Como extrair e mapear as fan-out queries do Gemini 3: o processo passo a passo

O conceito primeiro: query fan-out é o processo que os motores de IA usam para buscar várias consultas ao mesmo tempo em vez de uma. Foi a Google que apresentou o conceito publicamente (keynote I/O de 2025, pela Liz Reid), e os números medidos mostram a escala: média de 9 fan-out queries por prompt, com até 28 numa única cadeia. Para o planejamento, a conta do estudo é a que mais assusta e esclarece: cada 100 prompts monitorados escondem em média 900 consultas associadas. O SEO de IA não é otimizar para palavras: é otimizar para conjuntos.

Quais as duas perguntas que o processo responde?

O processo inteiro se resume a: 1) quais consultas os sistemas de IA executam para os prompts do meu mercado? 2) o meu site tem conteúdo que cobre cada uma delas? O estudo de referência comparou os dois motores: o ChatGPT média 2 fan-outs por prompt (no estudo daquele ano; o mais recente apontou 7,61), o Gemini 3 média 9, e há sobreposição considerável entre os termos que os dois usam: cobrir o fan-out do Gemini cobre boa parte do ChatGPT.

Passo 1: extrair as fan-out queries pela API do Gemini 3

A extração é possível porque a API do Gemini com a ferramenta de Google Search grounding devolve um campo específico: webSearchQueries (em Python, grounding_metadata.web_search_queries), que é exatamente a lista de consultas que o modelo executou. O processo documentado no estudo: script em Python que lê um arquivo de prompts, chama a API com o grounding ativo, deduplica as consultas (preservando a ordem) e grava um CSV com prompt, índice da consulta e a fan-out query. Com o SDK instalado (pip install google-genai) e a chave da API, o roteiro de execução é: salvar o script, criar o prompts.txt com o seu prompt set, rodar e receber a planilha com todas as consultas. O próprio estudo admitiu ter construído a solução com assistência de agentes de código, o que demonstra o nível de barreira: baixo para quem tem suporte, alto para quem tenta no improviso.

Passo 2: cruzar as consultas com a cobertura do site

Com a lista de fan-outs em mãos, o problema vira escala: dezenas de consultas para cruzar manualmente com centenas de páginas. A solução do estudo foi uma ferramenta de análise de cobertura de domínio, que recebe a lista de consultas e avalia quais páginas do site respondem a cada uma, classificando o resultado em cinco níveis:

• No Coverage: nenhum conteúdo do site atende à consulta.
• Clear Gap: existe conteúdo próximo, mas a consulta específica não é respondida.
• Related Gap: há conteúdo relacionado, porém desalinhado da intenção.
• Aligned: a página cobre a consulta com alinhamento parcial.
• Perfect Coverage: a página responde a consulta com precisão.

O filtro que produz a fila de trabalho: Tópico relevante = sim E classificação em (No Coverage, Clear Gap, Related Gap). O resultado é a lista de fan-out queries sem cobertura no site: o insumo direto para o planejamento de conteúdo do trimestre. E o resumo de cobertura (quantos percentuais do fan-out o site atende) é o KPI novo do SEO de IA: taxa de cobertura de fan-out.

Como transformar a fila em conteúdo que responde

Os gaps mapeados entram no planejamento com a mesma lógica dos 12 elementos da página AEO: cada gap relevante vira seção de página existente (quando o tema é vizinho) ou página nova (quando a intenção é distinta), sempre com a resposta direta na primeira frase do bloco. E o ciclo fecha com medição: reprocessar o fan-out depois das publicações e acompanhar a taxa de cobertura subir trimestre a trimestre. Para a checagem técnica que garante que o robô alcança o conteúdo novo, o guia das barreiras de IA; e para medir a base, o diagnóstico gratuito.