Slik sporer du alle fan-out-spørringer på én gang i AmICited

Fan-out-spørringene AmICited oppdager for en prompt er virkelige spørsmål AI-motorer undersøker — så de er verdt å spore i seg selv. Track all prompts-knappen gjør hele fan-out-settet til overvåkede prompt-er med ett klikk.

Hva er query fan-out?

Når du skriver et spørsmål inn i ChatGPT, Perplexity, Gemini eller en Google AI Overview, svarer motoren sjelden ut fra den ene setningen alene. I stedet skriver den stille om prompten din til en gruppe relaterte underspørringer, kjører research mot hver av dem, og syr resultatene sammen til svaret du ser. Denne nedbrytingsprosessen kalles query fanout — én enkelt brukerprompt «fanes ut» til alt fra en håndfull til dusinvis av snevrere spørsmål, hvor hvert av dem undersøker en annen vinkel: en definisjon, en sammenligning, et prispunkt, et brukstilfelle, et konkurrentnavn.

Dette er viktig for AI-søkesynlighet fordi sitater ikke bare skjer på nivået til den opprinnelige prompten — de skjer på nivået til hver eneste underspørring motoren genererer underveis. En merkevare som er usynlig i svaret på «beste programvare for prosjektstyring» kan likevel bli sitert i en av fan-out-underspørringene som mater det svaret, som «programvare for prosjektstyring for eksterne team» eller «prissammenligning for programvare for prosjektstyring». Motsatt garanterer ikke god plassering på foreldreprompten dekning på tvers av underspørringene en motor utforsker under den. Hvis du bare sporer prompt-ene du opprinnelig kom på å skrive, går du glipp av selve research-sporet AI-modellen fulgte for å konstruere svaret sitt.

Dette er også grunnen til at generativ søkemotoroptimalisering behandler promptsett annerledes enn tradisjonelle nøkkelordlister. En nøkkelordliste er statisk og valgt av en markedsfører; et fan-out-sett er dynamisk og valgt av selve AI-motoren, noe som betyr at det gjenspeiler hvordan modellen faktisk resonnerer rundt et tema akkurat nå. Å spore disse underspørringene gir deg et mer ærlig bilde av hvor dine AI-synlighet -hull faktisk befinner seg, fordi du måler mot spørsmålene motorene faktisk stiller, ikke bare dem du antok at de ville stille.

AmICited synliggjør dette fan-out-settet automatisk for hver prompt du sporer, og gir deg deretter en direkte vei til å gjøre enkelte eller alle disse underspørringene om til dine egne prompt-er — som er det resten av denne guiden dekker.

Hvor du finner det

På Fan-out queries-panelet på en prompt detail-side. Åpne en hvilken som helst sporet prompt, så viser dette panelet underspørringene AmICited identifiserte som del av den promptens research-spor. Du har to alternativer for å gjøre dem om til sporede prompt-er:

• Track all prompts (N) — knappen i paneloverskriften legger til alle fan-out-spørringer som sporede prompt-er på én gang (tallet viser hvor mange).
• + Track — knappen på slutten av hver rad legger til bare den enkelte underspørringen.

Når de er lagt til, viser radene en ✓ Tracked-status slik at du raskt kan se hva som allerede overvåkes, og hva som fortsatt bare er en oppdaget, men usporet spørring. Dette gjør at panelet også fungerer som en løpende revisjon av prompt-dekningen din for det temaet: alt uten hake er et spørsmål motorene undersøker som du ennå ikke følger med på.

Hva det måler

Hver fan-out-spørring blir, når den er sporet, en fullverdig prompt i AmICited-kontoen din — som betyr at den får sin egen kjørehistorikk, sine egne siteringsresultater på tvers av motorer, og sitt eget bidrag til din samlede share of voice . I stedet for å utlede posisjonen din på en underspørring indirekte gjennom foreldrepromptens resultat, får du en direkte, motor-for-motor-lesning av om merkevaren din blir sitert for den spesifikke vinkelen.

Det er her fan-out-sporing lønner seg over tid. En enkelt foreldreprompt kan utvide seg til underspørringer om pris, integrasjoner, alternativer og egnethet for ulike brukstilfeller. Hvis merkevaren din dukker opp pålitelig på «alternativer»- og «integrasjoner»-vinklene, men faller ut av «pris»- og «brukstilfelle»-vinklene, er det et konkret, handlingsrettet mønster — du vet nøyaktig hvilken type innhold eller side som underleverer til AI-motorene, i stedet for bare å vite at synligheten din på temaet generelt er middelmådig. Sporet i stor skala på tvers av mange prompt-er fungerer fan-out-underspørringer som en AI rank tracker for den lange halen av spørsmål under kjernetemaene dine — detaljnivået som vanligvis er usynlig hvis du bare overvåker prompt-ene du selv kom på.

Slik bruker du det

1. Gå gjennom listen først. Bla gjennom fan-out-spørringene og type-taggene deres — de fleste vil være relevante, men du kan legge dem til selektivt med + Track per rad hvis du bare vil ha noen. Dette er verdt å gjøre bevisst i stedet for å spore alt reflektorisk: en underspørring som bare er marginalt relatert til virksomheten din, vil fortynne prompt-settet ditt med støy i stedet for signal.
2. Spor alle for full dekning. Hvis prompten er viktig — en sentral produktkategori, et konkurranseutsatt begrep, et kjøpsspørsmål med høy intensjon — gir det å legge til hele settet deg innsikt i alle vinkler motorene utforsker rundt den, ikke bare den ene du tilfeldigvis skrev. Dette er den raskeste veien fra én håndplukket prompt til et genuint omfattende AI-promptsporing -sett for det temaet.
3. Angi tidsplan og motorer etterpå i Prompt-tabellen. De nye prompt-ene arver fornuftige standardverdier, men du kan justere dem sammen med bulk actions — for eksempel ved å stramme inn kjørefrekvensen på en klynge av høyverdi-underspørringer eller tilpasse hvilke motorer de sjekkes mot resten av settet ditt.
4. Vær oppmerksom på kvoten. Å legge til mange prompt-er øker hvor mange kjøringer du bruker, så spor fan-out-settene for dine mest verdifulle prompt-er først, og bruk + Track per rad som filteret ditt for lavere prioriterte temaer hvor full dekning ikke er verdt kjørebudsjettet.

Hvorfor dette lukker et reelt hull i overvåking av AI-synlighet

De fleste team som begynner å overvåke AI-søkesynlighet , starter med en promptliste bygget på gjetning — en håndfull spørsmål noen i teamet antar at kunder eller AI-motorer ville stille. Den listen er et fornuftig utgangspunkt, men den er iboende begrenset av hva et menneske kom på å skrive ned. Query fan-out-sporing erstatter gjetning med observert atferd: i stedet for å forestille deg hva en motor kanskje undersøker, ser du direkte på hva den faktisk undersøkte forrige gang den besvarte en prompt du bryr deg om.

Å gjøre dette konsekvent endrer også hvordan du leser siteringsdataene dine. En enkelt sporet prompt gir deg ett datapunkt per motor per kjøring. En fullstendig sporet fan-out-klynge gir deg et lite datasett — noen ganger et titalls eller flere relaterte spørringer — som du kan lese som et mønster. Det mønsteret er langt mer nyttig for å diagnostisere hvorfor AI Overviews eller ChatGPT siterer en konkurrent i stedet for deg: det forteller deg om hullet er tematisk (du mangler innhold på én spesifikk vinkel) eller strukturelt (innholdet ditt finnes, men blir ikke valgt som kilde gjennomgående).

Hvor du bør gå videre

Når du har sporet et fan-out-sett, bør du behandle det på samme måte som enhver annen promptklynge i AmICited: følg med på hvordan siteringssporing utvikler seg på tvers av underspørringene i ukene som følger, og bruk mønsteret av gevinster og hull til å prioritere hvilket innhold du bør fikse eller publisere neste. Hvis du bygger ut denne arbeidsflyten prompt for prompt på tvers av et stort nettsted eller en portefølje med flere merkevarer, er det verdt å kombinere fan-out-sporing med et bredere blikk på hvilke prompt-er som utløser at AI nevner merkevaren din i utgangspunktet, slik at kjerneprompt-listen din og fan-out-utvidelsene holder seg på linje med det som faktisk driver sitater, i stedet for det du antok ville gjøre det.