Quando alguém faz uma pergunta longa a uma IA de busca, a resposta raramente nasce de uma única consulta. O sistema quebra o pedido em partes, pesquisa cada uma e junta o que encontrou. Essa quebra tem nome: query fan-out. Para quem produz conteúdo, a consequência é direta: sua página pode ser escolhida por responder a uma subpergunta que o usuário nem digitou.
O problema é que ninguém de fora enxerga essas subconsultas. Por isso, mapear fan-out é um exercício de estimativa, e não de espionagem. Este guia mostra um método de 7 passos para construir essa estimativa com fontes reais, avaliar o que o seu site já cobre e decidir o que escrever primeiro, sem vender certeza onde ela não existe.
O que é query fan-out e o que o Google diz sobre ele
A documentação do Google sobre recursos de IA afirma que AI Overviews e o Modo IA podem usar query fan-out, descrito como o envio de várias buscas relacionadas, em subtópicos e fontes de dados, enquanto a resposta é gerada. O guia de otimização para IA generativa dá a definição formal de um conjunto de consultas relacionadas e simultâneas geradas pelo modelo para obter mais informações, e traz um único exemplo oficial: de uma pergunta sobre como recuperar um gramado cheio de ervas daninhas surgem subconsultas sobre herbicidas, remoção sem químicos e prevenção.
Como uma pergunta vira várias buscas
O exemplo oficial do Google para query fan-out, passo a passo.
O MODELO DISPARA SUBCONSULTAS EM PARALELO
OS RESULTADOS SÃO COMBINADOS
No anúncio do Modo IA, o Google explica que a técnica divide a pergunta em subtópicos e dispara várias buscas por conta do usuário, e que o Deep Search usa a mesma ideia de forma mais avançada, podendo iniciar centenas de buscas para montar um relatório com citações, segundo a versão italiana do anúncio. A patente US20240289407A1 (pedido pendente, não patente concedida) descreve a geração de consultas sintéticas a partir da saída de um modelo de linguagem. Patente não prova que o produto funciona assim, mas ajuda a entender a lógica.
O vídeo abaixo, divulgado pelo Google no anúncio do Modo IA, mostra o mecanismo em ação: o usuário faz um pedido longo, com vários critérios, e o Deep Search avisa que está iniciando várias buscas e exibe as subconsultas antes de montar o relatório. A interface está em inglês, como no original.
Para o contexto interno, o glossário de GEO define os termos e o post sobre o R4T-Diffusion trata da aceleração do fan-out.
O que dá e o que não dá para saber
| Dá para saber | Não dá para saber |
|---|---|
| O conceito e o exemplo oficial do Google | As subconsultas reais geradas para uma pergunta |
| Quais páginas suas aparecem em recursos de IA (Search Console, quando disponível) | Quantas subconsultas são geradas em média |
| O que o seu conteúdo já responde | Se o ChatGPT e o Perplexity usam o mesmo mecanismo (a Ajuda da OpenAI sobre busca não descreve múltiplas buscas) |
| Padrões de pergunta que seu público faz | A taxonomia oficial de tipos de subconsulta (o Google não publica uma) |
Essa tabela define o tom do método. Os tipos de subpergunta que você vai usar a seguir são um gabarito prático, montado a partir do exemplo oficial e da lógica de compra, e não uma lista do Google. Ferramentas de terceiros também não acessam os sistemas internos do Google, como o próprio guia de otimização ressalta.
Método em 7 passos para mapear o fan-out
- 1Pergunta-semente: escolha 10 a 30 perguntas de alto valor.
- 2Subperguntas por tipo: gere de 2 a 4 por categoria.
- 3Simulação com assistentes: repita e fique com a interseção.
- 4Sinais reais: Search Console, autocomplete, atendimento.
- 5Matriz de cobertura: pergunta x conteúdo x lacuna x formato.
- 6Priorização: potencial x proximidade comercial x lacuna.
- 7Validação: repetir por trimestre e medir tendência.
Passo 1: escolha as perguntas-semente
Comece com 10 a 30 perguntas de alto valor para o negócio. Boas fontes: consultas longas no Search Console, perguntas do atendimento e do chat do site, buscas internas da loja. Exemplo para um e-commerce de esporte: “melhor tênis de corrida para iniciante”.
Passo 2: gere subperguntas por tipo
Para cada semente, escreva de 2 a 4 subperguntas em cada categoria do quadro abaixo. O objetivo é cobrir a jornada de decisão, não só a definição.
| Tipo | Exemplo para a semente acima |
|---|---|
| Definição | O que é pronação e amortecimento |
| Critérios | O que avaliar em um tênis para iniciante |
| Comparação | Modelo A x modelo B para 10 km |
| Preço | Tênis de corrida bom até R$ 500 |
| Alternativas | Opções mais baratas que o modelo X |
| Como fazer | Como escolher o número e saber o tipo de pisada |
| Avaliações | O modelo Y é bom para iniciantes? |
| Local | Loja de tênis de corrida na minha cidade |
| Restrições | Para pisada pronada, peso acima de 90 kg ou esteira |
| Pós-compra | Quando trocar e como funciona a troca |
Passo 3: simule com assistentes de IA, sem tratar como verdade
Peça a um assistente que liste as buscas que faria para responder à semente. Registre data, ferramenta e prompt. Repita três vezes e fique só com o que aparece em mais de uma rodada, porque a saída varia entre execuções. O resultado é uma hipótese: rotule como tal. Quando uma ferramenta de pesquisa mostrar os termos buscados, anote-os como evidência mais forte. Para complementar, o post sobre as perguntas de acompanhamento do Modo IA mostra como ler o que a própria interface sugere depois da resposta.
Passo 4: some sinais reais de demanda
Use, em ordem de confiança: consultas e páginas do Search Console; perguntas de acompanhamento do Modo IA; autocomplete e “as pessoas também perguntam”; atendimento e chat; avaliações de clientes, que expõem restrições reais. A documentação informa que o tráfego de AI Overviews e do Modo IA entra no relatório de desempenho, no tipo de pesquisa Web. Segundo a imprensa especializada, o Google também anunciou relatórios próprios de IA generativa, liberados a um grupo de sites, com impressões por página, país, dispositivo e data, conforme a cobertura do PPC Land. Eles mostram quais páginas apareceram, não quais subconsultas foram geradas.
Passo 5: monte a matriz de cobertura
Crie uma linha por subpergunta, com estas colunas: pergunta, tipo, fonte do sinal, URL que responde hoje, cobertura (0, 1 ou 2), lacuna, formato sugerido e prioridade. A cobertura segue uma régua simples: 0 = não existe resposta; 1 = existe, mas rasa ou escondida; 2 = resposta direta em título ou seção própria.
Passo 6: priorize pelo que pesa na decisão
Uma conta prática: pontuação = potencial × proximidade comercial × (2 − cobertura). Potencial pode ser impressões do Search Console ou a presença da pergunta em duas fontes ou mais; proximidade comercial vai de 1 a 3, em que 3 é a pergunta de quem está prestes a comprar. A cobertura entra invertida: lacunas (0) pesam o dobro de coberturas parciais (1) e coberturas completas (2) zeram a pontuação. Agrupe subperguntas parecidas na mesma página.
Passo 7: valide e repita
Refaça a simulação a cada trimestre e acompanhe páginas e impressões no Search Console. Não atribua uma variação a uma única edição, porque os relatórios de IA estão em amostra e o comportamento dos sistemas muda.

Exemplo ilustrativo: 24 subperguntas, 14 lacunas
Os números abaixo são hipotéticos e servem apenas para mostrar a conta. Para a semente “melhor tênis de corrida para iniciante”, foram geradas 24 subperguntas e comparadas com o conteúdo existente.
| Tipo | Subperguntas | Plena (2) | Parcial (1) | Sem cobertura (0) |
|---|---|---|---|---|
| Definição e critérios | 4 | 2 | 1 | 1 |
| Comparação | 4 | 0 | 1 | 3 |
| Preço | 3 | 2 | 1 | 0 |
| Alternativas | 2 | 0 | 0 | 2 |
| Como fazer | 3 | 0 | 1 | 2 |
| Avaliações | 3 | 1 | 1 | 1 |
| Local | 1 | 0 | 0 | 1 |
| Restrições | 4 | 0 | 0 | 4 |
| Total | 24 | 5 | 5 | 14 |
Leitura: cobertura plena = 5 ÷ 24 = 21%; cobertura parcial ou plena = 10 ÷ 24 = 42%. As lacunas se concentram em restrições (0 de 4) e comparação (0 de 4 com resposta direta). A ação sugerida: um guia de escolha com seções por perfil (pisada, peso, esteira) e uma tabela comparando os cinco modelos mais vendidos. Duas páginas fecham cerca de 8 das 14 lacunas.
Em gráfico, a concentração das lacunas fica mais visível. Cada barra soma as subperguntas de um tipo; o trecho laranja mostra as que ainda não têm resposta no site (cobertura 0), e o número à direita indica quantas lacunas existem em cada tipo:
Onde estão as 14 lacunas
Cobertura por tipo de subpergunta no exemplo ilustrativo (24 subperguntas).
Números hipotéticos, os mesmos da tabela acima, usados apenas para ilustrar o método.
O que o Google recomenda e o que não é necessário
A mesma documentação traz limites úteis para quem quer agir. Para aparecer nos recursos de IA, a página precisa estar indexada e elegível a snippet, e não há requisitos técnicos adicionais. O guia de otimização lista como mitos a necessidade de fragmentar o conteúdo em pedaços pequenos, de criar arquivos como o llms.txt e de reescrever o texto só para a IA, e pede conteúdo com ponto de vista próprio, experiência ou dados que o concorrente não tem.
Na prática, isso reforça o formato da matriz: agrupar respostas em seções e perguntas dentro de páginas fortes, em vez de criar uma microlanding por subpergunta. O post sobre o monitoramento de prompts complementa o método com a rotina de medição.
Erros comuns ao mapear query fan-out
Os erros abaixo distorcem o mapa ou levam a ações pouco úteis. Cada um traz o motivo e a correção.
Erros de método
| Erro | Por que distorce | Como corrigir |
|---|---|---|
| Tratar a simulação do assistente como as consultas reais do Google | O Google não publica as subconsultas e ferramentas de terceiros não acessam seus sistemas | Rotular como hipótese e cruzar com dados reais |
| Rodar o prompt uma única vez | A saída varia entre execuções e gera falsos achados | Repetir três vezes e usar a interseção |
| Mapear só definições e “o que é” | O exemplo oficial mostra subconsultas de produto e de ação; sem preço, comparação e restrições o mapa fica no topo do funil | Cobrir todos os tipos do gabarito |
| Ignorar o Search Console | Sem dados reais a lista fica sem sinal de demanda | Partir de consultas e páginas reais |
Erros de interpretação
| Erro | Por que distorce | Como corrigir |
|---|---|---|
| Generalizar de uma plataforma para todas | AI Overviews, Modo IA, ChatGPT e Perplexity têm mecanismos distintos | Marcar a plataforma de cada achado |
| Tratar patente como especificação do produto | É pedido pendente e não prova o funcionamento atual | Usar como contexto, não como regra |
| Priorizar só por volume de busca | Perguntas de comparação e restrição têm volume baixo e peso alto na decisão | Incluir proximidade comercial na pontuação |
| Atribuir variação de impressões a uma ação isolada | Os relatórios de IA estão em amostra e o comportamento muda | Observar tendência por trimestre |
Erros de ação
| Erro | Por que distorce | Como corrigir |
|---|---|---|
| Criar uma página para cada subpergunta | Conflita com a orientação de não fragmentar e canibaliza conteúdo | Agrupar em seções e FAQs de páginas fortes |
| Reescrever tudo “para IA” ou criar llms.txt | O Google diz que é desnecessário e que a Busca ignora o arquivo | Investir em conteúdo com ponto de vista e dados próprios |
| Responder com conteúdo igual ao dos concorrentes | O guia pede conteúdo que não seja commodity | Acrescentar teste, critério ou dado próprio |
| Não medir a cobertura existente | Reescreve-se o que já responde bem e deixa-se passar a lacuna | Usar a coluna de cobertura 0, 1 ou 2 |
Checklist para colocar o método em prática
- Escolher 10 a 30 perguntas-semente de alto valor.
- Gerar 2 a 4 subperguntas por tipo do gabarito.
- Simular com assistentes três vezes e registrar data, ferramenta e prompt.
- Cruzar com Search Console, autocomplete, atendimento e avaliações.
- Montar a matriz com cobertura 0, 1 ou 2.
- Priorizar por potencial, proximidade comercial e lacuna.
- Agrupar respostas em seções e FAQs de páginas fortes.
- Repetir a simulação a cada trimestre.
Perguntas frequentes
O que é query fan-out?
É a técnica em que o sistema de IA divide uma pergunta em subtópicos e dispara várias buscas relacionadas para montar a resposta. O Google descreve isso para AI Overviews e Modo IA.
Dá para ver as subconsultas que o Google gerou para a minha página?
Não. O Google não publica as subconsultas, e os relatórios de IA do Search Console, quando disponíveis, mostram páginas e impressões, não as consultas geradas.
O ChatGPT e o Perplexity usam fan-out?
A Ajuda da OpenAI sobre busca não descreve múltiplas buscas por pergunta, e a documentação do Perplexity não foi analisada aqui. Não generalize o mecanismo do Google para outras plataformas.
Preciso de uma página para cada subpergunta?
Não. O Google orienta a não fragmentar o conteúdo. O caminho é agrupar respostas em seções, tabelas e FAQs dentro de páginas fortes.
Preciso criar um llms.txt para aparecer nas respostas de IA do Google?
O guia do Google lista o llms.txt entre os mitos e diz que a Busca o ignora. Não há requisitos técnicos adicionais além de indexação e elegibilidade a snippet.
Com que frequência devo refazer o mapa?
A cada trimestre é um bom começo, comparando a cobertura e as impressões. Essa periodicidade é uma referência prática, não uma regra do Google.
Esse método serve para sites que não são e-commerce?
Sim. Os tipos do gabarito (definição, comparação, preço, como fazer, restrições) se adaptam a serviços, SaaS e conteúdo editorial.



