TLDR
Query Fan out, technologie derrière AI Overviews et IA Mode
Quels sont les neuf étapes techniques du query fan‑out
Aperçu concret de la méthode Query Fan Out
Quels outils génèrent les Query Fan Out ?
Outils pour extraire les Query Fan Out de Chatgpt
Comment optimiser le contenu pour les Query Fan Out ?
Query Fan Out, c’est quoi ?
Le “query fan out” est un processus par lequel une intelligence artificielle ou un moteur de recherche décompose une requête initiale, souvent complexe ou large, en plusieurs sous-requêtes plus spécifiques. Ces sous-requêtes explorent différents angles, entités ou intentions liées au sujet original, et sont envoyées en parallèle pour explorer diverses sources d’information avant de synthétiser une réponse complète et nuancée.
Query Fan out, technologie derrière AI Overviews et IA Mode
Le query fan out est utilisé dans les Google AI Overviews ainsi que le IA Mode de Google. Nous le savons grace aux fuites « content warehouse leaks » ainsi que le procès Google VS DOJ.
Comme les AI Overviews arrivent bientôt en France, il est le moment d’en parler pour savoir comment optimiser son contenu pour cette technologie.
PS : Query Fan Out est aussi utilisé par les autres moteurs génératives comme Chatgpt, perplexity et bien sur Gemini(llm sous le capot des AI Overviews et IA Mode)
Voici ce que Google dit sur sa documentation officielle :
En arrière-plan, le mode IA utilise notre technique de répartition des requêtes, qui décompose votre question en sous-thèmes et émet simultanément une multitude de requêtes en votre nom. Cela permet à la recherche d’explorer le Web plus en profondeur qu’une recherche traditionnelle sur Google, vous aidant ainsi à découvrir encore plus de contenu et à trouver des informations incroyablement pertinentes qui correspondent à votre question.
https://blog.google/products/search/google-search-ai-mode-update/#deep-search
Quels sont les neuf étapes techniques du query fan‑out
Le query fan out des Google AI Overviews et du mode IA fonctionne comme suit :
- L’utilisateur pose une question
- Google récupère l’historique de recherche, les signaux depuis l’appareil et le compte utilisateur, etc.
- Découpe de la requête initiale : l’IA analyse la requête complexe ou longue pour identifier les différents concepts, intentions et ambiguïtés.
- Elle fragmente ainsi l’intention globale en éléments plus petits et gérables.
- Génération des sous-requêtes (Fan-Out) : l’IA crée plusieurs sous-requêtes précises et sémantiquement proches, chacune explorant un angle ou une nuance différente du sujet initial.
- Recherche parallèle simultanée : toutes ces sous-requêtes sont exécutées en parallèle sur différentes bases de données, moteurs de recherche, knowledge graphs, etc., afin d’explorer le champ sémantique au maximum.
- Agrégation des résultats : les résultats de ces multiples sous-requêtes sont ensuite combinés, synthétisés et structurés pour fournir une réponse complète, cohérente et optimisée.
Dans le patent original de Google, ils parlent plutôt de 9 étapes distinctes. Regardons vite fait ces étapes.
1 – Receive a Query (Réception d’une requête)
Le système reçoit la requête de l’utilisateur.
2 – Retrieve Context (Réception du contexte)
Il récupère le contexte utile : historique, appareil, préférences.
3 – Initial LLM Output(Résultat initial du LLM)
Un premier LLM analyse la requête et clarifie l’intention.
4 – Generate Synthetic Queries(Génération de requêtes synthétiques)
Le système produit plusieurs sous-requêtes pertinentes.
5 – Retrieve Documents(Récupération de documents)
Il collecte des documents pour chaque sous-requête.
6 – Classify the Query(Classification de la requête)
Chaque requête est catégorisée selon son type (info, action, etc.).
7 – Select Down-stream LLMs(Choix des LLM en aval)
Des modèles spécialisés traitent les résultats selon le besoin.
8 – Generate Final Output(Génération du résultat final)
Toutes les infos sont synthétisées en une réponse cohérente.
9 – Render to Client(Rendu a l’utilisateur)
La réponse finale est formatée et envoyée à l’utilisateur.
Aperçu concret de la méthode Query Fan Out
À mon avis, la meilleure façon de voir le Query Fan-Out en action, c’est d’utiliser Perplexity Pro.
Avec cette version, vous pouvez visualiser en direct toutes les sous-requêtes générées par le LLM pour chaque question que vous posez.
Je vous mets un exemple ci-dessous.
Quels outils génèrent les Query Fan Out ?
Plusieurs outils sont disponibles sur la toile pour générer les Query Fan Out :
Otterly
Selon moi, Otterly est aujourd’hui le meilleur outil pour générer des Query Fan-Out. C’est gratuit, très simple d’utilisation, et vous pouvez même choisir le mode d’analyse que vous souhaitez.
Petite précision : Otterly distingue un “IA Mode” et les Google AI Overviews. Le premier est nettement plus avancé, tandis que les Overviews proposent des réponses plus légères, car elles reposent sur Google Fast Search un sujet que j’aborderai en profondeur une autre fois
Profound
Profound est un outil d’un tout autre niveau. Contrairement aux solutions gratuites, il fonctionne sur abonnement, avec des offres qui démarrent à 99 $ par mois.
Sa promesse est plus ambitieuse : au-delà de l’analyse des sous-requêtes générées par les Query Fan-Out, Profound offre également un suivi de la visibilité de votre marque dans les LLM comme ChatGPT, Gemini, et d’autres modèles majeurs.
Et ce n’est pas tout : la plateforme va plus loin en proposant des services d’optimisation et d’intégration de marque directement dans les modèles d’IA.
Perso, j’ai un petit doute sur à quel point c’est vrai… mais bon.
Query Fan Out generator
Ce generator est pas mal aussi ! Je l’ai testé et il a quelques avantages :
- Il catégorise les sous-requêtes par ordre de priorité.
- Il permet de télécharger les sous-requêtes pour les intégrer facilement à sa stratégie de contenu.
- Et en plus, il est gratuit.
Outils pour extraire les Query Fan Out de Chatgpt
SEO Pub ChatGPT Search Query and Reasoning Extractor
Ce bookmark permet de récupérer les Query Fan-Out depuis ChatGPT.
Créez-le dans votre navigateur (Chrome de préférence) et cliquez dessus après avoir lancé une requête.
Perso, ça marche rarement : soit ChatGPT reste discret, soit la technique ne fonctionne plus. Bref, pas très fiable.
Extraire les Query Fan Out de Chatgpt manuellement
Edward Sturm, consultant SEO, a proposé un petit tuto pour extraire les Query Fan-Out depuis une discussion ChatGPT.
Perso, je l’ai testé : ça fonctionne, mais les sous-requêtes sont souvent rares, généralement une ou deux seulement.
Comment optimiser le contenu pour les Query Fan Out ?
- Utiliser un outil Query Fan Out pour identifier les sous requêtes
- Aller au-delà de la simple optimisation de mots-clés individuels : vous devez comprendre l’ensemble du parcours de vos clients et les nombreuses questions qu’ils se posent sur le sujet de que vous traitez. Autrement dit, vous devez être un vrai Expert dans votre domaine (Expertise du E.E.AT)
- Autorité thématique complète pour viser l’autorité thématique. (Experience du E.E.A.T)
- Couvrir un sujet de manière exhaustive, aborder toutes les sous-requêtes et facettes pertinentes, et les relier sémantiquement.
- Anticiper les questions complémentaires : le but des query Fan Out est de conduire les utilisateurs à leurs questions suivantes et leur fournir les réponses, même si celles-ci ne sont pas explicitement posées dans la requête initiale.
- Pour tout sujet général que vous ciblez, vous devrez réfléchir aux sous-questions ou aux angles qu’un utilisateur pourrait explorer, et fournir des réponses approfondies et ciblées pour chaque sous-sujet. (Trust de votre E.E.AT)
En plus de ces consignes, vous devez aussi prendre en consideration les bonnes pratiques pour optimiser votre contenu pour le GEO(generative Engine Optimisation) ou l’optimisation pour les moteurs de recherche comme :
- Le chunking (decoupage de contenu)
- Adoption des données structurées
- Les listicles
- Les relation presse
Résume sur les query fan out
Le Query Fan-Out décompose une requête complexe en plusieurs sous-requêtes, explore différents angles en parallèle, puis synthétise une réponse complète. Utiliser cette technique et les outils associés (Perplexity Pro, Otterly, Profound) permet de créer un contenu exhaustif, structuré et optimisé pour les moteurs de recherche génératifs.
Laisser un commentaire