De las keywords al query fan-out: ¿qué ha cambiado con la irrupción de las búsquedas con IA?
Durante más de veinte años hemos trabajado con una unidad que podíamos ver, medir y comparar en una herramienta: las keywords o palabras clave. Sin embargo, con la llegada de la búsqueda con IA estas se han visto desplazadas a un sitio donde casi nadie mira.
Jorge J. Rolo
El query fan-out es la técnica con la que Google AI Mode, los AI Overviews, ChatGPT, Claude o Gemini descomponen una pregunta en varias subconsultas, las lanzan en paralelo (o en rondas sucesivas, en los modos de razonamiento) contra uno o varios índices y redactan una respuesta citando los fragmentos que mejor contestan cada una. Google lo nombró por primera vez en un anuncio oficial en marzo de 2025.
Haz la siguiente prueba: abre ChatGPT con la búsqueda activada y, antes de enviar nada, abre las herramientas de desarrollador del navegador (con F12), ve a la pestaña "red", marca "conservar registros", filtra por "Fetch/XHR" y escribe "conversation" en el filtro; después, haz clic en esa petición y busca "search_model_queries". Pregunta algo que obligue a comparar, por ejemplo "qué hipoteca fija te conviene si compras tu primera vivienda en Madrid con 40.000 euros ahorrados". Si el modelo decide buscar, en el JSON de la conversación aparece ese campo, search_model_queries, con las búsquedas que ha lanzado de verdad. No coinciden con lo que has escrito. Son más cortas, a veces van en inglés y casi nunca están en una herramienta de palabras clave.
Esto nos muestra que cada consulta de un usuario ya no es la que compite en el índice. Compiten con otras, en este caso redactadas por una máquina, que no salen en Search Console ni en Ahrefs/SEMRush y que cambian cada vez que repites la pregunta.
Más de veinte años emparejando cadenas de texto
La palabra clave nunca fue tan sólida como parecía: Google lleva más de quince años quitándonos piezas y te lo cuento de forma cronológica.
En septiembre de 2009 anunció que ignoraba por completo la etiqueta meta keywords. En octubre de 2011 empezó a cifrar las búsquedas de los usuarios con sesión iniciada y nació el (not provided): dejamos de saber con qué consulta exacta llegaba cada visita. En mayo de 2012 presentó el Knowledge Graph con un lema que entonces parecía eslogan, «things, not strings»: cosas, no cadenas de texto.
Lo que vino después fue la misma idea con más capacidad de cálculo. Hummingbird en 2013. RankBrain en 2015, que Google describió años más tarde como su primer sistema de aprendizaje profundo en producción. BERT en octubre de 2019, aplicado de entrada a una de cada diez búsquedas en inglés en EE. UU., con aquel ejemplo de «2019 brazil traveler to usa need a visa» en el que por fin la preposición "to" importaba. En ese mismo anuncio Google repetía un dato que lleva años citando: el 15 % de las búsquedas que recibe cada día no las había visto nunca.
En octubre de 2020 se anunció el ranking por pasajes, que según Google mejoraría el 7 % de las consultas en todos los idiomas. El sistema podía valorar la relevancia de un fragmento concreto además de la de la página entera, que se seguía indexando completa. Fue la primera señal pública de que un párrafo podía ganar por sí mismo.
En mayo de 2021 llegó MUM. Del anuncio se recuerda la cifra de marketing, «1000 veces más potente que BERT», y el ejemplo del monte Fuji. Casi nadie recuerda la frase que justificaba el sistema: para una tarea compleja la gente hacía de media ocho búsquedas. Google tenía el diagnóstico desde entonces. El usuario descomponía su problema a mano, consulta a consulta, y el fan-out es lo que pasa cuando el buscador decide hacer esa descomposición por él.
Por el camino quedaron la SGE en Labs (2023) y los AI Overviews en EE. UU. (mayo de 2024), que llegaron a España el 26 de marzo de 2025.
Pero, ¿qué es el query fan-out?
La primera vez que Google usó el término en un anuncio oficial no fue en el Google I/O, como se repite a menudo, sino el 5 de marzo de 2025. Robby Stein presentó AI Mode en Labs explicando que lanzaba «varias búsquedas relacionadas de forma simultánea sobre subtemas y múltiples fuentes de datos». En el I/O del 20 de mayo, Liz Reid lo concretó: AI Mode descompone la pregunta en subtemas y emite «una multitud de consultas a la vez». Cuando AI Mode llegó a España, el 8 de octubre de 2025, el anuncio en español lo tradujo como «técnica de descomposición de consultas». No es mala traducción.
Antes de seguir, dos aclaraciones sobre datos que circulan mal contados:
Lo de "cientos de búsquedas" es de Deep Search, no de AI Mode. Liz Reid lo dijo del modo de investigación profunda: usa la misma técnica de fan-out "llevada al siguiente nivel" y "puede lanzar cientos de búsquedas". Google no ha publicado cuántas subconsultas lanza una respuesta normal, y las cifras del tipo "entre 8 y 12" no tienen fuente oficial.
La WO2024064249A1 no describe el fan-out, se ha ganado el apodo de «la patente del query fan-out» por su título, Systems and methods for prompt-based query generation for diverse retrieval, pero lo que reivindica es otra cosa: generar consultas sintéticas a partir de documentos para entrenar un recuperador denso. Es la versión en solicitud de patente del paper Promptagator, con autores en común. Sirve para entender cómo se entrenan los recuperadores y no explica lo que pasa cuando escribes en AI Mode.
Hoy el término figura en la documentación oficial. La página de Search Central sobre funciones de IA dice que tanto los AI Overviews como AI Mode "pueden usar" el fan-out y que gracias a él muestran un conjunto de enlaces más amplio y variado que una búsqueda clásica. Con Gemini 3, en noviembre de 2025, Google anunció que la técnica recibía "una mejora importante" y que podía hacer todavía más búsquedas.
Cómo funciona el query fan-out por dentro: lo confirmado y lo deducido
Aquí hay que separar lo que ha confirmado Google de lo que se reconstruye a partir de patentes y papers. Una patente no demuestra que nada esté en producción, y Google no ha dicho qué patente corresponde al fan-out.
Confirmado: Un modelo Gemini adaptado genera las subconsultas. La recuperación se hace sobre "múltiples fuentes de datos": índice web, Knowledge Graph, Shopping Graph, datos en tiempo real y la respuesta enlaza a las páginas que la sostienen. En el I/O de 2025 Google anunció además que el usuario podría conectar contexto personal, empezando por Gmail, para personalizar las respuestas.
Muy probable, por patentes y literatura: La pieza más antigua y menos citada es la patente US11663201B2, Generating query variants using a trained generative model, con prioridad de abril de 2017 y concedida en 2023. Ocho años antes de AI Mode, Google describía un modelo generativo que produce variantes de una consulta y enumeraba, a modo de ejemplo, ocho tipos: equivalente, seguimiento, generalización, canonicalización, traducción, implicación, especificación y aclaración. Es la única taxonomía publicada por Google que conozco. Las demás, incluida la muy difundida de siete tipos de Mike King en iPullRank (relacionadas, implícitas, comparativas, recientes, personalizadas, reformulaciones y expansión de entidades), son interpretaciones de terceros, algunas muy útiles, sin respaldo documental de Google.
La solicitud US20240289407A1, Search with stateful chat, añade el contexto: el modelo genera consultas sintéticas a partir de la pregunta y también de las consultas previas, las SERP que viste antes, la ubicación o la agenda. Si algo así está en producción, dos personas que escriben lo mismo pueden disparar subconsultas distintas.
Razonable, sin confirmar: Que cada subconsulta recupere pasajes y no páginas enteras, y que, al final, un modelo compare esos pasajes entre sí. Google Research publicó un método para hacerlo de dos en dos con un LLM (Pairwise Ranking Prompting) y solicitó la patente, publicada en abril de 2025. Sea con ese método, con un cross-encoder o puntuando listas, el resultado práctico es el mismo: en la última fase no compite tu página contra otra página, compite tu párrafo contra otro párrafo.
Ordenado, el proceso queda así:
Interpretación de la pregunta con el contexto de la sesión.
Generación de subconsultas.
Recuperación para cada subconsulta, en varios índices.
Selección y reordenación de fragmentos.
Redacción de la respuesta, intentando enlazar cada afirmación con el fragmento que la respalda. La atribución no siempre es exacta.
Del paso 5 sale una consecuencia que se suele pasar por alto, la cita va al pasaje que sostiene una frase concreta de la respuesta, y ese pasaje no tiene por qué estar en la página mejor posicionada para la consulta original.
Query fan-out en ChatGPT, Gemini, Claude y Perplexity
Google le puso nombre, pero el fan-out es una técnica general de los sistemas de recuperación aumentada. Lo hacen todos, con intensidades muy distintas, y las cifras reales desmontan bastante mitología.
Lo primero que cae es la idea de que ChatGPT busca mucho. Ahrefs analizó 66,6 millones de respuestas de ChatGPT sin sesión iniciada entre agosto y septiembre de 2026: solo el 14,4 % buscó en la web y, cuando lo hizo, lanzó de media 1,6 subconsultas. El modo de razonamiento de pago busca más, aunque cada vez menos: RESONEO midió en julio de 2026 una mediana de seis subconsultas en thinking frente a una en el modo instantáneo, y en agosto el thinking con esfuerzo medio había bajado a 1,9. La imagen de "ChatGPT lanza diez búsquedas por respuesta" vale para una minoría de usos.
Gemini va en la dirección contraria, Seer Interactive forzó el grounding en Google Search sobre 501 prompts y extrajo de la API 10,7 subconsultas de media con Gemini 3, frente a 6,01 con Gemini 2.5, con un rango de 3 a 28. La API no es AI Mode, pero es lo más parecido a un dato observado que tenemos de Google.
Anthropic y Microsoft lo dejan por escrito, la documentación de Claude dice que hace entre una y tres búsquedas en consultas sencillas y diez o más en comparativas complejas; el proveedor del índice, según la lista de subencargados de Anthropic y la comprobación de Simon Willison, es Brave. Microsoft explica que Microsoft 365 Copilot genera consultas de "unas pocas palabras" distintas del prompt. Perplexity, con Pro Search y Deep Research, busca en varios pasos, pero no hay cifras independientes.
El idioma sigue siendo un problema abierto para quien trabaja en español, Peec AI, con más de diez millones de prompts, afirmó en febrero de 2026 que en conversaciones que no son en inglés el 43 % de las subconsultas de ChatGPT se lanza en inglés; en español, el 66 % de las sesiones incluye al menos una. MJ Cachón, con prompts de marcas españolas, encontró que un 8,9 % de las subconsultas usaba vocabulario en inglés: un 1 % en un proyecto local y un 27,3 % en uno internacional. Las dos cifras encajan si se mira el ámbito de la pregunta. Para una marca que vende en España a público español, el 43 % de Peec AI exagera el riesgo; para una categoría global, se queda corto, y tu contenido en español puede no estar ni siquiera en la carrera.
Y lo que el modelo lee tras lanzar las subconsultas es una ficha, no la página. En el modo instantáneo, ChatGPT recibe sobre todo de su índice propio, al que RESONEO llama labrador, una ficha con título, URL y un fragmento de 202 caracteres, anclado en el H1, que ignora la meta description; así lo documentó sobre 1249 respuestas. Lo que pongas antes del H1 en el código, sea el menú, la fecha, la marca o el texto alternativo de una imagen, se come esa ventana.
Qué cambia el query fan-out para el SEO
Las citas salen cada vez más de fuera del top 10. En julio de 2025 Ahrefs encontró que el 76,1 % de las URL citadas en AI Overviews estaba en el top 10 de la consulta. En marzo de 2026, con una muestra mayor y otro método, repitió el análisis contando solo enlaces azules: el 37,1 % estaba en el top 10, el 26,2 % entre las posiciones 11 y 100 y el 36,7 % más allá del puesto 100. Las dos mediciones no son del todo comparables, pero la dirección es clara, en AI Mode la distancia es mayor. En consultas transaccionales, seoClarity vio que solo el 19 % de las citas salía del top 20, y Moz, con casi 40.000 consultas de EE. UU. y del Reino Unido, halló que el 88 % de las citas de AI Mode no estaba en la SERP orgánica de esa misma consulta.
La explicación más sensata es el fan-out: la página se recupera por alguna de las subconsultas, no por la consulta madre. Surfer lo midió de forma indirecta y vio que las páginas que posicionan también para las subconsultas tienen un 161 % más de probabilidad de ser citadas en un AI Overview. Es una correlación, calculada con subconsultas simuladas con Gemini, pero cuadra con todo lo demás.
Los AI Overviews y AI Mode no son la misma superficie. Ahrefs comparó cientos de miles de pares de consultas (datos de EE. UU., septiembre de 2025): las respuestas de los dos sistemas se parecían en significado en un 86 %, pero solo compartían el 13,7 % de las citas. El propio Google avisa de que ambos pueden usar modelos y técnicas distintos.
La mayoría de subconsultas no tiene volumen: AirOps calcula que el 95 % de las subconsultas de ChatGPT no tiene volumen de búsqueda mensual en las herramientas, y Seer da una cifra parecida para Gemini. Son consultas que escribe una máquina, con una forma que ningún humano teclea, si tu investigación de palabras clave filtra por volumen mínimo, estás tirando a la basura justo lo que el modelo busca.
El fan-out tampoco es determinista: Las subconsultas cambian de una ejecución a otra, y Surfer estima en el mismo estudio que solo se repite en torno al 27 % entre ejecuciones del mismo prompt. Quien te enseñe una captura de "estas son las subconsultas de tu keyword" te está enseñando una tirada de dados.
Medir, por último, es más difícil que nunca: El tráfico de AI Overviews y AI Mode se suma en Search Console dentro del tipo de búsqueda "Web", sin filtro para separarlo. El informe de rendimiento de IA generativa, que Google lanzó en junio de 2026 y amplió a todos los sitios a finales de agosto, da impresiones por página, país, dispositivo y fecha, pero no clics ni consultas. Mientras, los clics caen: en el panel de Pew Research, la gente pulsó un resultado clásico en el 8 % de las visitas con resumen de IA frente al 15 % sin él, y solo en el 1 % hizo clic dentro del resumen.
Yo no daría la keyword por muerta: Sigue siendo la mejor forma de saber qué demanda existe; la gente sigue buscando "hipoteca fija", lo que ha perdido es su papel de unidad de trabajo. La keyword te dice qué busca la gente; las subconsultas, qué va a leer el modelo antes de contestar, el TIN de este mes, la comisión por amortización, el aval ICO. Y la cita se decide ahí.
