Laat je organische verkeer uit Google en AI groeien, op autopilot.

Wat is query fan-out? Zo herschrijft AI-zoeken de regels van SEO

Query fan-out is de techniek waarmee AI's één zoekvraag opsplitsen in meerdere deelvragen. Leer hoe het werkt, waarom het ertoe doet voor SEO en hoe je ervoor optimaliseert.

Wanneer iemand een vraag intypt in Google AI Mode, ChatGPT of Perplexity, koppelt het systeem zoekwoorden niet simpelweg aan webpagina's. Het splitst die ene vraag op in een constellatie van gerelateerde deelvragen, zoekt tegelijkertijd naar elke deelvraag en voegt de resultaten samen tot één antwoord. Dit proces heet query fan-out en het is de grootste verschuiving in de zoekarchitectuur sinds mobile-first indexing.

Voor SEO-professionals en marketingteams is query fan-out begrijpen niet langer optioneel. Onderzoek van iPullRank bevestigt dat AI-zoekopdrachten nu gemiddeld 70 tot 80 woorden lang zijn, tegenover slechts 3 of 4 in traditioneel Google. Het oude model van optimaliseren voor één zoekwoord geeft niet langer het volledige beeld. Dit artikel legt uit wat query fan-out is, hoe het werkt op verschillende platforms en wat je eraan moet doen.

Wat is query fan-out?

Query fan-out is een techniek voor het ophalen van informatie waarbij AI-zoeksystemen één zoekvraag van een gebruiker uitbreiden tot meerdere afzonderlijke deelvragen. In plaats van een zoekopdracht als één op zichzelf staand verzoek te behandelen, splitst de AI die op in meerdere gerelateerde invalshoeken, voert ze allemaal parallel uit en combineert de opgehaalde informatie tot een uitgebreid antwoord.

Neem een gebruiker die zoekt naar “beste crm-software voor kleine bedrijven”. Een traditionele zoekmachine geeft een gerangschikte lijst van pagina's die bij die zin passen. Een AI-systeem met query fan-out genereert deelvragen zoals “beste gratis crm-tools”, “crm met e-mailautomatisering”, “HubSpot vs Zoho voor kleine teams” en “crm-prijsvergelijking 2026”. Elke deelvraag levert andere bronnen op en de AI voegt de meest relevante passages samen tot één antwoord.

Google beschreef dit mechanisme officieel op Google I/O 2025 en legde uit dat AI Mode een aangepaste versie van Gemini gebruikt om vragen op te splitsen in subonderwerpen en namens de gebruiker meerdere zoekopdrachten tegelijk uit te voeren. De techniek is ook vastgelegd in het octrooi van Google over Thematic Search, ingediend in december 2024, waarin fan-out-zoekopdrachten “thema's” worden genoemd.

Hoe query fan-out onder de motorkap werkt

De werking van query fan-out volgt een gestructureerde reeks stappen die volledig op de achtergrond plaatsvindt, onzichtbaar voor de gebruiker.

Stap 1: zoekvraaganalyse. Het AI-model ontvangt de invoer van de gebruiker en beoordeelt of die moet worden opgesplitst. Eenvoudige feitelijke vragen (“Hoe laat is het in Tokio?”) activeren mogelijk geen fan-out. Complexe vragen met meerdere aspecten doen dat vrijwel altijd.

Stap 2: deelvragen genereren. Het LLM genereert meerdere deelvragen die verschillende facetten van de oorspronkelijke vraag afdekken. Het octrooi van Google onderscheidt acht typen zoekvragen die het systeem kan produceren, van vergelijkende vragen tot impliciete vervolgvragen.

Stap 3: parallel ophalen. Alle deelvragen worden tegelijkertijd uitgevoerd over meerdere databronnen. Bij Google AI Mode gebeurt dit via de eigen infrastructuur van Google, de Knowledge Graph en de Shopping Graph. Bij ChatGPT loopt het ophalen via Bing. Parallelle uitvoering is cruciaal, omdat 15 zoekopdrachten tegelijk draaien ongeveer evenveel tijd kost als één.

Stap 4: passages extraheren en ranken. In plaats van complete webpagina's te beoordelen, identificeren AI-systemen specifieke passages die elke deelvraag het best beantwoorden en halen die eruit. Dit heet passagegericht ophalen en het betekent dat één alinea diep in je content kan worden opgepikt en geciteerd.

Stap 5: synthese en antwoordgeneratie. De AI voegt de meest relevante passages samen tot een samenhangend, gestructureerd antwoord met inline citaties die teruglinken naar de bronnen.

Welke platforms gebruiken query fan-out?

Query fan-out is niet exclusief voor Google. Het is de standaardarchitectuur voor het ophalen van informatie geworden bij alle grote AI-zoekplatforms, al implementeert elk platform het anders.

Google AI Mode gebruikt een speciaal Gemini-model dat is ontworpen voor het opsplitsen van zoekvragen. Standaardvragen genereren 8 tot 12 deelvragen, terwijl Deep Search-scenario's er honderden kunnen uitsturen. Google maakte dit bekend op I/O 2025 en heeft het systeem sindsdien geüpgraded met Gemini 3, dat nog meer zoekopdrachten uitvoert en de intentie nauwkeuriger begrijpt.

ChatGPT voert fan-out uit via de zoekinfrastructuur van Bing. Wanneer browsen is ingeschakeld, genereert het model meerdere zoekopdrachten die zichtbaar zijn in de interface. Gebruikers kunnen dit rechtstreeks zien met browserextensies die de deelvragen onthullen die ChatGPT achter de schermen afvuurt.

Perplexity toont het fan-outproces op een transparante manier, met de deelvragen die het genereert en de bronnen die het raadpleegt. Dat maakt het bijzonder nuttig om te begrijpen hoe AI-zoeken een intentie opsplitst.

Google AI Overviews maken ook gebruik van fan-out, maar in beperktere mate dan de volledige AI Mode. Het systeem genereert thematische groepen en haalt informatie op passageniveau uit meerdere bronnen om het overzichtspaneel samen te stellen.

Waarom query fan-out belangrijk is voor SEO

Query fan-out doorbreekt het traditionele SEO-model fundamenteel. De verschuiving laat zich in één vergelijking samenvatten:

Oud model: Eén zoekvraag leidt tot één zoekresultatenpagina. Pagina's op positie 1 tot en met 10 krijgen verkeer.
Nieuw model: Eén zoekvraag genereert 10 tot 20 deelvragen. Honderden pagina's worden opgehaald. De AI selecteert de beste passages en citeert 3 tot 8 bronnen.

Dit heeft meerdere concrete gevolgen voor je contentstrategie.

Ten eerste: weegt topicale autoriteit nu zwaarder dan posities voor losse zoekwoorden. Onderzoek gepubliceerd door Surfer SEO analyseerde meer dan 173000 URL's en ontdekte dat pagina's die scoren op meerdere fan-out-zoekopdrachten 161% vaker worden geciteerd in de AI Overviews van Google. Dekking van een heel topiccluster telt zwaarder dan positie één voor een algemene zoekterm.

Ten tweede: wordt optimalisatie op passageniveau essentieel. AI-systemen beoordelen geen complete pagina's. Ze halen specifieke passages eruit die rechtstreeks deelvragen beantwoorden. Dat betekent dat elk onderdeel van je content op zichzelf waarde moet leveren, met duidelijke definities, concrete datapunten en een gestructureerde opmaak die extraheren makkelijk maakt.

Ten derde: zijn fan-out-zoekopdrachten van nature onstabiel. Slechts ongeveer 27% van de fan-out-zoekopdrachten blijft consistent bij herhaalde zoekopdrachten voor dezelfde prompt. Individuele deelvragen najagen is geen schaalbare strategie. Een uitgebreide topicdekking opbouwen wel.

Zo optimaliseer je je content voor query fan-out

Aanpassen aan query fan-out vraagt een verschuiving van een zoekwoordgerichte naar een topicgerichte contentstrategie. Dit zijn de kernprincipes.

Bouw topicclusters, geen losse pagina's. Organiseer je content rond brede thema's, waarbij elke pagina een specifiek subonderwerp behandelt. Interne links tussen de pagina's van een cluster signaleren volledige dekking aan zowel Google als AI-systemen. Sites met 80%+ topicale dekking behouden 85,4% van hun AI-zichtbaarheid ondanks de instabiliteit van fan-out-zoekopdrachten, volgens onderzoek van WordLift.

Structureer content voor het ophalen van passages. Gebruik duidelijke koppen, beknopte definities aan het begin van onderdelen en zelfstandige alinea's die specifieke vragen beantwoorden. AI-systemen halen passages op, geen pagina's. Elk onderdeel moet op zichzelf waardevol zijn.

Beantwoord aanliggende vragen proactief. Als je schrijft over “beste crm voor kleine bedrijven”, behandel dan ook prijsvergelijkingen, functieoverzichten, integratiemogelijkheden en overwegingen bij migratie in hetzelfde stuk of op gelinkte pagina's. Dit zijn de deelvragen die AI gaat genereren.

Gebruik markup voor gestructureerde data. Schematypen zoals FAQPage, HowTo en Article helpen AI-systemen de structuur van je content te begrijpen en relevante passages efficiënter te extraheren. Dat vergroot de kans op citatie over fan-out-deelvragen heen.

Monitor je AI-zichtbaarheid, niet alleen je posities in Google. Traditionele positietracking vertelt maar een deel van het verhaal. Je moet bijhouden hoe vaak AI-systemen je content citeren, op welke positie en bij welke prompts. De tool AI-query-fan-out van Sorank is speciaal voor dit doel gebouwd: de tool analyseert de exacte zoekwoorden die AI-modellen gebruiken bij het genereren van antwoorden in jouw markt en onthult kansen die traditionele SEO-tools niet kunnen opsporen.

Query fan-out versus traditioneel zoeken: de belangrijkste verschillen

Als je de verschillen tussen traditioneel zoeken en AI-zoeken op basis van fan-out begrijpt, wordt duidelijk waarom bestaande strategieën moeten worden bijgewerkt.

Bij traditioneel zoeken levert één zoekvraag één set gerangschikte resultaten op. De zoekmachine beoordeelt volledige webpagina's, vergelijkt ze met zoekwoorden en rangschikt ze op relevantie en autoriteitssignalen zoals backlinks. Gebruikers klikken door naar websites om informatie te vinden.

Bij AI-zoeken met fan-out levert één zoekvraag 10 tot 20 synthetische deelvragen op die parallel worden uitgevoerd. Het systeem haalt passages, geen pagina's, op uit mogelijk honderden bronnen. Een LLM voegt deze passages vervolgens samen tot één antwoord en citeert daarbij rechtstreeks 3 tot 8 bronnen. De gebruiker bezoekt mogelijk geen enkele van de geciteerde websites.

Deze verschuiving heeft een cruciaal zakelijk gevolg. Zoals Digiday meldt, is AI Mode zo ontworpen dat externe klikken moeilijk te krijgen zijn. Alle deelzoekopdrachten gebeuren zonder dat de gebruiker het merkt, en het samengestelde antwoord beantwoordt de vraag vaak volledig. Voor marketeers betekent dit dat merkzichtbaarheid binnen AI-antwoorden, via citaties en vermeldingen, strategisch even belangrijk wordt als organisch doorklikverkeer.

De rol van topicale autoriteit in een fan-outwereld

Topicale autoriteit is voor SEO altijd belangrijk geweest. Met query fan-out wordt het de belangrijkste drijfveer van AI-zichtbaarheid.

Wanneer een AI-systeem een zoekvraag uitwaaiert, zoekt het tegelijkertijd naar informatie over meerdere subonderwerpen. Als je site het hele semantische bereik van een onderwerp dekt, met pijlerpagina's, ondersteunende artikelen en uitgebreide gidsen, word je kandidaat voor citatie bij meerdere deelvragen uit één prompt van een gebruiker.

Daarom zijn generatoren voor topicclusters essentiële tools geworden. Ze brengen het semantische landschap van je niche in kaart, signaleren hiaten in je content en geven een gestructureerde publicatieroutekaart die systematisch in plaats van willekeurig autoriteit opbouwt.

De data ondersteunen deze aanpak. Pagina's die scoren op meerdere fan-out-zoekopdrachten vergroten hun kans op citatie op AI-platforms sterk. En omdat fan-out-zoekopdrachten stochastisch zijn, wat betekent dat ze per gebruiker en sessie variëren, biedt brede topicdekking een veerkracht die optimalisatie voor één zoekwoord niet kan evenaren.

Succes meten in het tijdperk van query fan-out

Traditionele SEO-statistieken blijven belangrijk, maar vertellen niet langer het hele verhaal. Optimalisatie voor query fan-out vraagt aanvullende meetmethodes.

Aantal AI-citaties. Volg hoe vaak AI-systemen je content citeren op platforms als ChatGPT, Perplexity, Google AI Overviews en Gemini. Dit is de meest directe indicator van fan-out-zichtbaarheid.

Positie van de citatie. Monitor of je als eerste, tweede of lager wordt geciteerd in AI-antwoorden. Eerste vermeldingen wegen onevenredig zwaar in de aandacht en het vertrouwen van gebruikers.

Aandeel in AI-antwoorden (share of voice). Vergelijk je AI-zichtbaarheid met die van concurrenten voor belangrijke onderwerpen. Als je begrijpt wie de AI-antwoorden in jouw markt domineert, zie je zowel bedreigingen als kansen. De GEO-ranglijst van Sorank biedt precies deze concurrentie-inzichten en rangschikt merken op hoe vaak AI-modellen ze noemen bij specifieke prompts.

Posities op topicniveau. Volg posities niet voor losse zoekwoorden, maar voor topicclusters en gerelateerde fan-out-zoekopdrachten. Een pagina kan slecht scoren op een algemene zoekterm en toch veel worden geciteerd omdat ze subonderwerpen uitgebreid behandelt.

Sentiment van merkvermeldingen. Analyseer hoe AI-systemen je merk neerzetten. Neutrale citaties, positieve aanbevelingen of opname in negatieve contexten bepalen allemaal hoe consumenten je zien via door AI gegenereerde antwoorden.

Conclusie

Query fan-out is geen tijdelijke trend. Het is de fundamentele architectuur van de manier waarop AI-zoeksystemen informatie ophalen en samenvoegen. Elk groot platform, van Google AI Mode tot ChatGPT en Perplexity, gebruikt deze techniek om op basis van één prompt van een gebruiker uitgebreide antwoorden te leveren.

Voor SEO-professionals is de strategische reactie duidelijk: stop met optimaliseren voor losse zoekwoorden en begin met het opbouwen van brede topicale autoriteit. Structureer content voor extractie op passageniveau. Monitor je AI-zichtbaarheid naast traditionele posities. En gebruik tools die speciaal voor dit nieuwe paradigma zijn ontworpen.

De functie AI-query-fan-out van Sorank analyseert de exacte semantische patronen waarop AI-modellen in jouw markt vertrouwen en onthult de deelvragen en zoekwoorden die citaties aansturen. Wil je begrijpen hoe AI-zoeken jouw niche ziet en waar de hiaten zitten, start dan je gratis proefperiode en zie de data zelf.

Veelgestelde vragen