Le query fan-out (littéralement « déploiement en éventail de la requête ») est la technique par laquelle un moteur de recherche à intelligence artificielle décompose une question en plusieurs sous-requêtes, les lance en parallèle, puis rédige une réponse unique à partir des passages trouvés pour chacune. Google l’utilise dans AI Mode et dans les AI Overviews ; ChatGPT et Perplexity procèdent de façon comparable lorsqu’ils cherchent sur le web.
Le terme a été employé par Google en mars 2025, lors de la présentation d’AI Mode, puis repris dans sa documentation Search Central sur les fonctions IA. Il est devenu une notion centrale du GEO (Generative Engine Optimization), l’optimisation des contenus pour être cité par les moteurs génératifs.
Comment fonctionne le query fan-out ?
Le mécanisme se déroule en quatre temps :
- Interprétation : le modèle (Gemini chez Google) analyse la question, l’intention de l’internaute et ses critères implicites.
- Décomposition : il génère plusieurs recherches plus précises (critères isolés, comparaisons, reformulations, questions sur l’après-achat).
- Recherche parallèle : les sous-requêtes sont lancées en même temps dans l’index du web et, selon le sujet, dans d’autres sources (données produits du Shopping Graph, fiches d’établissement, actualités).
- Synthèse : le modèle retient les passages les plus utiles de chaque lot de résultats et rédige une réponse unique, en citant quelques sources.
Les sous-requêtes ne sont pas publiées par Google et varient d’une recherche à l’autre, ainsi que selon le contexte de l’utilisateur.
Exemple de query fan-out
Pour la question « quelle cafetière à grain choisir pour une petite cuisine ? », un moteur à fan-out peut lancer des recherches comme celles-ci :
| Sous-requête | Facette de la question |
|---|---|
| dimensions cafetière à grain compacte | Encombrement |
| cafetière à grain silencieuse | Usage au quotidien |
| cafetière à grain prix moyen | Budget |
| entretien et détartrage cafetière à grain | Coût après l’achat |
| meilleures marques cafetière à grain | Comparaison |
Une page peut alors être citée parce qu’elle répond très bien à une seule de ces facettes, même si elle est mal classée sur la question complète.
Query fan-out et expansion de requête : la différence
| Expansion de requête | Query fan-out | |
|---|---|---|
| Principe | Ajoute des synonymes et des termes proches à une recherche | Transforme une question en plusieurs recherches distinctes |
| Résultats | Une seule liste de résultats | Un lot de résultats par sous-requête, puis une synthèse |
| Ce qui est évalué | La page | Le passage qui répond à une facette |
| Où on le trouve | Moteurs de recherche classiques | AI Mode, AI Overviews, ChatGPT et Perplexity avec recherche web |
Pourquoi le query fan-out compte en SEO
Le query fan-out déplace la compétition du mot-clé vers la sous-question. Trois conséquences pour un site, et en particulier pour une boutique en ligne :
- Plus de portes d’entrée : une page bien construite peut être citée sur des sous-requêtes précises, moins concurrencées que le terme principal.
- Des passages autonomes : chaque section doit répondre seule à une question, avec un intertitre explicite et une réponse directe en première phrase.
- Des données produits complètes : flux Merchant Center, attributs et données structurées répondent directement aux sous-requêtes d’achat (dimensions, prix, disponibilité, avis).
Le fan-out ne remplace pas le SEO classique : Google rappelle que les bonnes pratiques de référencement restent la base pour apparaître dans ses fonctions IA. Une page mal indexée ne sera citée sur aucune sous-requête.
Repérer le query fan-out dans la Search Console
Les sous-requêtes générées par les fonctions IA de Google apparaissent parfois dans la Search Console : des requêtes longues, formulées comme des phrases complètes ou comme on s’adresse à un assistant, avec des affichages, une position souvent correcte et très peu de clics. Les regrouper par sujet permet de suivre la visibilité d’un site dans les réponses IA, là où le suivi classique par mot-clé ne voit rien.
Les stratégies concrètes pour en profiter (cartographier les sous-questions, structurer les passages, compléter les données produits, mesurer par famille de questions) sont détaillées dans le guide de M-Twice : Query fan-out : comprendre le mécanisme et les stratégies pour être cité.
