Google documente le fan-out avec ses propres mots
Le modèle mental que portent encore la plupart des équipes est la liste classée. Vous avez un mot-clé, le moteur a un index, et quelque part entre les deux se trouve une position que vous pouvez faire bouger. Chaque produit de recherche IA lancé ces deux dernières années a cassé ce modèle, et Google a décrit précisément comment.
Les recommandations de Google aux propriétaires de sites indiquent que AI Overviews et AI Mode peuvent utiliser une technique de query fan-out, en lançant plusieurs recherches liées sur des sous-thèmes et des sources de données pour élaborer une seule réponse. L’annonce faite à la conférence I/O par Elizabeth Reid, vice-présidente et responsable de la recherche chez Google, est plus précise sur AI Mode : il découpe votre question en sous-thèmes et lance une multitude de requêtes simultanément pour votre compte. La raison avancée par Google est la portée. Le fan-out permet à la recherche d’aller plus loin dans le web qu’une requête traditionnelle unique.
Ce à quoi il est répondu n’est donc pas ce qui a été tapé. Au moment où une réponse s’assemble, le moteur a lancé un ensemble de questions qu’il a lui-même écrites, et votre page est apparue dans certaines d’entre elles, ou non.
Une douzaine pour une question ordinaire, des centaines pour une question difficile
Google a avancé un chiffre à deux reprises. En mars 2026, sa propre série d’entretiens a demandé à Dounia Berrada, directrice principale de l’ingénierie de la recherche, d’expliquer la méthode. Son résumé : AI Mode fait en gros une douzaine de recherches pour vous dans le temps qu’il faut pour en faire une. Son exemple est la photo d’un jardin, où un seul envoi porte plusieurs vraies questions à la fois, sur l’ombre, le climat et l’entretien, et où le modèle lance une recherche pour chacune.
À l’autre bout de l’échelle, Deep Search dans AI Mode utilise la même technique en la poussant plus loin. Google indique qu’il peut lancer des centaines de recherches, raisonner à partir d’informations disparates et produire un rapport entièrement sourcé. Le fan-out est aussi devenu multimodal. Circle to Search et Lens décomposent désormais une seule image en ses différents objets et les recherchent en parallèle, si bien qu’une photo d’une pièce devient des recherches sur la lampe, le tapis et la chaise.
La douzaine est le chiffre à retenir, parce qu’il décrit le cas ordinaire plutôt que la vitrine.
Chaque moteur décompose, et aucun ne s’accorde sur jusqu’où
Ce n’est pas une habitude propre à Google, et les budgets sont loin d’être égaux. Perplexity publie les instructions par défaut avec lesquelles tourne l’assistant de son Agent API, et elles disent de décomposer les requêtes complexes des utilisateurs en appels d’outils distincts pour la précision et la parallélisation. Le même texte par défaut fixe ensuite un plafond : faire au plus trois appels d’outils avant de conclure.
Trois, une douzaine et des centaines, ce sont des machines différentes. La documentation de Google ajoute que AI Overviews et AI Mode peuvent utiliser des modèles et des techniques différents, donc les réponses et les liens qu’ils affichent varieront entre deux surfaces d’une même entreprise.
Cette variation est le problème pratique. Une marque peut figurer dans la liste restreinte d’un moteur qui se déploie en douze recherches et la manquer sur un moteur qui se déploie en trois, pour la même question, le même jour, avec le même site et sans rien changer.
La sous-requête sur laquelle vous perdez n’est jamais celle que vous suiviez
Voici l’échec qui coûte le plus cher. Une équipe choisit le terme principal qui correspond à sa page produit et le surveille. La marque apparaît. Le tableau de bord est au vert.
Pendant ce temps, le fan-out a écrit onze autres questions. Le prix face à deux concurrents nommés. Si l’outil convient à une équipe de cinq. Vers quoi sont partis ceux qui l’ont quitté. L’intégration avec un outil auquel personne au marketing ne pense. Chacune a ses propres résultats, ses propres sources citées et ses propres gagnants, et elles sont assemblées dans la réponse que lit réellement un acheteur.
Rien ne vous en rend compte. Google compte AI Overviews et AI Mode dans le trafic de recherche Web ordinaire de Search Console, donc les sous-requêtes n’apparaissent jamais comme des lignes à part. Le seul moyen de les voir est de poser aux moteurs les questions que poserait un acheteur, de façon répétée, et de noter ce qui revient.
C’est la mesure que Proofsource a été conçu pour réaliser : échantillonner chaque moteur sur un jeu de Prompts, cartographier le fan-out, suivre quelles sources sont citées avec lesquelles, et placer un intervalle de Wilson sur chaque chiffre pour qu’un mouvement doive dépasser le bruit avant de compter comme un mouvement.
Quatre façons de mesurer une question que vous n’avez jamais posée
Rien de tout cela n’exige notre produit. Cela exige de cesser de traiter un Prompt comme un seul Prompt.
- Écrivez vous-même le fan-out avant de mesurer quoi que ce soit. Prenez votre terme principal et listez les dix ou douze questions auxquelles un acheteur doit obtenir une réponse en dessous : prix, alternatives, à qui il convient, avec quoi il se connecte, pourquoi les gens partent. Cette liste est votre vrai jeu de Prompts.
- Interrogez chaque moteur séparément et conservez les réponses. AI Mode, AI Overviews, ChatGPT, Perplexity et Gemini ne seront pas d’accord entre eux, et ce désaccord est le constat, pas un défaut de votre méthode.
- Échantillonnez de façon répétée avant de conclure quoi que ce soit. Une exécution vous dit ce qui s’est passé une fois. Nous observons un renouvellement quotidien de 9 % à 27 % des noms qui apparaissent, selon le moteur, dans les catégories que nous échantillonnons. Une lecture unique sur cette base n’est pas une mesure.
- Lisez les sources citées, pas seulement les mentions. Dans la catégorie que nous avons échantillonnée, les listicles représentaient 44 % de ce que ChatGPT citait pour une question « les meilleurs ». Si des classements tiers répondent à vos sous-requêtes, la perfection de votre propre site ne règle rien.
Où cette analyse pourrait se tromper
Le mécanisme ci-dessus est la description que Google et Perplexity font de leurs propres systèmes, et aucune des deux entreprises ne publie les sous-requêtes réelles derrière une réponse donnée. La douzaine est le résumé arrondi d’une directrice de l’ingénierie en entretien, pas une distribution mesurée, et elle variera selon la question, la surface et le mois. Considérez-la comme un ordre de grandeur, rien de plus précis.
Le plafond de trois appels d’outils est la valeur par défaut publiée dans la documentation de l’Agent API de Perplexity. Il décrit ce paramètre documenté et ne dit rien de ce que fait le produit grand public sur une question donnée.
Nos propres chiffres sont les nôtres. Le renouvellement de 9 % à 27 % et la part de 44 % pour les listicles sont des mesures uniques sur les échantillons que nous avons pris, dans les catégories où nous les avons pris, et nous ne défendrions ni l’un ni l’autre comme une loi générale. La page de Google destinée aux propriétaires de sites a été mise à jour pour la dernière fois en décembre 2025, et ces produits changent plus vite que leur documentation.
Ce que nous défendrions, c’est la forme de l’erreur. Suivre une seule chaîne face à un système qui écrit ses propres questions mesure la seule donnée que vous contrôlez, et aucune de celles qui décident de la réponse.
