Query Fan-Out: Hvorfor ett søkeord ikke lenger holder

Per juni 2026. Tidligere kunne man overraskende ofte behandle SEO som en liten gjettelek: finne hovedsøkeordet, sjekke søkevolumet, bygge siden og følge rangeringen. Det var aldri hele sannheten, men det var en brukbar arbeidsmodell. AI Search gjør denne modellen langt mindre bekvem.

Årsaken heter Query Fan-Out. Et KI-søk behandler ikke nødvendigvis et spørsmål som ett enkelt søk. Det kan gjøre det om til flere delspørsmål, hente ulike kilder og sette sammen et svar fra dem. For dem som driver nettsteder, betyr det at det ikke lenger er nok å stirre på det ene fine hovedsøkeordet. Den egentlige AI Visibility kan ligge i delspørsmålene.

Kortversjonen

• Query Fan-Out betyr: Et KI-søk kan dele et brukerspørsmål opp i flere delspørsmål eller undertemaer.
• Google navngir denne teknikken uttrykkelig: AI Mode bruker Query Fan-Out, og Deep Search kan ifølge Google utløse hundrevis av søk.
• Ett hovedsøkeord er ikke lenger nok som tankemodell: Det blir viktig om innholdet ditt dekker relevante spørsmål om beslutninger, sammenligninger, risiko og dokumentasjon.
• Fan-Out er ingen invitasjon til masseinnhold: Google advarer mot sider som bare opprettes for enhver mulig søkevariant for å manipulere rangeringer eller KI-svar.
• Datagrunnlaget er interessant, men ikke enkelt: Studier viser sammenhenger mellom Fan-Out-dekning, innhenting og kildehenvisninger. Men de viser også at direkte relevans og god struktur er viktigere enn blind fullstendighet.
• For WordPress betyr dette: Ikke bygg søkeordkirkegårder. Bygg gode temaklynger, tydelige svar, nyttige tabeller, FAQ og interne lenker.

Min anbefaling er å bruke Query Fan-Out som et perspektiv, ikke som en oppgaveliste. Spørsmålet er ikke «Hvor mange delspørsmål kan jeg fortsatt stappe inn i denne artikkelen?» Et bedre spørsmål er «Hvilke delspørsmål må et menneske eller et KI-system avklare før denne anbefalingen gir mening?»

Hva er Query Fan-Out?

Query Fan-Out beskriver det som skjer når et KI-søkesystem sprer én enkelt forespørsel ut i flere retninger. Ett spørsmål blir til flere beslektede søk, perspektiver eller undertemaer. Systemet samler informasjon om disse delspørsmålene og bygger et svar av den.

Tenk deg at noen spør: «Hvilken SEO-utvidelse for WordPress er fornuftig for en liten nettbutikk?» Et tradisjonelt søkeordperspektiv ville raskt landet på «beste SEO-utvidelse WordPress». Et Fan-Out-system kunne i tillegg spørre: Hvilken utvidelse støtter WooCommerce? Hvor gode er Schema-dataene? Finnes det omdirigeringer? Hvor enkelt er oppsettet? Hva koster Premium? Hva med AI Visibility, llms.txt og strukturerte data? Finnes det risiko ved å bruke flere SEO-utvidelser?

Det synlige brukerspørsmålet er altså bare begynnelsen. Bak det ligger spørsmål som må avklares før en beslutning. Nettopp derfor virker AI Search ofte så annerledes enn tradisjonelle søk: Svaret er ikke bare et treff på en søkefrase, men en sammenstilling av flere små undersøkelsessteg.

Hva Google sier om dette

Google beskriver Query Fan-Out for AI Mode svært direkte: AI Mode deler et spørsmål opp i undertemaer og utløser flere søk samtidig. Dette skal gjøre at Search kan gå dypere inn i nettet enn et tradisjonelt Google-søk.

For Deep Search beskriver Google den samme teknikken i større skala: Ved mer komplekse undersøkelsesspørsmål kan Deep Search utføre hundrevis av søk, trekke slutninger på tvers av ulike opplysninger og lage en rapport med kildehenvisninger. Dette er ingen liten sidefunksjon. Det er en annen måte å organisere undersøkelser på.

Samtidig setter Google en viktig grense. I sin egen veiledning om optimalisering for generative KI-funksjoner advarer Google mot å lage separat innhold for enhver mulig søkevariant, People also ask-spørsmål eller Fan-Out-forespørsel når hovedformålet er å manipulere rangeringer eller generative svar. Nettopp dette kan gli over i «scaled content abuse».

Dette er den temmelig ubekvemme kjernen: Ja, Fan-Out er viktig. Nei, det betyr ikke at du skal opprette hundre tynne undersider. Maskinen stiller flere spørsmål. Derfor skal du ikke produsere mer søppel, men forklare sammenhenger bedre.

Hvorfor ett søkeord ikke er nok lenger

Et søkeord er ofte bare en etikett. Men mennesker leter sjelden bare etter en etikett. De har et problem, en beslutning, en tvil eller en sammenligning i tankene. KI-systemer forsøker å rekonstruere nettopp dette skjulte landskapet av spørsmål.

For AI Visibility betyr det at du kan være synlig for et hovedsøkeord og likevel mangle i delspørsmålene som det senere svaret bygger på. Omvendt kan en side være relevant for et svært konkret delspørsmål og dermed dukke opp i et KI-svar, selv om den ikke rangerer høyt for hovedsøkeordet.

Det passer med det vi allerede har sett i serien: Schema og entiteter bidrar til tydelighet, sammenligningslister kan prege tredjepartskilder, KI-crawlere og robots.txt avgjør tilgang. Query Fan-Out forklarer nå hvorfor bredden og dybden i innholdet på et nettsted likevel ikke kan være tilfeldig.

Hva dataene viser, og hva de ikke viser

Det lønner seg å være disiplinert med Fan-Out-tall. Et tall uten plattform, målemetode og tidsperiode blir nesten alltid misvisende. Google AI Overviews, Google AI Mode, ChatGPT og Perplexity fungerer ikke likt. En kildehenvisning er ikke det samme som en anbefaling. Et forsøk med fire artikler er ikke det samme som en stor korrelasjonsstudie.

En analyse fra Surfer SEO, omtalt av Search Engine Land, undersøkte 10 000 søkeord, 33 000 Fan-Out-forespørsler hentet ut med Gemini og, ifølge den lenkede rapporten, 173 902 URL-er. Analysen fant en sterk korrelasjon mellom antallet Fan-Out-forespørsler en side rangerer for, og sannsynligheten for å bli brukt som kilde i Google AI Overviews. Viktig: Kilden understreker selv at rangering for Fan-Out-forespørsler ikke garanterer en kildehenvisning, og at korrelasjon ikke er kausalitet.

AirOps og Kevin Indig undersøkte i april 2026 16 851 forespørsler og 353 799 sider gjennom ChatGPTs prosess for innhenting av kilder. Det interessante her er motvekten: I denne analysen var maksimal Fan-Out-dekning ikke det viktigste virkemiddelet. Plasseringen ved innhenting, direkte relevans for forespørselen og passende overskrifter veide tyngre. Sider som dekket 26 til 50 prosent av Fan-Out-undertemaene, gjorde det bedre ved høy primærrelevans enn sider med 100 prosent dekning.

Semrush publiserte et lite praktisk forsøk med fire artikler over én måned. Der økte kildehenvisningene fra to til fem, i en periode til ni, men falt igjen. Det er nyttig som en rapport fra praksis, men metodisk begrenset. Slike forsøk er interessante så lenge de ikke selges som naturlover.

Min tolkning er at Fan-Out-dekning er et svært godt diagnoseverktøy. Den viser hvilke relevante delspørsmål som mangler. Men den er ingen ordre om å gjøre hvert syntetiske delspørsmål til et eget avsnitt, en egen FAQ eller en egen side. Vær så snill, la være. Internett har allerede nok ihjelkokte veiledninger.

Hva dette betyr for innholdsstrategien

Godt Fan-Out-arbeid begynner ikke med verktøy, men med en ryddig logikk for beslutningen. Spør deg selv: Hvilken informasjon trenger noen faktisk for å vurdere et svar, en anbefaling eller en kjøpsbeslutning?

• Definisjonsspørsmål: Hva er dette egentlig?
• Spørsmål om avgrensning: Hvordan skiller det seg fra lignende løsninger?
• Spørsmål om egnethet: Hvem er det nyttig for, og hvem er det ikke nyttig for?
• Spørsmål om tillit: Hvem sier dette, med hvilken erfaring og hvilken dokumentasjon?
• Spørsmål om risiko og begrensninger: Hva kan gå galt, og hvor ligger begrensningene?
• Sammenligningsspørsmål: Hvilke alternativer finnes, og hvilke kriterier sammenlignes de etter?
• Spørsmål om gjennomføring: Hva må jeg konkret gjøre, kontrollere eller bestemme?
• Spørsmål om aktualitet: Gjelder dette fortsatt, og hvordan ser jeg hvor oppdatert det er?

Hvis nettstedet ditt svarer på disse spørsmålene, blir det ikke bare lettere å lese for KI-systemer. Det blir også nyttigere for mennesker. Det er behagelig gammeldags. Nesten mistenkelig.

WordPress: omsett Fan-Out til innhold

I WordPress kan Query Fan-Out godt omsettes til en tydelig innholdsarkitektur. Du trenger ikke et nytt innlegg for hvert delspørsmål. Som regel trenger du bedre organisering.

1. Velg et reelt hovedtema: ikke bare et søkeord, men et problem eller en beslutning.
2. Samle delspørsmål: fra Search Console, kundespørsmål, kommentarer, salgssamtaler, brukerstøtte, KI-tester og egen erfaring.
3. Sorter etter hensikt: definisjon, sammenligning, veiledning, risiko, kostnader, verktøyvalg, juss, teknikk og eksempler.
4. Bestem formen: avsnitt på hovedsiden for temaet, egen artikkel i temaklyngen, FAQ, tabell, sjekkliste, produktside, ordliste eller nedlasting.
5. Lenk ryddig: Hovedsiden og temaklyngen må forklare hverandre. Interne lenker er ikke pynt.
6. Undersøk søke- og KI-svar: Hvilke kilder vises det til? Hvilke konkurrenter dukker opp? Hvilke delspørsmål mangler?
7. Oppdater i stedet for å stable: Forbedre, slå sammen eller gi gamle artikler en tydelig plass i stedet for stadig å lage nye, tynne varianter.
8. Mål plattformene hver for seg: Google AI Overviews, AI Mode, ChatGPT og Perplexity kan foretrekke ulike kilder og formater.

Den praktiske fordelen er at du får et nettsted som ikke bare har «mer innhold», men bedre veier til svar. Det er nettopp dette som er viktigere for AI Visibility.

Et eksempel fra praksis

Ta temaet «Slik stiller du inn Yoast SEO riktig». En tradisjonell artikkel ville forklart hvor man skal klikke. Det er nyttig, men ikke fullstendig for AI Search. Et Fan-Out-perspektiv spør i tillegg:

• Hva er egentlig nytten av en SEO-utvidelse?
• Hvilke innstillinger er faktisk viktige for vanlige WordPress-brukere?
• Hva er SEO-tittel og metabeskrivelse, og hvorfor påvirker det CTR?
• Hvordan henger Yoast sammen med Search Console og nettstedskart?
• Når er kategorier og stikkord et indekseringsproblem?
• Hva bidrar Schema-data faktisk med?
• Hva betyr llms.txt for WordPress?
• Hvor slutter Yoast, og hvor begynner AI Visibility?

Nettopp derfor ble oppdateringen av Yoast-artikkelen til en serie. Ikke fordi «flere artikler» automatisk er bedre, men fordi delspørsmålene trenger ulik dybde. Noen hører hjemme i hovedartikkelen. Noen trenger en egen veiledning. Noen er FAQ. Andre er kandidater til en gjennomgang, et verktøy eller en senere produktfunksjon.

Hva du ikke bør gjøre

Den dårligste måten å bruke Query Fan-Out på ville være å gjøre det til neste byggesett for innholdssøppel: generere 80 syntetiske delspørsmål, publisere 80 middelmådige sider og håpe at AI Search pent belønner det. Det er ikke strategi. Det er digital papirstopp.

• Ingen separate sider for hver minste søkevariant.
• Ingen FAQ-blokker som bare gjentar spørsmål uten å avklare noe.
• Ingen «ultimate veiledninger» som sneier innom alt og egentlig ikke svarer på noe.
• Ingen tall uten plattform, kilde, tidsperiode og målemetode.
• Ikke hell eksportfiler fra verktøy rett inn i innholdet uten kontroll.
• Ingen påstander om AI Visibility uten overvåking.

Hvis et delspørsmål er viktig, svar godt på det. Hvis det er uviktig, la det være. Det er også innholdsstrategi.

Hvordan jeg tenker om dette med citelayer®

Sett fra perspektivet til citelayer® AI Visibility Auditer Query Fan-Out først og fremst et diagnostisk spørsmål: Hvilke delspørsmål må et KI-system avklare før det kan anbefale en merkevare på en meningsfull måte eller plassere den riktig? Og hvilke av disse delspørsmålene er faktisk besvart på nettstedet, i eksterne kilder eller i strukturerte data?

Fra produkt- og audit-arbeidet mitt med citelayer® tar jeg med meg en tydelig grense: Fan-Out-dekning er viktig, men den må ikke vektes blindt. Et nettsted kan berøre mange delspørsmål overflatisk og likevel være en dårlig kilde. Omvendt kan en svært fokusert side svare på akkurat det ene spørsmålet som trengs i et KI-svar.

citelayer® for WordPress kan bidra til å gjøre tekniske og maskinlesbare signaler ryddigere tilgjengelige: Schema-kontekst, llms.txt, tydelige innholdskart og botsignaler. Men det egentlige redaksjonelle arbeidet består: Hvilke spørsmål svarer du faktisk på? Hvilken dokumentasjon leverer du? Og hvor er merkevaren din fortsatt uklar?

FAQ

Er Query Fan-Out et nytt verktøy for søkeordsanalyse?

Ikke direkte. Fan-Out-forespørsler kan hjelpe med undersøkelser, men er ikke vanlige søkeord med et pålitelig søkevolum. De er snarere indikasjoner på hvilke delspørsmål et KI-system kan ta hensyn til når det lager et svar.

Bør jeg lage en egen side for hver Fan-Out-forespørsel?

Nei. Det ville som regel være helt feil reaksjon. Avgjør først om delspørsmålet er viktig, og hvilken form det fortjener: avsnitt, FAQ, tabell, egen artikkel eller ingenting.

Hjelper Query Fan-Out også tradisjonell SEO?

Ofte ja, fordi bedre temadekning, tydelige overskrifter og gode interne lenker også hjelper vanlige søkemotorer og mennesker. Men Fan-Out er ikke bare et nytt ord for overdreven bruk av søkeord.

Kan jeg forutsi Fan-Out-forespørsler nøyaktig?

Nei, ikke pålitelig. Fan-Out kan variere med system, kontekst, bruker, tidspunkt og prompt. Du kan simulere, gruppere og teste dem. Men du bør ikke behandle dem som en fast sannhet.

Hva er det første praktiske steget?

Ta et viktig tema og samle ti reelle spørsmål som må avklares før man tar en beslutning om det. Undersøk så om nettstedet ditt svarer på disse spørsmålene synlig, oppdatert og med dokumentasjon. Det er som regel mer verdifullt enn neste eksport fra et verktøy.

Kilder og verifisering

Denne vurderingen bygger på mitt produkt- og audit-arbeid med citelayer® og på offentlige primær- og markedskilder. Egne analyser bruker jeg som faglige vurderinger. Offentlige faktapåstander kan etterprøves gjennom kildene nedenfor.

• Google Blog: AI Mode in Google Search: Updates from Google I/O 2025.
• Google Search Central: Optimizing your website for generative AI features on Google Search.
• Ahrefs: What is Query Fan-Out? Understanding the Hidden Queries Driving AI Search.
• AirOps × Kevin Indig: The Fan-Out Effect: What Happens Between a Query and a Citation.
• Semrush: We Tested Query Fan-Out Optimization.
• Search Engine Land / Surfer SEO: AI Overview fan-out rankings boost citation odds by 161%: Study.
• Eget audit- og produktarbeid med citelayer®: Fan-Out-dekning, kartlegging av delspørsmål og sammenligning mellom plattformer brukes diagnostisk, men ikke som et blindt løfte om poengsum.