AI og Søkgrowth

Fanout Query Extractor

Reverse-engineer ChatGPTs grounding-spørsmål

Hva det gjør

Ahrefs-studien viste at siterte URL-er konsekvent har høyere semantisk likhet til ChatGPTs interne fanout-queries enn til den originale brukerprompten. Det betyr at hvis du vet hvilke sub-spørsmål AI-en stiller seg, kan du skrive H2-er, slugs og titler som matcher dem ordrett. Fanout Query Extractor simulerer fanout-prosessen via Perplexity Sonar Pro + Gemini parallelt, krysspeiler resultatene for høyere konfidens, og beregner cosine similarity mellom hver fanout-query og din egen URL eller tittel. Output: rangert liste med H2-eksport, CSV, og AI-generert innsikt om hvor du dekker godt og hvor du har gap.

Problemet

Du optimaliserer titler og H2-er mot keyword — men ChatGPT matcher mot fanout-queries du ikke ser.

• AI-modeller dekomponerer prompten i interne sub-spørsmål før retrieval
• Ahrefs: siterte URL-er har 89,78 % siteringsrate når slug matcher fanout (vs 81,11 %)
• Tradisjonell keyword-research treffer seed-prompten, ikke sub-spørsmålene
• Konkurrentene som forutser fanout-queriene blir sitert oftere — du blir hoppet over

Løsningen

Simuler fanout-prosessen, score din content semantisk, og få AI-skrevne H2-er for hvert gap.

• Perplexity Sonar Pro + Gemini foreslår fanout-queries parallelt
• Krysspeiling gir høy/medium-konfidens-scoring per query
• Cosine similarity 0–1 viser hvor godt din URL eller tittel matcher hver query
• AI genererer 2-3 redaksjons-klare H2-kandidater for hvert gap-query — ikke verbatim "## query"
• Eksport: smart H2-markdown (gap-queries erstattes av AI-kandidater), eller CSV for sporing

Funksjoner

• Dual-model fanout: Perplexity og Gemini foreslår sub-spørsmål parallelt. Queries begge modeller foreslår får høy konfidens.
• Cosine similarity-scoring: OpenAI text-embedding-3-small embedder hver query og din referanse — du ser eksakt hvilke du dekker (≥0,65) og hvor du har gap (<0,40).
• AI-genererte H2-forslag: For hver gap- og delvis-query lager Gemini Lite 2-3 redaksjons-klare H2-kandidater (max 75 tegn) med rationale — du får ferdige overskrifter, ikke bare spørsmål.
• Smart H2 + CSV-eksport: Markdown-eksporten erstatter automatisk gap-queries med AI-kandidater og bevarer originalt spørsmål som kommentar. CSV for å spore endringer over tid.
• Markedsbevisst: Velg Norge/Sverige/Danmark/Finland/Engelsk for geo-targetede fanout-forslag basert på lokal SERP-kontekst.

Slik fungerer det

1. Skriv seed-prompten: Spørsmålet en bruker faktisk ville stilt en AI-assistent om temaet ditt.
2. Legg til referanse (valgfritt): URL eller tittel for å beregne semantisk likhet OG aktivere AI-genererte H2-forslag for gap-queries.
3. Vi simulerer fanout-prosessen: Perplexity Sonar Pro + Gemini foreslår sub-spørsmål parallelt, krysspeiler resultatene, og Gemini Lite genererer H2-kandidater for verste-similarity-queries.
4. Bruk rangerte queries og H2-er: Kopier ferdige H2-overskrifter med ett klikk, eksporter smart markdown, eller åpne hver query direkte i Google for konkurrentanalyse.

Ofte stilte spørsmål

Er dette ChatGPTs faktiske interne fanout-queries?

Nei — dette er en høykvalitets-simulering. Reelle fanout-queries kan kun hentes via DevTools-trikset på chatgpt.com (manuelt). Vi bruker Perplexity Sonar Pro + Gemini parallelt og scorer queries der begge modeller er enige som høy konfidens. Verktøyet er eksplisitt om at det er simulering, ikke interception. Ahrefs-studien viser at simulert fanout via samme prinsipp gir tilstrekkelig signal til å forbedre titler og H2-er.

Hva er en god cosine similarity-score?

Strategi-doc setter ≥0,65 som mål for "godt dekket". 0,40–0,65 er "delvis dekket" (vurder å legge til H2). Under 0,40 er et reelt gap — content-en din dekker ikke det semantiske rommet til den queryen. Snitt-similarity ≥0,65 over topp 8 fanout-queries er en konkret KPI fra Ahrefs-studien.

Hvordan fungerer AI-H2-forslagene?

Når du oppgir en referanse-URL eller tittel, plukker vi de 5 verste-similarity gap- og delvis-queries og sender dem til Gemini Lite med en redaksjonell system-prompt: "skriv H2-er som svarer på dette spørsmålet, ikke gjenta spørsmålet". Du får 2-3 kandidater per query med rationale (vinklingen), maks 75 tegn (Google snippet-grense). Kopier hver kandidat med ett klikk, eller bruk smart H2-eksport der gap-queries automatisk erstattes av AI-kandidater. Uten referanse hopper vi over dette steget (uten similarity ingen gap-deteksjon).

Hvilke embeddings brukes?

OpenAI text-embedding-3-small (1536-dim) via vår eksisterende generate-embedding Edge Function. Dette er den samme modellen vi bruker for memory-vault og knowledge-graph, så scoringen er konsistent. Strategi-doc anbefaler Vertex text-embedding-005 langsiktig for full GDPR-positur — det er på roadmap.

Hvor mange credits koster det?

30 credits per analyse: 1× Perplexity Sonar Pro + 1× Gemini + 1× Gemini Lite for innsikt + 1× Gemini Lite for H2-kandidater (parallellisert med insight for å spare ~500ms-1s) + opp til 16 embeddings. Prisen er flat uansett om referanse er oppgitt eller ikke — H2-generering legges på toppen av eksisterende flow uten ekstra credits.

Prøv Fanout Query Extractor gratis