Query fan-out: как ИИ-поиск дробит один вопрос на подзапросы

Query fan-out (веерное расширение запроса) — это этап, на котором ИИ-поисковик берёт ваш вопрос, переписывает его в несколько более узких поисковых запросов, выполняет их (часто одновременно) и пишет один ответ по всему, что эти запросы вернули. Google описывает этот механизм для AI Mode и AI Overviews, а у ChatGPT, Perplexity и Gemini есть свои варианты. Именно поэтому страницу могут процитировать по промпту, по которому она никогда не ранжировалась, а страницу с первого места по главному запросу — проигнорировать.

В этом руководстве мы разбираем механизм по тому, что реально опубликовали Google, OpenAI и Perplexity, показываем, что увидели, когда 18 октября 2026 года сами перехватили настоящие fan-out-запросы через Gemini API, и даём воспроизводимый метод: как составить карту подзапросов для любой темы и превратить её в одну хорошо выстроенную страницу. У каждой цифры ниже указано, кто и как её измерил.

Что такое query fan-out в ИИ-поиске?

Query fan-out — это техника поиска информации: языковая модель разворачивает один промпт в несколько связанных поисковых запросов, получает результаты по каждому и опирается на их совокупность, чтобы сформировать единый ответ. В своём руководстве по оптимизации под генеративные ИИ-функции Google определяет его как «набор параллельных связанных запросов, которые модель генерирует, чтобы получить больше информации».

Пример Google полезен именно своей обыденностью. Для вопроса «как избавиться от сорняков на газоне» fan-out-запросы могут быть такими: «лучшие гербициды для газона», «как убрать сорняки без химии» и «как предотвратить появление сорняков на газоне». Ни один из них пользователь не вводил. Каждый возвращает свой набор страниц, и в итоговом ответе могут цитироваться фрагменты из всех трёх.

Отсюда два вывода. Во-первых, единица поиска — подзапрос, поэтому страница конкурирует за скрытые поиски, а не только за видимый промпт. Во-вторых, fan-out работает поверх обычного поиска. Google прямо говорит, что AI Overviews и AI Mode опираются на его основные системы ранжирования и что страница «должна быть проиндексирована и иметь право показываться в Google Поиске со сниппетом», чтобы попасть в ответ как подтверждающая ссылка (AI features and your website). Fan-out расширяет сеть, но не заменяет индекс. Если вы только знакомитесь с темой в целом, контекст даёт наш материал о генеративной оптимизации (GEO).

Как Google AI Mode использует query fan-out?

AI Mode (режим ИИ в Google) с помощью модели Gemini решает, какие подтемы нужны для ответа на вопрос, одновременно запускает по этим подтемам множество поисков в Google и собирает один ответ со ссылками. Это официальное описание, и с момента запуска оно не менялось:

• Март 2025 года, запуск. Google заявил, что AI Mode «использует технику query fan-out, параллельно выполняя несколько связанных поисков по подтемам», и работает на кастомной версии Gemini 2.0 (Google, 5 марта 2025 года).
• Май 2025 года, Google I/O. Глава поиска Элизабет Рид описала, как AI Mode «разбивает ваш вопрос на подтемы» и отправляет «множество запросов одновременно», что позволяет Поиску «погружаться в веб глубже, чем традиционный поиск». В том же посте был представлен Deep Search, который «может выполнять сотни поисков», чтобы составить отчёт со ссылками на источники (Google, 20 мая 2025 года).
• Июль 2025 года, подробности. Робби Стайн, вице-президент Google по продукту в Поиске, объяснил, что для поездки в Нэшвилл система «может придумать кучу вопросов вроде хороших ресторанов, хороших баров, чем заняться с детьми», а затем «по сути начинает гуглить». Он добавил, что AI Mode подключается к системам Google, работающим в реальном времени, таким как Google Finance и Shopping Graph (Search Engine Journal).
• Ноябрь 2025 года, Gemini 3. Google сообщил, что query fan-out получает «серьёзное обновление»: Поиск может выполнять больше поисков и «находить новый контент, который раньше мог упустить» (Google, 18 ноября 2025 года).

Патенты Google указывают в ту же сторону, но с оговоркой. Заявка «Search with stateful chat» (US20240289407A1) описывает «генерацию одного или нескольких синтетических запросов с использованием вывода LLM» и отбор документов из результатов, а выданный патент «Thematic search» (US12158907B1) — генерацию подтем и уточнение первого запроса вторым. Патент показывает, что Google изобрёл, а не то, что работает в продакшене, так что воспринимайте их как правдоподобное описание, а не спецификацию.

А в Google AI Overviews query fan-out тоже есть?

Да, иногда. В документации Google сказано, что и AI Overviews (ИИ-обзоры в выдаче Google), и AI Mode «могут использовать технику query fan-out, выполняя несколько связанных поисков по подтемам и источникам данных». Слово «могут» здесь важно: AI Overviews заточены под скорость на коротких запросах, а в посте от ноября 2025 года говорится, что сложные вопросы в обеих функциях направляются к более крупной модели, а простые обрабатываются более быстрыми. На практике ждите облегчённого fan-out в быстром AI Overview и более тяжёлого — в AI Mode и Deep Search. Ни для одной из функций Google цифр не публикует.

Как ChatGPT и Perplexity разворачивают промпт?

ChatGPT переписывает ваш промпт в один или несколько поисковых запросов, отправляет их своим поисковым провайдерам и, прочитав первые результаты, может задать более узкие уточняющие запросы. В справочной статье OpenAI о поиске в ChatGPT сказано, что он «обычно переписывает ваш запрос в один или несколько целевых запросов». Там же приводится пример из биотеха, где за первым запросом следуют «дополнительные, более конкретные запросы», и отмечается, что при включённой памяти в переписанный запрос могут попасть сохранённые сведения (пользователь-веган из Сан-Франциско, который ищет рестораны, превращается в «хорошие веганские рестораны Сан-Франциско»). Из-за персонализации два пользователя могут запустить разный fan-out по одному и тому же промпту.

Pro Search в Perplexity разбирает вопрос шаг за шагом и может запускать «уточняющие поиски, опирающиеся на предыдущие результаты». Это последовательный fan-out: поискал, прочитал, поискал снова.

То, чего не публикуют сами компании, восполняют сторонние измерения:

• Число запросов на промпт. Peec AI проанализировал 5 миллионов fan-out-запросов за апрель 2026 года и насчитал 2,1 на промпт в ChatGPT, 1,4 в Perplexity и 6,8 в Grok (Peec AI, май 2026 года). Profound прогнал 10 000 промптов в течение 14 дней и увидел примерно от 1,4 до 2 поисков за прогон в ChatGPT, Perplexity и Copilot.
• Более длинные и конкретные запросы. По 20 миллионам fan-out-запросов ChatGPT в пяти странах средняя длина примерно удвоилась — с 6 слов в октябре 2025 года до 12 в январе 2026-го, тогда как число запросов на промпт держалось в пределах от 2,3 до 2,8 (Peec AI, февраль 2026 года). ChatGPT ищет не чаще, а точнее.
• Почти никаких повторов. В исследовании Profound 91 % формулировок запросов ChatGPT оказались уникальными при повторных прогонах — против 14 % у Perplexity, который держится близко к словам пользователя.
• Не каждый промпт запускает поиск. DataForSEO выяснил, что из 100 000 промптов в ChatGPT fan-out-поиск запускали 47,5 % (DataForSEO, май 2026 года). На остальные модель ответила из собственных знаний.

Почему ChatGPT ищет на английском, даже если промпт на другом языке?

Наверняка этого не знает никто за пределами OpenAI, но сама закономерность хорошо измерена. Peec обнаружил, что примерно в 78 % случаев с неанглийскими промптами ChatGPT добавлял поиски на английском, а 43 % всех шагов fan-out для неанглийских промптов выполнялись на английском — от 94 % для турецкого до 66 % для испанского (Peec AI). Среди их примеров — промпты о софте на немецком, по которым не нашлось ни одной немецкой компании. Как OpenAI выбирает язык, нигде не описано. Практический вывод для бренда за пределами англоязычного мира вполне конкретный: ваши страницы на местном языке — лишь часть пула для поиска, поэтому вас должны корректно описывать и англоязычные источники, которые ранжируются в вашей категории.

Поисковик	Что официально говорит компания	Что измерили третьи стороны	Что это значит для вас
Google AI Mode	Разбивает вопрос на подтемы; «множество запросов одновременно»; обновлён с Gemini 3	Gemini 3 API: 10,7 fan-out-запроса на промпт при принудительном grounding (Seer, 501 промпт)	Самый мощный fan-out. Закрывайте всё решение целиком, а не только главный запрос
Google AI Overviews	«Может использовать» fan-out; простые запросы уходят к более быстрым моделям	Публичных цифр нет. Большинство цитируемых страниц по-прежнему в топ-10 (Ahrefs, июль 2025 года)	Здесь классическое ранжирование по-прежнему важнее всего
Google Deep Search	«Может выполнять сотни поисков»	Публичных цифр нет	В длинные отчёты попадают глубина и первичные данные
Поиск ChatGPT	Переписывает в «один или несколько целевых запросов»; уточнения; учитывает память	2,1 на промпт; длина от ~6 до ~12 слов; 91 % формулировок уникальны; поиск запускают ~47,5 % промптов	Мало запросов, точные и меняющиеся. Будьте лучшей страницей под каждую конкретную подпотребность
Perplexity	Pro Search выполняет многошаговые уточняющие поиски	1,4 на промпт в Sonar; запросы близки к формулировке пользователя	Здесь всё ещё помогает совпадение с формулировками самого пользователя

Сколько fan-out-запросов порождает один промпт?

От нуля до сотен, а опубликованные средние расходятся, потому что измеряют разное. Вот как их читать:

• Seer Interactive, Gemini 3 API: 10,7 на промпт (от 3 до 28) по 501 промпту, на 78 % больше, чем 6,01 у Gemini 2.5 (Seer, ноябрь 2025 года). Seer принудительно включал grounding для каждого промпта, поэтому поиск запускался всегда.
• Seer Interactive, повторные прогоны: 8,52 на промпт по 100 промптам, каждый прогнан 13 раз (Seer, январь 2026 года).
• Peec AI и Profound, потребительские сервисы: от 1,4 до 2,1 на промпт в ChatGPT, Perplexity и Copilot, по данным отслеживаемых промптов.
• Режимы глубокого исследования: Google говорит, что Deep Search может выполнять сотни поисков; Ahrefs сообщил об одной задаче ChatGPT Deep Research, запустившей 420 поисков (Ahrefs, март 2026 года), — но это единичный случай, а не среднее.

Так что честный ответ такой: обычный ответ в чате запускает несколько поисков, AI Mode — больше, а исследовательские режимы — намного больше. Но важнее количества форма. То же исследование Seer показало, что у 95 % fan-out-запросов Gemini 3 нулевая месячная частотность, а в исследовании с повторными прогонами лишь 8 из 11 029 уникальных fan-out-запросов встретились во всех 13 прогонах. Fan-out-запросы длинные, конкретные и в основном придумываются на лету — вот почему большинство из них вы никогда не увидите в сервисе подбора ключевых слов.

Что мы увидели, перехватив настоящие fan-out-запросы

Чтобы увидеть механизм своими глазами, а не пересказывать чужие выжимки, 18 октября 2026 года мы провели собственный небольшой эксперимент. Мы отправляли промпты в Gemini API с включённым инструментом grounding через Google Поиск (не принудительно: модель сама решает, искать или нет) и записывали каждый поисковый запрос, который выполнила модель, в том виде, в каком он приходил в ответе API. Мы использовали три модели: gemini-2.5-flash, gemini-3.1-pro-preview и gemini-3.8-flash.

Коммерческий промпт звучал так: «Какой инструмент для управления проектами лучше всего подойдёт удалённому маркетинговому агентству из 15 человек и сколько он будет стоить нам в год?» Мы прогнали его 13 раз (5, 3 и 5 прогонов на модель). Кроме того, мы 6 раз прогнали собственный пример Google про сорняки на газоне.

Модель	Прогонов	Поисков за прогон	Прогонов с поиском «какой инструмент лучше»	Бренды, которые она искала
gemini-2.5-flash	5	2, 8, 6, 12, 7	5 из 5	Asana, ClickUp, Monday.com (по 4 из 5 прогонов), Wrike и Trello (3 из 5), Teamwork.com (2 из 5), Notion, Jira, Smartsheet (1 из 5)
gemini-3.1-pro-preview	3	3, 3, 4	1 из 3	ClickUp, Asana, Monday.com (3 из 3)
gemini-3.8-flash	5	4, 4, 4, 3, 4	0 из 5	Asana, ClickUp, Monday.com (5 из 5), Teamwork.com (4 из 5)

Выделились три вывода:

1. Новые модели пропускали этап поиска вариантов. Gemini 2.5 Flash искала «best project management tools for remote marketing agency» (лучшие инструменты управления проектами для удалённого маркетингового агентства), а затем проверяла цены у восьми вендоров. Две модели Gemini 3.x в основном сразу переходили к запросам вроде «clickup pricing plans annual» по трём-четырём вендорам, которых уже держали в голове. В 7 из 8 прогонов Gemini 3.x ни один поиск не спрашивал, какой инструмент лучше. Шорт-лист брался из модели, а поиск служил для проверки цен.
2. Единственная константа — цены. Все 13 прогонов искали цены, в 9 из 13 добавлялось «annual» (годовой), в 4 из 13 — год (2025 или 2026). Ни один из 13 прогонов не искал отзывы, интеграции, клиентский или гостевой доступ, учёт времени, хотя для агентства всё это важно. На эти потребности модель отвечала — если вообще отвечала — из собственных знаний.
3. Некоторые промпты вообще не запускают поиск. На вопрос о сорняках на газоне Gemini 3.8 Flash во всех 3 из 3 прогонов ответила из собственных знаний. Gemini 2.5 Flash искала в 2 из 3 прогонов, выполнив 5 и 6 запросов, например «natural weed control methods for lawns» и «chemical weed killers for lawns» (натуральные и химические способы борьбы с сорняками), — почти зеркально задокументированному примеру Google.

Ограничения: это 19 вызовов API за один день. Gemini API с grounding — не та же система, что Google AI Mode, где поверх работают собственное ранжирование, Shopping Graph и персонализация. Воспринимайте это как взгляд на то, как модели Gemini планируют поиски, а не как замер AI Mode. И всё же урок для вендора вполне практический: если у модели уже есть шорт-лист, вам нужно в него попасть (а это даёт то, как вас описывают по всему вебу, а не одна страница), а тот запрос, который всё-таки выполняется, например «[your brand] pricing per user annual», должен приводить на доступную для сканирования и актуальную страницу с ценами.

Почему первого места по главному запросу мало для цитирования в ИИ?

Потому что AI Mode ищет по подзапросам, а не только по промпту, и страницы, которые выигрывают подзапросы, часто не те, что ранжируются по главному запросу. В сентябре 2025 года seoClarity проверил 1 000 транзакционных запросов в США и выяснил, что лишь 19 % из 12 011 цитирований в AI Mode пришлись на органический топ-20, и только у 28 % запросов был процитирован хотя бы один URL из топ-10 (seoClarity, октябрь 2025 года). Майк Кинг из iPullRank заметил то же самое: цитируемые страницы часто не входили в топ-100 по исходному запросу, потому что их находили синтетические подзапросы (iPullRank).

С AI Overviews ситуация другая, и здесь важна точность. Ahrefs обнаружил, что в его июльской выборке 2025 года из 1 миллиона AI Overviews 76,1 % цитирований приходились на топ-10 (Ahrefs), а когда авторы проверили, объясняет ли fan-out остальное, данные этого не подтвердили. Итог такой: для AI Overviews хорошие позиции по-прежнему главный рычаг; для AI Mode и чат-сервисов ранжирование по главному запросу даёт вход лишь в один из нескольких пулов поиска, а остальные пулы решаются тем, насколько хорошо вы отвечаете на каждый подвопрос.

Как выглядит карта fan-out для одного промпта?

Карта fan-out перечисляет подвопросы, которые подразумевает промпт, тип каждого и место на вашей странице, где на него дан ответ. Вот карта, которую мы составили для промпта об управлении проектами выше, с отметками о том, что модели Gemini действительно искали в наших 13 прогонах. В ней 12 подзапросов — это вполне согласуется с 8–11, о которых обычно сообщают опубликованные исследования для развёрнутого промпта.

№	Подзапрос	Тип	Искали в наших 13 прогонах?	Фрагмент, который должен на него отвечать
1	Лучший софт для управления проектами для маркетинговых агентств	Поиск вариантов	6 из 13 (в основном Gemini 2.5)	H2 с ранжированным шорт-листом и критериями выбора
2	Инструменты управления проектами для удалённых команд	Ограничение	5 из 13 («remote»)	H3 про асинхронные функции, часовые пояса
3	[Tool]: цена за пользователя при годовой оплате	Проверка	13 из 13	Таблица цен с датой проверки
4	Стоимость на 15 пользователей в год	Расчёт	5 из 13 («15 users»)	Готовый пример расчёта по каждому инструменту
5	[Tool]: цены 2026	Актуальность	4 из 13 (с указанием года)	Видимая дата «цены проверены»
6	[Tool A] vs [Tool B] для агентств	Сравнение	2 из 13 (общее «comparison»)	Сравнительная таблица
7	[Tool] для маркетинговых агентств	Сущность + сценарий	1 из 13	Короткий абзац по каждому инструменту
8	Клиентский портал или гостевой доступ	Неявная потребность	0 из 13	H3 про работу с клиентами
9	Учёт времени и оплачиваемых часов	Неявная потребность	0 из 13	H3 про процессы выставления счетов
10	Интеграции со Slack, Google Workspace, HubSpot	Неявная потребность	0 из 13	Таблица интеграций
11	Отзывы пользователей из агентств	Подтверждение	0 из 13	Сводка независимых отзывов со ссылками
12	Скидка за годовую оплату по сравнению с ежемесячной	Детали стоимости	9 из 13 («annual»)	Строка под таблицей цен

Внимательно отнеситесь к нулям. Они не означают «пропустите это». Они означают, что модель закрыла эти потребности тем, что уже знала, поэтому повлиять на них можно, только если вас корректно описывают по всему вебу (отзывы, сравнения, документация), а не дожидаясь поиска, который может так и не случиться. Строки с высокими значениями — это то место, где одна страница может выиграть поиск напрямую.

Как найти fan-out-запросы для своей темы?

Совместите ручную карту (чтобы охватить то, о чём думают модели) с выборкой реально наблюдаемых запросов (чтобы увидеть, что они на самом деле ищут). Вот метод, которым пользуемся мы:

1. Сформулируйте промпт так, как его задал бы покупатель. Полным предложением, с ограничениями, которые добавил бы реальный человек (размер команды, бюджет, город, сроки). Короткие ключевые слова дают короткие и нерепрезентативные fan-out-запросы.
2. Разбейте его на подвопросы с типами. Используйте типы из карты выше: поиск вариантов, ограничение, проверка, расчёт, актуальность, сравнение, сущность, неявная потребность, подтверждение. Цельтесь в 8–12 подвопросов.
3. Добавьте вопросы, которые задают реальные люди. Соберите блоки People Also Ask («Похожие вопросы») и связанные запросы для главного запроса и двух-трёх подзапросов. Это не fan-out, но это те же вопросы, сформулированные человеческим языком. Планировщик ключевых слов AI Rank Lab выдаёт PAA и связанные запросы вместе с частотностью, что ускоряет этот шаг.
4. Перехватите наблюдаемые fan-out-запросы. Прогоните промпт 5 раз или больше через источник, который возвращает реальные запросы: Gemini API с grounding через Google Поиск (в ответе перечислены выполненные запросы, как описано в документации Google по grounding) или бесплатный ChatGPT Fan-Out Query Extractor от SE Ranking. Некоторые специалисты также читают сетевые ответы ChatGPT в DevTools браузера; это опирается на недокументированные поля, которые OpenAI может изменить, и для этой статьи мы такой способ не проверяли.
5. Группируйте по темам, а не по строкам. Сведите «clickup pricing plans annual» и «ClickUp pricing per user per month annual» в одну тему: годовые цены ClickUp. Данные Seer по повторным прогонам показывают, что точные строки повторяются редко, поэтому считайте, как часто тема встречается в разных прогонах.
6. Сопоставьте каждую тему со своей страницей. Ответ хороший, ответ поверхностный или ответа нет. Пропущенные частые темы — это и есть ваш план статьи.
7. Повторяйте раз в квартал. Модели меняются. По данным Seer, Gemini 3 делала на 78 % больше fan-out-запросов, чем Gemini 2.5, а в наших данных новые модели снова искали по-другому.

Какие инструменты показывают fan-out-запросы и что они показывают — наблюдаемые или предсказанные?

Главный вопрос к любому инструменту для fan-out: показывает ли он запросы, которые поисковик действительно выполнил (наблюдаемые), или запросы, которые, по мнению LLM, поисковик мог бы выполнить (предсказанные). Полезны и те и другие, но доказательством служат только наблюдаемые.

Раскрытие информации: AI Rank Lab — наш продукт. Мы ставим его первым, потому что это наш сайт, и применили одинаковые критерии ко всем инструментам ниже.

Инструмент	Наблюдаемые или предсказанные	Что он даёт	Лучше всего для
AI Rank Lab	Ни то ни другое для сырых fan-out-строк; наблюдаемые данные по цитированиям	Не показывает формулировки fan-out-запросов. Закрывает шаги вокруг них: PAA и связанные запросы в планировщике ключевых слов, подсказки промптов и структуры статей на основе анализа конкурентов в Content Suite, а также отслеживание промптов по расписанию в ChatGPT, Claude, Gemini и Perplexity, плюс AI Overviews и AI Mode, с фиксацией того, какие URL цитируются	Превратить карту fan-out в контент и проверить, меняются ли цитирования
Gemini API с grounding через Google Поиск	Наблюдаемые	Точные запросы, которые выполнила модель, и использованные источники — по каждому вызову	Самостоятельный сбор, если вы можете запустить небольшой скрипт; оплата за каждый вызов
SE Ranking ChatGPT Fan-Out Query Extractor	Наблюдаемые (через API OpenAI)	Запросы, которые выполнил ChatGPT, до 10 промптов за пакет; бесплатно с дневными лимитами; экспорт в CSV	Быстрые бесплатные выборки по ChatGPT
Peec AI	Наблюдаемые (из отслеживаемых промптов)	Fan-out-запросы, собранные по промптам, которые вы отслеживаете; их исследования построены на этих данных	Постоянный мониторинг fan-out в ChatGPT, Perplexity и Grok
DataForSEO LLM Mentions API	Наблюдаемые (собирает поставщик)	Fan-out-запросы через API — для команд, которые строят собственные дашборды	Разработчики, работающие с большими объёмами
Otterly AI Query Fan-Out tool	Предсказанные	Сгенерированные расширения для ChatGPT и ИИ-функций Google с разметкой по типу и интенту, которые можно добавить как отслеживаемые промпты	Быстрый мозговой штурм для карты fan-out
Qforia (iPullRank)	Предсказанные (симуляция)	Смоделированные синтетические запросы для Google AI Mode и AI Overviews	Бесплатная отправная точка для карт в стиле Google

Цены мы не указываем, потому что большинство этих инструментов входят в более широкие тарифы, которые часто меняются; проверяйте страницу с ценами каждого вендора в день покупки (инструмент SE Ranking был бесплатным, когда мы проверяли 18 октября 2026 года).

Как выстроить страницу, чтобы каждый фрагмент отвечал на один подзапрос?

Дайте каждому частому подвопросу отдельный раздел с понятным заголовком, который начинается с прямого самодостаточного ответа, а затем подкрепляет его. Поиск при fan-out сопоставляет фрагменты со множеством конкретных запросов, поэтому раздел, который чисто отвечает на один вопрос в первых двух предложениях, легко найти и процитировать. Это хороший текст и для читателей, и Google прямо говорит, что больше ничего не нужно: «Не требуется дробить контент на крошечные кусочки, чтобы ИИ лучше его понимал», а его системы «понимают синонимы», так что подгонять формулировки под fan-out слово в слово незачем.

Используйте этот шаблон структуры для одного вопроса покупателя:

1. Вступительный ответ (2–3 предложения). Прямой ответ на исходный промпт, который можно процитировать отдельно.
2. Блок с главными выводами. Четыре-пять строк, которые читатель (или модель) может забрать целиком.
3. H2: подзапрос поиска вариантов («Какой X лучше всего для Y?») с шорт-листом и критериями, на которых он основан.
4. H2 или H3 на каждое ограничение (размер команды, бюджет, регион, сценарий). Каждый раздел начинается с ответа для этого ограничения.
5. Таблица для проверочных подзапросов: цены, лимиты, характеристики — с датой проверки.
6. Сравнительная таблица для подзапросов «A vs B».
7. H3 для неявных потребностей, о которых покупатель не сказал, но которые для него важны.
8. Нумерованный список для порядка действий, если вопрос подразумевает, что нужно что-то сделать.
9. Вопросы в FAQ для оставшихся коротких подвопросов.
10. Источники и методология прямо в тексте, чтобы каждое утверждение несло свои доказательства.

Наш чек-лист по AEO охватывает техническую сторону (индексируемость, право на сниппет, скорость страницы), от которой зависит, можно ли вообще найти хоть один из этих фрагментов. Content Suite в AI Rank Lab строит такую структуру по промпту и анализу конкурентов, а аудит SEO, AEO и GEO проверяет структуру страницы, когда она уже опубликована.

Нужно ли делать отдельную страницу под каждый fan-out-запрос?

Нет. В руководстве Google прямо сказано: хотя «может возникнуть соблазн создавать отдельный контент под каждый возможный вариант того, как люди могут искать», делать так ради манипуляции позициями или ответами ИИ — нарушение правил о злоупотреблении масштабированным контентом, и «большое количество страниц не делает сайт качественнее». Сам fan-out тоже работает против этой тактики: формулировки меняются почти в каждом прогоне, так что страница под каждую строку гонится за целью, которой в следующий раз уже не будет. Одна полноценная страница на каждый реальный вопрос покупателя, с разделом под каждый подвопрос, — подход одновременно и правильный с точки зрения правил, и эффективный. Отдельные страницы имеют смысл, только если подвопрос — действительно другая задача (например, полноценная страница с ценами или отдельное руководство по интеграции).

Типичные ошибки с query fan-out

• Делать по странице на каждый подзапрос. По терминологии Google это злоупотребление масштабированным контентом, и смысла в этом нет, учитывая, насколько нестабильны fan-out-строки.
• Оптимизировать под точные fan-out-строки. Лишь 8 из 11 029 fan-out-запросов Gemini 3 повторились во всех 13 прогонах Seer, а в исследовании Profound 91 % строк ChatGPT были уникальными. Цельтесь в темы.
• Расставлять приоритеты по частотности ключевых слов. По данным Seer, у 95–99 % fan-out-запросов зафиксирована нулевая частотность. Приоритизируйте по тому, как часто тема встречается в прогонах и насколько она близка к решению о покупке.
• Считать предсказанные fan-out-запросы доказательством. Инструмент, который генерирует вероятные подзапросы, — это мозговой штурм, а не измерение. Проверяйте наблюдаемыми данными.
• Игнорировать априорные знания модели. В нашем эксперименте новые модели искали только те бренды, которые уже знали. Корректное описание вас в сторонних отзывах, сравнениях и документации — часть оптимизации под fan-out.
• Допускать, чтобы страница с ценами устарела или блокировала краулеры. Проверочные запросы вроде «[brand] pricing annual» выполнялись во всех 13 наших прогонах. Если эта страница устарела, спрятана за формой или отрисовывается только JavaScript, модель сверится с чужой страницей.
• Забывать про англоязычный пул. Для неанглоязычных рынков данные Peec показывают, что значительная доля поисков ChatGPT выполняется на английском.
• Добавлять специальную ИИ-разметку или llms.txt ради Google. Google говорит, что для появления в его ИИ-функциях не нужны ни новые машиночитаемые файлы, ни текстовые файлы для ИИ, ни специальная разметка schema.org.

Как понять, что оптимизация под fan-out работает?

Измеряйте цитирования и показы по исходному промпту на повторных прогонах, а не по разовым снимкам. Два источника вместе дают честную картину:

• Отчёт об эффективности генеративного ИИ в Google Search Console. Он запущен 3 июня 2026 года, к 31 августа 2026 года стал доступен всем сайтам и показывает показы, страницы, страны, устройства и даты для AI Overviews, AI Mode и ИИ-функций Discover (Google Search Central). Fan-out-запросов в нём нет, так что используйте его, чтобы видеть, какие страницы получают ИИ-показы после перестройки.
• Регулярное отслеживание промптов в разных сервисах. Запускайте исходный промпт по расписанию и фиксируйте, какие домены и URL цитируются. Готовьтесь к шуму: по 968 повторным прогонам 42 пар «промпт — сервис», отслеживаемых в AI Rank Lab (с февраля по октябрь 2026 года), медианное пересечение цитируемых доменов между соседними прогонами составило 0,41 (по Жаккару), а в каждом прогоне появлялись в медиане лишь 3,5 % цитируемых доменов. При таком разбросе от прогона к прогону оценивайте изменения по неделям прогонов, а не по одной проверке. Наше руководство по проверке AI Overview объясняет, как настроить это для Google, а 30-дневный план по цитированию в ChatGPT описывает тот же цикл для ChatGPT.

Будьте честны в вопросе атрибуции. Ни одно опубликованное контролируемое исследование не выделило охват fan-out как причину роста цитирований, а данные Ahrefs по AI Overviews не подтвердили, что fan-out объясняет цитирования за пределами топ-10. Карта fan-out — это метод планирования, который повышает шансы на полноценные страницы, а не волшебный рубильник.

Коротко

Query fan-out превращает один промпт в несколько точных и меняющихся поисков. Google его документирует, OpenAI его документирует, а измеренные цифры зависят от сервиса, модели и методики. Разложите подвопросы по типам, проверьте выборку наблюдаемых запросов, сгруппируйте их в темы и ответьте на каждую тему в разделе с понятным заголовком на одной полноценной странице, с датированными фактами на тех страницах, куда приходят проверочные запросы. А потом измеряйте на повторных прогонах.

Если хотите видеть, какие страницы ChatGPT, Claude, Gemini, Perplexity, AI Overviews и AI Mode цитируют по вашим промптам, и превращать пробелы в структуры статей, вы можете отслеживать свои промпты в AI Rank Lab.