Query fan-out
Scomposizione della domanda
Il query fan-out è la tecnica con cui un motore di ricerca AI scompone un prompt in più sotto-ricerche parallele e ne fonde i risultati in una sola risposta: nella GEO spiega perché un sito viene citato per domande che nessuno ha mai scritto.
Centinaia
Le ricerche che Deep Search di Google può lanciare per un solo report con fonti, secondo Google (maggio 2025).
2,1
Le sotto-query medie per prompt in ChatGPT, contro 6,8 in Grok e 1,4 in Perplexity, secondo Peec AI (aprile 2026).
6 → 12
Le parole medie di una sotto-query ChatGPT tra ottobre 2025 e gennaio 2026, su oltre 20 milioni di fan-out analizzati da Peec AI.
Sei cose da sapere
- La domanda dell’utente non è la query che il motore esegue. Il sistema la divide in sottotemi e lancia più ricerche in parallelo: Google lo descrive così per AI Mode dal maggio 2025.
- Le sotto-query restano nascoste all’utente, ma decidono quali pagine entrano nella risposta. Per questo un sito può ottenere una citazione su una domanda che nessuno ha digitato.
- L’ampiezza cambia da motore a motore. Ad aprile 2026 Peec AI misura in media 2,1 sotto-query per prompt in ChatGPT, 6,8 in Grok e 1,4 in Perplexity.
- Le sotto-query si allungano. In ChatGPT sono passate da circa 6 a circa 12 parole tra ottobre 2025 e gennaio 2026: sono più specifiche e più vicine alla coda lunga.
- Deep Search porta la tecnica all’estremo, con centinaia di ricerche per un report. AI Mode ne usa meno, ma con la stessa logica: più ricerche, più fonti candidate.
- Google dichiara che non servono ottimizzazioni speciali: basta che la pagina sia indicizzata e idonea a comparire con uno snippet. La leva reale è la copertura dei sottotemi, non un markup dedicato.
Come si lavora sul query fan-out
Il fan-out non si controlla, ma si può ricostruire e coprire. Il lavoro parte dalle domande reali e arriva alle singole sezioni di pagina.
Partire dalle domande
Raccogliere ogni prompt che il pubblico pone agli assistenti, non solo le keyword. Ogni domanda va letta come un insieme di sottodomande.
Ricostruire le sotto-query
Alcuni strumenti di monitoraggio registrano le sotto-query di ChatGPT; per Google si simulano con confronti, criteri di scelta e domande correlate del settore. Il risultato è una mappa dei sottotemi.
Coprire ogni sottotema
Ogni sottotema richiede un blocco di testo che risponda da solo: definizione, criterio, dato, condizione. I sistemi di generazione aumentata dal recupero prelevano porzioni di pagina, non pagine intere.
Misurare per cluster
Verificare in quali risposte compaiono il marchio e i suoi URL sull’intero gruppo di domande. Il KPI utile è la presenza tra le fonti sul cluster, non la posizione su una keyword.
Che cosa dicono i dati sul query fan-out
Centinaia
Le ricerche che Deep Search può lanciare per produrre un report completo di fonti.
Google, 2025
2,1
Sotto-query medie per prompt in ChatGPT, su circa 5 milioni di fan-out analizzati.
Peec AI, 2026
6,8
Sotto-query medie per prompt in Grok, contro 1,4 in Perplexity nello stesso periodo.
Peec AI, 2026
~12
Parole medie di una sotto-query ChatGPT a gennaio 2026, circa il doppio di ottobre 2025.
Peec AI, 2026
- I conteggi dipendono dal metodo e dal modello: LLM Pulse, con dati a ottobre 2026, misura 1,81 sotto-query medie per risposta in ChatGPT. Peec segnala che un aggiornamento del modello dell’agosto 2026 ha cambiato il quadro. Le cifre vanno lette come ordini di grandezza.
- Le sotto-query di Google non sono pubbliche. Le indicazioni su AI Mode e Deep Search sono descrizioni del produttore, non misure indipendenti.
Ricerca classica e ricerca con fan-out
| Aspetto | Ricerca classica | Ricerca con query fan-out |
|---|---|---|
| Query eseguite | Una, quella digitata | Più sotto-query, lanciate in parallelo |
| Chi formula la query | L’utente | Il modello, a partire dal prompt |
| Unità recuperata | La pagina, in un elenco di risultati | Passaggi di più pagine, fusi in una risposta |
| Visibilità del processo | Query e risultati sono visibili | Le sotto-query restano nascoste |
| Leva per chi pubblica | Posizionarsi sulla keyword | Coprire i sottotemi che il modello esplora |
Un caso concreto
Un buyer chiede ad AI Mode: “Quale valvola a sfera scegliere per un impianto alimentare con lavaggi CIP?”
Il sistema non cerca solo quella frase. Plausibilmente la scompone in sottotemi: materiali idonei al contatto con alimenti, resistenza ai detergenti, temperature di lavaggio, certificazioni, confronto tra produttori.
Un produttore bresciano di valvole ha una pagina prodotto con codici e un PDF tecnico. Un concorrente ha una guida con una sezione per ciascun sottotema. Tra le fonti compare la guida, anche se nessuno ha cercato “acciaio AISI 316 detergenti CIP”.
La differenza non sta nel posizionamento sulla domanda principale, ma nella copertura delle domande implicite.
Che cosa ne ricava chi pubblica
Il fan-out sposta il lavoro dalla keyword singola alla mappa delle domande implicite.
- Per ogni pagina chiave, elencare le sottodomande che un modello genererebbe: confronti, criteri di scelta, costi, requisiti, alternative. Ogni sottodomanda scoperta è una fonte potenziale lasciata ad altri.
- Scrivere sezioni che reggono fuori contesto: titolo esplicito, risposta nelle prime righe, dato con fonte. Una sezione vaga non viene scelta per nessuna sotto-query.
- Misurare la menzione del marchio sull’intero gruppo di prompt, non su una domanda campione: il fan-out rende le risposte variabili da un’esecuzione all’altra.
- Non inseguire un markup “per il fan-out”. Google dichiara che non ci sono requisiti aggiuntivi oltre all’indicizzazione e all’idoneità allo snippet.
frequenti
Domande frequenti sul query fan-out
Che cos’è il query fan-out in parole semplici?
È il passaggio in cui un motore AI trasforma una domanda in più ricerche più piccole, le esegue insieme e ne combina i risultati. Google lo usa in AI Mode e, in forma più estesa, in Deep Search, che può lanciare centinaia di ricerche.
Quali motori usano il query fan-out?
Google lo indica per AI Mode e per le AI Overviews, che possono eseguire più ricerche correlate su sottotemi e fonti diverse. Le analisi di Peec AI lo misurano anche in ChatGPT, Perplexity e Grok.
Quante sotto-query genera ChatGPT?
Poche, in media: 2,1 per prompt secondo Peec AI ad aprile 2026 e 1,81 per risposta secondo LLM Pulse a ottobre 2026. Grok ne genera molte di più, 6,8 in media nello studio Peec.
Si possono vedere le sotto-query?
Per Google no: le ricerche avvengono dietro la risposta e non compaiono in Search Console. Per ChatGPT alcuni strumenti di monitoraggio le ricostruiscono dalle tracce di ragionamento del modello.
Serve un’ottimizzazione specifica per il query fan-out?
Google afferma che non ci sono requisiti aggiuntivi per comparire in AI Overviews o AI Mode, oltre a indicizzazione e idoneità allo snippet. In pratica conta la copertura dei sottotemi con passaggi chiari e autonomi.
Perché un sito viene citato per domande che non ha mai presidiato?
Perché una sua pagina ha risposto a una sotto-query generata dal modello, non al prompt dell’utente. Per lo stesso motivo un sito ben posizionato sulla keyword principale può restare fuori dalla risposta.
Riferimenti
Google (Elizabeth Reid) — AI in Search: Going beyond information to intelligence
20 maggio 2025, annuncio di AI Mode e Deep Search. blog.google
Google Search Central — AI features and your website
Documentazione ufficiale, aggiornata al 10 dicembre 2025. developers.google.com
Peec AI (Tomek Rudzki) — Fan-outs per prompt by engine
Dati 1–21 aprile 2026, circa 5 milioni di fan-out su ChatGPT, Perplexity e Grok. docs.peec.ai
Peec AI — ChatGPT fan-outs doubled in length in four months
Febbraio 2026, oltre 20 milioni di fan-out ChatGPT, ottobre 2025–gennaio 2026. docs.peec.ai
LLM Pulse — How much do AI search engines fan out?
Aggiornato al 21 ottobre 2026, media mobile a 7 giorni su risposte ChatGPT. llmpulse.ai
Consulente GEO · Kraków / Milano
Aiuta le aziende italiane a farsi menzionare e citare da ChatGPT, Gemini, Perplexity e AI Overviews. Vent’anni tra imprenditoria e consulenza digitale in Italia: ha guidato la strategia SEO di Bakeca.it, co-fondato e diretto Seolab, e dal 2022 è Evangelist in Digital360, prima SEO e oggi GEO. Laurea in Linguistica all’Università di Torino.