Demander un devis Devis

Query fan-out : ce qu’il faut comprendre

L’AI Mode éclate une question en sous-requêtes et compose la réponse à partir de leurs résultats. Ce que ce mécanisme change concrètement pour vos contenus.

· · révisé le · 10 min de lecture

Un réseau de connexions se ramifiant depuis un point unique.

Prenons un responsable SEO devant une capture d’écran. Sa page y figure en première position sur une requête commerciale importante. Sa question : pourquoi n’apparaît-elle dans aucune réponse générée sur cette même requête ?

Dans ce cas d’école, rien n’est forcément cassé. La page se classe bien parce qu’elle répond à la requête ; elle peut ne pas être citée parce que le système n’a pas interrogé cette requête. Il en a fabriqué d’autres.

Ce mécanisme s’appelle le query fan-out. Il se prête aux malentendus, en partie parce qu’il est commode de vendre une méthode pour l’exploiter. Cet article pose ce qui est documenté, ce qui ne l’est pas, et la seule conclusion opérationnelle qui tienne.

Ce que fait le fan-out

Un modèle de langage interprète la question, la décompose en sous-thèmes, et émet simultanément plusieurs requêtes. Les résultats de chacune sont récupérés, puis synthétisés en une réponse unique accompagnée de ses sources. L’utilisateur voit une réponse ; le système a mené plusieurs recherches.

Schéma du query fan-out Une question d’utilisateur est reformulée en plusieurs sous-requêtes lancées en parallèle ; les résultats de chacune sont récupérés puis synthétisés en une réponse unique. LA QUESTION POSÉE sous-requête 1 sous-requête 2 sous-requête 3 sous-requête 4 sous-requête n RÉPONSE COMPOSÉE + SOURCES lancées en parallèle · non publiées par Google
Le principe, tel que Google le décrit.

Le point qui surprend le plus est que certaines sous-requêtes portent sur des aspects que l’utilisateur n’a jamais mentionnés. Une question sur un voyage peut produire une sous-requête sur les activités adaptées aux enfants, sans qu’il ait été question d’enfants. Le système n’élargit pas au hasard : il complète ce qu’une réponse utile suppose.

C’est déjà suffisant pour comprendre le cas de notre exemple. La page répond exactement à la requête. Les sous-requêtes, elles, peuvent porter sur des angles adjacents qu’elle ne traite pas.

Ce que Google dit, et ce qu’il ne dit pas

Le principe est documenté ; les requêtes produites ne le sont pas. Cette asymétrie est la source de presque toutes les approximations qui circulent sur le sujet.

Ce que Google décrit publiquement tient en une phrase, écrite dans l’annonce de l’AI Mode du 20 mai 2025 : l’AI Mode décompose la question en sous-thèmes et émet une multitude de requêtes simultanément. Pour les questions complexes, la fonction Deep Search applique le même principe à plus grande échelle — la même annonce évoque des centaines de recherches pour une seule question. L’annonce de Gemini 3 dans la recherche, le 18 novembre 2025, indique que la technique peut désormais lancer encore plus de recherches, sans donner de nombre.

Ce que Google ne publie pas : les sous-requêtes effectivement émises, leur nombre, et la règle qui les engendre. Le chiffre d’« une douzaine de sous-requêtes par question », abondamment repris, ne vient pas de Google. C’est une estimation d’éditeur, reproduite jusqu’à passer pour une donnée.

L’affaire du brevet

Le document le plus souvent présenté comme le plan du mécanisme ne décrit probablement pas ce qu’on lui prête. Un dépôt de brevet revient constamment dans les articles sur le sujet, cité comme la preuve technique du fonctionnement de l’AI Mode.

Les lectures attentives de ce document décrivent autre chose : une méthode pour amorcer un modèle de langage avec quelques exemples afin de produire des paires requête/document synthétiques à partir d’un corpus, puis entraîner un modèle de récupération sur ces paires. C’est une technique d’entraînement, pas une description du traitement d’une requête en production. Et Google n’a jamais confirmé qu’elle corresponde au dispositif en service.

On peut trouver le détail anecdotique. Il ne l’est pas, pour une raison simple : une méthode fondée sur une lecture erronée du mécanisme produit des recommandations fausses avec l’assurance de celles qui s’appuient sur un brevet.

La preuve par le recouvrement

Si le système interrogeait votre requête, les pages citées seraient celles qui s’y classent. Elles ne le sont pas, et l’écart se mesure.

Ahrefs a posé 15 000 questions de longue traîne à Google et Bing, puis les mêmes aux assistants. En moyenne, 12 % des URL citées par quatre assistants figurent dans le top 10 de Google pour le prompt d’origine. Perplexity, qui exploite son propre index, atteint 28,6 % ; ChatGPT, Gemini et Copilot tournent autour de 8 %. Les AI Overviews, adossées à l’index de Google, montent à 76 % — un chiffre qu’Ahrefs reprend d’une étude antérieure, publiée en juillet 2025. Ahrefs attribue explicitement l’écart au fan-out : les assistants récupèrent sur plusieurs variations de la requête, pas sur la requête.

Recouvrement avec le top 10 de Google, en domaines et en URL Perplexity 91 pour cent de domaines et 82 pour cent d’URL. AI Overviews 86 et 67. AI Mode 54 et 35. domaines URL exactes Perplexity AI Overviews AI Mode 0 25 50 75 100 % Plus un système est adossé à un index de recherche, plus l’écart se resserre
Source : Semrush, 5 000 mots-clés et plus de 150 000 citations, 2026.

Les mesures de Semrush, sur un autre corpus et avec une autre définition, donnent la même hiérarchie : plus un système s’appuie sur un index de recherche classique, plus ses citations ressemblent à un classement, et plus l’écart entre domaines et URL exactes se resserre. Sur AI Mode, cet écart reste de dix-neuf points — le système cite souvent le bon site, mais rarement la page qui se classe.

Ce que ça change pour vos contenus

L’unité de travail devient le passage, pas la page. C’est la conséquence unique, et c’est un chantier éditorial à part entière.

Un système qui récupère pour répondre à une sous-requête ne prend pas votre page : il prend quelques phrases. Ces phrases doivent donc se comprendre sans ce qui précède. C’est contre-intuitif pour un rédacteur formé à la fluidité, où chaque paragraphe s’appuie sur le précédent.

  • Chaque paragraphe important porte son sujet explicitement : pas de « cette méthode », « il », « ce dernier » en ouverture.
  • Les intertitres informent au lieu d’annoncer : « Trois causes expliquent les absences » plutôt que « Les causes ».
  • La réponse précède la démonstration, dans la section comme dans l’article.
  • Les chiffres portent leur unité, leur date et leur périmètre dans la même phrase, puisque la phrase peut circuler seule.

Ces règles ont un effet secondaire appréciable : elles rendent les textes meilleurs pour les lecteurs humains, qui ne lisent pas linéairement non plus. Le détail de la méthode est dans notre guide sur la structure des passages.

Couvrir les angles adjacents sans produire du vide

Puisque les sous-requêtes portent sur des aspects non formulés, la couverture devient un levier. Le piège est d’en déduire qu’il faut produire une page par angle.

C’est l’erreur à éviter. Une page par angle adjacent produit des pages minces qui se font concurrence et que rien ne distingue — et rien ne garantit qu’une sous-requête relevée aujourd’hui soit encore émise demain. Une section par angle, dans une page qui tient, produit de la couverture réelle.

Pour identifier ces angles, nous partons des questions réelles de vos clients et prospects plutôt que d’un générateur de variations : ce que les commerciaux entendent en rendez-vous, les objections récurrentes, les questions du support avant-vente. Un générateur produit des variations lexicales ; les prospects produisent des angles.

Ce qu’on ne peut pas faire

Deux choses : viser des sous-requêtes précises, et lire celles de la recherche Google. Il vaut mieux l’admettre tôt, parce que le marché propose les deux.

Viser une sous-requête supposerait de la connaître d’avance ; or rien ne garantit qu’elle soit identique d’une exécution à l’autre, ni d’un modèle au suivant. Quant à les observer, tout dépend de la surface. La recherche Google ne les expose pas. Ailleurs, elles se lisent : l’API Gemini avec l’ancrage par Google Search, l’outil de recherche web d’OpenAI et celui d’Anthropic renvoient les requêtes émises dans leur réponse, et le rapport AI Performance de Bing Webmaster Tools publie un échantillon des « grounding queries » qui ont mené à une citation. Ces pages décrivent des API et un rapport d’éditeur : un appel à l’API Gemini n’est pas l’AI Mode. Le chapitre query fan-out du manuel dit où lire ces requêtes et comment s’en servir.

Ce qui est mesurable, en revanche, l’est sérieusement : la part de citations sur un corpus de prompts stable, par plateforme, avec une règle de comptage écrite. C’est l’objet de notre article sur la mesure de la visibilité dans les LLM, et c’est le seul indicateur qui vous dira si le travail sur les passages produit un effet.

Ce que ça change pour l’architecture du site

Le fan-out favorise les pages qui couvrent un sujet en profondeur, et pénalise la dispersion. C’est l’inverse de ce que dix ans de SEO ont enseigné, où découper en pages distinctes permettait de viser des requêtes distinctes.

Le raisonnement tient en deux temps. D’abord, les sous-requêtes portent sur des angles voisins : une page qui traite ces angles dans des sections successives offre plusieurs prises à la récupération, alors qu’une page par angle n’en offre qu’une chacune. Ensuite, la dispersion affaiblit chaque page prise séparément — moins de liens entrants, moins de signaux, moins de profondeur.

  • Regroupez plutôt que de scinder quand deux pages traitent deux facettes d’une même question. Une page longue et bien structurée offre plus de prises que deux pages courtes.
  • Gardez des sections identifiables à l’intérieur : intertitres informatifs, ancres, sommaire. Le regroupement ne vaut que si les sections restent prélevables séparément.
  • Résistez à la page par variation lexicale. C’est la pratique que le fan-out rend le plus clairement inutile : le système fabrique lui-même les variations.

Attention au contresens : regrouper ne veut pas dire allonger. Une page qui additionne trois contenus minces reste mince, simplement plus longue.

Questions fréquentes

Peut-on connaître les sous-requêtes de Google ?

Non, pas celles de la recherche Google : Google ne les publie pas. Une liste présentée comme telle a été relevée par API ou produite par un modèle de langage qui imite le mécanisme. L’exercice a une valeur d’exploration, à condition de savoir que ce n’est pas une donnée de la recherche Google.

Le fan-out concerne-t-il aussi les AI Overviews ?

Les AI Overviews se comportent très différemment : 76 % de leurs URL citées proviennent du top 10 de Google pour la requête posée, contre environ 12 % pour les assistants. Cela suggère un recours bien moindre à la reformulation, ou une récupération beaucoup plus adossée au classement existant.

Faut-il viser la longue traîne différemment ?

La longue traîne cesse d’être un terrain de pages dédiées pour devenir un terrain de sections. Les formulations rares sont précisément ce que le système fabrique en sous-requêtes : vous n’avez pas besoin d’une page par formulation, vous avez besoin que votre contenu traite la question sous-jacente.

Comment savoir si le travail sur les passages produit un effet ?

Par la part de citations sur un corpus de prompts stable, relevée avant et après, plateforme par plateforme. C’est le seul retour exploitable, et il ne se lit que sur plusieurs relevés successifs. La méthode est détaillée dans notre article sur la mesure.

Pour le responsable SEO de l’exemple, la suite n’est pas un changement de stratégie : réécrire les intertitres, rendre les paragraphes d’ouverture autonomes, ajouter des sections sur les angles que ses commerciaux entendent en rendez-vous. Rien de cela ne garantit une citation. Mais être premier et être cité sont deux chantiers distincts, et le second ne se déduit pas du premier.

Sources

  1. Ahrefs — Only 12% of AI Cited URLs Rank in Google’s Top 10 for the Original Prompt Publié le 11 août 2025. 15 000 requêtes de longue traîne. La moyenne de 12 % porte sur quatre assistants, Perplexity compris. Le chiffre de 76 % pour les AI Overviews vient d’une étude antérieure du même éditeur (juillet 2025). Ahrefs attribue l’écart au fan-out.
  2. Semrush — How Google’s AI Mode Compares to Traditional Search and Other LLMs 5 000 mots-clés, plus de 150 000 citations. Recouvrement mesuré en domaines et en URL ; les deux mesures ne sont pas comparables à celles d’Ahrefs.
  3. Google — AI features and your website Documentation de référence sur les conditions d’éligibilité aux surfaces génératives. Consultée en novembre 2026.
  4. Google — AI Mode in Google Search: Updates from Google I/O 2025 20 mai 2025. Annonce d’éditeur : requêtes émises simultanément ; des centaines de recherches pour Deep Search. Aucun nombre pour une recherche ordinaire. Consultée le 19 novembre 2026.
  5. Google — Google brings Gemini 3 AI model to Search and AI Mode 18 novembre 2025. Annonce d’éditeur : la technique de query fan-out peut lancer davantage de recherches ; aucun nombre n’est donné. Consultée le 19 novembre 2026.
  6. Google — Grounding with Google Search (API Gemini) Le modèle génère une ou plusieurs requêtes ; l’étape google_search_call de la réponse contient les requêtes exécutées. Décrit l’API, pas l’AI Mode. Consultée le 19 novembre 2026.
  7. OpenAI — Web search Les éléments web_search_call portent une action ; pour une action search, les requêtes y figurent le plus souvent, mais pas toujours. Décrit l’API. Consultée le 19 novembre 2026.
  8. Anthropic — Web search tool Chaque bloc server_tool_use contient la requête émise, suivi des résultats obtenus. Décrit l’API. Consultée le 19 novembre 2026.
  9. Bing Webmaster Blog — Introducing AI Performance in Bing Webmaster Tools Public Preview 10 février 2026. Les « grounding queries » sont les expressions utilisées pour récupérer les contenus cités ; Bing précise qu’il s’agit d’un échantillon.

Passer à la pratique

Appliquer cela à votre site ?

Décrivez votre situation : nous répondons par écrit, avec une première lecture de ce qu’il faudrait regarder d’abord.

Voir le diagnostic

Vous recevez un premier avis écrit et le prix du diagnostic.
4,9/5 sur 34 avis Google. Réponse écrite, sans relance commerciale. Vos données ne servent qu’à vous répondre.