Décomposition de requêtes (Query Fan-Out)
Definition
Le query fan-out est le mécanisme que plusieurs systèmes de recherche IA, le plus visiblement Google AI Mode et les AI Overviews, utilisent pour répondre à une question unique de façon plus complète qu'une recherche par mots-clés classique ne le permettrait. Plutôt que de faire correspondre la requête à une liste de pages classées, le système la décompose en plusieurs sous-requêtes liées, parfois appelées requêtes synthétiques, couvrant le sujet principal, des attributs connexes et des questions de suivi probables que l'utilisateur n'a pas tapées. Ce comportement a aussi été documenté en détail pour le mode recherche de ChatGPT, pas seulement pour les systèmes de Google, comme le montre ChatGPT Search visibility now depends on web.run and fan-out queries.
Ces sous-requêtes s'exécutent sur le web largement en parallèle plutôt que les unes après les autres, et les résultats sont synthétisés en une seule réponse qui résout les contradictions entre les sources et met en avant les thèmes récurrents entre elles. Un seul prompt visible peut ainsi déclencher une douzaine de recherches sous-jacentes ou plus qui n'apparaissent jamais à l'utilisateur, ce qui signifie qu'une page peut influencer une réponse IA, ou non, en fonction d'une sous-requête que la question d'origine n'a jamais explicitement mentionnée.
Pour la stratégie de contenu, le query fan-out change l'unité d'optimisation : plutôt que de se demander si une page cible le bon mot-clé, la question la plus utile devient de savoir si la page couvre l'ensemble des questions que quelqu'un poserait logiquement autour d'un sujet. Les pages qui répondent à plusieurs des sous-requêtes probables qu'un système génère pour un sujet ont plus de chances d'être intégrées à la synthèse que les pages construites étroitement autour d'une seule expression exacte, ce qui explique en partie pourquoi l'optimisation des citations IA favorise de plus en plus les pages complètes et bien structurées plutôt que les pages ciblées de façon étroite. Des outils comme l'analyse de visibilité multi-LLM de BotRank rendent cela concret en testant la performance d'un sujet sur les nombreuses sous-requêtes vers lesquelles un moteur décompose un seul prompt, plutôt que sur une seule expression exacte.
Exemples
Un utilisateur demande à un système AI Mode « quelle est la meilleure chaussure de running pour les pieds plats ». Derrière cette question unique visible, le système peut exécuter des sous-requêtes séparées sur les caractéristiques de stabilité des chaussures, des conditions spécifiques liées aux pieds plats, les modèles les mieux notés par catégorie et les fourchettes de prix, puis fusionner les résultats en une seule recommandation. La page d'une marque de chaussures ne se classe pour aucune de ces sous-requêtes individuellement mais est incluse parce qu'elle répond bien à trois des quatre dans un seul article.
Un site de comparaison de logiciels restructure sa page d'atterrissage principale, passant d'un long paragraphe unique par concurrent à des sections distinctes répondant séparément sur le prix, les intégrations, la sécurité et le support. Le trafic issu des réponses de type AI Mode augmente sensiblement, car chaque section correspond désormais à l'une des sous-requêtes probables générées à partir de prompts plus larges comme « meilleur outil [catégorie] ».
Foire aux questions
Google appelle-t-il officiellement cette technique « query fan-out » ?
« Query fan-out » est le terme qui s'est répandu dans la communauté SEO et GEO pour décrire ce comportement, ce n'est pas une appellation officielle utilisée par Google dans sa propre documentation. Les dépôts de brevets liés de Google décrivent un mécanisme similaire comme une génération de variantes de requête, et des représentants de Google ont évoqué l'idée sous-jacente lors de présentations publiques sur AI Mode sans nécessairement utiliser l'expression exacte « fan-out ». Le comportement décrit est observé de façon cohérente, même si la terminologie employée varie selon les sources.
Combien de sous-requêtes une seule question génère-t-elle en général ?
Il n'existe pas de chiffre fixe et Google n'en a publié aucun, mais les analyses et tests indépendants sur AI Mode ont observé de quelques sous-requêtes à plus d'une douzaine déclenchées par un seul prompt visible, selon le degré de largeur ou d'ambiguïté de la question d'origine. Une question précise et étroite a tendance à se décomposer en moins de sous-requêtes qu'une question ouverte, car il y a moins d'ambiguïté à résoudre.
En quoi le query fan-out diffère-t-il de l'expansion de requête en recherche classique ?
L'expansion de requête classique ajoute généralement des synonymes ou des termes proches à une seule recherche pour élargir le pool de pages correspondantes, mais elle renvoie toujours une seule liste classée de liens pour une seule requête. Le query fan-out exécute plusieurs sous-requêtes distinctes, couvrant souvent des sous-thèmes différents plutôt que des synonymes de la même idée, et fusionne leurs résultats en une seule réponse synthétisée plutôt qu'une liste classée. Le résultat final est une explication générée avec des citations, pas un ensemble de liens que l'utilisateur doit évaluer lui-même.
Une page peut-elle être incluse dans une réponse IA via le fan-out même si elle ne se classe jamais pour la requête d'origine ?
Oui, et c'est l'un des effets les plus contre-intuitifs de cette technique. Puisque le système décompose la question visible en sous-requêtes que l'utilisateur n'a jamais tapées, une page mal classée pour l'expression exacte d'origine peut tout de même être intégrée à la réponse synthétisée si elle se classe bien pour l'une des sous-requêtes sous-jacentes générées par le système. C'est en partie pourquoi un contenu complet et bien structuré tend à mieux performer dans les réponses IA qu'un contenu optimisé étroitement autour d'un seul mot-clé exact.
Comment une équipe contenu doit-elle adapter son processus au query fan-out ?
L'adaptation la plus directe consiste à planifier le contenu autour de l'ensemble des questions qu'un sujet soulève réellement, plutôt qu'autour d'un seul mot-clé cible, car chacune de ces questions liées pourrait devenir une sous-requête vers laquelle le système décompose le prompt. Structurer une page avec des sections claires et répondables séparément, couvrant le prix, les comparaisons, les cas d'usage ou les spécifications comme des blocs distincts, tend à correspondre à davantage de sous-requêtes qu'un récit continu unique. Examiner les sous-thèmes pour lesquels les concurrents sont cités, via l'analyse des sources, aide aussi à identifier les sous-requêtes qu'une page manque actuellement.
