Query fan-out: cómo ChatGPT convierte tu pregunta en búsquedas

El query fan-out es la técnica por la que un buscador con IA convierte una sola pregunta en varias búsquedas más concretas, las ejecuta y combina lo que encuentra en una respuesta única. Google usa el término para AI Mode y AI Overviews, y OpenAI describe un comportamiento equivalente en ChatGPT: reescribe tu pregunta en una o varias consultas dirigidas y, si hace falta, lanza otras de seguimiento. La consecuencia práctica es que ya no compites solo por la consulta que escribe el usuario, sino por todas las subconsultas que la IA genera a partir de ella.

Qué es el query fan-out

El query fan-out (literalmente, «abrir la consulta en abanico») es el paso intermedio entre tu pregunta y la respuesta de un motor generativo: el modelo descompone la pregunta en subtemas, genera una consulta de búsqueda para cada uno, recupera resultados y redacta la respuesta a partir de ellos.

Google lo explicó en su anuncio sobre AI Mode del 20 de mayo de 2025. Según Elizabeth Reid, responsable de Search, AI Mode usa la técnica de query fan-out, que divide la pregunta en subtemas y lanza «una multitud de consultas» a la vez en nombre del usuario; su modo Deep Search lleva la misma técnica más lejos y puede emitir cientos de búsquedas (Google, 2025). La documentación para webmasters de Google Search Central lo confirma: tanto AI Overviews como AI Mode pueden usar fan-out, es decir, «emitir varias búsquedas relacionadas sobre distintos subtemas y fuentes de datos» para construir la respuesta (Google Search Central).

Conviene distinguir tres cosas que a menudo se mezclan:

Reescritura de la consulta: el modelo transforma tu pregunta conversacional en una consulta más corta y precisa, apta para un buscador.
Descomposición en subconsultas: la pregunta se reparte en varios subtemas (precio, comparativas, opiniones, ubicación) y cada uno genera su propia búsqueda.
Búsquedas de seguimiento: tras leer los primeros resultados, el sistema lanza consultas nuevas, más específicas, que no podía prever al principio.

Los tres aparecen en la documentación oficial de OpenAI y de Google, aunque cada empresa los describe con palabras distintas.

Cómo lo hace ChatGPT, según OpenAI

ChatGPT reescribe tu pregunta antes de buscar y puede encadenar varias búsquedas, según su página de ayuda sobre búsqueda web (OpenAI Help Center). OpenAI no usa la expresión «query fan-out», pero describe el mismo patrón:

Decide si busca o no. ChatGPT puede buscar en la web automáticamente cuando la pregunta se beneficia de información actual; el usuario también puede forzar la búsqueda.
Reescribe en una o varias consultas. Cuando recurre a proveedores de búsqueda externos, «normalmente reescribe tu consulta en una o más consultas dirigidas». El ejemplo oficial: alguien pregunta por el desarrollo de fármacos dirigidos a CCR8 contra el cáncer y ChatGPT busca primero «CCR8 immunotherapy drug development 2025».
Lanza consultas de seguimiento. Tras revisar los primeros resultados, puede enviar consultas adicionales y más específicas, como el nombre de un fármaco concreto y una conferencia.
Añade contexto del usuario. Usa una ubicación aproximada basada en la IP: «¿qué restaurantes buenos hay cerca?» puede convertirse en «top restaurants San Francisco». Si la memoria está activada, puede incorporar datos guardados; el ejemplo de OpenAI añade «vegan» porque el usuario había contado que es vegano.

Para saber cómo tratan las consultas esos proveedores, la misma página remite a las políticas de privacidad de Microsoft y de Shopify. OpenAI no detalla qué proveedor se usa en cada caso ni cuántas consultas se lanzan.

En los modelos de razonamiento el proceso es más abierto. La guía de la herramienta de búsqueda web de la API de OpenAI describe la «búsqueda agéntica»: el modelo busca como parte de su razonamiento, analiza los resultados y decide si sigue buscando. En modo deep research, el modelo suele recurrir a cientos de fuentes y la tarea puede durar varios minutos (OpenAI API docs).

Cómo lo hacen Google AI Mode, AI Overviews y Gemini

Google ha documentado el fan-out en tres productos con lógica parecida:

AI Mode: divide la pregunta en subtemas y lanza muchas consultas a la vez (Google, 2025). Según Search Central, mientras se genera la respuesta los modelos identifican más páginas de apoyo, lo que permite mostrar un conjunto de enlaces más amplio y diverso que en una búsqueda clásica (Google Search Central).
AI Overviews: puede usar la misma técnica, aunque solo aparece cuando Google considera que el resumen aporta algo a la búsqueda clásica, por lo que a menudo no se muestra. Google advierte que AI Mode y AI Overviews pueden usar modelos y técnicas distintos, así que sus respuestas y enlaces no coinciden.
Gemini con grounding en Google Search: el grounding (fundamentación) consiste en apoyar la respuesta en resultados de búsqueda recuperados en ese momento. La documentación de la API describe el flujo paso a paso. El modelo analiza el prompt (la pregunta o instrucción que escribe el usuario) y decide si una búsqueda en Google mejoraría la respuesta; si es así, genera automáticamente una o varias consultas, las ejecuta, procesa los resultados y devuelve una respuesta fundamentada con citas (Gemini API docs).

Para aparecer como enlace de apoyo en AI Overviews o AI Mode, Google no exige nada especial: la página tiene que estar indexada y ser apta para mostrarse con fragmento en la Búsqueda. Google indica expresamente que no hay requisitos técnicos adicionales (Google Search Central). Si quieres ver cómo se traduce esto en acciones, lo desarrollamos en cómo aparecer en Google AI Overviews y AI Mode.

Cómo lo hace Perplexity

Perplexity describe un proceso de varias búsquedas en su modo Pro Search. Según su centro de ayuda, Pro Search está orientado a preguntas complejas, ambiguas o con varias facetas, realiza múltiples búsquedas en la web (artículos, publicaciones académicas, foros, vídeos) y reúne información de decenas de fuentes en una respuesta (Perplexity Help Center). No publica cuántas consultas lanza ni cómo las genera.

De dónde viene la idea: reescritura de consultas en la investigación

La idea de reescribir o multiplicar las consultas antes de buscar tiene antecedentes en la investigación académica sobre cómo mejorar la recuperación de información para los modelos de lenguaje. Dos trabajos ilustran bien el principio:

Rewrite-Retrieve-Read (Ma et al., EMNLP 2023): propone añadir un paso de reescritura antes de buscar. Primero se pide a un modelo de lenguaje que genere la consulta y un buscador web recupera el contexto; en la versión entrenable, un modelo pequeño hace de reescritor y aprende, con aprendizaje por refuerzo, a partir de las respuestas del modelo que lee los resultados (arXiv 2305.14283).
RAG-Fusion (Rackauckas, 2024): genera varias versiones de la pregunta original, recupera documentos para cada una y fusiona los rankings con reciprocal rank fusion, un método que premia los documentos que aparecen bien situados en varias listas. El autor observó respuestas más completas, pero también que algunas se desviaban del tema cuando las consultas generadas se alejaban de la original (arXiv 2402.03367).

La segunda idea es la más útil para un equipo de marketing: si el sistema combina resultados de varias consultas, una página que responde bien a varias subconsultas tiene más oportunidades de entrar en la respuesta que otra que solo encaja con una. Es una inferencia a partir del método, no una regla publicada por ningún motor, pero orienta bien el trabajo.

Ejemplo: cómo se abre en abanico una pregunta de compra

Este ejemplo es ilustrativo: muestra el tipo de subconsultas que un motor podría generar, no consultas capturadas de ChatGPT ni de Google. Imagina que una persona en Valencia escribe:

«Tengo una inmobiliaria pequeña con tres agentes. ¿Qué CRM me recomiendas que no sea caro y se integre con los portales?»

Subtema que detecta el modelo	Subconsulta posible	Qué tipo de página la responde
Categoría y segmento	«mejor CRM inmobiliario pequeñas agencias»	Rankings y comparativas de terceros
Precio	«CRM inmobiliario precio por usuario»	Página de precios del fabricante
Integraciones	«CRM inmobiliario integración portales»	Documentación de integraciones
Opiniones	«opiniones CRM inmobiliario»	Webs de reseñas, foros, Reddit
Mercado local	«CRM inmobiliario España»	Medios del sector, directorios locales
Actualidad	«mejores CRM inmobiliarios 2026»	Listas actualizadas con fecha

Fíjate en dos cosas. Primero, ninguna subconsulta repite literalmente la pregunta del usuario. Segundo, la mayoría de las páginas que las responden no son tuyas: son comparativas, reseñas y medios. Una marca que solo tiene una buena página de producto cubre, como mucho, dos filas de la tabla.

Qué cambia para tu estrategia de contenido

El query fan-out desplaza el trabajo de «posicionar una palabra clave» a «cubrir el conjunto de preguntas que se derivan de una necesidad». En la práctica:

Mapea las subconsultas de tus prompts principales. Para cada pregunta que te importa, anota los atributos que un comprador querría comparar: precio, alternativas, integraciones, opiniones, ubicación, idioma, año, tamaño de empresa. Cada atributo es una subconsulta probable.
Responde cada atributo con datos concretos en tus páginas. Precios visibles, listas de integraciones, casos de uso por sector y tablas comparativas. El estudio académico que acuñó el término GEO encontró que añadir estadísticas, citas textuales y referencias a fuentes fiables mejoraba la visibilidad en las respuestas generativas, mientras que el relleno de palabras clave no funcionaba bien (Aggarwal et al., 2024). Cómo redactarlo lo explicamos en cómo escribir contenido que las IA citen.
Trabaja las subconsultas que no responde tu web. Las de «mejores», «opiniones» o «alternativas» es probable que las respondan páginas de terceros. Ahí entran los rankings del sector, las reseñas y los foros; tienes más detalle en por qué los listicles pesan tanto en las respuestas de IA.
Cuida la actualidad. En el ejemplo oficial de OpenAI, la consulta reescrita añade el año. Si tu comparativa dice «2024» en el título, es razonable esperar que encaje peor con una subconsulta que incluye el año en curso. Actualiza fechas solo cuando actualices de verdad el contenido.
Cubre la dimensión local. Según OpenAI, ChatGPT puede añadir a la consulta reescrita la ubicación aproximada del usuario, deducida de su IP. Si vendes en varios países o ciudades, necesitas páginas que respondan a esa variante.
No crees una página por subconsulta. Google recomienda contenido único y no genérico, pensado para personas (Google Search Central Blog, 2025). Una página completa que resuelve varias subconsultas relacionadas suele ser mejor apuesta que diez páginas finas.

Cómo ver o deducir las subconsultas

No hay una forma oficial de ver todas las subconsultas que genera ChatGPT en su interfaz para cualquier pregunta. Lo que sí está documentado:

API de OpenAI: cuando un modelo usa la herramienta de búsqueda web, la respuesta incluye un elemento web_search_call cuya acción de búsqueda «normalmente, pero no siempre» incluye las consultas lanzadas. Además, el campo sources devuelve la lista completa de URL consultadas, que suele ser más larga que la de URL citadas (OpenAI API docs).
API de Gemini: con grounding en Google Search, la respuesta contiene las consultas que el modelo ejecutó y las citas con su URL (Gemini API docs).

Ojo: la API no es idéntica a la aplicación de consumo. Usa estas consultas como pistas sobre cómo razona el modelo, no como copia exacta de lo que ve un usuario de ChatGPT.

La otra vía es indirecta: mirar las fuentes que cita la IA en la respuesta final. Si para «mejor CRM inmobiliario» aparece citada una página de precios de un competidor y un hilo de un foro de agentes, ya sabes que hubo subconsultas sobre precio y opiniones. Este análisis lo desarrollamos en análisis de fuentes: qué webs citan las IA en tu sector.

DeepMention, nuestra herramienta, trabaja sobre esa huella visible: lanza cada día los prompts que eliges en ChatGPT, Gemini y Google AI Mode, desde tu país, y registra qué marcas aparecen y qué fuentes se citan. No muestra las subconsultas internas del motor; sí te enseña qué dominios cita la IA en cada prompt, que es la huella visible de esas subconsultas, y qué contenido te conviene crear. Perplexity, Claude y Copilot no están cubiertos. Si quieres probarlo con tus propios prompts, hay prueba gratuita de 7 días (el primer cargo es el día 8) y los planes están en precios.

Límites y errores frecuentes

El fan-out es una pieza importante, pero no lo explica todo. Ten en cuenta estos límites:

No hay un número fijo de subconsultas. Ni Google ni OpenAI publican cuántas lanza cada motor, y depende de la pregunta, del modelo y del modo (búsqueda rápida, razonamiento, deep research). Las medias que publican algunas herramientas de monitorización proceden de sus propias muestras de prompts: son útiles como orientación, pero no son datos de los motores.
Reformular el prompt cambia más las fuentes que las marcas. Un estudio de la Universidad de Toronto encontró que, con los modelos de OpenAI, Gemini y Perplexity, las listas de marcas eran bastante estables ante paráfrasis de la misma pregunta, mientras que los dominios citados variaban más (Chen et al., 2025). Es coherente con el fan-out: palabras distintas generan subconsultas distintas y, por tanto, páginas distintas.
No todas las preguntas disparan una búsqueda. Si el modelo cree que puede responder con lo que ya sabe, no busca. En ese caso pesa lo que aprendió en el entrenamiento, y ahí cuenta tu presencia histórica en la web.
Confundir fan-out con «long tail». Las subconsultas se parecen a palabras clave de cola larga, pero no las elige el usuario: las elige el modelo. Por eso los datos de volumen de búsqueda de Google solo te dan una aproximación.

Si estás empezando, el siguiente paso lógico es entender cómo deciden ChatGPT, Gemini y Perplexity qué marcas recomendar, donde el fan-out es solo una de las piezas.

Fuentes

Google, Elizabeth Reid (20 de mayo de 2025). AI in Search: Going beyond information to intelligence.
Google Search Central. AI features and your website.
Google Search Central Blog, John Mueller (21 de mayo de 2025). Top ways to ensure your content performs well in Google's AI experiences on Search.
Google AI for Developers. Grounding with Google Search.
OpenAI Help Center. Searching the web with ChatGPT.
OpenAI API. Web search tool.
Perplexity Help Center. What is Pro Search?
Ma, X. et al. (2023). Query Rewriting for Retrieval-Augmented Large Language Models. EMNLP 2023.
Rackauckas, Z. (2024). RAG-Fusion: a New Take on Retrieval-Augmented Generation.
Aggarwal, P. et al. (2024). GEO: Generative Engine Optimization. KDD 2024.
Chen, M., Wang, X., Chen, K. y Koudas, N. (2025). Generative Engine Optimization: How to Dominate AI Search.

Preguntas frecuentes

¿Qué es el query fan-out en ChatGPT?

Es el proceso por el que un asistente con búsqueda divide o reescribe tu pregunta en varias consultas más concretas, las lanza contra un buscador y combina los resultados en una sola respuesta. El término lo usa Google para AI Mode y AI Overviews; OpenAI describe el mismo comportamiento en ChatGPT cuando explica que reescribe tu pregunta en una o varias consultas dirigidas.

¿Cuántas búsquedas hace ChatGPT por cada pregunta?

Ni OpenAI ni Google publican una cifra fija. OpenAI dice que ChatGPT reescribe la pregunta en «una o más» consultas y que puede enviar consultas adicionales tras revisar los primeros resultados; Google habla de «una multitud» de consultas en AI Mode y de cientos en Deep Search. Las medias que publican algunas herramientas salen de sus propias muestras de prompts, así que tómalas como orientación: varían según el tema, el modelo y el modo de búsqueda.

¿Puedo ver las subconsultas que lanza ChatGPT?

En la interfaz de ChatGPT no siempre se muestran. Si usas la API de OpenAI con la herramienta de búsqueda web, la respuesta incluye un objeto web_search_call que normalmente, aunque no siempre, contiene las consultas lanzadas. La API de Gemini con grounding en Google Search también devuelve las consultas que ejecutó el modelo.

¿Cómo optimizo mi web para el query fan-out?

Identifica las preguntas secundarias que se derivan de cada consulta principal (precio, alternativas, opiniones, ubicación, año, casos de uso) y asegúrate de que tu web o webs de terceros fiables las responden con datos concretos. No sirve repetir palabras clave: el estudio académico de referencia sobre GEO encontró que el relleno de palabras clave no mejora la visibilidad.

¿El query fan-out es lo mismo que una búsqueda en Google?

No. Una búsqueda clásica devuelve resultados para la consulta que escribes. Con fan-out, el sistema decide qué consultas lanzar, muchas de las cuales nunca escribiste, y luego elige qué fragmentos usar y citar en la respuesta. Por eso puedes rankear bien en Google para tu palabra clave y no aparecer en la respuesta de la IA.