Документация
Query Fan-Out
Как посмотреть, что нейросеть на самом деле искала по вашим промптам — и насколько прочно ваш бренд сидит в её собственных формулировках
Содержание
1.Что такое fan-out и зачем за ним следить
Нейросеть почти никогда не ищет ваш вопрос дословно. Прежде чем ответить, она разбивает его на серию собственных поисковых запросов — подзапросов (sub-queries) — и уже по ним собирает источники для ответа. Раздел «Query Fan-Out» показывает эти подзапросы: реальные формулировки, с которыми AI ходил в поиск, отвечая на ваши промпты.
- Один промпт разворачивается в несколько подзапросов: модель переводит вопрос на другой язык, добавляет год, город, категорию — и часто чужие имена брендов, которых вы не называли
- Это ближайший аналог поисковых запросов из классического SEO, только формулирует их не пользователь, а сама модель — и именно по этим формулировкам решается, чьи страницы попадут в ответ
- Подзапросы собираются автоматически на каждом прогоне мониторинга у провайдеров, которые раскрывают свой поиск: Яндекс (Поиск с Алисой), Alice AI, ChatGPT, Perplexity, Gemini, Claude, DeepSeek
- Раздел подчиняется общим фильтрам сверху — период, провайдеры, промпты: можно смотреть fan-out по всему бренду или сузить до одной темы
- Подзапросы конкретного промпта видны и в его карточке, на отдельной вкладке fan-out — удобно, когда разбираете, почему по этой теме вас не показали
Если подзапрос дословно повторяет ваш промпт — модель просто пошла искать его как есть. Ценнее те строки, где она добавила своё: год, регион, «отзывы», «сравнение» или имя конкурента. Это и есть настоящие запросы, по которым решается ответ.
2.Бренды в подзапросах: насколько модель знает вас и конкурентов
Карточка «Бренды в подзапросах» считает, как часто AI сам, без подсказки, подставляет имя бренда в свой поисковый запрос. Это не про упоминание в ответе и не про цитирование сайта — это про то, что модель достаёт из собственной памяти, когда решает, кого вообще стоит проверить по вашей теме. По сути, измеримый LLMO-сигнал: насколько прочно бренд закреплён в знаниях модели.
- Слева — «Частые фразы»: устойчивые словосочетания из подзапросов, цифра рядом — в скольких ваших промптах встречается фраза. Это словарь темы глазами модели: «управляющих компаний», «паевые инвестиционные фонды», «россия 2026»
- Справа — сравнение вас и конкурентов. На примере: имя бренда попало в 36 подзапросов из 3190 (1%), имена конкурентов — в 620 (19%). Разрыв в 19 раз означает, что в этой нише модель считает опорными чужие имена
- «Топ конкурентов в подзапросах» — рейтинг тех, кого AI подставляет чаще всего (Альфа-Капитал — 161, ВТБ — 93, ВИМ Инвестиции и УК Первая — по 54). Это список брендов, с которых модель начинает поиск по вашей теме
- Смотрите не на абсолютное число, а на свою долю относительно конкурентов и на её движение. Ноль подзапросов с вашим именем при активных конкурентах — прямой сигнал, что в этой категории модель вас не знает
- «Динамика брендов в подзапросах» показывает то же по дням в двух режимах — «Доля, %» и «Вхождения» — для вас и топ-5 конкурентов на одном графике: видно, набираете вы вес в памяти модели или теряете
- Рядом с карточками стоит значок предупреждения, и не зря: брендовые промпты завышают метрику (вы сами назвали бренд — модель повторила его в поиске), а имена-омонимы вроде «Точка» или «Магнит» иногда ловятся на обычных словах. Самые честные выводы — по небрендовым промптам
Цель здесь — не разово попасть в подзапрос, а сокращать разрыв с топ-конкурентами. Работает то же, что и со знанием бренда у людей: обзоры, сравнения и подборки на внешних площадках, где ваше имя стоит рядом с именами лидеров категории — модель учит нишу ровно по этим текстам.
3.Таблица подзапросов: что с ней делать
Под графиками — таблица всех подзапросов за период: сама формулировка, провайдер, который её сгенерировал, и сколько раз она встретилась. Это готовый список тем для контента, составленный не вами и не Wordstat, а самими нейросетями.
- «Запусков» — сколько раз формулировка встретилась за период. Сортировка по этой колонке поднимает наверх устойчивые темы и отсекает случайные
- Иконка провайдера показывает, чья модель так формулирует: одна и та же тема у разных провайдеров звучит по-разному — где-то через уточняющие запросы, где-то поиском почти дословно по вашему промпту
- Поиск по таблице — быстрый способ вытащить все формулировки со словами «отзывы», «сравнение», «цена» или с именем конкретного конкурента
- Формулировки можно брать как есть — в заголовки, H2 и блоки вопрос-ответ: это буквально те строки, по которым модель ищет источники для ответа
- Фильтры сверху работают и здесь: выберите один промпт — увидите fan-out только по нему; ту же таблицу можно открыть прямо в карточке промпта
Рабочая практика: отсортируйте таблицу по «Запускам», пройдитесь по верхним 20–30 формулировкам и честно ответьте, есть ли у вас страница, которая отвечает ровно на это. Каждая незакрытая частая формулировка — тема, которую модель уже спрашивает, а находит ответ у кого-то другого.