AI検索対策とは何か｜LLMO・GEO・AEOの違いと、いま分かっていること・いないこと

LLMO、GEO、AEO、AIOと呼び名は乱立しているが、指しているものはほぼ同じで、生成AIが買い手の相談に答えるとき自社が候補として挙がり、正確に語られるようにすることである。そして率直に書くと、「これをやれば出る」と証明された手法は、私たちが確認できた範囲では存在しない。あるのは、繰り返し観測されている構造と、根拠の種類がばらばらな施策リストである。本稿は、用語の整理と、施策の根拠の見分け方と、いま言えることと言えないことの線引きを扱う。

4つの用語は、実質的に同じものを指している

よく使われる4つの語を並べる。LLMO（Large Language Model Optimization）は大規模言語モデルへの最適化、GEO（Generative Engine Optimization）は生成エンジンへの最適化、AEO（Answer Engine Optimization）は回答エンジンへの最適化、AIO（AI Optimization）はより広くAIへの最適化を指す。

強調点に違いはある。LLMOはモデルの側、GEOは回答を生成する仕組み、AEOは検索結果ではなく回答が返ることに重心がある。だが実務で行われる作業に、この4つで大きな差はない。どれも「AIが答えるときに自社が出るようにしたい」という同じ目的に向かっている。

用語を選ぶことに時間を使う必要はない。社内で1つに決めて、定義を書き添えれば足りる。本稿では以降「AI検索対策」と呼ぶ。

SEOとの本質的な違いは、順位ではなく要約であること

SEOとの違いを「AIに対応した新しいSEO」と説明されることがあるが、この理解は使いにくい。決定的な違いは、返ってくるものの形にある。

検索エンジンは、リンクの一覧を順位を付けて返す。買い手は一覧を見て、自分でクリックし、自分で比較する。順位が上がれば見られる確率が上がるという関係が成り立つ。

生成AIは、一覧ではなく要約を返す。複数の情報源を読み、買い手の相談に合わせて再構成した文章を返す。ここには「順位」に相当するものがない。あるのは、その要約の中で自社の名前が挙がるかどうか、挙がったとして何を語られるかである。

もう1つの違いは、買い手が条件を付けて相談できることだ。私たちの実験では、相談文に地域の条件を1つ足しただけで、AIが挙げた企業は21社になり、条件なしのときと共通するのは3社だけだった。同じ会社について聞いているのに、条件が変われば候補の名簿がほぼ入れ替わる。順位表という発想が成り立ちにくいのは、このためである。

施策として語られているものを、根拠の種類で分ける

AI検索対策として提案されている施策には、構造化データの実装、FAQの設置、見出し構造の整理、第三者メディアへの掲載、導入事例の拡充、E-E-A-Tの強化などがある。数十項目のチェックリストとして提供されることも多い。

問題は項目数ではなく、根拠が混ざっていることである。同じリストの中に、次の4種類が区別されずに並んでいる。

表1　施策の根拠の4分類

この分類は、施策の善し悪しではなく、根拠の確からしさを見分けるためのものである。

リストを渡されたら、まず項目ごとにこの4つのどれかを問う。出典が書かれていなければ、たいてい推測か類推である。

とくに注意が要るのはSEOからの類推である。検索エンジンで効いた手法がAI検索でも効くという想定は自然に見えるが、返ってくるものが一覧から要約に変わっている以上、同じ前提が成り立つ保証はない。順位を上げるための手法と、要約の中で名前を挙げてもらうための手法が同じかどうかは、それ自体が検証されるべき問いである。

もう1点、項目数の多さは網羅性の証明ではない。62項目のリストと8ステップのリストで内容が一致しないなら、少なくとも一方は根拠を欠いている。項目が多いほど、どれから着手すべきかの判断は難しくなる。

施策の効果を前後比較で検証した公開事例は、確認できていない

ここが本稿の核心である。「この施策には効果がある」と言うには、施策を打つ前に測り、施策を打ち、同じ基準で測り直し、しかも施策を打たない対照と比較する必要がある。この設計を通した検証を、私たちは行っていないし、公開されたものも確認できていない。

誤解のないように書くと、これはすべての施策が無駄だという意味ではない。表1の公式言明にあたるもの、たとえばAIのクローラーがサイトを読めるようにしておくことなどは、読まれなければ引用も推薦も起こりようがないという意味で前提条件にあたる。検証が欠けているのは、その先の「何をどう書けば挙がりやすくなるか」という領域である。

現在公開されている実測の多くは、私たちのものを含めて、ある時点でAIがどう振る舞ったかの観測である。観測は「そうなっていた」までしか言えない。「そうすればそうなる」には届かない。

この違いは実務的に重い。たとえば、AIに語られる情報の型が多い企業ほど登場回数が多いという段差が、私たちの実験で観測されている。施策に翻訳したくなる観測だが、「よく登場する企業だから語られる型が揃った」という逆向きでも同じ数字になる。しかも、型が揃っていながら登場の少ない企業も現にいる。

観測として言えることは、いくつかある

証明された施策はないが、繰り返し観測されている構造はある。判断の前提として使えるものを3つ挙げる。

第一に、企業名が出る場面と出ない場面がある。私たちの実験では、経営課題の相談から手段が決まった段階までの3段階で、27回答すべてで業者名が挙がらなかった。挙がったのは「業者を教えてほしい」と尋ねたターンである。

第二に、買い手が付ける条件によって、候補も語られる内容も変わる。費用の条件を足したときの実績の記述は、ChatGPTで0件、Geminiで0件、Claudeで8件だった。単一のAIの結果で全体を判断できない。

第三に、AIが企業について語る内容は、実績・契約条件・手法・体制・特徴のみの5つの型に分けられる。人材教育・組織開発で555件、会計SaaSで767件を分類し、どちらも型を新設する必要は生じなかった。

この3つは、自社が「候補に入る手前」「候補に入る」「候補の中で語られる」のどこで詰まっているかを見分ける枠組みになる。それぞれの詳細と、どこを見ればよいかは別の記事で扱う。

実務への示唆｜施策を選ぶ前に、測る場所を決める

第一に、自社の見え方をまず測る。何もしていない状態の記録がなければ、何をしても効果は語れない。測定には特別なツールは要らず、買い手の相談文を設計してAIに投げ、回答を記録すればよい。

第二に、測る質問を調達の形に合わせる。悩みの相談文で測って「出ない」と判断するのは、枠が開いていない場所を見ているだけの可能性がある。

第三に、複数のAIで測り、合算しない。合算は、AI間で結果が食い違っているという最も重要な情報を消す。

第四に、施策リストを採用するときは根拠の種類を確認する。公式言明と実測は採用の候補、推測と類推は仮説として保留する。すべてを実行する必要はないし、実行してもどれが効いたかは分からない。

順序としては、施策より先に測定である。効果が証明されていない領域では、打ち手の巧拙より、自社の現在地を知っていることのほうが確実な資産になる。

この記事でわかっていないこと

「効果が確認された施策は存在しない」は、私たちが確認できた範囲の話である。網羅的な文献調査を行ったわけではなく、未公開の検証や見落としがある可能性は残る。

本稿で引用した観測は、いずれも2026年7〜8月時点の測定である。人材教育・組織開発と会計SaaSの2領域が中心で、各実験のnは小さい。それぞれの設計と限界は、該当する実測記事に記載している。

因果は検証していない。本稿のどの観測も、施策を打って再計測したものではないため、「こうすれば出る」とは言えない。

用語の整理は現時点の用法に基づく。LLMO・GEO・AEO・AIOのいずれが定着するか、あるいは別の語に置き換わるかは分からない。

調査概要

表2　本稿で引用した調査

各調査の設計・n・限界・クライアント関与は、それぞれを扱った実測記事に記載している。設計が異なるため、調査間で数値を比較してはいけない。5記述型の判定は判定基準v2.1による（「価格」はv2.2で「契約条件」に改称）。

調査対象企業はすべて匿名である。本稿は入口の整理を目的としており、各観測の詳細は個別の実測記事を参照されたい。