Pendant longtemps, le fonctionnement des moteurs de recherche a reposé sur une mécanique relativement simple : une requête formulée par l’utilisateur, une page de résultats classée en fonction de critères de pertinence.

L’émergence des moteurs comme ChatGPT, perplexity ou AI Overview bouleverse ce modèle.

Pour produire une réponse, ces moteurs ne se contentent plus d’interroger un index, mais décomposent la question initiale en une multitude de sous-requêtes qu’ils effectuent parfois directement sur… Google !

Ce mécanisme, souvent désigné sous le terme de query fan-out, constitue l’un des fondements techniques de la recherche générative.

Pour mieux comprendre cette évolution, nous avons analysé 102 018 requêtes extraites de notre Outil GEO Qwairy afin d’observer comment elles étaient réellement interprétées et transformées par les moteurs.

Voici 6 apprentissages tirés de cette étude.

Rappel : c’est quoi le Query Fan-Out ?

Le query fan-out est un processus par lequel une seule requête utilisateur (un prompt par exemple) est automatiquement décomposée en plusieurs requêtes secondaires ou sous-requêtes.

Concrètement, si un internaute pose une question complexe, l’IA ne se contente pas d’exécuter une seule recherche : elle lance en parallèle une série de mini-requêtes.

Ces mini-requêtes peuvent être recherchés directement sur Google ou d’autres moteurs de recherche.

Le rôle du Reciprocal Rank Fusion (RRF)

Un élément clé du traitement du query fan-out est le mécanisme de Reciprocal Rank Fusion (RRF), une technique employée pour fusionner plusieurs listes de résultats issues des sous-requêtes en un seul classement final pertinent.

Le principe du RRF repose sur une formule assez simple mais puissante : chaque source ou document obtient un score basé sur sa position dans chaque liste de résultats. Plus une page apparaît souvent, même à des rangs variés, plus son score cumulé augmente ; elle est donc considérée comme plus pertinente globalement.

Vous pouvez jeter un oeil à cet article pour mieux comprendre le RRF.

Par exemple :

• Une page qui apparaît en position 1 sur une sous-requête mais absente sur les autres aura un score inférieur à une page qui apparaît en positions 3, 4 et 5 sur plusieurs sous-requêtes différentes.
• Grâce à cette addition des scores, le moteur parvient à retenir des sources solides et cohérentes sur l’ensemble du spectre des sous-requêtes générées, et pas seulement celles qui “cliquent” sur une seule formulation de la recherche.

102 018 requêtes analysées : la data exclusive de Qwairy

Pour éclairer la manière dont les moteurs IA décomposent et traitent les requêtes, l’étude dont nous nous inspirons ici a été conduite par l’équipe de recherche de Qwairy.

L’étude se base sur un ensemble de 102 018 requêtes générées sur des systèmes d’IA, issues de 38 418 prompts utilisateurs distincts, recueillies entre septembre et novembre 2025.

Toutes ces requêtes proviennent des interactions entre des utilisateurs et des solutions d’IA, telles que ChatGPT et Perplexity, analysées via la plateforme de Qwairy pour observer précisément la manière dont chaque moteur réagit à une demande.

Apprentissage n°1 - Le Provider Effect est massif : tous les moteurs IA ne pratiquent pas le query fan-out de la même façon

L’un des enseignements les plus structurants de l’analyse menée par Qwairy concerne ce que nous appelons le Provider Effect.

L’étude Qwairy, basée sur 102 018 requêtes issues de 38 418 prompts utilisateurs, montre une fracture très nette entre deux grandes approches de la recherche IA :

• Perplexity adopte majoritairement une logique de recherche simple et directe

→ 70,5 % des prompts génèrent exactement une seule requête “fan-out”

• ChatGPT, à l’inverse, privilégie une logique exploratoire

→ seulement 32,7 % des prompts génèrent une seule requête “fan-out”