O que é Query Fan-Out
Query fan-out é a técnica pela qual um sistema de busca generativa transforma uma única pergunta do usuário em várias buscas relacionadas, disparadas simultaneamente, e reúne todos os resultados para construir uma resposta.
O termo não é jargão de mercado. É o vocabulário do próprio Google. Na documentação oficial do Google Search sobre recursos generativos, a técnica é definida como um conjunto de consultas concorrentes e relacionadas, geradas pelo modelo para buscar mais informação do que a pergunta original traria sozinha. Na versão em português, o Google traduz o termo como "ramificação de consultas".
O exemplo que a própria documentação usa: o usuário pergunta como recuperar um gramado tomado por ervas daninhas. O sistema, por conta própria, busca também por "melhores herbicidas para gramado", "remover ervas daninhas sem produtos químicos" e "como prevenir ervas daninhas no gramado".
A consequência é direta e a maior parte do mercado ainda não a absorveu: sua marca nunca competiu pela pergunta do usuário. Ela competiu por um conjunto de buscas derivadas que você não escolheu, não vê e, na maioria dos casos, não mediu.
Por que isso quebra a lógica de palavra-chave
O SEO tradicional foi construído sobre uma premissa estável: existe uma consulta, existe um conjunto de páginas ranqueadas para ela, e a posição determina a visibilidade. A relação entre o que o usuário digita e o que o buscador avalia era de um para um.
O query fan-out rompe essa relação em três pontos.
A consulta avaliada não é a consulta digitada. Entre o prompt e o resultado existe uma camada intermediária de reescrita. Otimizar para a pergunta do usuário passa a ser otimizar para a entrada de um processo, não para o critério de avaliação.
O conjunto de concorrentes muda. Se o sistema dispara cinco buscas derivadas, a resposta final é montada a partir da união de cinco conjuntos de resultados. Marcas que jamais apareceriam para a pergunta original entram na disputa por uma das ramificações, e marcas fortes na pergunta original podem estar ausentes de todas as derivadas.
A cobertura passa a valer mais que a posição. Rankear em primeiro para uma consulta e estar ausente das outras quatro produz menos visibilidade do que aparecer de forma mediana nas cinco. É uma inversão relevante de prioridade de investimento.
Como o fan-out se organiza: a patente Thematic Search
Em dezembro de 2024, o Google depositou a patente US12158907, "Thematic Search". Ela descreve um sistema que organiza resultados de busca em temas com resumos gerados por IA, e o mecanismo descrito é bastante próximo do comportamento observável no AI Mode hoje.
Uma ressalva necessária antes de seguir: o Google não confirma que o conteúdo de suas patentes está em produção. Patentes descrevem invenções, não algoritmos ativos. Mas na ausência de documentação pública sobre o funcionamento interno, é o documento primário mais próximo disponível.
O processo descrito na patente:
1. Seleção de documentos. O motor temático recebe os resultados da busca convencional e seleciona um subconjunto dos documentos mais responsivos.
2. Resumo por passagem. Um gerador de resumos (em alguns casos um modelo de linguagem) recebe uma passagem como entrada e produz uma descrição resumida dela. Junto com a passagem, pode receber informação contextual: o título do documento, seus metadados, as passagens vizinhas ou as demais passagens da mesma página.
3. Formação de temas. Os resumos são agrupados em temas. A patente define tema como uma frase, gerada por modelo de linguagem, que descreve algo presente nos documentos. O método detalhado é mapear palavras-chave semânticas de cada documento e conectá-las a palavras-chave semelhantes vindas de outros documentos.
4. Ranqueamento de temas. Os temas competem entre si e são ordenados, nas palavras da patente, por "proeminência e/ou relevância para a consulta".
5. Aprofundamento. Selecionar um tema pode gerar uma nova rodada de busca com subtemas mais estreitos, e o ciclo se repete.
Três leituras importam aqui.
A primeira é que a unidade de competição deixou de ser a página e passou a ser a passagem. O gerador recebe um trecho, não um documento. Uma página excelente com um parágrafo ambíguo perde para uma página mediana com um parágrafo autossuficiente.
A segunda é que o tema não é definido por você. Ele é formado conectando palavras-chave semânticas do seu conteúdo às de outros documentos. O tema é uma propriedade do conjunto, não da sua página. Você não escolhe em qual seção da resposta aparecer: você é alocado.
A terceira decorre do ranqueamento por proeminência: um tema que só a sua marca defende tem baixa chance estrutural de virar seção da resposta. Diferenciação de mensagem e elegibilidade temática são objetivos que podem entrar em conflito, e isso precisa ser uma decisão consciente, não um acidente.
O fan-out não é igual entre plataformas
Tratar "IA" como um canal único é o erro de diagnóstico mais comum que observamos. O comportamento de fan-out varia de forma material entre modelos, e essa variação tem consequência editorial direta.
Dados apresentados pelo time de pesquisa da Profound na conferência Zero Click NY 2026 ilustram bem a diferença:
- O fan-out do Claude é quase determinístico. As mesmas strings de busca se repetem em cerca de 65% das execuções do mesmo prompt. O conjunto de consultas derivadas é estável e, portanto, enumerável.
- O Claude carimba o ano corrente em 94% das buscas que gera, contra 17% no ChatGPT. A busca que efetivamente chega ao índice não é "melhores tênis de corrida", é "melhores tênis de corrida 2026".
- O universo de fontes é quase disjunto. A sobreposição média de domínios citados entre Claude e ChatGPT é de aproximadamente 8%.
O que isso significa na prática: uma marca pode estar bem posicionada nas ramificações geradas por um modelo e completamente ausente das ramificações geradas por outro, sem que nada no seu conteúdo tenha mudado.
Estar visível em IA não é um estado. São vários estados independentes, e medir apenas um deles produz uma leitura falsa de cobertura.
O que muda no planejamento de conteúdo
O fan-out desloca o trabalho de otimização em quatro direções.
Da pergunta principal para o campo de subtópicos. Planejar conteúdo pela head keyword deixa de ser suficiente quando o sistema avalia subtópicos derivados. O trabalho relevante passa a ser mapear que ramificações uma pergunta gera no seu setor, e essa é uma informação empírica, não dedutível.
Da página para a passagem. Se a unidade processada é o trecho, cada trecho precisa se sustentar isoladamente. Isso significa nomear a entidade na mesma frase da afirmação, em vez de depender de pronomes e referências que só funcionam para um leitor humano lendo a página inteira.
Da posição para a cobertura. A métrica que importa deixa de ser "em que posição eu apareço" e passa a ser "em quantas das ramificações eu sou elegível". São perguntas diferentes e exigem instrumentação diferente.
De um canal para vários. Como o comportamento de fan-out difere entre modelos, cobertura precisa ser medida por plataforma. Uma média agregada esconde exatamente a informação acionável.
O ponto cego do mercado
Há uma assimetria estrutural no mercado de GEO hoje: praticamente todo mundo mede o prompt de entrada e a citação de saída. Quase ninguém mede a consulta intermediária.
Isso limita o diagnóstico ao descritivo. Você descobre que a marca não foi citada, mas não descobre por quê. A causa pode estar em qualquer ponto da cadeia: o conteúdo não foi rastreado, foi rastreado mas não recuperado, foi recuperado mas não sintetizado, ou foi sintetizado sem atribuição.
Medir a camada de fan-out transforma a resposta de "sua marca não apareceu" em "sua marca não apareceu porque o modelo buscou por esta ramificação específica e seu conteúdo não é elegível para ela". A primeira é constatação. A segunda é diagnóstico.
> Você sabe em quais ramificações sua marca está sendo avaliada?
> A ShapefAI monitora visibilidade de marcas em ChatGPT, Gemini, Perplexity, Claude e Google AI Overview, medindo cobertura por plataforma em vez de uma média agregada que esconde os gaps. O diagnóstico mostra onde sua marca é elegível, onde não é, e quais ações mudam esse quadro. Solicite seu diagnóstico →
FAQ
Query fan-out é a mesma coisa que pesquisa de palavras-chave?
Não. Pesquisa de palavras-chave mapeia o que usuários humanos digitam. Query fan-out são consultas geradas por um modelo de linguagem a partir do prompt do usuário. O vocabulário, a estrutura e a extensão são diferentes: consultas de fan-out costumam ser mais longas, mais específicas e frequentemente incluem elementos que nenhum usuário digitaria, como o ano corrente.
Dá para ver o fan-out de uma pergunta?
Parcialmente e depende da plataforma. Alguns modelos exibem as buscas realizadas na interface, o que permite observação direta. Outros não expõem essa camada, e a inferência precisa ser feita a partir das fontes citadas na resposta. É por isso que medição de fan-out ainda é um diferencial e não uma prática padrão.
Preciso criar uma página para cada ramificação possível?
Não, e essa seria uma leitura equivocada. As ramificações de um mesmo prompt são temáticamente próximas, o que significa que uma página bem estruturada, com seções que cobrem os subtópicos adjacentes, tende a ser elegível para várias delas. Fragmentar em muitas páginas rasas divide autoridade sem ganho de cobertura.
O query fan-out existe só no Google?
Não. A expressão é do vocabulário do Google, mas o comportamento é geral em sistemas de busca generativa. ChatGPT, Perplexity e Claude todos reescrevem o prompt em consultas próprias antes de buscar. O que muda entre eles é a extensão da ramificação, a estabilidade do conjunto gerado e o índice consultado.
Isso torna o SEO irrelevante?
O contrário. O próprio Google afirma que não existem requisitos técnicos adicionais para aparecer em AI Overviews ou AI Mode: a página precisa estar indexada e elegível para aparecer com um snippet. A base de SEO continua sendo pré-requisito. O que mudou é que ela deixou de ser suficiente: a camada de fan-out adiciona um critério de cobertura temática que o SEO clássico não endereça.
A ShapefAI é a primeira plataforma brasileira de GEO. Medimos visibilidade de marcas em respostas de IA por plataforma, não em média, porque é na diferença entre elas que estão os gaps acionáveis. [Conheça a plataforma →](https://shapefai.com)