De Fan-Out Queries Heatmap gebruiken in AmICited

Wanneer een AI-engine een vraag beantwoordt, beantwoordt deze zelden de letterlijke woorden die u typte. Hij herschrijft uw prompt stilletjes tot een reeks kleinere, verwante sub-vragen, onderzoekt elk daarvan afzonderlijk en weeft de resultaten samen tot één antwoord. De Fan-out queries heatmap van AmICited reconstrueert dat verborgen proces voor elke prompt die u volgt, en toont precies welke sub-vragen de engine daadwerkelijk onderzoekt en hoe goed elk geciteerd domein deze behandelt — zodat u exact weet wat uw content moet behandelen om de citatie te winnen.

Wat is query fan-out?

Query fan-out is de techniek die moderne AI-zoeksystemen — Google AI Overviews, AI Mode, ChatGPT, Perplexity en Gemini — gebruiken om één gebruikersprompt om te zetten in een cluster van verwante queries voordat een antwoord wordt gegenereerd. In plaats van uw prompt te matchen tegen één enkele index, zoals klassieke trefwoordzoekopdrachten doen, ontleedt de engine deze in definitievragen (“wat is X”), vergelijkingsvragen (“X versus Y”), prijsvragen, geografische varianten, procedurele vragen (“hoe doe je X”) en meer. Elk van die sub-queries wordt min of meer onafhankelijk onderzocht, en de opgehaalde passages worden vervolgens samengevoegd tot het uiteindelijke antwoord, met citaties gekoppeld aan welke pagina’s de sterkste passages leverden.

Dit is enorm belangrijk voor generative engine optimization , omdat het betekent dat één pagina zelden geciteerd wordt vanwege een “match met een onderwerp” in abstracte zin — ze wordt geciteerd omdat ze toevallig sterke, specifieke antwoorden bevat op meerdere van de sub-queries die de engine intern genereerde. Een pagina die alleen de oppervlakkige prompt behandelt en de vergelijkings-, prijs- of procedurele invalshoeken negeert die de engine ook onderzocht, verliest citaties aan een concurrent wiens pagina toevallig meer van die fan-out-set behandelt. Omgekeerd vertelt inzicht in de fan-out-set voor een prompt u met ongebruikelijke precisie wat u aan uw pagina moet toevoegen om die kloof te dichten.

Query fan-out verklaart ook waarom twee pagina’s in traditionele Google-zoekresultaten vergelijkbaar kunnen scoren, maar door AI-engines in heel verschillende mate worden geciteerd: traditionele rangschikkingen belonen het matchen van de query, terwijl AI-citaties het matchen van de decompositie van de query belonen. De algehele topical authority van een pagina over een onderwerp is eigenlijk een optelsom van hoe goed deze deze verborgen set sub-vragen beantwoordt, niet alleen het hoofdonderwerp. Dit is precies de kloof die de Fan-out queries heatmap dicht — hij neemt de sub-queries die een engine heeft afgeleid (die u anders nooit zou zien) en legt ze naast de pagina’s die momenteel citaties winnen voor elk van deze, waardoor een onzichtbaar proces wordt omgezet in een bruikbare, visuele kaart.

Waar vindt u het

Scroll op de prompt detail pagina naar beneden tot Fan-out queries, met de ondertiteling “De sub-queries die generatieve engines uit deze prompt afleiden — optimaliseer uw content hiervoor om citaties te winnen.” Elke gevolgde prompt heeft zijn eigen heatmap, gegenereerd op basis van de daadwerkelijk waargenomen sub-queries voor die prompt, dus de matrix die u ziet is specifiek voor het exacte onderwerp en de exacte formulering die u monitort — geen generieke template.

Wat het meet

De heatmap is een matrix, en elke as draagt een eigen signaal:

• Rijen zijn sub-queries — de fan-out vragen, elk getagd op type (Definitie, Vergelijking, Geografisch, Prijs, Procedureel, enzovoort). De bovenste rij met ster (★) is de hoofdprompt zelf, zodat u kunt zien hoe de sub-queries zich verhouden tot de vraag die u daadwerkelijk volgt.
• Kolommen zijn domeinen — de sites die worden geciteerd, van links naar rechts gerangschikt op hun gemiddelde citatiepositie over alle engines, zodat de domeinen die het hoogst en meest consistent worden geciteerd vooraan staan.
• Cel donkerheid = nabijheid. Donkerdere cellen betekenen dat de beste pagina van dat domein dichter bij die sub-query ligt; lichtere cellen betekenen zwakkere, meer perifere dekking.
• Elke kolomkop toont een getal — het aantal geciteerde URL’s dat AmICited van dat domein vond binnen de fan-out-set.

Samen bekeken markeren donkere kolommen de domeinen die dit onderwerp van kop tot staart domineren, en donkere rijen markeren de sub-queries die vrijwel iedereen in de resultatenset goed beantwoordt — wat betekent dat het basisvereisten zijn, geen onderscheidende factor. De rijen die over de meeste kolommen licht blijven, zijn de interessante: het zijn de vragen die de engine stelt waarop nog niemand overtuigend heeft geantwoord.

Hoe te gebruiken

1. Vind onderbediende rijen. Sub-queries waarbij de meeste kolommen licht zijn, zijn hiaten — vragen die nog niemand sterk behandelt, en uw gemakkelijkste ingang. Dit is in feite een live, prompt-specifieke content gap analyse : in plaats van te gokken waar concurrenten zwak staan, ziet u het direct in de matrix.
2. Evenaar de dekking van de leiders. Kijk voor de top sub-queries welke domeinen donker zijn en open die pagina’s. Let op hoe zij het antwoord formuleren, hoeveel diepgang ze eraan geven en of het een op zichzelf staande sectie is of verweven in een langer stuk — dat is de lat die u moet halen.
3. Bouw één sterke pagina. Probeer de top fan-out queries in één goed gestructureerde pagina te behandelen in plaats van ze te verspreiden over aparte posts. Engines stellen citaties samen uit welke pagina dan ook de meest relevante passage heeft voor elke sub-query, dus een enkele pagina die meerdere rijen voor zijn rekening neemt, verzamelt veel meer citatie-oppervlak dan meerdere dunne pagina’s die elk één rij behandelen. Dit is hetzelfde principe achter het schrijven van citeerwaardige content in het algemeen — beantwoord de vraag direct, bovenaan de sectie, voordat u ondersteunende details toevoegt.
4. Regenereer na grote contentwijzigingen om de verschuiving in de matrix te zien. Zodra u een pagina publiceert of herschrijft om de onderbediende rijen te targeten, laat het opnieuw uitvoeren van de fan-out-analyse zien of uw nieuwe dekking daadwerkelijk een cel van licht naar donker heeft verplaatst — een veel directere feedbacklus dan wachten op een verandering in ranking.

De matrix omzetten naar een contentbrief

De praktische waarde van de heatmap is dat hij een abstract idee — “verbeter onze AI-zichtbaarheid voor dit onderwerp” — omzet in een letterlijke outline. Neem de sub-queries uit de bovenste rijen, in volgorde, en gebruik ze als de H2’s of FAQ-items van uw pagina. Waar een rij getagd is als Definitie, zorg er dan voor dat de term in eenvoudige taal wordt gedefinieerd bovenaan de sectie, zoals een glossary-item dat zou doen. Waar een rij getagd is als Vergelijking, neem dan een expliciete vergelijking op in plaats van uw product geïsoleerd te beschrijven. Waar een rij getagd is als Procedureel, schrijf het antwoord dan als een duidelijke reeks stappen, niet als een verhalende alinea — engines extraheren stapsgewijze passages betrouwbaarder dan proza. Dit soort doelbewuste, sectie-voor-sectie dekking is precies wat gidsen over het structureren van content voor AI-citaties aanbevelen, en de fan-out heatmap vertelt u precies welke secties een gegeven prompt daadwerkelijk nodig heeft, in plaats van u te laten gokken naar een generieke template.

Het is ook de moeite waard om content depth te behandelen als een kwestie van aantal rijen in plaats van aantal woorden. Een pagina die zes van de tien fan-out-rijen voor een prompt grondig beantwoordt, wint doorgaans meer citaties dan een veel langere pagina die elke rij slechts terloops aanstipt. De heatmap maakt dat zichtbaar: donkere cellen clusteren rond pagina’s die daadwerkelijk ruimte aan een sub-query besteden, niet pagina’s die het trefwoord slechts noemen.

Waar dit past binnen uw zichtbaarheidsstrategie

De Fan-out queries heatmap bevindt zich in de prompt detail-weergave precies omdat hij bedoeld is om samen met uw andere prompt-niveau statistieken te worden gelezen, niet geïsoleerd. Als een prompt een sterke algehele AI-zichtbaarheid heeft, maar de heatmap meerdere lichte rijen toont, betekent die combinatie meestal dat u citaties wint op de eenvoudige, sterk overlappende delen van het onderwerp, terwijl u de moeilijkere sub-queries overlaat aan concurrenten — een zwakke plek die het waard is te verhelpen voordat een rivaal deze dicht. Als u deze prompt volgt als onderdeel van een breder monitoringprogramma, kunt u door de heatmap te combineren met de AI rank tracker van AmICited zien of het dichten van een fan-out-hiaat in de weken erna daadwerkelijk uw citatiepositie beïnvloedt, waardoor een eenmalige contentaanpassing een meetbaar experiment wordt. Om deze sub-queries als volwaardige prompts te gaan monitoren, gebruikt u Alle prompts volgen — dit promoveert elke fan-out-rij tot een volledig gevolgde prompt, zodat u een eigen geschiedenis, een eigen citatietrend en eigen meldingen krijgt, in plaats van te vertrouwen op één momentopname binnen de heatmap van de bovenliggende prompt.