¿Cómo funciona Query Fanout en la IA? Guía completa

# Pseudocódigo simplificado de lo que sucede en segundo plano
import asyncio
async def query_fanout_search(main_query):
    """
    Búsqueda concurrente para todas las subconsultas
    """
    # Desglosamos la pregunta principal
    sub_queries = decompose_query(main_query)
    # Resultado: ["cámara vlogging principiante", "cámara para reseñas YT", ...]
    # Creamos tareas para cada subconsulta
    tasks = []
    for sub_query in sub_queries:
        tasks.append(search_google(sub_query))
        tasks.append(search_youtube_reviews(sub_query))
        tasks.append(search_forums(sub_query))
        tasks.append(search_prices(sub_query))
    # Ejecutamos todo simultáneamente (asyncio)
    all_results = await asyncio.gather(*tasks)
    return all_results

<strong class="font-semibold">[</strong>
<strong class="font-semibold">  {</strong>
<strong class="font-semibold">    "event": "search_query",</strong>
<strong class="font-semibold">    "query": "portátil para aprender a programar",</strong>
<strong class="font-semibold">    "timestamp": "2025-11-28T10:00:00Z"</strong>
<strong class="font-semibold">  },</strong>
<strong class="font-semibold">  {</strong>
<strong class="font-semibold">    "event": "impression",</strong>
<strong class="font-semibold">    "position": 3,</strong>
<strong class="font-semibold">    "context": "SERP"</strong>
<strong class="font-semibold">  },</strong>
<strong class="font-semibold">  {</strong>
<strong class="font-semibold">    "event": "click",</strong>
<strong class="font-semibold">    "target": "https://example.com/best-laptops"</strong>
<strong class="font-semibold">  },</strong>
<strong class="font-semibold">  {</strong>
<strong class="font-semibold">    "event": "page_view",</strong>
<strong class="font-semibold">    "url": "https://example.com/best-laptops"</strong>
<strong class="font-semibold">  }</strong>
<strong class="font-semibold">]</strong>
<mycode3>
Usuario busca: "portátil para aprender a programar"
→ Tu sitio aparece en la posición 3
→ El usuario hace clic en el enlace
→ Aterriza en tu página
</mycode3>

Ambos canales funcionan ahora en paralelo.
<strong class="font-semibold">¿Qué está cambiando en la tienda?</strong>
<strong class="font-semibold">1. La estructura del contenido del sitio web debe cambiar</strong>
<strong class="font-semibold">Enfoque antiguo (optimizado para SEO tradicional):</strong>
<mycode4>
Título: Portátil para programar
El mejor portátil para programar es aquel que tiene...
[dos páginas de texto denso]
</mycode4>
Esto funciona para el lector humano, pero el modo IA necesita más estructura.
<strong class="font-semibold">Nuevo enfoque (bajo query fanout):</strong>
<mycode5>
# Portátil para programar – Guía completa 2025
## ¿Qué necesitas saber antes de comprar un portátil para programar?
### 1. Procesador – ¿Intel o AMD?
AMD Ryzen 7 es más rápido para la compilación de código...
[pruebas específicas]
### 2. RAM – ¿cuánta necesitas?
- Para Python: 8-16 GB
- Para desarrollo web: 16 GB mínimo
- Para IA/ML: 32 GB
### 3. Disco SSD – ¿cuánto?
Mínimo: 512 GB
Recomendación: 1 TB
[Cada punto tiene una respuesta clara y autónoma]
## Comparación de modelos populares
| Modelo | Procesador | RAM | SSD | Precio | Valoración |
| --- | --- | --- | --- | --- | --- |
| Modelo A | Ryzen 7 | 16GB | 512GB | 945 EUR | 9.2 |
| Modelo B | i7-13 | 16GB | 1TB | 1065 EUR | 9.5 |
[Cada fila es un fragmento que la IA puede extraer]
## FAQ – preguntas frecuentes
P: ¿Es bueno un MacBook para programar?
R: Sí, pero...
P: ¿Cuánto cuesta un buen portátil para programar?
R: Desde 700 EUR...
[Cada par P/R es una subconsulta potencial]
## Opiniones de usuarios
"Compré este portátil, programo en Python y ahora estoy ganando..." (15 opiniones positivas)
</mycode5>
¿Ve la diferencia? La segunda estructura permite a la IA extraer fragmentos para cada subconsulta.
<strong class="font-semibold">2. Los datos estructurados (Schema Markup) son ahora una obligación</strong>
 es una forma de "decirle" a la IA qué significan exactamente los números y las palabras de su página.
Ejemplo:
<mycode6>
El portátil cuesta 1000 EUR
<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Portátil para programación Modelo X",
  "image": "https://example.com/laptop-x.jpg",
  "description": "Portátil de alto rendimiento para programar.",
  "brand": {
    "@type": "Brand",
    "name": "BrandName"
  },
  "offers": {
    "@type": "Offer",
    "price": "945",
    "priceCurrency": "EUR",
    "availability": "https://schema.org/InStock"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "ratingCount": "125"
  }
}
</script>
</mycode6>
De este modo, cuando AI busque "aptops para programar hasta 4.000 EUR", tu sitio web aparecerá en los resultados.
<strong class="font-semibold">3. La autoridad y las citas son más importantes que nunca</strong>
Las consultas favorecen a las fuentes que se citan varias veces en las respuestas de la IA. Si su sitio aparece en las respuestas a varias subconsultas, significa que es una autoridad.
<strong class="font-semibold">¿Cómo se crea autoridad?</strong>
<cta dark title="Compruebe si la IA puede ver su tienda" description="Realizar una auditoría gratuita" link="https://platform.semly.ai/register" linkText="Compruébalo ahora">
<strong class="font-semibold">Guía 1: Trazar el abanico de consultas para su producto</strong>
Supongamos que tienes una tienda de power banks.
<strong class="font-semibold">Paso 1: Seleccionar la consulta principal</strong>
"Mejor powerbank hasta 150 EUR"
<strong class="font-semibold">Paso 2: Ampliar con contexto</strong>
<strong class="font-semibold">Aplicación:</strong>
<strong class="font-semibold">Características</strong>:
<strong class="font-semibold">Perfil del usuario:</strong>
<strong class="font-semibold">Tipo de comparación:</strong>
<strong class="font-semibold">Paso 3: Generar subconsultas específicas</strong>
<mycode7>
USO:
- "power bank para iPhone"
- "power bank para portátil"
- "power bank para vacaciones – prueba"
- "power bank para trabajo de oficina"
CARACTERÍSTICAS:
- "cuántas veces carga el móvil una power bank"
- "power bank 20000 mAh vs 30000 mAh"
- "power bank carga rápida – cuántos vatios"
COMPARATIVAS:
- "power bank Xiaomi vs Samsung"
- "power bank barata vs cara – diferencia"
- "mejor power bank 2025 – ranking"
SOLUCIÓN DE PROBLEMAS:
- "la power bank no carga – qué hacer"
- "la power bank se descarga rápido"
- "la power bank se calienta"
</mycode7>
<strong class="font-semibold">Paso 4: Para cada subconsulta, prepare una sección en la página</strong>
<mycode8>
## ¿Cuántas veces cargará mi teléfono una power bank de 20000 mAh?
Depende de la capacidad de la batería de tu teléfono:
- iPhone 14 (3200 mAh): ~6 veces
- Samsung Galaxy S24 (4000 mAh): ~5 veces
- OnePlus 12 (5400 mAh): ~3.5 veces
- iPad Air (8600 mAh): ~2 veces
**¿Cómo se calcula?**
20000 mAh (power bank) / 4000 mAh (teléfono) = 5 cargas
(en la práctica menos debido a la pérdida de energía)
## ¿Cargará una power bank de 20000 mAh un portátil?
Sí, pero...
- Debe tener una salida USB-C Power Delivery
- Debe ser de al menos 65W
- Portátiles antiguos (con Micro USB) – no
Nuestro modelo: 100W, USB-C PD, carga un MacBook Air en 2.5 horas.
## Power bank para vacaciones – ¿cabrá?
- Dimensiones: 12 x 7 x 3 cm
- Peso: 420 g
- Cabe en una mochila, un neceser, o el bolsillo de un bolso grande
- Ideal para vacaciones (no ocupa espacio)
[etc.]
</mycode8>

<strong class="font-semibold">Guía 2: Redacción de contenidos para Query Fanout - plantilla</strong>
<strong class="font-semibold">Plantilla de encabezamiento (para cada aspecto)</strong>
<mycode9>
# [Producto] – Guía completa [Año]
## ¿Qué debes saber antes de comprar [producto]?
### 1. [Primer aspecto crítico]
- Definición para principiantes
- Por qué es importante
- Cómo comprobarlo en la práctica
### 2. [Segundo aspecto]
[igual que arriba]
### 3. [Tercer aspecto]
[igual que arriba]
## Comparativa de modelos populares
| Nombre | Espec1 | Espec2 | Precio | Opinión |
| --- | --- | --- | --- | --- |
| Modelo A | | | | |
## FAQ – preguntas frecuentes
P: [Pregunta que apareció en Google Trends]
R: [Respuesta específica]
## Opiniones de usuarios
"Historia del usuario, por qué lo compró, cuáles son sus experiencias"
</mycode9>

<strong class="font-semibold">Manual 3: Aplicación </strong><strong class="font-semibold">para el producto</strong>
<mycode10>
<!DOCTYPE html>
<html>
<head>
<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Batería externa 20000 mAh SuperCharge",
  "image": ["https://...1.jpg"],
  "description": "Batería externa por menos de 35 EUR con carga rápida",
  "brand": {
    "@type": "Brand",
    "name": "TechBrand"
  },
  "offers": {
    "@type": "Offer",
    "url": "https://...product",
    "priceCurrency": "EUR",
    "price": "29.99",
    "availability": "https://schema.org/InStock"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "ratingCount": "348",
    "bestRating": "5",
    "worstRating": "1"
  },
  "review": [
    {
      "@type": "Review",
      "author": {
        "@type": "Person",
        "name": "Usuario Juan"
      },
      "reviewRating": {
        "@type": "Rating",
        "ratingValue": "5"
      },
      "reviewBody": "Gran batería externa, muy recomendada"
    }
  ]
}
</script>
</head>
</html>
</mycode10>

<strong class="font-semibold">Como resultado, la IA sabe exactamente:</strong>
<strong class="font-semibold">Situación 1: El cliente busca una "comparación"</strong>
<frame tag="Pregunta del usuario:">"Bicicleta de grava o de carretera: ¿cuál elegir?"</frame>
Las subconsultas que genera la IA:
<strong class="font-semibold">Qué debe contener su sitio web para aparecer:</strong>
<strong class="font-semibold">Escenario 2: El cliente tiene un problema específico</strong>
<frame tag="Pregunta del usuario:"></frame>
<strong class="font-semibold">Subpreguntas:</strong>
<strong class="font-semibold">Qué debe contener su contenido:</strong>
<strong class="font-semibold">Escenario 3: El cliente compara marcas</strong>
<frame tag="Pregunta del usuario:">"Xiaomi o Samsung: el smartphone de 2025"</frame>
<strong class="font-semibold">Subpreguntas</strong>:
<strong class="font-semibold">Qué debe incluir:</strong>
<strong class="font-semibold">Código 1: Generación de subconsultas a partir de GPT-5 (python)</strong>
<mycode12>
import openai

def generate_sub_queries(main_query, num_queries=10):
    """
    Genera subconsultas para la pregunta principal
    """
    prompt = f"""
    Eres un experto en SEO y Optimización de Búsqueda con IA.
    El usuario ha hecho la siguiente pregunta:
    "{main_query}"
    Genera {num_queries} subconsultas relacionadas que el usuario 
    podría haber tenido en mente o que un Modo IA podría generar.
    Las subconsultas deben cubrir:
    - Definiciones y explicaciones
    - Comparativas y alternativas
    - Precios y disponibilidad
    - Opiniones y experiencias
    - Solución de problemas
    Devuelve solo la lista de subconsultas, una por línea.
    """

    response = openai.ChatCompletion.create(
        model="gpt-5",
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.7,
        max_tokens=1000
    )

    sub_queries = response.choices[0].message.content.strip().split('\n')
    return [q.strip() for q in sub_queries if q.strip()]

# Ejemplo de uso:
main_q = "¿Qué power bank elegir por menos de 50 EUR?"
subs = generate_sub_queries(main_q)

for i, sub in enumerate(subs, 1):
    print(f"{i}. {sub}")

# Resultado:
# 1. Cuántos mAh debe tener una power bank para móvil
# 2. Power bank 20000 mAh vs 30000 mAh – cuál es mejor
# 3. Mejores power banks por menos de 43 EUR 2025
# etc.
</mycode12>

<strong class="font-semibold">Código 2: Simulación de Query Fanout - búsqueda multicanal (python)</strong>
<mycode13>
import asyncio
from typing import List, Dict

class QueryFanoutSimulator:
    """
    Simula una operación de fan-out de consultas
    """
    def __init__(self):
        self.databases = {
            'products': self.search_products,
            'reviews': self.search_reviews,
            'forums': self.search_forums,
            'prices': self.search_prices,
            'youtube': self.search_youtube
        }

    async def execute_fanout(self, main_query: str, sub_queries: List[str]) -> Dict:
        """
        Ejecuta el fan-out de consultas para la pregunta principal
        """
        print(f"Consulta principal: {main_query}\n")
        print(f"Subconsultas generadas ({len(sub_queries)}):")
        for sq in sub_queries:
            print(f"  - {sq}")
        
        print("\n--- Búsqueda simultánea ---\n")
        
        # Para cada subconsulta, buscamos en todas las bases de datos simultáneamente
        tasks = []
        for sub_query in sub_queries:
            for db_name, search_func in self.databases.items():
                tasks.append(
                    self._search_with_metadata(db_name, search_func, sub_query)
                )
        
        # Ejecutar todo simultáneamente
        results = await asyncio.gather(*tasks)
        
        # Agregación de resultados
        aggregated = self._aggregate_results(results)
        return aggregated

    async def _search_with_metadata(self, source: str, search_func, query: str):
        """
        Búsqueda con metadatos (qué fuente, ranking)
        """
        results = await search_func(query)
        return {
            'source': source,
            'query': query,
            'results': results,
            'count': len(results)
        }

    async def search_products(self, query: str) -> List[Dict]:
        """Simulación de búsqueda de productos"""
        await asyncio.sleep(0.5)  # Simulación de retraso
        return [
            {'title': f'Producto A para "{query}"', 'rank': 1},
            {'title': f'Producto B para "{query}"', 'rank': 2}
        ]

    async def search_reviews(self, query: str) -> List[Dict]:
        """Simulación de búsqueda de reseñas"""
        await asyncio.sleep(0.3)
        return [
            {'title': f'Reseña: {query}', 'rank': 1, 'rating': 4.5}
        ]
</mycode13>

<strong class="font-semibold">Código 3: Extracción de pasajes (python)</strong>
<mycode14>
import re
from typing import List

def extract_passages_for_fanout(content: str, query: str) -> List[str]:
    """
    Extrae pasajes de contenido que responden a la subconsulta
    """
    # Dividiendo en párrafos
    paragraphs = content.split('\n\n')
    relevant_passages = []

    for para in paragraphs:
        # Buscando palabras clave de la consulta
        score = calculate_relevance(para, query)
        
        # ¡OJO! El umbral es 0.6, pero en tu ejemplo esperas resultados con 0.40.
        # Esto filtrará resultados relevantes si no coinciden muchas palabras.
        if score > 0.6:  # Umbral: 60% de relevancia
            # Limitando a 2-3 oraciones (fragmento)
            sentences = para.split('. ')
            passage = '. '.join(sentences[:3]) + '.'
            
            relevant_passages.append({
                'text': passage,
                'score': score,
                'length': len(passage)
            })
    
    # Ordenando por puntuación
    relevant_passages = sorted(
        relevant_passages,
        key=lambda x: x['score'],
        reverse=True
    )
    
    return relevant_passages[:5]  # Top 5 fragmentos

def calculate_relevance(text: str, query: str) -> float:
    """
    Calcula qué tan relevante es el texto para la consulta (0-1)
    """
    query_words = query.lower().split()
    text_lower = text.lower()
    
    # Expresión generadora para contar coincidencias
    # Nota: esto encuentra subcadenas (ej. "pan" en "pantalla")
    matches = sum(1 for word in query_words if word in text_lower)
    
    relevance = matches / len(query_words) if query_words else 0
    return min(relevance, 1.0)  # Máx 100%

# Ejemplo de uso:
content = """
Una power bank es un dispositivo que almacena energía y carga tu teléfono.

20000 mAh significa capacidad: cuantos más mAh, más veces carga el teléfono.

Una power bank para trabajo de oficina debe ser compacta y práctica.

Nuestro modelo pesa solo 300 gramos y cabe en un bolso.

La carga rápida es una función importante. Nuestro modelo soporta 65W.
"""

# Consulta traducida para que coincida con el texto
passages = extract_passages_for_fanout(content, "power bank para trabajo de oficina")

for i, p in enumerate(passages, 1):
    print(f"{i}. (puntuación: {p['score']:.2f})")
    print(f"   {p['text']}\n")

# Resultado esperado (si la lógica permitiera puntuaciones bajas):
# 1. (puntuación: 0.83)
#    Una power bank para trabajo de oficina debe ser compacta y práctica.
#
# 2. (puntuación: 0.00 - REALIDAD)
#    El código actual dará 0.00 para el segundo párrafo porque 
#    no comparte palabras clave exactas con la consulta, 
#    aunque semánticamente sea relevante.
</mycode14>

<cta dark title="Compruebe si la IA puede ver su tienda" description="Realizar una auditoría gratuita" link="https://platform.semly.ai/register" linkText="Compruébalo ahora">
<strong class="font-semibold">Error 1: Escribir sólo para humanos, no para IA</strong>
<strong class="font-semibold">El lado equivocado:</strong>
<mycode15>
¡La Power Bank más vendida de 2025! Nuestros productos garantizan satisfacción.
Compra ahora y ahorra 10 EUR. Envío gratis en pedidos superiores a 30 EUR...
</mycode15>

¿Por qué malo? AI Mode no lo sabe:
<strong class="font-semibold">Buen sitio:</strong>
<mycode16>
## ¿Qué es una power bank de 20000 mAh?
Una power bank es un dispositivo de carga con una capacidad de 20000 mAh.
### ¿Cuántas veces cargará un teléfono?
- iPhone 14: 6 veces
- Samsung S24: 5 veces
### Precio
40 EUR (oferta de 47 EUR)
### Opiniones
Valoración: 4.8/5 (348 opiniones)
</mycode16>

La IA puede extraer de ello: capacidad, aplicación, precio, retroalimentación.
<strong class="font-semibold">Error 2: Artículos inacabados</strong>
Muchas tiendas tienen artículos como "Artículo en preparación" o "Próximamente". Esto es invisible para el Modo IA: el artículo se ignora.
<strong class="font-semibold">Regla:</strong> Publique artículos completos. Si no tienes tiempo, muchos artículos cortos son mejores que uno largo inacabado.
<strong class="font-semibold">Error 3: Faltan datos estructurales</strong>
<mycode17>
Sin Schema:
Los auriculares cuestan 70 EUR
Con Schema:
<span itemscope itemtype="https://schema.org/Offer">
  <span itemprop="price">70</span>
  <span itemprop="priceCurrency">EUR</span>
</span>
</mycode17>
Sin Schema, la IA puede pensar que se trata del año o del número de modelo. Con Schema, sabe que se trata del precio.
<strong class="font-semibold">Error 4: Copiar a la competencia</strong>
Si todas las tiendas escriben de forma idéntica ("La mejor powerbank es..."), ninguna destacará. La consulta favorece el fanout <strong class="font-semibold">una perspectiva única.</strong>
<strong class="font-semibold">Buenas prácticas:</strong>
Esta IA tomará más fácilmente.
<strong class="font-semibold">¿Se aplica Query Fanout a todos los sectores?
</strong>No. Es más aplicable a sectores en los que las decisiones son complejas:
Menos preocupado:
<strong class="font-semibold">
¿Cuánto tiempo se tarda en adaptar la tienda en Query Fanout?</strong>
Para una tienda pequeña (50-100 productos): 2-4 semanas, para una mediana (1000 productos): 2-3 meses, para una grande (10000+ productos): 6 meses o más
No se trata de un trabajo puntual, sino de un proceso continuo.

<strong class="font-semibold">¿Será un producto bien clasificado tradicionalmente visible en el modo IA?</strong>
Normalmente sí, pero no siempre. El modo IA tiene criterios diferentes a los de la búsqueda tradicional. Es posible que se posicione alto en la búsqueda tradicional, pero no en el modo IA (o viceversa). Por lo tanto, ambas estrategias son importantes.

<strong class="font-semibold">¿Está cambiando Query Fanout la forma de obtener tráfico de Google Ads?</strong>
Por ahora, no: Google Ads sigue funcionando. Pero a largo plazo, si cada vez más gente utiliza el modo AI en lugar de la búsqueda tradicional, el modelo de negocio puede cambiar. Merece la pena invertir en otros canales (correo electrónico, redes sociales, asociaciones).

<strong class="font-semibold">¿Utiliza ChatGPT también Query Fanout?</strong>
ChatGPT utiliza una versión avanzada (pide explicaciones al usuario, desglosa internamente las consultas). Pero no tiene la visibilidad del Modo IA de Google. Otras herramientas:

<strong class="font-semibold">¿Es necesario que mi contenido esté literalmente en mi página?</strong>
No. El Modo IA también puede citar pasajes de otras fuentes. Pero si usted tiene su propia página - esto aumenta en gran medida las posibilidades de visibilidad en las respuestas.
<strong class="font-semibold">¿Es AMP o mobile-first importante para Query Fanout?
</strong>Sí, pero no de la misma manera que para el SEO tradicional. AI Modo importante son:
Pero no necesariamente la velocidad del sitio (aunque un sitio rápido siempre ayuda).

<strong class="font-semibold">¿Debo contratar ahora a un redactor?</strong>
Si no lo has tenido antes, sí. Query Fanout requiere un gran volumen de contenido de alta calidad. Un redactor debe escribir un artículo por semana (como mínimo).
<strong class="font-semibold">Modo AI</strong> - modo de búsqueda de Google, en el que las respuestas las genera la IA (en lugar de una lista de enlaces)
<strong class="font-semibold">Agregación</strong> - combinar resultados de varias fuentes en una única respuesta
<strong class="font-semibold">Asyncio</strong> - biblioteca Python para la ejecución simultánea de tareas
<strong class="font-semibold">Autoridad</strong> - google sabe que el sitio es fiable sobre el tema en cuestión
<strong class="font-semibold">Backlink </strong>- enlace de otra página a la suya
<strong class="font-semibold">Chatbot</strong> - un programa que habla con el usuario
<strong class="font-semibold">Chunk</strong> - pequeño fragmento de texto (por ejemplo, un párrafo)
<strong class="font-semibold">Consulta básica</strong> - la pregunta principal con la que empezamos
<strong class="font-semibold">Descomposición</strong> - dividir una pregunta en varias preguntas más pequeñas
<strong class="font-semibold">Inserción</strong> - conversión de texto en números (vectores) que representan significados
<strong class="font-semibold">Fanout </strong>- difusión, diseminación (aquí: difusión de una investigación)
<strong class="font-semibold">Géminis</strong> - modelo de IA de Google (equivalente a ChatGPT)
<strong class="font-semibold">Generador (LLM)</strong> - modelo de IA que genera texto
<strong class="font-semibold">Alucinación</strong> - cuando AI inventa información que no es cierta
<strong class="font-semibold">Reconocimiento de intenciones</strong> - reconocer lo que el usuario realmente quiere (no sólo lo que ha escrito)
<strong class="font-semibold">LLM (Gran Modelo Lingüístico)</strong> - gran modelo lingüístico (ChatGPT, Gemini, Claude)
<strong class="font-semibold">Extracción de pasajes</strong> - extracción de fragmentos de texto pertinentes
<strong class="font-semibold">Consulta</strong> - pregunta, consulta
<strong class="font-semibold">Descomposición de consultas</strong> - dividir una pregunta en subpreguntas
<strong class="font-semibold">Consulta Fanout</strong> - diseminación de las preguntas en múltiples subpreguntas mediante IA
<strong class="font-semibold">RAG (Generación mejorada por recuperación)</strong> - búsqueda de información + generación de respuestas
<strong class="font-semibold">Fusión por rango recíproco (FRR) </strong>- un algoritmo para combinar resultados de múltiples fuentes
<strong class="font-semibold">Relevancia</strong> - si el resultado es pertinente para la consulta
<strong class="font-semibold">Recuperación</strong> - buscar, buscar información
<strong class="font-semibold">Esquema.org</strong> - norma para marcar datos en las páginas
<strong class="font-semibold">Semántica</strong> - significado de palabras y textos
<strong class="font-semibold">SEO</strong> - optimización de motores de búsqueda
<strong class="font-semibold">Subconsulta</strong> - sub-pregunta, pregunta más pequeña
<strong class="font-semibold">Síntesis</strong> - combinar información de múltiples fuentes
<strong class="font-semibold">Base de datos vectorial</strong> - base de datos que almacena texto como vectores
<strong class="font-semibold">Similitud vectorial</strong> - la similitud entre los dos textos
<mylist1>
<strong class="font-semibold">Análisis</strong> - Comprueba cómo funciona Query Fanout para tus principales productos (busca en Google AI Mode)
<strong class="font-semibold">Cartografía</strong> - Crear una lista de subconsultas para los 10 productos principales
<strong class="font-semibold">Auditoría de contenidos</strong> - Comprobar qué páginas ya tienen fragmentos que se dirigen a subconsultas
<strong class="font-semibold">Estructura</strong> - Reorganizar las páginas de productos: añadir preguntas frecuentes, añadir comparaciones en tablas, añadir opiniones de usuarios, añadir secciones "Lo que hay que saber 
<strong class="font-semibold">Esquema</strong> - Implantar Schema.org en todas las páginas de productos
<strong class="font-semibold">Contenido</strong> - Redactar artículos de "guía de compra" para las principales categorías
<strong class="font-semibold">Enlaces de retroceso</strong> - Empezar a crear autoridad (artículos en sitios externos)
<strong class="font-semibold">Supervisión</strong> - Visibilidad de la pista en modo IA (las nuevas herramientas lo hacen posible)
<strong class="font-semibold">Iteración</strong> - Analizar las subconsultas y actualizar el contenido mensualmente
</mylist1>
Query Fanout no es el futuro, es el presente. Desde mayo de 2025, Google AI Mode está en producción y sus competidores le siguen el ritmo (ChatGPT, Claude, Perplexity).
Puntos clave que hay que recordar:
Query Fanout le ofrece nuevas posibilidades para su tienda. No tienes que ser un programador: puedes empezar analizando cómo funciona Query Fanout para tus productos, mapeando subconsultas y preparando mejores contenidos.
El resto vendrá de forma natural.
<strong class="font-semibold">Fuentes</strong>

Usuario busca: "portátil para aprender a programar"
→ Tu sitio aparece en la posición 3
→ El usuario hace clic en el enlace
→ Aterriza en tu página

Título: Portátil para programar
El mejor portátil para programar es aquel que tiene...
[dos páginas de texto denso]

# Portátil para programar – Guía completa 2025
## ¿Qué necesitas saber antes de comprar un portátil para programar?
### 1. Procesador – ¿Intel o AMD?
AMD Ryzen 7 es más rápido para la compilación de código...
[pruebas específicas]
### 2. RAM – ¿cuánta necesitas?
- Para Python: 8-16 GB
- Para desarrollo web: 16 GB mínimo
- Para IA/ML: 32 GB
### 3. Disco SSD – ¿cuánto?
Mínimo: 512 GB
Recomendación: 1 TB
[Cada punto tiene una respuesta clara y autónoma]
## Comparación de modelos populares
| Modelo | Procesador | RAM | SSD | Precio | Valoración |
| --- | --- | --- | --- | --- | --- |
| Modelo A | Ryzen 7 | 16GB | 512GB | 945 EUR | 9.2 |
| Modelo B | i7-13 | 16GB | 1TB | 1065 EUR | 9.5 |
[Cada fila es un fragmento que la IA puede extraer]
## FAQ – preguntas frecuentes
P: ¿Es bueno un MacBook para programar?
R: Sí, pero...
P: ¿Cuánto cuesta un buen portátil para programar?
R: Desde 700 EUR...
[Cada par P/R es una subconsulta potencial]
## Opiniones de usuarios
"Compré este portátil, programo en Python y ahora estoy ganando..." (15 opiniones positivas)

El portátil cuesta 1000 EUR
<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Portátil para programación Modelo X",
  "image": "https://example.com/laptop-x.jpg",
  "description": "Portátil de alto rendimiento para programar.",
  "brand": {
    "@type": "Brand",
    "name": "BrandName"
  },
  "offers": {
    "@type": "Offer",
    "price": "945",
    "priceCurrency": "EUR",
    "availability": "https://schema.org/InStock"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "ratingCount": "125"
  }
}
</script>

USO:
- "power bank para iPhone"
- "power bank para portátil"
- "power bank para vacaciones – prueba"
- "power bank para trabajo de oficina"
CARACTERÍSTICAS:
- "cuántas veces carga el móvil una power bank"
- "power bank 20000 mAh vs 30000 mAh"
- "power bank carga rápida – cuántos vatios"
COMPARATIVAS:
- "power bank Xiaomi vs Samsung"
- "power bank barata vs cara – diferencia"
- "mejor power bank 2025 – ranking"
SOLUCIÓN DE PROBLEMAS:
- "la power bank no carga – qué hacer"
- "la power bank se descarga rápido"
- "la power bank se calienta"

## ¿Cuántas veces cargará mi teléfono una power bank de 20000 mAh?
Depende de la capacidad de la batería de tu teléfono:
- iPhone 14 (3200 mAh): ~6 veces
- Samsung Galaxy S24 (4000 mAh): ~5 veces
- OnePlus 12 (5400 mAh): ~3.5 veces
- iPad Air (8600 mAh): ~2 veces
**¿Cómo se calcula?**
20000 mAh (power bank) / 4000 mAh (teléfono) = 5 cargas
(en la práctica menos debido a la pérdida de energía)
## ¿Cargará una power bank de 20000 mAh un portátil?
Sí, pero...
- Debe tener una salida USB-C Power Delivery
- Debe ser de al menos 65W
- Portátiles antiguos (con Micro USB) – no
Nuestro modelo: 100W, USB-C PD, carga un MacBook Air en 2.5 horas.
## Power bank para vacaciones – ¿cabrá?
- Dimensiones: 12 x 7 x 3 cm
- Peso: 420 g
- Cabe en una mochila, un neceser, o el bolsillo de un bolso grande
- Ideal para vacaciones (no ocupa espacio)
[etc.]

# [Producto] – Guía completa [Año]
## ¿Qué debes saber antes de comprar [producto]?
### 1. [Primer aspecto crítico]
- Definición para principiantes
- Por qué es importante
- Cómo comprobarlo en la práctica
### 2. [Segundo aspecto]
[igual que arriba]
### 3. [Tercer aspecto]
[igual que arriba]
## Comparativa de modelos populares
| Nombre | Espec1 | Espec2 | Precio | Opinión |
| --- | --- | --- | --- | --- |
| Modelo A | | | | |
## FAQ – preguntas frecuentes
P: [Pregunta que apareció en Google Trends]
R: [Respuesta específica]
## Opiniones de usuarios
"Historia del usuario, por qué lo compró, cuáles son sus experiencias"

<!DOCTYPE html>
<html>
<head>
<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Batería externa 20000 mAh SuperCharge",
  "image": ["https://...1.jpg"],
  "description": "Batería externa por menos de 35 EUR con carga rápida",
  "brand": {
    "@type": "Brand",
    "name": "TechBrand"
  },
  "offers": {
    "@type": "Offer",
    "url": "https://...product",
    "priceCurrency": "EUR",
    "price": "29.99",
    "availability": "https://schema.org/InStock"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "ratingCount": "348",
    "bestRating": "5",
    "worstRating": "1"
  },
  "review": [
    {
      "@type": "Review",
      "author": {
        "@type": "Person",
        "name": "Usuario Juan"
      },
      "reviewRating": {
        "@type": "Rating",
        "ratingValue": "5"
      },
      "reviewBody": "Gran batería externa, muy recomendada"
    }
  ]
}
</script>
</head>
</html>

import openai

def generate_sub_queries(main_query, num_queries=10):
    """
    Genera subconsultas para la pregunta principal
    """
    prompt = f"""
    Eres un experto en SEO y Optimización de Búsqueda con IA.
    El usuario ha hecho la siguiente pregunta:
    "{main_query}"
    Genera {num_queries} subconsultas relacionadas que el usuario 
    podría haber tenido en mente o que un Modo IA podría generar.
    Las subconsultas deben cubrir:
    - Definiciones y explicaciones
    - Comparativas y alternativas
    - Precios y disponibilidad
    - Opiniones y experiencias
    - Solución de problemas
    Devuelve solo la lista de subconsultas, una por línea.
    """

    response = openai.ChatCompletion.create(
        model="gpt-5",
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.7,
        max_tokens=1000
    )

    sub_queries = response.choices[0].message.content.strip().split('\n')
    return [q.strip() for q in sub_queries if q.strip()]

# Ejemplo de uso:
main_q = "¿Qué power bank elegir por menos de 50 EUR?"
subs = generate_sub_queries(main_q)

for i, sub in enumerate(subs, 1):
    print(f"{i}. {sub}")

# Resultado:
# 1. Cuántos mAh debe tener una power bank para móvil
# 2. Power bank 20000 mAh vs 30000 mAh – cuál es mejor
# 3. Mejores power banks por menos de 43 EUR 2025
# etc.

import asyncio
from typing import List, Dict

class QueryFanoutSimulator:
    """
    Simula una operación de fan-out de consultas
    """
    def __init__(self):
        self.databases = {
            'products': self.search_products,
            'reviews': self.search_reviews,
            'forums': self.search_forums,
            'prices': self.search_prices,
            'youtube': self.search_youtube
        }

    async def execute_fanout(self, main_query: str, sub_queries: List[str]) -> Dict:
        """
        Ejecuta el fan-out de consultas para la pregunta principal
        """
        print(f"Consulta principal: {main_query}\n")
        print(f"Subconsultas generadas ({len(sub_queries)}):")
        for sq in sub_queries:
            print(f"  - {sq}")
        
        print("\n--- Búsqueda simultánea ---\n")
        
        # Para cada subconsulta, buscamos en todas las bases de datos simultáneamente
        tasks = []
        for sub_query in sub_queries:
            for db_name, search_func in self.databases.items():
                tasks.append(
                    self._search_with_metadata(db_name, search_func, sub_query)
                )
        
        # Ejecutar todo simultáneamente
        results = await asyncio.gather(*tasks)
        
        # Agregación de resultados
        aggregated = self._aggregate_results(results)
        return aggregated

    async def _search_with_metadata(self, source: str, search_func, query: str):
        """
        Búsqueda con metadatos (qué fuente, ranking)
        """
        results = await search_func(query)
        return {
            'source': source,
            'query': query,
            'results': results,
            'count': len(results)
        }

    async def search_products(self, query: str) -> List[Dict]:
        """Simulación de búsqueda de productos"""
        await asyncio.sleep(0.5)  # Simulación de retraso
        return [
            {'title': f'Producto A para "{query}"', 'rank': 1},
            {'title': f'Producto B para "{query}"', 'rank': 2}
        ]

    async def search_reviews(self, query: str) -> List[Dict]:
        """Simulación de búsqueda de reseñas"""
        await asyncio.sleep(0.3)
        return [
            {'title': f'Reseña: {query}', 'rank': 1, 'rating': 4.5}
        ]

import re
from typing import List

def extract_passages_for_fanout(content: str, query: str) -> List[str]:
    """
    Extrae pasajes de contenido que responden a la subconsulta
    """
    # Dividiendo en párrafos
    paragraphs = content.split('\n\n')
    relevant_passages = []

    for para in paragraphs:
        # Buscando palabras clave de la consulta
        score = calculate_relevance(para, query)
        
        # ¡OJO! El umbral es 0.6, pero en tu ejemplo esperas resultados con 0.40.
        # Esto filtrará resultados relevantes si no coinciden muchas palabras.
        if score > 0.6:  # Umbral: 60% de relevancia
            # Limitando a 2-3 oraciones (fragmento)
            sentences = para.split('. ')
            passage = '. '.join(sentences[:3]) + '.'
            
            relevant_passages.append({
                'text': passage,
                'score': score,
                'length': len(passage)
            })
    
    # Ordenando por puntuación
    relevant_passages = sorted(
        relevant_passages,
        key=lambda x: x['score'],
        reverse=True
    )
    
    return relevant_passages[:5]  # Top 5 fragmentos

def calculate_relevance(text: str, query: str) -> float:
    """
    Calcula qué tan relevante es el texto para la consulta (0-1)
    """
    query_words = query.lower().split()
    text_lower = text.lower()
    
    # Expresión generadora para contar coincidencias
    # Nota: esto encuentra subcadenas (ej. "pan" en "pantalla")
    matches = sum(1 for word in query_words if word in text_lower)
    
    relevance = matches / len(query_words) if query_words else 0
    return min(relevance, 1.0)  # Máx 100%

# Ejemplo de uso:
content = """
Una power bank es un dispositivo que almacena energía y carga tu teléfono.

20000 mAh significa capacidad: cuantos más mAh, más veces carga el teléfono.

Una power bank para trabajo de oficina debe ser compacta y práctica.

Nuestro modelo pesa solo 300 gramos y cabe en un bolso.

La carga rápida es una función importante. Nuestro modelo soporta 65W.
"""

# Consulta traducida para que coincida con el texto
passages = extract_passages_for_fanout(content, "power bank para trabajo de oficina")

for i, p in enumerate(passages, 1):
    print(f"{i}. (puntuación: {p['score']:.2f})")
    print(f"   {p['text']}\n")

# Resultado esperado (si la lógica permitiera puntuaciones bajas):
# 1. (puntuación: 0.83)
#    Una power bank para trabajo de oficina debe ser compacta y práctica.
#
# 2. (puntuación: 0.00 - REALIDAD)
#    El código actual dará 0.00 para el segundo párrafo porque 
#    no comparte palabras clave exactas con la consulta, 
#    aunque semánticamente sea relevante.

¡La Power Bank más vendida de 2025! Nuestros productos garantizan satisfacción.
Compra ahora y ahorra 10 EUR. Envío gratis en pedidos superiores a 30 EUR...

## ¿Qué es una power bank de 20000 mAh?
Una power bank es un dispositivo de carga con una capacidad de 20000 mAh.
### ¿Cuántas veces cargará un teléfono?
- iPhone 14: 6 veces
- Samsung S24: 5 veces
### Precio
40 EUR (oferta de 47 EUR)
### Opiniones
Valoración: 4.8/5 (348 opiniones)

Sin Schema:
Los auriculares cuestan 70 EUR
Con Schema:
<span itemscope itemtype="https://schema.org/Offer">
  <span itemprop="price">70</span>
  <span itemprop="priceCurrency">EUR</span>
</span>