O que é fan-out query

Definição ampliada

Fan-out query (também escrito query fan-out) é o processo pelo qual um motor de IA analisa a intenção por trás de uma consulta do usuário, decompõe-a em múltiplas sub-consultas mais específicas e as executa simultaneamente contra índices web, bases de conhecimento, grafos de entidades e outras fontes. Os resultados de todas as sub-consultas são mesclados e sintetizados em uma única resposta coesa, com citações das fontes mais relevantes encontradas em cada sub-consulta.

O termo ficou amplamente conhecido quando Elizabeth Reid, diretora de Search da Google, o descreveu no Google I/O 2025 como a técnica fundamental que viabiliza o Google AI Mode. Em sua apresentação, ela explicou que o motor decompõe as perguntas em diferentes subtemas e lança múltiplas consultas simultaneamente em nome do usuário.

Todos os grandes motores generativos utilizam fan-out: Google AI Mode, ChatGPT Search, Claude e Perplexity. As diferenças entre eles residem no número de sub-consultas geradas, na profundidade da decomposição e nos critérios de fusão dos resultados.

Por que importa em 2026

O fan-out transforma radicalmente o modelo de competição em search. No SEO clássico, uma empresa compete por uma palavra-chave específica. Em um motor com fan-out, essa mesma empresa compete simultaneamente em dezenas de sub-consultas que o motor gera a partir de uma única pergunta do usuário.

Uma análise da Ahrefs (2026) mediu entre 9 e 11 sub-consultas por prompt em média, com 24% dos prompts gerando entre 12 e 19 sub-consultas, e casos extremos de até 28. A Seer Interactive e a Nectiv encontraram que 59% dos prompts geram entre 5 e 11 buscas adicionais.

Para empresas do setor de construção e reforma no Brasil, isso significa que uma pergunta como "melhor empresa de reforma de banheiro em São Paulo" pode gerar sub-consultas sobre preços médios, garantias legais, certificações do setor, comparativos entre empresas e avaliações de clientes. Uma empresa que só tem conteúdo sobre preços, mas não sobre garantias ou certificações, cobre uma fração das sub-consultas relevantes e tem menor probabilidade de aparecer na resposta final.

Como se implementa

O processo de fan-out segue quatro fases:

1. Análise da consulta. O motor classifica a intenção do usuário (informativa, comparativa, transacional) e identifica as variáveis implícitas da consulta que o usuário não formulou de forma explícita.

2. Decomposição (fan-out). O LLM gera as sub-consultas necessárias para responder a pergunta de forma completa, incluindo contextos implícitos e perguntas de acompanhamento prováveis.

3. Recuperação paralela. As sub-consultas são executadas simultaneamente. Cada sub-consulta pode apontar para tipos de fonte distintos: tabelas de preços, avaliações, definições técnicas, regulamentação, comparativos.

4. Síntese com Reciprocal Rank Fusion (RRF). Os resultados de todas as sub-consultas são mesclados e reclassificados. Os fragmentos que aparecem como relevantes em múltiplas listas acumulam pontuações mais altas e têm maior probabilidade de ser citados na resposta final.

Exemplo

{
  "@context": "https://schema.org",
  "@type": "WebPage",
  "name": "Reforma de banheiro em São Paulo",
  "description": "Guia completo sobre reforma de banheiro: preços, etapas, materiais e como escolher uma empresa confiável em São Paulo.",
  "url": "https://exemplo.com.br/reforma-banheiro-sao-paulo",
  "inLanguage": "pt-BR",
  "about": [
    { "@type": "Thing", "name": "Reforma de banheiro" },
    { "@type": "Thing", "name": "Preço de reforma" },
    { "@type": "Thing", "name": "Garantia de obra" }
  ]
}

Termos relacionados

Schema markup, FAQPage schema, DefinedTerm schema.