Google bouwt een slimmer en sneller systeem voor query fan-outs

Google heeft een nieuw framework aangekondigd voor het genereren van query fan-outs: het Retrieve-for-Train Diffusion Model, kortweg R4T-Diffusion. Het systeem is sneller, minder rekenintensief en levert hogere kwaliteit. Google noemt het zelf “production-ready”, wat betekent dat het klaar is voor inzet op de schaal van een echte zoekmachine.

Wat is een query fan-out en waarom maakt dit uit?

Als je iets zoekt in AI-gestuurde search, werkt Google onder de motorkap met meerdere sub-queries tegelijk. Je geeft één zoekopdracht in, maar het systeem vertaalt die naar een waaier van gerelateerde zoekvragen om relevantere resultaten te vinden. Dat zijn query fan-outs. Hoe beter die fan-outs, hoe relevanter de antwoorden die je terugkrijgt, ook in AI Overviews en Google AI Mode voor Ultra-abonnees.

Het probleem met de oude aanpak: het genereren van die fan-outs kostte veel tijd en rekenkracht. Bij grote batches liep de latency op tot bijna 50 seconden. Dat is niet werkbaar op productieniveau.

Hoe werkt R4T-Diffusion technisch?

Google gebruikte een techniek die distillation heet. Ze trainden eerst een groot, duur model om te leren wat goede query fan-outs zijn. Dat model werd geoptimaliseerd op drie criteria: groundedness (elke sub-query moet iets ophalen dat echt in de database bestaat), diversity (gemeten via de Vendi Score, om te voorkomen dat je alleen synoniemen krijgt) en alignment (de fan-outs blijven verankerd aan de originele zoekopdracht).

Vervolgens kopieerden ze dat gedrag naar een veel kleiner model van 53,9 miljoen parameters. Dat kleinere model genereert alle fan-outs tegelijk in één parallelle stap, in plaats van één voor één. Het resultaat: 12 tot 20 keer sneller dan de oude aanpak, met latency van minder dan een seconde tot een paar seconden in plaats van bijna een minuut.

Is dit al live?

Hier wordt het interessant. Het onderzoekspapier werd gepubliceerd in maart, maar de blogpost van Google volgde pas op 15 september, zes maanden later. Google noemt het systeem expliciet “production-ready”. De timing valt samen met meldingen op social media over onverwachte verkeersschommelingen en meer links in AI Mode. Is dat bewijs dat R4T al is uitgerold? Dat weten we niet zeker, maar de toon van de aankondiging wijst er sterk op.

De onderzoekers voegen in het paper wel een kanttekening toe die ontbreekt in de blogpost: in gevoelige contexten kunnen biases worden versterkt, en deployment daar vereist audits en menselijk toezicht.

Wat betekent dit voor jouw SEO?

Direct aan een knop draaien is er niet bij, maar de implicaties zijn relevant. Als Google query fan-outs kwalitatief beter en veel sneller kan genereren, worden de semantische verbanden die het systeem legt tussen zoekopdrachten en content ook sterker. Content die alleen op exacte zoektermen is geoptimaliseerd, verliest daarmee verder terrein aan content die een onderwerp écht breed en diep dekt.

Ik zie dit al langer misgaan bij klanten: ze optimaliseren op het exacte keyword terwijl Google allang breder kijkt. Met een beter fan-out systeem wordt die bredere semantische blik alleen maar scherper. Check in je Search Console of je impressions ophalen op long-tail varianten die je niet actief targette. Als dat patroon verandert, heb je een concrete aanwijzing dat er iets is verschoven in hoe Google jouw content oppikt.

R4T kan overigens ook worden ingezet voor recommender systems zoals Google Discover en YouTube. Dus ook daar kan dit effect hebben op welke content wordt aanbevolen.

Bron: Search Engine Journal