Query fan-out: Sådan udtrækker og automatiserer du underspørgsmål

AI-søgemaskiner slår ikke længere bare ét keyword op. De tager spørgsmålet og deler det stille og roligt op i en stak mindre spørgsmål, fx "er stof anderledes end læder?", "kan man damprense den?", "hvor ofte bør man gøre det?". Hvert delspørgsmål besvares fra den kilde, der gør det bedst, og stumperne sys sammen til ét samlet svar. Brugeren ser aldrig de små spørgsmål og klikker ofte aldrig videre. Den opdeling er hele pointen, og branchen kalder den query fan-out: ét spørgsmål, der folder sig ud i mange.

For dig betyder det, at du ikke længere kæmper om at vinde ét keyword med én side. Du kæmper om at være den kilde, motoren griber til for hvert af de skjulte underspørgsmål. Sidste år kom 76 % af AI overview-citationer fra top-10. I 2026 er tallet nede på 38 %, ifølge en Ahrefs-undersøgelse. Som SEO'er må vi finde bedre veje til at blive citeret, og den vej hedder lige nu query fan-out. Denne artikel er en uddybende makker til min bredere AI SEO-guide, fokuseret på ét emne: at finde, skalere og automatisere fan-out.

Hvad er query fan-out?

Query fan-out er, når en AI-søgemaskine deler ét spørgsmål op i flere mindre underspørgsmål, henter svar fra forskellige kilder og samler dem til ét svar. I stedet for at slå ét keyword op tager motoren hele spørgsmålet, genererer en håndfuld relaterede delsøgninger og trækker den bedste passage fra hver kilde.

Konsekvensen for indhold er konkret. En artikel er ikke et essay længere, den er en stak klare, selvstændige svar, ét per sandsynligt underspørgsmål. Jo flere af de små spørgsmål du besvarer rent og afgrænset på siden, jo oftere bliver du trukket ind i AI'ens svar. Du optimerer ikke for ét keyword per side, du optimerer for passager, der kan stå alene.

Det er det samme skift, du møder under begreber som passage-level optimization, chunk-friendly, answer-first og semantic completeness. De peger alle på det samme: en side er nu en stak selvstændige spørgsmål-svar-blokke, der dækker hver sin vinkel komplet, ikke et essay om én idé.

Sådan optimerer du for query fan-out

Skriv flere H2-sektioner, hvor hver enkelt fungerer som et selvstændigt svar på ét spørgsmål. Det er hele den praktiske ændring. Den gamle "dybde" var et langt essay om én idé. Den nye dybde er at dække 12 forskellige vinkler på dit hovedkeyword, hver i sin egen sektion.

• Behandl hver H2 som et spørgsmål, besvaret med det samme. Formulér overskriften som den faktiske søgning ("Kan man damprense en lædersofa?") og giv svaret i første sætning. Ingen indledende manøvrer, ingen "før vi går i gang". Motoren vil løfte en ren blok ud.
• Hold sektionerne selvstændige. Ingen krydshenvisninger inde i dem. Drop "som vi så ovenfor" og "læs mere i næste afsnit". Antag, at læseren eller AI'en landede koldt i præcis den sektion. Lidt gentagelse på tværs af sektioner er helt fint og endda nyttigt.
• Dæk emnet bredt. Mangler du en vinkel, vinder en konkurrent netop det underspørgsmål. Flere H2/H3'er, hver med et fuldt svar på ét delspørgsmål uden at læne sig op ad resten af artiklen.

Et enkelt forbehold, så du ikke overdriver det: fragmentér ikke så meget, at artiklen læser som en FAQ-dump uden rød tråd. Den skal stadig flyde for det menneske, der rent faktisk lander på siden. Skiftet er reelt, men en mur af løsrevne to-sætnings-svar læser dårligere og konverterer dårligere.

For garvede SEO-skribenter er det her ikke dramatisk. Du kan stadig vælge et keyword og trække relaterede spørgsmål fra Googles People Also Ask, hver besvaret i sin egen H2. Men der er måder at finde dybere spørgsmål, skalere det op og automatisere det.

To måder at automatisere på

Der er to indgange. Enten bruger du dine fan-out-spørgsmål som rettesnor til at skrive en kladde, eller også bruger du dem til at optimere en kladde, du allerede har skrevet. Et eksempel på det sidste:

1. Skriv eller rediger indhold omkring et keyword, som du plejer.
2. Kør en query fan-out-rapport med Googles Grounding API på det skrevne indhold for at se, hvad folk faktisk søger omkring dit emne, og hvad din artikel mangler.
3. Brug et AI-workflow, der får rapporten som kontekst og tilføjer de manglende sektioner for dig.

Det universelle her er tilgangen: fodr Gemini med indhold eller en URL, lad Gemini lave rapporten, og fyld så hullerne selv eller med en AI.

Sådan udtrækker du query fan-out (kræver eget setup)

Bemærk: det her kræver dit eget setup. Dashboardet, editoren og writer-pipelinen, jeg refererer til nedenfor, er en custom build. Du skal selv koble brikkerne sammen. Det, der er universelt, er fremgangsmåden, ikke min konkrete opsætning. Dan Hinckley har skrevet en fin guide til at trække det ud med Screaming Frog, men i en tid med Cursor, Claude Code og Lovable kan du også bare kopiere denne fremgangsmåde ind som en prompt.

1. Hent en API-nøgle (Gemini)

Den eneste nøgle, du behøver. Gemini er den eneste model, der kan lave live Google Search grounding, og det er hele pointen.

• Gå til Google AI Studio, log ind, opret en API-nøgle og kopier den.
• Læg den i dit miljø, og verificér bagefter, at nøglen genkendes.
• Vælg selv, hvilken model der omskriver artiklerne. Det kan være Gemini eller en anden, fx Claude.

2. Render indholdet

Indholdet kan læses via en URL eller fra din egen kladde:

• Live sider: hent den statiske HTML og træk H1, overskrifter, title og meta ud. Server-renderede sider, fx Shopify, kræver ingen browser.
• Kladder: læs artiklens HTML direkte. Ligger den i et andet format som et Word-dokument, så konvertér til HTML eller ren tekst først.

3. Analysér (kør rapporten)

Tre indgange, afhængigt af hvordan dit setup eksponerer dem:

• Hele sider eller hele sitet: vælg et site eller en URL, afgræns til bestemte sider eller et helt sitemap, sæt en sidegrænse og kør. Resultaterne kan eksporteres til CSV.
• Én artikel du redigerer: kør mod den åbne kladde og få en read-only rapport: dækningsprocent, sektioner du bør tilføje, spørgsmål du bør besvare, interne links og huller.
• Automatisk mens du skriver: slå et coverage-gaps-trin til i din writer, så den kører på hver kladde.

Rapporten indeholder: hvordan AI fortolker emnet, selve query fan-out'en (relaterede søgninger), relaterede spørgsmål, undertemaer, entiteter, dækningshuller og de kilder, Gemini groundede på.

4. Optimér (ret artiklen)

Gemini laver kun rapporten. Selve skrivningen står din egen model for, helst med din egen tone-of-voice og din liste over ord, du vil undgå.

• Manuelt: rapporten viser en plan, og du tilføjer selv de foreslåede sektioner og links. Intet ændrer sig automatisk.
• Automatisk: et coverage-gaps-trin indsætter nye sektioner, der fylder hullerne, hver skrevet så den kan stå alene, men stadig læser fint fra top til bund.

Pris og pålidelighed

Forvent cirka 0,03 til 0,04 dollar per side. Det meste er Googles grounding-gebyr, der ofte er gratis inden for den daglige grounding-kvote. Selve artikel-rettelsen er almindelig token-pris på den model, du har valgt.

Håndtér forbigående Gemini 503-fejl med retries og backoff. Fejler et kald, så lad kladden være urørt og log et "skip" i stedet for at korruptere kørslen.

Opsummering

Optimering for query fan-out handler om at tilføje H2-sektioner, der dækker dit hovedkeyword fra alle vinkler, hver skrevet som et selvstændigt svar på ét spørgsmål. Det er et skift fra essay-format til FAQ-lignende format, stadig skrevet til mennesker. Du kan finde underspørgsmålene manuelt via People Also Ask, eller du kan skalere det med Geminis Grounding API: fodr den med en URL eller en kladde, få en rapport over de huller, du mangler, og luk dem selv eller med en AI. Husk, at automatiseringen kræver dit eget setup, men selve fremgangsmåden er den samme uanset værktøj.