Query fan-out: как нейросеть размножает ваш запрос

Модель не ищет по той фразе, которую написал человек. Она разбирает вопрос на смысловые части и запускает несколько поисков сразу, по одному на каждую часть, а потом собирает ответ из найденных фрагментов. Попасть в такой ответ означает оказаться среди источников по каждой части вопроса. Первое место по одному ключу этого больше не дает.

Понимать механику стоит по двум причинам. Первая: планировать материалы приходится под набор строк, которые модель придумывает сама, и частотность одной фразы перестает быть ориентиром. Вторая: эти строки видно. Они лежат в ответе сервера, и вытащить их можно за пять минут без навыков разработчика. Если общего контекста пока нет, начните с материала о том, что такое GEO и чем оно отличается от SEO, а сюда вернитесь за механикой.

Что происходит между вопросом и ответом

Схема ниже восстановлена по документации платформ, наблюдениям за трафиком и разбору сетевых запросов. Точный алгоритм не публикует ни один разработчик, так что читать ее стоит как реконструкцию, а не как выкопированный кусок исходного кода.

Первый шаг: разбор вопроса. Модель выделяет намерение и сущности, о которых идет речь, и раскладывает вопрос на подтемы. Дальше идет поиск по каждой подтеме - в собственном индексе, у поискового партнера или напрямую на сайтах, в зависимости от платформы.

Второй шаг: отбор. Найденное не подставляется в ответ целиком. Модель режет страницу на фрагменты по 200-500 условных единиц текста, переводит каждый в числовое представление, сравнивает с вопросом и забирает в работу только самые близкие. Такой подход называют RAG: модель отвечает, подставляя найденное. Для владельца сильного домена новость неприятная: за место в ответе спорят абзацы, а не сайты. Ваш абзац соревнуется с чужим напрямую, даже если сосед по выдаче старше и жирнее.

Третий шаг: отобранное выстраивается по соответствию вопросу и доверию к источнику. Четвертый: модель собирает ответ из фрагментов и иногда называет источники, а иногда обходится без них.

Главная разница с поиском тут и лежит. В поиске единица - страница, и цель понятная: попасть в верх выдачи. Здесь единица - ответ, и цель другая: попасть в текст, который человек прочитает вместо выдачи. Модель работает как сборщик результатов нескольких поисков подряд. То, что человек делал бы руками полчаса, открывая вкладку за вкладкой, собирается за один заход.

Зачем модель размножает запрос

Прием называют query fan-out, размножение запроса. Один вопрос разбивается на подзапросы, по каждому подбирается лучший материал, результаты соединяются в один текст. Чтобы оказаться в ответе, нужно быть источником по всем сторонам темы. Сильная страница по главной фразе закрывает одну сторону из пяти.

Ищется при этом контекст и подтверждения, а не совпадение слов. Материал, устроенный как ответ на вопрос, выигрывает у материала, устроенного как страница под запрос. Разница видна на уровне абзаца: там, где вместо ответа стоит обещание ответа, извлекать нечего.

Сколько подзапросов приходится на один вопрос - вопрос честный, и цифры расходятся. В одних наблюдениях модель раскрывает промпт в 2-3 поиска. В других запускается десять и больше одновременно. В третьих речь идет о десятках подзапросов на сложный вопрос. Разброс объясняется тем, что меряли: короткий вопрос без условий, вопрос с ограничениями или задачу на сравнение нескольких решений. Планировать материалы стоит по верхней границе. Если готовиться к трем подзапросам, а модель запустит двадцать, семнадцать частей темы закроет кто-то другой.

Наборы подзапросов устроены похоже от ниши к нише. Часть строк уточняет саму сущность, часть тянет цифры по ценам и срокам, часть проверяет репутацию через отзывы и разборы неудач. Отдельно идут условия из самого вопроса: город, потолок бюджета, график, требования к оплате. Разложить свою тему по этим направлениям можно до всякого разбора сетевых запросов, и половина списка совпадет с тем, что модель придумает сама. У сервиса доставки в Алматы и у клиники в Ташкенте направления одни и те же, разойдутся формулировки внутри них.

Фоновый поиск идет не под каждый вопрос. Модель отвечает из памяти, если тема не требует свежих данных. Но по брендовым и коммерческим темам поиск запускается почти всегда: по одному отслеживаемому бренду фоновые запросы шли в 85 обращениях из ста. Про то, откуда модели берут источники, есть отдельный материал. Здесь важна одна деталь: под каждый подзапрос собирается свой набор источников, и наборы между собой почти не пересекаются. Собираются они чаще с чужих площадок: по разбору вертикалей 60-70% цитирований приходится на форумы, отзывы и материалы изданий, а сайт компании подтягивается следом, как подтверждение.

Второе следствие меняет способ измерять результат. Большая часть подзапросов не приносит переходов вообще: фрагмент попал в сборку ответа, человек прочитал текст и никуда не пошел. Цифры вокруг этого уже собраны. По замеру SparkToro около 68% поисков в Google заканчиваются без клика. Ahrefs на своей выборке зафиксировал падение кликов на 58% там, где над выдачей стоит AI-блок. У издателей, по данным Chartbeat, на переходы из AI-источников приходится меньше процента просмотров.

Отсюда оценка соотношения: видимая часть влияния - около 16% запросов, где человек уже выбрал и кликает. Остальные 84% приходятся на стадию, где он формулирует задачу и сравнивает варианты, и в отчете по трафику ее не видно. Показательный случай: магазин отдал в модель товарный фид от торговых кампаний, трафик из источника вырос на 133% за сутки, кликает меньше процента увидевших. Переходов почти нет, а контакт с товаром получают десятки тысяч человек. Поэтому переходы перестали быть главным показателем, а на их место встают упоминания и цитирования.

Почему вопрос к модели длиннее поискового запроса

Разбор 13 тысяч разговоров с ChatGPT дал среднюю длину промпта около 350 слов против примерно 5 слов в поисковой строке Google. Цифра красивая, и ее охотно перепечатывают. Только другой замер дает около 25 слов на промпт, третий - 27 слов, четвертый опускает планку до 8 слов на запрос. Пятый описывает разницу мягче всех: промпт длиннее привычного ключа примерно в пять раз. Расхождение между крайними оценками сорокакратное.

Объясняется оно методикой. Где-то считали весь разговор целиком, вместе с уточнениями, пересланными кусками текста и правками задачи. Где-то - отдельное сообщение. Где-то - только первый вопрос, с которого разговор начался. А где-то в выборку попали короткие уточнения вроде «а дешевле?», которые тянут среднее вниз. Все цифры честные, меряли разное.

Для плана материалов важен порядок величины, а не точное число. Человек пишет модели в разы больше, чем набирает в поисковой строке. Запросы в режиме AI-поиска втрое длиннее обычных, и это нижняя оценка разницы.

Разница видна на паре формулировок. В поиск человек несет обрывок фразы: «стоматология Ташкент». Модели он приносит задачу целиком: «ищу стоматологию в Ташкенте, нужна имплантация, бюджет до 2000 долларов, важно чтобы принимали в выходные и была рассрочка». В первом случае извлекается одно намерение. Во втором - намерение плюс четыре условия, и каждое условие модель может превратить в отдельный подзапрос.

Рабочий вывод простой: материал, который отвечает на условие, обходит материал с общим обзором. Страница «имплантация в Ташкенте» проигрывает разделу «имплантация в рассрочку с приемом в выходные», хотя по частотности второй фразы нет никакого спроса.

Дальше формулировки станут подробнее, потому что вопрос все чаще задает агент от имени человека. Запрос «нужен бухгалтер» разворачивается в описание клиента целиком: ресторан на двенадцать сотрудников в Алматы, оборот 1,8 миллиона долларов, учет ведется в Xero, встречи очные. Ни одного слова из такой формулировки в базе частотности нет. Материал, где разобран учет для ресторана на Xero, попадет в ответ, а страница «бухгалтерские услуги» останется в стороне.

И тут же возможность, которую пока мало кто разрабатывает. Хвост вопросов к моделям длиннее поискового: люди спрашивают то, чего раньше не искали, потому что в поисковую строку такое не помещалось. Конкуренции по таким формулировкам почти нет.

Как увидеть подзапросы своими глазами

Все предыдущее - реконструкция по косвенным признакам. Эта часть другая: строки подзапросов приходят в браузер вместе с ответом, и увидеть их можно в панели разработчика. Порядок ниже описан для веб-версии ChatGPT по состоянию на июль 2026. Интерфейс меняется без предупреждения, так что перед тем, как строить на этом рабочий процесс, пройдите шаги на своей машине.

• Скопируйте идентификатор разговора из адресной строки. Это набор символов после сегмента с буквой c.
• Откройте инструменты разработчика: клавиша F12 в Windows, сочетание Cmd + Option + I в macOS. Перейдите на вкладку сетевых запросов.
• Задайте вопрос заново, при открытой панели. Запросы, прошедшие до открытия, там не появятся.
• Впишите скопированный идентификатор в поле фильтра. Останется несколько строк вместо сотен.
• Найдите в ответе сервера поле с запросами. В разных сборках интерфейса оно называется по-разному: встречается queries и search_model_query. Внутри лежат строки, которые модель отправила в поиск, пока готовила ответ.

Полученные формулировки идут в план материалов как есть: заголовками разделов, адресами страниц, первыми предложениями. Логика прямая - модель уже показала, по каким строкам она ходит в поиск, и в следующий раз пойдет по ним же. Прием называют обратной разборкой размножения запроса: под каждую вариацию готовится свой материал, чтобы заявок на одно место было несколько.

Ограничения приема стоит знать заранее. Интерфейсы меняются без предупреждения, поле переименовывают или прячут. У разных платформ устройство ответа разное, и то, что видно в одной, в другой может не показываться. Часть подзапросов обрабатывается на стороне сервера и в браузер не приходит вообще. Так что снятый список показывает срез, и какая-то часть строк в него не попадет.

Тем, кто в панель разработчика не полезет, остаются два открытых источника формулировок. Первый: уточняющие вопросы, которые модель задает перед ответом. По ним видно, каких условий ей не хватило. Второй: блок смежных вопросов под ответом Perplexity, где показаны формулировки в том виде, в каком система их обрабатывает.

Самый быстрый заход занимает десять минут и не требует ничего, кроме браузера. Откройте ChatGPT без входа в аккаунт, чтобы история разговоров не влияла на ответ, и задайте вопрос про свою нишу, а следом про свою компанию. По ответу видно две вещи: знает ли модель компанию вообще и на какие источники она опирается, когда рассказывает о таких услугах. Список этих источников и есть площадки, где вас пока нет.

Отдача от такой работы измерима. В опубликованном кейсе агентства связка из двух частей - перестройка материалов под подзапросы и рассылка по площадкам, которые модели цитируют, - дала около 341% возврата вложений на кампанию.

Посмотреть механику - работа на пять минут. Перестроить под нее весь план материалов, разложить темы на десятки подзапросов и закрыть каждый отдельным разделом - работа на месяцы, и в одиночку она почти не двигается. Если такую перестройку нужно сделать быстро, этим занимается перестройка контента под подзапросы в HITZ Agency.

Что это меняет в подборе тем

Частотность одного ключа перестает быть ориентиром. Подзапросы генерирует машина, человеческого спроса у большинства из них нет, и в базе частотности они не появятся никогда. Ориентироваться на цифру напротив главной фразы - значит планировать под один поиск из двадцати.

Вместо материала под ключ собирается группа материалов под тему. Тема закрывается целиком, кластер за кластером, и вопрос к плану меняется. Раньше спрашивали: ранжируется ли страница по фразе. Теперь: закрывает ли сайт весь путь ответа - от первого уточнения до последнего условия.

Проверить план можно грубо, за один вечер. Выпишите главную тему, разложите ее на десять-пятнадцать вопросов, которые человек задаст перед покупкой, и найдите на сайте абзац с ответом на каждый. Пустые строки и есть части темы, по которым в ответ пойдет чужой материал. У большинства сайтов их набирается больше половины: очевидное закрыто, а условия и сомнения покупателя не разобраны нигде.

Отдельная точка входа - вопросы формата «лучший инструмент для такой-то задачи». Их задают до того, как узнали ваш бренд, и по ним модель формирует короткий список претендентов. Если вас нет в материалах, откуда собирается такой список, дальше вы не участвуете.

Блок вопросов и ответов работает тут лучше, чем кажется. Человек может не искать вашу главную тему вообще, но спросить о смежном: сколько это занимает времени, что делать при отказе, чем одно отличается от другого. Такие формулировки и есть подзапросы вокруг темы.

Два опубликованных случая показывают, как выглядит попадание через сторону темы, которую сайт своей не считал.

Первый: сервис определения посетителей сайта стоял внизу чужой подборки из семи компаний. Подборку переписали, добавили несколько участников и поставили сервис первым. Страница ушла в AI-блок и на вторую строку обычной выдачи. Заявки при этом приносит чужой материал со сравнением, а собственный сайт сервиса остается в стороне.

Второй случай показателен обратной стороной. Для проверки механики придумали бренд чая матча без сайта и без единой своей страницы, а затем опубликовали три подборки с ним в тройке лидеров на сторонних площадках, которые модели цитируют по другим темам. Через два дня выдуманный бренд набрал около 15% упоминаний наравне с настоящими. Наличие сайта тут ничего не решает: собирается то, что написано о вас в местах, куда модель ходит за ответами.

На практике одна страница под каждый подзапрос - перебор, который расползется в сотни тонких материалов. Рабочая единица - раздел. Один подзапрос - один раздел с заголовком-вопросом внутри крепкого материала. Где брать сами вопросы, разобрано отдельно: где брать вопросы, под которые пишут разделы.

Как под это писать разделы

Из механики следуют три требования к разделу. Все три о том, легко ли из него вырезать ответ.

Первое: последовательность внутри блока. Вопрос, короткий ответ, объяснение. В таком порядке, потому что фрагмент вырезается по границе смысла, и если ответ спрятан в середине абзаца, вырезать будет нечего.

Второе: одна тема на материал. Когда в тексте перемешаны три темы, модель не определяет, что цитировать, и не цитирует ничего. Материал целиком проходит мимо.

Третье: аккуратность с приемами, которые держат человека на странице. Длинные вступления, игривые подзаголовки, накрученный объем - все это работает против разбора. Текст, который удерживает читателя, и текст, из которого удобно вырезать фрагмент, тянут в разные стороны. Выбирать приходится осознанно.

Есть и оценка объема. Разбор 7 тысяч запросов показал, что текст, который Google берет для обоснования ответа, выходит на плато около 540 слов: дальше добавленное в ответ уже не попадает. Страницы за 2 тысячи слов дают убывающую отдачу, потому что ядро ответа размывается длинными подводками. Отсюда рабочая мера: открывать раздел ответом на 50-70 слов, а объяснение разворачивать под ним.

Что повышает шанс цитирования по разбору Принстонского университета: полнота темы, ясная структура, конкретика в цифрах, указание источников, понятная сущность бренда. Разбор реконструирует факторы по поведению моделей, платформы их не подтверждали.

Правила письма на уровне абзацев и фраз - тема отдельного материала: как устроен раздел, который забирают в ответ.

Чего мы не видим

Как модель делит вопрос, снаружи не видно. В сетевых запросах видны следы решения - готовые строки, - но не логика, по которой модель их составила. Почему из вопроса про имплантацию вышли отзывы, а не гарантии на работу, снаружи не определить.

Фиксированного алгоритма поиска у моделей нет. Разбиение меняется от вопроса к вопросу, от версии к версии и от загрузки серверов. Тот же вопрос через неделю даст другой набор строк.

Трекеры видимости эту дыру не закрывают. Сравнение четырех десятков таких сервисов показало общую слабость: ChatGPT и Gemini не отдают наружу данные о запросах пользователей, поэтому инструменты гоняют собственные придуманные вопросы. Позиция, которую они показывают, относится к их боту, а не к вашему покупателю.

Персонализация добавляет разброса. У двух человек с одинаковым вопросом наборы подзапросов разойдутся: влияет история разговоров, язык, страна, платформа. Список, снятый на своей машине, - ваш срез, а не общая правда.

Факторы отбора реконструированы исследованием, а не подтверждены платформами. Авторитет домена и автора, извлекаемость структуры, смысловая плотность, проверяемость утверждений, свежесть - набор выведен из наблюдений за поведением моделей, и вес каждого фактора неизвестен.

Вывод из этого трезвый. Механика дает принцип планирования и не дает рычага управления. Гарантировать попадание в конкретный подзапрос нельзя, потому что подзапрос придумывает машина в момент ответа. Кто такое обещает, обещает то, чего не контролирует, - об этом подробнее в материале про то, какие обещания в GEO невыполнимы.

Коротко

• Модель разбирает вопрос на части, ищет по каждой отдельно и собирает ответ из фрагментов разных сайтов.
• Число подзапросов на один вопрос колеблется в замерах от 2-3 до нескольких десятков, планировать стоит по верхней границе.
• Замеры длины промпта расходятся от 8 до 350 слов, потому что считали разное: разговор целиком, отдельное сообщение или первый вопрос. Порядок величины важнее точной цифры.
• Строки подзапросов лежат в ответе сервера, их достают через панель разработчика за пять минут и используют как заголовки разделов.
• Единица планирования смещается с одной страницы под ключ на набор разделов, закрывающих тему со всех сторон.
• Правило деления вопроса закрыто, наборы подзапросов у разных людей расходятся, и гарантировать попадание в конкретную строку нельзя.

Частые вопросы

Что такое query fan-out простыми словами?

Это механика, при которой поисковая система с моделью разбирает один вопрос на несколько поисковых запросов и запускает их одновременно. По каждому подзапросу подбираются свои источники, потом фрагменты соединяются в один ответ. Название переводится как размножение запроса. Для сайта это значит, что попадание в ответ идет через несколько разных строк, а не через одну главную фразу.

Сколько подзапросов создает нейросеть из одного вопроса?

Замеры расходятся. По одним наблюдениям модель раскрывает промпт в 2-3 запроса, по другим запускает десять и больше одновременно, на сложных вопросах счет идет на десятки. Разница зависит от длины вопроса, количества условий в нем и типа задачи: сравнение решений дает больше подзапросов, чем запрос определения. Готовить материалы стоит с запасом, по верхней оценке.

Как посмотреть, что искал ChatGPT при ответе на мой вопрос?

Возьмите из адреса страницы идентификатор нужного разговора, откройте панель разработчика на вкладке сетевых запросов, повторите вопрос и отфильтруйте список по этому набору символов. В ответе сервера найдите поле с запросами: там лежат строки, ушедшие в поиск. Описано для веб-версии на июль 2026, интерфейсы меняются, часть подзапросов остается на стороне сервера.

Почему частотность ключевых слов не работает для AI-поиска?

Потому что строки для поиска составляет модель в момент ответа. Спроса на такие формулировки почти нет, в базы частотности они не попадут. Сама частотность никуда не делась и работает там, где человек набирает запрос руками. Для ответов моделей ориентиром служит набор подзапросов вокруг темы.

Насколько вопросы к нейросети длиннее поисковых запросов?

Замеры расходятся: от 8 слов на отдельный запрос до 350 слов на разговор целиком, тогда как в строке поиска Google это около 5 слов. Разброс объясняется методикой: в одной выборке считали разговор целиком с уточнениями, в другой отдельное сообщение, в третьей первый вопрос. Промпт в AI-режиме длиннее привычного запроса втрое, и это нижняя оценка.

Нужно ли делать отдельную страницу под каждый подзапрос?

Нет, иначе сайт расползется на сотни тонких страниц, каждая из которых слабо отвечает на свой вопрос. Рабочая единица меньше: раздел с заголовком-вопросом внутри полного материала по теме. Каждой части вопроса отводится свой раздел, где ответ стоит в первых строках. Тема закрывается целиком, и модель находит подходящий фрагмент под любую из частей.