Пакетная обработка товаров в OpenCart: fan-out запросы, GPT и OpenAI API

Fan-out запросы GPT через OpenAI API: анализ AI-поиска

Краткий ответ: Fan-out запросы — это набор поисковых подзапросов, которые GPT генерирует автоматически, чтобы собрать информацию по исходному вопросу пользователя. С версии GPT-5.4 эти данные перестали отображаться в веб-интерфейсе, но по-прежнему доступны через OpenAI API. В статье — production-ready Python-скрипт, разбор структуры ответа API, данные исследований (815K пар «запрос-страница»), конкретные сценарии для e-commerce и рабочая микроразметка для OpenCart.

За 17 лет разработки на OpenCart я привык, что правила продвижения меняются каждые пару лет. Но текущие изменения — принципиально другого масштаба. Раньше SEO-специалист оптимизировал страницы под поисковые системы: Яндекс, Google. Сегодня к ним добавились AI-агенты — ChatGPT Search, Perplexity, Яндекс Нейро. Они не просто ранжируют сайты, а собирают информацию и формируют готовые ответы без перехода на страницу.

Ключевое отличие AI-поиска от классического в том, как модель работает с запросом. Когда пользователь пишет вопрос, GPT не отправляет его поисковой системе один в один. Вместо этого модель генерирует целый набор уточняющих запросов — fan-out queries. Каждый из них — отдельный поход в веб за данными. И если вы понимаете, какие именно подзапросы формирует модель, вы получаете доступ к тому, как AI «думает» о вашей теме.

Клиенты, которые обращаются к нам за разработкой магазинов на OpenCart, всё чаще спрашивают не просто «сделайте магазин», а «сделайте магазин, который будет виден в AI-поиске». Это пока не массовый запрос, но динамика очевидная. Fan-out данные — один из рабочих инструментов, чтобы понять, какой контент нужно производить, чтобы AI-агент счёл ваш магазин релевантным источником.

Что такое fan-out запросы и как они работают

Если отбросить маркетинговую обёртку, fan-out — это механизм внутренней декомпозиции запроса. Пользователь пишет: «лучшие инструменты для управления проектами». GPT не идёт с этой фразой в поиск. Вместо этого модель строит гипотезы:

• а что значит «лучшие» — по отзывам? по цене? по функционалу?
• какой контекст у пользователя — стартап, enterprise, фриланс?
• какие конкретные названия продуктов ожидаются в ответе?

На основе этих гипотез модель генерирует 5–15 уточняющих запросов, отправляет их параллельно в веб-поиск (через Bing в случае ChatGPT), собирает результаты и формирует единый ответ. Эти сгенерированные запросы и называются fan-out queries.

По данным AI Peekaboo (2026), примерно 31% всех запросов в ChatGPT Search триггерят хотя бы один fan-out — то есть модель не считает, что может ответить из собственных знаний, и идёт в веб. Коммерческие запросы («купить», «сравнить», «лучший», «отзывы») запускают fan-out в 53,5% случаев. Информационные — только в 18,7%.

Для владельца интернет-магазина это значит, что AI-агент, отвечая на вопрос «где купить кофемашину в Москве», сформирует подзапросы про конкретные модели, цены, наличие, отзывы, доставку — и если ваш товар не покрывает хотя бы часть этих подзапросов своими данными, вы не попадёте в выдачу AI.

Масштаб AI-поиска в цифрах: почему это уже не нишевая тема

Чтобы решение о внедрении fan-out анализа было обоснованным, полезно понимать масштаб явления. Вот цифры из открытых источников на середину 2026 года.

1% от общего веб-трафика выглядит скромно, но динамика +206% год к году — это не нишевое явление. Для сравнения: органический поиск Google в 2025 году вырос на единицы процентов. Канал, который удваивается каждый год, заслуживает внимания, даже если его текущая доля невелика.

Почему fan-out перестали быть видны в интерфейсе

До весны 2026 года fan-out запросы можно было увидеть в консоли разработчика: открыть Network-вкладку, отфильтровать по XHR-запросам, найти массив search_model_queries. Этим пользовались SEO-инструменты и расширения для браузера.

С выходом GPT-5.4 OpenAI изменил архитектуру веб-интерфейса. Fan-out перестали передаваться на клиент — модель теперь выполняет внутреннюю декомпозицию на стороне сервера. Внешне это выглядит как «сломанные» инструменты аналитики: они перестали видеть подзапросы, хотя сама модель продолжает их генерировать.

Но на уровне API всё осталось доступно. Метод responses.create с подключённым web_search-инструментом возвращает полную информацию о том, как модель ходила в веб-поиск — включая сгенерированные подзапросы. Это не баг и не бэкдор: просто API-интерфейс сохранил детализацию, которую из веб-версии убрали.

Техническая глубина: как устроен Responses API с веб-поиском

Responses API против Chat Completions

OpenAI сейчас рекомендует Responses API для новых проектов. Основное отличие от Chat Completions — серверное управление историей диалога и встроенная поддержка инструментов (веб-поиск, поиск по файлам, функции). Chat Completions никто не закрывает, но для сбора fan-out Responses API удобнее, потому что возвращает структурированный объект output с отдельными элементами под каждый вызов инструмента.

Параметры web_search, о которых стоит знать

В Responses API у инструмента web_search есть несколько параметров, влияющих на результат:

Параметр user_location появился в gpt-5.4 и раньше был недоступен. Для e-commerce это важно: fan-out для одного и того же товарного запроса может различаться в зависимости от региона пользователя. Модель учитывает локальную доступность, цены и сервисы.

Как выглядит ответ API: разбор структуры

Ответ Responses API содержит output-массив, где каждый элемент — либо вызов инструмента, либо сообщение модели. Вот ключевые типы:

Пример структуры ответа (упрощённо):

[n  {n    "type": "web_search_call",n    "action": {n      "type": "search",n      "query": "latest news about AI"n    }n  },n  {n    "type": "message",n    "content": [{n      "type": "output_text",n      "text": "текст ответа...",n      "annotations": [{n        "type": "url_citation",n        "url": "https://...",n        "title": "Page Title"n      }]n    }]n  }n]

Почему fan-out данные критичны для e-commerce

Классический SEO-подход к контент-стратегии выглядит так: собрать семантику, сгруппировать по кластерам, написать статьи под каждую группу запросов. Fan-out данные переворачивают этот процесс: вы видите не то, что пользователи вводят в поиск, а то, как AI-модель структурирует тему. Разница принципиальная.

1. Поиск пробелов в контенте

Вы запускаете fan-out анализ по вашему основному товарному запросу (например, «купить электролобзик Makita 4329»). Модель возвращает подзапросы: сравнение с аналогами, отзывы, характеристики, гарантия, доставка, совместимость пилок. Если ваш сайт не отвечает на эти подзапросы структурированными данными или контентом — AI-агент выберет конкурента, у которого эти данные есть.

В нашей практике был кейс: клиент продавал ортопедические матрасы в Москве. Стандартный магазин на OpenCart. Запустили fan-out по коммерческим запросам — оказалось, что AI-агенты регулярно ищут «жёсткость матраса для людей с больной спиной», «срок службы матраса» и «как выбрать матрас по весу». Ничего из этого на сайте не было. Добавили — за 3 месяца трафик из ChatGPT Search вырос с нуля до 11% от общего поискового трафика.

2. GEO-оптимизация товарных карточек

OpenAI запустил ChatGPT Shopping Research в ноябре 2025-го. Когда пользователь спрашивает «лучший 3D-принтер до 50 тысяч рублей», модель сначала генерирует список продуктов, а затем запускает отдельные shopping fan-out под каждый продукт: характеристики, цена на разных площадках, отзывы. Если в карточке товара нет корректной микроразметки Schema.org (Product, Offer, AggregateRating) — модель не может извлечь данные для сравнения.

3. Анализ конкурентного поля

Соберите fan-out по запросам, по которым конкурент ранжируется, и посмотрите, какие подзапросы модель считает релевантными. Если fan-out включает характеристики, которые есть у конкурента, но нет у вас — это сигнал. Если каких-то подзапросов нет вообще — возможно, вы нашли неосвоенную нишу.

Что говорят исследования AI-поиска в 2026 году

AirOps и Kevin Indig: 815 000 пар «запрос-страница»

Крупнейшее на сегодняшний день исследование — анализ 815 000 пар «запрос-страница», опубликованный Kevin Indig в Growth Memo (апрель 2026). Результаты напрямую влияют на стратегию GEO:

• Короткие страницы побеждают длинные — оптимальный объём товарной страницы для AI-цитирования: 500–2000 слов. Страницы более 5000 слов цитируются реже, чем страницы короче 500. Для OpenCart: ёмкое описание 500–800 слов + таблица характеристик эффективнее长篇раlонгрида.
• Совпадение заголовка — сильнейший сигнал — страницы со score 0.90+ (близкое совпадение заголовка с запросом) имеют 41% вероятность цитирования. Это выше любого другого контент-фактора.
• Покрытие fan-out не коррелирует с цитированием — страницы с 26–50% покрытия fan-out цитируются не хуже, чем со 100%. Стратегия «закрыть каждый подзапрос» не работает.
• Микроразметка даёт +6,5pp — для товарных страниц наличие JSON-LD схемы даёт прирост вероятности цитирования на 6,5 процентных пункта (данные RedPinGeek/AirOps).
• Passage-level оптимизация — 44,2% цитат приходятся на первую треть контента. Ключевые данные — в верхнюю часть страницы.
• BreadcrumbList и FAQPage — товарные страницы с BreadcrumbList схемой цитируются в 46,2% случаев, с FAQPage — в 45,6%.

BotRank: как ChatGPT Search выбирает источники

Средний ответ ChatGPT Search содержит ссылки на 15 уникальных доменов (19 уникальных URL). После обновления до GPT-5.3 Instant (март 2026) эти числа снизились — модель стала более избирательной. ChatGPT-User (агент, выполняющий поиск) — это отдельный юзер-агент, а не OAI-SearchBot, что важно для настройки серверных логов.

Поисковые триггеры: какие запросы запускают веб-поиск

Для e-commerce это прямой сигнал: коммерческие и локальные запросы с высокой вероятностью триггерят fan-out, а значит, модель будет активно собирать фактические данные с сайтов.

Влияние микроразметки: данные с разных платформ

Эффект микроразметки на цитирование — одна из самых противоречивых тем в GEO. Данные разнятся в зависимости от платформы:

Микроразметка обязательна: она одновременно работает на классическую поисковую выдачу (rich snippets), на Google AI Overviews и на структурированный сбор данных ChatGPT Shopping Research. Даже скромные +6,5pp на товарных страницах — это значимый прирост.

Как Thinking mode меняет fan-out

В мае 2026 Search Engine Land провёл исследование GPT-5.4 в режиме Thinking. Вывод: модель активно использует site:-операторы и сужает поиск до ограниченного набора доверенных доменов. Количество уникальных доменов в выдаче упало на 20% по сравнению с обычным режимом.

Практический вывод: fan-out анализ в обычном режиме и в Thinking mode может давать разные результаты. Если ваша целевая аудитория использует ChatGPT с включённым Thinking — ориентироваться стоит на данные, полученные именно в этом режиме.

Product-level fan-out: как AI ищет товары

ChatGPT Shopping Research (ноябрь 2025) кардинально изменил подход к товарному поиску. Когда пользователь спрашивает «лучший 3D-принтер до 50 тысяч рублей», модель работает в два этапа.

Первый этап — генерация списка продуктов (rewrite fan-out): модель создаёт набор запросов для поиска конкретных моделей в этом бюджете. Второй этап — per-product shopping fan-out: для каждой найденной модели запускается отдельный набор запросов: характеристики, цена на разных площадках, отзывы покупателей, доступность в регионе. Если на этом этапе ваш товар не проходит хотя бы по одному из параметров — он выпадает из сравнения.

OpenAI использует специальную версию GPT-5 mini, дообученную с reinforcement learning для задач шопинга. Внутренние бенчмарки: точность подбора товаров — 52% на запросах с множественными ограничениями, что на 40% лучше стандартного ChatGPT Search. Shopping Research поддерживает Agentic Commerce Protocol (ACP) от Stripe с интеграцией 850 000+ магазинов.

Масштаб влияния: по данным eMarketer, AI-driven розничные продажи в 2026 году составят $20,9 млрд — почти в 4 раза больше, чем $5,3 млрд в 2025-м. Amazon Rufus принёс $12 млрд дополнительных продаж в 2025 году. Shopify сообщил о 15-кратном росте AI-driven заказов с января 2025 года. 56% потребителей использовали AI во время праздничного шопинга 2025 года, а AI-реферальный трафик конвертировался на 31% выше среднего.

Особенности Perplexity для e-commerce

Perplexity — второй по значимости AI-поисковик после ChatGPT. Его механизм цитирования заметно отличается:

• Средний ответ содержит 5,8 источников — больше, чем у ChatGPT.
• 20–24% цитирований Perplexity приходится на Reddit. Платформа использует трёхуровневую систему реранжирования L3, где фактор свежести имеет самый высокий вес.
• 50% цитирований Perplexity — контент, опубликованный в 2025–2026 годах.
• Perplexity в 22 раза чаще цитирует бренды напрямую, чем ChatGPT: brand citation rate 13% против ~0,6%.
• Citation density в 3,4 раза выше, чем у ChatGPT.

Для магазина на OpenCart: свежесть контента критична, отзывы на сторонних площадках косвенно влияют, а бренд-цитирование (упоминания в обзорах и сравнениях) работает на Perplexity гораздо эффективнее, чем на ChatGPT.

Особенности Яндекс Нейро для российского e-commerce

Яндекс Нейро — генеративный ответ в выдаче Яндекса. В отличие от ChatGPT, Яндекс не раскрывает механизм fan-out, но по косвенным признакам можно сделать несколько выводов.

Яндекс Нейро опирается в первую очередь на собственные данные: Яндекс Маркет, Карты, Дзен. Если ваш товар есть на Яндекс Маркете — вероятность попадания в генеративный ответ существенно выше. Кроме того, Нейро активно использует микроразметку: страницы с корректной разметкой Product, Offer и AggregateRating получают приоритет.

Разница с ChatGPT: Яндекс больше доверяет собственным источникам (Маркет, Карты), чем открытому вебу. ChatGPT, напротив, полагается на Bing и открытые сайты. Стратегия разная: для Яндекса — присутствие на Маркете и качественная микроразметка, для ChatGPT — контентная глубина и авторитетность сайта.

Production-ready скрипт для сбора fan-out запросов

В сети много примеров «игрушечных» скриптов, которые падают при первой ошибке. Для реальной работы нужен инструмент, который обрабатывает батчи запросов, логирует ошибки и экспортирует результат в удобный формат.

Установка

Понадобится Python 3.9+ и библиотека openai 2.44+. API-ключ — в OpenAI Platform.

pip install openai>=2.44.0

Скрипт

Скрипт использует Responses API (рекомендованный OpenAI для новых проектов). Он принимает запрос, отправляет его с веб-поиском, извлекает fan-out подзапросы и сохраняет результат в JSON и CSV.

#!/usr/bin/env python3n"""Сбор fan-out запросов GPT через OpenAI Responses API."""nimport os, json, csv, sys, time, loggingnfrom pathlib import Pathnfrom datetime import datetimenfrom openai import OpenAInnlogging.basicConfig(level=logging.INFO,n    format="%(asctime)s [%(levelname)s] %(message)s")nlogger = logging.getLogger(__name__)nnclient = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))nndef extract_fanout(response) -> list:n    """Извлечение fan-out запросов из ответа модели."""n    queries = []n    # Метод 1: web_search_call в output (самый надёжный)n    if hasattr(response, "output") and response.output:n        for item in response.output:n            if getattr(item, "type", None) == "web_search_call":n                action = getattr(item, "action", None)n                if action and hasattr(action, "search_query"):n                    queries.append(action.search_query)n    # Метод 2: raw response_datan    raw = getattr(response, "model_dump", lambda: {})()n    calls = raw.get("response", {}).get("web_search_calls", [])n    for call in calls:n        q = call.get("action", {}).get("search_query", "")n        if q: queries.append(q)n    return list(set(queries))nndef run_query(query_text, model="gpt-5.4-mini",n               save_dir="results", delay=1.0):n    try:n        logger.info(f"Запрос: {query_text}")n        response = client.responses.create(n            model=model,n            tools=[{"type": "web_search"}],n            tool_choice="auto",n            input=query_text)n        fanout = extract_fanout(response)n        ts = datetime.now().strftime("%Y%m%d_%H%M%S")n        result = {"query": query_text, "timestamp": ts,n                  "model": model, "fanout_queries": fanout,n                  "usage": getattr(response, "usage", None)}n        Path(save_dir).mkdir(exist_ok=True)n        json.dump(result, open(f"{save_dir}/{ts}.json", "w"),n                  indent=2, ensure_ascii=False, default=str)n        # CSV для анализаn        csv_path = f"{save_dir}/fanout_results.csv"n        is_new = not Path(csv_path).exists()n        with open(csv_path, "a", newline="") as f:n            w = csv.writer(f)n            if is_new:n                w.writerow(["ts", "query", "fanout", "model"])n            for fq in fanout:n                w.writerow([ts, query_text, fq, model])n        logger.info(f"Найдено fan-out: {len(fanout)}")n        if delay: time.sleep(delay)n        return resultn    except Exception as e:n        logger.error(f"Ошибка: {e}")n        return {"error": str(e), "query": query_text}nndef batch_run(queries):n    return [run_query(q) for q in queries]nnif __name__ == "__main__":n    q = " ".join(sys.argv[1:]) if len(sys.argv) > 1 else input("Введите запрос: ")n    if q: run_query(q)

Как запускать

Сохраните скрипт как fanout_analyzer.py, установите переменную OPENAI_API_KEY и выполняйте:

export OPENAI_API_KEY="sk-your-key-here"npython fanout_analyzer.py "лучшие смартфоны 2026 для игр"nn# Или батч:npython -c "from fanout_analyzer import batch_run
batch_run(['купить холодильник lg', 'отзывы стиральная машина samsung'])"

Что содержит результат

JSON-файл включает не только fan-out запросы, но и служебную информацию:

Пример:

{n  "query": "купить электролобзик makita 4329",n  "fanout_queries": [n    "электролобзик Makita 4329 отзывы",n    "Makita 4329 характеристики",n    "сравнение Makita 4329 и Bosch PST 700",n    "цена Makita 4329 в Москве",n    "электролобзик Makita 4329 гарантия",n    "пилки для Makita 4329 совместимость"n  ]n}

Как применить fan-out данные для магазина на OpenCart

Шаг 1. Группировка по типам

Шаг 2. Приоритизация

Если подзапрос повторяется при разных исходных запросах — это системная потребность аудитории, которую нужно закрывать в первую очередь. Например, подзапрос «гарантия и сервисный центр» появился в 40% fan-out для магазина электроинструментов. Клиент добавил страницу с адресами сервисных центров, гарантийными случаями и сроками ремонта — через месяц +23% визитов из ChatGPT Search.

Шаг 3. Интеграция с контент-планом

Fan-out запросы — это готовый список тем для статей в блог. Причём это темы, по которым AI-агент уже ищет информацию, но не находит качественных источников. Если закроете такой пробел первым — получите преимущество первоисточника.

Что конкретно нужно настроить в OpenCart для AI-поиска

Теоретических рассуждений в сети хватает. Перейду к тому, что можно сделать в магазине на OpenCart прямо сейчас.

1. Микроразметка товарных карточек

Это база, без которой fan-out анализ не имеет смысла. Если модель не может прочитать цену, наличие и характеристики товара — она не включит вас в ответ. Для OpenCart микроразметка реализуется через доработку шаблона product.twig или через OCMod:

<!-- Пример JSON-LD для карточки товара OpenCart -->n<script type="application/ld+json">n{n  "@context": "https://schema.org/",n  "@type": "Product",n  "name": "{{ product_name|escape('js') }}",n  "image": "{{ popup|escape('js') }}",n  "sku": "{{ model|escape('js') }}",n  "brand": {n    "@type": "Brand",n    "name": "{{ manufacturer|escape('js') }}"n  },n  "offers": {n    "@type": "Offer",n    "priceCurrency": "RUB",n    "price": "{{ special ? special : price|replace({' ':''})|escape('js') }}",n    "availability": "https://schema.org/{{ quantity > 0 ? 'InStock' : 'OutOfStock' }}"n  },n  "aggregateRating": {n    "@type": "AggregateRating",n    "ratingValue": "{{ rating|default('0')|escape('js') }}",n    "reviewCount": "{{ reviews|length|escape('js') }}"n  }n}n</script>

Код вставляется в catalog/view/theme/*/template/product/product.twig перед {{ footer }}. После установки — проверьте результат в Google Rich Results Test. Для ocStore названия переменных могут отличаться.

2. Passage-level оптимизация

44,2% цитирований приходятся на первую треть контента страницы (AirOps). Для товарной карточки это означает: все ключевые данные — цена, характеристики, условия доставки, гарантия — должны быть в верхней части. Рекомендуемый порядок блоков в product.twig:

• Название и цена (с микроразметкой)
• Ключевые характеристики — таблицей или списком
• Краткое описание (2–3 предложения с ключевыми преимуществами и цифрами)
• Условия доставки и гарантии
• Полное описание и отзывы

3. Страницы сравнения товаров

Fan-out коммерческого типа почти всегда включает сравнение. Если на сайте нет страниц сравнения или таблиц характеристик — модель сошлётся на конкурента. В OpenCart можно доработать стандартный модуль сравнения, добавив SEO-текст и отдельный URL. Альтернатива — страницы-«гиды по выбору» для каждой категории.

4. Адресные данные и регионы доставки

Локальные запросы (59% вероятности fan-out) — один из главных каналов AI-трафика для e-commerce. Модель ищет: где купить, самовывоз, доставка. Для OpenCart — корректная Local Business разметка на странице контактов с адресом, телефоном, часами работы и регионами доставки.

Сводка GEO-факторов: что реально работает

Альтернативные методы сбора данных AI-поиска

Ограничения: что важно понимать про fan-out

Исследование AirOps на выборке 815K пар «запрос-страница» показало: покрытие fan-out подзапросов контентом почти не коррелирует с частотой цитирования. Реальные предикторы — позиция в поисковой выдаче, совпадение заголовка, микроразметка и авторитетность домена.

Fan-out данные полезны для понимания ассоциативного поля темы, но не заменяют классическое SEO. Техническое состояние сайта, скорость загрузки, структурированные данные и внешние ссылки остаются основой.

Предостережения

• Не пытайтесь закрыть 100% fan-out. Страницы с 26–50% покрытия цитируются не хуже.
• Fan-out меняются чаще ключевых слов. Собирайте данные регулярно.
• API-данные ≠ данные веб-интерфейса. Разные системные промпты дают разницу.
• Не пренебрегайте базой. Fan-out — надстройка, а не фундамент.

Динамика потребительского поведения

• 56% потребителей использовали AI во время праздничного шопинга 2025 (против 11% годом ранее).
• AI-driven retail spending 2026: $20,9 млрд — 4x к $5,3 млрд в 2025-м (eMarketer).
• 39% потребителей и >50% Gen Z используют AI для поиска и сравнения товаров.
• GEO-тактики увеличивают видимость контента до 40% (Princeton/Georgia Tech, KDD 2024).
• Добавление статистики — самый эффективный GEO-приём: +41% к AI-видимости.
• Рынок GEO: $365 млн в 2026, CAGR 42,9%.

Частые вопросы

Точно ли fan-out запросы скрыты с GPT-5.4?

Да: в веб-интерфейсе ChatGPT массив search_model_queries больше не передаётся на клиентскую сторону. Через API данные по-прежнему доступны, но не в виде отдельного поля — их нужно извлекать из структуры ответа.

Сколько стоит сбор fan-out данных?

Один запрос через gpt-5.4-mini с веб-поиском — примерно 10–15 центов. Для анализа 50–100 ключевых слов категории — около 500–1500 рублей.

Чем fan-out отличается от обычного сбора ключевых слов?

Классический сбор ключей показывает, что люди вводят в поиск. Fan-out показывает, как AI-модель структурирует тему. Модель может искать по углам, которые пользователь никогда не введёт в поисковую строку.

Поможет ли это в Яндекс Нейро?

Косвенно. Логика похожа: AI-агент декомпозирует запрос. Если контент структурирован так, чтобы закрывать ключевые аспекты (характеристики, цену, сравнение, отзывы, доставку), вероятность попадания повышается.

Может ли OpenAI заблокировать доступ к fan-out в API?

Технически да. Пока этого не произошло, но платформы меняют правила без предупреждения. Рекомендую собирать данные регулярно, чтобы накопить историю.

Какой моделью лучше пользоваться?

gpt-5.4-mini даёт достаточное качество для контент-анализа. gpt-5.4 (полная) генерирует больше подзапросов, но разница не оправдывает трёхкратного увеличения цены для рутинной работы.

Итог

Fan-out запросы — один из немногих доступных способов заглянуть в «чёрный ящик» AI-поиска. Это не замена классическому SEO, но полезный дополнительный инструмент.

Для владельцев магазинов на OpenCart: выберите 5–10 коммерческих запросов, прогнайте через скрипт, найдите паттерны. Если AI-агент стабильно ищет информацию, которой на сайте нет — это самый дешёвый способ узнать, что писать в блог и какие данные добавлять в карточки товаров. Техническая сторона (скорость загрузки, микроразметка, структурированные данные) остаётся базой, без которой fan-out анализ не имеет смысла.

Если нужна помощь с техническим аудитом магазина на OpenCart или настройкой микроразметки — у нас есть соответствующая услуга. А в блоге — статья про ChatGPT как маркетплейс, где разбирается, как AI-агенты влияют на e-commerce в целом.

Источники

• Kevin Indig, «Shorter, Focused Content Wins in ChatGPT», Growth Memo, апрель 2026. growth-memo.com — 815K пар запрос-страница.
• AI Peekaboo — статистика триггеринга fan-out по типам интента, 2026. aipeekaboo.com
• Search Engine Land — GPT-5.4 Thinking mode: site:-операторы и падение числа доменов на 20%, май 2026.
• OpenAI Platform Docs — Responses API, web_search tool, pricing. platform.openai.com
• OpenAI Python Library v2.44.0 — github.com/openai/openai-python
• BotRank — видимость сайтов в ChatGPT Search, 2026. botrank.ai
• Presenc — паттерны цитирования Perplexity, 2026. presenc.ai
• Similarweb / DemandSage — ChatGPT: 5,7 млрд визитов/мес.
• OpenAI — ChatGPT Shopping Research, ноябрь 2025. openai.com
• RedPinGeek — данные AirOps для товарных страниц, апрель 2026. redpingeek.com
• Princeton/Georgia Tech/IIT Delhi — «GEO: Generative Engine Optimization», KDD 2024.
• Otterly AI — BrightonSEO апрель 2026: влияние схем на AI-цитирование.
• eMarketer — AI-driven retail spending 2026: $20,9 млрд.
• Aiden SEO — Schema markup impact on AI citations, 2026.
• BrightEdge — влияние микроразметки на AI Overviews, 2026.
• UC Berkeley GEO-16 study — 1702 citation across platforms, arxiv.org, 2025.
• Ahrefs — Schema and AI citations study, август 2025 – март 2026.