Skip to main content
El nodo Query Fanout Estimator predice cómo es probable que los motores de respuesta (como ChatGPT, Claude, Gemini o Perplexity) amplíen un único prompt de usuario en varias consultas de búsqueda web. Estas búsquedas ampliadas, llamadas query fanouts, son las que realmente impulsan la recuperación de información y las citas en las respuestas generadas por IA. Este nodo te ayuda a entender la capa de búsqueda que hay detrás de la respuesta: qué consultas podría ejecutar un motor de respuesta, qué facetas de la intención explorará y dónde necesita cobertura tu contenido para ser citado con más frecuencia.
Consulta Primeros pasos con Agents para aprender a añadir este nodo a un Agent.

​
Cuándo usar este nodo

Usa Query Fanout Estimator cuando quieras:
  • Ver cómo es probable que un prompt de usuario específico se descomponga en varias búsquedas web
  • Identificar las consultas de alta intención más importantes para un prompt determinado
  • Planificar contenido que cubra todo el espacio de fanout detrás de los prompts importantes
  • Pasar las consultas de fanout probables a nodos de datos de AEO, briefs de contenido o flujos de trabajo de clustering de palabras clave
  • Modelar cómo los motores de respuesta traducen los prompts en comportamiento de recuperación para tu estrategia de AEO

​
Configuración del nodo

Al seleccionar el nodo Query Fanout Estimator se abre su panel de configuración en el lado derecho del creador de Agents.

​
Target Prompt (obligatorio)

El prompt de usuario para el que debe optimizarse tu contenido, por ejemplo:
  • “¿Cómo funcionan las jerarquías de palabras clave en la búsqueda con IA?”
  • “Mejores herramientas para monitorizar las citas de IA de mi marca”
  • “¿Cómo afecta el query fan-out a la estrategia de SEO?”
El nodo estimará qué consultas de búsqueda web es probable que ejecute un motor de respuesta al responder a este prompt.

​
Output Label (obligatorio)

Un nombre descriptivo para el resultado del nodo, por ejemplo:
  • query_fanout_estimate
  • predicted_fanout_queries
Usarás esta etiqueta para hacer referencia a los datos de fanout en los pasos posteriores (por ejemplo, briefs de contenido, pasos de investigación o informes).

​
Cómo funciona el nodo internamente

Este nodo ejecuta un pipeline de dos pasos:

​
1. Obtener ejemplos reales de query fanout

Profound mantiene una base de conocimiento de query fanouts históricos: pares reales de prompts de usuario y consultas de búsqueda web que los motores de respuesta ejecutaron realmente de forma interna (el conjunto de “fanout”). A partir de tu Target Prompt, el nodo:
  1. Realiza una búsqueda semántica en este conjunto de datos de fanout
  2. Obtiene los ejemplos de prompt y fanout más similares
  3. Pasa esos ejemplos como demostraciones en contexto
Estos ejemplos no se limitan al mismo tema; ilustran cómo los motores de respuesta, en general, amplían los prompts en varias búsquedas.

​
2. Estimar el fanout de tu prompt con un LLM

A continuación, el nodo usa un modelo configurado específicamente para “pensar como” la capa de recuperación de un motor de respuesta:
  • Recibe:
    • Tu Target Prompt
    • Un conjunto de ejemplos históricos de prompt + fanout de la base de conocimiento de Profound
  • Tiene instrucciones para:
    • Inferir cómo un motor de respuesta dividiría tu prompt en varias consultas de búsqueda web
    • Generar consultas de búsqueda realistas, de alta intención y semánticamente diversas
    • Centrarse en subconsultas que recuperarían fuentes relevantes (no solo variantes de redacción)
    • Captar distintas facetas de la intención original (definiciones, comparaciones, pasos prácticos, evaluación, etc.) (Profound)
El modelo devuelve una lista de consultas de búsqueda web previstas: tu query fanout estimado.

​
Resultado

El nodo devuelve un resultado de texto estructurado que contiene las consultas de búsqueda que probablemente generarían los motores de respuesta a partir de tu prompt. Por ejemplo:
Puedes convertir este texto en una lista en los pasos posteriores o pasarlo directamente a otros nodos.

​
Flujo de trabajo de ejemplo: planificación de contenido basada en fanout

Objetivo: crear un plan de contenido que cubra todo el conjunto de consultas que un motor de respuesta podría ejecutar para un prompt crítico. Pasos:
  1. Query Fanout Estimator
    • Entrada: Target Prompt (por ejemplo, “¿Cómo eligen las citas las respuestas generadas por IA?”)
    • Resultado: consultas de fanout previstas
  2. Investigación e insights
  3. Crea el brief de contenido
    • Pasa las consultas de fanout + la investigación al nodo Create Content Brief
    • Asegúrate de que el brief exija cubrir cada subconsulta de alta intención
  4. Genera el artículo
    • Usa el brief con Generate Article para crear un artículo que aborde explícitamente el prompt principal y sus fanouts
  5. Puntúa el artículo final
    • Usa AEO Content Scorecard para comprobar si el artículo cubre una parte suficiente del espacio de fanout que implica el prompt
Este flujo de trabajo garantiza que tu contenido no esté optimizado solo para una única formulación, sino para el conjunto completo de búsquedas que es probable que los motores de respuesta ejecuten detrás de ese prompt.

​
Prácticas recomendadas

  • Usa prompts en lenguaje natural que reflejen preguntas reales de los usuarios; así el fanout será más realista.
  • Guarda el resultado del fanout en una etiqueta reutilizable (por ejemplo, query_fanout_estimate) para que pueda alimentar varios pasos posteriores.
  • Combina este nodo con los nodos de datos de AEO de Profound para ver con qué frecuencia aparece tu sitio en las consultas de fanout previstas.
  • Usa los resultados del fanout para diseñar preguntas frecuentes, encabezados y una estructura de secciones que se correspondan directamente con las subconsultas probables que interesan a los motores de respuesta.