Query fan-out: sua loja não concorre mais por uma busca, e sim por oito
Mecanismos generativos decompõem uma pergunta de compra em várias consultas paralelas, cada uma disparada contra um backend diferente. Entenda o que é query fan-out, os três fenômenos que carregam esse nome e por que ele redefine a unidade de competição do e-commerce.
Query fan-out é o processo pelo qual uma pergunta original é decomposta, reescrita ou expandida em múltiplas consultas relacionadas, normalmente executadas em paralelo contra diferentes índices, mecanismos de recuperação, verticais de busca ou fontes de dados. No Google, tanto as Visões Gerais Criadas por IA quanto o Modo IA podem emitir várias pesquisas sobre subtópicos e fontes diferentes antes de produzir uma resposta. A Busca do ChatGPT também pode reescrever uma solicitação em uma ou mais consultas direcionadas e emitir novas consultas depois de analisar os primeiros resultados.
Para uma loja virtual, isso muda a unidade real de competição: você não disputa mais uma consulta — disputa o conjunto de perguntas intermediárias que compõem uma decisão de compra.
Existe uma pergunta que resume bem o que mudou. Um consumidor digita, em linguagem natural:
“Qual é o melhor tênis para correr 10 km, para uma pessoa de 95 kg, por até R$ 700?”
Um humano lê isso como uma pergunta. Um mecanismo generativo pode lê-la como oito. Antes de escrever qualquer palavra da resposta, ele decompõe a intenção em ramificações e dispara cada uma contra o backend mais adequado — índice web, catálogo estruturado, avaliações, dados de estoque. Só depois funde, deduplica, reordena e escreve.
É por isso que uma loja com catálogo excelente e conteúdo pobre tende a competir bem em uma ramificação — a comercial — e a ser fraca nas de uso, comparação, evidência e adequação. Ela não some da resposta; ela participa de um oitavo dela.
As oito perguntas escondidas dentro de uma
Um fan-out plausível para aquela consulta se distribui assim. Repare que cada ramificação tem uma página ideal diferente — e que só uma delas é a página de produto:
| Dimensão | Consulta derivada possível | Página ideal da loja |
|---|---|---|
| Necessidade | tênis com amortecimento para corredor pesado | Guia ou categoria de uso |
| Distância | tênis para corrida de 10 km | Guia comparativo |
| Estabilidade | pronador versus neutro para corredor de 95 kg | Conteúdo técnico |
| Orçamento | tênis de corrida até R$ 700 no Brasil | Categoria editorializada |
| Produto | comparação modelo A versus modelo B | Comparativo |
| Evidência | durabilidade do modelo A após 500 km | Teste próprio ou revisão técnica |
| Comércio | preço, estoque e tamanhos do modelo A | Página de produto e feed |
| Logística | prazo de entrega e troca de tamanho | Política ou informação de oferta |
Fan-out plausível de uma única consulta de compra. As dimensões variam por categoria — o padrão, não.
Se a loja tem apenas uma página de produto com a descrição do fabricante, ela pode até competir na ramificação comercial. Mas será fraca nas ramificações de uso, comparação, evidência e adequação. Esse é o impacto central do fan-out no GEO: a loja é avaliada em paralelo, por vários critérios, e a resposta final é montada com quem venceu cada pedaço.
Pegue a sua categoria mais rentável e escreva à mão as oito a doze perguntas que um comprador faz antes de decidir. Depois marque quais têm uma URL pública, indexável, que responda com número e critério. Na maioria das lojas que auditamos, a conta fecha em duas ou três de doze. O resto está preso em e-mail de SAC, WhatsApp e na cabeça do comprador.
Três fenômenos diferentes com o mesmo nome
“Fan-out” é usado para coisas distintas, e misturá-las gera decisões erradas. Vale separar:
| Fenômeno | O que acontece | Objetivo principal |
|---|---|---|
| Fan-out de infraestrutura | Uma consulta é distribuída entre shards, nós ou clusters | Escala e desempenho |
| Fan-out de recuperação | Uma consulta é enviada a vários retrievers, índices ou verticais | Recall, cobertura e diversidade |
| Fan-out semântico | Um modelo gera consultas diferentes para subtópicos ou interpretações | Resolver perguntas complexas |
O primeiro é engenharia distribuída clássica — o Elasticsearch descreve esse fluxo como fases de scatter e gather, e o OpenSearch expõe controles de fan-out, concorrência por shard e pré-filtragem. Não é disso que a sua loja precisa cuidar.
O que interessa ao varejo são os dois últimos. O fan-out semântico transforma a consulta em uma árvore de necessidades de informação; o fan-out de recuperação decide contra quais fontes cada galho será disparado. O Google define query fan-out como um conjunto de consultas simultâneas e relacionadas, geradas pelo modelo para buscar informações adicionais. A Busca do ChatGPT documenta comportamento semelhante, emitindo consultas progressivamente mais específicas.
Esse mesmo princípio já é velho conhecido de quem trabalha com recomendação. O sistema descrito pelo YouTube separa geração de candidatos e ranking: primeiro reduz um universo enorme a um conjunto manejável, depois aplica um modelo mais caro para ordenar. Arquiteturas recentes da Netflix seguem o mesmo desenho, com geração de candidatos, busca de atributos, inferência e pós-processamento. E o trabalho original de Retrieval-Augmented Generation combina a memória paramétrica do modelo com memória externa, recuperando documentos antes de produzir a resposta.
A novidade não é a técnica. É que agora o seu catálogo está do outro lado dela.
Ser encontrado, ser citado e sustentar a resposta são coisas diferentes
Aqui está a distinção que quase todo relatório de “visibilidade em IA” ignora. GEO pode ser representado como um funil de quatro estágios:
Pesquisas recentes propõem medir separadamente seleção de citação e absorção do conteúdo, observando que quantidade de citações e influência real sobre a resposta não são equivalentes. São estudos recentes, e devem ser tratados como evidência exploratória — não como especificação dos motores comerciais.
Uma representação simples da cadeia de valor:
A leitura prática dessa decomposição é direta: SEO técnico atua fortemente no primeiro estágio. Relevância semântica, autoridade e formato da evidência atuam principalmente na seleção. Clareza, precisão e capacidade de sustentar uma afirmação influenciam citação e absorção.
Ou seja: quem só arruma robots, canonical e sitemap está otimizando o primeiro dos quatro fatores de um produto. Se os outros três forem baixos, o resultado continua baixo.
Antes de contratar qualquer projeto de GEO, pergunte em qual dos quatro estágios ele atua. Auditoria de crawler mexe em descoberta. Schema e arquitetura mexem em seleção. Conteúdo com número, teste e metodologia mexe em citação e absorção. Um projeto que só fala de um estágio não é um projeto de GEO — é uma etapa dele.
A matemática de por que a malha ganha
O fan-out tem um efeito contraintuitivo e favorável para lojas bem estruturadas. Como a mesma resposta é montada a partir de várias ramificações, a chance de a loja participar da resposta é a chance de aparecer em pelo menos uma delas:
Traduzindo: mesmo que a loja não seja selecionada na consulta principal, ela pode ser recuperada por uma ramificação sobre compatibilidade, garantia, material, uso ou comparação. Cada página complementar que existe e responde bem aumenta a superfície de entrada na resposta.
É também por isso que a estratégia vencedora não é gerar milhares de páginas para cada frase possível. O Google desaconselha explicitamente criar páginas em escala apenas para capturar variações de busca ou manipular respostas generativas — isso pode constituir abuso de conteúdo em escala. O que funciona é construir uma malha coerente de entidades, produtos, categorias, comparações, evidências, políticas e fontes externas.
O outro lado: fan-out também amplia o erro
Se a ampliação da recuperação amplia oportunidades, ela amplia inconsistências na mesma proporção. Um mecanismo que dispara oito consultas contra a sua loja pode encontrar:
- preços diferentes em variantes duplicadas;
- páginas desatualizadas que ainda estão indexadas;
- feed e HTML discordando sobre estoque;
- políticas contraditórias entre a página de troca e o rodapé.
Antes, uma incoerência dessas ficava escondida numa página que quase ninguém abria. Agora ela pode virar a afirmação citada. A ampliação da recuperação também amplia a superfície de inconsistência — e citação incorreta é pior que ausência, porque gera tráfego que não converte e associa a marca a uma informação errada.
Vale registrar o trade-off do lado de quem opera o mecanismo: mais fan-out ⇒ maior recall e diversidade ⇒ maior custo, ruído e latência. Quando as ramificações são paralelas, a latência total tende a depender da ramificação mais lenta, acrescida de fusão, reranking e geração — o que torna a latência de cauda especialmente relevante em escala. Expansão indiscriminada não é automaticamente melhor: estudos de recuperação multiquery mostram que consultas diversas melhoram cobertura, mas também introduzem ruído, e há resultados recentes em domínios específicos com perda de precisão quando a expansão foi aplicada de forma ingênua.
Isso importa para você por um motivo prático: se você for construir a busca da sua própria loja com fan-out, esse trade-off passa a ser seu.
A ordem de trabalho que o estudo recomenda
Existe uma sequência, e ela é inequívoca. Primeiro recuperabilidade e consistência; depois arquitetura de entidades; em seguida conteúdo e corroboração; por último infraestrutura avançada de RAG e fan-out interno.
| Prioridade | Ação | Por quê |
|---|---|---|
| Crítica | Garantir crawling, indexação, snippets e acesso dos crawlers de busca generativa | Uma página não recuperável não entra no conjunto de fontes candidatas. O Google exige indexação e elegibilidade para snippet; o ChatGPT recomenda permitir o OAI-SearchBot |
| Crítica | Corrigir canonicals, variantes e navegação facetada | Duplicação fragmenta sinais e pode fazer a URL errada representar o produto |
| Crítica | Sincronizar HTML, JSON-LD, feed, preço e estoque | Informações conflitantes reduzem a confiabilidade do dado e podem gerar respostas desatualizadas |
| Alta | Criar cobertura por entidade, atributo, uso e decisão de compra | O fan-out procura respostas para subtópicos, não apenas correspondências exatas de palavra-chave |
| Alta | Produzir evidência própria e não comoditizada | Testes, medições, tabelas, metodologia e experiência real dão ao mecanismo elementos específicos para citar |
| Alta | Fortalecer identidade e corroboração externa da marca | Estudos de motores de IA mostram diferenças relevantes na seleção de fontes e, em alguns contextos, preferência por mídia conquistada ou fontes consolidadas. Os resultados variam bastante entre plataformas |
| Média | Construir RAG, embeddings e banco vetorial para a busca interna | Melhora a experiência do próprio e-commerce, mas não faz, por si só, uma plataforma externa citar o site |
| Baixa | Criar arquivos ou marcações “secretas” para IA | O Google declara que ignora llms.txt para fins de visibilidade na Pesquisa |
Embeddings não corrigem páginas não indexáveis, e um banco vetorial não resolve dados de produto inconsistentes.
Repare no que está no fim da lista. Banco vetorial e RAG próprios são projetos legítimos — mas melhoram a busca dentro da sua loja. Nenhum deles faz o ChatGPT citar o seu site. E arquivos “para IA” não têm efeito no Google Search.
Se o roadmap de GEO da sua loja começa por banco vetorial ou por llms.txt, ele está invertido. A ordem correta é chata e barata no começo: liberar crawler, consolidar canonical, alinhar preço entre HTML, schema e feed. Só depois vale investir em conteúdo caro — porque conteúdo excelente numa página que o robô não alcança tem visibilidade zero, por definição.
O que fica
O fan-out recompensa lojas capazes de responder, com URLs estáveis e dados consistentes, às diversas perguntas intermediárias de uma decisão de compra. Isso não é um projeto paralelo ao SEO — é a razão pela qual as pendências de sempre viraram urgentes.
Na prática, três frases resumem a virada:
- A unidade de competição deixou de ser a página por consulta e passou a ser a evidência por subconsulta.
- Ser recuperado não é ser citado, e ser citado não é sustentar a resposta.
- Cobertura vence volume — malha coerente, não fábrica de páginas.
Perguntas frequentes
O que é query fan-out?
É o processo pelo qual uma pergunta original é decomposta, reescrita ou expandida em múltiplas consultas relacionadas, normalmente executadas em paralelo contra diferentes índices, mecanismos de recuperação, verticais de busca ou fontes de dados. No Google, tanto as Visões Gerais Criadas por IA quanto o Modo IA podem emitir várias pesquisas sobre subtópicos antes de produzir uma resposta.
Preciso criar uma página para cada subconsulta que o fan-out gera?
Não. O Google desaconselha criar páginas em escala apenas para capturar variações de busca ou manipular respostas generativas, o que pode constituir abuso de conteúdo em escala. A estratégia vencedora é construir uma malha coerente de entidades, produtos, categorias, comparações, evidências e políticas — não milhares de páginas para cada frase possível.
Existe algum markup ou arquivo especial que faça a IA citar minha loja?
Não. O Google afirma que não existe schema especial para IA, não exige llms.txt e não recomenda reescrever conteúdo exclusivamente para mecanismos generativos. O que existe são dados estruturados corretos e coerentes com o conteúdo visível, páginas indexadas e elegíveis para snippet, e conteúdo com densidade factual.
Bloquear o GPTBot impede minha loja de aparecer na Busca do ChatGPT?
São coisas diferentes. O OAI-SearchBot é o crawler voltado à exibição de sites nos resultados de busca; bloqueá-lo impede que o conteúdo seja usado nos resumos e snippets da Busca do ChatGPT. O GPTBot está relacionado ao possível uso para treinamento. Bloquear o GPTBot não equivale a bloquear o OAI-SearchBot.
- O que é query fan-out e por que ele muda a competição
- A malha de páginas que o fan-out recompensa
- Como medir e provar visibilidade generativa
Sua loja responde a quantas das oito perguntas?
A Organic Lab mapeia o fan-out provável das suas categorias e mostra, ramificação por ramificação, onde a sua loja entra na resposta e onde ela some.
Falar com o time →Fonte: Query Fan-Outs e seu impacto no GEO de lojas virtuais — relatório técnico do Organic Lab, 24 páginas, atualizado em 6 de agosto de 2026.
Referências primárias citadas neste texto incluem a documentação do Google Search Central sobre recursos de IA e otimização para experiências generativas, a documentação de crawlers da OpenAI, o trabalho acadêmico que formalizou o termo GEO, a pesquisa sobre seleção e absorção de citação em plataformas de busca com IA, e a literatura de recuperação e RAG.