Query fan-out en intent-classificatie: optimaliseren voor de echte vraag

Een klant typt in een AI-assistent: “Wat is de beste manier om realtime data te beheren voor mijn webshop?” Lijkt een eenvoudige vraag. Maar binnen het AI-systeem gebeurt er iets dat de meeste marketeers over het hoofd zien: het model zoekt niet naar die exacte zin. Het breekt de vraag op in een reeks deelvragen en zoekt op elk daarvan apart.

In dit artikel leg ik uit hoe dat opsplitsen werkt (query fan-out), hoe AI-systemen de intentie achter een vraag classificeren, en wat dat concreet betekent voor de manier waarop je content schrijft en structureert. Dit is een van de bouwstenen van Generative Engine Optimization (GEO), de discipline waarmee je zichtbaarheid in AI-antwoorden vergroot.

Test je AI-zichtbaarheid: scoor je pagina in een halve minuut met onze GEO-check.

Wat is query fan-out?

Query fan-out is het uitwaaieren van één gebruikersvraag in meerdere onderliggende zoekopdrachten die samen het AI-antwoord voeden. Neem die webshop-vraag. Het model decomposeert die mogelijk in:

• “Wat is realtime dataverwerking?”
• “Realtime data-oplossingen voor e-commerce”
• “Platforms voor data-integratie in webshops”
• “Best practices realtime analytics in retail”
• “Realtime voorraadbeheer systemen”
• “Klantgedrag realtime volgen”

Eén vraag wordt zo zes zoekopdrachten. Dat zijn zes verschillende consideratiesets en, belangrijker, zes kansen waarop jouw content opgehaald kan worden of net gemist wordt.

De kern van het verhaal: je optimaliseert niet voor de vraag die de gebruiker stelt, maar voor de vragen die de AI namens de gebruiker stelt. Dat is een fundamentele verschuiving tegenover klassieke zoekmachineoptimalisatie. Wie het verschil tussen beide werelden scherp wil hebben, leest best ook GEO vs SEO.

Hoe het opsplitsen werkt

Wanneer een complexe vraag binnenkomt, herkent het model dat er meerdere types informatie nodig zijn om een volledig antwoord te bouwen. Neem “Hoe pak ik AI SEO aan voor mijn SaaS-startup?” Het model splitst dat intern op in componenten zoals:

1. Definitie: “Wat is AI SEO?”
2. Strategie: “AI SEO best practices”
3. Context: “AI SEO voor SaaS-bedrijven”
4. Fase: “AI SEO voor startups”
5. Uitvoering: “Hoe AI SEO implementeren”
6. Resources: “AI SEO tools en platformen”

Elke component dekt een andere facet. Samen vormen ze een volledige behandeling van de oorspronkelijke vraag. En elk component kan op zijn beurt nog meerdere concrete zoekopdrachten genereren. “AI SEO voor SaaS” wordt zo bijvoorbeeld “AI SEO SaaS”, “SaaS AI search optimalisatie” en “B2B software AI-zichtbaarheid”. De fan-out vermenigvuldigt zich.

Daarna volgt de synthese: het model evalueert de resultaten van elke zoekopdracht, selecteert per zoekopdracht de relevante inhoud, weeft alles samen tot één antwoord en attribueert bronnen. Het eindantwoord is dus een mix van meerdere ophaalpaden.

Waarom fan-out je optimalisatie verandert

Fan-out creëert tegelijk kansen en valkuilen. Vier dynamieken zijn belangrijk om te begrijpen.

Een groter ophaaloppervlak. Je content heeft meerdere kansen om opgehaald te worden. Word je niet gevonden voor de hoofdvraag, dan kun je alsnog opduiken via een deelvraag. Content die mikt op componentvragen kan dus zichtbaarheid halen zonder te scoren op de hoofdvraag.

Onzichtbare concurrentie. Je concurreert in zoekopdrachten die je niet aan zag komen. De gebruiker vroeg naar “AI SEO”, maar het model zocht naar “B2B software AI-zichtbaarheid”, een term die je nooit als doelwit zou kiezen. Je concurrentieanalyse moet dus rekening houden met fan-out-vragen, niet alleen met de voor de hand liggende formuleringen.

Componentdominantie. Verschillende bronnen kunnen verschillende componenten domineren. Eén concurrent wint de definitiecomponent, jij wint de uitvoeringscomponent. Gedeeltelijke zichtbaarheid bestaat: je kunt aanwezig zijn in een antwoord zonder het globaal te winnen.

Synthese-dynamiek. Opgehaald worden voor drie componenten betekent niet automatisch drie keer zoveel zichtbaarheid. Als het model redundant synthetiseert, telt onderscheidende waarde per component zwaarder dan herhaalde aanwezigheid.

Intent-classificatie: waarom hetzelfde stuk content soms wel en soms niet wordt opgehaald

Naast fan-out classificeren AI-systemen de intentie van elke (deel)vraag. Die classificatie stuurt mee wat opgehaald wordt en hoe het antwoord eruitziet. De gangbare intentiecategorieën:

• Informationeel: de gebruiker wil iets begrijpen. (“Wat is realtime dataverwerking?”)
• Navigationeel: de gebruiker zoekt een specifieke bestemming. (“Salesforce login”)
• Transactioneel: de gebruiker wil een actie of aankoop afronden. (“CRM-software kopen”)
• Commercieel onderzoek: de gebruiker oriënteert zich voor een mogelijke aankoop. (“Beste CRM voor kleine bedrijven”)
• Lokaal: de gebruiker wil plaatsgebonden informatie. (“data-consultants in de buurt”)

Het model leidt de intentie af uit signalen in de vraag. Vraagwoorden (wat, hoe) wijzen op informationeel, merknamen op navigationeel, actiewerkwoorden (kopen, downloaden) op transactioneel, vergelijkingswoorden (beste, versus) op commercieel onderzoek.

Het cruciale punt: intentie bepaalt welk type bron de voorkeur krijgt.

Intentie	Voorkeur voor	Typische bronnen
Informationeel	Educatieve inhoud, definities, uitleg	Wiki’s, documentatie, gidsen
Commercieel onderzoek	Vergelijkingen, reviews, evaluaties	Vergelijkingspagina’s, vendor-content
Transactioneel	Productpagina’s, prijzen, aanmeldflows	Vendor-sites, marktplaatsen

Diezelfde tekst kan dus opgehaald worden voor de ene intentie en gefilterd worden voor de andere. Een puur educatief stuk zal zelden naar boven komen bij een transactionele deelvraag, hoe relevant het onderwerp ook is.

Content afstemmen op intentie

Zorg dat je content past bij de intentie waarop je mikt. Een informationeel stuk heeft een educatieve toon, brede dekking en een definitie-eerst structuur nodig. Een commercieel-onderzoek-stuk vraagt om vergelijkingskaders, evaluatiecriteria en pro/contra-analyses. Een transactioneel stuk heeft een duidelijke waardepropositie, prijsinformatie en een zichtbare call-to-action nodig.

Een slimme aanpak is de multi-intent-pagina: één pagina die meerdere intenties bedient via afgebakende secties. Een complete gids over een platform kan een sectie “Wat is het?” (informationeel) combineren met “Functies” (commercieel onderzoek), “Prijzen” (transactioneel) en “Aan de slag” (transactioneel). Elke sectie vergroot het oppervlak van vragen dat de pagina kan bedienen.

Optimaliseren voor fan-out in de praktijk

Met fan-out en intentie helder, zijn dit de strategieën die werken.

Componentdekking auditeren. Breng voor je belangrijkste doelvragen de componenten in kaart en check per component of je sterke, matige of geen content hebt. Lege plekken zijn meteen je prioriteitenlijst. Mist je voor “enterprise data-integratie” en “vergelijking” elke inhoud, dan mis je twee deelzoekopdrachten.

Componentspecifiek optimaliseren. Heb je een algemene pagina die enterprise maar terloops vermeldt? Voeg een aparte H2 toe (“Vereisten voor enterprise data-integratie”), met enterprise-specifieke inhoud (schaal, security, compliance) en een citeerbaar tekstblok. Zo concurreert de pagina mee voor die specifieke componentzoekopdracht.

Onderscheid per component. Als je voor meerdere componenten meedingt, differentieer je waarde. Voeg bij de definitiecomponent echte voorbeelden toe die concurrenten missen. Bied bij de vergelijkingscomponent een beslissingskader in plaats van een kale functielijst. Geef bij de uitvoeringscomponent concrete metrics en doorlooptijden. Onderscheid per component verhoogt je selectiekans.

Long-tail componenten: het onderschatte voordeel

Hoofdcomponenten zijn bikkelhard competitief. Iedereen mikt op “Wat is CRM?” Maar de long-tail componenten gaan vaak onbenut. Bij “Beste CRM voor consultancybureaus” zijn “beste CRM-software” en “CRM-vergelijking” zwaar bevochten, terwijl “CRM voor professionele dienstverlening”, “klantbeheer voor consultancybureaus” en “CRM voor facturatie van billable uren” nauwelijks concurrentie kennen.

De rekensom maakt het overtuigend. Een hoofdcomponent winnen in 5% van 1.000 vragen levert 50 citaties op. Vier long-tail componenten die je in 40 tot 70% van een veel kleiner volume wint, leveren samen ruim het dubbele op. Long-tail-strategie verslaat hoofdconcurrentie via geaggregeerde winsten. Dit raakt rechtstreeks aan Selection Rate Optimization, waarbij je systematisch je selectiekans per zoekopdracht opdrijft.

Query-herformulering: matchen op de herschreven vraag

AI-systemen herformuleren bovendien vragen om beter te kunnen ophalen. “Mijn data zit overal en ik snap er niks van, help” wordt herschreven naar zakelijke zoektermen als “data-integratie oplossingen” of “data consolideren best practices”. De herformulering strijkt het conversationele weg, haalt de kernintentie eruit en voegt soms afgeleide context toe.

Voor jou betekent dit: je content hoeft niet de exacte woorden van de gebruiker te matchen, maar wel de herformuleringen. Vraagt iemand “Waarom is mijn website onzichtbaar voor AI?”, dan herschrijft het model dat naar “AI-zoekzichtbaarheid problemen”. Content die mikt op “AI-zoekzichtbaarheid” wordt opgehaald, ook al gebruikte de gebruiker die woorden nooit.

Fan-out verschilt per platform

Niet elk AI-platform waaiert identiek uit. Voor “Beste projectmanagementsoftware voor remote teams” legt Google AI Mode mogelijk meer nadruk op functies en prijzen, ChatGPT op definitie- en “beste van”-componenten, en Perplexity op vergelijking en reviews. Het loont dus om je content af te stemmen op de componenten die een specifiek platform zwaarder weegt. Welk platform welke componenten en bronnen bevoordeelt, breng je in kaart met cross-model analyse.

Wil je dit kaderen binnen een bredere GEO-aanpak, dan vind je het volledige stappenplan in de ultieme GEO-handleiding.

Veelgestelde vragen

Wat is het verschil tussen query fan-out en gewone zoekwoorden?

Bij klassieke zoekwoorden mik je op de term die de gebruiker intypt. Bij query fan-out splitst de AI die ene vraag op in meerdere deelvragen en zoekt op elk daarvan apart. Je optimaliseert dus niet voor de letterlijke vraag, maar voor de set onderliggende zoekopdrachten die het model genereert. Dat verbreedt je doelwit aanzienlijk.

Hoe weet ik in welke componenten een vraag opsplitst?

Stel de doelvraag aan verschillende AI-systemen en analyseer het antwoord op afzonderlijke informatietypes: een definitiesectie, een vergelijkingssectie, een prijssectie enzovoort. Elk type wijst op een waarschijnlijke deelzoekopdracht. Test die afgeleide zoekopdrachten vervolgens los om je vermoeden te valideren. Zo bouw je een bibliotheek van fan-out-patronen op.

Moet ik dan voor elke deelvraag een aparte pagina maken?

Niet noodzakelijk. Soms volstaat een multi-intent-pagina met afgebakende secties die elk een component bedienen. Voor zwaar competitieve of waardevolle componenten loont een aparte, diepgaande pagina vaak wel. De keuze hangt af van de competitiviteit van de component en hoeveel onderscheidende waarde je per component kunt bieden.

Waarom zou ik op long-tail componenten inzetten als ze weinig volume hebben?

Omdat je winkans er veel hoger ligt. Hoofdcomponenten zijn zo competitief dat je er zelden wint. Long-tail componenten hebben individueel minder volume, maar samen leveren de geaggregeerde winsten vaak meer citaties op dan één moeizame strijd om de hoofdvraag. Het is een kwestie van veel kleine, winbare gevechten boven één onwinbaar gevecht.