Query fan-out : comment une IA décompose une question avant de répondre
Une question n’en est jamais une seule
Quand un utilisateur demande à ChatGPT ou à Perplexity quelle agence choisir pour refaire son site, le modèle ne traite pas cette phrase comme une requête unique. Il la décompose en plusieurs sous-questions implicites : quel budget, quelle technologie, quel secteur, quel délai. Cette mécanique porte un nom, le query fan-out, et elle explique pourquoi deux entreprises également bien positionnées sur Google peuvent recevoir un traitement très différent dans une réponse IA.
Le modèle interroge chaque sous-requête séparément, parfois sur plusieurs sources, avant de recomposer une réponse unique. Un contenu qui ne couvre qu’un seul angle de la question initiale a donc moins de chances d’être repris que celui qui anticipe les ramifications. Ce n’est pas une nuance théorique : c’est la raison pour laquelle deux pages qui semblent équivalentes à l’œil humain peuvent obtenir un traitement très différent une fois passées dans un moteur génératif.
Comment un modèle construit ses sous-requêtes
Le principe du query fan-out n’est pas propre à un seul moteur. On le retrouve, avec des variantes, chez ChatGPT, Perplexity et dans les AI Overviews de Google.
Le modèle part de la question posée, identifie les dimensions qu’elle recouvre implicitement, puis génère une série de requêtes dérivées qu’il interroge séparément, parfois sur le web en direct, parfois sur sa propre mémoire d’entraînement.
Pour une question comme « quelle agence choisir pour refaire mon site », les sous-requêtes générées touchent typiquement le budget moyen d’un projet, les technologies disponibles, les délais réalistes et les critères de choix d’un prestataire.
Chaque sous-requête peut renvoyer vers une source différente, et c’est la combinaison de ces sources qui forme la réponse finale présentée à l’utilisateur.
Cette décomposition explique aussi pourquoi une entreprise peut être citée sur un aspect de son activité et ignorée sur un autre pourtant proche. Si son site répond bien à la sous-question sur les délais mais reste flou sur le budget, elle risque de n’être mentionnée que pour une partie de la réponse, voire pas du tout si une autre source répond mieux à l’ensemble des sous-questions.
Ce que cela change dans l’écriture d’une page
Une page pensée pour le SEO classique cible en général une requête et ses variantes proches. Une page pensée pour le GEO doit anticiper les sous-questions qu’un modèle va générer autour du sujet principal.
Pour une page sur la création de site, cela signifie traiter explicitement le budget, le délai, la technologie et la propriété des contenus, plutôt que de renvoyer ces réponses vers des pages annexes que le modèle devra retrouver et recouper lui-même.
Concrètement, cela favorise les pages longues et structurées en sections autonomes plutôt que les pages courtes qui renvoient vers d’autres pages pour chaque sous-thème.
Un modèle qui doit suivre trois liens pour reconstituer une réponse complète a statistiquement moins de chances de citer la source que celui qui trouve tout au même endroit, avec des titres de section qui correspondent directement aux sous-questions attendues.
Un effet secondaire : la baisse de trafic sur les pages secondaires
Le query fan-out explique aussi une partie du recul de trafic organique observé sur les pages qui traitaient un sous-thème isolé.
Si un modèle reconstitue lui-même la réponse à partir de plusieurs sources, l’utilisateur n’a plus besoin de visiter chacune d’elles pour obtenir l’information complète.
La page qui regroupe l’ensemble des réponses reste, elle, une source de référence identifiable, et c’est elle qui continue de capter une part de l’attention, même quand le clic disparaît sur les pages annexes.
Ce qu’on en retient
Écrire pour le GEO ne consiste pas à multiplier les mots-clés, mais à anticiper la décomposition qu’un modèle va faire de la question de votre client.
Nous intégrons systématiquement cette analyse à l’audit de visibilité IA, avant toute réécriture de contenu : identifier les sous-questions probables d’un panel de requêtes cibles, puis vérifier si le site y répond déjà, partiellement ou pas du tout.
