Query Fan-Out — как декомпозируется запрос

Что это

Query Fan-Out — техника, при которой один пользовательский запрос раскладывается на множество параллельных под-запросов (sub-queries), каждый из которых ищет ответ независимо. LLM потом синтезирует финальный ответ из всех извлечённых пассажей.

Концепция пришла из академического NLP (multi-hop retrieval, decomposed prompting), внедрена в Google AI Mode в 2025.

Как это работает

Пользовательский запрос:
"Как оптимизировать сайт под AI Overviews"
                  ↓
       LLM decomposes (Gemini)
                  ↓
   Sub-query 1: "Что такое AI Overviews"
   Sub-query 2: "Какие сайты цитирует AIO"
   Sub-query 3: "Schema.org для AI"
   Sub-query 4: "E-E-A-T и AIO"
   Sub-query 5: "Off-site signals для AI ranking"
   Sub-query 6: "Свежесть контента и AI"
   Sub-query 7: "Структура страницы для AI извлечения"
   Sub-query 8: "Что НЕ работает в AIO оптимизации"
   ... (8-16 sub-queries в реальности)
                  ↓
       Parallel retrieval (RAG)
                  ↓
   Каждый sub-query → набор пассажей из разных источников
                  ↓
       Synthesis (Gemini)
                  ↓
   Финальный ответ с цитированием 3-5 источников

Почему это меняет SEO

Раньше (классический Google)

• 1 запрос = ранжируем страницы целиком
• Топ-10 страниц по запросу
• CTR зависит от позиции

Сейчас (AI Mode)

• 1 запрос = 8-16 параллельных извлечений
• Извлекаются пассажи, не страницы
• Финальный ответ — синтез
• 68% цитируемых пассажей — со страниц вне топ-10

Структурные последствия

1. Длинные «всеобъемлющие» статьи проигрывают

Если статья в 5000 слов покрывает 20 sub-tem, но каждая раскрыта поверхностно, AI Mode извлечёт пассажи из 20 разных конкурентов, каждый из которых даёт более качественный ответ на конкретный sub-query.

2. Hub-and-spoke выигрывает

• Hub: общая страница со ссылками на spokes (как «оглавление топика»)
• Spoke: каждая отдельная страница глубоко закрывает один sub-query

См. Семантика 2026 для подхода.

3. Структура важнее объёма

Извлекаемость пассажа важнее длины статьи. Page-level признаки:

• Чёткие H2 как вопросы
• Прямой ответ в первом абзаце под H2
• Самодостаточные разделы
• Списки и таблицы для structured data
• Без длинных вводных

Как протестировать query fan-out

1. Возьми главный запрос
2. Задай Perplexity: «what other questions would someone search after this?»
3. Получишь близкий к реальному набор sub-queries
4. Проверь, закрывает ли твоя страница все эти sub-queries
5. Если нет — план на добавление разделов или новые spoke-страницы

Альтернативный механизм у других AI-движков

Движок	Подход
Google AI Mode	Query Fan-Out + parallel RAG
Perplexity	Single query + web search + chain-of-thought
ChatGPT (web search)	Iterative search + browsing
Claude	Single-shot retrieval + reasoning
Gemini	Похож на Google AI Mode (та же команда)
Яндекс Нейро	Похож на AI Mode, использует индекс Яндекса

Дальше

• Как работает AI Overviews — общая архитектура
• Посадочная под Query Fan-Out — практика
• Семантика 2026 — hub-and-spoke модель