# Query fan-out: qué es y cómo afecta a tu tienda

> Qué es el query fan-out o descomposición de consultas, cómo lo usan AI Overviews, el Modo IA y ChatGPT, y qué significa para tus fichas de producto.

URL: https://clione.ai/es/glosario/query-fan-out/
Lang: es

_Fan-out_ es una palabra de ingeniería: una entrada que se reparte en muchas salidas. En la [búsqueda con IA](/es/glosario/busqueda-con-ia/), la entrada es tu pregunta y las salidas son las búsquedas que el sistema lanza por su cuenta para responderla. Google España lo traduce como **técnica de descomposición de consultas**.[^google-es-launch] Para una tienda, la consecuencia es concreta: tu [ficha de producto](/es/glosario/ficha-de-producto/) puede acabar citada en una respuesta a una pregunta que no contesta entera, porque contesta bien una de sus partes, y puede quedarse fuera aunque posicione para la pregunta original.

## Cómo funciona

Google lo define en su guía para las funciones de IA generativa: un conjunto de consultas simultáneas y relacionadas que genera el modelo para pedir más información y traer más resultados con los que responder a la pregunta de la persona. Y pone un ejemplo: ante «cómo arreglar un césped lleno de malas hierbas», las consultas de _fan-out_ pueden ser «mejores herbicidas para césped», «quitar malas hierbas sin productos químicos» y «cómo evitar las malas hierbas en el césped».[^google-ai-guide]

Lo usan las dos funciones de IA de la Búsqueda. [AI Overviews](/es/glosario/ai-overviews/) y el [Modo IA](/es/glosario/modo-ia-google/) pueden lanzar varias búsquedas relacionadas sobre subtemas y fuentes de datos para construir la respuesta, y mientras la generan sus modelos identifican más páginas que la respaldan, de modo que **pueden mostrar un abanico de enlaces más amplio y variado** que una búsqueda clásica.[^google-ai-features] Al presentar el Modo IA en mayo de 2025, Google lo explicó así: por debajo, el Modo IA descompone tu pregunta en subtemas y lanza **una multitud de consultas a la vez en tu nombre**. Su modo de investigación a fondo, Deep Search, lleva la idea más lejos y puede lanzar cientos de búsquedas para redactar un informe con sus citas.[^google-io-2025] El anuncio de su llegada a España, en octubre de 2025, habla de «una ráfaga de consultas simultáneas».[^google-es-launch]

Las consultas de _fan-out_ recuperan páginas del índice, y con ellas el modelo redacta. Esa segunda parte, recuperar y luego generar, es lo que se llama [RAG](/es/glosario/rag/) o [_grounding_](/es/glosario/grounding/), y Google la hace con sus sistemas de clasificación de siempre.[^google-ai-guide] El _fan-out_ decide qué se busca; el resto del sistema, qué se lee y qué se cita.

### Fuera de Google

ChatGPT no usa el nombre, pero describe el mismo gesto. Cuando busca con proveedores externos, normalmente **reescribe tu pregunta en una o varias consultas concretas** y, después de revisar los primeros resultados, puede enviar otras más específicas. Su ejemplo: ante «¿qué hay de nuevo en fármacos contra CCR8 para el cáncer?», la primera consulta puede ser «CCR8 immunotherapy drug development 2025», y la siguiente, una más concreta sobre un fármaco y un congreso. Puede añadir tu ubicación aproximada y, con la memoria activada, lo que recuerda de ti.[^openai-help-search] Así, «restaurantes buenos cerca de mí» puede convertirse en «top restaurants San Francisco».[^openai-help-search]

Bing enseña a los propietarios de sitios un reflejo de esas consultas. Su informe AI Performance, en [Bing Webmaster Tools](/es/glosario/bing-webmaster-tools/), muestra las **consultas de _grounding_**: las frases clave que usó la IA al recuperar el contenido que acabó citado. Es una muestra, no el registro completo.[^bing-ai-performance]

### Lo que no conviene hacer con esto

La tentación es fabricar una página por cada subconsulta posible. Google lo descarta en la misma guía: sus sistemas entienden sinónimos y el sentido general de lo que se busca, y **crear contenido aparte para cada variante, incluidas las consultas de _fan-out_, sobre todo para manipular las respuestas de IA**, infringe su política contra el [abuso de contenido a escala](/es/glosario/scaled-content-abuse/).[^google-ai-guide] Lo útil es lo contrario: que la página que ya tienes responda bien a cada parte de la pregunta.

## En una tienda

Un **ejemplo ficticio y pedagógico**. Las subconsultas de esta tabla son una hipótesis escrita para explicar la idea: no son consultas reales de Google ni de ningún asistente, que no publican las suyas. La pregunta: «busco una mochila para la cámara que pueda llevar en cabina y que aguante la lluvia».

| Subconsulta hipotética                              | Qué página la respondería         | Qué dato tendría que estar en tu ficha                          |
| --------------------------------------------------- | --------------------------------- | --------------------------------------------------------------- |
| medidas de equipaje de mano en avión                | Las páginas de las aerolíneas     | Las medidas exteriores de la mochila, en texto                  |
| mochila para cámara impermeable                     | Fichas y comparativas de mochilas | Qué protección tiene: tejido, cremalleras, funda de lluvia      |
| cuántos objetivos caben en una mochila de 20 litros | Guías y reseñas                   | La distribución interior: compartimentos y qué cabe en cada uno |
| mochila para cámara ligera                          | Fichas con el peso indicado       | El peso en vacío, con su unidad                                 |

Una ficha que solo dice «ideal para viajar» no responde a ninguna de las cuatro. Una que da las medidas, el peso y la protección contra la lluvia **puede ser la fuente de dos o tres partes de la respuesta**, aunque nunca salga para la pregunta completa.


Que se puede saber qué consultas de _fan-out_ lanza Google para una pregunta. Google describe la técnica y da un ejemplo,[^google-ai-guide] pero no publica las consultas que genera, y su informe de IA generativa en [Search Console](/es/glosario/search-console/) cuenta impresiones por página, país, dispositivo y fecha, no subconsultas.[^gsc-genai-report] Una herramienta que te enseñe «las consultas de _fan-out_ de Google» para tu tema te está enseñando su propia estimación.


## Cómo comprobarlo

1. **Escribe la pregunta completa de tu cliente y pártela tú** en las tres o cuatro dudas que la componen. Rotula la lista como hipótesis, porque lo es.
2. **Busca en tu ficha el dato que responde a cada duda**, en texto y con su unidad. Si falta, añádelo a la página que ya tienes en lugar de crear otra.[^google-ai-guide]
3. **Haz la pregunta completa en el Modo IA** y anota qué páginas enlaza y qué parte de la respuesta sostiene cada una, con fecha.[^google-ai-features]
4. **Si tienes la web en Bing Webmaster Tools, abre AI Performance** y lee las consultas de _grounding_ de tus páginas citadas.[^bing-ai-performance]
5. **Mira en el [informe de rendimiento de IA generativa](/es/glosario/informe-ia-generativa-search-console/) de Search Console qué páginas suman impresiones** en AI Overviews y en el Modo IA. Si aparece una ficha que no esperabas, probablemente responde a una parte de alguna pregunta.[^gsc-genai-report]

## Concepto cercano: RAG

Los dos van juntos y se confunden a menudo. El _query fan-out_ es el paso de **decidir qué buscar**: multiplicar una pregunta en varias consultas.[^google-ai-guide] RAG es el esquema completo de **buscar y luego redactar** con lo encontrado; el _fan-out_ es una forma de hacer más rica su primera mitad. Un sistema puede usar RAG con una sola consulta, sin ningún _fan-out_, y el _fan-out_ no sirve de nada sin un modelo que lea lo recuperado.

Para seguir, la entrada del [Modo IA de Google](/es/glosario/modo-ia-google/) cuenta dónde se ve más esta técnica, y la [ruta de lectura de búsqueda con IA](/es/aprender/busqueda-con-ia/) ordena el resto de términos.