Как получать fan-out запросы GPT через OpenAI API: практическое руководство для SEO-специалистов

Привет! Меня зовут Андрей Попов, я SEO-специалист в AGIMA ^[1]. SEO быстро меняется. Если раньше мы оптимизировали сайты исключительно под поисковые системы, то сегодня всё больше внимания ^[2] приходится уделять алгоритмам искусственного интеллекта ^[3], которые самостоятельно собирают и анализируют информацию в интернете.

Когда пользователь задает вопрос AI-модели, например GPT, она редко ограничивается одним поисковым запросом. Вместо этого система генерирует целый набор дополнительных запросов — именно они и называются fan-out queries. Эти запросы помогают модели глубже изучить тему, собрать больше источников и сформировать более точный ответ.

До недавнего времени SEO-специалисты могли видеть такие данные через инструменты разработчика браузера. Однако начиная с версии GPT-5.4 эта информация была скрыта из стандартного интерфейса ChatGPT. Тем не менее, доступ к ней всё еще возможен — через OpenAI API. И именно это открывает новые возможности для анализа AI-поиска.

Что такое fan-out запросы

Fan-out запросы — это дополнительные поисковые фразы, которые модель генерирует автоматически при анализе исходного запроса пользователя.

Проще говоря, когда пользователь вводит один запрос, система фактически разбивает его на множество подзапросов, чтобы собрать максимально релевантную информацию.

Например, если пользователь ищет best project management tools, AI может дополнительно сформировать такие поисковые запросы:

• best project management software 2026;

• free project management tools for teams;

• jira vs asana comparison;

• project management tools for startups;

• open source project management software.

Каждый из этих запросов — отдельный сигнал, который показывает, как модель понимает тему и какие аспекты считает важными. Для SEO-специалистов это невероятно ценная информация, потому что она раскрывает реальную структуру AI-интента.

Почему эти данные стали скрытыми

С выходом GPT-5.4 OpenAI изменил работу веб-интерфейса. Ранее данные fan-out можно было увидеть:

• в консоли браузера;

• через network-логи;

• с помощью различных расширений.

После обновления интерфейса эти данные перестали отображаться. В результате многие аналитические инструменты потеряли важный источник информации ^[4].

Однако на уровне API эти механизмы продолжают работать. Это означает, что при прямом взаимодействии с OpenAI API всё еще можно получать данные о поисковых ассоциациях модели.

Для SEO-специалистов это фактически означает переход от визуальных инструментов к программной аналитике AI-поиска.

Почему fan-out данные важны для SEO

Если смотреть на SEO глазами специалиста, fan-out запросы дают гораздо больше, чем обычные ключевые слова.

Во-первых, они показывают ассоциативное поле темы. Когда вы вводите одно ключевое слово, модель автоматически расширяет его до десятков связанных запросов. Это помогает увидеть, какие подтемы и дополнительные интенты AI считает наиболее релевантными.

Во-вторых, такие данные помогают закрывать пробелы в контенте. Если модель регулярно ищет определенные уточнения, но на вашем сайте нет материалов по этим вопросам, это очевидный сигнал для расширения структуры контента.

И наконец, fan-out данные позволяют анализировать логику ^[5] AI-поиска, а не только пользовательские запросы. Это важный шаг к новому направлению оптимизации — AI Search Optimization.

Как автоматизировать сбор fan-out запросов

Чтобы получать такие данные автоматически, нужно настроить простой процесс взаимодействия с API. В основе этой системы лежит Python-скрипт, который выполняет запрос к модели и сохраняет результаты.

Общая логика процесса выглядит следующим образом:

1. Подключается OpenAI API.

2. Пользователь вводит ключевое слово.

3. Модель выполняет веб-поиск.

4. Система получает результат.

5. Данные сохраняются в JSON.

В результате SEO-специалист получает структурированный набор поисковых ассоциаций, который можно использовать для дальнейшего анализа.

Почему для этого используется Python

Python давно стал стандартом для автоматизации маркетинговой аналитики. Он идеально подходит для подобных задач по нескольким причинам:

• простая работа с API;

• удобная обработка JSON-данных;

• огромная экосистема библиотек;

• возможность быстро автоматизировать анализ.

Даже относительно небольшой скрипт может выполнять задачи, которые раньше требовали сложных инструментов или ручного анализа.

Пример Python-скрипта для получения fan-out данных

Ниже приведен пример базового скрипта, который отправляет запрос к OpenAI API и сохраняет результат.

#!/usr/bin/env python3

from openai import OpenAI
import json
import sys
from datetime import datetime

client = OpenAI(api_key='Your_API_Key')

def run_query(query_text, save_json=True):

   response = client.responses.create(
       model="gpt-5.4",
       tools=[{"type": "web_search"}],
       tool_choice="auto",
       input=query_text
   )

   print("Response ID:", response.id)

   if save_json:
       timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
       filename = f"query_result_{timestamp}.json"

       with open(filename, 'w') as f:
           json.dump(response.model_dump(), f, indent=2)

       print("Saved:", filename)

   return response


def main():

   if len(sys.argv) > 1:
       query = ' '.join(sys.argv[1:])
   else:
       query = input("Enter query: ")

   run_query(query)


if __name__ == "__main__":
   main()

Этот скрипт выполняет веб-поиск через модель GPT и сохраняет полный ответ в JSON-файл.

Как запускать скрипт

После сохранения файла нужно открыть терминал и перейти в папку со скриптом.

Далее выполняется команда:

python fanout.py ^[6] “best project management tools”

После выполнения запроса система:

• отправит запрос к API;

• выполнит веб-поиск;

• сохранит полный ответ модели.

В папке проекта появится JSON-файл с результатами.

Как выглядит результат в формате JSON

Полученные данные сохраняются в машиночитаемом формате.

JSON-структура обычно содержит:

• исходный запрос;

• ответ модели;

• ссылки на источники;

• метаданные запроса;

• дополнительные поисковые ассоциации ^[7].

Упрощенная структура может выглядеть так:

{
"query": "best project management tools",
"fanout_queries": [
  "top project management software 2026",
  "free project management tools for teams",
  "jira vs asana comparison",
  "project management software for startups"
]
}

Такой формат легко обрабатывать программно, анализировать и интегрировать в аналитические системы.

Использование Clog Code для генерации скриптов

Если вы не хотите писать код вручную, можно воспользоваться инструментами автоматической генерации программного кода.

Один из таких инструментов — Clog Code. Его задача заключается в том, чтобы быстро собрать рабочий скрипт на основе описания задачи.

На практике это выглядит достаточно просто. Вы описываете, какой функционал нужен, после чего сервис генерирует базовую версию программы. Далее её можно доработать и адаптировать под свои задачи.

Этот подход особенно удобен для SEO-специалистов, которые не занимаются программированием профессионально, но хотят автоматизировать сбор данных.

Как использовать fan-out данные в SEO-стратегии

После получения JSON-данных начинается самый интересный этап — анализ.

Fan-out запросы можно использовать для решения нескольких задач.

Прежде всего они помогают расширить структуру контента. Если модель регулярно ищет дополнительные уточнения по теме, значит именно эти подтемы стоит раскрывать в статье.

Кроме того, такие данные отлично подходят для кластеризации ключевых слов. С помощью Python или таблиц можно группировать запросы и выделять тематические блоки.

Наконец, анализ fan-out запросов помогает понять, как AI собирает информацию. Это особенно важно в эпоху AI-поиска, когда всё больше пользователей получают ответы не из поисковой выдачи, а напрямую из языковых моделей.

Итог

Скрытие fan-out данных в интерфейсе ChatGPT стало заметным изменением для SEO-аналитики. Тем не менее доступ к этим данным по-прежнему возможен через OpenAI API.

Использование Python-скриптов позволяет автоматизировать процесс и получать структурированные данные о том, как AI интерпретирует поисковые запросы.

Для SEO-специалистов это открывает новую область анализа — исследование логики AI-поиска.

Понимание того, какие запросы модель генерирует при сборе информации, помогает точнее выстраивать контент-стратегию и адаптировать сайты под новую реальность поискового трафика.

Если вам интересно следить за тем, как меняется SEO прямо сейчас, приглашаю в мой телеграм-канал — Red Hot Chili SEO ^[8]. Также задавайте вопросы и делитесь мнением в комментариях.