Query Fan-Out MCP para la optimización de búsquedas con IA

Llevo seis meses construyendo un conjunto de herramientas de optimización de contenido (algunas disponibles en nuestro GitHub, otras llegarán pronto). Está bastante claro que la investigación tradicional de palabras clave ya está rota y desfasada para la búsqueda con IA. No porque las herramientas de palabras clave sean malas en lo que hacen: son excelentes encontrando términos interesantes y volúmenes de búsqueda aproximados, pero los sistemas de IA como ChatGPT y Perplexity no trabajan con palabras clave. Trabajan con clústeres semánticos de consultas.

---

Como soy un friki del sim racing, voy a usar palabras clave de sim racing a lo largo de este artículo. ¡Lo siento!

Funciones del servidor MCP Fanout (github / npm)

Cuando alguien pregunta a ChatGPT «qué bases de volante de sim racing son buenas por menos de 500 libras», no se limita a buscar esa frase exacta en tu contenido. Expande la consulta en decenas de variantes: «bases direct drive económicas», «bases de volante asequibles para principiantes», «bases de 10 Nm por menos de 500 libras», «comparativa Fanatec vs Moza con presupuesto ajustado». Tu contenido debe abordar estas variantes semánticas, no solo la consulta original.

Las herramientas de SEO tradicionales no saben mapear estas variantes. Son ciegas a las entidades y sordas a la conversación (es justo, no fueron diseñadas para esto y, además, algunas de estas ideas tienen 20 años). Así que construí algo que aporta cierta guía cuando reescribes una página: Query Fanout MCP.

Analizando

Qué vamos a cubrir

Esta es una explicación técnica de la metodología query fan-out y de cómo la adapté para el análisis de carencias de contenido:

• La patente de query fanout de Google y su metodología de investigación
• Los ocho tipos de variantes de consulta y algunos resultados de pruebas
• Por qué elegí prompts de LLM frente a redes neuronales
• Datos reales de resultados de mi artículo de prueba de 6.491 palabras
• El equilibrio entre los 5 tipos por defecto y los 8 tipos completos
• Integración en mi flujo de trabajo de optimización de contenido

Lo que esto no cubre: la investigación tradicional de palabras clave para SEO, las estrategias de enlaces (backlinks) o las técnicas de redacción de contenido. Se trata de identificar carencias, no de rellenarlas.

Cómo funciona el query fan-out (fuente: Rankmath)

La crisis de visibilidad SEO

Los sitios perfectamente optimizados para Google no están del todo «completamente invisibles para los sistemas de IA» (investigación de Gemini, 2025), pero se acercan a ello todo el tiempo. Solo el 12 % de las URL citadas por herramientas de IA coinciden con los 10 primeros resultados de Google, según una investigación reciente. No quiero decir que las «técnicas de SEO tradicionales» no sean viables en la búsqueda con IA: siguen siendo su base. Pero no estaríamos haciendo bien nuestro trabajo si simplemente decidiéramos que la búsqueda con IA no era un canal serio y que necesitábamos algunos datos sobre qué funciona. Ya sabes, para cuando la única herramienta de búsqueda en Google sea el modo IA.

Cuando aparecen los AI Overviews en los resultados de búsqueda de Google, la tasa de clics (CTR) de las páginas mejor posicionadas cae un 34,5 % según la investigación de Ahrefs. No porque tu contenido sea malo, sino porque los sistemas de IA priorizan señales diferentes. Les importan las citas, las menciones de entidades y la cobertura semántica, no los enlaces (no tanto, creo).

Las nuevas métricas son Answer Presence (¿te citan?), Citation Share (¿con qué frecuencia?) y Passage Selection Frequency (¿qué secciones concretas?). Las herramientas de SEO tradicionales no miden ninguna de estas.

La investigación Query Fan-Out de Google

La patente de Google US 11663201 B2 (concedida en 2023) describe la metodología central para expandir consultas en variantes semánticas usando redes neuronales entrenadas con registros de consultas.

La patente identificó ocho tipos distintos de variantes:

1. Equivalente: mismo significado, distinta formulación («mejor volante direct drive» → «mejor base DD»)
2. Especificación: enfoque más estrecho («cockpit de sim racing» → «cockpit de perfil de aluminio por menos de 1.000 libras»)
3. Generalización: contexto más amplio («Fanatec CSL DD» → «bases de volante direct drive de entrada»)
4. FollowUp: progresión natural de la conversación («qué es el force feedback» → «cuánto par necesito»)
5. Comparación: relaciones entre entidades («Moza R9 vs Fanatec CSL DD»)
6. Aclaración: desambiguación («qué significa DD en sim racing»)
7. RelatedAspects: temas conectados («opciones de montaje de la base», «volantes compatibles»)
8. Temporal: consultas dependientes del tiempo («mejores bases 2025», «el R9 sigue teniendo soporte»)

Su enfoque usaba redes neuronales entrenadas con registros de consultas masivos. Eficaz, pero requiere infraestructura a escala de Google. Yo necesitaba algo más ligero. Aquí está el paper.

La adaptación de Converly: prompts frente a redes neuronales

Quería resolver este problema con herramientas (potentes) a las que ahora todos tenemos acceso: Claude Desktop y los servidores MCP. El avance fue darme cuenta de que Claude Sonnet 4.5 más o menos ya entiende la semántica de las consultas.

Fan Out Query Analyser en Github

No hace falta entrenar un modelo personalizado cuando los LLM empresariales están preentrenados con billones de parámetros, incluidas consultas de búsqueda. Es interesante, pero aquí ejecuto varios LLM locales y a veces el resultado es bastante limitado.

Mi enfoque, con Sonnet 4.5, usa prompts estructurados con tres señales de contexto:

Contexto de intención:

{
  "intent": "shopping",
  "specificity_preference": "balanced"
}

Contexto temporal:

{
  "currentDate": "2025-12-15",
  "season": "winter"
}

El LLM genera variantes que resultan naturales, como algo que una persona buscaría de verdad, no permutaciones algorítmicas.

Análisis Fan Out en Claude Desktop

Por qué funciona esto:

• Los LLM entienden el contexto (saben que «base económica» implica cosas distintas para una intención de principiante que de experto)
• No requiere datos de entrenamiento (generación zero-shot, a lo loco)
• Personalizable por dominio (puedo ajustar la especificidad y los tipos de variantes según el dominio, los competidores y el tema)
• Suficientemente rápido para producción (4-5 segundos por evaluación de consulta)

El equilibrio: una precisión algo menor que las redes neuronales de Google (mi sistema puntúa 0,75/1,0 en realismo de consultas frente al 0,85/1,0 reportado de Google). Pero para el análisis de carencias de contenido, algo que me interesa desde mis años en Builtvisible, bastante decente.

Resultados de las pruebas: muestra

Mis pruebas se ejecutaron contra una guía de compra de sim racing de 6.491 palabras sobre sim racing para usuarios de PlayStation. Siete escenarios de prueba que cubren distintas intenciones de palabras clave y niveles de especificidad. Esto era lo que parecía en la salida del chat:

Conclusiones clave

Cobertura global: 71/100 — ¡bastante sólido, la verdad!

Principales puntos fuertes:

• ✅ Cobertura excelente de los problemas de compatibilidad de PlayStation (100 %)
• ✅ Recomendaciones sólidas de equipo en todos los rangos de precio
• ✅ Buena explicación del bloqueo de ecosistema (la realidad Fanatec/Logitech)
• ✅ Los desgloses de presupuesto son completos

Carencias críticas:

1. No hay definición del propio sim racing — asume que todo el mundo sabe qué es
2. GT7 nunca se explica — lo menciona por todas partes pero nunca dice qué es
3. Cobertura de juegos limitada — solo GT7 + una breve mención de RENNSPORT
4. Falta contenido de VR — cero cobertura del soporte de carreras en VR para PS5
5. Sin guías de calibración/ajustes — menciona que hay que ajustar el FF, pero no cómo

Dato interesante: el análisis de keyword fan-out muestra que en realidad cubres bien las variantes equivalentes/de especificación (mejores volantes, packs, compatibilidad direct drive), pero echas en falta las preguntas de seguimiento que los usuarios hacen de forma natural tras leer:

• «¿Cómo configuro esto realmente?»
• «¿Qué ajustes debería usar?»
• «¿Qué otros juegos funcionan aparte de GT7?»

Parece que ¡no soy tan mal escritor! Pero hay trabajo por hacer (¿no lo hay siempre?). Me gustan los informes, así que el MCP también tiende a generarte un artefacto / informe; esto es lo que parece:

Dónde encaja esto en el flujo de trabajo de contenido

Query fan-out no sustituye a la investigación de palabras clave. Es el eslabón perdido entre los datos de palabras clave y la cobertura real del contenido. Me gusta mucho este tema para actualizaciones de contenido, para cualquier cosa remotamente laboriosa y repetitiva; ahí es donde tu IA debería subir el nivel.

Flujo tradicional:

1. Investigación de palabras clave (volumen, competencia)
2. Redactar el contenido
3. Rezar para que posicione

Mi flujo optimizado con IA:

1. Investigación de palabras clave (volumen, competencia)
2. Query fan-out (variantes semánticas)
3. Análisis de carencias de contenido (qué falta)
4. Redactar/actualizar el contenido (cubrir las carencias)
5. Validar la cobertura (evaluación Self-RAG)

Mi servidor fanout-mcp implementa esto con un único comando:

npx @converly/fanout-mcp@latest

Luego llama a analyze_content_gap con una URL y una palabra clave opcional. Devuelve un panel interactivo que muestra:

• Variantes de consulta generadas
• Evaluación de cobertura por consulta
• Carencias concretas identificadas (con las secciones exactas que deberían abordarlas)
• Métricas de calidad (realismo, especificidad, precisión de cobertura)

Cómo configurar el Fan-Out Query Analyser

Bien, pongamos esto en marcha. La configuración es sorprendentemente sencilla: no hay que clonar repositorios ni compilar desde el código fuente.

Requisitos previos

Necesitarás tres cosas:

1. Claude Desktop (descárgalo de anthropic.com si aún no lo tienes)
2. Una clave de API de Anthropic (consíguela en console.anthropic.com)
3. Node.js 18+ (pero seguramente ya lo tengas; yo uso v24+)
4. Desktop Commander

Configuración rápida (5 minutos)

La forma más rápida es usar npx, que descarga y ejecuta el paquete directamente:

Paso 1: edita tu configuración de Claude Desktop

La ubicación depende de tu sistema operativo:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

Abre el archivo y añade esto a la sección mcpServers:

{
  "mcpServers": {
    "fanout": {
      "command": "npx",
      "args": ["-y", "@converly/fanout-mcp@latest"],
      "env": {
        "ANTHROPIC_API_KEY": "sk-ant-api03-your-key-here"
      }
    }
  }
}

Importante: sustituye sk-ant-api03-your-key-here por tu clave de API real de console.anthropic.com, esperemos que esto sea algo obvio :-)

Paso 2: reinicia Claude Desktop

Cierra por completo y vuelve a abrir la aplicación. El servidor MCP se carga al inicio.

Paso 3: verifica que funciona

En Claude Desktop, escribe:

List available tools

Deberías ver fanout:analyze_content_gap en la salida. Si no es así, revisa tu archivo de configuración en busca de errores de sintaxis (¡sin comas finales!).

Qué hace cada función

La herramienta ofrece una función principal: analyze_content_gap

Parámetros principales que usarás de verdad:

• url (obligatorio) — la página a analizar
• depth (opcional) — cuántas consultas generar
• target_keyword (opcional) — activa el modo fan-out con variantes de consulta
• focus_area (opcional) — limita el análisis a un tema concreto (p. ej., «precios», «instalación»)

Parámetros avanzados (probablemente no los necesites al principio):

• fan_out_types — qué tipos de variantes generar (por defecto, los 5 tipos más útiles)
• fan_out_only — omite el análisis de contenido y solo genera variantes de palabras clave (50 % más rápido)
• context — señales de intención (shopping, research) y contexto temporal

Cómo usar la herramienta

Análisis básico de contenido (sin orientar a palabras clave):

Analiza https://your-site.com/article en busca de carencias de cobertura de consultas

Claude genera consultas a partir de la estructura de tu artículo y evalúa la cobertura.

Análisis orientado a palabras clave (recomendado para optimización):

Analiza https://your-site.com/sim-racing-guide con target_keyword "direct drive racing wheels"

Esto genera 15-25 variantes de consulta específicas de la palabra clave y comprueba la cobertura de cada una.

Escaneo rápido (la opción más rápida):

Análisis rápido de https://your-site.com/pricing

Genera solo 5 consultas, útil para una identificación rápida de carencias.

Centrarse en una sección concreta:

Analiza https://your-site.com/installation-guide centrándote en "proceso de configuración"

Limita el análisis a las consultas relacionadas con tu área de enfoque.

Lo que recibes a cambio

Claude crea un panel visual interactivo que muestra:

Resumen de cobertura:

• Puntuación global (0-100)
• Consultas totalmente cubiertas (90-100 % de confianza)
• Consultas parcialmente cubiertas (40-89 % de confianza)
• Carencias identificadas (0-39 % de confianza)

Evaluación consulta por consulta:

Para cada consulta verás:

• Estado de cobertura (✓ Cubierta, ⚠ Parcial, ✗ Carencia)
• Nivel de confianza (porcentaje)
• Citas de evidencia (texto exacto de tu contenido)
• Ubicación (qué sección lo aborda)
• Recomendaciones (qué añadir/mejorar)

Ejemplo de salida para una consulta cubierta:

Query: "best PS5 racing wheels under £300"
Status: ✓ COVERED (95% confidence)
Evidence: "For most PlayStation owners getting into sim racing, 
I'd recommend starting with the Logitech G29. It's proven kit, 
widely available, and you can sell it easily if sim racing doesn't 
stick. Current Amazon pricing sits at £200..."
Location: Entry Level: The £200-300 Sweet Spot

Ejemplo de salida para una carencia:

Query: "wireless PS5 racing wheel options"
Status: ✗ GAP (0% confidence)
Gap: No wireless racing wheel options discussed
Recommendation: Add section on wireless PS5 racing wheel options if any exist, 
or explain why wired is standard for sim racing

Además, un informe markdown detallado con todos los datos por si necesitas guardar o compartir los resultados.

Casos de uso habituales

1. Revisión previa a la publicación:

Análisis rápido de https://your-site.com/draft-article

Identifica carencias obvias antes de publicar.

2. Investigación competitiva:

Analiza https://competitor.com/article con target_keyword "tu palabra clave objetivo"

Descubre qué consultas cubren ellos y tú no, recopila un montón de URL que funcionan bien en la búsqueda con IA para averiguar por qué.

3. Actualización de contenido:

Analiza https://your-site.com/old-article con target_keyword "palabra clave principal"

Encuentra carencias de cobertura que hayan surgido desde tu última actualización.

4. Exploración de temas:

Análisis exhaustivo de https://your-site.com/comprehensive-guide

Inmersión profunda en todas las variantes de consulta potenciales (30 consultas, útil para contenido pilar).

Resolución de problemas habituales

Error de «Tool not found»:

• ¿Reiniciaste Claude Desktop tras editar la configuración?
• Revisa claude_desktop_config.json en busca de errores de sintaxis (sin comas finales)
• Verifica que la clave de API esté bien configurada

Rendimiento lento:

• ¡Es normal! El análisis se ejecuta a ~4-5 segundos por consulta
• Usa el nivel quick para resultados más rápidos
• El análisis estándar (15 consultas) tarda ~75 segundos — tómate un café

Puntuaciones de cobertura bajas:

• Comportamiento esperado: las variantes fan-out suelen puntuar un 57-64 % de cobertura
• Es intencionado — la herramienta explora un espacio de consultas más amplio
• Céntrate en las carencias de alta prioridad de las recomendaciones

¿Quieres entender la metodología más a fondo? El README incluye documentación de investigación exhaustiva que explica cómo funciona el query fan-out por dentro.

Lecciones aprendidas

El contexto lo es todo. Las versiones iniciales generaban variantes técnicamente correctas que ninguna persona buscaría de verdad. Cometí este error al principio, ignorar las señales de intención. Añadir señales de intención y temporales mejoró las puntuaciones de realismo de 0,62 a 0,75. Esto ya está hecho por ti en el MCP.

La escalabilidad lineal es aceptable. Al principio me preocupaba que 4-5 segundos por consulta fuera demasiado lento. En la práctica, analizar 20-30 variantes (120-150 segundos) es razonable para un análisis exhaustivo de carencias. ¡El procesamiento en segundo plano hace esto invisible para los usuarios!

La calidad importa más que la cantidad. Optimicé para realismo y especificidad en lugar de generar cientos de variantes. Mejor evaluar 20 consultas realistas que 100 permutaciones algorítmicas.

Self-RAG evita alucinaciones. La evaluación de cobertura debe citar texto real del contenido. Esto eliminó los falsos positivos en los que el sistema afirmaba una cobertura que no existía.

Las señales E-E-A-T siguen dominando. El contenido más citado en los resultados de búsqueda con IA demuestra un historial de experiencia, no solo trucos de optimización. Las menciones de entidades (herramientas, personas, empresas) correlacionan a 0,334 con la frecuencia de citas, más fuerte que los enlaces o la densidad de palabras clave.

Enlaces y referencias

Repositorio de GitHub: https://github.com/converly/fanout-mcp

README de contexto útil y notas de investigación: https://github.com/converly/fanout-mcp/tree/master/research

Paquete NPM: https://www.npmjs.com/package/@converly/fanout-mcp

Investigación de Google:

• Patente US 11663201 B2 (sistemas de expansión de consultas)

Nota de rendimiento: ejecutar este análisis en tu propio contenido revela carencias que no sabías que existían. Encontré un 31 % de carencias de cobertura en lo que yo creía que era contenido exhaustivo. Las variantes que los sistemas de IA buscan de verdad son distintas de las que sugieren las herramientas de palabras clave. Esto es muy molón, pero un informe puede tardar. Por eso usamos una clave de API de Anthropic.

Pruébalo tú mismo: npx @converly/fanout-mcp@latest y cuéntame cómo te va.