Query fan-out : l'étude complète du mécanisme qui décide de votre visibilité dans les IA

Qu'est-ce que le query fan-out ? La définition exacte

Quand vous tapez une requête dans un moteur classique, celui-ci cherche les documents qui correspondent le mieux à cette chaîne de caractères, en un seul passage. Un moteur génératif fait autre chose : il traite votre question comme le point de départ d'un travail de recherche.

Google l'a confirmé officiellement dès l'annonce d'AI Mode. Dans le billet « Expanding AI Overviews and introducing AI Mode » publié le 5 mars 2025, Robby Stein, VP of Product de Google Search, explique que le mode IA lance simultanément plusieurs recherches connexes sur des sous-thèmes et sur plusieurs sources de données, puis regroupe ces résultats en une réponse unique. Google nomme lui-même cette technique « query fan-out ».

Concrètement, le processus se déroule en quatre temps :

1. Analyse et classification : le modèle identifie le domaine, le type de tâche et les besoins implicites que vous n'avez pas formulés.

2. Décomposition (le fan-out proprement dit) : le modèle génère plusieurs sous-requêtes, chacune explorant un angle, une entité ou une intention différente du sujet initial.

3. Récupération parallèle : toutes les sous-requêtes sont exécutées simultanément, contre l'index web mais aussi, chez Google, contre le Knowledge Graph, le Shopping Graph ou Maps.

4. Synthèse : les passages les plus pertinents sont comparés, sélectionnés et assemblés en une réponse citée.

Le point décisif pour votre visibilité tient en une phrase : ce ne sont pas les pages qui sont classées, ce sont des passages qui sont sélectionnés. Votre contenu ne concourt plus pour une requête, il concourt pour chacune des sous-requêtes générées à votre insu.

D'où vient le terme ? Une courte histoire du fan-out

Le principe de décomposition de requêtes n'est pas nouveau en informatique. Dans les architectures distribuées, « fan-out » désigne depuis longtemps le fait de propager une opération vers plusieurs services en parallèle. Ce qui a changé, c'est la capacité des grands modèles de langage à effectuer cette décomposition en temps réel, sur des requêtes en langage naturel.

La chronologie côté Google est bien documentée :

• Mai 2023 : Google dévoile Search Generative Experience (SGE) à Google I/O, première expérimentation de recherche générative.

• Mai 2024 : lancement des AI Overviews (Aperçus IA) aux États-Unis.

• Août 2024 : publication de la demande de brevet US20240289407A1, « Search with Stateful Chat », qui décrit l'architecture d'AI Mode, y compris la génération de requêtes synthétiques.

• Mars 2025 : annonce officielle d'AI Mode et première mention publique du terme « query fan-out » par Google.

• Mai 2025 : Google I/O généralise AI Mode aux États-Unis, propulsé par un modèle Gemini 2.5 personnalisé.

Côté analyse, c'est Michael King (iPullRank) qui a été le premier à disséquer publiquement le brevet « Search with Stateful Chat » et à faire du fan-out un sujet central pour la communauté SEO. Ses travaux, repris notamment par Search Engine Land, constituent aujourd'hui la lecture de référence sur l'architecture d'AI Mode.

Enfin, le mécanisme n'est pas propre à Google : ChatGPT, Perplexity, Copilot et Gemini utilisent tous des variantes de décomposition de requêtes, avec des différences d'implémentation que nous détaillons plus bas.

Ce que disent les brevets Google : la mécanique réelle du fan-out

Le discours officiel de Google vulgarise. Les brevets, eux, décrivent l'implémentation. Cinq documents forment le socle technique du fan-out et méritent d'être connus de tout praticien SEO ou GEO.

US11663201B2 : la matrice historique (déposé en 2018)

Le brevet « Generating Query Variants Using a Trained Generative Model », déposé en avril 2018 et délivré en mai 2023, montre que Google travaillait sur la génération de variantes de requêtes bien avant l'ère ChatGPT. Il énumère huit types de variantes qu'un modèle génératif peut produire à partir d'une seule requête :

Cette taxonomie est la grille de lecture la plus fiable pour anticiper les sous-requêtes générées autour de vos sujets.

US20240289407A1 : « Search with Stateful Chat », l'architecture d'AI Mode

Publié en août 2024, ce document décrit un système en plusieurs étapes : ingestion de la requête, génération de « requêtes synthétiques » qui reformulent l'intention d'origine, sélection de documents répondant à la fois à la requête initiale et aux requêtes synthétiques, classification du type de requête, puis routage vers des modèles spécialisés (résumé, extraction structurée, aide à la décision) pour générer la réponse.

Deux éléments de ce brevet sont lourds de conséquences. D'abord, le système est « stateful » : il conserve un état utilisateur (requêtes passées, documents consultés, signaux d'engagement, contexte) et s'en sert pour orienter la génération des sous-requêtes. Deux personnes posant la même question ne déclenchent donc pas le même fan-out. Ensuite, la réponse n'est pas une liste classée mais une composition : être présent dans les documents récupérés ne garantit ni citation, ni trafic.

WO2024064249A1 : la génération de requêtes diverses par LLM

Le brevet « Systems and Methods for Prompt-Based Query Generation for Diverse Retrieval » décrit la méthode par laquelle un LLM génère des variations de requêtes volontairement diverses pour élargir la couverture de la récupération. C'est le cœur mécanique du fan-out : le modèle est explicitement instruit de produire des angles différents, pas des synonymes.

« Thematic Search » : les sous-requêtes deviennent des thèmes

Ce brevet décrit la génération de sous-requêtes courtes et descriptives appelées « thèmes », l'extraction de passages dans les documents pertinents et la génération de résumés. Il documente le lien direct entre fan-out, récupération au niveau des passages et rédaction des Aperçus IA.

US20250124067A1 : le classement par comparaison de paires

Le brevet « Method for Text Ranking with Pairwise Ranking Prompting » décrit la dernière étape : un LLM compare les passages deux à deux (« lequel de ces deux passages répond mieux à cette requête ? ») et agrège ces duels en classement final. Votre contenu n'est donc pas évalué dans l'absolu, mais confronté passage par passage à celui de vos concurrents, pour chaque sous-requête.

Combien de sous-requêtes ? Les chiffres mesurés

C'est ici que la littérature devient intéressante, parce que les mesures divergent selon les moteurs, les corpus et les périodes. Ces divergences ne sont pas des contradictions : elles montrent que le fan-out est un mécanisme adaptatif, calibré sur la complexité perçue de la requête.

Google AI Mode. Les analyses convergent vers un ordre de grandeur de 8 à 12 sous-requêtes pour une requête standard, et Google évoque lui-même des centaines de recherches pour les scénarios Deep Search. Selon Elizabeth Reid, responsable de Google Search, les requêtes formulées en AI Mode sont environ deux à trois fois plus longues que les recherches classiques, ce qui alimente mécaniquement des décompositions plus riches.

ChatGPT. L'étude la plus rigoureuse à ce jour est celle d'AirOps (« The Fan-Out Effect », avril 2026), qui a instrumenté le comportement de recherche de ChatGPT sur un large corpus. Ses résultats bousculent plusieurs idées reçues :

• 88,6 % des requêtes génèrent exactement 2 sous-requêtes de fan-out ; seulement 8,8 % n'en génèrent aucune (requêtes simples sur un produit ou une entité) et 2,5 % en génèrent 4 ou plus (comparatifs complexes).

• La position dans les résultats de recherche internes de ChatGPT est le prédicteur le plus fort de citation : une page en première position a 58 % de chances d'être citée, contre 14 % en dixième position.

• Les pages qui couvrent 26 à 50 % des sous-requêtes surpassent celles qui en couvrent 100 %. Le « guide ultime » qui survole tout obtient de moins bons taux de citation, à pertinence égale, qu'une page qui traite un angle en profondeur.

• L'autorité de domaine et les backlinks ne montrent aucune corrélation positive avec la citation par ChatGPT, voire une corrélation légèrement inverse.

D'autres analyses, sur d'autres corpus, rapportent des fourchettes plus larges pour ChatGPT (4 à 8 sous-requêtes sur les questions simples, davantage sur les questions complexes). L'écart avec les mesures d'AirOps illustre un point méthodologique essentiel : le fan-out évolue en continu, et toute mesure a une date de péremption.

La structure en couches de ChatGPT. Les travaux publiés par l'agence RESONEO en octobre 2025 ont révélé que ChatGPT ne déclenche pas un flux de recherche unique mais jusqu'à trois fan-outs parallèles selon la nature du prompt : un fan-out « Search » pour enrichir la réponse textuelle, un fan-out « Shopping » d'une à trois requêtes courtes orientées produit et prix, et un fan-out « Images » pouvant aller jusqu'à dix appels pour illustrer la réponse. La plupart des requêtes activent deux de ces trois couches.

Les modificateurs ajoutés. Une analyse publiée par Profound en octobre 2025 a montré que les moteurs de réponse ajoutent aux sous-requêtes des modificateurs comme « best », « top », « reviews » ou l'année en cours. Si votre contenu n'emploie jamais ce vocabulaire comparatif et daté, il ne correspond tout simplement pas aux sous-requêtes réellement exécutées.

Chaque moteur décompose différemment

Le fan-out n'est pas un standard : c'est une famille de comportements. Voici la synthèse des implémentations documentées.

Deux conséquences pratiques. D'abord, un même contenu peut être cité par un moteur et ignoré par un autre, selon l'étape du pipeline qui pèse le plus (récupération, reclassement, synthèse). Ensuite, la parcimonie de ChatGPT (2 sous-requêtes dans la grande majorité des cas) signifie que chaque sous-requête y pèse très lourd : y être absent, c'est être absent de la réponse.

Pourquoi le classement Google ne garantit plus la citation

C'est la rupture conceptuelle la plus importante, et elle mérite d'être formulée précisément.

Le fan-out ne modifie pas directement vos positions dans les liens bleus : celles-ci restent déterminées par les signaux habituels. Ce qu'il change, c'est la porte d'entrée vers les réponses IA. Une page première sur la requête principale peut n'être pertinente que pour une seule des sous-requêtes générées ; les autres sous-requêtes récupéreront d'autres sources, et la synthèse citera ces dernières. Le phénomène a un nom dans la littérature : l'invisibilité LLM, c'est-à-dire des pages bien classées en recherche traditionnelle mais jamais citées dans les réponses génératives.

Trois mécanismes du pipeline expliquent ce découplage :

La granularité du passage. Les documents récupérés sont découpés en fragments sémantiques (les analyses évoquent des blocs de l'ordre de 200 à 500 tokens). Le système évalue des passages, pas des pages. Un excellent article dont l'information clé est diluée sur trois paragraphes dépendants les uns des autres perd contre un paragraphe autonome qui répond entièrement à une sous-requête. Les travaux de WordLift sur la simulation du fan-out notent par ailleurs que le système peut récupérer plusieurs fragments avant et après le passage pertinent : la cohérence de l'enchaînement des sections compte donc aussi.

Le reclassement comparatif. Chaque passage est confronté à ceux des concurrents, sous-requête par sous-requête. Vous ne gagnez pas en étant bon : vous gagnez en étant meilleur que l'alternative sur chaque duel.

La personnalisation. L'état utilisateur oriente la génération des sous-requêtes. Le fan-out déclenché par votre requête n'est pas celui de votre client, ce qui rend les vérifications manuelles (« je ne me vois pas dans ChatGPT ») structurellement peu fiables et impose une mesure outillée, répétée, sur un panel de prompts.

Il faut ajouter une dimension d'humilité méthodologique : le processus est probabiliste de bout en bout. Génération des sous-requêtes, récupération par plongements vectoriels, sélection des passages, rédaction : chaque étape introduit de la variabilité. La même question, posée deux fois, peut produire deux réponses citant des sources différentes. Le suivi de citation IA doit donc s'interpréter en tendances et en parts de voix, jamais en positions fixes.

Comment optimiser votre contenu pour le fan-out : la méthode

Tout ce qui précède se traduit en une méthode de travail concrète. Elle tient en six chantiers, classés par ordre d'impact.

1. Cartographier les sous-requêtes avant d'écrire. Pour chaque sujet prioritaire, listez les sous-intentions selon la taxonomie des brevets : reformulations, questions de suivi, généralisations, spécifications, comparatifs, questions implicites, entités connexes. C'est exactement ce que fait une analyse fan-out outillée : simuler la décomposition qu'un moteur IA appliquerait à votre requête cible, puis vérifier quelles sous-questions votre site couvre déjà, partiellement ou pas du tout.

2. Structurer en blocs de réponse autonomes. Chaque section importante doit pouvoir être extraite seule et rester compréhensible : une question en intertitre, une réponse directe dès la première phrase, puis le développement. Les définitions nettes, les chiffres sourcés et les tableaux sont les formats les plus « citables », précisément parce qu'ils survivent au découpage en passages.

3. Viser la profondeur ciblée plutôt que l'exhaustivité de surface. Les données d'AirOps sont sans ambiguïté : couvrir un sous-ensemble de sous-requêtes en profondeur bat la couverture totale superficielle. La bonne architecture est le cocon : une page pilier qui cadre le sujet, des pages filles qui traitent chacune un angle à fond, et un maillage interne qui matérialise ces relations pour les systèmes de récupération.

4. Adopter le vocabulaire réel des sous-requêtes. Puisque les moteurs injectent des modificateurs comparatifs et temporels, vos contenus doivent intégrer naturellement le langage du comparatif, de l'avis et de l'année en cours quand le sujet s'y prête. Un contenu figé dans un vocabulaire intemporel rate les sous-requêtes datées.

5. Travailler les entités et les preuves. Les moteurs génératifs raisonnent en entités (marques, personnes, produits, lieux) et sélectionnent leurs sources selon des signaux de fiabilité qui recoupent très largement l'E-E-A-T : identité claire de l'auteur et de l'éditeur, informations vérifiables, cohérence entre ce que vous déclarez et ce qui est publiquement constatable. C'est le point de convergence entre SEO et GEO : les mêmes signaux servent les deux.

6. Mesurer, puis re-mesurer. Le caractère probabiliste et personnalisé du fan-out interdit les vérifications ponctuelles. La mesure sérieuse repose sur un panel de prompts suivis dans le temps, sur plusieurs moteurs, avec une distinction claire entre source (votre site est utilisé par l'IA) et citation (votre marque apparaît dans la réponse). C'est la seule façon d'attribuer un progrès à une action.

Le contexte français : le fan-out arrive dans Google avant le 23 septembre 2026

Jusqu'ici, les internautes français ne rencontraient le fan-out que dans ChatGPT, Perplexity ou Gemini. Cela change maintenant. Selon une information révélée par Ouest-France le 29 juin 2026, sur la base d'un courrier officiel adressé par Google aux éditeurs de presse français, et confirmée par Les Échos et Le Monde, Google déploiera les Aperçus IA et AI Mode en France cet été, au plus tard le 23 septembre 2026.

Le retard français n'était ni technique ni linguistique (la fonctionnalité tourne en français en Belgique et en Suisse depuis des mois) : il était juridique, lié aux droits voisins des éditeurs de presse. L'accord trouvé repose sur trois engagements de Google : un droit de retrait pour chaque éditeur, la transparence sur les impressions générées par l'IA (comptées séparément du search classique) et une rémunération au titre des droits voisins.

L'enjeu de trafic est documenté par les marchés déjà servis : selon le Pew Research Center, le taux de clic vers les sites chute à 8 % lorsqu'un Aperçu IA est présent, contre 15 % sans. Ces chiffres américains ne se transposeront pas nécessairement à l'identique en France, mais la direction est claire : la visibilité et le trafic se découplent, et la citation dans les réponses IA devient un objectif à part entière, mesurable et travaillable dès maintenant. Les sites qui auront cartographié leurs sous-requêtes et structuré leurs contenus avant le déploiement aborderont la bascule avec des mois d'avance.

La mécanique du fan-out en profondeur : schémas, chiffres par moteur et fusion RRF

Les sections précédentes ont posé la définition et les brevets. Place maintenant à la mécanique détaillée, moteur par moteur, avec les schémas qui la rendent lisible. Cette partie complète l’étude par des données mesurées en 2025 et 2026, encore peu documentées en français.

Le pipeline complet, de l’intention à la citation

Le fan-out se déroule en cinq étapes qui expliquent pourquoi un bon classement ne garantit plus la citation :

1. Analyse d’intention : le modèle identifie le domaine, le type de tâche et les besoins implicites que vous n’avez pas formulés.
2. Décomposition (le fan-out) : il génère plusieurs sous-requêtes synthétiques, chacune explorant un angle, une entité ou une intention différente.
3. Récupération parallèle : toutes les sous-requêtes sont exécutées en même temps, contre l’index web mais aussi, chez Google, contre le Knowledge Graph, le Shopping Graph et Maps.
4. Reclassement (RRF) : les passages récupérés sont comparés et fusionnés par Reciprocal Rank Fusion, qui valorise les sources présentes dans plusieurs sous-requêtes.
5. Synthèse citée : les passages les plus pertinents sont assemblés en une réponse unique avec ses citations.

Les 8 types de variantes générées (brevet US11663201B2)

Déposé en 2018 et délivré en 2023, le brevet Google US11663201B2 décrit comment un modèle génératif produit des variantes d’une requête. Cette taxonomie reste la grille la plus fiable pour anticiper les sous-questions de votre marché : variante équivalente (reformulation), question de suivi (anticipation), généralisation (sujet parent), canonicalisation (forme standard), traduction, implication (déduction), spécification (cas particulier) et clarification (levée d’ambiguïté).

Comparatif : comment six IA majeures décomposent vos requêtes

Le fan-out n’est pas un standard, mais une famille de comportements adaptatifs qui s’intensifient avec la complexité de la question. Son ampleur varie fortement d’un moteur à l’autre.

Google AI Mode et Gemini 3 : le fan-out massif. Avec l’accès direct à son index, à son Knowledge Graph et à son Shopping Graph, Google génère en moyenne 10,7 sous-requêtes par prompt, dans une fourchette de 3 à 28, soit environ cinq fois plus que ChatGPT (Seer Interactive, novembre 2025, 501 prompts analysés). Fait marquant, 95 % de ces sous-requêtes ont un volume de recherche mensuel nul : elles ne sont jamais tapées par des humains. Le système injecte automatiquement des noms de marques dans 26,4 % des cas et des années (2025, 2026) dans 21,3 % des cas. Le mode Deep Search peut même lancer des centaines de requêtes en arrière-plan.

ChatGPT (OpenAI) : le fan-out en couches. Plus sobre en apparence, ChatGPT génère exactement deux sous-requêtes dans 88,6 % des cas (AirOps, avril 2026). Mais l’agence RESONEO a montré qu’il active en réalité jusqu’à trois flux simultanés : une couche « Search » (environ deux sous-requêtes, présente dans ~91 % des cas), une couche « Shopping » (une à trois requêtes produit quand une intention d’achat est détectée) et une couche « Images » (jusqu’à dix appels). Il ajoute le modificateur « best » dans 24,3 % des questions de conseil et s’appuie sur Bing.

Grok (xAI) : l’expansion agressive. Sur cinq millions de fan-outs analysés (Peec AI, avril 2026), Grok est le plus expansif après Gemini, avec 6,8 sous-requêtes en moyenne. Il traite la requête comme un véritable brief de recherche, ajoute l’année et des marques, utilise l’opérateur « site: » dans 18,3 % de ses conversations et cite Reddit dans 10,5 % des cas.

Perplexity : le plus sobre, le plus transparent. Avec seulement 1,4 sous-requête en moyenne, Perplexity simplifie surtout la requête d’origine. Sa force est ailleurs : c’est le seul moteur grand public qui affiche nativement ses sous-requêtes et ses sources dans l’interface.

Copilot et Claude. Microsoft Copilot procède par expansion itérative plutôt que par rafale parallèle, en construisant sa réponse étape par étape sur l’index Bing. Claude (Anthropic) reste le plus conservateur : son outil de recherche web affiche explicitement le terme utilisé, sans fan-out massif.

Reciprocal Rank Fusion (RRF) : comment l’IA choisit la source citée

Quand des dizaines de sous-requêtes ramènent des centaines de passages, comment l’IA tranche ? Par le Reciprocal Rank Fusion. Chaque source reçoit un score inversement proportionnel à son rang dans chaque liste (Score = Σ 1 / (rang + k), la constante k valant en général 60), et ces scores s’additionnent d’une sous-requête à l’autre.

La conséquence pour votre visibilité est capitale : une source qui apparaît dans plusieurs sous-requêtes voit ses scores se cumuler et remonte au-dessus d’une source pourtant mieux classée sur une seule d’entre elles. C’est pourquoi un contenu qui couvre en profondeur 26 à 50 % des sous-requêtes d’un sujet bat souvent un « guide ultime » qui les survole toutes sans en traiter aucune à fond.

Comment observer les fan-outs de vos propres requêtes

Les sous-requêtes sont invisibles dans les interfaces grand public, mais plusieurs méthodes permettent de les extraire pour de vrai.

ChatGPT via Chrome DevTools. Posez votre question, ouvrez les DevTools (F12), onglet Network, filtrez sur backend-api/conversation, ouvrez la requête POST puis cherchez le champ search_model_queries dans le Payload : il contient les sous-requêtes réellement générées.

Gemini via l’API (Grounding). L’interface web de Gemini ne montre rien : il faut passer par l’API avec le Grounding Google Search, qui expose le champ webSearchQueries.

À l’échelle d’un site entier. Greg Zwickl (Go Fish Digital) combine Screaming Frog (rendu JavaScript activé) et l’API Gemini pour extraire les webSearchQueries page par page, dans une colonne personnalisée : attention, cette méthode consomme des crédits API à chaque URL. Des outils dédiés automatisent aussi l’analyse : Peec AI, Qforia (iPullRank), queryfanout.ai (DEJAN) et la RM Console.

Vous savez désormais comment le fan-out fonctionne. L’étape suivante consiste à savoir lesquelles de ces sous-questions vos pages laissent sans réponse : c’est tout l’objet de la méthode être cité par les IA grâce au query fan-out et de l’audit GEO, qui cartographie vos grappes de questions page par page.

Questions fréquentes sur le query fan-out

Le fan-out concerne-t-il uniquement Google ?

Non. Google a nommé et documenté la technique, mais ChatGPT, Perplexity, Copilot et Gemini pratiquent tous une forme de décomposition de requêtes, avec des volumes et des architectures différents.

Peut-on voir les sous-requêtes générées ?

Partiellement. Perplexity les affiche dans son interface, AI Mode en montre une fraction, et des méthodes d'observation (extensions, instrumentation) permettent d'en capturer une partie chez ChatGPT. La liste complète reste opaque, d'où l'intérêt de la simulation.

Le fan-out fait-il baisser mes positions Google ?

Non. Vos positions dans les liens bleus sont déterminées par les signaux habituels. Le fan-out détermine autre chose : votre présence dans les réponses générées au-dessus ou à la place de ces liens.

Faut-il créer une page par sous-requête ?

Non plus. La bonne unité est le passage autonome au sein d'une architecture en cocon : des pages profondes sur des angles précis, reliées à une page pilier. Multiplier les micro-pages superficielles est contre-productif.

Comment savoir si mon site couvre les sous-requêtes de mon marché ?

En simulant le fan-out sur vos requêtes cibles puis en scorant la couverture de vos pages, sous-question par sous-question. C'est précisément ce que fait l'analyse fan-out de BotSEO : elle génère la grappe de sous-questions telle qu'un moteur IA la produirait, vérifie quelle page de votre site répond à chacune, et fournit un brief de rédaction pour chaque trou identifié. La première analyse est offerte.

Sources et références

• Google, « Expanding AI Overviews and introducing AI Mode », blog officiel, 5 mars 2025 (déclaration de Robby Stein, VP of Product, Google Search).

• Brevet US20240289407A1, « Search with Stateful Chat », Google LLC, publié en août 2024.

• Brevet WO2024064249A1, « Systems and Methods for Prompt-Based Query Generation for Diverse Retrieval », Google LLC.

• Brevet US11663201B2, « Generating Query Variants Using a Trained Generative Model », Google LLC, déposé en 2018, délivré en mai 2023.

• Brevet US20250124067A1, « Method for Text Ranking with Pairwise Ranking Prompting », Google LLC.

• Michael King, « How AI Mode Works », iPullRank, 2025 ; analyses reprises par Search Engine Land.

• AirOps, « The Fan-Out Effect: What Happens Between a Query and a Citation », avril 2026.

• RESONEO, travaux sur les couches de fan-out de ChatGPT, octobre 2025.

• Profound, analyse des modificateurs ajoutés aux sous-requêtes, octobre 2025.

• Ouest-France (29 juin 2026), confirmé par Les Échos et Le Monde : déploiement des Aperçus IA et d'AI Mode en France avant le 23 septembre 2026.

• Pew Research Center, étude sur les taux de clic en présence d'un Aperçu IA.