Mitä query fan-out tarkoittaa ja miten se muuttaa sisällöntuotantoa?
Query fan-out on tekoälyhakujen menetelmä, jossa käyttäjän kysymys pilkotaan useiksi alikyselyiksi, jotka haetaan rinnakkain ja joiden tulokset yhdistetään yhdeksi vastaukseksi. Suomeksi sitä voi kuvata kysymyksen haarauttamiseksi alikyselyiksi. Menetelmää käyttävät tekoälyhaut, jotka hakevat tietoa verkosta ennen kuin vastaavat: Googlen AI Mode ja AI Overviews, ChatGPT-haku, Perplexity ja Gemini.
Miksi tällä on väliä? Koska näkyvyys tekoälyn vastauksessa ratkeaa hauissa, joita asiakkaasi ei koskaan kirjoittanut eikä näe. Sijoitus pääavainsanalla ei siksi enää yksin kerro, löytääkö asiakas sinut. Tämä on yksi syy, miksi tekoälynäkyvyys vaatii omaa ajatteluaan, vaikka tekoälyoptimointi (GEO) rakentuu samalle pohjalle kuin hakukoneoptimointi.
Käyn tässä artikkelissa läpi, miten tekoäly pilkkoo kysymyksen, mitä tuore data kertoo alikyselyistä ja mitä sisällöntuotannossa kannattaa tehdä toisin. Kantani on selvä: query fan-out ei tee avainsanatutkimuksesta turhaa eikä vaadi sivua jokaiselle alikyselylle. Se palkitsee sivustot, jotka kattavat aiheen ja sen sivupolut selkeinä, yksinäänkin lainattavina osioina.
Mitä query fan-out tarkoittaa käytännössä?
Käytännössä query fan-out tarkoittaa, että tekoäly ei hae vastausta sinun kysymykselläsi vaan joukolla omia, lyhyempiä hakuja. Jokainen haku kattaa yhden kysymyksen osan tai sivupolun. Tekoäly lukee tulokset, valitsee niistä sopivimmat tekstinkohdat ja kirjoittaa niiden pohjalta yhden vastauksen, jonka lähteiksi nousee osa löydetyistä sivuista.
Kuvitellaan, että yrittäjä kysyy tekoälyltä: ”Kannattaako pienen yrityksen ostaa hakukoneoptimointia vai tehdä se itse?” Tekoäly voisi haarauttaa kysymyksen esimerkiksi näihin hakuihin:
- hakukoneoptimoinnin hinta pienelle yritykselle
- SEO-työkalut aloittelijalle
- kuinka nopeasti hakukoneoptimoinnin tulokset näkyvät
- SEO-freelancer vai toimisto
- yleisimmät virheet omassa hakukoneoptimoinnissa
- hakukoneoptimointi itse 2026
Lista on havainnollistus, ei todellinen loki. Se näyttää kuitenkin olennaisen: yksikään haku ei ole sama kuin käyttäjän kysymys, ja osa niistä koskee asioita, joita käyttäjä ei edes kysynyt.
Havainnollistava esimerkki
Yksi kysymys haarautuu kuudeksi alikyselyksi
Tekoäly hakee käyttäjän puolesta näillä hauilla:
Termi levisi alan sanastoon keväällä 2025, kun Google esitteli AI Moden ja kertoi sen perustuvan query fan-out -tekniikkaan. AI Mode tuli ensin maaliskuussa Labs-kokeiluksi, ja toukokuussa I/O-konferenssissa se avattiin kaikille yhdysvaltalaisille käyttäjille. Miten tekoälyhaut ovat jo muuttaneet hakukoneoptimointia, olen käynyt läpi datan valossa artikkelissa onko hakukoneoptimointi kuollut.
Periaate ei kuitenkaan ole Googlen yksinoikeus. OpenAI kuvaa ChatGPT-haun kirjoittavan kysymyksen uudelleen yhdeksi tai useammaksi kohdennetuksi hauksi, ja Perplexityn Pro Search pilkkoo kysymyksen pienempiin vaiheisiin. Riippumatonta näyttöä tuo Max Planck -instituutin, Ruhrin yliopiston, Microsoftin ja muiden tutkijoiden tutkimus todellisista käyttäjäkeskusteluista: ChatGPT, Grok ja DeepSeek tekevät rinnakkaisia fan-out-hakuja, Claude puolestaan yhden haun kerrallaan peräkkäin. Tutkimus on syyskuulta 2026, eikä sitä ole vielä vertaisarvioitu.
Samasta tutkimuksesta löytyy havainto, joka tekee mekanismista konkreettisen. Lähes 80 % käyttäjien kehotteista oli yli 20 sanan mittaisia, mutta tekoälyn omat hakulauseet jäivät alle 10–15 sanan. Tekoäly siis kääntää pitkän keskustelun lyhyiksi, hakukonemaisiksi hauiksi.
Miten tekoälyhaku pilkkoo kysymyksen alikyselyiksi?
Tekoälyhaku tulkitsee ensin, mitä käyttäjä oikeasti haluaa tietää, ja muodostaa kysymyksestä joukon alikyselyjä. Ne haetaan rinnakkain, tulokset pisteytetään ja yhdistetään, ja kielimalli kirjoittaa vastauksen niiden tekstinkohtien pohjalta, jotka tukevat sitä suorimmin. Jokainen alusta toteuttaa vaiheet omalla tavallaan, eikä yksikään ole julkaissut tarkkaa reseptiään.
Näin tekoälyhaku muuttaa kysymyksen vastaukseksi
Millaisia alikyselyjä tekoäly muodostaa?
Tunnetuimman jaottelun on tehnyt iPullRankin perustaja Mike King, joka on eritellyt Googlen patenttien pohjalta seitsemän alikyselytyyppiä. Esimerkit ovat omiani:
- Liittyvät kyselyt käsittelevät lähiaihetta: ”sisältömarkkinointi pienyritykselle”.
- Implisiittiset kyselyt hakevat tietoa, jota käyttäjä ei pyytänyt mutta tarvitsee: ”hakukoneoptimoinnin hinta”.
- Vertailevat kyselyt asettavat vaihtoehdot rinnakkain: ”SEO-toimisto vai freelancer”.
- Aiemmat kyselyt tuovat mukaan saman keskustelun aiemmat kysymykset ja tarkentavat niillä uutta hakua.
- Personoidut kyselyt hyödyntävät käyttäjän kontekstia, kuten sijaintia: ”hakukoneoptimointi Tampere”.
- Uudelleenmuotoilut kysyvät saman asian toisin sanoin: ”kannattaako SEO ulkoistaa”.
- Entiteettejä laajentavat kyselyt tarttuvat nimettyihin asioihin, kuten tuotteisiin tai palveluihin: ”Search Console aloittelijalle”.
Jaottelu perustuu patenttianalyysiin. Patentti kertoo, mitä yritys on keksinyt, ei sitä, mitä tuotteessa on käytössä, eikä Google ole itse listannut tyyppejä. Ajattelun työkaluna jaottelu on silti erinomainen, koska se näyttää, mihin suuntiin yksi kysymys voi haarautua.
Yksi havainto puuttuu listasta: ajankohtaisuus. Seerin Gemini 3 -mittauksessa 21,3 % alikyselyistä sisälsi vuosiluvun ja 26,4 % brändinimen. Tekoäly siis hakee usein tuoretta tietoa ja nimettyjä toimijoita, vaikka käyttäjä ei mainitsisi kumpaakaan.
Miten tulokset yhdistetään yhdeksi vastaukseksi?
Tekoälyhaut poimivat tyypillisesti kappaleita eivätkä kokonaisia sivuja. Taustalla on hakuun perustuva generointi (retrieval-augmented generation, RAG): kielimalli hakee ensin tietoa ja kirjoittaa vastauksen sen varaan. Kun hakuja on monta, niiden tuloslistat pitää yhdistää. Yksi tunnettu tapa on reciprocal rank fusion (RRF), menetelmä, joka yhdistää useiden hakujen tuloslistat yhdeksi pisteyttämällä jokaisen dokumentin sen sijoitusten mukaan.
Mike Kingin analyysin mukaan lähteeksi valitaan kappale sen perusteella, miten suoraan se tukee vastausta, ei sivun sijoituksen perusteella. Hakukoneoptimoinnin kannalta tämä on koko mekanismin tärkein yksityiskohta. Kilpailet siis kappaleillasi, et pelkällä sivullasi.
Miksi alustat tekevät näin? Koska se toimii. ACL 2025 -konferenssissa julkaistussa vertaisarvioidussa tutkimuksessa kysymyksen pilkkominen alikysymyksiksi paransi hakutulosten osuvuutta 36,7 % ja vastausten tarkkuutta 11,6 % tavalliseen RAG:iin verrattuna, kun kysymys vaati tietoa useasta lähteestä.
Miksi sama kysymys tuottaa eri alikyselyt?
Alikyselyt ovat todennäköisyyspohjaisia: ne vaihtelevat ajosta, käyttäjästä ja keskusteluhistoriasta toiseen. Seer Interactive ajoi 100 kehotetta 13 kertaa Gemini 3 -mallilla. Yksilöllisiä alikyselyjä kertyi 11 029, ja vain 8 alikyselyä 11 029:stä toistui kaikissa ajoissa. Surferin mittauksessa noin 27 % alikyselyistä pysyi samana toistokerrasta toiseen.
Myös alikyselyjen määrä riippuu alustasta. Googlen Gemini-mallilla tehdyissä mittauksissa niitä on ollut keskimäärin noin 9–11 kehotetta kohden (Seer, Nectiv), ChatGPT:llä tyypillisesti 2–3 (Max Planck -instituutti ym., Peec AI). Gemini-mittaukset on tehty mallin rajapinnalla, ei AI Modessa itsessään. Google, OpenAI ja Perplexity eivät ole julkaisseet virallista lukua.
Gemini tekee alikyselyjä moninkertaisesti ChatGPT:hen verrattuna
Alikyselyjä tai hakuja keskimäärin yhtä kehotetta kohden eri mittauksissa
Google Gemini 3 (rajapinta)
ChatGPT
Tämä vaihtelu on käytännön ohjeiden kannalta ratkaisevaa, ja palaan siihen sisällöntuotannon osiossa.
Miksi query fan-out muuttaa tekoälynäkyvyyttä?
Query fan-out muuttaa tekoälynäkyvyyttä, koska lähteet valitaan alikyselyjen tuloksista eikä vain pääkyselyn kärjestä. Sivu voi päätyä tekoälyn vastaukseen, vaikka se ei sijoitu pääkyselyllä lainkaan, ja kärkisijoitus ei takaa mainintaa. Näkyvyys siirtyy sivutasolta kappaletasolle: lainatuksi tulee osio, joka vastaa johonkin alikyselyyn täsmällisesti.
Useissa tuoreissa mittauksissa selvä enemmistö AI Overviewsin lähteistä ei sijoitu pääkyselyn top 10:een. Ahrefsin suurimmassa ja tuoreimmassa aineistossa (863 000 avainsanaa, maaliskuu 2026) enää 38 % AI Overviewsin lähteistä sijoittui top 10:een, kun heinäkuussa 2025 osuus oli 76 %. Menetelmä muuttui mittausten välillä, ja Ahrefs esittää fan-outin todennäköisenä selityksenä, ei todistettuna syynä. AI Modessa ero näyttää vielä suuremmalta: Mozin mittauksessa vain noin 12 % lähde-URLeista löytyi saman kyselyn orgaanisesta top 10:stä.
Miksi et näe alikyselyjä avainsanatyökalussasi? Koska useimmilla niistä ei ole hakuvolyymia. Seerin mittauksissa 95–99 %:lla alikyselyistä ei ollut hakuvolyymia, koska ne ovat koneen kirjoittamia hakuja, joita ihmiset eivät kirjoita. Search Console puolestaan raportoi käyttäjän kyselyn, ei tekoälyn taustalla tekemiä alikyselyjä. Tämä kannattaa pitää mielessä, kun mietit, mitä hakukoneoptimoinnissa kannattaa mitata.
Lähintä näyttöä alikyselyjen merkityksestä tarjoaa Surferin joulukuussa 2025 julkaisema tutkimus, jossa analysoitiin 10 000 avainsanaa. Niistä lainatuista sivuista, jotka sijoittuivat top 10:een, puolet sijoittui sekä pääkyselyyn että vähintään yhteen alikyselyyn (51,2 %), pelkkään pääkyselyyn vain viidennes (19,6 %). Suurin osa kaikista lähteistä (67,8 %) ei tosin sijoittunut top 10:een millään kyselyllä.
Kyse on korrelaatiosta, ei syy-yhteydestä, ja Surfer muistuttaa siitä itse. Ahrefsin aiempi testi vuodelta 2025 ei myöskään tukenut oletusta, että top 10:n ulkopuolelta lainatut sivut vastaisivat alikyselyihin muita paremmin. Suunta on mielestäni selvä: alikyselyjen kattaminen on yhteydessä siihen, että sivu päätyy lähteeksi. Mutta lupaus ”sijoitu alikyselyihin, niin pääset lähteeksi” on vahvempi kuin data kantaa.
Mitä tämä tarkoittaa suomenkieliselle sisällölle?
ChatGPT:n alikyselyistä merkittävä osa tehdään englanniksi myös silloin, kun kysymys esitetään muulla kielellä. Peec AI:n yli 10 miljoonan kehotteen aineistossa 43 % ei-englanninkielisten kehotteiden alikyselyistä tehtiin englanniksi, ja noin 78 %:ssa istunnoista oli vähintään yksi englanninkielinen alihaku. Suomea ei tutkimuksessa eritelty.
Suomenkielinen sisältö kilpailee siis ChatGPT:ssä osin englanninkielisen sisällön kanssa. Se on uhka, koska kattava kansainvälinen opas voi syrjäyttää suomalaisen. Se on myös peruste kirjoittaa suomeksi juuri niistä asioista, joista englanninkielinen sisältö ei kerro paikallista totuutta: hinnoista, lainsäädännöstä ja suomalaisista palveluista.
Googlen AI Moden ja AI Overviewsin osalta kysymys on vielä auki. Julkista dataa siitä, millä kielellä ne tekevät alikyselyjä suomenkielisistä kehotteista, ei ole, joten ChatGPT:n lukuja ei pidä yleistää Googleen.
Ovatko fan-out-kyselyt samaa kuin pitkän hännän avainsanat?
Ei. Pitkän hännän avainsanat ovat ihmisten kirjoittamia, tarkkoja hakuja, joilla on pieni mutta mitattava hakuvolyymi. Fan-out-kyselyt ovat tekoälyn muotoilemia, käyttäjälle näkymättömiä ja vaihtuvat ajosta toiseen.
Fan-out-kyselyt ja pitkän hännän avainsanat eroavat viidellä tavalla
| Ominaisuus | Pitkän hännän avainsanat | Fan-out-kyselyt |
|---|---|---|
| Kuka muotoilee | Ihminen | Tekoäly käyttäjän puolesta |
| Näkyykö kysely | Kyllä, avainsanatyökaluissa ja Search Consolessa | Ei, paitsi simuloimalla |
| Hakuvolyymi | Pieni mutta mitattava | Useimmilla ei lainkaan (95–99 % ilman volyymia) |
| Pysyvyys | Melko vakaa | Vaihtelee ajosta ja käyttäjästä toiseen |
| Mitä optimoidaan | Sivu yhdelle tarkalle haulle | Osiot, jotka kattavat aiheen sivupolut |
Avainsanatutkimus ei vanhene. Se kertoo yhä, mitä ihmiset kysyvät ja millä sanoilla, ja juuri niistä kysymyksistä tekoälykin lähtee liikkeelle. Query fan-out lisää kerroksen päälle: mitä tekoäly hakee heidän puolestaan. Siksi avainsanatutkimus on edelleen pohja, ja siksi GEO rakentuu hakukoneoptimoinnin päälle eikä korvaa sitä.
Miten sisällöntuotantoa pitää muuttaa query fan-outin takia?
Query fan-outin takia sisältöä kannattaa suunnitella aiheittain eikä yksittäisten avainsanojen mukaan. Kattava sivu, jonka osiot vastaavat aiheen todennäköisiin sivupolkuihin selkeästi ja yksinäänkin ymmärrettävästi, palvelee sekä hakukonetta että tekoälyhakua. Yksittäisten alikyselyjen jahtaaminen omilla sivuillaan ei palvele kumpaakaan.
Sivu per alikysely vai aihekokonaisuus?
Oma sivu jokaiselle alikyselylle
/seo-hinta-pienyritys /seo-tulokset-kesto /seo-freelancer-vai-toimisto /seo-virheet-itse /seo-itse-2026Ohutta, toistuvaa sisältöä. Sivut kilpailevat keskenään (kannibalisaatio), ja alikyselyt vaihtuvat seuraavassa ajossa.
Aihekokonaisuus: pääsivu ja tukisivut
sisäiset linkit
Jokainen osio vastaa yksinäänkin johonkin todennäköiseen alikyselyyn.
Suunnittele aihe, älä yksittäistä avainsanaa
Kartoita ennen kirjoittamista, mihin suuntiin pääkysymys haarautuu: vertailut, hinnat, kesto, rajoitteet, vaihtoehdot ja tilanteet, joissa ratkaisu ei sovi. Päätä sitten, mitkä sivupolut katetaan samalla sivulla ja mitkä ansaitsevat oman, toisiinsa linkitetyn sivun.
Tuloksena on aihekokonaisuus eli aiheklusteri: pääsivu ja sitä tukevat sivut, joita sisäinen linkitys sitoo yhteen. Miten kokonaisuus rakennetaan osaksi laajempaa sisältöstrategiaa, on oma aiheensa.
Kirjoita osioita, jotka toimivat yksinäänkin
Koska tekoäly lainaa kappaleita, jokaisen osion pitää olla ymmärrettävä ilman muuta sivua. Käytännössä se tarkoittaa neljää asiaa:
- Väliotsikko on kysymys tai selkeä väite, joka vastaa todennäköiseen alikyselyyn.
- Vastaus tulee heti otsikon alla, ensimmäisessä kappaleessa.
- Termit avataan samassa osiossa, jossa niitä käytetään.
- Viittaukset kuten ”kuten edellä mainittiin” jäävät pois, koska tekoäly ei lue ”edellä mainittua”.
Vertailut ja vaihtoehdot kannattaa koota taulukoiksi tai listoiksi. Niistä sekä lukija että kone poimii tiedon nopeasti.
Vastaa myös kysymyksiin, joita lukija ei esitä
Implisiittiset alikyselyt ovat se osa fan-outia, jonka sisällöntuottaja voi parhaiten ennakoida. Kun joku kysyy, kannattaako jokin ratkaisu, tekoäly hakee lähes varmasti myös hintaa, kestoa, riskejä, vertailua vaihtoehtoon ja tietoa siitä, kenelle ratkaisu ei sovi.
Havainnollistetaan tätä kuvitellulla esimerkillä. Palvelusivun osio ”Mitä hakukoneoptimointi on?” kertoo määritelmän ja luettelee toimenpiteitä. Kun samaan osioon lisätään kappale siitä, kuinka nopeasti tuloksia voi odottaa, mistä hinta muodostuu ja milloin hakukoneoptimointi ei ole oikea ratkaisu, sivu ei kasva paljon. Se vastaa kuitenkin neljään alikyselyyn yhden sijaan.
Päivitä ennen kuin kirjoitat uutta
Olemassa olevan, jo luotetun sivun laajentaminen kattamaan aiheen sivupolut on usein tehokkaampaa kuin uuden, ohuen sivun julkaiseminen. Vanhalla sivulla on valmiiksi sijoituksia, linkkejä ja historiaa, joiden varaan uudet osiot rakentuvat.
Tässä query fan-out ja perinteinen hakukoneoptimointi kulkevat samaan suuntaan. Kumpikin palkitsee syvällisen, omaperäisen sisällön enemmän kuin sisällön määrän.
Älä tee sivua jokaiselle alikyselylle
Tämä on kohta, jossa moni lähtee väärään suuntaan. Fan-out-generaattorien tuottamat alikyselylistat näyttävät avainsanalistoilta, mutta ne ovat suuntaa antavia otoksia yhdestä ajosta. Kun Seerin aineistossa vain 8 alikyselyä 11 029:stä toistui kaikissa ajoissa, yksittäinen alikysely on huono optimointikohde. Toistuvat teemat ovat hyvä kohde.
Sivu per alikysely tuottaa ohutta, toistuvaa sisältöä ja sivuja, jotka kilpailevat keskenään samoista hauista (kannibalisaatio). Se on mielestäni avainsanatäytön uusi versio: sama virhe, uusi työkalu.
Alikyselyjä voi silti simuloida, ja se on hyödyllistä. Siihen sopivat esimerkiksi iPullRankin Qforia, jota iPullRank itse kutsuu varhaisen vaiheen työkaluksi, tai pyyntö tekoälylle näyttää, millä hauilla se vastauksensa muodosti. Käytä tuloksia aiheen kattavuuden tarkistamiseen, älä tehtävälistana.
Entä schema? Näkyminen tekoälyominaisuuksissa ei vaadi erityistä schema-merkintää, mutta strukturoitu data auttaa koneita tulkitsemaan sisältöäsi.
Usein kysyttyä query fan-outista
Käyttää. Query fan out (myös muodossa query fan-out) on yleinen tekoälyhakujen periaate: ChatGPT-haku kirjoittaa kysymyksen uudelleen yhdeksi tai useammaksi kohdennetuksi hauksi, ja Perplexityn Pro Search pilkkoo kysymyksen pienempiin vaiheisiin. Riippumaton tutkimus todellisista käyttäjäkeskusteluista vahvistaa, että ChatGPT, Grok ja DeepSeek tekevät rinnakkaisia fan-out-hakuja.
Määrä riippuu alustasta. Googlen Gemini-mallilla tehdyissä mittauksissa alikyselyjä on ollut keskimäärin noin 9–11 kehotetta kohden, ChatGPT:llä tyypillisesti 2–3, eikä yksikään alusta ole julkaissut virallista lukua. Deep research -tilat ovat oma lukunsa: ne tekevät kymmeniä tai jopa satoja hakuja yhtä raporttia varten.
Eivät erikseen. Search Console raportoi käyttäjän kyselyn, ei tekoälyn taustalla tekemiä alikyselyjä. Alikyselyistä saa käsityksen vain simuloimalla niitä työkaluilla tai pyytämällä tekoälyä näyttämään hakunsa.
Näkyminen tekoälyominaisuuksissa ei vaadi erityistä schema-merkintää. Strukturoitu data auttaa silti koneita tulkitsemaan, mistä sivulla on kyse. Ratkaisevampaa on, että sisällön osiot vastaavat alikyselyihin selkeästi.
Ei. Alikyselyt vaihtelevat ajosta toiseen niin paljon, että yksittäinen alikysely on huono optimointikohde, ja sivu per alikysely johtaa ohueen ja päällekkäiseen sisältöön. Kata toistuvat teemat yhdellä laajalla sivulla ja linkitä toisiinsa ne sivut, jotka ansaitsevat oman osoitteensa.
Kirjoita aiheelle, älä alikyselylle
Query fan-out ei kumoa hakukoneoptimoinnin perusteita. Se tekee niistä vaativampia. Tekoäly lukee sivusi kappale kerrallaan ja kysyy jokaiselta, vastaako se johonkin hakuun, jota käyttäjäsi ei koskaan kirjoittanut.
Kattava, hyvin jäsennelty sisältö on se, joka päätyy sekä hakutuloksiin että tekoälyn vastauksiin. Siksi sama työ palvelee kumpaakin kanavaa, ja siksi se on edelleen kannattavin tapa kasvattaa löydettävyyttä.
Jos haluat nähdä, miten query fan-out asettuu laajempaan kokonaisuuteen, lue, mitä tekoälyoptimointi (GEO) on. Ja jos pohdit, miten oman sivustosi tekoälynäkyvyys rakentuu, keskustellaan mielelläni.
Älä siis jahtaa alikyselyjä. Ole se sivu, jolta tekoäly löytää vastauksen, kysyi se mitä tahansa.
