Analiza wyników
Query fan-out
Zapytania podrzędne, które silnik AI wykonuje w tle promptu, zanim napisze odpowiedź. Skąd AmICited je bierze, jak są klasyfikowane i jak zamienić je w treści.
Definicja
Zapytanie fan-out
Dlaczego fan-out ma znaczenie#
Gdy ktoś pyta ChatGPT o „best helpdesk software for ecommerce”, silnik nie wyszukuje tej dokładnej frazy jeden raz. Rozgałęzia się na kilka wyszukiwań („helpdesk software Shopify integration”, „Zendesk vs Gorgias pricing”, „helpdesk for small online store”), czyta wyniki i pisze odpowiedź na podstawie znalezionych stron.
Oznacza to, że cytowane są strony, które rankują na zapytania podrzędne lub ściśle na nie odpowiadają, a nie tylko na prompt. Jeśli optymalizujesz stronę wyłącznie pod sformułowanie promptu, możesz pominąć pytania, które naprawdę decydują o tym, jakie źródła są używane.
Skąd pochodzą zapytania#
Każdy prompt ma jeden zestaw fan-out, scalony z dwóch źródeł:
- Zgłoszone przez silnik. ChatGPT i Gemini zgłaszają zapytania podrzędne, które faktycznie wykonały. Są zbierane z każdą odpowiedzią, nigdy nie są wnioskowane i nie kosztują nic dodatkowo.
- Przewidywane. Dla pozostałych silników (Perplexity, Claude, Grok i reszty), które nie zgłaszają fan-out, model przewiduje zapytania podrzędne na podstawie odpowiedzi i źródeł zebranych dla promptu.
Obie listy są pozbawiane duplikatów, przy czym sformułowanie samego silnika wygrywa, gdy oba źródła wytworzyły to samo zapytanie. Zestaw jest przebudowywany automatycznie po zaplanowanych uruchomieniach, a na żądanie możesz go Generate lub Regenerate ze strony szczegółów promptu.
Kategorie#
Każde zapytanie podrzędne jest klasyfikowane według tego, jak przekształca pierwotny prompt, do jednej z 19 kategorii:
| Kategoria | Przykład przekształcenia |
|---|---|
| Reformulation, Generalization, Specification | To samo pytanie innymi słowami, szerzej lub węziej |
| Decomposition, Implicit | Dzieli pytanie lub pyta o to, co zakłada |
| Comparison, Entity, Attribute | „X vs Y”, nazwany produkt, jedna jego właściwość |
| Use case, Compatibility, Pricing | „for small teams”, „works with Shopify”, „cost” |
| Procedural, Definitional | „how to…”, „what is…” |
| Freshness, Geographic | „2026”, „in Germany” |
| Sentiment, Authority | Opinie i recenzje, źródła eksperckie lub oficjalne |
| Related, Multimodal, Other | Tematy pokrewne, obrazy lub wideo, cokolwiek innego |
Każde zapytanie podrzędne ma też intencję wyszukiwania (informacyjną, komercyjną, transakcyjną itd.) z poziomem pewności oraz wolumen wyszukiwań, CPC i konkurencję, gdy istnieją dane o słowach kluczowych.
Czytanie tabeli Fan-out queries#
Na stronie szczegółów promptu Fan-out queries wymienia „zapytania podrzędne, które silniki generatywne wyprowadzają z tego promptu”. Filtruj według kategorii lub intencji albo dodawaj zapytania podrzędne jako osobne prompty:
- Track dodaje jedno zapytanie podrzędne jako śledzony prompt.
- Track all prompts (N) dodaje każde wyświetlone zapytanie podrzędne.
Gdy dostępna jest analiza cytowań, tabela zyskuje mapę cieplną: każda cytowana domena staje się kolumną, uporządkowaną według średniej pozycji cytowania (najlepsza pierwsza), a każda komórka pokazuje, jak blisko zapytania podrzędnego leży najlepsza strona tej domeny. Wiersz ★ na górze robi to samo dla głównego promptu. Wiersze są posortowane tak, że zapytania podrzędne najbardziej związane z cytowanymi stronami są pierwsze: to te, które Twoja strona najbardziej potrzebuje pokryć. Ciemniejsze komórki oznaczają większą bliskość.
Czytaj mapę cieplną kolumna po kolumnie
Znajdź kolumnę domeny, która jest cytowana jako pierwsza. Wiersze, w których jest ciemna, a Twoja kolumna (oznaczona you) jest blada, to podpytania, na które zwycięzca odpowiada, a Ty nie. To Twój zarys następnej edycji.
Historia fan-out#
Fan-out history pokazuje „które zapytania podrzędne silniki zaczęły, a które przestały wykonywać” w wybranym zakresie dat, pogrupowane jako New, Stable i Dropped, z liczbą dni, w których każde było widziane (na przykład „12/30 days”), oraz wykresem zapytań podrzędnych na dzień. Odczytuje tylko to, co silniki faktycznie zgłosiły, więc obejmuje ChatGPT i Gemini.
Użyj jej, aby zauważyć zmianę w tym, jak silnik interpretuje pytanie. Jeśli zapytanie podrzędne o „pricing” pojawia się i zostaje, treści o cenach właśnie stały się istotne dla tego promptu, nawet jeśli Twoja widoczność jeszcze się nie zmieniła.
Jak działać na podstawie fan-out#
- Otwórz prompt, na którym nie masz pozycji, i przeczytaj jego listę fan-out. Pogrupuj zapytania podrzędne według kategorii.
- Sprawdź pokrycie promptów, aby zobaczyć, na które zapytania podrzędne Twoje strony już odpowiadają (Covered, Partial, Uncovered).
- Dodawaj sekcje, nie słowa kluczowe. Zapytanie podrzędne takie jak „Zendesk vs Gorgias pricing” wymaga krótkiego, bezpośredniego porównania z liczbami, a nie powtórzonej frazy.
- Śledź zapytania podrzędne z wolumenem. Zapytania podrzędne o dużym wolumenie często są promptami wartymi monitorowania same w sobie.
- Wygeneruj artykuł dla klastra niepokrytych pytań. Zobacz artykuły AI.
Fan-out pojawia się też w wyszukiwaniu organicznym. Raporty AI searches i Site operators w Raportach odczytują zapytania z Search Console zawierające operator site:, czyli sposób, w jaki fan-out asystenta dociera do Google. Zobacz raporty wyszukiwania i ruchu.