Google documenteert de fan-out in eigen woorden
Het mentale model dat de meeste teams nog hebben, is de gerangschikte lijst. Jij hebt een zoekwoord, de engine heeft een index, en ergens daartussen zit een positie die je kunt verschuiven. Elk AI-zoekproduct dat de afgelopen twee jaar uitkwam, brak dat model, en Google heeft precies opgeschreven hoe.
De richtlijnen van Google voor site-eigenaren zeggen dat AI Overviews en AI Mode een techniek van query fan-out kunnen gebruiken, waarbij meerdere verwante zoekopdrachten over subonderwerpen en databronnen worden uitgevoerd om één antwoord te maken. De aankondiging op I/O van Elizabeth Reid, VP en Head of Search bij Google, is specifieker over AI Mode: het splitst je vraag op in subonderwerpen en voert namens jou tegelijk een veelheid aan zoekopdrachten uit. De reden die Google geeft, is bereik. Door uit te waaieren kan Zoeken dieper in het web gaan dan één traditionele zoekopdracht.
Wat wordt beantwoord, is dus niet wat werd getypt. Tegen de tijd dat een antwoord is samengesteld, heeft de engine een set vragen gedraaid die hij zelf schreef, en je pagina dook in sommige daarvan op of niet.
Een dozijn bij een gewone vraag, honderden bij een moeilijke
Google heeft er twee keer een getal op gezet. In maart 2026 vroeg de eigen interviewreeks Dounia Berrada, Senior Engineering Director bij Search, de methode uit te leggen. Haar samenvatting: AI Mode doet in feite een dozijn zoekopdrachten voor je in de tijd die één zoekopdracht kost. Haar voorbeeld is een foto van een tuin, waarbij één upload meerdere echte vragen tegelijk bevat over schaduw, klimaat en onderhoud, en het model voor elk een zoekopdracht uitvoert.
Aan de andere kant van het bereik gebruikt Deep Search in AI Mode dezelfde techniek verder doorgevoerd. Google zegt dat het honderden zoekopdrachten kan uitvoeren, kan redeneren over verspreide stukken informatie en een rapport met volledige bronvermeldingen kan maken. De fan-out is ook multimodaal geworden. Circle to Search en Lens splitsen nu één afbeelding op in de losse objecten en zoeken die parallel, zodat één foto van een kamer zoekopdrachten wordt naar de lamp, het kleed en de stoel.
Een dozijn is het getal om te onthouden, omdat het het gewone geval beschrijft en niet de etalage.
Elke engine splitst op, en geen twee zijn het eens over hoe ver
Dit is geen gewoonte van alleen Google, en de budgetten zijn verre van gelijk. Perplexity publiceert de standaardinstructies waarmee de assistent van zijn Agent API draait, en die zeggen dat complexe gebruikersvragen voor nauwkeurigheid en parallellisatie moeten worden opgesplitst in losse toolaanroepen. Dezelfde gepubliceerde standaard zet er daarna een plafond op: hoogstens drie toolaanroepen voordat je afrondt.
Drie, een dozijn en honderden zijn verschillende machines. De documentatie van Google voegt eraan toe dat AI Overviews en AI Mode verschillende modellen en technieken kunnen gebruiken, dus de antwoorden en de links die ze tonen, verschillen tussen twee oppervlakken binnen hetzelfde bedrijf.
Die variatie is het praktische probleem. Een merk kan de shortlist halen op een engine die twaalf kanten op uitwaaiert en hem missen op een engine die drie kanten op uitwaaiert, voor dezelfde vraag, op dezelfde dag, met dezelfde site en zonder dat er iets veranderde.
De subvraag waarop je verliest, is nooit de vraag die je volgde
Dit is de fout die het meest kost. Een team kiest de hoofdterm die bij de productpagina past en houdt die in de gaten. Het merk verschijnt. Het dashboard staat op groen.
Intussen schreef de fan-out elf andere vragen. Prijs tegenover twee genoemde concurrenten. Of het werkt voor een team van vijf. Waar mensen die vertrokken naartoe gingen. Een koppeling met een tool waar niemand in marketing aan denkt. Elk daarvan heeft eigen resultaten, eigen geciteerde bronnen en eigen winnaars, en ze worden samengevoegd tot het antwoord dat een koper echt leest.
Niets daarvan wordt aan je gerapporteerd. Google telt AI Overviews en AI Mode mee in het gewone zoektype Web in Search Console, dus de subvragen verschijnen nooit als eigen rijen. De enige manier om ze te zien, is de engines de vragen te stellen die een koper zou stellen, herhaaldelijk, en vast te leggen wat terugkomt.
Dat is de meting waarvoor we Proofsource bouwden: elke engine bemonsteren over een set Prompts, de fan-out in kaart brengen, volgen welke bronnen naast welke worden geciteerd en een Wilson-interval op elk getal zetten, zodat een beweging boven de ruis moet uitkomen voordat ze als beweging telt.
Vier manieren om een vraag te meten die je nooit stelde
Niets hiervan heeft ons product nodig. Het vraagt dat je één Prompt niet langer als één Prompt behandelt.
- Schrijf de fan-out zelf voordat je iets meet. Neem je hoofdterm en noteer de tien of twaalf vragen die een koper daaronder beantwoord moet krijgen: prijs, alternatieven, voor wie het is, waarmee het koppelt, waarom mensen vertrekken. Die lijst is je echte set Prompts.
- Vraag elke engine apart en bewaar de antwoorden. AI Mode, AI Overviews, ChatGPT, Perplexity en Gemini zullen het niet met elkaar eens zijn, en die onenigheid is de bevinding en geen fout in je methode.
- Bemonster herhaaldelijk voordat je iets concludeert. Eén run vertelt je wat er één keer gebeurde. In de categorieën die we bemonsteren, zien we afhankelijk van de engine 9% tot 27% wisseling van dag tot dag in welke namen verschijnen. Eén meting op die basis is geen meting.
- Lees de geciteerde bronnen, niet alleen de vermeldingen. In de categorie die we bemonsterden, waren lijstjes 44% van wat ChatGPT citeerde voor een vraag naar de beste. Beantwoorden overzichten van derden je subvragen, dan lost een perfecte eigen site het niet op.
Waar dit mis kan zitten
Het mechanisme hierboven is Google en Perplexity die hun eigen systemen beschrijven, en geen van beide bedrijven publiceert de echte subvragen achter een bepaald antwoord. Een dozijn is de afgeronde samenvatting van een engineeringdirecteur in een interview, geen gemeten verdeling, en het verschuift per vraag, per oppervlak en per maand. Zie het als een orde van grootte en niets fijners.
Het plafond van drie toolaanroepen is de gepubliceerde standaard in de documentatie van de Agent API van Perplexity. Het beschrijft die gedocumenteerde standaard en zegt niets over wat het consumentenproduct bij een bepaalde vraag doet.
Onze eigen cijfers zijn van ons. De wisseling van 9% tot 27% en het aandeel lijstjes van 44% zijn losse metingen op de steekproeven die we namen, in de categorieën waarin we ze namen, en we zouden geen van beide als algemene wet verdedigen. De eigen pagina van Google voor site-eigenaren werd in december 2025 voor het laatst bijgewerkt, en deze producten veranderen sneller dan hun documentatie.
Wat we zouden verdedigen, is de vorm van de fout. Eén zoekterm volgen tegen een systeem dat zijn eigen vragen schrijft, meet de ene invoer die jij bepaalt en geen van de invoer die het antwoord bepaalt.
