Anatomie du query fan-out de Google AI Mode

---

Le query fan-out est probablement le mecanisme le plus mal compris de Google AI Mode. La plupart des analyses publiques le decrivent comme une simple reformulation de requête. C’est faux. Le fan-out est une opération de decomposition combinatoire qui transforme une question utilisateur en arbre de sous-questions parallèles, chacune envoyee au moteur de recherche classique avant agregation par un modèle de langage selon le pipeline RAG.

Le principe operatoire

Quand un utilisateur tape “comment choisir un velo électrique pour ville pavee budget mille cinq cents euros”, Google ne traite pas cette chaîne comme une requête unique. Le système la decompose en plusieurs requêtes filles. Voici un exemple plausible de decomposition observee sur le simulateur Qforia de Mike King :

Sous-requête générée	Type
”meilleur velo électrique ville 2025”	informationnelle large
”velo électrique pour route pavee”	contrainte technique
”velo électrique 1500 euros comparatif”	contrainte budget
”couple moteur recommande terrain irregulier”	technique fine
”autonomie batterie velo électrique urbain”	sous-aspect
”marques velo électrique fiabilité avis”	réputation
”garantie batterie velo électrique”	après-vente

Chacune de ces sous-requêtes part en parallèle vers l’index Google classique. Les résultats reviennent, sont filtres, ranges, puis fournis comme contexte de génération au modèle Gemini qui produit la réponse synthétique. L’utilisateur voit une seule réponse. Le moteur, lui, a tire entre cinq et trente requêtes derrière le rideau.

Pourquoi c’est important pour la production éditoriale

La conséquence est radicale. Si un site produit un article massif qui cible la requête unique “comment choisir un velo électrique pour ville pavee budget mille cinq cents euros”, il optimise pour une requête qui n’existe pas dans le moteur. Le fan-out la dissout immédiatement en sept ou dix sous-questions. La page sera evaluee morceau par morceau, chunk par chunk, sur chacune de ces sous-requêtes.

Le travail éditorial change donc de nature. Au lieu d’écrire un article qui répond bien a une question, il faut écrire un article qui couvre proprement un eventail de sous-questions, chacune traitable indépendamment. La granularite descend au niveau du paragraphe, suivant les principes du structured chunking.

Ce que dit le brevet

Le brevet Google US20240289407A1, dépose en mars 2023 et publié en aout 2024, décrit explicitement le mecanisme. La revendication 1 mentionne la génération de “multiple synthetic queries” a partir d’une “primary query”, chacune transmise a un “search engine subsystem” pour rapatrier des passages, avant que le modèle ne produise sa réponse.

La revendication 7 ajoute un détail intéressant : le système privilegie les passages qui “comportent des entites nommees ou des chiffres correspondant a la requête synthétique”. Autrement dit, un paragraphe sec, factuel, denommant des entités déclarées sur Wikidata a une probabilité plus élevée d’être sélectionné comme contexte.

La typologie des sous-requêtes

A partir de l’observation de Qforia et de tests internes menes en mars 2026 sur une vingtaine de requêtes françaises, on peut classer les sous-requêtes générées en six familles :

D’abord la reformulation directe, ou le moteur reecrit la requête dans un français plus standard. Ensuite la decomposition par contrainte qui isolé chaque contrainte de la requête principale. Puis la decomposition par sous-aspect, qui détaillé les composantes techniques. Suit la requête comparative, qui transforme une question fermée en comparatif. La requête de réputation vérifie la fiabilité ou les avis. Enfin la requête d’après-vente anticipe les questions de garantie ou de service.

Les six familles ne sont pas mobilisees a chaque fois. Sur une requête simple, le moteur peut se contenter de deux ou trois sous-requêtes. Sur une requête complexe a contraintes multiples, on observe des decompositions allant jusqu’a vingt-huit sous-questions parallèles.

Implications pour le maillage interne

Le query fan-out a une conséquence inattendue sur le maillage interne. Comme chaque sous-requête part vers l’index classique, et comme l’index classique ranke des pages indépendamment, un site qui couvre proprement chaque sous-aspect via une page dédiée a une probabilité plus élevée d’être cité plusieurs fois dans la réponse synthétique finale.

L’argument est contre-intuitif pour quiconque sort du SEO classique. Dans le SEO classique, on consolide. On évite les pages trop proches qui se cannibalisent. Dans une logique fan-out, l’eclatement en pages courtes peut au contraire fonctionner, parce que chaque page répond proprement a une sous-question précise. La cannibalisation n’est plus un risque, parce que chaque page cible une sous-requête fille distincte.

C’est une reorganisation profonde du raisonnement éditorial. Camille Lefebvre a documente ce basculement dans plusieurs audits de fevrier 2026 : sur un panel de huit sites e-commerce français, ceux qui avaient eclate leur contenu en pages thématiques fines ont vu leur taux de citation dans AI Mode augmenter de l’ordre de quarante a soixante pour cent par rapport aux sites consolides, mesure cohérente avec le fan-out coverage index. Le panel est petit, la méthodologie demande a être rejouee, mais l’effet est trop net pour être fortuit.

Le piège de la sur-optimisation

Il existe un risque inverse : éclater le contenu en pages tellement courtes que chacune devient pauvre. Une page qui ne dit qu’une chose et qui le dit en cent cinquante mots ne sera sélectionnée par aucune sous-requête, parce qu’elle ne contient pas assez de signal. Le bon équilibre tourne autour de huit cents a mille deux cents mots par page, avec une seule question principale traitée en profondeur et trois ou quatre sous-aspects secondaires.

Mike King insiste sur ce point dans ses conferences SearchLove de 2024 et 2025 : la granularite optimale n’est pas la plus fine. C’est celle qui permet a chaque page de couvrir une question de fond avec ses ramifications immédiates, sans deborder.

Comment observer le fan-out en pratique

Pour observer le fan-out en pratique, trois méthodes coexistent. Le simulateur Qforia de Mike King donné une approximation publique gratuite. Les API officielles Google ne renvoient pas les sous-requêtes générées, mais l’extension Chrome de iPullRank capture les requêtes XHR sortantes lors d’une session AI Mode et permet d’observer une partie du trafic. Enfin, sur Bing Copilot, l’inspection réseau du navigateur montré les sous-requêtes de manière plus directe, ce qui donné un proxy utile pour comprendre le mecanisme.

La donnée n’est pas parfaite. Aucun de ces outils ne donne acces aux logs internes de Google. Mais les patterns sont suffisamment stables pour qu’une équipe éditoriale puisse construire un brief a partir de la decomposition observee, et y caler la structure d’une page.

Le cas français

Une remarque pour finir. Sur le marché français, le fan-out semble produire des decompositions un peu moins riches qu’en anglais. Sur la requête americaine “best electric bike under fifteen hundred dollars commuting”, Qforia génère typiquement quatorze a dix-huit sous-requêtes. Sur l’équivalent français, on tombe plus souvent autour de huit a douze. La différence vient probablement du volume d’entraînement et de la couverture de l’index français. Cet écart se resorbe progressivement, mais il resté mesurable au moment de la rédaction de cet article, en avril 2026.

La conséquence pratique : les sites français ont une fenêtre. Tant que la decomposition resté plus pauvre, une page bien structurée couvrira mecaniquement une plus grande part des sous-requêtes générées. C’est un avantage temporaire. Il vaut la peine de l’exploiter avant que la parite anglaise rattrape le terrain.

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 ?

   Une operation qui decompose une question utilisateur en 5 a 30 sous-requetes paralleles, executees en arriere-plan. Le moteur classique de Google traite chaque sous-requete, et un modele de langage agrege les resultats pour produire la reponse synthetique.

2. Combien de sous-requetes le fan-out genere-t-il ?

   Generalement entre 5 et 30 selon la complexite de la requete utilisateur. Les requetes simples (Qui est X) produisent moins de fan-out. Les requetes complexes (comment choisir X selon Y, Z) generent davantage de sous-requetes.

3. Comment observer le fan-out d'une requete ?

   Le simulateur Qforia, publie par Mike King et iPullRank en 2024, permet de saisir une requete et de voir un fan-out plausible. C'est la reference accessible pour comprendre le mecanisme. Le brevet Google US20240289407A1 documente la theorie.

4. Comment optimiser une page pour le fan-out ?

   Couvrir un eventail de sous-questions plutot qu'une requete unique. Inclure les contraintes techniques (budget, contexte d'usage), les alternatives, les cas d'usage et les comparatifs. Une page complete a meilleure couverture qu'une page focalisee sur une seule formulation.

5. Le fan-out existe-t-il sur Perplexity ou ChatGPT Search ?

   Le terme fan-out est specifique a Google AI Mode. Perplexity et ChatGPT Search ont des mecanismes proches (decomposition multi-requetes) mais avec leurs propres implementations. Les principes d'optimisation (couvrir l'eventail) sont similaires.

6. Quel est le piege classique d'optimisation fan-out ?

   Empiler des questions sans hierarchie ni reponse claire. Le bon contenu fan-out a une structure narrative, traite chaque sous-question avec autonomie (chunk autonome) et ne se contente pas de lister.