Query fan-out - jak AI rozbija jedno zapytanie na kilkanaście podpytań

Query fan-out to sposób, w jaki generatywna wyszukiwarka obsługuje jedno pytanie: zamiast szukać dokładnej frazy, rozkłada je na zestaw powiązanych podpytań, dla każdego z nich pobiera własny zestaw źródeł, a dopiero na końcu składa z nich jedną odpowiedź. Konsekwencja dla marketingu jest bardzo konkretna: nie wystarczy rankować na frazę, którą wpisał użytkownik. Trzeba pokrywać także podpytania, których nikt nie wpisał, a które system wygenerował sam.

Czym jest query fan-out?

Google opisało fan-out publicznie przy premierze AI Mode jako technikę „query fan-out": system wydaje wiele zapytań jednocześnie, przeszukując podtematy i wiele źródeł danych równolegle. W praktyce oznacza to cztery etapy: dekompozycję pytania na podpytania, równoległe pobranie wyników dla każdego z nich, uzupełnienie ich danymi z innych zasobów Google (graf wiedzy, dane zakupowe, wiadomości), a na końcu syntezę odpowiedzi z wybranych fragmentów.

Kluczowa różnica względem klasycznego wyszukiwania: w klasycznym SERP-ie jedno zapytanie daje jedną listę wyników. W fan-oucie jedno zapytanie daje kilka list wyników, a odpowiedź powstaje z fragmentów pochodzących z różnych list. Strona może więc trafić do odpowiedzi, mimo że dla frazy wpisanej przez użytkownika nie jest nawet w pierwszej dziesiątce - wystarczy, że jest najlepszym źródłem dla jednego z podpytań.

Jak wygląda dekompozycja pytania w praktyce

Weźmy pytanie, które realnie zadaje decydent B2B: „jaki system CRM wybrać dla firmy doradczej zatrudniającej 20 osób". To jedno zapytanie zawiera co najmniej pięć osobnych problemów informacyjnych, a system rozwiązuje każdy z nich niezależnie:

Firma, która ma tylko stronę produktową, walczy o jeden z pięciu fragmentów. Firma, która ma stronę produktową, stronę branżową, jawny cennik, opisane wdrożenie i udokumentowane realizacje, ma szansę na kilka fragmentów naraz. To jest cała mechanika przewagi w fan-oucie i dlatego kompletność tematu wygrywa z optymalizacją jednej frazy.

Jak fan-out wygląda w danych Search Console (dane własne AiVisible)

Fan-out nie jest tylko koncepcją z prezentacji. Częściowo widać go w Search Console, ponieważ część podpytań generowanych przez systemy AI trafia do raportu skuteczności jako zwykłe zapytania. Poniżej przykłady z własnej właściwości aivisible.pl za okres 30.04.2026-28.07.2026. Nie są to frazy, które ktokolwiek wpisałby ręcznie w wyszukiwarkę:

Dwa wzorce są tu istotne. Pierwszy: zapytania z operatorami wykluczającymi całe serwisy (`-site:reddit.com -site:twitter.com`) - to nie jest język człowieka, to zapytanie skonstruowane maszynowo, żeby odfiltrować treści społecznościowe. Drugi: bardzo długie zapytania w pierwszej osobie, zapisane jak fragment briefu („as a CMO trying to build long-term brand authority…"), czyli przeformułowana intencja, a nie fraza.

Praktyczny wniosek jest jednak niezależny od interpretacji: te zapytania są w raporcie, mają wyświetlenia i mają pozycję. Jeśli witryna zajmuje na nich pozycję 4-8, jest realnym kandydatem na źródło w odpowiedzi generatywnej. Warto je wyodrębnić i traktować jako osobną listę tematów do pokrycia.

Jak wyciągnąć własne zapytania fan-out z Search Console

1. 1Otwórz raport skuteczności i ustaw zakres na 3 miesiące - podpytania mają niskie wolumeny, na krótkim okresie giną w szumie.
2. 2Przefiltruj zapytania zawierające `-site:` oraz `"` - operatory w zapytaniu to najczystszy sygnał konstrukcji maszynowej.
3. 3Osobno przefiltruj zapytania dłuższe niż 8-10 wyrazów, zawierające czasowniki intencji (chcę, potrzebuję, i want, how do i).
4. 4Odfiltruj zapytania brandowe i literówki nazwy firmy - to nie fan-out, to nawigacja.
5. 5Dla każdej pozostałej frazy sprawdź, która podstrona ją zbiera i na jakiej pozycji. Pozycje 4-15 to lista priorytetów.
6. 6Zapisz listę jako baseline z datą. Bez daty nie da się później stwierdzić, czy zmiana treści cokolwiek dała.

Dlaczego pozycja 1 nie gwarantuje cytowania

W fan-oucie o wybór fragmentu konkuruje się osobno dla każdego podpytania. Strona może być pierwsza na frazę główną i jednocześnie nie mieć akapitu, który odpowiada wprost na podpytanie o cenę, ograniczenia albo proces wdrożenia. Wtedy fragment odpowiedzi trafia do strony słabszej w klasycznym rankingu, ale lepiej dopasowanej do tego jednego podpytania.

Odwrotny mechanizm działa na korzyść mniejszych marek. Nie trzeba wygrywać całej kategorii, żeby pojawić się w odpowiedzi. Wystarczy być najlepszym dostępnym źródłem dla wąskiego wycinka: jednego zastosowania, jednego segmentu, jednego ograniczenia regulacyjnego. To najtańsza droga do obecności w odpowiedziach AI dla firmy bez dużego budżetu na linki.

Siedem zasad pisania treści pod fan-out

• Jeden akapit = jedna kompletna odpowiedź. Fragment ma być zrozumiały bez zdania poprzedniego i następnego, bo system wyciąga go z kontekstu.
• Nagłówki formułowane jako pytania, które realnie zadaje klient - nagłówek jest najtańszym sygnałem, że strona pokrywa dane podpytanie.
• Liczby zamiast przymiotników. „Od 2 900 zł" jest cytowalne, „konkurencyjna cena" nie jest.
• Jawne ograniczenia i wykluczenia. Zdanie o tym, komu usługa nie służy, jest wyjątkowo często wybierane jako fragment, bo odpowiada na podpytanie o dopasowanie.
• Tabele porównawcze z jednoznacznymi wierszami - tabela to gotowa struktura odpowiedzi na podpytanie porównawcze.
• Sekcja FAQ z pełnymi odpowiedziami w treści, nie tylko w rozwijanych panelach z odpowiedzią doładowywaną skryptem.
• Data ostatniej aktualizacji i autor z możliwą do zweryfikowania tożsamością - przy pytaniach o pieniądze i ryzyko sygnały autorstwa decydują o dopuszczeniu źródła.

Czego o fan-oucie nie wiemy

Uczciwa lista niewiadomych jest krótka, ale ważna przy planowaniu budżetu. Nie znamy liczby podpytań na zapytanie ani reguł ich generowania. Nie wiemy, jak system waży źródła między podpytaniami. Nie wiemy, na ile stabilne są te reguły między wersjami modelu - odpowiedź na to samo pytanie może się zmienić bez żadnej zmiany na stronie. Publikowane w branży statystyki (średnia liczba cytowanych źródeł, udział cytowań z sygnałami E-E-A-T, wzrost szans na cytowanie przy pokryciu podpytań) pochodzą z próbek zbieranych przez firmy trzecie, a nie z dokumentacji Google, i mają ograniczoną przenoszalność na polski rynek.

Dlatego jedyny sensowny sposób pracy z fan-outem to pomiar na własnej próbie pytań: stały zestaw promptów, zapisane pełne odpowiedzi i źródła, powtórzenie po wdrożeniu na tym samym rdzeniu próby. Bez tego nie da się rozdzielić efektu zmian na stronie od zmiany po stronie modelu.