Analyser les résultats
Query fan-out
Les sous-requêtes qu’un moteur IA exécute derrière un prompt avant de rédiger la réponse. D’où AmICited les tire, comment elles sont classées, et comment les transformer en contenu.
Définition
Requête fan-out
Pourquoi le fan-out compte#
Quand quelqu’un demande à ChatGPT « best helpdesk software for ecommerce », le moteur ne recherche pas une seule fois cette expression exacte. Il se déploie en plusieurs recherches (« helpdesk software Shopify integration », « Zendesk vs Gorgias pricing », « helpdesk for small online store »), lit les résultats et rédige une réponse à partir des pages trouvées.
Cela signifie que les pages citées sont celles qui se classent sur les sous-requêtes, ou qui y répondent de près, et pas seulement sur le prompt. Si vous optimisez une page uniquement pour la formulation du prompt, vous pouvez passer à côté des questions qui déterminent réellement quelles sources sont utilisées.
D’où viennent les requêtes#
Chaque prompt a un ensemble fan-out, fusionné à partir de deux sources :
- Rapportées par le moteur. ChatGPT et Gemini rapportent les sous-requêtes qu’ils ont réellement exécutées. Elles sont collectées avec chaque réponse, jamais déduites, et ne coûtent rien de plus.
- Prédites. Pour les autres moteurs (Perplexity, Claude, Grok et les autres), qui ne rapportent pas leur fan-out, un modèle prédit les sous-requêtes à partir des réponses et des sources collectées pour le prompt.
Les deux listes sont dédoublonnées, la formulation propre au moteur l’emportant lorsque les deux ont produit la même requête. L’ensemble est reconstruit automatiquement après les exécutions planifiées, et vous pouvez le Generate ou le Regenerate à la demande depuis la page de détail du prompt.
Catégories#
Chaque sous-requête est classée selon la façon dont elle transforme le prompt d’origine, dans l’une des 19 catégories :
| Catégorie | Exemple de transformation |
|---|---|
| Reformulation, Generalization, Specification | Même question avec d’autres mots, plus large ou plus précise |
| Decomposition, Implicit | Découpe la question, ou demande ce qu’elle suppose |
| Comparison, Entity, Attribute | « X vs Y », un produit nommé, une de ses propriétés |
| Use case, Compatibility, Pricing | « for small teams », « works with Shopify », « cost » |
| Procedural, Definitional | « how to… », « what is… » |
| Freshness, Geographic | « 2026 », « in Germany » |
| Sentiment, Authority | Avis et opinions, sources expertes ou officielles |
| Related, Multimodal, Other | Sujets voisins, images ou vidéo, tout le reste |
Chaque sous-requête porte aussi une Intention de recherche (informationnelle, commerciale, transactionnelle, etc.) avec un niveau de confiance, ainsi que le volume de recherche, le CPC et la concurrence lorsque des données de mot-clé existent.
Lire le tableau Fan-out queries#
Sur la page de détail d’un prompt, Fan-out queries liste « les sous-requêtes que les moteurs génératifs dérivent de ce prompt ». Filtrez par catégorie ou par intention, ou ajoutez des sous-requêtes comme prompts à part entière :
- Track ajoute une sous-requête comme prompt suivi.
- Track all prompts (N) ajoute toutes les sous-requêtes affichées.
Lorsqu’une analyse des citations est disponible, le tableau se dote d’une heatmap : chaque domaine cité devient une colonne, ordonnée par sa position de citation moyenne (la meilleure d’abord), et chaque cellule montre à quel point la meilleure page de ce domaine est proche de la sous-requête. Une ligne ★ en haut fait de même pour le prompt principal. Les lignes sont triées pour que les sous-requêtes les plus liées aux pages citées viennent en premier : ce sont celles que votre page doit le plus couvrir. Plus la cellule est foncée, plus elle est proche.
Lisez la heatmap colonne par colonne
Trouvez la colonne du domaine cité en premier. Les lignes où elle est foncée et où votre colonne (marquée you) est pâle sont les sous-questions auxquelles le gagnant répond et pas vous. C’est le plan de votre prochaine modification.
Historique du fan-out#
Fan-out history montre « quelles sous-requêtes les moteurs ont commencé et cessé d’exécuter » sur la période sélectionnée, regroupées en New, Stable et Dropped, avec le nombre de jours où chacune a été vue (par exemple « 12/30 days ») et un graphique du nombre de sous-requêtes par jour. Il ne lit que ce que les moteurs ont réellement rapporté, donc il couvre ChatGPT et Gemini.
Utilisez-le pour repérer un changement dans la façon dont un moteur interprète la question. Si une sous-requête « pricing » apparaît et reste, le contenu sur les tarifs vient de devenir pertinent pour ce prompt, même si votre visibilité n’a pas encore bougé.
Comment agir sur le fan-out#
- Ouvrez un prompt sur lequel vous n’êtes pas classé et lisez sa liste fan-out. Regroupez les sous-requêtes par catégorie.
- Consultez la couverture des prompts pour voir à quelles sous-requêtes vos pages répondent déjà (Couvert, Partiel, Non couvert).
- Ajoutez des sections, pas des mots-clés. Une sous-requête comme « Zendesk vs Gorgias pricing » appelle une comparaison courte et directe, chiffrée, et non la répétition de l’expression.
- Suivez les sous-requêtes qui ont du volume. Les sous-requêtes à fort volume sont souvent des prompts qui méritent d’être surveillés à part entière.
- Générez un article pour un groupe de questions non couvertes. Voir articles IA.
Le fan-out apparaît aussi dans la recherche organique. Les rapports AI searches et Site operators sous Reports lisent les requêtes Search Console qui contiennent un opérateur site:, ce qui est la façon dont le fan-out d’un assistant atteint Google. Voir rapports de recherche et de trafic.