Query fan-out: cosa cercano davvero ChatGPT, Gemini e Claude

Il query fan-out è il meccanismo attraverso il quale un chatbot AI, prima di rispondere a una domanda, la scompone in più ricerche sul web (le sotto-ricerche, o query di fan-out) e costruisce la risposta su ciò che trova. Il nome viene da Google, che lo usa per AI Mode e per le AI Overviews (“fan-out” vuol dire aprirsi a ventaglio)¹, ma qualcosa di simile fanno anche ChatGPT, Gemini e Claude quando consultano la rete.

Chi usa un chatbot, però, vede solo la risposta e, talvolta, le fonti: non sa se ha cercato sul web, né che cosa. Per questo chi vuole “ottimizzare per il fan-out” di solito lavora su elenchi di sotto-ricerche prodotti da strumenti che le simulano, plausibili ma non realmente osservate.

Volevo vedere queste sotto-ricerche con i miei occhi. Così ho scelto due argomenti molto diversi: un prodotto di consumo, le scarpe da trekking, e uno del settore B2B, le scaffalature industriali. Per ciascuno ho preso otto domande tra quelle che Google stesso suggerisce e le ho poste cinque volte a ciascuno dei tre chatbot, perché la stessa domanda può ricevere risposte diverse. Poi ho analizzato le ricerche lanciate prima di ogni risposta. Ho lasciato fuori Perplexity e AI Mode di Google, che pure sarebbero stati interessanti, perché le ricerche che lanciano non si possono vedere.

Già su questo campione sono emerse alcune tendenze. I chatbot non hanno cercato sempre sul web, ma solo su certi tipi di domande. Le loro sotto-ricerche quasi mai corrispondevano a keyword con un volume di ricerca. E sulle scarpe da trekking molte delle fonti citate erano in inglese, mentre sulle scaffalature quasi nessuna.

Prima di raccontare come ci sono arrivato, però, devo mettere le mani avanti. I dati si riferiscono a due soli temi, a 16 domande e a un giorno di rilevazione: più che sentenze definitive, offrono un punto di partenza per capire come cercano i chatbot e che cosa conviene verificare nel proprio settore.

Dove si vedono le query di fan-out

Il primo problema è stato trovarle. Ho cominciato da DataForSEO, un servizio a pagamento che permette di interrogare i chatbot via codice. Per ChatGPT lo fa in due modi: rivolgendosi direttamente al modello, cioè il motore che sta dietro al chatbot, oppure all’app vera e propria, quella che usano le persone. Interrogando il modello, restituisce insieme alla risposta anche le sotto-ricerche. La prima domanda di prova è stata “Che scarpe da trekking mi consigli per iniziare a fare escursioni in montagna?”, e prima di rispondere il modello di ChatGPT ha cercato questo:

site:salomon.com it scarpe trekking X Ultra 5 Mid GTX ufficiale
site:la sportiva.com TX Hike Mid GTX ufficiale
site:merrell.com Moab 3 Mid GTX ufficiale Italia
site:scarpa.com Moraine Mid GTX ufficiale

Quattro ricerche, e nessuna generica come “scarpe da trekking per principianti”. Tutte hanno la stessa forma: site: seguito dal sito di un produttore, poi un modello di scarpa preciso e la parola “ufficiale”. L’operatore site: limita la ricerca a un solo sito (lo spazio in “la sportiva.com” è nell’originale): evidentemente ChatGPT aveva già in mente quattro scarpe e, prima di consigliarle, è andato a controllarle alla fonte.

Poteva essere un caso, così ho riproposto subito la stessa domanda. Lo schema non è cambiato: di nuovo quattro ricerche site:, tre sugli stessi produttori e, al posto di Merrell, una su Decathlon, per una scarpa del suo marchio. Anche i modelli di scarpe erano in parte diversi.

site:salomon.com Italia X Ultra 5 Mid GTX scarpe trekking
site:decathlon.it scarpe trekking uomo donna MH500 waterproof
site:la sportiva.com TX Hike Mid GTX scarpe trekking
site:scarpa.com Rush TRK GTX trekking

Per un confronto, però, servivano tutti e tre i chatbot, e l’ideale sarebbe stato interrogarli attraverso le loro app, cioè quello che le persone usano davvero. Qui sono cominciati gli ostacoli. Per Claude, DataForSEO non offre l’accesso all’app. Quella di ChatGPT restituiva le fonti, ma il campo delle sotto-ricerche restava vuoto. E Gemini, interrogato come modello sempre tramite DataForSEO, sulle mie domande di prova non cercava mai sul web: rispondeva senza fare alcuna ricerca.

Pensavo che il problema di Gemini dipendesse da DataForSEO, così sono passato alle API di OpenAI, Google e Anthropic, cioè le interfacce con cui gli sviluppatori usano i modelli nei propri programmi. Interrogati così, i tre modelli restituiscono insieme alla risposta l’elenco delle ricerche lanciate, i risultati ricevuti e le fonti citate², e potevo usarli tutti nelle stesse condizioni. So bene che è un’approssimazione: le API usano gli stessi modelli delle app, ma senza le istruzioni e le impostazioni che le app aggiungono per conto proprio, e non è detto che cerchino allo stesso modo. Era però l’unico modo per vedere le ricerche di tutti e tre, e mi è sembrato un compromesso ragionevole.

Con l’API di OpenAI ho riproposto anche la domanda della prima prova, due volte, cambiando il livello di ragionamento del modello. Lo schema ha retto, con una novità: è comparso l’inglese, con “official” al posto di “ufficiale”. I modelli di scarpe cambiavano in parte, ma Salomon e Scarpa c’erano in tutte e quattro le prove.

# ragionamento acceso
site:salomon.com it scarpe trekking X Ultra 5 Gore-Tex ufficiale
site:scarpa.com it Rush TRK GTX ufficiale trekking
site:la-sportiva.com it Ultra Raptor II Mid GTX ufficiale
site:decathlon.it scarpe trekking uomo donna impermeabili MH500
# secondo giro
Salomon X Ultra 5 GTX official hiking shoes
Scarpa Rush TRK GTX official
La Sportiva Ultra Raptor II Mid GTX official

# ragionamento minimo
site:rei.com hiking footwear choosing hiking shoes boots guide beginner
site:salomon.com hiking shoes X Ultra 5 GTX official
site:merrell.com Moab 3 Mid Waterproof official
site:scarpa.com Moraine Plus GTX official

Gemini invece, anche con l’API di Google, ha continuato a non cercare sulla domanda della prima prova. Poi ho provato “Quali sono le migliori scarpe da trekking del 2026?”, e ha cercato. Il limite non era dello strumento: era Gemini a decidere quando cercare, e l’anno nella domanda sembrava pesare sulla decisione. Per questo nell’esperimento la domanda sulle migliori scarpe compare due volte, con e senza l’anno.

Per capire quanto regge l’approssimazione, l’app di ChatGPT l’ho tenuta comunque, sempre tramite DataForSEO, come termine di paragone. Le ricerche non le mostra quasi mai (in questo campione, in una risposta su 80), ma restituisce le fonti citate, e queste si possono confrontare con l’API. Con l’app di Gemini non è stato possibile: tramite DataForSEO, alle domande in italiano ha risposto sette volte su dieci con un messaggio generico di rifiuto, e le tre risposte arrivate non citavano fonti.

Come ho impostato l’esperimento

Il trekking l’ho scelto per continuità con l’articolo sull’intento di ricerca, dove avevo analizzato le SERP delle scarpe da trekking. Le scaffalature industriali le ho aggiunte dopo aver visto i primi risultati: un tema solo poteva risultare poco significativo, e volevo capire se un settore B2B si comportava in modo diverso.

Le domande non le ho inventate: vengono dalle domande correlate che Google mostra nella SERP e dai suggerimenti dell’autocomplete, alcune riprese parola per parola, altre adattate in forma di domanda. Sono otto per tema, di quattro tipi.

Ogni domanda l’ho posta cinque volte a ChatGPT, Gemini e Claude via API, e altrettante all’app di ChatGPT. In tutto sono 320 risposte, raccolte il 26 settembre 2026. Gli script per inviarle e analizzarle li ho fatti scrivere a Claude Code, e l’intero esperimento è costato qualche dollaro di API.

Per ChatGPT e Gemini ho usato i modelli dei piani gratuiti, gpt-5.6-luna e gemini-3.8-flash, con il ragionamento ridotto al minimo. Il ragionamento è la fase in cui il modello elabora la risposta prima di scriverla, e nella modalità veloce delle app è quasi assente. Per Claude ho usato claude-sonnet-5 con le impostazioni predefinite, e il suo ragionamento automatico si è attivato in 70 risposte su 80: una differenza di cui tenere conto nel confronto. A ChatGPT e Claude ho indicato come località l’Italia (l’API di Gemini non lo prevede). Nessun chatbot ha ricevuto istruzioni oltre alla domanda, perché le domande arrivassero come le scriverebbe una persona.

Chi vuole costruire un insieme di domande per il proprio settore trova il metodo nell’articolo sulla misura della visibilità nelle risposte AI.

Una domanda letta da vicino

Prima di contare, conviene guardare. La domanda su cui hanno cercato tutti e tre i chatbot, in tutte le risposte, è quella sulle migliori scarpe da trekking del 2026. L’immagine mette a confronto una risposta per ciascuno.

In queste tre liste ci sono già i tratti che ho poi ritrovato in molte altre risposte:

• La lingua: la domanda è in italiano, ma tutti e tre hanno cercato anche in inglese. Gemini e Claude hanno lanciato la stessa formula nelle due lingue, ChatGPT ha cercato soprattutto in inglese.
• La forma: Claude ha cercato “migliori scarpe da trekking 2026”, cioè la domanda ridotta all’osso, una formula che Google stesso suggerisce. ChatGPT è partito da una formula simile e l’ha allungata con “test”, “recensioni” e “Italia”.
• L’anno: Gemini ha cercato con due anni insieme, “2025 2026”, anche se la domanda ne conteneva uno solo.
• La verifica alla fonte: ChatGPT ha usato di nuovo site:, questa volta su due siti americani di recensioni, OutdoorGearLab e Treeline Review. Li ha scelti prima di vedere qualsiasi risultato, quindi li conosceva già come riferimenti per le scarpe da trekking. È un indizio di quali fonti un chatbot considera autorevoli in un settore.

Una singola risposta, però, non dice quanto questi tratti siano ricorrenti. Per saperlo bisogna guardarle tutte.

Quando i chatbot hanno cercato sul web

La prima cosa che ho notato mettendo insieme le risposte è che i chatbot non hanno cercato sempre. La tabella riporta, per ogni domanda, quante delle cinque risposte sono passate dal web. Per l’app di ChatGPT, che le ricerche non le mostra quasi mai, ho contato come ricerca una risposta con fonti web citate.

Risposte su cinque che hanno cercato sul web 012345

Sulle tre domande di conoscenza del trekking (la differenza con l’hiking, la taglia, scarpe alte o basse) nessun chatbot ha cercato, in nessuna delle 60 risposte: hanno risposto con quello che sapevano. Sulla domanda con l’anno hanno cercato tutti, sempre. Nel tema B2B hanno cercato quasi sempre su fornitori a Milano, normativa e prezzi. La mia ipotesi è che il query fan-out scatti soprattutto sulle domande che chiedono dati aggiornati o locali, ma andrebbe verificata su altri settori.

Due dettagli mi hanno incuriosito. Il primo riguarda Gemini, che nel trekking ha confermato quello che avevo visto nelle prove: zero ricerche su cinque risposte per “le migliori scarpe da trekking”, cinque su cinque aggiungendo “del 2026”. Sulle scaffalature, invece, ha cercato anche senza anno. Il secondo riguarda ChatGPT: via API e nell’app ha cercato sulle stesse domande del trekking, mentre nelle scaffalature le due versioni si sono separate. Su “conviene comprare scaffalature industriali usate?” l’API ha cercato cinque volte su cinque, mentre l’app ha sempre risposto senza citare fonti. Le API danno un’idea di come si comporta l’app, non una copia.

Cercare o non cercare conta, perché quando un chatbot risponde senza cercare non cita fonti. È la distinzione tra risposte “a memoria” e risposte “cercando sul web” che avevo descritto nell’articolo sulla misura della visibilità AI: su quelle domande, in quelle risposte, un sito non ha occasione di essere citato.

Quante ricerche e con che parole

In questo campione i chatbot hanno lanciato poche ricerche, da una a sei per risposta. È molto meno di quanto Google descrive per AI Mode: “una moltitudine” di ricerche, che con Deep Search possono arrivare a “centinaia”³.

Sulla forma, i tratti visti all’inizio nella domanda sulle migliori scarpe si sono ripetuti. Gemini e Claude hanno usato spesso formule brevi, molto simili a quelle che Google suggerisce nelle domande correlate (PAA), nelle ricerche correlate e nell’autocomplete, soprattutto nel trekking: “migliori scarpe da trekking 2026”, “quanto durano le scarpe da trekking chilometri”. In parte era prevedibile, perché le domande venivano proprio da quei suggerimenti: le sotto-ricerche riprendevano soprattutto la formula da cui era nata la domanda, raramente altri suggerimenti. ChatGPT ha usato spesso le stesse formule, aggiungendo marchi, “Italia”, l’anno, “official”. Nel trekking, 11 delle sue 21 ricerche in italiano contengono, al netto di articoli e preposizioni, tutte le parole di un suggerimento di Google, ma nessuna è identica a un suggerimento. Google, per esempio, suggerisce “prezzo scarpe da trekking decathlon”, e ChatGPT ha cercato “prezzi scarpe trekking italia decathlon salomon la sportiva 2026”.

Anche nell’esperimento ChatGPT è andato spesso a verificare alla fonte. Nel trekking ha usato site: in 32 ricerche su 52, sui siti dei marchi, su Decathlon e su siti americani di guide e recensioni come REI e OutdoorGearLab. Nelle scaffalature in 19 ricerche su 70, su fonti istituzionali come Normattiva, UNI, INAIL e la Gazzetta Ufficiale. Gemini e Claude, in queste risposte, non l’hanno mai usato.

Sulla domanda della normativa, per esempio, tutte le ricerche sono state in italiano, e quelle di ChatGPT sono sempre passate da site:. L’immagine mostra una risposta per chatbot.

Quei domini dicono qualcosa anche a chi lavora sulla visibilità nelle risposte AI. Nel trekking ChatGPT li ha scelti sempre prima di vedere un risultato, e non erano scelte solo sue. Il caso più chiaro è OutdoorGearLab: ChatGPT via API l’ha cercato per nome in tutte e cinque le risposte sulla domanda del 2026, e su quella domanda l’hanno citato l’app di ChatGPT in tre risposte, Gemini in tre e Claude in tutte e cinque. Via API ChatGPT non l’ha mai citato, ma in quelle risposte ha citato in tutto una o due fonti, e una pagina di OutdoorGearLab era sempre tra la trentina di risultati ricevuti. Nelle scaffalature i siti cercati per nome erano istituzionali, e ChatGPT li ha poi citati quasi sempre. L’ipotesi è che l’elenco dei site: di un settore sia un buon punto di partenza per capire quali fonti i chatbot considerano di riferimento. Per chi vende sono i siti su cui far recensire i propri prodotti, per chi pubblica recensioni sono i concorrenti da studiare.

L’anno, poi, lo hanno messo loro. Nel trekking ChatGPT l’ha aggiunto in 9 risposte su 15 e Claude in 8 su 10, su domande che non lo contenevano. Nelle scaffalature Claude ha scritto tre volte “2025”, un anno indietro. Gemini, sulla domanda che l’anno lo conteneva già, ha cercato con “2025 2026” in quattro risposte su cinque: un’abitudine che anche Nectiv aveva notato su Gemini 3, con “2024” e “2025”, l’anno prima e quello in corso⁴.

La stessa domanda, posta cinque volte allo stesso chatbot, non ha prodotto le stesse ricerche. Su “quali sono le migliori scarpe da trekking?” ChatGPT ha lanciato 19 ricerche diverse nelle cinque risposte, e solo una si è ripetuta. Claude è stato molto più costante nel trekking: sulla domanda del 2026 ha lanciato le stesse due ricerche in quattro risposte su cinque. Nelle scaffalature lo è stato meno.

Con più ragionamento, più ricerche?

Gli studi pubblicati su Gemini 3 avevano contato molte più ricerche di quelle che ho osservato io: in media una decina per domanda, secondo Seer Interactive e Nectiv⁴. Mi è venuto un dubbio: e se la differenza dipendesse dal ragionamento ridotto al minimo? Così ho riproposto otto delle domande tre volte con il ragionamento acceso, lasciando invariato tutto il resto. Solo con ChatGPT e Gemini: Claude il ragionamento lo aveva già acceso in quasi tutte le risposte.

ChatGPT è passato da 2,7 a 6 ricerche per risposta, con punte di 12. L’aumento però è venuto tutto dalle verifiche con site:, salite in media da 1,3 a 4,5 per risposta, mentre le ricerche libere sono rimaste stabili a quota 1,4. Ragionando di più, ChatGPT non ha esplorato più argomenti: ha controllato più prodotti alla fonte, una scarpa dopo l’altra sul sito del marchio, come nella prima prova. Gemini invece non è cambiato, con 2,1 ricerche per risposta in entrambe le condizioni, e la distanza dagli studi su Gemini 3 resta da spiegare. Potrebbe dipendere dalla versione di Gemini, o dal fatto che Seer lo obbligava a cercare.

Hanno un volume di ricerca?

Delle sotto-ricerche ho controllato anche il volume di ricerca su Ahrefs e su Google Ads (per quelle con site:, il testo senza l’operatore), per sapere se qualcuno le cerca davvero su Google. Quasi mai: nel trekking non ha un volume misurabile l’84% secondo Ahrefs e l’87% secondo Google Ads, nelle scaffalature nessuna. Le poche eccezioni sono formule brevi come “migliori scarpe da trekking 2026”, usate da Gemini e da Claude, e il quadro è simile a quello trovato da Seer Interactive su Gemini 3, con il 95% delle sotto-ricerche senza volume⁴. Chi le cercasse con gli strumenti di keyword research, quindi, quasi sempre non le troverebbe.

In che lingua hanno cercato e quali fonti hanno citato

Sulla lingua i due temi sono andati in direzioni opposte. Nel trekking tutti e tre i chatbot hanno cercato spesso in inglese, anche se le domande erano in italiano, e hanno citato molte pagine in inglese. Nelle scaffalature l’inglese è rimasto un’eccezione, sia nelle ricerche sia nelle fonti. La lingua delle fonti l’ho stabilita dal testo delle pagine, e per YouTube e Reddit dal titolo del video o della discussione.

Anche nel trekking, però, l’inglese è comparso solo su alcune domande, quelle di consiglio e quelle sulle migliori scarpe. Sulla domanda sui prezzi non c’è stata nessuna ricerca in inglese, e le fonti citate erano tutte italiane, tra Decathlon, Trovaprezzi, Idealo e siti italiani di recensioni. Nelle scaffalature le poche ricerche in inglese riguardavano tutte la domanda sui migliori produttori.

Chi vende scarpe da trekking può leggere queste citazioni anche per tipo di sito, e qui i chatbot si sono comportati in modo diverso. Sulle due domande sulle migliori scarpe ChatGPT ha citato soprattutto le pagine dei produttori, come Salomon e Scarpa, e siti di guide e recensioni, italiani e stranieri. Claude e Gemini, invece, ogni volta che hanno cercato hanno citato le guide in italiano di negozi online multimarca stranieri come Bergzeit, Tonton Outdoor e Alltricks: articoli del blog o del magazine, non schede prodotto. Sulla domanda sui prezzi, infine, ChatGPT ha citato in ogni risposta le pagine di categoria di Decathlon.

Nelle scaffalature le fonti sono rimaste italiane quasi ovunque, ma di tipo diverso secondo la domanda e il chatbot. Sulla normativa ChatGPT ha citato INAIL, UNI e Normattiva, mentre Claude e Gemini sono andati soprattutto su editori e associazioni di settore come Certifico e Promozione Acciaio. Su “dove comprare scaffalature industriali a Milano” tutti hanno citato rivenditori locali, come metalsistemlombardia.it e scaffalaturemilano.it. Due delle poche citazioni in inglese di Claude erano le versioni inglesi dei siti di aziende italiane.

La mia lettura, da prendere come ipotesi, è questa. Dove su un tema esiste un grande ecosistema internazionale di recensioni e classifiche, come per le scarpe da trekking, un sito italiano si trova a competere nelle risposte anche con pagine in inglese. Dove contano norme nazionali e fornitori sul territorio, la concorrenza resta italiana. Due temi non bastano per dirlo. Sarebbe coerente, comunque, con quello che succede nella ricerca classica, dove la valutazione avviene mercato per mercato.

Cosa resta da capire

La prima verifica da fare è su altri settori, per esempio il software o il turismo, per capire se anche lì la lingua delle fonti segue il tipo di tema. Poi c’è la distanza tra API e app, che su ChatGPT si è già vista in questo campione. AI Mode e Perplexity restano da osservare, se un giorno le loro ricerche diventeranno visibili. Resta anche da capire perché il Gemini che ho osservato abbia cercato così poco rispetto agli studi su Gemini 3, anche con il ragionamento acceso. E tutto andrà rifatto fra qualche mese, con modelli nuovi.

Nel frattempo il campione suggerisce alcune ipotesi di lavoro, da verificare sul proprio settore prima di trasformarle in regole:

• Capire su quali domande i chatbot cercano: nel campione hanno cercato soprattutto sulle domande che chiedono dati aggiornati o locali, e sono quelle su cui un sito può essere citato.
• Non inseguire il fan-out ricerca per ricerca: le sotto-ricerche cambiano a ogni risposta. Conviene coprire bene il tema, come già suggerito nell’articolo sulle AI Overviews.
• Partire dai suggerimenti di Google: quando cercavano, i chatbot riducevano spesso la domanda alla formula breve che le persone usano su Google, la stessa che compare tra domande correlate, ricerche correlate e autocomplete, a volte allungandola. Non vuol dire che li consultino: sono le formule più comuni per cercare un tema, ed è facile che un modello arrivi alle stesse.
• Curare le pagine che i chatbot citano: per un produttore, la pagina ufficiale di ogni prodotto, che ChatGPT va a verificare alla fonte e che conviene rendere completa e leggibile anche per un’AI. Per un negozio, le guide editoriali citate da Claude e Gemini e le pagine di categoria citate da ChatGPT sulla domanda sui prezzi.

La prova più utile, alla fine, è ripetere lo stesso esercizio sulle domande del proprio mercato. Se vuoi farlo per il tuo settore, è uno dei punti da cui parte la consulenza GEO/AEO; per parlarne, scrivimi.

Fonti

1. Google Search Central, “Optimizing your website for generative AI features on Google Search”, aggiornata il 10 luglio 2026: developers.google.com ↩

2. Documentazione delle API di ricerca web: OpenAI, “Web search” (developers.openai.com); Google, “Grounding with Google Search” (ai.google.dev); Anthropic, “Web search tool” (platform.claude.com). OpenAI avverte che le query sono incluse “di solito, ma non sempre”: nelle risposte raccolte c’erano tutte. ↩

3. Elizabeth Reid, “AI in Search: Going beyond information to intelligence”, Google, 20 maggio 2025: blog.google ↩

4. Nick Haigler, “Initial Research: Gemini 3 Query Fan-Outs”, Seer Interactive, 21 novembre 2025, 501 domande con la ricerca imposta al modello (seerinteractive.com); Chris Long, “New Research: What We Learned From Analyzing 60K+ Google Fan-Out Queries”, Nectiv, 3 dicembre 2025 (nectivdigital.com) ↩ ↩² ↩³