Google documenta el fan-out con sus propias palabras
El modelo mental que la mayoría de los equipos todavía tiene es la lista ordenada. Tienes una palabra clave, el motor tiene un índice, y en medio hay una posición que puedes mover. Cada producto de búsqueda con IA lanzado en los últimos dos años rompió ese modelo, y Google dejó por escrito exactamente cómo.
La guía de Google para dueños de sitios dice que AI Overviews y AI Mode pueden usar una técnica de query fan-out, haciendo varias búsquedas relacionadas en subtemas y fuentes de datos para armar una sola respuesta. El anuncio en I/O de Elizabeth Reid, VP y directora de Search en Google, es más específico sobre AI Mode: divide tu pregunta en subtemas y hace una multitud de consultas a la vez en tu nombre. La razón que da Google es el alcance. El fan-out le permite a Search llegar más hondo en la web que una sola consulta tradicional.
Así que lo que se responde no es lo que se escribió. Para cuando se arma una respuesta, el motor ya hizo un conjunto de preguntas que escribió él mismo, y tu página apareció en algunas de ellas o no.
Una docena en una pregunta común, cientos en una difícil
Google le ha puesto número dos veces. En marzo de 2026, su propia serie de entrevistas le pidió a Dounia Berrada, Senior Engineering Director de Search, que explicara el método. Su resumen: AI Mode básicamente hace una docena de búsquedas por ti en el tiempo que tardas en hacer una. Su ejemplo es una foto de un jardín, en la que una sola imagen trae varias preguntas reales a la vez sobre sombra, clima y mantenimiento, y el modelo hace una búsqueda para cada una.
En el otro extremo, Deep Search en AI Mode usa la misma técnica llevada más lejos. Google dice que puede hacer cientos de búsquedas, razonar con piezas de información dispersas y producir un reporte totalmente citado. El fan-out también se volvió multimodal. Circle to Search y Lens ahora dividen una sola imagen en sus objetos por separado y los buscan en paralelo, así que una foto de una habitación se vuelve búsquedas de la lámpara, la alfombra y la silla.
La docena es la cifra que vale la pena recordar, porque describe el caso común y no el de vitrina.
Todos los motores descomponen, y ninguno coincide en cuánto
No es una costumbre solo de Google, y los presupuestos no se parecen en nada. Perplexity publica las instrucciones predeterminadas con las que corre el asistente de su Agent API, y dicen que hay que descomponer las consultas complejas del usuario en llamadas a herramientas separadas para ganar precisión y paralelismo. El mismo predeterminado publicado le pone un techo: hacer como máximo tres llamadas a herramientas antes de concluir.
Tres, una docena y cientos son máquinas distintas. La documentación de Google agrega que AI Overviews y AI Mode pueden usar modelos y técnicas distintos, así que las respuestas y los enlaces que muestran van a variar entre dos superficies de la misma empresa.
Esa variación es el problema práctico. Una marca puede estar en la lista corta de un motor que se abre en doce búsquedas y quedar fuera en uno que se abre en tres, con la misma pregunta, el mismo día, el mismo sitio y sin cambiar nada.
La subconsulta en la que pierdes nunca es la que monitoreaste
Esta es la falla que más cuesta. Un equipo elige el término principal que coincide con su página de producto y lo vigila. La marca aparece. El panel está en verde.
Mientras tanto, el fan-out escribió otras once preguntas. Precio frente a dos competidores con nombre. Si sirve para un equipo de cinco. A qué se pasaron quienes lo dejaron. Integración con una herramienta en la que nadie de marketing piensa. Cada una tiene sus propios resultados, sus propias fuentes citadas y sus propios ganadores, y todas se juntan en la respuesta que de verdad lee un comprador.
Nada de eso se te reporta. Google cuenta AI Overviews y AI Mode dentro del tráfico normal de búsqueda web en Search Console, así que las subconsultas nunca aparecen como filas propias. La única forma de verlas es hacerles a los motores las preguntas que haría un comprador, varias veces, y registrar lo que vuelve.
Esa es la medición para la que construimos Proofsource: muestrear cada motor con un conjunto de Prompts, mapear el fan-out, monitorear qué fuentes se citan junto a cuáles y ponerle un intervalo de Wilson a cada cifra para que un movimiento tenga que superar el ruido antes de contar como movimiento.
Cuatro formas de medir una pregunta que nunca hiciste
Nada de esto necesita nuestro producto. Necesita que dejes de tratar un Prompt como un solo Prompt.
- Escribe tú el fan-out antes de medir nada. Toma tu término principal y lista las diez o doce preguntas que un comprador necesita resolver debajo de él: precio, alternativas, para quién es, con qué se conecta, por qué lo deja la gente. Esa lista es tu verdadero conjunto de Prompts.
- Pregúntale a cada motor por separado y guarda las respuestas. AI Mode, AI Overviews, ChatGPT, Perplexity y Gemini no van a coincidir entre sí, y el desacuerdo es el hallazgo, no una falla de tu método.
- Muestrea varias veces antes de concluir nada. Una ejecución te dice lo que pasó una vez. Vemos entre un 9% y un 27% de rotación diaria en qué nombres aparecen, según el motor, en las categorías que muestreamos. Una sola lectura sobre esa base no es una medición.
- Lee las fuentes citadas, no solo las menciones. En la categoría que muestreamos, las listas fueron el 44% de lo que citó ChatGPT para una pregunta de “los mejores”. Si las listas comparativas de terceros están respondiendo tus subconsultas, que tu propio sitio sea perfecto no lo resuelve.
Dónde podríamos estar equivocados
El mecanismo de arriba es Google y Perplexity describiendo sus propios sistemas, y ninguna de las dos empresas publica las subconsultas reales detrás de una respuesta dada. La docena es un resumen redondo de una directora de ingeniería en una entrevista, no una distribución medida, y va a variar según la pregunta, la superficie y el mes. Tómala como un orden de magnitud y nada más fino.
El tope de tres llamadas a herramientas es el predeterminado publicado en la documentación de la Agent API de Perplexity. Describe ese predeterminado documentado y no dice nada sobre lo que hace el producto de consumo en una pregunta en particular.
Nuestras cifras son nuestras. La rotación del 9% al 27% y la proporción del 44% de listas son mediciones únicas sobre las muestras que tomamos, en las categorías en que las tomamos, y no defenderíamos ninguna como ley general. La página de Google para dueños de sitios se actualizó por última vez en diciembre de 2025, y estos productos cambian más rápido que su documentación.
Lo que defenderíamos es la forma del error. Monitorear un solo texto frente a un sistema que escribe sus propias preguntas mide la única entrada que controlas y ninguna de las que deciden la respuesta.
