Google AI Search dan Query Fan-Out: Mengapa Satu Pertanyaan Bisa Memanggil Banyak Pencarian

Bayangkan seorang pengguna mengetik satu pertanyaan:

“Laptop terbaik untuk video editor freelance yang sering kerja di coffee shop, budget 25 juta, battery tahan lama, ringan, tapi tetap kuat buat 4K.”

Dari sisi user, itu satu query.

Dari sisi AI Search, problem-nya jauh lebih besar.

Ada budget.

Performance.

GPU.

CPU.

Battery.

Weight.

Video editing compatibility.

Real-world mobility.

Maybe software support.

Maybe availability Indonesia.

Google menjelaskan bahwa AI Overviews dan AI Mode dapat menggunakan teknik yang disebut query fan-out.

Model menghasilkan beberapa related queries secara bersamaan untuk meminta informasi tambahan dan menemukan Search results yang relevan.

Satu pertanyaan manusia bisa memicu beberapa pencarian pendukung.

Ini salah satu perubahan konsep paling penting bagi SEO.

Kita tidak lagi bisa membayangkan setiap user query sebagai satu keyword yang dicocokkan dengan satu ranking list.

Search task bisa dipecah menjadi beberapa information needs.

Query fan-out bukan daftar keyword rahasia

Begitu istilah ini populer, market langsung bereaksi.

“Cara menemukan fan-out query.”

“Tool untuk generate fan-out keywords.”

“Bikin halaman untuk setiap fan-out.”

Hati-hati.

Google memberi contoh query fan-out secara concept.

Mereka tidak menyediakan daftar semua fan-out queries yang dijalankan untuk setiap user question.

Search Console Generative AI report juga saat ini tidak memberi query dimension khusus yang membongkar fan-out tersebut.

Jadi tool pihak ketiga hanya bisa mengestimasi atau mensimulasikan.

Boleh berguna.

Tetapi label sebagai estimate.

Jangan berkata:

“Ini persis subquery Google.”

Kecuali Google sendiri menyediakan datanya.

Fan-out adalah reasoning-retrieval technique.

Bukan keyword API.

Kenapa fan-out dibutuhkan?

Pertanyaan modern makin complex.

Classic search user biasanya memecah kebutuhan sendiri.

Cari:

“laptop video editing 25 juta.”

Lalu:

“Macbook battery test.”

Lalu:

“RTX laptop weight.”

Lalu:

“Premiere Pro benchmark.”

Lalu:

“service center Jakarta.”

AI Mode mencoba membantu menjalankan sebagian decomposition itu.

Google menjelaskan fan-out sebagai set concurrent related queries yang dibuat model untuk mengumpulkan lebih banyak informasi.

Ini memungkinkan response lebih comprehensive.

Dari perspektif information retrieval, masuk akal.

Satu query sering under-specify problem.

Fan-out menambah angles.

Untuk publisher dan brand, implication-nya:

page Anda bisa ditemukan bukan karena exact user wording.

Bisa karena ia sangat relevant terhadap salah satu subproblem.

Inilah kenapa halaman yang “tidak menargetkan keyword” tertentu tetap bisa muncul.

Contoh B2B

User bertanya:

“Vendor payroll Indonesia untuk 2.000 karyawan yang punya multi-company, local support, audit trail, dan bisa implement sebelum Januari.”

Potential information needs:

payroll vendors Indonesia.

enterprise employee capacity.

multi-company support.

implementation timeline.

local customer support.

audit trail.

security.

integration.

procurement.

pricing.

Google tidak mempublikasikan exact fan-out set untuk query ini.

Tetapi secara conceptual kita bisa melihat bagaimana satu question memerlukan banyak evidence.

Kalau website vendor hanya punya homepage:

“Software HR terbaik untuk perusahaan modern.”

Informasi terlalu vague.

Fan-out bisa menemukan competitor yang punya pages lebih specific:

implementation guide.

security page.

case study enterprise.

integration documentation.

support location.

pricing model.

Product detail.

Website tidak perlu satu halaman untuk setiap subquery.

Tetapi information footprint harus cukup dalam.

Fan-out membuat content architecture lebih penting

SEO lama sering fokus pada keyword-page mapping.

Keyword A -> page A.

Keyword B -> page B.

Fan-out mendorong model yang lebih networked.

Entity A punya product.

Product punya feature.

Feature punya use case.

Use case punya evidence.

Evidence punya case study.

Case study punya industry.

Industry punya compliance requirement.

Page-page ini saling menguatkan user understanding.

Internal linking penting karena Search engine perlu menemukan page.

Tetapi architecture juga penting secara semantic.

Satu website besar dengan 1.000 article random belum tentu lebih kuat daripada 100 pages yang punya clear knowledge structure.

Fan-out tidak memberi bonus untuk jumlah URL.

Ia memperluas peluang retrieval terhadap relevant information.

Kalau relevan.

Jangan membuat doorway page untuk fan-out

Ini kesalahan paling mudah.

Misalnya satu tool menghasilkan 200 possible fan-out queries.

Team membuat 200 article dengan title hampir sama.

“Best CRM for Startup.”

“Best CRM for Small Startup.”

“Best CRM for Growing Startup.”

“Best CRM for Startup Jakarta.”

“Best CRM for Startup Indonesia.”

Kontennya 80% sama.

Ini bukan coverage.

Ini scaled redundancy.

Google 2026 guidance secara jelas memperingatkan membuat banyak pages berdasarkan query variants untuk memanipulasi rankings atau generative responses dapat masuk scaled content abuse jika tidak memberi value.

Fan-out seharusnya mendorong depth.

Bukan duplication.

Pertanyaan yang sehat:

Apakah subtopic punya distinct user need?

Apakah ada unique information?

Apakah cukup substance untuk standalone page?

Kalau tidak, merge ke comprehensive page.

Kalau iya, buat page dedicated.

Content model harus mengikuti information need, bukan jumlah prompt.

Exact match semakin kurang penting

Google mengatakan generative AI features dapat memahami broader concepts dan related concepts, bukan hanya exact phrase.

Ini berarti page tidak perlu mengulang wording user.

Misalnya user bertanya:

“cara memperbaiki halaman yang hilang dari AI Mode.”

Page Anda mungkin berjudul:

“Diagnosis Indexing dan Retrieval untuk Generative Search.”

Jika isinya relevant, exact keyword bukan requirement.

Tentu language clarity tetap penting.

Jangan membuat terminology terlalu abstrak.

Tetapi jangan keyword-stuff.

Fan-out justru memperkuat case untuk natural language dan concept coverage.

Search system mencari supporting information.

Bukan hanya string match.

Original content punya peran besar

Jika fan-out menjalankan banyak subsearches, setiap subsearch membutuhkan source.

Commodity pages akan bersaing dengan banyak source serupa.

Original pages lebih defensible.

Benchmark.

Methodology.

Case study.

Dataset.

Test.

Interview.

First-hand review.

Local observation.

Misalnya user query tentang “AI visibility Indonesia”.

Fan-out mungkin membutuhkan:

AI Mode Indonesia availability.

publisher behavior.

ChatGPT discovery.

local case study.

Search Console data.

Jika GEO.or.id punya original Indonesia dataset, salah satu subproblem punya source yang unique.

Ini cara yang lebih sehat memanfaatkan fan-out.

Bukan generate semua possible question.

Ciptakan source yang layak ditemukan.

Query fan-out juga menjelaskan kenapa lower-ranking page bisa muncul

Ini topic yang sering bikin bingung.

“Page competitor ranking 8, kok dipakai AI?”

Karena AI response tidak selalu mengambil top result dari original user query.

Fan-out dapat menjalankan related searches.

Page tersebut mungkin ranking sangat baik pada salah satu subquery yang tidak terlihat oleh user.

Atau sangat relevant untuk specific passage.

Atau mendukung fact tertentu.

Google menjelaskan generative AI features rooted in core Search ranking and quality systems, tetapi retrieval-nya lebih complex.

Ini bukan berarti ranking tradisional tidak penting.

Justru core Search tetap foundation.

Tetapi comparison “AI source vs ranking pada original query” bisa misleading.

Anda tidak tahu semua retrieval paths.

AI Mode observation harus hati-hati.

Jangan bilang:

“Google mengabaikan ranking.”

Mungkin yang dibandingkan ranking pada query yang salah.

Passage-level usefulness makin masuk akal

Google tidak mengatakan “optimalkan passage untuk fan-out” sebagai tactic.

Tetapi dari logic retrieval, halaman yang punya section jelas lebih mudah memenuhi specific information need.

Contoh product page:

Overview.

Security.

Integration.

Implementation.

Pricing model.

Support.

Limitations.

FAQ.

Jika satu subquery mencari implementation timeline, section terkait bisa menjadi useful.

Bukan karena heading tertentu magic.

Karena information tersedia.

Jadi content structure sebaiknya mengikuti questions.

Heading natural.

Specific facts.

Clear answer.

Evidence.

Avoid long generic introduction sebelum substance.

Bukan untuk robot.

Buyer juga ingin cepat menemukan section.

Fan-out membuat multi-format content relevant

Satu problem tidak selalu dijawab text article.

Product data.

Image.

Video.

Forum discussion.

Merchant data.

Business Profile.

Documentation.

Google mengatakan query fan-out dapat menjelajah subtopics dan data sources.

Ini memperluas optimization scope.

Ecommerce:

product feed.

Product page.

Review.

Stock.

Image.

Video.

Publisher:

article.

Author.

Timeline.

Document.

Image.

Brand B2B:

service page.

Case study.

PDF.

Security docs.

Pricing.

Blog.

Tidak berarti semua business harus punya semua format.

Use format yang sesuai information.

Jangan membuat video hanya karena “AI suka multimodal”.

Buat video kalau visual demonstration menambah value.

Measurement fan-out tidak boleh pseudo-precise

Agency mungkin membuat dashboard:

Fan-out Coverage Score: 83%.

Tanya methodology.

Bagaimana subqueries ditemukan?

Generated by LLM?

Observed manually?

Google data?

How many?

How validated?

Score bisa useful sebagai internal heuristic.

Tetapi jangan label sebagai Google metric.

Pada Agustus 2026, Google Search Console dedicated Generative AI report fokus pada impressions, pages, countries, devices, dates.

Ia tidak memberi list fan-out queries.

Jadi actual fan-out coverage tidak bisa dihitung secara complete dari first-party report.

Gunakan proxy.

Content gap analysis.

Query clustering.

Manual AI Mode exploration.

Search Console traditional queries.

People Also Ask.

Customer research.

But call it proxy.

Epistemic discipline matters.

Bagaimana audit website untuk fan-out readiness?

Pilih 20 high-value customer questions.

Untuk setiap question, jangan generate 100 subqueries.

Buat decomposition manual.

Apa facts yang dibutuhkan user?

Apa criteria?

Apa constraints?

Apa evidence?

Apa transaction need?

Lalu cek website.

Apakah information ada?

Apakah current?

Apakah page indexable?

Apakah source original?

Apakah internal architecture jelas?

Apakah brand punya third-party validation?

Contoh:

“Agency GEO untuk bank di Indonesia.”

Subneeds:

GEO service.

financial industry experience.

data security.

enterprise procurement.

local presence.

case evidence.

measurement methodology.

legal identity.

Jika website hanya punya “Jasa GEO terbaik”, gap-nya terlihat.

Fan-out audit pada dasarnya customer-question decomposition.

Itu bisa dilakukan tanpa mengetahui internal query list Google.

Jangan optimize ke fan-out, optimize ke problem completeness

Ini mungkin kalimat paling penting.

Fan-out adalah mekanisme platform.

Business tidak perlu menebak semua mekanisme.

Yang perlu dilakukan adalah memahami problem user cukup dalam sehingga website punya answers untuk meaningful components.

Kalau user ingin beli rumah, mereka punya subproblem:

budget.

location.

mortgage.

legal.

commute.

developer.

flood risk.

school.

Website property yang hanya punya listing kehilangan banyak context.

Fan-out hanya membuat gap tersebut lebih visible.

AI search memaksa content strategy menjadi lebih holistic.

Bukan lebih keyword-heavy.

Dalam workshop, seseorang akhirnya bertanya:

“Jadi kalau satu query bisa pecah jadi banyak, kita harus punya banyak pages?”

Jawabannya:

“Belum tentu.”

Anda butuh banyak information.

Information bisa hidup di satu page atau beberapa pages.

Decision tergantung intent, depth, maintainability, and architecture.

Jangan mengukur maturity dari jumlah URL.

Ukur apakah customer question bisa dijawab dengan evidence yang cukup.

Query fan-out mengubah mental model Search.

Satu pertanyaan di layar bukan satu kebutuhan.

Ia bisa menjadi bundle pertanyaan kecil.

Publisher yang memahami ini akan berhenti mengejar exact prompt dan mulai membangun information system.

Dan itu jauh lebih tahan lama daripada daftar 10.000 fan-out keywords yang mungkin berubah besok.