Najważniejsze wnioski w pigułce
Marki w zapytaniach pobocznych
- Tylko 12,8% z 50 000 wygenerowanych zapytań pobocznych zawierało wzmiankę o marce głównej lub jednym z dwóch konkurentów.
- Aż 97% wszystkich wzmianek o markach pochodziło z zaledwie dwóch typów zapytań: encji (entity) i porównań (comparison).
- Widoczność marki w AI nie jest przypadkowa — zależy od tego, jakie typy intencji monitorujesz.
Trafność tematyczna
- Średni wynik dopasowania (alignment) wyniósł 0,67 przy zakresie 0,22–1,00.
- Zbyt wysokie dopasowanie oznacza, że zapytania poboczne są tylko wariacjami tematu głównego — bez realnej wartości informacyjnej.
- Optymalna strategia to balans między trafnością tematyczną a różnorodnością zapytań.
Długość zapytań
- Średnia długość wygenerowanego zapytania to 8,2 słowa, przy zakresie 3–13 słów.
- Zapytania poboczne skupiają się w tzw. średnim długim ogonie (medium-long-tail).
- To poziom szczegółowości, który da się realnie monitorować i pokryć treścią.
Skala zbioru danych
- 20 branż, 1000 podtematów, 50 000 zapytań pobocznych i 5333 zapytania uziemiające (grounding queries).
- Dane wygenerowano przez Gemini API i udostępniono bezpłatnie do pobrania.
Czym jest query fan-out i dlaczego to zmienia zasady gry
Gdy użytkownik zadaje pytanie w wyszukiwarce opartej na sztucznej inteligencji, model nie szuka odpowiedzi na jedno zapytanie. Rozbija je na wiele zapytań pobocznych — to właśnie mechanizm query fan-out, czyli rozgałęzienia zapytania. Zamiast jednej frazy kluczowej system generuje kilkanaście lub kilkadziesiąt wariantów pytań i dopiero z nich buduje odpowiedź.
Dla marketerów oznacza to fundamentalną zmianę. Klasyczne badanie słów kluczowych zakłada, że istnieje jedna fraza, na którą chcemy się pozycjonować. W modelu rozgałęzionym trzeba pokryć całą siatkę powiązanych intencji — bo to one decydują, czy marka w ogóle pojawi się w odpowiedzi generowanej przez AI.
Moz postanowił zmierzyć to zjawisko systematycznie. Zamiast anegdotycznych obserwacji zespół zbudował laboratorium generowania promptów i przygotował zbiór 1000 podtematów oraz 50 000 zapytań pobocznych rozłożonych na 20 branż. Każdy podtemat wygenerował po pięć instancji dziesięciu wcześniej zdefiniowanych typów rozgałęzień.
Marki pojawiają się tam, gdzie intencja na to pozwala
Pierwszy wniosek jest dla nas jako agencji szczególnie interesujący. We wcześniejszych eksperymentach każda wzmianka o marce w prompcie niemal ze stuprocentową pewnością powodowała, że model powtarzał ją w odpowiedzi. To ogromne zniekształcenie danych — mierzylibyśmy nie realną widoczność, tylko własną podpowiedź zwróconą przez model.
W nowym zbiorze zastosowano inne podejście: marka główna i dwóch konkurentów trafili do promptu jedynie jako kontekstowa wskazówka, a nie polecenie. Efekt? Zaledwie 12,8% wygenerowanych zapytań pobocznych wspomniało o którejkolwiek z tych marek. To znacznie bardziej realistyczny obraz tego, kiedy nazwa firmy faktycznie ma znaczenie dla modelu.
Najciekawsze jest jednak rozłożenie tych wzmianek. Dwa typy zapytań pobocznych odpowiadały za 97% wszystkich przypadków — rozgałęzienia encyjne oraz porównawcze. Pierwsze jest logiczne, bo marka sama w sobie jest encją. Drugie ma bezpośrednie przełożenie na strategię: pytania typu „X czy Y”, „alternatywy dla…” i „porównanie…” to miejsca, w których marka faktycznie może zaistnieć w odpowiedzi AI. Wszystko poniżej drugiego miejsca jest praktycznie nieistotne statystycznie.
Wniosek praktyczny jest jednoznaczny. Jeśli chcesz zwiększyć obecność marki w wynikach generatywnych, inwestuj w treści porównawcze i w budowanie marki jako rozpoznawalnej encji — z konsekwentnymi danymi w Wikidata, Knowledge Graph, na profilach branżowych i w cytowaniach zewnętrznych.
Trafność to nie to samo co powtarzanie tematu
Drugim mierzonym parametrem było dopasowanie tematyczne, obliczone jako podobieństwo cosinusowe między zapytaniem pobocznym a podtematem przekształconym w pytanie. Wyniki mieściły się w przedziale 0,22–1,00, przy średniej 0,67 i równomiernym rozkładzie w całym zbiorze.
Same liczby niewiele mówią bez kontekstu, dlatego warto spojrzeć na przykłady. Wynik 0,22 to relacja między podtematem „usługi chmurowe” a pytaniem „jak udostępnić prywatny link do pliku” — temat pokrewny, ale bez wspólnych słów kluczowych. Wynik 0,90 („zgodność z przepisami o ochronie danych” kontra „jak zapewnić zgodność z regulacjami dotyczącymi prywatności danych”) to praktycznie ta sama fraza z drobną modyfikacją. Wynik 1,00 oznacza po prostu powtórzenie podtematu.
I tu pojawia się kluczowa lekcja dla strategii treści. Zbyt wysokie dopasowanie jest bezużyteczne — jeśli wszystkie zapytania poboczne są wariacjami tej samej frazy, nie wnoszą nowej informacji ani dla modelu, ani dla użytkownika. Google również tego nie chce. Prawdziwa wartość leży w rozgałęzieniach, które są tematycznie powiązane, ale poruszają inne aspekty problemu.
Przekłada się to bezpośrednio na sposób budowania klastrów treści. Zamiast tworzyć dziesięć podstron o niemal identycznej intencji, warto pokryć realnie różne pytania okołotematyczne — od problemów wdrożeniowych, przez porównania, aż po scenariusze użycia. Średnia 0,67 z badania Moz to dobry punkt odniesienia dla tego balansu.
Średni długi ogon jako nowy standard badania fraz
Trzeci obszar to długość zapytań. Logika generowania promptów zakładała maksymalnie 12 słów, a model sam ustabilizował się na średniej 8,2 słowa, z rozrzutem od 3 do 13. To istotna wskazówka, bo pokazuje, w jakim rejestrze naturalnie operują modele generatywne rozbijające zapytania.
Przykładowe zapytania z tego zbioru brzmią bardzo konkretnie: „jak przeprowadzić skuteczną rozmowę końcową z najemcą”, „gdzie znaleźć niedrogie zestawy kijów golfowych dla początkujących”, „dlaczego klienci odchodzą od marek, które kiedyś lubili”. To nie są ogólne hasła ani rozbudowane akapity, jakie użytkownicy wpisują czasem do ChatGPT czy Gemini — to sformułowania na tyle precyzyjne, by były użyteczne, i na tyle ogólne, by dało się je monitorować.
Dla działów marketingu ma to praktyczne znaczenie operacyjne. Nie da się śledzić każdego indywidualnego promptu użytkownika, ale można pokryć warstwę pośrednią — pytania ośmio-, dziewięciowyrazowe, które agregują wiele wariantów. To właśnie tam przenosi się obecnie środek ciężkości badania słów kluczowych.
W praktyce oznacza to przebudowę arkusza fraz. Zamiast list jedno- i dwuwyrazowych head terms warto budować bazę pytań w formie zbliżonej do naturalnego języka, pogrupowanych według typów intencji — encyjnych, porównawczych, proceduralnych czy problemowych.
Co dokładnie zawiera zbiór danych
Struktura badania jest przejrzysta i łatwa do odtworzenia. Punktem wyjścia było 20 branż wybranych między innymi na podstawie Google Trends. Dla każdej wygenerowano po 50 podtematów, co dało 1000 pozycji. Z każdego podtematu powstało pięć instancji dziesięciu typów rozgałęzień, czyli łącznie 50 000 zapytań pobocznych. Dodatkowo zebrano 5333 zapytania uziemiające z Gemini API.
Cały materiał powstał na modelach Gemini — Gemini 3.1 Flash Lite dla generowania promptów i Gemini 3.5 Flash dla zapytań uziemiających. Dla każdego podtematu model zaproponował też jedną markę główną i dwóch konkurentów, wykorzystanych następnie jako wspomniana kontekstowa wskazówka.
Moz udostępnił surowe dane bezpłatnie, co czyni ten zbiór jednym z niewielu dostępnych publicznie punktów odniesienia dla badania rozgałęzień zapytań. Dla agencji i zespołów in-house to gotowa baza do testowania własnych hipotez oraz kalibrowania narzędzi monitorujących widoczność w wyszukiwaniu generatywnym.
Podsumowanie
Dane z 50 000 zapytań pobocznych pokazują wyraźnie, że widoczność marki w AI to nie kwestia szczęścia, lecz obecności w konkretnych typach intencji — przede wszystkim porównawczych i encyjnych. Skuteczna strategia treści w erze wyszukiwania generatywnego wymaga pokrycia zróżnicowanej siatki pytań w rejestrze średniego długiego ogona, a nie mnożenia wariantów tej samej frazy.
Źródło: Moz — „What 50k Query Fan-Outs Reveal About Brands (+ Free Data!)”, https://moz.com/blog/50k-fan-outs-reveal-about-brands
