Fan-Out Coverage Index: mesurer la couverture des sous-requêtes générées par AI Mode

---

Quand un moteur génératif comme Google AI Mode reçoit une requête, il ne traite pas une requête unique. Il en derive plusieurs dizaines, parfois plus de cent, qu’il exécute en parallèle pour construire une réponse synthétique. C’est le mecanisme appelé fan-out, décrit publiquement par Mike King et l’équipe d’iPullRank a partir de l’outil Qforia. Le Fan-Out Coverage Index mesure la couverture d’une marque sur l’ensemble de ces sous-requêtes derivees, et pas seulement sur la requête mere visible par l’utilisateur.

Pourquoi un nouveau framework

Mesurer la présence sur la requête mere est insuffisant, comme le complément du Citation Quality Score le montre déjà. Un utilisateur qui pose une question complexe a AI Mode déclenche en arrière-plan une exploration semantique étendue. Si la marque est citée sur la requête mere mais absente sur 80 pour cent des sous-requêtes, la réponse synthétique restituee a l’utilisateur sera biaisee vers les sources qui couvrent l’intégralité de la grappe semantique. La marque perd en profondeur de présence, même si elle apparaît dans la réponse finale.

Les outils classiques de tracking de visibilité générative ne donnent pas acces aux sous-requêtes. Mike King et iPullRank ont publié en 2025 le cadre théorique du fan-out et l’outil Qforia, qui permet de simuler raisonnablement les sous-requêtes derivees par AI Mode. Le FOCI s’appuie sur ce travail pour produire un indicateur opérationnel, calculable, comparable mois sur mois, et utilisable en pilotage de production de contenu.

La référence au travail de Mike King est explicite et assume. Le FOCI ne se substitue pas a Qforia, il l’utilisé. Le framework définit comment construire l’indicateur de couverture a partir de la simulation fan-out, et comment l’interpréter pour orienter la stratégie éditoriale.

Définition formelle

Le FOCI mesure, pour une requête mere donnée, la part de sous-requêtes derivees sur lesquelles la marque étudiée apparaît au moins une fois dans la réponse générative simulee.

Inputs requis

Input	Définition	Volumetrie
Requêtes meres	Requêtes prioritaires du secteur, niveau executif	10 a 30
Sous-requêtes derivees	Générées par Qforia ou par un script maison	30 a 150 par requête mere
Réponses génératives	Captures sur chaque sous-requête	Une par sous-requête
Annotation présence	Marque citée oui ou non sur chaque réponse	Binaire

Outputs produits

Output	Granularite	Fréquence
FOCI requête mere	Score 0-100 par requête mere	Trimestriel
FOCI agrege	Moyenne ponderee sur les requêtes meres prioritaires	Trimestriel
Carte de couverture	Heatmap requête mere x type de sous-requête	Trimestriel
Trous de couverture	Liste priorisée des sous-requêtes découvertes a fort volume	Trimestriel

Formule de calcul

FOCI(requete_mere) = (nb_sous_requetes_avec_marque_citee / nb_sous_requetes_total) * 100

FOCI_agrege = sum(FOCI(rm_i) * poids_business_i) / sum(poids_business_i)

Le score est calcule pour chaque requête mere, puis agrege en moyenne ponderee selon le poids business des requêtes meres. Le poids business est defini par l’équipe en amont, en général proportionnel au volume de recherche, a la valeur transactionnelle ou a la priorité stratégique.

Bareme de lecture

Score FOCI	Lecture	Action
80 et plus	Couverture forte	Maintenir, surveiller la concurrence
60 a 79	Couverture partielle	Combler les trous identifiés
40 a 59	Couverture faible	Plan éditorial dédié sur 2 trimestres
20 a 39	Couverture marginale	Refonte semantique de la grappe
Moins de 20	Absence structurelle	Audit complet de l’ecosysteme de contenu

Comment construire le panier de requêtes meres et leur fan-out

Le framework se construit en cinq étapes.

Première étape, sélection des requêtes meres prioritaires, en cohérence avec le framework PromptStack 4-Layers. Identifier 10 a 30 requêtes meres qui sont a la fois fortes en volume, en valeur business et en intention générative. Les sources sont multiples. Search Console (requêtes a fort volume avec impressions sur AI Overviews), AlsoAsked et AnswerThePublic pour les requêtes a forte explosion semantique, transcripts de centres d’appel, requêtes de support client. Éviter les requêtes trop courtes ou trop transactionnelles, qui ne declenchent pas de fan-out étendu.

Deuxième étape, génération des sous-requêtes par Qforia. Pour chaque requête mere, lancer une simulation fan-out via Qforia (outil public d’iPullRank) ou via un script maison utilisant un modèle de langage en mode chain-of-thought pour decomposer la requête en sous-questions. La simulation maison utilisé un prompt de decomposition standardise, gele par version, du type “Pour répondre a la question X, quelles sont les sous-questions qu’un moteur génératif exécute en arrière-plan ? Liste 50 sous-questions distinctes, ordonnees par centralite par rapport a la question initiale”.

Troisième étape, deduplication et nettoyage. Les outils de fan-out produisent des sous-requêtes parfois redondantes ou hors-sujet. Passer la liste a une étape de deduplication semantique (regrouper les formulations équivalentes en gardant la plus naturelle) et de filtrage (retirer les sous-requêtes qui sortent du périmètre de la marque étudiée). Conserver entre 30 et 150 sous-requêtes par requête mere.

Quatrième étape, releve de présence. Pour chaque sous-requête, exécuter une requête sur les moteurs génératifs cibles (a minima ChatGPT Search, Perplexity, Google AI Mode quand accessible) et capturer la réponse. Annoter de manière binaire si la marque étudiée est citée ou non dans la réponse. Le FOCI ne mesure pas la qualité de la citation (c’est l’objet du Citation Quality Score), il mesure uniquement la couverture en présence ou absence.

Cinquième étape, gel et versioning. Comme pour les autres frameworks de l’academie, le panier de requêtes meres et leur fan-out sont geles pour un cycle trimestriel sous le nom FOCI v.AAAA.QX (par exemple FOCI v.2026.Q2). Toute modification est versionnee avec changelog public.

Comment interpréter les résultats

L’indice est lu a trois niveaux.

Au niveau de la requête mere, on regarde directement le score FOCI de la requête. Un score élevé sur une requête mere de forte valeur business est un signal positif. Un score faible sur une requête mere stratégique est un appel d’air a corriger. La cartographie permet de visualiser les zones aveugles.

Au niveau agrege, le FOCI moyen pondere donné une lecture executive. Cette mesure est idéale pour le pilotage trimestriel et la communication interne avec les directions métier. Elle se compare d’un trimestre a l’autre et permet de mesurer les progrès consolides.

Au niveau des trous de couverture, le framework produit une liste priorisée des sous-requêtes ou la marque n’apparaît pas, classees par volume de recherche estime ou par centralite semantique, illustrée par notre étude maison sur la couverture fan-out. Cette liste est l’output opérationnel le plus directement actionnable, car elle dicte le plan éditorial du trimestre suivant. Une sous-requête a fort volume sur laquelle la marque est absente est un brief de production de contenu évident.

L’analyse croisee entré FOCI et CQS est particulièrement informative. Une marque peut afficher un FOCI élevé (couverture large) mais un CQS faible (présence superficielle), ou inversement un FOCI moyen avec un CQS fort sur les sous-requêtes ou elle apparaît. Le premier cas appelle a un travail de qualité (top of answer, citations explicites). Le second cas appelle a un travail d’extension semantique (couvrir plus de sous-requêtes).

Cas d’application: secteur logiciel B2B

Un éditeur français de logiciel SaaS B2B mesure son FOCI sur 15 requêtes meres prioritaires, choisies parmi les requêtes de comparaison et de sélection d’outils du secteur. Pour chaque requête mere, Qforia derive entré 50 et 90 sous-requêtes, soit environ 1000 sous-requêtes au total a travers le panier.

Le score FOCI agrege ressort dans une zone de couverture partielle. La cartographie révèle un schema clair. La marque est bien couverte sur les sous-requêtes liees aux fonctionnalites générales et aux comparatifs face aux concurrents directs nommes. Elle est faiblement couverte sur trois familles de sous-requêtes. Les questions d’intégration avec d’autres outils du stack du client (intentions très opérationnelles, sous-explorees par le contenu existant). Les questions de migration depuis des outils legacy concurrents (sous-requêtes a forte intention transactionnelle). Les questions de conformite et de sécurité (RGPD, ISO 27001, hebergement souverain), très demandees en B2B français et faiblement traitées par le contenu existant.

Le diagnostic produit un plan éditorial trimestriel via le protocole de réécriture en 7 passes. Production d’une série de pages d’intégration documentant les connexions avec les principaux outils complementaires du stack cible (ERP, CRM, BI, plateformes de productivité). Production de guides de migration depuis chaque outil legacy concurrent identifié, avec cas d’usage détaillés et FAQ. Refonte de la page conformite en hub structure couvrant chaque sous-requête identifiée, avec schema FAQPage et balisage Schema.org et liens vers les certifications publiques.

Après deux trimestres, le FOCI agrege gagne une vingtaine de points, et l’analyse fine montre que les trois familles de trous identifiées sont en grande partie comblees. Le framework a permis de transformer un signal flou (“la marque manque de présence sur AI Mode”) en plan éditorial concret et chiffrable.

Limites et évolutions prévues

Le framework comporte trois limites a connaître.

D’abord, la simulation fan-out resté une approximation. Qforia et les scripts maison produisent des sous-requêtes plausibles, mais nous n’avons pas acces aux sous-requêtes réellement executees par AI Mode dans son moteur interne. Les sous-requêtes simulees couvrent probablement la majorité des sous-requêtes réelles, mais avec un biais que personne ne peut mesurer en l’absence de transparence des moteurs. Le travail public de Mike King a montré que la simulation est utile, sans pretendre a l’exhaustivite. Le framework herite de cette limite.

Ensuite, le FOCI mesure la présence binaire (oui ou non) et ignore la qualité de la citation. Une marque peut être citée 50 fois sur 100 sous-requêtes (FOCI a 50) mais en fin de réponse a chaque fois, ce qui produit un FOCI honorable mais un CQS faible. La lecture combinee FOCI plus CQS est obligatoire pour éviter les fausses lectures. Une version FOCI v.2026.10 introduira un FOCI pondere optionnel, qui multiplie la présence par un facteur tire du Citation Quality Score.

Enfin, la cadence trimestrielle est volontaire (le calcul est couteux en releves), mais cela peut être trop lent pour des secteurs en évolution rapide. Pour ces secteurs, une cadence mensuelle réduite (5 a 10 requêtes meres au lieu de 15 a 30) est une option tactique recommandee.

Licence et reutilisation

Le Fan-Out Coverage Index est publié sous licence Creative Commons CC BY 4.0. Le framework est librement reutilisable, modifiable et redistribuable, y compris a usage commercial, sous réserve de citer la source.

Citation conseillee: Lefebvre C., Fan-Out Coverage Index v.2026.04, Academie GEO, geo-academy.fr.

Le framework est explicitement construit sur les travaux publics de Mike King et de l’équipe d’iPullRank autour de Qforia et de la théorie fan-out de AI Mode. L’équipe éditoriale de l’academie tient a saluer leur contribution décisive a la comprehension publique du fonctionnement des moteurs génératifs en 2025 et 2026, sans laquelle le FOCI n’aurait pas pu être formalise. Les retours terrain, propositions d’évolution et variantes sectorielles sont accueillis a l’adresse méthodologie at geo-academy.fr et credites nominativement dans le changelog du framework, mis a jour chaque trimestre. Les inspirations méthodologiques d’Aleyda Solis sur le suivi de panier multi-secteurs ont également nourri la conception de la cadence et de la structure de versioning.

Questions frequentes

Les questions les plus posees a la redaction sur ce sujet, avec des reponses courtes verifiables.

1. Qu'est-ce que le query fan-out de Google AI Mode ?

   Le fan-out est la decomposition d'une requête utilisateur en plusieurs dizaines de sous-requêtes parallèles, exécutées en arrière-plan pour construire une réponse synthétique. Le mecanisme a été décrit publiquement par Mike King via le simulateur Qforia.

2. Comment calcule-t-on le FOCI d'une page ?

   On simule le fan-out sur la requête mere (via Qforia ou un script LLM), on releve la présence de la marque sur chaque sous-requête générée, puis on divise le nombre de sous-requêtes traitées par le total et on multiplie par 100.

3. Pourquoi pas se contenter de mesurer la requête mere ?

   Une marque peut être citée sur la requête mere mais absente sur 80 pour cent des sous-requêtes. La réponse synthétique sera alors biaisee vers les sources qui couvrent mieux la grappe semantique. La requête mere ne suffit pas.

4. Quel outil utiliser pour simuler le fan-out ?

   Qforia, propose par iPullRank, est la référence accessible. Pour une équipe technique, un script qui demande a un LLM de derive une requête en sous-questions donne un résultat équivalent a la simulation.

5. Le FOCI s'applique-t-il a Perplexity ou ChatGPT Search ?

   Le FOCI a été conçu pour Google AI Mode, ou le fan-out est documente. Les autres moteurs ont des mecanismes différents. L'indice peut servir de signal indirect mais pas de mesure exacte de leur fonctionnement interne.

6. Quelle volumetrie minimale pour un FOCI exploitable ?

   10 a 30 requêtes meres par secteur, avec 10 a 50 sous-requêtes simulées par requête mere. En dessous, le score n'est pas stable d'un trimestre a l'autre.