Query Fan-Out di Google AI Search: Apa yang Bisa Diamati dari Jejak Sumber Publik?
Google menjelaskan bahwa AI Overviews dan AI Mode dapat memakai query fan-out, yaitu menjalankan beberapa pencarian terkait ke subtopik dan data source untuk membangun respons. Pengamat publik tidak selalu melihat query internal tersebut. Yang terlihat terutama jawaban, struktur, dan supporting links.
Karena itu, jejak sumber dapat memberi indikasi subtopik, bukan transcript pasti dari fan-out process.
Mulai dari batas observasi
Yang dapat ditangkap: exact user query, surface, answer sections, displayed URLs, source titles, snippets, dates, and citation placement.
Yang biasanya tidak dapat dipastikan: seluruh internal queries, order, weights, discarded results, model reasoning, and source contribution.
Jangan merekonstruksi query internal lalu menyebutnya observed. Labeli inferred_subquery.
Answer decomposition
Pecah jawaban menjadi topics. Query kamera dapat menghasilkan sensor, lens, video, battery, price, and beginner usability.
Map setiap citation ke topic. Jika source khusus battery muncul, ada indikasi retrieval untuk subtopic tersebut.
Namun halaman broad dapat mencakup banyak topics. Source role perlu dibaca pada passage.
Jangan membuat satu subquery per URL secara otomatis.
Source specialization
Jejak fan-out lebih terlihat ketika sources specialized: documentation untuk specs, retailer untuk price, review untuk usability, government untuk regulation.
Source mix menunjukkan answer needs.
Jika semua sources broad, inference lebih lemah. Model dapat menemukan melalui query utama.
Confidence label diperlukan.
Query wording clues
Titles and snippets dapat mengandung phrase yang tidak ada pada prompt. Ini clue, bukan proof.
Misalnya prompt “laptop untuk mahasiswa arsitektur” menampilkan sources tentang GPU requirements, battery, student discounts, and software compatibility. Inferred subtopics masuk akal.
Jangan menyatakan exact strings tanpa tool trace.
Public link groups
AI Mode dapat menampilkan link groups atau supporting links terkait bagian answer. Catat group label and display order.
UI changes over time. Screenshot diperlukan. Jangan menganggap posisi visual ranking.
Unique URL dan domain dinormalisasi.
Image, video, shopping, and local links dipisah.
Comparing AI Overview and AI Mode
Google menyatakan keduanya dapat memakai model dan techniques berbeda. Source sets can vary.
Jalankan same query close in time. Compare topic coverage and sources.
Jika AI Mode mencakup lebih banyak subtopics, higher source diversity expected. Namun satu snapshot tidak membuktikan fan-out depth.
Use repeated runs.
Replay
Source rotation dapat mengubah inferred map. Jalankan multiple sessions and dates.
Track stable topics, volatile topics, stable domains, and one-off links.
Jika topic stable but source changes, retrieval need may persist. If topic disappears, answer structure drift.
Do not average missing AI Overview as zero topics if feature absent.
Clustering URLs
Cluster by content topic, source type, language, region, and claim role.
Use manual validation for ambiguous pages. Automated embeddings can help but need review.
One page can belong multiple clusters. Use many-to-many.
Avoid forcing a neat tree when answer is cross-cutting.
Inferred subquery schema
Fields: observation_id, answer_section, topic_label, source_urls, evidence_passages, inferred_query_concept, confidence, reviewer, and limitation.
Do not store inferred text in raw_query field.
Confidence high when multiple specialized sources and explicit section support same subtopic. Medium for one specialized source. Low for title clue only.
External validation
Search manually with inferred subtopic and see whether displayed sources appear. This can support plausibility, but manual Google results are another observation, not proof of internal query.
Location, time, and personalization may differ.
Use controlled conditions and label exploratory.
Publisher use
Source trail can reveal topic gaps. If page is cited for specs but not compatibility, publisher may need a separate useful section or page, if audience needs it.
Do not create hundreds of pages for every inferred subquery. That risks thin content.
Build comprehensive, people-first information with clear sections and primary evidence.
Internal linking helps discovery. Structured data must match visible content.
Observing source diversity
Calculate domain count, publisher count, source-type diversity, topic coverage, and concentration.
Do not call it fan-out count. The number of displayed links is not number of searches.
Use labels displayed_source_diversity and inferred_topic_breadth.
If one domain covers all subtopics, diversity low but support can still be strong. Audit claims.
Temporal queries
For current topics, fan-out may search latest updates, price, and availability. Source trail changes quickly.
Record timestamps and publication dates. Breaking news source rotation is expected.
For evergreen queries, stable sources may dominate.
Compare within appropriate window.
Local queries
User location may create subtopics like nearby stores, transport, and availability. Source locality matters.
Test several locations if claim national. Do not infer nationwide fan-out from Jakarta.
Language can change topic taxonomy. Indonesian terms may carry local context.
False inference risks
One source may appear because it ranked for main query, not fan-out.
Source may be selected from existing index without a visible search analogous to manual query.
Answer topic can come from model knowledge, while citation only supports adjacent fact.
Link group may be editorial UI, not internal retrieval stage.
State these limitations.
Experiment design
Use query families with known facets. Before run, define expected facets from domain knowledge. After capture, compare observed topics without changing hypothesis.
Include broad and narrow queries. Broad queries should show more potential topic breadth, but results vary.
Use blind reviewer to label source topics. Measure agreement.
Version the taxonomy.
Example
User asks “cara memilih motor listrik untuk perjalanan harian Jakarta”.
Answer covers range, charging, battery warranty, rain, registration, and service network. Links include manufacturer specs, government regulation, dealership map, and review.
Public evidence supports inferred facets. It does not reveal whether Google ran six queries, three, or another process.
The valid finding: answer and source trail span six topic clusters consistent with query fan-out behavior described by Google.
The invalid finding: Google executed these exact six queries in this order.
Bahasa laporan
Tulis:
“Displayed sources cluster into pricing, technical requirements, regulation, and user experience. This indicates broad retrieval coverage consistent with possible query fan-out. Internal search strings and contribution weights are not visible.”
Avoid “we discovered Google’s hidden queries”.
What changed over time
Track topic cluster addition, removal, source concentration, and official source presence.
If a new regulation source appears after policy update, label external-event aligned change.
If sources rotate but topic coverage stable, classify source rotation.
If answer becomes narrower, inferred breadth decreases.
Query fan-out is useful concept because it explains why complex AI answers can surface pages beyond the exact wording. But public observation must remain public observation.
Source trails show footprints. They help map topics, evidence roles, and change. They do not give direct access to every step that made those footprints.
Kontrol negatif
Sertakan query kontrol yang tidak menyebut entitas utama, query dengan formulasi netral, dan query yang sengaja memperjelas ambiguitas. Kontrol negatif membantu menunjukkan apakah hasil dipicu oleh wording atau memang bagian dari pola yang lebih luas. Pada Query Fan-Out di Google AI Search: Apa yang Bisa Diamati dari Jejak Sumber Publik, kontrol juga dapat memakai entitas pembanding yang kategori dan skala informasinya serupa. Jika hanya target utama yang diuji, setiap perubahan terasa istimewa. Pembanding mengembalikan konteks dan menurunkan risiko overclaim.
Replay dan variabel tunggal
Ubah satu variabel per replay. Coba sumber baru yang baru saja terbit, tetapi jangan mengubahnya bersama lokasi, mode, dan wording sekaligus. Simpan urutan percobaan agar efek pembelajaran session atau freshness dapat dipertimbangkan. Dua atau tiga hasil identik belum membuktikan stabilitas permanen, namun cukup untuk membedakan kejadian tunggal dari pola awal. Jika hasil beragam, laporkan distribusi observasi, bukan memilih capture yang paling dramatis.
Membaca ketidaksepakatan
Ketidaksepakatan antarhasil adalah data, bukan gangguan yang harus dibersihkan. Tanyakan bagian mana yang berubah: mention, urutan, source pool, passage, framing, atau tindakan antarmuka. Perbedaan pada masing-masing bagian menunjuk kelas masalah yang berbeda. Bila citation berubah tetapi klaim tetap, kemungkinan yang diamati adalah source rotation. Bila klaim berubah sementara sumber tetap, synthesis atau interpretasi patut diperiksa. Bila semuanya berubah, kondisi eksperimen dan freshness harus dibuka kembali sebelum cerita kausal ditulis.
Materialitas
Tidak setiap selisih layak menjadi isu. Materialitas ditentukan oleh dampaknya terhadap identitas, keputusan pengguna, kewajiban, keselamatan, harga, ketersediaan, atau reputasi. Kesalahan kapitalisasi berbeda dari salah parent company. Hilangnya satu link berbeda dari claim yang berbalik makna. Tetapkan threshold sebelum review selesai. Dengan begitu, label material tidak diberikan hanya karena temuan terasa baru. Threshold juga membantu mengarahkan prioritas perbaikan halaman resmi ke kasus yang benar-benar memerlukannya.
Dari temuan ke tindakan
Tindakan yang sah adalah memetakan sumber yang berulang tanpa mengubah peta itu menjadi ranking. Mulailah dari lapisan yang dapat dikendalikan dan paling dekat dengan bukti. Jangan langsung menyimpulkan bahwa diperlukan produksi konten besar-besaran, perubahan teknis menyeluruh, atau kampanye publisher. Kadang tindakan terbaik hanya memperjelas satu relation, memperbarui satu halaman, atau memperbaiki measurement plan. Setiap rekomendasi harus menyebut observasi yang memicunya, pemilik tindakan, hasil yang diharapkan, dan cara menguji apakah keadaan berubah.
Bahasa laporan
Kalimat laporan sebaiknya memakai kata kerja yang sesuai dengan bukti. Tulis terlihat, tercatat, atau ditemukan untuk observasi. Gunakan mengindikasikan untuk pola awal. Simpan menyebabkan atau membuktikan bagi desain yang benar-benar dapat menopang kausalitas. Sebut jumlah replay dan kondisi, bukan frasa sering atau selalu tanpa denominator. Bahasa yang terkalibrasi bukan tanda ragu. Ia adalah cara menjaga agar pembaca dapat membedakan temuan operasional, hipotesis, dan pengetahuan yang sudah mapan.
Kesalahan analisis yang umum
Kesalahan pertama adalah menganggap tampilan akhir menjelaskan pipeline. Kesalahan kedua adalah mencampur unit yang berbeda. Kesalahan ketiga adalah memilih replay yang mendukung ekspektasi. Kesalahan keempat adalah menyebut absennya bukti sebagai bukti absensi. Pada topik ini, jebakan paling dekat tetap sumber yang tampil dianggap mewakili seluruh proses pencarian internal. Checklist membantu, tetapi reviewer masih perlu membaca sumber dan memahami konteks. Otomasi dapat menemukan URL atau perubahan teks, bukan memutuskan seluruh makna.
Confidence yang berguna
Confidence bukan probabilitas bahwa mesin benar. Ia menyatakan kekuatan record untuk mendukung temuan tertentu. Confidence naik ketika kondisi lengkap, artefak utuh, replay konsisten, sumber dapat dibuka, dan reviewer kedua setuju. Confidence turun ketika mode tidak diketahui, session tidak terkendali, passage hilang, atau hasil sensitif terhadap waktu. Satu observasi dapat memiliki confidence tinggi bahwa kejadian terjadi, tetapi confidence rendah mengenai penyebabnya. Dua nilai tersebut jangan disatukan.