Kiedy użytkownik pyta wyszukiwarkę AI o coś złożonego, model nie szuka tej jednej frazy. Rozbija pytanie na kilkanaście krótszych zapytań, odpala je równolegle, zbiera fragmenty z różnych stron i dopiero z tego składa odpowiedź. Ten mechanizm nazywa się query fan-out i to on decyduje dziś o tym, czy Twój artykuł zostanie zacytowany, czy zignorowany.
Konsekwencja jest niewygodna dla klasycznego SEO: możesz mieć pierwsze miejsce na frazę główną i nie pojawić się w odpowiedzi generatywnej ani razu, bo nie pokryłeś żadnego z podzapytań, które model wygenerował w tle. Poniżej pokazuję, jak przewidzieć te podzapytania, jak zmapować je na strukturę tekstu i jak sprawdzić, czy pokrycie faktycznie rośnie.
Czym jest query fan-out i po co powstał
Query fan-out to technika, w której system wyszukiwania zamienia jedno zapytanie użytkownika na zbiór zapytań pochodnych. Google opisuje ją jako element działania AI Mode: zapytanie jest dzielone na podtematy, dla każdego uruchamiana jest osobna kwerenda, a wyniki trafiają do modelu jako materiał źródłowy. Podobnie działają Perplexity i tryby wyszukiwania w ChatGPT.
Powód jest praktyczny. Pytanie w stylu „czy warto migrować sklep na headless w 2026″ nie ma jednej dobrej odpowiedzi w jednym dokumencie. Potrzebne są koszty wdrożenia, wpływ na wydajność, wymagania zespołu, ryzyka SEO i przykłady wdrożeń. Model, który przeszukałby tylko frazę dosłowną, dostałby zbiór tekstów marketingowych. Model, który rozbije pytanie na pięć wątków, dostanie pięć różnych typów źródeł i zbuduje z nich odpowiedź, która brzmi kompetentnie.
Dla wydawcy oznacza to zmianę jednostki konkurencji. Nie konkurujesz o zapytanie, tylko o pojedyncze podzapytanie. Cytowanie zdobywa ten fragment, który najczyściej odpowiada na jedną wąską rzecz. Jeśli nie znasz jeszcze siatki pojęć wokół tego tematu, warto zacząć od zestawienia definicji w naszym słowniku AIO, bo dalej pojawią się terminy takie jak grounding czy retrieval.
Jak odtworzyć podzapytania własnym promptem
Nie masz dostępu do wewnętrznego fan-outu Google, ale możesz go przybliżyć z zaskakującą dokładnością. Modele generują podzapytania według dość przewidywalnych wzorców: definicja, sposób działania, koszt, porównanie, ryzyka, wymagania wstępne, kroki wdrożenia, dowody.
Najprostsza procedura wygląda tak. Weź swoją frazę główną, wklej ją do dwóch różnych modeli i poproś każdy o wygenerowanie 15 podzapytań, które musiałby wykonać, żeby odpowiedzieć wyczerpująco. Poproś dodatkowo o oznaczenie, które z nich są krytyczne, a które opcjonalne. Powtórz to samo dla trzech sformułowań tej samej intencji, bo użytkownicy pytają różnie: raz rzeczowo, raz potocznie, raz w formie problemu.
Z trzech przebiegów w dwóch modelach dostaniesz zwykle 60 do 90 propozycji, z czego po odsianiu duplikatów zostaje 20 do 30 realnych wątków. To jest Twoja mapa. Kluczowa obserwacja: podzapytania powtarzające się w każdym przebiegu to rdzeń, którego pominięcie praktycznie wyklucza cytowanie. Te, które pojawiły się raz, to okazje, bo prawie nikt ich nie pokrywa.
Warto też zajrzeć do sekcji „ludzie pytają również”, do podpowiedzi wyszukiwarki i do forów branżowych. Podzapytania wygenerowane przez model bywają zbyt książkowe, a realni użytkownicy pytają o rzeczy przyziemne: ile to trwa, czy da się cofnąć, co jeśli mam stary system.
Mapowanie podzapytań na sekcje artykułu
Mając listę wątków, przypisz każdemu z nich jedną decyzję: pokrywam w tym tekście, pokrywam w osobnym tekście, pomijam. Wątki oznaczone jako „pokrywam tutaj” stają się nagłówkami H2 lub H3. Zasada jest prosta: jedno podzapytanie to jedna sekcja z własnym nagłówkiem i własną odpowiedzią, która działa bez kontekstu reszty artykułu.
Ten ostatni warunek jest najczęściej łamany. Autorzy piszą sekcje, które zaczynają się od „jak wspomnieliśmy wyżej” albo „w takim przypadku”. System retrievalu wycina fragment z otoczenia, więc taki akapit trafia do modelu jako urwane zdanie bez podmiotu. Fragment, który nie broni się samodzielnie, nie zostanie użyty, nawet jeśli merytorycznie jest najlepszy na rynku. Mechanikę tego wycinania opisaliśmy szczegółowo w tekście o tym, jak działa RAG w wyszukiwarkach AI.
Praktyczna reguła: nagłówek sekcji powinien dać się przeczytać jako odpowiedź na pytanie, a pierwsze zdanie pod nim powinno tę odpowiedź zawierać w całości, łącznie z powtórzeniem podmiotu. Zamiast „zwykle trwa to 2–3 tygodnie” napisz „migracja katalogu produktowego trwa zwykle 2–3 tygodnie”.
Jedna strona czy kilka: kiedy rozbić temat
Częste pytanie brzmi: skoro model i tak składa odpowiedź z fragmentów, czy lepiej zrobić jeden ogromny tekst pokrywający wszystko, czy dziesięć osobnych?
Odpowiedź zależy od tego, czy podzapytania dzielą kontekst. Jeśli wątki są wariantami tego samego problemu i czytelnik realnie potrzebuje ich razem, jeden tekst wygrywa, bo model widzi spójny dokument i chętniej traktuje go jako źródło całościowe. Jeśli natomiast wątek ma własną intencję i własnych odbiorców, zasługuje na osobny URL.
| Sytuacja | Rekomendacja |
|---|---|
| Podzapytanie ma własny wolumen i inną intencję | Osobny artykuł, link z tekstu głównego |
| Podzapytanie to doprecyzowanie głównego wątku | Sekcja H2 w tym samym tekście |
| Wątek wymaga więcej niż 400 słów, by mieć sens | Osobny artykuł |
| Wątek zamyka się w tabeli lub liście | Sekcja w tekście głównym |
| Ten sam wątek już masz na innej stronie | Nie duplikuj, rozbuduj istniejącą |
Ostatni wiersz jest ważniejszy, niż wygląda. Rozbijanie fan-outu na wiele stron bez planu prowadzi wprost do sytuacji, w której dwa Twoje teksty walczą o to samo podzapytanie i żaden nie wygrywa. To klasyczna kanibalizacja, tylko przeniesiona na poziom fragmentów zamiast całych URL-i.
Format sekcji, który wygrywa pojedyncze podzapytanie
Fragmenty cytowane przez modele mają powtarzalną budowę. Po analizie odpowiedzi generatywnych widać cztery cechy, które wracają regularnie.
- Odpowiedź w pierwszym zdaniu. Bez rozbiegu, bez wprowadzenia historycznego, bez zdania o tym, jak ważny jest temat.
- Konkret liczbowy lub warunek. Zakres czasowy, próg kosztowy, wymaganie techniczne. Liczby czynią fragment weryfikowalnym i zwiększają szansę, że model go wybierze zamiast ogólnika konkurencji.
- Samodzielny podmiot. Nazwa narzędzia, procesu albo bytu powtórzona w zdaniu, żeby fragment nie zależał od nagłówka.
- Zwięzłość. 40 do 80 słów na odpowiedź rdzeniową, reszta rozwinięcia poniżej.
Osobna kwestia to dostępność treści dla systemu pobierającego. Fragment za logowaniem albo za miękkim paywallem bywa niewidoczny dla części crawlerów, co szczegółowo rozbieramy w analizie o tym, co model widzi za paywallem. Najlepiej napisana sekcja nie pomoże, jeśli nie zostanie pobrana.
Przykład: rozbicie zapytania zakupowego
Weźmy pytanie: „jakie narzędzie do monitoringu widoczności w AI wybrać dla agencji”. Fan-out wygenerowany na dwóch modelach dał między innymi takie wątki: czym różni się monitoring AI od klasycznego rank trackingu, jakie modele są w ogóle monitorowane, jak często odświeżane są dane, ile kosztuje obsługa 50 klientów, czy da się eksportować dane do własnego raportu, jak weryfikowana jest wiarygodność wyników, czy narzędzie pokazuje źródła cytowań, jakie są alternatywy open source.
Zauważ, że tylko dwa z tych wątków dotyczą ceny i funkcji, czyli tego, o czym pisze większość stron porównawczych. Reszta to metodologia, częstotliwość i integracje. Strona, która pokryje wyłącznie cennik, przegra z tą, która odpowie na pytanie o częstotliwość odświeżania, bo to podzapytanie ma jednego, może dwóch konkurentów.
Praktyczny wniosek: w każdym fan-oucie są wątki nasycone i wątki puste. Nasycone to definicje i ceny, tam wygrywają duzi. Puste to metodologia, ograniczenia, przypadki brzegowe i procedury weryfikacji. Tam wygrywa ten, kto w ogóle napisał. Różnice w sposobie składania odpowiedzi między poszczególnymi trybami wyszukiwania omawiamy w porównaniu AI Mode i AI Overviews, bo to samo podzapytanie może w nich dać inne cytowania.
Jak mierzyć pokrycie fan-outu
Bez pomiaru cała procedura zamienia się w zgadywanie. Minimalny zestaw metryk, który da się policzyć bez dedykowanego narzędzia, wygląda następująco.
- Współczynnik pokrycia. Liczba podzapytań z listy rdzeniowej, na które tekst odpowiada wprost, podzielona przez liczbę wszystkich rdzeniowych. Poniżej 60 procent tekst zwykle nie wchodzi do odpowiedzi złożonych.
- Test wyrwanego fragmentu. Skopiuj pojedynczą sekcję bez nagłówka i bez reszty artykułu, wklej do modelu i zapytaj, na jakie pytanie odpowiada. Jeśli model nie potrafi tego odtworzyć, sekcja nie nadaje się do cytowania.
- Udział cytowań. Zadaj 20 wariantów zapytania w trzech systemach i policz, w ilu odpowiedziach pojawia się Twoja domena. Powtarzaj co miesiąc na tej samej liście, bo tylko trend ma sens interpretacyjny.
- Luka konkurencyjna. Dla podzapytań, w których cytowany jest ktoś inny, sprawdź, czy w ogóle masz na nie odpowiedź. Najczęstsza przyczyna braku cytowania to brak treści, nie gorsza treść.
Warto też pilnować podstaw technicznych, bo one warunkują wszystko powyższe. Zalecenia dotyczące treści w funkcjach AI opisuje dokumentacja Google Search Central, a definicje samych mechanizmów pobierania i generowania znajdziesz w opisie retrieval-augmented generation.
Podsumowanie
Query fan-out przesuwa punkt ciężkości optymalizacji z frazy na wątek. Zamiast pytać, czy artykuł jest dobrze zoptymalizowany pod słowo kluczowe, pytaj, ile z kilkunastu podzapytań realnie pokrywa i czy każda z tych odpowiedzi obroni się wyrwana z kontekstu. Procedura jest powtarzalna: wygeneruj podzapytania w dwóch modelach, odsiej duplikaty, zdecyduj o podziale na strony, napisz sekcje samodzielne i policz pokrycie. Największe zyski leżą w wątkach, których nikt nie pokrył, a nie w kolejnym akapicie o definicji.
FAQ
Ile podzapytań generuje typowy fan-out?
W obserwowanych odpowiedziach generatywnych liczba waha się zwykle od 5 do kilkunastu, zależnie od złożoności pytania. Proste zapytania definicyjne rozbijane są na 3–5 wątków, pytania decyzyjne i porównawcze potrafią wygenerować 12–20 podzapytań.
Czy da się zobaczyć realne podzapytania Google?
Nie ma publicznego interfejsu, który pokazuje wewnętrzny fan-out AI Mode. Można go jednak przybliżyć, generując podzapytania w kilku modelach i uzupełniając listę o sekcję „ludzie pytają również” oraz podpowiedzi wyszukiwarki. Zbieżność między niezależnymi przebiegami jest wysoka na wątkach rdzeniowych.
Czy dłuższy tekst zawsze pokrywa więcej podzapytań?
Nie. Pokrycie zależy od liczby odrębnych, samodzielnych odpowiedzi, a nie od liczby słów. Tekst na 3000 słów rozwijający jeden wątek pokrywa mniej niż tekst na 1500 słów zbudowany z ośmiu zwięzłych sekcji, z których każda odpowiada na inne pytanie.
Co zrobić, gdy dwa moje artykuły odpowiadają na to samo podzapytanie?
Wybierz jeden jako docelowy dla tego wątku, rozbuduj w nim odpowiedź, a w drugim skróć ją do jednego zdania i podlinkuj do wersji głównej. Utrzymywanie dwóch równorzędnych odpowiedzi rozprasza sygnały i obniża szansę, że którakolwiek zostanie zacytowana.
Jak często aktualizować mapę podzapytań?
Dla tematów stabilnych wystarczy przegląd co pół roku. Dla obszarów szybko zmiennych, jak narzędzia AI czy regulacje, sensowny jest kwartał, ponieważ modele zaczynają generować nowe wątki wraz z pojawieniem się nowych funkcji i pojęć na rynku.