Bovenaan staan betekent niets als het AI-systeem nooit de vraag stelt die jouw pagina beantwoordt. Dat laat query fan-out zien. Als iemand één vraag zoekt, splitsen AI-systemen die op in 8 tot 12 parallelle deelvragen, halen ze content op voor elke deelvraag en voegen ze de resultaten samen. Jouw pagina kan goed scoren op de hoofdvraag, maar onzichtbaar zijn voor alle deelvragen. De meeste merken missen 88% van de AI-citatiekansen, omdat ze alleen optimaliseren voor de hoofdvraag.
Uit onderzoek van twee SEO-onderzoeksbureaus bleek dat 68% van de pagina's die in AI Overviews worden geciteerd buiten de top 10 van de organische resultaten staat. Dat lijkt onmogelijk tot je query fan-out begrijpt. AI-systemen tonen niet alleen de best scorende pagina's. Ze zoeken specifieke invalshoeken van een onderwerp, halen content op die die invalshoeken beantwoordt en stellen daar één volledig antwoord uit samen. Een merk dat nummer 1 staat voor de hoofdterm kan volledig onzichtbaar zijn als de content de deelvragen niet beantwoordt.
Daarom is topische autoriteit zo belangrijk. Maak je uitgebreide content die een onderwerp vanuit meerdere invalshoeken dekt, dan bereid je je pagina's voor om gevonden te worden bij alle deelvragen die fan-out oplevert.
Wat er gebeurt als je één vraag stelt
Als iemand zoekt op "beste projectmanagementtools voor remote teams", stelt hij één vraag. Maar AI Mode genereert 8 tot 12 deelvragen tegelijk. Het zoekt naar opties voor projectmanagementsoftware, samenwerkingsfuncties, prijsmodellen, beveiligingsfuncties, geschiktheid per teamgrootte, integratiemogelijkheden, inschattingen van de leercurve en gratis versus betaalde opties. Elke deelvraag haalt andere content op. De AI voegt alles samen tot één antwoord dat alle invalshoeken dekt.
Jouw pagina kan goed scoren op "projectmanagementtools". Maar behandelt hij geen prijzen, beveiliging, integratie en geschiktheid voor teams, dan wordt hij bij fan-out overgeslagen. De AI vindt andere pagina's die die deelonderwerpen specifiek dekken.
Daarom worden 10.000 zoekopdrachten per maand in traditioneel zoeken 100.000 tot 150.000 ophaalmomenten in AI-zoeken. Elke vraag wordt een dozijn. De meeste merken zijn alleen zichtbaar voor de hoofdterm, niet voor het dozijn deelvragen dat fan-out oplevert.
De vermenigvuldiger van onderwerpdekking
Dit is de belangrijkste bevinding: pagina's die 5 of meer deelonderwerpen behandelen, worden 2,1 keer vaker geciteerd dan content over één onderwerp. Maar daarachter zit een groter patroon. Content met 80% of meer dekking van het onderwerp binnen een domein behoudt 85,4% van de AI-zichtbaarheid, ook al veranderen de fan-out-vragen elke keer.
Dat betekent dat je niet kunt optimaliseren voor specifieke fan-out-vragen. Fan-out verandert voortdurend. De deelvragen die bij de ene zoekopdracht worden gegenereerd, zijn niet identiek aan die bij een vergelijkbare zoekopdracht een uur later. Wat werkt is brede dekking van het onderwerp. Behandel je de belangrijkste invalshoeken van een onderwerp, dan ben je voorbereid op elke opsplitsing die de AI maakt.
Daarom werden onderwerpclusters en topische autoriteit essentieel. Een cluster over "projectmanagementtools" met aparte pagina's over prijzen, integratie, teamsamenwerking, beveiliging en functies voor remote werken, bereidt je voor op alle deelvragen die AI genereert.
Waarom semantische gelijkenis zwaarder weegt dan ranking
AI-systemen halen niet simpelweg de best scorende pagina's op voor elke deelvraag. Ze halen content op die semantisch lijkt op de deelvraag. Onderzoek laat zien dat content met een semantische gelijkenisscore boven 0,88 een 7,3 keer hoger citatiepercentage haalt.
Dat betekent dat je paginacontent de exacte terminologie en formulering moet gebruiken die de fan-out-deelvragen gebruiken. Vraagt de deelvraag naar "beveiligingsnaleving voor verspreide teams", dan moet je content beveiliging in precies die formulering behandelen, niet alleen beveiliging in het algemeen noemen.
Praktisch gevolg: schrijf voor de specifieke invalshoeken en termen die je publiek gebruikt, niet voor algemene onderwerpnamen. "Prijzen voor kleine remote teams" is beter dan "kosten". "Beveiligingscertificeringen en naleving" is beter dan "beveiliging". Precies aansluiten op hoe AI vragen opsplitst, zorgt voor citaties.
Optimaliseren op passageniveau: het venster van 134 tot 167 woorden
AI-systemen halen content op passageniveau op, niet op paginaniveau. De ideale passagelengte voor AI-extractie is 134 tot 167 woorden. Dat betekent dat elke sectie van je content op zichzelf moet staan en één specifieke deelvraag volledig moet beantwoorden.
Een sectie over prijzen moet 134 tot 167 woorden zijn: leg de prijs uit, wat erbij zit, de waarde en gangbare prijsniveaus. De sectie moet op zichzelf staan. Een lezer die alleen die sectie ziet, zou het prijsplaatje volledig begrijpen. Een lezer die alleen die sectie plus andere opgehaalde passages over functies, beveiliging en integratie ziet, zou een compleet antwoord krijgen.
Daarom doet de H2-structuur ertoe. Elke H2-sectie wordt een mogelijk ophaalpunt. Is je H2 "Prijsstructuren" en is de alinea eronder 150 woorden die de prijsvraag volledig beantwoordt, dan haalt AI die passage er met vertrouwen uit. Bestaat je prijssectie uit 4 zinnen verspreid over 500 woorden andere informatie, dan kan AI hem niet netjes ophalen.
Zo structureer je content voor succes bij fan-out
Begin met vaststellen in welke invalshoeken je onderwerp zich vertakt. Bij "projectmanagementtools" zijn dat prijzen, functies, integratie, beveiliging, gebruiksgemak, geschiktheid per teamgrootte en specifieke toepassingen. Die worden je H2-koppen.
Schrijf onder elke H2 2 tot 3 alinea's met samen 134 tot 167 woorden. Elke alinea beantwoordt één specifieke deelvraag. Meng geen onderwerpen. Ga er niet van uit dat lezers context hebben uit eerdere secties. Elke sectie moet op zichzelf op te halen en te begrijpen zijn.
Gebruik specifieke terminologie. Schrijf je over "betaalbare prijzen", dan wordt je minder snel geciteerd bij "prijzen voor startups". Schrijf je "prijzen voor startups beginnen bij $9 per maand", dan sluit je aan op de specifieke fan-out-vraag.
Voeg interne links toe vanaf andere gerelateerde pagina's. Heb je een pagina over beveiliging van projectmanagement en een pagina over prijzen, link ze dan naar elkaar. Die interne links laten AI zien dat je content meerdere invalshoeken van het onderwerp dekt.
Zet FAQPage-schema in voor vragen die waarschijnlijke fan-out-deelvragen vertegenwoordigen. Met schema markup maak je expliciet welke vragen je content beantwoordt.
Zo helpt WEMASY je optimaliseren voor fan-out
Met de onderwerpclustertools van WEMASY structureer je makkelijk content over meerdere pagina's, zodat je alle invalshoeken van een onderwerp dekt. De semantische schrijfassistent helpt je terminologie af te stemmen op de bedoeling van de gebruiker. Met de tools voor interne links bouw je simpel de onderling verbonden structuur op die dekking van het onderwerp laat zien.
Bouw je onderwerpclusters op WEMASY met een goede H2-structuur, semantische targeting en interne links, dan bereid je je content voor op succes bij fan-out. Je scoort dan niet alleen voor de hoofdterm. Je bent zichtbaar bij alle deelvragen die AI-opsplitsing oplevert. Lees meer over de tools van WEMASY voor topische autoriteit op onze pagina met prijzen.
Veelgestelde vragen
Wat is het verschil tussen query fan-out en traditionele gerelateerde zoekopdrachten?
Query fan-out is parallel en gelijktijdig. Traditionele gerelateerde zoekopdrachten zijn opeenvolgend. AI-fan-out stuurt 8 tot 12 deelvragen tegelijk af en voegt de resultaten samen tot één antwoord. Gerelateerde zoekopdrachten verschijnen één voor één. Dat verandert hoe je optimaliseert: fan-out vraagt om brede dekking op één plek, gerelateerde zoekopdrachten kunnen op aparte pagina's. Met de websitebouwer van WEMASY zet je dit direct op je eigen website op.
Als ik nummer 1 sta voor mijn hoofdzoekwoord, scoor ik dan niet ook goed op fan-out-vragen?
Niet per se. Bovenaan staan voor de hoofdvraag betekent niets als je content de invalshoeken niet beantwoordt waarop fan-out zoekt. Een concurrent die op de hoofdvraag nummer 5 staat, maar nummer 1 op de deelvraag over prijzen, wordt vaker geciteerd, omdat de AI hem via fan-out vindt. Dekking van het onderwerp weegt zwaarder dan ranking op de hoofdterm.
Hoeveel deelonderwerpen moet mijn content behandelen?
Minstens 5, bij voorkeur 7 tot 10, afhankelijk van het onderwerp. Content met 5 of meer deelonderwerpen wordt 2,1 keer vaker geciteerd. Meer deelonderwerpen betekent meer invalshoeken en dus meer deelvragen die je content beantwoordt. De grens ligt waar je elke sectie zo uitdunt dat geen enkele meer op te halen is.
Moet elk deelonderwerp een eigen pagina krijgen of alles op één pagina?
Voor fan-out-optimalisatie werkt één uitgebreide pagina met meerdere H2-secties beter dan verspreide pagina's. AI haalt passages makkelijker uit één pagina. Ondersteun dit wel met een onderwerpcluster: diepgaande pagina's over specifieke deelonderwerpen, die allemaal terug linken naar een uitgebreide hoofdpagina.
Hoe weet ik welke deelonderwerpen AI als fan-out-vragen genereert?
Gebruik het vak "Mensen zoeken ook naar" van Google om verwante vragen te zien. Gebruik Google-autocomplete om populaire zoekvarianten te zien. Gebruik tools die lijsten met verwante vragen genereren, zoals vragenverzamelaars of de fan-out-tool van een SEO-platform. Die signalen laten zien welke invalshoeken AI-systemen verkennen als ze jouw onderwerp opsplitsen.
Moet ik optimaliseren voor fan-out of voor traditionele zoekwoorden?
Voor beide. Traditionele zoekwoorden blijven belangrijk voor de eerste zichtbaarheid. Fan-out-optimalisatie bepaalt of je wordt geciteerd nadat de AI je heeft gevonden. Optimaliseer voor traditionele zoekwoorden om vindbaar te zijn, maar structureer je content zo dat die de fan-out-deelvragen beantwoordt om geciteerd te worden.