Hur man spårar alla fan-out-frågor på en gång i AmICited

Fan-out-frågorna som AmICited upptäcker för en prompt är verkliga frågor som AI-motorer undersöker — så de är värda att spåra i sin egen rätt. Knappen Spåra alla prompts omvandlar hela fan-out-uppsättningen till övervakade prompts med ett enda klick.

Vad är query fan-out?

När du skriver in en fråga i ChatGPT, Perplexity, Gemini eller en Google AI Overview besvarar motorn sällan frågan utifrån den enskilda meningen ensam. Istället skriver den tyst om din prompt till en samling relaterade delfrågor, kör research mot var och en av dem och sammanfogar resultaten till det svar du ser. Den nedbrytningsprocessen kallas query fanout — en enskild användarprompt “fanar ut” till allt från en handfull till dussintals mer avgränsade frågor, där var och en undersöker en annan vinkel: en definition, en jämförelse, en prisnivå, ett användningsfall, ett konkurrentnamn.

Detta har betydelse för synlighet i AI-sökning eftersom citeringar inte bara sker på nivån för den ursprungliga prompten — de sker på nivån för varje delfråga som motorn genererar längs vägen. Ett varumärke som är osynligt i svaret på “bästa projektledningsverktyget” kan ändå bli citerat i en av de fan-out-delfrågor som ligger bakom det svaret, som “projektledningsverktyg för distansteam” eller “prisjämförelse projektledningsverktyg”. Omvänt garanterar inte en bra placering på moderprompten täckning över de delfrågor som en motor utforskar under den. Om du bara spårar de prompts du ursprungligen kom på att skriva missar du den faktiska researchtråd som AI-modellen följde för att bygga sitt svar.

Det är också därför generativ sökmotoroptimering behandlar promptuppsättningar annorlunda än traditionella nyckelordslistor. En nyckelordslista är statisk och vald av en marknadsförare; en fan-out-uppsättning är dynamisk och vald av AI-motorn själv, vilket innebär att den speglar hur modellen faktiskt resonerar kring ett ämne just nu. Att spåra dessa delfrågor ger dig en mer ärlig bild av var dina luckor i AI-synlighet verkligen finns, eftersom du mäter mot de frågor motorerna faktiskt ställer — inte bara de du antog att de skulle ställa.

AmICited tar fram denna fan-out-uppsättning automatiskt för varje prompt du spårar, och ger dig sedan en direkt väg att omvandla valfria eller samtliga av dessa delfrågor till egna prompts — vilket är vad resten av den här guiden handlar om.

Var du hittar det

På panelen Fan-out-frågor på en promptdetalj-sida. Öppna en spårad prompt och panelen listar de delfrågor som AmICited identifierat som en del av den promptens researchtråd. Du har två alternativ för att omvandla dem till spårade prompts:

• Spåra alla prompts (N) — knappen i panelhuvudet lägger till varje fan-out-fråga som en spårad prompt på en gång (siffran visar hur många).
• + Spåra — knappen i slutet av varje rad lägger endast till den enskilda delfrågan.

När de har lagts till visas raderna med status ✓ Spårad så att du med en snabb blick kan se vad som redan övervakas och vad som fortfarande bara är en upptäckt men ospårad fråga. Det gör att panelen samtidigt fungerar som en löpande granskning av din promptäckning för det ämnet: allt utan bock är en fråga motorerna undersöker som du ännu inte bevakar.

Vad det mäter

Varje fan-out-fråga blir, när den spårats, en fullständig prompt i ditt AmICited-konto — vilket innebär att den får sin egen körhistorik, sina egna citeringsresultat över motorer och sitt eget bidrag till din totala share of voice . Istället för att indirekt sluta dig till din ställning på en delfråga via moderpromptens resultat får du en direkt, motor-för-motor-läsning av om ditt varumärke citeras för just den specifika vinkeln.

Det är här fan-out-spårning lönar sig över tid. En enda moderprompt kan expandera till delfrågor om pris, integrationer, alternativ och passform för användningsfall. Om ditt varumärke dyker upp konsekvent på vinklarna “alternativ” och “integrationer” men faller bort från “pris” och “passform för användningsfall” är det ett konkret, handlingsbart mönster — du vet exakt vilken typ av innehåll eller sida som underpresterar gentemot AI-motorer, i stället för att bara veta att din synlighet på ämnet i stort är medioker. Spårat i stor skala över många prompts fungerar fan-out-delfrågor som en AI-rankningsspårare för den långa svansen av frågor under dina kärnämnen — det lager av specificitet som normalt är osynligt om du bara övervakar de prompts du själv kom på.

Så här använder du det

1. Gå igenom listan först. Skumma igenom fan-out-frågorna och deras typtaggar — de flesta kommer att vara relevanta, men du kan lägga till dem selektivt med radens + Spåra om du bara vill ha några. Detta är värt att göra medvetet snarare än reflexmässigt genom att spåra allt: en delfråga som bara är tangentiellt relaterad till din verksamhet späder ut din promptuppsättning med brus snarare än signal.
2. Spåra alla för full täckning. Om prompten är viktig — en central produktkategori, en konkurrensutsatt term, en köpfråga med hög intention — ger det att lägga till hela uppsättningen dig insyn i varje vinkel motorerna utforskar kring den, inte bara den du råkade skriva. Det är det snabbaste sättet att gå från en enskild, handplockad prompt till en genuint heltäckande uppsättning för AI-promptspårning för det ämnet.
3. Ställ in deras schema och motorer efteråt i prompttabellen. De nya prompterna ärver lämpliga standardinställningar, men du kan justera dem tillsammans med hjälp av massåtgärder — till exempel genom att skärpa körfrekvensen för ett kluster av högvärdiga delfrågor eller anpassa vilka motorer de kontrolleras mot i resten av din uppsättning.
4. Håll koll på din kvot. Att lägga till många prompts ökar antalet körningar du använder, så spåra fan-out-uppsättningarna för dina mest värdefulla prompts först, och använd radens + Spåra som ditt filter för lägre prioriterade ämnen där full täckning inte är värt körbudgeten.

Varför detta täpper till en verklig lucka i övervakning av AI-synlighet

De flesta team som börjar övervaka AI-sökningssynlighet börjar med en promptlista byggd på gissningar — en handfull frågor som någon i teamet antar att kunder eller AI-motorer skulle ställa. Den listan är en rimlig utgångspunkt, men den begränsas i grunden av vad en människa kom på att skriva ner. Fan-out-spårning ersätter gissningar med observerat beteende: i stället för att föreställa dig vad en motor kan tänkas undersöka tittar du direkt på vad den faktiskt undersökte senast den besvarade en prompt du bryr dig om.

Att göra detta konsekvent förändrar också hur du läser din citeringsdata. En enskild spårad prompt ger dig en datapunkt per motor och körning. Ett fullständigt spårat fan-out-kluster ger dig ett litet dataset — ibland ett dussintal eller fler relaterade frågor — som du kan läsa som ett mönster. Det mönstret är mycket mer användbart för att diagnostisera varför AI Overviews eller ChatGPT citerar en konkurrent i stället för dig: det talar om för dig om luckan är tematisk (du saknar innehåll om en specifik vinkel) eller strukturell (ditt innehåll finns men väljs inte ut som källa rakt igenom).

Vart du ska gå härnäst

När du har spårat en fan-out-uppsättning, behandla den på samma sätt som du skulle behandla vilket annat promptkluster som helst i AmICited: följ hur citeringsspårning utvecklas över delfrågorna under de följande veckorna, och använd mönstret av vinster och luckor för att prioritera vilket innehåll som ska fixas eller publiceras härnäst. Om du bygger upp det här arbetsflödet prompt för prompt över en stor webbplats eller en portfölj med flera varumärken är det värt att kombinera fan-out-spårning med en bredare titt på vilka prompts som får AI att nämna ditt varumärke i första hand, så att din kärnpromptlista och dess fan-out-expansioner förblir i linje med vad som faktiskt driver citeringar snarare än vad du antog skulle göra det.