Sluta optimera för nyckelord. Börja optimera för delfrågor

En fråga in, många sökningar ut

Google beskriver query fan-out i sin egen AI-optimeringsdokumentation: "Både AI Overviews och AI Mode kan använda en 'query fan-out'-teknik – att utfärda flera relaterade sökningar över underämnen och datakällor – för att utveckla ett svar." Systemet genererar en uppsättning samtidiga, relaterade frågor och syntetiserar resultaten till ett enda svar.

Googles arbetsexempel gör mekaniken konkret. En besökare frågar hur man fixar en gräsmatta som är full av ogräs. Istället för att söka efter den frasen, sprider den sig i minst tre parallella underfrågor:

Varje underfråga hämtar innehåll oberoende. AI:n citerar källorna som besvarade dess underfrågor; själva huvudfrågan får ingen citering. Om din sida endast riktar sig mot huvudfrasen, konkurrerar du om ett nyckelord som AI:n aldrig faktiskt söker efter.

Nyckelordsverktyg kan inte se ~95% av det

Traditionella nyckelordsverktyg – Ahrefs, Semrush, Google Search Console – samlar volym från loggade sökningar. Underfrågor genererade av AI:s fan-out är syntetiska: de komponeras vid inferenstid, inte skrivs av användare. Analys av Ahrefs-data av ALM Corp fann att cirka 95% av fan-out underfrågor registrerar noll sökvolym.

Conductor 2026 AEO/GEO Benchmarks Report – baserad på 13 770 företagsdomäner, 3,3 miljarder sessioner och mer än 100 miljoner citeringar över 17 miljoner AI-svar – fann en tröskeleffekt: varumärken som publicerade 12 eller fler optimerade innehållsdelar fick AI-synlighet 200 gånger snabbare än de som låg under den tröskeln. Hoppet är kategoriskt – att korsa det slår på synligheten snarare än att skala upp den bit för bit. Innehållsbredd som täcker underfrågeområdet är mekanismen.

Varför AI citerar innehåll från underfrågor framför landningssidor

Googles patent US11663201B2 och US20240289407A1 beskriver den underliggande mekanismen: "generering av frågevarianter" och tematisk utvidgning av underfrågor. Systemet identifierar avsiktsdimensionerna för en fråga – kausal, procedurell, jämförande, förebyggande – och söker efter var och en oberoende. En landningssida som gör ett allmänt påstående tillfredsställer ingen av dem med specificitet. En text som går djupt in på en dimension – säg, den kemikaliefria borttagningsvinkeln – är precis vad AI behöver för den underfrågan.

Den praktiska implikationen: AI-hämtning belönar ett specifikt svar. Nyckelordsdensitet hjälper knappt. En sida som svarar på "kan jag ta bort ogräs utan herbicider?" med 600 fokuserade ord kommer att överträffa en 2 000-ords text som nämner ogräs, herbicider och gräsmatteskötsel men inte svarar direkt på någon av dessa frågor.

Från ämne till inventering av underfrågor

Arbetsflödet skiljer sig från nyckelordsforskning men är inte komplicerat. Börja med de frågor din publik faktiskt har, snarare än de termer de kan skriva, och bryt ner dem efter avsiktsdimension.

För varje ämne du vill ranka för i AI-svar, skriv ner huvudfrågan och generera sedan underfrågor inom dessa fem dimensioner. Varje underfråga som saknar ett specifikt, fokuserat svar på din webbplats är en lucka som AI:n kommer att fylla från någon annan.

Var denna logik brister – och vad Google faktiskt straffar

Täckning av underfrågor med "fan-out" är användbart, men det kommer med verkliga feltyper som är värda att nämna innan du informerar ditt innehållsteam.

Google varnar uttryckligen för innehåll som skrivits för att täcka varje variation snarare än för att hjälpa en läsare. Dess policy för spam med skalat innehåll flaggar innehåll som skapats "för varje möjlig variation... främst för att manipulera rankningar eller generativa AI-svar." Om du publicerar femtio tunna sidor som tekniskt "svarar" på underfrågor utan att tillföra något verkligt djup, tolkar Google det som en spamsignal. Det kommer inte att fungera som en strategi. Målet är ämnesmässigt djup. Antalet sidor är irrelevant.

"Fan-out" utlöses inte vid varje fråga. Uppslagsfrågor – "Spaniens huvudstad", "vilket år byggdes Eiffeltornet" – får en enda direkt hämtning och sprids aldrig ut. Tekniken utlöses vid utforskande, jämförande och problemlösande frågor där flera vinklar faktiskt förbättrar svaret. Att mappa underfrågor till frågor som redan är otvetydiga är bortkastad möda.

Tunt innehåll som riktar sig mot underfrågor är fortfarande tunt. Tröskeln på 12 delar i Conductor-data är nästan säkert en proxy för den ämnesauktoritet du faktiskt har byggt upp. Du kan inte trolla fram det genom att publicera tolv korta listor för att nå antalet. Kvalitet framför kvantitet gäller här precis som överallt annars.

Ramverket som håller: skriv innehåll för att du har något specifikt och användbart att säga om den underfrågan. Om du gör det tenderar AI-citaten att följa. Om du inte gör det, kommer de inte att göra det – oavsett hur många sidor du publicerar.

Hitta de underfrågor du inte besvarar

Den snabbaste diagnostiken är att köra en varumärkesomnämningsskanning – som den irländska hemförsäkringsligan som kartlägger exakt vilka underfrågor varje varumärke äger – och titta på vad AI faktiskt säger när ditt ämne kommer upp – vilka underfrågor den hämtar från konkurrenter, vilka den lämnar obesvarade och vilka den tillskriver källor du aldrig har hört talas om. Det är din lista över luckor.

Hitta de underfrågor du missar