Analizar resultados
Query fan-out
Las subconsultas que un motor de IA ejecuta detrás de un prompt antes de escribir la respuesta. De dónde las obtiene AmICited, cómo se clasifican y cómo convertirlas en contenido.
Definición
Consulta de fan-out
Por qué importa el fan-out#
Cuando alguien le pregunta a ChatGPT “best helpdesk software for ecommerce”, el motor no busca esa frase exacta una sola vez. Se abre en varias búsquedas (“helpdesk software Shopify integration”, “Zendesk vs Gorgias pricing”, “helpdesk for small online store”), lee los resultados y escribe una respuesta con las páginas que encontró.
Eso significa que las páginas que se citan son las que se posicionan para las subconsultas, o las responden de cerca, no solo para el prompt. Si optimizas una página solo para la redacción del prompt, puedes pasar por alto las preguntas que realmente deciden qué fuentes se usan.
De dónde salen las consultas#
Cada prompt tiene un conjunto de fan-out, combinado a partir de dos entradas:
- Reportadas por el motor. ChatGPT y Gemini reportan las subconsultas que realmente ejecutaron. Se recopilan con cada respuesta, nunca se infieren y no cuestan nada extra.
- Predichas. Para los demás motores (Perplexity, Claude, Grok y el resto), que no reportan el fan-out, un modelo predice las subconsultas a partir de las respuestas y fuentes recopiladas para el prompt.
Las dos listas se deduplican, y prevalece la redacción del propio motor cuando ambos produjeron la misma consulta. El conjunto se reconstruye automáticamente tras las ejecuciones programadas, y puedes Generate o Regenerate bajo demanda desde la página de detalle del prompt.
Categorías#
Cada subconsulta se clasifica según cómo transforma el prompt original, en una de 19 categorías:
| Categoría | Ejemplo de transformación |
|---|---|
| Reformulation, Generalization, Specification | La misma pregunta con otras palabras, más amplia o más concreta |
| Decomposition, Implicit | Divide la pregunta, o pregunta por lo que esta asume |
| Comparison, Entity, Attribute | “X vs Y”, un producto con nombre, una propiedad suya |
| Use case, Compatibility, Pricing | “for small teams”, “works with Shopify”, “cost” |
| Procedural, Definitional | “how to…”, “what is…” |
| Freshness, Geographic | “2026”, “in Germany” |
| Sentiment, Authority | Reseñas y opiniones, fuentes expertas u oficiales |
| Related, Multimodal, Other | Temas adyacentes, imágenes o vídeo, cualquier otra cosa |
Cada subconsulta también lleva una Intención de búsqueda (informativa, comercial, transaccional, etc.) con un nivel de confianza, además de volumen de búsqueda, CPC y competencia cuando existen datos de palabras clave.
Cómo leer la tabla Fan-out queries#
En la página de detalle del prompt, Fan-out queries lista “las subconsultas que los motores generativos derivan de este prompt”. Filtra por categoría o intención, o añade subconsultas como prompts propios:
- Track añade una subconsulta como prompt monitorizado.
- Track all prompts (N) añade todas las subconsultas mostradas.
Cuando hay un análisis de citas disponible, la tabla gana un mapa de calor: cada dominio citado se convierte en una columna, ordenada por su posición media de cita (la mejor primero), y cada celda muestra lo cerca que está la mejor página de ese dominio de la subconsulta. Una fila con ★ arriba hace lo mismo para el prompt principal. Las filas se ordenan de modo que las subconsultas más relacionadas con las páginas citadas van primero: son las que tu página más necesita cubrir. Las celdas más oscuras significan más cercanía.
Lee el mapa de calor columna por columna
Busca la columna del dominio que se cita primero. Las filas en las que esa columna es oscura y la tuya (marcada como you) es pálida son las subpreguntas que responde el ganador y tú no. Ese es tu esquema para la próxima edición.
Fan-out history#
Fan-out history muestra “qué subconsultas empezaron y dejaron de ejecutar los motores” durante el rango de fechas seleccionado, agrupadas como New, Stable y Dropped, con cuántos días se vio cada una (por ejemplo “12/30 days”) y un gráfico de subconsultas por día. Lee solo lo que los motores reportaron realmente, así que cubre ChatGPT y Gemini.
Úsalo para detectar un cambio en cómo interpreta un motor la pregunta. Si aparece y se mantiene una subconsulta de “pricing”, el contenido sobre precios acaba de volverse relevante para este prompt aunque tu visibilidad aún no se haya movido.
Cómo actuar sobre el fan-out#
- Abre un prompt en el que no estés posicionado y lee su lista de fan-out. Agrupa las subconsultas por categoría.
- Consulta la cobertura del prompt para ver qué subconsultas ya responden tus páginas (Cubierta, Parcial, Sin cubrir).
- Añade secciones, no palabras clave. Una subconsulta como “Zendesk vs Gorgias pricing” quiere una comparación breve y directa con cifras, no la frase repetida.
- Monitoriza las subconsultas con volumen. Las subconsultas de alto volumen suelen ser prompts que vale la pena monitorizar por sí mismos.
- Genera un artículo para un grupo de preguntas sin cubrir. Consulta artículos con IA.
El fan-out también aparece en la búsqueda orgánica. Los informes AI searches y Site operators de Informes leen consultas de Search Console que contienen un operador site:, que es como el fan-out de un asistente llega a Google. Consulta informes de búsqueda y tráfico.