Sådan sporer du alle fan-out-forespørgsler på én gang i AmICited

Fan-out-forespørgslerne, som AmICited opdager for en prompt, er ægte spørgsmål, som AI-motorer undersøger — så de er værd at spore i sig selv. Knappen Spor alle prompts omdanner hele fan-out-sættet til overvågede prompts med ét klik.

Hvad er query fan-out?

Når du skriver et spørgsmål ind i ChatGPT, Perplexity, Gemini eller en Google AI Overview, svarer motoren sjældent ud fra den ene sætning alene. I stedet omskriver den i det stille din prompt til en række beslægtede underforespørgsler, kører research mod hver enkelt og syr resultaterne sammen til det svar, du ser. Denne nedbrydningsproces kaldes query fanout — én enkelt brugerprompt “fanner ud” i alt fra en håndfuld til flere dusin snævrere spørgsmål, hvor hvert af dem undersøger en anden vinkel: en definition, en sammenligning, et prispunkt, et anvendelsesscenarie, et konkurrentnavn.

Det har betydning for din synlighed i AI-søgning, fordi citater ikke kun opstår på niveau med den oprindelige prompt — de opstår på niveau med hver eneste underforespørgsel, motoren genererer undervejs. Et brand, der er usynligt i svaret på “bedste projektstyringssoftware”, kan sagtens blive citeret i en af de fan-out-underforespørgsler, der fodrer det svar, som fx “projektstyringssoftware til distribuerede teams” eller “sammenligning af priser på projektstyringssoftware”. Omvendt garanterer en god placering på den overordnede prompt ikke dækning på tværs af de underforespørgsler, en motor udforsker under den. Hvis du kun sporer de prompts, du oprindeligt fandt på at skrive, går du glip af det egentlige researchspor, AI-modellen fulgte for at konstruere sit svar.

Det er også derfor, generativ engine-optimering behandler prompt-sæt anderledes end traditionelle nøgleordslister. En nøgleordsliste er statisk og udvalgt af en marketingmedarbejder; et fan-out-sæt er dynamisk og udvalgt af selve AI-motoren, hvilket betyder, at det afspejler, hvordan modellen faktisk ræsonnerer om et emne lige nu. At spore disse underforespørgsler giver dig et mere ærligt billede af, hvor dine huller i AI-synlighed reelt ligger, fordi du måler mod de spørgsmål, motorerne faktisk stiller — ikke bare dem, du selv gik ud fra, at de ville stille.

AmICited fremviser automatisk dette fan-out-sæt for hver prompt, du sporer, og giver dig derefter en direkte vej til at omdanne alle eller udvalgte af disse underforespørgsler til dine egne prompts — hvilket er, hvad resten af denne guide handler om.

Sådan finder du det

På panelet Fan-out-forespørgsler på en promptdetalje-side. Åbn en hvilken som helst sporet prompt, og dette panel viser de underforespørgsler, AmICited har identificeret som en del af den prompts researchspor. Du har to muligheder for at omdanne dem til sporede prompts:

• Spor alle prompts (N) — knappen i panelets header tilføjer alle fan-out-forespørgsler som spores prompts på én gang (tallet viser hvor mange).
• + Spor — knappen for enden af hver række tilføjer kun den enkelte underforespørgsel.

Når de er tilføjet, viser rækkerne en ✓ Sporet-status, så du med ét blik kan se, hvad der allerede overvåges, og hvad der stadig blot er en opdaget-men-usporet forespørgsel. Det gør, at panelet også fungerer som en løbende revision af din prompt-dækning for det emne: alt uden et flueben er et spørgsmål, motorerne undersøger, som du endnu ikke holder øje med.

Hvad det måler

Hver fan-out-forespørgsel bliver, når den først er sporet, til en fuld prompt i din AmICited-konto — hvilket betyder, at den får sin egen kørselshistorik, sine egne citationsresultater på tværs af motorer og sit eget bidrag til din samlede share of voice . I stedet for at udlede din placering på en underforespørgsel indirekte via den overordnede prompts resultat, får du en direkte, motor-for-motor-vurdering af, om dit brand bliver citeret for netop den vinkel.

Det er her, fan-out-sporing betaler sig over tid. En enkelt overordnet prompt kan udvide sig til underforespørgsler om priser, integrationer, alternativer og anvendelsesegnethed. Hvis dit brand dukker pålideligt op på vinklerne “alternativer” og “integrationer”, men falder ud af “priser” og “anvendelsesegnethed”, er det et konkret, handlingsorienteret mønster — du ved præcis, hvilken type indhold eller side der underforsyner AI-motorerne, i stedet for blot at vide, at din synlighed på emnet generelt er middelmådig. Sporet i stor skala på tværs af mange prompts fungerer fan-out-underforespørgsler som en AI-rangsporing for den lange hale af spørgsmål under dine kerneemner — det lag af specificitet, der som regel er usynligt, hvis du kun overvåger de prompts, du selv fandt på.

Sådan bruger du det

1. Gennemgå listen først. Skim fan-out-forespørgslerne og deres type-tags — de fleste vil være relevante, men du kan tilføje dem selektivt med den enkelte rækkes + Spor, hvis du kun vil have nogle. Det er værd at gøre bevidst frem for reflektorisk at spore alt: en underforespørgsel, der kun er perifert relateret til din forretning, vil udvande dit prompt-sæt med støj frem for signal.
2. Spor alle for fuld dækning. Hvis prompten er vigtig — en kernekategori for dit produkt, et konkurrenceudsat søgeord, et højintentionelt købsspørgsmål — giver tilføjelse af hele sættet dig indsigt i alle de vinkler, motorer udforsker omkring den, ikke kun den, du tilfældigvis skrev. Det er den hurtigste vej fra en enkelt håndplukket prompt til et reelt omfattende AI-prompt-sporingssæt for det emne.
3. Indstil deres tidsplan og motorer bagefter i Prompts-tabellen. De nye prompts arver fornuftige standardindstillinger, men du kan justere dem samlet med massehandlinger — for eksempel ved at stramme kørselsfrekvensen for en klynge af højværdi-underforespørgsler eller tilpasse, hvilke motorer de tjekkes mod resten af dit sæt.
4. Hold øje med din kvote. Tilføjelse af mange prompts øger antallet af kørsler, du bruger, så spor fan-out-sættene for dine mest værdifulde prompts først, og brug den enkelte rækkes + Spor som dit filter til lavere prioriterede emner, hvor fuld dækning ikke er kørselsbudgettet værd.

Hvorfor dette lukker et reelt hul i overvågningen af AI-synlighed

De fleste teams, der begynder at overvåge synlighed i AI-søgning , starter med en promptliste bygget på gætværk — en håndfuld spørgsmål, som nogen i teamet antager, at kunder eller AI-motorer ville stille. Den liste er et fornuftigt udgangspunkt, men den er iboende begrænset af, hvad et menneske fandt på at skrive ned. Sporing af query fan-out erstatter gætværk med observeret adfærd: i stedet for at forestille dig, hvad en motor måske undersøger, ser du direkte på, hvad den faktisk undersøgte, sidste gang den besvarede en prompt, du interesserer dig for.

At gøre dette konsekvent ændrer også, hvordan du læser dine citationsdata. En enkelt sporet prompt giver dig ét datapunkt pr. motor pr. kørsel. En fuldt sporet fan-out-klynge giver dig et lille datasæt — nogle gange et dusin eller flere beslægtede forespørgsler — som du kan læse som et mønster. Det mønster er langt mere nyttigt til at diagnosticere, hvorfor AI Overviews eller ChatGPT citerer en konkurrent i stedet for dig: det fortæller dig, om hullet er emnemæssigt (du mangler indhold på én specifik vinkel) eller strukturelt (dit indhold findes, men bliver ikke udvalgt som kilde på tværs af linjen).

Hvor du skal gå hen næste gang

Når du har sporet et fan-out-sæt, skal du behandle det på samme måde, som du ville behandle enhver anden prompt-klynge i AmICited: hold øje med, hvordan citationssporing udvikler sig på tværs af underforespørgslerne i ugerne, der følger, og brug mønsteret af sejre og huller til at prioritere, hvilket indhold der skal rettes til eller publiceres næste gang. Hvis du bygger denne arbejdsgang op prompt for prompt på tværs af et stort site eller en portefølje med flere brands, er det værd at parre fan-out-sporing med et bredere kig på hvilke prompts der udløser, at AI nævner dit brand i første omgang, så din kerneliste af prompts og dens fan-out-udvidelser forbliver på linje med det, der faktisk driver citater, frem for det, du antog ville gøre det.