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 :
Analyse et classification : le modèle identifie le domaine, le type de tâche et les besoins implicites que vous n'avez pas formulés.
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.
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.
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 :
Type de variante | Ce que fait le système |
|---|---|
Équivalente | Reformule la requête sans en changer le sens |
Question de suivi | Anticipe la question suivante logique |
Généralisation | Élargit vers le sujet parent |
Canonicalisation | Ramène la requête à sa forme standard |
Traduction | Bascule vers une autre langue si utile |
Implication (entailment) | Déduit ce que la requête implique sans le dire |
Spécification | Précise vers un cas particulier |
Clarification | Lève une ambiguïté de formulation |
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.
🎯 Votre visibilité sur Google et les IA vous préoccupe ?
Audit SEO & GEO personnalisé. Premier échange 100 % gratuit. Résultats mesurables.
Prendre RDV gratuitementMoteur | Approche | Particularités documentées |
|---|---|---|
Google AI Mode | Fan-out massif et parallèle | Modèle Gemini dédié, 8 à 12 sous-requêtes standard, centaines en Deep Search, sources multiples (index web, Knowledge Graph, Shopping Graph, Maps), reclassement par comparaison de paires, personnalisation par état utilisateur |
Google Aperçus IA | Fan-out thématique | Sous-requêtes « thèmes », extraction de passages, résumé cité (brevet Thematic Search) |
ChatGPT | Fan-out en couches, parcimonieux | Le plus souvent 2 sous-requêtes Search, couches Shopping et Images séparées, reconnaissance d'entités interne, mécanique d'orchestration non publiée par OpenAI |
Perplexity | Décomposition avec sources apparentes | Sous-requêtes visibles dans l'interface, forte orientation citation |
Copilot (Bing) | Expansion itérative | L'orchestrateur de Bing génère des requêtes internes de façon itérative plutôt qu'en rafale parallèle, avec ancrage dans l'index et les graphes de connaissances |
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.
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.
