Ne pensez plus « prompt » ou « mot-clé », réfléchissez en « query fan-out »

L’OEIL DE PAUL RIPART. Pendant vingt ans, l’écriture sur le web a été structurée par, et pour, le SEO : pour chaque intention de recherche, on construisait une page correspondant exactement aux mots-clés tapés.
Une intention de recherche équivalait donc à un article traitant précisément de cette problématique.

Le monde des IA rebattent complètement les cartes en introduisant un nouveau mécanisme : le query fan-out.
Contrairement aux moteurs de recherche traditionnels, un LLM ne traite pas une question comme une requête unique. Il la décompose en 10 à 100 sous-requêtes parallèles. Il faut dire que, contrairement aux mots-clés saisis sur Google, les prompts sont souvent plus longs, plus naturels et surtout plus complexes.

Prenons un exemple : « Je cherche une voiture hybride familiale avec un grand coffre à moins de 50 000 €. »
Au lieu de rechercher directement « voiture hybride familiale », le système va décomposer la demande en une série de sous-requêtes spécialisées, souvent exécutées simultanément comme par exemple :

• Requêtes de clarification du besoin, notamment pour comprendre ce que recouvre la notion d’hybride : « différence hybride vs hybride rechargeable », « catégories de véhicules hybrides familiaux », « SUV hybrides France ».
• Requêtes liées à la contrainte budgétaire : « véhicules hybrides sous 50 000 € France », « SUV hybrides prix catalogue 2026 ».
• Requêtes liées à un critère spécifique, ici le coffre : « capacité coffre SUV en litres », « plus grand coffre SUV hybride comparatif », « volume coffre Hyundai Tucson / Kia Sportage / Ford Kuga ».
• Requêtes liées à l’usage familial : « voiture familiale espace arrière », « SUV adaptés sièges enfants », « confort passagers arrière SUV hybride ».
• Requêtes de comparaison et d’arbitrage : « consommation réelle hybrides familiaux », « fiabilité SUV hybrides France », « coût d’usage hybride ».

À partir d’un seul prompt, plusieurs dizaines de requêtes sont ainsi générées.

Important, elles intègrent des questions que l’utilisateur n’a jamais formulées explicitement, mais que la machine déduit d’elle même pour résoudre correctement le problème posé. Le LLM mène alors une véritable enquête, en synthétise les résultats, puis délivre sa réponse.

La visibilité ne dépend donc plus uniquement de la question posée par l’utilisateur, mais des nombreuses questions que l’IA décide de poser à sa place.

Dans ce contexte, les articles ne peuvent plus être écrits uniquement pour répondre à un mot-clé mais doivent plutôt être différents faisceaux d’indices envoyés aux LLM