrar o seu conteúdo em pedacinhos para que a IA o entenda melhor", e os seus sistemas "conseguem entender sinônimos", então não há por que copiar a formulação do fan-out palavra por palavra.

Use este modelo de roteiro para uma pergunta do comprador:

1. Resposta de abertura (2-3 frases). A resposta direta ao prompt principal, citável por si só.
2. Caixa de principais pontos. Quatro ou cinco linhas que um leitor (ou um modelo) consegue aproveitar direto.
3. H2: a subconsulta de descoberta ("Qual X é o melhor para Y?"), com uma lista curta e os critérios por trás dela.
4. H2 ou H3 por restrição (tamanho da equipe, orçamento, região, caso de uso). Cada um abre com a resposta para aquela restrição.
5. Uma tabela para as subconsultas de verificação: preços, limites, especificações, com a data em que você conferiu.
6. Uma tabela comparativa para as subconsultas do tipo "A vs. B".
7. H3 para as necessidades implícitas que o comprador não mencionou, mas que vão importar para ele.
8. Uma lista numerada para o passo a passo, se a pergunta implica fazer algo.
9. Itens de FAQ para as subperguntas curtas que sobrarem.
10. Fontes e metodologia no próprio texto, para que cada afirmação traga a sua evidência.

O nosso checklist de AEO cobre o lado técnico (indexabilidade, elegibilidade para snippet, velocidade da página) que decide se algum desses trechos pode ser recuperado. O Content Suite da AI Rank Lab monta um roteiro como esse a partir de um prompt e de pesquisa de concorrentes, e a auditoria de SEO, AEO e GEO checa a estrutura da página depois que ela entra no ar.

Devo criar uma página separada para cada consulta de fan-out?

Não. O guia do Google diz com todas as letras que, embora "possa ser tentador criar conteúdo separado para cada variação possível de como as pessoas podem buscar", fazer isso para manipular rankings ou respostas de IA viola a sua política contra abuso de conteúdo em escala, e que "uma grande quantidade de páginas não torna um site de maior qualidade". O próprio fan-out joga contra essa tática: as strings mudam em quase toda rodada, então uma página por string persegue um alvo que não vai estar lá da próxima vez. Uma página completa por pergunta real do comprador, com uma seção por subpergunta, é ao mesmo tempo a abordagem dentro das regras e a que funciona. Páginas separadas só fazem sentido quando uma subpergunta é de fato uma tarefa diferente (por exemplo, uma página de preços completa ou um guia dedicado de integração).

Erros comuns com query fan-out

• Criar uma página por subconsulta. É abuso de conteúdo em escala nos termos do Google, e não faz sentido diante de quanto as strings de fan-out são instáveis.
• Otimizar para strings exatas de fan-out. Só 8 de 11.029 fan-outs do Gemini 3 se repetiram nas 13 rodadas da Seer, e 91% das strings do ChatGPT foram únicas no estudo da Profound. Mire em temas.
• Confiar no volume de busca para priorizar. De 95% a 99% dos fan-outs têm volume registrado zero nos dados da Seer. Priorize pela frequência com que um tema aparece entre as rodadas e pela proximidade dele com a decisão de compra.
• Tratar fan-outs previstos como evidência. Uma ferramenta que gera subconsultas prováveis é um brainstorm, não uma medição. Valide com capturas observadas.
• Ignorar o que o modelo já sabe. Na nossa captura, os modelos mais novos só buscaram marcas que já conheciam. Ser descrito com precisão em avaliações, comparativos e documentação de terceiros faz parte da otimização para fan-out.
• Deixar a página de preços desatualizada ou bloqueada para crawlers. Consultas de verificação como "[marca] pricing annual" rodaram em todas as nossas 13 rodadas. Se essa página está desatualizada, escondida atrás de um formulário ou renderizada só por JavaScript, o modelo vai conferir os dados na página de outra pessoa.
• Esquecer o conjunto em inglês. Para mercados fora do inglês, os dados da Peec mostram que boa parte das buscas do ChatGPT roda em inglês.
• Adicionar marcação especial para IA ou llms.txt pensando no Google. O Google diz que você não precisa de novos arquivos legíveis por máquina, arquivos de texto para IA nem de marcação especial do schema.org para aparecer nos seus recursos de IA.

Como medir se a otimização para fan-out está funcionando?

Meça citações e impressões do prompt principal ao longo de rodadas repetidas, não em fotos isoladas. Duas fontes juntas dão um retrato justo:

• O relatório de desempenho de IA generativa do Google Search Console. Lançado em 3 de junho de 2026 e liberado para todos os sites até 31 de agosto de 2026, ele mostra impressões, páginas, países, dispositivos e datas para AI Overviews, AI Mode e os recursos de IA do Discover (Google Search Central). Ele não lista consultas de fan-out, então use-o para ver quais páginas ganham impressões em IA depois que você as reestrutura.
• Monitoramento repetido de prompts em vários buscadores. Rode o prompt principal de forma programada e registre quais domínios e URLs são citados. Espere ruído: em 968 rodadas repetidas de 42 pares prompt-buscador monitorados na AI Rank Lab (de fevereiro a outubro de 2026), a sobreposição mediana de domínios citados entre rodadas consecutivas foi de 0,41 (Jaccard), e uma mediana de apenas 3,5% dos domínios citados apareceu em todas as rodadas. Com tanta variação de uma rodada para outra, avalie mudanças ao longo de semanas de rodadas, não em uma única checagem. Nosso guia sobre o verificador de AI Overviews explica como configurar isso para o Google, e o playbook de 30 dias para ser citado pelo ChatGPT cobre o mesmo ciclo para o ChatGPT.

Seja honesto com a atribuição. Nenhum estudo controlado publicado isola a cobertura de fan-out como causa de ganhos de citação, e os dados da Ahrefs sobre AI Overviews não confirmaram o fan-out como explicação para citações fora do top 10. Mapear o fan-out é um método de planejamento que aumenta a chance de você ter páginas completas; não é um botão mágico.

Resumo da ópera

O query fan-out transforma um prompt em várias buscas precisas e mutáveis. O Google documenta, a OpenAI documenta, e as contagens medidas dependem do buscador, do modelo e do método. Mapeie as subperguntas por tipo, confira uma amostra de consultas observadas, agrupe tudo em temas e responda a cada tema em uma seção com título claro de uma única página completa, com fatos datados nas páginas onde as consultas de verificação caem. Depois, meça ao longo de rodadas repetidas.

Se você quer ver quais páginas ChatGPT, Claude, Gemini, Perplexity, AI Overviews e AI Mode citam para os seus prompts, e transformar as lacunas em roteiros, você pode monitorar os seus prompts na AI Rank Lab.