Термин Fan-out придуман в Google. Но все ли нейросети работают одинаково?

В GEO всё чаще встречаю термин query fan-out (веерные запросы). Его преподносят как универсальный механизм работы нейросетей. Так ли это?

Что такое fan-out?

В марте 2025 года Google публично описал технологию query fan-out для AI Mode.

Суть: пользователь задаёт один сложный вопрос, система разбивает его на подтемы, выполняет несколько поисковых запросов параллельно, собирает информацию и формирует ответ. Но Google не изобрёл сам принцип разбиения сложных задач на поисковые подзапросы.


Посмотрим, как это реализовано у других компаний.

1. ChatGPT - Query rewriting

• Переформулирует вопрос в один или несколько целевых поисковых запросов.
• Может изучить первые результаты, после чего выполнить дополнительные, более точные поиски.

То есть поиск может быть последовательным, а не только параллельным.


2. Microsoft Copilot - Search query generation

• Выделяет из вопроса ключевые поисковые формулировки и отправляет их в Bing.
• Это может быть один запрос или несколько. Microsoft документирует оба сценария.


3. Claude (Anthropic) - Web search

• В документации Anthropic прямо говорится, что поиск может повторяться несколько раз в рамках одного пользовательского запроса.
• Дополнительно Claude может программно фильтровать найденные результаты перед включением их в контекст.


4. Алиса AI (Яндекс) - уточнение запроса и подвопросы (Query decomposition)

И здесь самое интересное. Яндекс официально описывает механизм разбиения пользовательского запроса на дополнительные вопросы.

Например, пользователь пишет: «хоккей удаление до конца матча»

Алиса может сформировать два подвопроса:
- как называется удаление до конца матча в хоккее;
- за какие нарушения в хоккее назначается матч-штраф.

Затем обращается с уточнёнными запросами к Поиску Яндекса и формирует ответ на основе найденных источников.


5. Amazon Bedrock - Query decomposition / Agentic retrieval

Здесь речь уже не об отдельном чат-боте, а об инструментах построения ИИ-систем.

• Сложный вопрос разбивается на подзапросы.
• Система ищет информацию в подключённых базах знаний, оценивает её достаточность и при необходимости повторяет поиск.


Что из этого следует для GEO?

Общий принцип - поиск и извлечение информации (retrieval). При необходимости система может предварительно переформулировать или декомпозировать запрос.

Но архитектуры, источники, последовательность действий и способы отбора информации отличаются.

Поэтому нельзя автоматически переносить исследования fan-out Google на ChatGPT, Алису или Claude.

Тем более не допустимо утверждать, что существует некая отдельная «агентская семантика», которая важнее обычной пользовательской семантики. На данный момент это миф.

В Реальностьи тот же ChatGPT действительно может формировать дополнительные поисковые запросы. Но это не доказывает существование принципиально нового вида семантики или его превосходство над традиционным SEO.


Для меня правильный подход к GEO - исследовать, какие источники использует конкретная ИИ-система, как она их находит и по каким признакам выбирает для ответа.

GEO-продвижение должно строиться на проверяемых механизмах и доказанных закономерностях, а не на пустой болтовне, когда частные наблюдения за одной нейросетью выдают за универсальные законы работы всех ИИ-систем.


Официальные источники:
• Google Query fan-out
https://blog.google/products-and-platforms/products/search/ai-mode-search/
• OpenAI - ChatGPT Search
https://help.openai.com/en/articles/9237897-searching-the-web-with-chatgpt
• Microsoft - Web Search in Copilot
https://learn.microsoft.com/en-us/microsoft-365/copilot/manage-public-web-access
• Anthropic - Claude Web Search
https://platform.claude.com/docs/ru/agents-and-tools/tool-use/web-search-tool
• Яндекс - Как формируются ответы Алисы AI
https://www.yandex.ru/support/webmaster/ru/alice
• Amazon - Agentic Retrieval
https://docs.aws.amazon.com/bedrock/latest/userguide/kb-test-agentic-retrieve.html