ביקשתי מ-ChatGPT להמליץ לי על מסך מחשב טוב לגיימינג במחיר שפוי, שאלה אחת בעברית, משפט אחד. מאחורי הקלעים הוא לא חיפש את המשפט הזה. הוא פירק אותו להרבה חיפושים נפרדים שרצו כמעט במקביל, ומהתוצאות שלהם הרכיב תשובה אחת. זה query fan-out (מניפת שאילתות), ואם אתם עובדים על נראות ב-AI, זה אחד הכלים שהכי כדאי לכם להכיר.
מה זה query fan-out ואיך הוא עובד?
במקום להריץ חיפוש אחד על מה שהקלדתם, המערכת מנתחת את הכוונה שלכם ומייצרת ממנה קבוצה של שאילתות משנה שרצות במקביל. גוגל מתארת את המנגנון בעצמה בפוסט הרשמי על AI Mode: הוא משתמש בטכניקת query fan-out שמפרקת את השאלה לתת-נושאים ומריצה עליהם הרבה חיפושים בו-זמנית. בניתוחים של פטנטים ומסמכים של גוגל מקשרים את זה למנגנון בשם Scatter-Gather, שבו שלב ה-Scatter מפזר את השאילתות ושלב ה-Gather אוסף ומרכיב אותן לתשובה.
הטווח רחב ותלוי בשאלה. שאילתה פשוטה יכולה להתפצל לשניים-שלושה חיפושים בלבד, שאלה טיפוסית מתפצלת לכמה עד כמה עשרות, ובמצבי Deep Search גוגל עצמה מדברת על עשרות עד מאות חיפושים לשאלה אחת, והכל בערך בזמן של חיפוש אחד רגיל.
בעברית תיתקלו בזה בכמה שמות: מניפת שאילתות, פיזור שאילתות, פיצול שאילתה, הרחבת שאילתה או התפצלות שאילתות. באנגלית תראו את זה כתוב גם query fanout או query fan out. אני נשאר עם query fan-out כי זה המונח המדויק, אבל כולם מתארים את אותו דבר.
על איזה מנוע חיפוש רצות השאילתות?
קל לפספס את זה, אבל החיפושים האלה לא רצים על אינדקס קסום של ה-AI, הם רצים על מנועי חיפוש רגילים. ChatGPT גם לא מוגבל ל-Bing: נכון ל-2026, מדווח ש-OpenAI מושכת גם תוצאות מגוגל דרך SerpApi, שירות צד שלישי שמגרד את ה-SERP, אחרי שגוגל סירבה לתת ל-OpenAI גישה ישירה לאינדקס.
המשמעות בשבילכם ישירה: תשובות ה-AI יושבות מעל תוצאות החיפוש של גוגל ו-Bing, וכנראה עוד מקורות שמשתנים מדי פעם, והדירוג האורגני שלכם שם עדיין מזין את הנראות ב-AI. אם המקור הוא ה-SERP, אז ה-SEO שלכם עדיין מזין את המערכת. GEO נבנה על SEO, הוא לא מחליף אותו.
AI בוחר פסקה, לא עמוד שלם
השליפה ב-AI עובדת ברמת המקטע (passage), לא ברמת העמוד השלם. הסיבה היא עלות: המניפה מריצה עשרות חיפושים, כל אחד מחזיר עשרות תוצאות, ואי אפשר למשוך ולהזין למודל את התוכן המלא של כל העמודים האלה. זה יותר מדי טוקנים, וזה לא נכנס לחלון הקונטקסט (context window) של המודל.
בגדול, התוכן מפורק למקטעים, וכל שאילתת משנה שולפת את המקטעים הקרובים אליה במשמעות, לא את העמוד שהכי מדורג על מילת מפתח. לכן פסקה אחת ממוקדת מאתר קטן יכולה לנצח מדריך ענק, אם היא עונה ישירות על שאילתת משנה מסוימת. סביר גם שמקטע שעונה על כמה שאילתות משנה בבת אחת, למשל גם על מחיר של דגם וגם על השוואה בינו לדגם אחר, יהיה שימושי יותר ממקטע שעונה רק על אחת.
למה מקום ראשון בגוגל לא תמיד מצוטט ב-AI?
כאן נמצא אחד הפערים הכי חשובים להבנה. גם אם אתם מדורגים ראשונים ומופיעים בתוצאות שהשאילתות מחזירות, זה לא מבטיח שהמקטע שלכם ייבחר לתשובה הסופית. ה-fan-out מכניס לתחרות הרבה יותר מקטעים ממה שהמודל בסוף מצטט, והסינתזה בוחרת רק חלק קטן מהם. דירוג אורגני טוב נותן לכם כרטיס כניסה לתחרות, הוא לא מבטיח ציטוט. לכן לא מספיק שאפשר יהיה לשלוף אתכם, צריך שהמקטע שלכם יהיה זה שנבחר בסוף.
איך נראית מניפת שאילתות בפועל?
כדי לא להישאר בתיאוריה, לקחתי פרומפט אחד בעברית, “תמליץ לי על מסך מחשב טוב למשחקים חדשים במחיר שפוי”, והסתכלתי מה ChatGPT באמת חיפש מאחורי הקלעים. מפרומפט אחד יצאה מניפה שלמה של חיפושים:
best value 27 inch 1440p 180Hz IPS gaming monitor 2026 official specs
site:ksp.co.il מסך גיימינג 27 1440p 180Hz IPS
site:ivory.co.il מסך גיימינג 27 1440p 180Hz IPS
Gigabyte GS27QA official specifications
Dell Alienware AW2725DM official specifications
AOC Q27G4XF official specifications
site:zap.co.il GS27QA AW2725DM Q27G4XF
site:ivory.co.il "Q27G4XF" מחיר
site:ksp.co.il "GS27QA" מחיר
site:ivory.co.il "AW2725DM" מחיר
site:ivory.co.il "XG27ACS" מחירבבדיקה הזאת בלטו כמה דברים: המניפה יצאה דו-לשונית, עם מפרטים ודגמים באנגלית לצד חיפושים בעברית; המודל פנה ישירות לאתרים ישראליים שהוא כבר מכיר בתחום דרך site:; והוא שלף דגמים מהידע שלו ואז רץ לבדוק להם מחיר בזמן אמת. בפועל זה עבד בשני שלבים, קודם מחקר רחב לזיהוי מועמדים ואז חיפושי מחיר ממוקדים.
חשוב לזכור מה הבדיקה הזאת לא מוכיחה. זו ריצה אחת, בקטגוריה אחת, ברגע אחד, והיא לא מייצגת את כל ChatGPT ולא כל שאלה תיתן מניפה כזאת. מה שהיא כן מראה זה איך מניפה אמיתית נראית, ולמה כדאי לדגום הרבה מהן במקום להסתמך על ריצה בודדת.
מניפת שאילתות היא מחקר מילות המפתח של עידן ה-AI
יש כאן כלי שכדאי מאוד להכיר. פעם, מחקר מילות מפתח היה הבסיס של כל עבודת SEO: בודקים מה אנשים מחפשים, ובונים תוכן שעונה בדיוק על זה. מניפת השאילתות היא ההקבלה לזה בעידן ה-AI.
במקום לנחש מה המשתמש יקליד, אתם רואים בדיוק על מה ה-AI מחפש כשמישהו שואל על התחום שלכם, ואילו שאילתות משנה, אתרים ו-entities (ישויות, כלומר המותגים, המוצרים והמושגים שהמודל מזהה בתחום) הוא מרכיב לתשובה. זו רשימת היעדים שכדאי לכם לכסות, ישר מהמערכת.
ומעניין לשים לב להיפוך שקרה כאן. היום אנחנו מחפשים בשפה טבעית, בפרומפטים שלמים כמו שאנחנו מדברים, וה-AI הוא זה שמפרק אותם לחיפושים קצרים עם מילות מפתח ואופרטורים כמו site:, בדיוק כמו שאנחנו חיפשנו פעם, לפני שה-AI עשה את זה בשבילנו. ה-AI ירש את מלאכת החיפוש הישנה, ומחקר מילות המפתח פשוט עבר לצד השני.
איך בודקים את ה-fan-out של האתר שלכם?
הדבר הכי שימושי ש-fan-out נותן לכם הוא רשימת השאילתות עצמן. הן אומרות לכם בדיוק על מה ה-AI מחפש כשמישהו שואל על התחום שלכם, ומהן נגזר מה כדאי לכם לכסות.
אבל יש כאן מלכוד שחשוב להכיר: השאילתות האלה לא דטרמיניסטיות. אותו פרומפט, מורץ פעמיים, יכול להחזיר מניפות שונות. יש בזה אקראיות של המודל, השפעה של פרסונליזציה, של זמן, ושל גרסת מודל שמתעדכנת, ומדגם אחד פשוט לא מספיק כדי להסיק ממנו מסקנות.
לכן העבודה היא לעקוב ולדגום, והרבה. מריצים את הפרומפטים החשובים לכם שוב ושוב, אוספים את השאילתות מכל ריצה, ומסתכלים על התמונה המצטברת: אילו שאילתות משנה חוזרות, אילו אתרים מקבלים site:, ואילו entities צצים שוב ושוב.
מה שחוזר בעקביות הוא מה שיציב מספיק כדי לבנות עליו. גם אם ריצה בודדת מרעישה, המצרף יציב, והוא חושף את תת-הכוונות, את הישויות ואת המקורות שה-AI סומך עליהם בתחום שלכם. זו מפת עבודה שמבוססת על מה ש-AI באמת עושה, לא על ניחוש.
לא חייבים לעשות את הכול ידנית. אם יש לכם מנוי לכלי נראות ב-AI, הוא מנטר את הפרומפטים החשובים לכם לאורך זמן ואוסף את מניפות השאילתות באופן אוטומטי. ומי שאין לו מנוי, הרבה אנשי SEO פשוט מתקינים תוסף כרום שמקליט את מניפת השאילתות תוך כדי שהם מפעילים את ה-AI בעצמם, כלומר קורא את החיפושים האמיתיים שהמודל מריץ ברקע. יותר ידני, אבל אותו דאטה בלי מנוי.
בעצמי בניתי בשביל זה תוסף כרום ל-ChatGPT שעושה בדיוק את זה. פותחים אותו לצד ChatGPT, מריצים את הפרומפטים כרגיל, והוא מקליט את מניפת השאילתות, המקורות והציטוטים בזמן אמת, ושומר הכול מקומית אצלכם. חינם.
מכאן הבדיקה עצמה, על כל מניפת השאילתות ולא על שאילתה בודדת:
- מפרקים ודוגמים: מריצים את הפרומפטים המרכזיים כמה פעמים וקוראים את החיפושים שהמודל באמת הריץ, לא ניחוש שלהם.
- בודקים כיסוי ברמת המקטע: לכל שאילתת משנה חוזרת, יש לכם מקטע שעונה עליה ישירות? הוא שלֵיף? ואם לא אתם מצוטטים, מי כן?
- מסמנים פערים: איפה אין לכם מקטע, איפה המקטע חלש, ואיפה מתחרה מחזיק את התשובה.
- כותבים מקטעים שלֵיפים: כותרת בצורת שאלה, תשובה ישירה וקצרה, entity עקבי, כך שמערכת AI תוכל לשלוף את המקטע בלי לפענח את כל העמוד.
- מחזקים את המקורות שהמודל כבר מכיר: אם אתם אחד האתרים שהוא פונה אליהם עם site:, תדאגו שדפי המוצר, המחיר והמפרט שלכם נגישים, מובנים ועקביים.
ומה לא לעשות: לא לכתוב ארבעים עמודים סביב כל מילה נרדפת, לא להסיק מסקנות מריצה בודדת, ולא להתבלבל בין להופיע בתוצאות לבין להיות מצוטט. מניפת השאילתות היא אות לכיוון, לא רשימת מכולת לתוכן.
עיקרי הדברים
query fan-out הוא לא באזז, זו הדרך שבה AI Mode ו-ChatGPT כבר עובדים היום: פרומפט אחד, הרבה חיפושים במקביל, תשובה אחת מסונתזת. בשבילכם זה אומר שאתם מתחרים על עשרות שאילתות משנה, שהנראות נקבעת ברמת המקטע, ושהכל עדיין רץ על תוצאות של גוגל ו-Bing, כך שה-SEO שלכם לא הלך לשום מקום, הוא פשוט קיבל שכבה נוספת.
השאילתות עצמן הן האות הכי שימושי שיש לכם. הן משתנות מריצה לריצה, אז צריך לדגום אותן לאורך זמן, אבל המצרף מראה בדיוק על מה כדאי להתמקד. נראות אמיתית ב-AI מתחילה מ-SEO טכני טוב, מ-entity שהמודל מזהה, וממקטעים שעונים ישירות על השאלות שמאחורי השאלה. זה בדיוק החיבור בין SEO טכני ל-GEO.
