Query fan out (nazywany też query fanout) to technika, w której model AI rozbija jedno złożone zapytanie użytkownika na kilka niezależnych podzapytań, przeszukuje dla każdego z nich osobne źródła, a potem składa wyniki w jedną odpowiedź. Wyszukiwanie nie odbywa się już po „głównej frazie” a treść musi rywalizować osobno o każdy fragment pytania, jaki użytkownik mógłby zadać.
Czym jest query fan out?
To sposób, w jaki systemy takie jak Google AI Mode, AI Overviews czy (najprawdopodobniej) ChatGPT radzą sobie ze złożonymi, wielowątkowymi pytaniami. Zamiast traktować pytanie jako jedną całość i szukać jednego, najlepiej dopasowanego dokumentu, model dzieli je na osobne wątki, sprawdza każdy z nich niezależnie, a na końcu łączy znalezione fragmenty w spójną odpowiedź. Dla Ciebie oznacza to, że Twoja strona nie musi wygrywać całego pytania naraz, wystarczy, że wygra jeden lub dwa jego fragmenty.
Skąd się wzięło query fan out?
Google ogłosił tę technikę oficjalnie przy premierze AI Mode w maju 2025 roku, na konferencji I/O. W opisie funkcji padło zdanie, które od tego czasu cytuje branża SEO:
AI Mode korzysta z techniki query fan out, rozbijając pytanie użytkownika na podtematy i wysyłając w jego imieniu wiele zapytań jednocześnie.
Kilka miesięcy później Robby Stein, wiceprezes Google odpowiedzialny za produkt Search, rozwinął ten temat w rozmowie z Search Engine Journal. Opisał to na prostym przykładzie: gdy ktoś pyta o atrakcje w Nashville dla grupy znajomych, system samodzielnie dogenerowuje pytania o dobre restauracje, bary czy zajęcia dla dzieci, mimo że użytkownik o nic z tego wprost nie zapytał. System, jego słowami, zaczyna po prostu „googlować za Ciebie”, łącząc wyniki w jedną odpowiedź z linkami.
Stein wspomniał też o Deep Search, rozszerzonej wersji tego samego mechanizmu, która potrafi wystrzelić dziesiątki, a nawet setki podzapytań i pracować nad odpowiedzią kilka minut, zamiast sekund. Sam podał przykład researchu przy zakupie sejfu domowego: ile modeli, ile certyfikatów ognioodporności, jakie to ma znaczenie dla ubezpieczenia. Coś, na co samodzielne przeszukiwanie internetu zajęłoby mu wieczór, dostał złożone w jedną odpowiedź.
Ciekawostka, o której rzadko się mówi: formalna nazwa tego mechanizmu w patencie Google (US11663201B2) to „query variant generation”. „Query fan out” to nazwa, którą branża SEO ukuła sama, żeby łatwiej rozmawiać o tym samym zjawisku, nie oficjalny termin z dokumentacji.
Jak działa query fan out?
Na papierze da się to rozbić na cztery kroki, ale w praktyce dzieje się to tak szybko, że dla użytkownika wygląda jak jeden płynny ruch, nie cztery osobne etapy.
- Zaczyna się od tego, że model rozbiera Twoje pytanie na czynniki pierwsze, wyłuskując z niego encje, ograniczenia i te pytania, których nie zadałeś wprost, ale które są w nim zaszyte między słowami.
- Z tego wychodzi zestaw syntetycznych podzapytań, pokrywających różne kąty: porównania, parametry, produkty powiązane, instrukcje, ceny, lokalizacje.
- Każde z nich leci osobno do indeksu, przy czym bot nie wyciąga całych stron, tylko konkretne, najtrafniejsze fragmenty (chunki) z wielu różnych źródeł naraz.
- Na końcu model bierze te fragmenty i skleja je w jedną, spójną odpowiedź, cytując przy okazji dużo szerszy zestaw źródeł niż klasyczna lista wyników wyszukiwania.
- Analitycy SEO (Ahrefs i kilku innych niezależnie) opisują ten etap sklejania jako reciprocal rank fusion, dobrze znany algorytm z badań nad wyszukiwaniem (pierwszy opis pochodzi z pracy naukowej Cormacka i współautorów z 2009 roku), używany na co dzień w systemach wyszukiwania hybrydowego. Zamiast wybierać jednego zwycięzcę z każdej listy wyników, dokument dostaje punkty za każdą listę, w której się pojawia, i wygrywa suma. Strona, która zajmuje drugie miejsce w jednym podzapytaniu i piąte w innym, może w ten sposób wygrać z konkurentem, który był najlepszy tylko w jednej kategorii, ale nie pojawił się nigdzie indziej. Zastrzeżenie: Google nigdzie oficjalnie nie potwierdził, że dokładnie ten algorytm stoi za syntezą w AI Mode, to wniosek branży, nie deklaracja producenta.
To, co się realnie zmienia w tym układzie, dobrze podsumował w swoim tekście Ethan Lazuk: kiedyś wyszukiwarka oceniała całe dokumenty pod kątem jednego zapytania, dziś system ocenia relewantność na poziomie pojedynczego fragmentu, wobec potencjalnie kilkudziesięciu zapytań naraz.
Konkretny przekaz zamiast losowych słów kluczowych. Twoja strona nie musi wygrać jednego wyścigu o frazę główną. Musi wygrać kilka mniejszych wyścigów naraz, każdy o inny fragment pytania klienta.
Nie tylko Google: czy ChatGPT robi to samo?
Tak, ale nie w identyczny sposób, i to akurat warto zapamiętać. Żaden z pozostałych dostawców (OpenAI, Perplexity AI, Microsoft) nie opublikował własnej, oficjalnej dokumentacji technicznej porównywalnej z tym, co Google pokazał publicznie przy AI Mode.
To, co wiemy, pochodzi w dużej mierze z reverse engineeringu prowadzonego przez firmy SEO, nie z oficjalnych źródeł. Francuska agencja RESONEO opublikowała w październiku 2025 roku analizę, według której ChatGPT uruchamia przy jednym zapytaniu trzy równoległe warstwy: fan out tekstowy budujący treść odpowiedzi, fan out zakupowy złożony z jednego do trzech krótkich zapytań powiązanych z danymi Google Shopping Graph, oraz fan out obrazowy, potrafiący wygenerować nawet dziesięć zapytań o ilustracje. Większość pytań uruchamia tylko dwie z tych trzech warstw naraz.
Traktuję to jako wiarygodny, ale nieoficjalny trop, nie potwierdzony fakt. Warto go znać, bo tłumaczy, dlaczego produkty z dobrze wypełnionym kanałem danych zakupowych (Google Merchant Center, feed produktowy) bywają widoczne w ChatGPT, mimo że OpenAI nigdy formalnie tego mechanizmu nie opisało. Zanim jednak uwierzysz w którykolwiek z popularnych mitów o „pozycjonowaniu w ChatGPT”, warto sprawdzić, które z nich faktycznie nie mają pokrycia w rzeczywistości. Rozprawiam się z nimi w tekście Pozycjonowanie w ChatGPT? 4 mity oraz strategia GEO dla firm.
Kiedy model najpierw pyta, zamiast zgadywać
Fan out ma jeszcze jeden wariant, który łatwo przeoczyć: disambiguation, czyli moment, w którym zapytanie jest na tyle niedoprecyzowane, że model zamiast od razu rozjeżdżać się na dziesiątki podzapytań, najpierw próbuje zawęzić pole samodzielnie, a czasem wprost pyta użytkownika o brakujący kontekst.
Złapałam ten przykład na żywo, przyglądając się temu jak mój syn szukając w ChatGPT żyłki do konkretnego kołowrotka wędkarskiego. Model od razu podał wstępną rekomendację na bazie tego, co wiedział z parametrów producenta (pojemność szpuli), z przypisanymi źródłami i ocenami produktów, ale zamiast zgadywać resztę, dopytał wprost o długość wędki, ciężar wyrzutowy i metodę łowienia, zanim zawęził rekomendację do jednego, konkretnego produktu.
Wiadomość dla mniejszych sklepów – jeśli Twoja karta produktu jednoznacznie odpowiada na pytania, o które model dopytuje w tym konkretnym momencie decyzyjnym (długość, waga, metoda, kompatybilność), masz szansę zostać częścią odpowiedzi na etapie doprecyzowania, nie tylko w pierwszej, ogólnej rekomendacji.
Przeczytaj o tym jak optymalizować opisy produktów pod AI.
Jak fanout rozbija jedno zapytanie na kilka pomniejszych?
Zobaczmy to na czymś konkretnym, nie na abstrakcji. Wyobraź sobie zapytanie, które klient wpisuje do ChatGPT albo Google AI Mode: „Szukam fotela biurowego z podparciem lędźwiowym, który wytrzyma osobę do 120 kg, zmieści się pod biurkiem o wysokości 70 cm, z regulowanymi podłokietnikami, i żeby nie zaczął skrzypieć po roku używania„.
Jedno zdanie, ale model nie potraktuje go jako jednej całości. Rozbije je mniej więcej tak:
- Podintencja 1: udźwig i konstrukcja (do 120 kg)
- Podintencja 2: ergonomia (podparcie lędźwiowe)
- Podintencja 3: wymiary i kompatybilność (wysokość pod biurkiem 70 cm)
- Podintencja 4: regulacja (podłokietniki)
- Podintencja 5: trwałość w czasie (brak skrzypienia po roku)
Informację o udźwigu model może znaleźć w Twojej tabeli specyfikacji. Dane o wysokości siedziska, w opisie faktograficznym. Ale odpowiedź na piątą podintencję, o skrzypieniu po roku, prawdopodobnie nie znajdzie się nigdzie w Twoim opisie produktu, bo to nie jest parametr, tylko doświadczenie z użytkowania. Znajdzie ją, jeśli w ogóle się znajdzie, w recenzji klienta, który akurat to napisał wprost.
Skala tego zjawiska jest zresztą większa, niż mogłoby się wydawać z jednego przykładu, przynajmniej po stronie Google. Badania Seer Interactive (501 promptów przepuszczonych przez API Gemini 3) i Nectiv (analiza ponad 60 000 zapytań, ta sama metoda) pokazują, że przeciętny prompt w Gemini generuje 9 do 11 podzapytań, a niemal jedna czwarta przypadków wywołuje ich 12 do 19, w skrajnych przypadkach nawet 28. To dane konkretnie dla Gemini, czyli silnika stojącego za Google AI Mode i AI Overviews, nie uniwersalna liczba dla wszystkich platform. ChatGPT w tych samych badaniach wypada znacznie skromniej, zwykle 2 do 4 podzapytań na prompt. Nasz fotel z pięcioma podintencjami to więc raczej dolna granica tego, co dzieje się pod maską przy bardziej złożonych pytaniach w Google, i już powyżej typowej skali w ChatGPT.
To pokazuje coś, o czym pisałam już przy okazji kart produktowych: fanout wygrywają nie tylko fakty z karty katalogowej, ale też treści, których sam producent nigdy by nie napisał, bo dotyczą realnego doświadczenia, nie specyfikacji. Jeśli interesuje Cię, jak to zbudować kompleksowo na poziomie samej karty produktu, cały mechanizm i konkretną architekturę opisałam w tekście Jak pisać opisy produktów pod AI.
Query fan out, query augmentation i grounding, czy to to samo?
Nie, choć te terminy często się myli, bo dotyczą tego samego obszaru technologii. Warto je rozróżnić, jeśli chcesz rozmawiać o tym precyzyjnie, nie tylko intuicyjnie.
Query augmentation to najprostszy z trzech mechanizmów: system dopowiada brakujący kontekst do jednego zapytania, rozwija skrót, dorzuca synonim, żeby lepiej zrozumieć, o co pytasz. To wciąż jedno zapytanie, tylko wzbogacone.
Query fan out idzie o krok dalej: z jednego zapytania robi wiele osobnych, równolegle przeszukiwanych podzapytań, o czym pisałam wyżej.
Grounding to zupełnie inna warstwa, odpowiedzialna za wiarygodność, nie za zakres. To mechanizm, dzięki któremu model opiera swoją odpowiedź na konkretnych, sprawdzalnych źródłach, zamiast zmyślać fakty z pamięci. Fan out decyduje, gdzie model szuka, grounding decyduje, czy to, co znajdzie, faktycznie zostanie w odpowiedzi przywołane jako fakt z przypisanym źródłem, a nie jako halucynacja.
Dla Ciebie jako twórcy treści to rozróżnienie ma jedną praktyczną konsekwencję: nie wystarczy być trafną odpowiedzią na podzapytanie (fan out). Trzeba jeszcze być na tyle wiarygodnym źródłem, żeby model chciał Cię przywołać zamiast zgadywać (grounding). Jedno bez drugiego nie działa.
Warto to zobaczyć obok siebie, jedno przy drugim:
| Cecha | Tradycyjne wyszukiwanie (SEO) | Wyszukiwanie generatywne (GEO + fanout) |
|---|---|---|
| Co analizuje algorytm? | Cały dokument lub podstronę jako jedną całość | Pojedyncze, niezależne fragmenty tekstu (chunki) |
| Jak traktowane jest pytanie? | Jako ciąg słów kluczowych i fraza główna | Jako zbiór ukrytych podintencji, wymagań i wykluczeń |
| Liczba zapytań do indeksu | Jedno zapytanie, jedna lista wyników | Wiele podzapytań jednocześnie dla jednego pytania |
| Co decyduje o sukcesie? | Autorytet domeny, linki, nasycenie frazą kluczową | Gęstość faktów, czysty HTML, unikalność danych |
| Rola opinii klientów | Dodatkowy element budujący zaufanie | Krytyczne źródło odpowiedzi na podzapytania o realne doświadczenie |
To dobre podsumowanie różnicy mentalnej, jaką musisz przejść, zanim przejdziemy do konkretnych wskazówek.
Jak query fan out wpływa na SEO (GEO)?
Największa zmiana mentalna, jaką musisz przejść, brzmi tak: przestań myśleć w kategoriach jednej, głównej frazy kluczowej, a zacznij myśleć w kategoriach pełnego pokrycia tematu. To zresztą część szerszego przesunięcia, które opisywałam przy okazji zmian w samym sposobie szukania informacji, od trzysłownych fraz po wielowarstwowe, konwersacyjne pytania, w tekście Trendy dot. wyszukań w 2026 roku vs. obecność marki w Google i LLM’ach.
Co to oznacza w praktyce? Przede wszystkim, że musisz podbić gęstość faktów w każdej sekcji treści, tak żeby jak najwięcej potencjalnych podzapytań miało w ogóle gdzie znaleźć odpowiedź. Do tego dochodzi FAQ projektowane pod pytania graniczne, nie te oczywiste, bo to właśnie w wyjątkach i ograniczeniach model najczęściej szuka pewności, zanim coś poleci. I jeszcze jedno, łatwe do przeoczenia: nie licz wyłącznie na własny opis. Realne doświadczenia klientów, recenzje, zdjęcia, filmy, muszą być widoczne i czytelne dla botów, bo część podintencji da się zaspokoić tylko stamtąd, nie z Twojej specyfikacji.
Jest jeszcze jedna konsekwencja, mniej oczywista, ale ważna dla planowania budżetu treści: skoro model rozbija zapytanie na kilka podintencji i szuka dla każdej osobnego, najlepszego źródła, to realistycznie nie musisz wygrywać wszystkiego samodzielnie. Wystarczy, że jesteś najlepszą odpowiedzią na dwie, trzy podintencje z pięciu, żeby znaleźć się w finalnej rekomendacji obok innych marek. Mniejsze sklepy mają tu realną szansę, bo konkurowanie na każdym możliwym froncie naraz z gigantami przestaje być warunkiem koniecznym.
Jak sprawdzić własny fanout
Żaden dostawca AI nie pokazuje wprost, jakie podzapytania wygenerował dla Twojego pytania, więc każde narzędzie, które to „symuluje”, robi to na zasadzie przybliżenia, nie odczytu z systemu. Warto o tym pamiętać, zanim uznasz wynik za pewnik.
Kilka narzędzi, z których korzysta branża: darmowe Qforia od iPullRank (wymaga własnego klucza API do Gemini), narzędzie AI Visibility & Coverage Analysis od Locomotive Agency, oraz płatny Otterly, który dodatkowo śledzi widoczność marki w odpowiedziach w czasie. Żadne z nich nie zastąpi najprostszego testu: zadaj modelowi swoje typowe zapytanie klienckie wprost, bez podawania marki, i zobacz, jakie produkty i jakie argumenty pojawiają się w odpowiedzi.
Jedna pułapka, w którą łatwo wpaść przy takiej analizie: pokusa, żeby wygenerowaną listę podzapytań potraktować jak nową listę słów kluczowych do targetowania w klasycznym SEO. Seer Interactive sprawdził to na własnych danych z Gemini i wyszło, że ponad 95% podzapytań generowanych przez fanout ma zerowy wolumen wyszukiwań w standardowych narzędziach do analizy słów kluczowych. To logiczne, bo te frazy nigdy nie miały być wpisywane przez człowieka, to syntetyczne zapytania tworzone przez model na potrzeby własnego researchu. Chodzi więc o pokrycie tematu, nie o dopisanie kolejnej kolumny do arkusza z frazami.
Sprawdź to na swoim produkcie
Weź jedno zapytanie, które realnie mogliby wpisać Twoi klienci, najlepiej długie i z kilkoma warunkami naraz. Rozbij je samodzielnie na podintencje, tak jak zrobiłam to wyżej z fotelem biurowym. Potem sprawdź kartę po karcie: czy masz odpowiedź na każdą z nich, i czy ta odpowiedź stoi w tekście jako samodzielny, weryfikowalny fakt, czy tylko jako domysł, który sam sobie dopowiadasz.
Źródła:
- Robby Stein (Google), wywiad dla Search Engine Journal, Matt G. Southern, „Query Fan-Out Technique in AI Mode: New Details From Google” – https://www.searchenginejournal.com/query-fan-out-technique-in-ai-mode-new-details-from-google/552532/
- Search Engine Land, „Query fan-out in AI search: What is it and how does it work?” (opis czterech etapów, patent US11663201B2) – https://searchengineland.com/guide/query-fan-out
- Ethan Lazuk, „Google’s Query Fan-Out Technique and What SEOs Should Know About It” – https://ethanlazuk.com/blog/googles-query-fan-out/
- Analiza RESONEO (październik 2025) dot. warstw fan-out w ChatGPT, via Julien Gourdon, „Everything You Need to Know About Query Fan-Out” – https://julien-gourdon.fr/article/en/what-is-query-fan-out
- Katarzyna Kwartnik, Senuto, „Czym jest Query fan-out i jak wpływa na SEO?” (rozróżnienie fan-out/augmentation/grounding) – https://www.senuto.com/pl/blog/czym-jest-query-fan-out-i-jak-wplywa-na-seo/
- Despina Gavoyannis, Ahrefs, „What is Query Fan-Out? Understanding the Hidden Queries Driving AI Search” (reciprocal rank fusion, dane o skali fanoutu) – https://ahrefs.com/blog/query-fan-out/
- Nick Haigler, Seer Interactive, „Initial Research: Gemini 3 Query Fan-Outs” (badanie pierwotne, 501 promptów, API Gemini 3) – https://www.seerinteractive.com/insights/gemini-3-query-fan-outs-research
- Chris Long, Nectiv, „New Research: What We Learned From Analyzing 60K+ Google Fan-Out Queries” (badanie pierwotne, ponad 60 000 zapytań) – https://nectivdigital.com/blog/new-research-we-analyzed-60k-google-fan-out-queries/
