Analisar resultados
Query fan-out
As subconsultas que um mecanismo de IA executa por trás de um prompt antes de escrever a resposta. De onde o AmICited as obtém, como são classificadas e como transformá-las em conteúdo.
Definição
Consulta de fan-out
Por que o fan-out importa#
Quando alguém pergunta ao ChatGPT “melhor software de helpdesk para ecommerce”, o mecanismo não pesquisa essa frase exata uma única vez. Ele se desdobra em várias buscas (“software de helpdesk integração Shopify”, “Zendesk vs Gorgias preços”, “helpdesk para pequena loja online”), lê os resultados e escreve uma resposta a partir das páginas que encontrou.
Isso significa que as páginas citadas são as que ranqueiam para as subconsultas, ou que as respondem de perto, e não apenas para o prompt. Se você otimiza uma página apenas para a redação do prompt, pode perder as perguntas que realmente decidem quais fontes são usadas.
De onde vêm as consultas#
Todo prompt tem um conjunto de fan-out, mesclado a partir de duas entradas:
- Informadas pelo mecanismo. ChatGPT e Gemini informam as subconsultas que realmente executaram. Elas são coletadas com cada resposta, nunca inferidas, e não custam nada a mais.
- Previstas. Para os demais mecanismos (Perplexity, Claude, Grok e os outros), que não informam o fan-out, um modelo prevê as subconsultas a partir das respostas e fontes coletadas para o prompt.
As duas listas são deduplicadas, e a redação do próprio mecanismo prevalece quando ambos produziram a mesma consulta. O conjunto é reconstruído automaticamente depois das execuções programadas, e você pode usar Generate ou Regenerate sob demanda na página de detalhe do prompt.
Categorias#
Cada subconsulta é classificada pela forma como transforma o prompt original, em uma de 19 categorias:
| Categoria | Exemplo de transformação |
|---|---|
| Reformulation, Generalization, Specification | A mesma pergunta em outras palavras, mais ampla ou mais restrita |
| Decomposition, Implicit | Divide a pergunta ou pergunta o que ela pressupõe |
| Comparison, Entity, Attribute | “X vs Y”, um produto nomeado, uma propriedade dele |
| Use case, Compatibility, Pricing | “para equipes pequenas”, “funciona com Shopify”, “custo” |
| Procedural, Definitional | “como…”, “o que é…” |
| Freshness, Geographic | “2026”, “na Alemanha” |
| Sentiment, Authority | Avaliações e opiniões, fontes especializadas ou oficiais |
| Related, Multimodal, Other | Temas adjacentes, imagens ou vídeo, qualquer outra coisa |
Cada subconsulta também traz uma Intent de busca (informacional, comercial, transacional e assim por diante) com um nível de confiança, além de volume de busca, CPC e concorrência quando há dados de palavra-chave.
Lendo a tabela Fan-out queries#
Na página de detalhe do prompt, Fan-out queries lista “the sub-queries generative engines derive from this prompt”. Filtre por categoria ou intenção, ou adicione subconsultas como prompts próprios:
- Track adiciona uma subconsulta como prompt rastreado.
- Track all prompts (N) adiciona todas as subconsultas exibidas.
Quando há uma análise de citações disponível, a tabela ganha um heatmap: cada domínio citado vira uma coluna, ordenada pela sua posição média de citação (a melhor primeiro), e cada célula mostra quão perto a melhor página desse domínio está da subconsulta. Uma linha com ★ no topo faz o mesmo para o prompt principal. As linhas são ordenadas para que as subconsultas mais relacionadas às páginas citadas venham primeiro: são as que sua página mais precisa cobrir. Células mais escuras significam mais proximidade.
Leia o heatmap coluna por coluna
Encontre a coluna do domínio que é citado primeiro. As linhas em que ela está escura e a sua coluna (marcada you) está clara são as subperguntas que o vencedor responde e você não. Esse é o seu esboço para a próxima edição.
Histórico de fan-out#
Fan-out history mostra “which sub-queries the engines started and stopped running” no período selecionado, agrupadas como New, Stable e Dropped, com quantos dias cada uma foi vista (por exemplo, “12/30 days”) e um gráfico de subconsultas por dia. Ele lê apenas o que os mecanismos realmente informaram, então cobre ChatGPT e Gemini.
Use-o para perceber uma mudança na forma como um mecanismo interpreta a pergunta. Se uma subconsulta de “preços” aparece e permanece, o conteúdo sobre preços acabou de se tornar relevante para este prompt, mesmo que sua visibilidade ainda não tenha se movido.
Como agir sobre o fan-out#
- Abra um prompt em que você está sem posição e leia sua lista de fan-out. Agrupe as subconsultas por categoria.
- Confira a cobertura de prompts para ver quais subconsultas suas páginas já respondem (Covered, Partial, Uncovered).
- Acrescente seções, não palavras-chave. Uma subconsulta como “Zendesk vs Gorgias preços” pede uma comparação curta e direta, com números, e não a repetição da frase.
- Rastreie as subconsultas com volume. As subconsultas de alto volume costumam ser prompts que valem ser monitorados por conta própria.
- Gere um artigo para um grupo de perguntas sem cobertura. Veja artigos de IA.
O fan-out também aparece na busca orgânica. Os relatórios AI searches e Site operators, em Relatórios, leem consultas do Search Console que contêm um operador site:, que é como o fan-out de um assistente chega ao Google. Veja relatórios de busca e tráfego.