LLMO・GEO・AI SEOとは？俗説を除いた、根拠のある対策だけを解説

ChatGPT、Gemini、Perplexity、AI Overviewの回答にブランドが載る道は、主に次の2つで、互いに重なり合っています。LLMOは、その両方に取り組む仕事です。

1. 検索経由。モデルは回答の途中でウェブを検索し、見つけたページの一部を引用します。ここではSEOと同じことが効きます。クローラーのアクセス、インデックス、キーワードとそのバリエーションでの可視性、ページ全体を読まなくても質問に答えられる文章のまとまりです。効果は、SEOと同じく、数週間から数か月で見えてきます。
2. モデルの記憶経由。モデルは、学習が終わる前に覚えたことから答えます。その記憶は、モデルがウェブを検索するときに誰を挙げるかにも影響します。ここで効くのは、他の人がブランドについて何を書いたかと、多くの情報源にわたる一貫したブランドの説明です。記憶が変わる速さは計測していないので、四半期の範囲では何も約束しません。

LLMOの「小技」の大半には根拠がなく、一部は私が自分のデータで検証しました。 llms.txtと構造化データが引用につながるという根拠はありません。見出しを増やしても、私のテストでは上位3位に入るページは増えませんでした。サブクエリでの順位が、メインのキーワードでの順位より引用をよく予測するかというテストは、何も決着させず、最初に出した私の結論は相互チェックで覆りました。それぞれの根拠は、以下に書いています。

LLMOとは何ですか？GEOやAI SEOとの違いは？

LLMOとは、AIが生成する回答（GoogleのAI OverviewとAIモード、ChatGPT、Gemini、Perplexity、Copilot）にブランドが登場するようにする仕事です。 同じ仕事にいくつもの名前があり、名前の違いは主にマーケティング上のものです：

GEOという名称は学術論文に由来し、この仕事の土台はSEOと同じです。 GEOは、2023年11月の論文で生まれ、KDD 2024に採択されました。著者のPranjal Aggarwalらは、自分たちのテスト用データで、コンテンツを変えると生成AIの回答の中での情報源の可視性が最大40%上がりうることを示しました（arXiv）。Googleはドキュメントで、生成AI検索の最適化は今もSEOだと書いています（Google Search Central）。ZyppyのCyrus Shepardは、企業にGEOの独立した戦略が必要かという問いに、似た答えを出しています：

この仕事には、人々のあいだでも1つの名前がなく、それはGoogleの検索結果にも表れています。 「AIでの検索対策は何と呼ばれていますか」という質問が、ポーランドの検索結果の「他の人はこちらも質問」に出ており、ドイツ、スペイン、フィンランドの検索結果にもそれに当たる質問があります。英語の「What is AI SEO called now?」は、アメリカ、スウェーデン、シンガポールの検索結果に出ています。GEO（またはLLMO）とSEOの違いを問う質問は、確認した27市場のうち9市場に出ていて、ブラジルから日本までに及びます。

どの名称が主流かは、市場によって違います。 日本では、このテーマの月間約16,730回の検索の72%がLLMOで、「llmo」というキーワードだけで約12,100回あり、アメリカの「ai seo」（約6,600回）より多いです。ドイツとフランスではGEOが主流（64%と66%）で、韓国では83%です。ポーランドでは、月間約2,265回の検索の58%がAI SEOで、「ai seo」というキーワードとポーランド語の呼び方（「pozycjonowanie ai」「pozycjonowanie w ai」）を含み、GEOは32%です。アメリカではAI SEOとGEOが拮抗していて、月間約25,400回の検索の42%と39%、スペインでは同数（44%と44%）です。チェコの検索データには、どの名称の需要もありません。

「ai seo」というキーワードはあいまいなので、AI SEOの割合は上限として扱っています。 「ai seo」では、Googleは、AI時代の検索対策についての文章のほかに、AIツールや、AIを使ってSEOを行うためのガイドも表示します。アメリカでは上位10件の半数を超え、デンマークでは8件のうち少なくとも6件です。ただし、アメリカとデンマークでこのキーワードに出るAI Overviewは、AI SEOをAIの回答に向けた最適化と説明しているので、Googleはこの仕事の名前として扱っています。この1つのキーワードを除くと、私のブログの26市場のうち25市場でGEOが首位で、日本ではLLMOが残ります。ポーランドでは、意味がはっきりしているポーランド語の呼び方（「pozycjonowanie ai」「pozycjonowanie w ai」）が合計で月間約580回、GEOが約725回です。SEOのためのAIツールについては、別の記事で書きます。

「aeo」単体は、数に入れていません。ポーランドでは主に関税上の認証を指し、アメリカでは検索結果の一部が、アパレルチェーンのAmerican Eagleの株価情報だからです。 ポーランドのGoogleで「aeo」を検索すると、最初の4件のうち3件は財務省関連のページです。「answer engine optimization」のような正式名称のキーワードは、「その他」の系列に入れています。

この記事の各言語版は、それぞれの市場で検索されている名称を使います。 日本語版はLLMO、ドイツ語版とフランス語版はGEO、ポーランド語版は「pozycjonowanie w AI」とAI SEOを使います。この日本語版では、日本の検索の大半を占めるLLMOを主な呼び方とし、タイトルにはGEOとAI SEOも併記しています。

AIは回答の情報源をどう選びますか？

モデルは、検索か記憶のどちらかから答えます。何を変えられるかは、そこで決まります。 ウェブを検索するときは、質問をいくつかのクエリに分け、結果を取得して、その中から文章を選び、一部を引用します。Googleはドキュメントでこれを「query fan-out」と呼んでいます。システムが、サブトピックについて、さまざまな情報源から、関連する複数の検索を送る仕組みです（Google Search Central）。モデルが検索しないときは、学習中に覚えたことから答え、その場合、Googleでのページの順位は何も変えません。

この2つの道は重なり合っています。モデルがウェブを検索した回答でも、モデルの記憶が影響するからです。 DejanのDan Petrovicは、回答の本文でブランドが言及されるかどうかは、主にモデルが以前から持っている知識に基づいていて、1つのページがそれを動かすことはほとんどないと書いています（Dejan、2026年7月7日）。そのため、2つの道は別々に計測しますが、取り組みは並行して進めます。

モデルがどれくらいウェブを検索するかはモデルによって違い、私のテストでは94件中10-94件でした。 私が運営しているプロジェクトの94個のキーワードを、英語とポーランド語で、2026年10月3日から4日にかけての夜にAPI経由で確認し、翌朝にもう一度確認しました。同じ現象を、5つのガイド系の質問で確認した結果は、SEO戦略の記事で書いています。ここでは、より大きなデータセットで確認しています。

• 94件中93件Gemini 2.5 Flashが、1回目に検索エンジンを使った回数（2回目は94件中94件）。私のAPIテスト、2026年10月3-4日
• 94件中71件Gemini 3.5 Flashが検索した回数（2回目は94件中69件）。私のAPIテスト、2026年10月3-4日
• 84件中25件Gemini 3.1 Proが検索した回数（10件の呼び出しは上限エラーで終わりました。2回目は94件中32件）。私のAPIテスト、2026年10月3-4日
• 94件中10件Gemini 3.8 Flashが検索した回数（2回目は94件中15件）。残りのキーワードでは記憶から答えました。私のAPIテスト、2026年10月3-4日

この設定では、新しいバージョンのGemini Flashほど検索が減りましたが、Gemini 3.1 Proはこのパターンに当てはまりません。 ProはバージョンがFlashの3.5より古いのに、検索はFlashより少なかったのです。これは1つのモデルファミリーと1つのAPI設定であり、ユーザーが見るGeminiアプリではないので、数値は規則ではなく目安として扱っています。それでも、計測のたびに、モデルが何件の質問で検索したかを確認する理由としては十分です。

新しいポーランドのブランドについてのモデルの記憶には穴があり、一部のモデルはその説明を作り上げました。 同じプロジェクトで、私が手がけているブランドについての質問に対する約500件の回答を、別のモデルが目隠しで採点しました。このデータセットにあった新しいポーランドのブランドの1つは、確認したすべてのモデルが知らず、それについての12件の回答のうち9件で、説明は作り話でした。作り話の割合はモデルによって違い、すべてのブランドの回答で5%から77%でした。採点は1つのモデルが行ったので、約10パーセントポイント未満の差は、ばらつきとして扱っています。

同じドメインでも、一方の道では見えて、もう一方では見えないことがあります。 あるサイトは、GoogleのAIモードで13組のキーワードのうち10組で引用されましたが、検索なしのモデルの回答には一度も出ませんでした（13件中0件）。1つのドメインと13組の例なので、これは規則ではなく一例です。

より大きな規模の研究でも、近い現象が見られます。 Dan Petrovicは、13のモデルとWikipediaの2,150個の事実を対象にしたGoogle Researchの研究を紹介しています。Gemini 3 ProやGPT-5といった上位のモデルは、その知識の95-98%を重みの中に持っていますが、そのうちの26-34%を思い出せません（Dejan、2026年8月17日）。これは百科事典的な事実であり、ブランドの知識ではありませんが、ブランドにとっての結論は似ています。情報が学習データにあっても、モデルがそれを言うとは限りません。

検索経由でAIの回答に載るには？

検索経由の道では、SEOと同じことが効きますが、1つ違いがあります。 Googleは、AI OverviewとAIモードに載るには、ページがインデックスに登録されていて、スニペットとして検索結果に表示される状態であればよく、追加の技術的な要件はないと書いています（Google Search Central）。違いは、モデルが複数のクエリを同時に送るので、メインのキーワード1つでしか見えないページより、そのバリエーションでも見えるページのほうが、引用される機会が多いことです。また、ChatGPTには独自の検索クローラーがあり（後述）、Googleでの可視性がそのままChatGPTに移るわけではありません。

AIクローラーのアクセス

AI検索のクローラーは、サイトの所有者が知らないうちにブロックされていることがあります。 ファイアウォールやコンテンツ配信ネットワーク（CDN）の設定が、リクエスト数がしきい値を超えて初めてブロックすることがよくあり、1回のテストでは何もわかりません。私は、Google、OpenAI、Perplexity、Anthropicのクローラー名を付けた一連のリクエストを送り、サーバーの応答を、通常のブラウザが受け取る応答と比べています。

モデルの学習のブロックと、検索のブロックは、別の判断です。 OpenAIはこの役割を分けています。GPTBotは、モデルの学習に使われうるコンテンツを収集し、OAI-SearchBotは、ChatGPTの検索結果に載るかどうかを左右します。OpenAIは、OAI-SearchBotをブロックしたサイトはChatGPTの検索の回答に表示されず、GPTBotをブロックしてもそれは変わらないと書いています（OpenAI）。同様に、Google-ExtendedはGeminiのモデルによるコンテンツの利用を制御しますが、Googleによれば、検索での表示や順位には影響しません（Google Search Central）。すべてのAIクローラーを1つのスイッチでブロックすると、渡すつもりのなかったChatGPT検索での表示を失うことがあります。

キーワードの順位とサブクエリ

順位が高いほど引用される可能性が上がるかどうかは、わかりません。私のデータでは決着しないからです。 SEO戦略の記事の仮説の一覧で、非常に近い5つのキーワードのうち1つでしかAI Overviewに引用されなかった記事について書きました。引用されたのは、最も順位が低かったキーワードでした。サブクエリはモデルが作るもので、回答のたびに変わりうるので、「キーワードXのサブクエリ」という固定の一覧はありません。私の94個のキーワードでは、モデルは1回の実行で493個の異なるサブクエリを作り、平均で1キーワードあたり5個強でした。

サブクエリでの順位が、メインのキーワードでの順位より引用をよく予測するかを確認しましたが、最初の結果は相互チェックを通りませんでした。 私が運営しているプロジェクトのキーワードとページの組で、結果を計算する前にルールを書き留めました。指標はROC曲線の下の面積（AUC）で、あるシグナルが引用されたページと引用されなかったページをどれだけうまく分けるかを示します（0.5はコイン投げと同じ水準、1は誤りのない分離です）。サブクエリは、その面積が0.10以上大きければ勝ちとしました。AI Overviewのテスト用に取り分けた29組では、差は0.44で、テストは「合格」でした。

相互チェックで、精度の違う2つの計測を比べていたことがわかりました。 すべてを最初から計算し直したレビュアーは、私の数値を一桁まで再現しましたが、メインのキーワードの順位はGoogleの検索結果の1回の取得から、引用は5回の取得から取っていると指摘しました。順位を同じ5回の取得から計算し直すと、差は0.04に縮まり、信頼区間は-0.28から+0.36でした。したがって、サブクエリが順位より優れているとも、劣っているとも示せていません。どちらのシグナルも何かを伝えているので、両方で取り組んでいます。

DataForSEOの1回の取得での順位は、結果のいくつかのバリエーションからの抽選のようなものでした。 同じ94個のキーワードを約1時間おきに3回取得すると、同じキーワードの2回の取得は、上位10件の共通URLが中央値で少なく、ジャッカード係数（2つの集合の一致度を0から1で表す指標）は0.14-0.15でした。バリエーションの一部は、おそらく人間がブラウザでは見ない結果です。5個のキーワードでは、ブラウザの結果がそのうち1つと一致していました。一方、AI Overviewは安定していて、その有無は取得の間で97-99%一致しました。そのため、このツールでの順位は、現在、同時に送った約10回の取得に占める割合として計算しています。他のツールは、同じ方法では確認していません。

単体で答えになる文章のまとまり

モデルは通常、ページ全体ではなく、自分のクエリに答える文章のまとまりを使います。 そのため、どの文章のまとまりも、ページの残りを読まなくてもわかるように書いています。見出しの下の最初の文で答え、数値は分母と日付とともに示し、「これ」「それ」ではなく名前を書きます。この記事のすべての段落が結論の文で始まるのは、このためです。これはよい書き方の習慣で、人間にも役立ち、AI向けの特別な技法ではありません。

だからといって、コンテンツを細かく刻んだり、見出しを増やしたりする必要はありません。 Googleは、AIによる理解を助けるために、コンテンツを細かいまとまりに分ける必要はないとはっきり書いています（Google Search Central）。見出しを増やすと上位3位に入りやすくなるかも確認しました。法人向けソフトウェアという分野の英語の119件のクエリについて、上位10件の632ページ（アメリカ、2026年9月26日）を調べたところ、オッズ比は0.95（95%信頼区間：0.81-1.12）で、テキストの長さを調整すると1.00でした。上位3位に入ったページの割合は、見出しの数が少ない順に3つのグループで、ほぼ同じでした：32%、34%、32%。これは、SEO戦略の記事で書いたものと同じテストで、1つの分野、1日の計測です。それでも、順位を上げるために見出しを足すのをやめるには十分です。見出しは、その下の文章が何についてかを示すために付けます。

ポーランド語の質問、英語のサブクエリ

私のデータセットでは、ポーランド語の質問に対するサブクエリの一部が英語でした。 ポーランド語のキーワードに対して作られた277個のサブクエリのうち81個には、ポーランド語の特徴がありませんでした。たとえば、1つのカテゴリの製品ランキングについてのポーランド語の質問が、名前に年を含む英語のクエリに変わりました。これは1つのデータセットでの大まかな判定にすぎませんが、ポーランドのブランドでは、英語の情報源がそのブランドについて何と言っているかも確認する理由としては十分です。

モデルの記憶に入るには？

モデルの記憶は、自分のサイトだけでは変えられません。他の人があなたについて何を書いているかが効きます。 モデルは、学習が終わる前に集められた大量のテキストから学びます。ブランドについて主にブランド自身が書いていて、他の情報源が古いか、食い違っているなら、モデルは古い、または食い違った姿を繰り返します。モデルの記憶がどれくらいの速さで更新されるかの計測はありません。次のバージョンになって初めて変わると考えているので、四半期の範囲では何も約束しません。

自分のブランドでは、誤りの2つの原因が同時に見えます。 Geminiは、私を数年前の勤務先とともに現在形で説明し、rogala.proを「構築中」のサイトとして説明しました。モデルが私について最も多く繰り返した2つの説明は、私の名前でGoogleの上位に出る業界サイトの経歴紹介の文面そのままでした。一方、私の名前の検索結果で確認した26ページのどれも、その勤務先を現在のものとして挙げていないので、この誤りはモデルの記憶の中にある可能性が高いです。経歴紹介が更新されたら、同じ質問で確認します。

モデルがブランドについて何を覚えているかは、AI可視性のツールを使わなくても、自分で確認できます。 検索にアクセスさせずに、ブランドについて質問します。最も確実なのは、検索ツールなしのAPIを使う方法です。ブランドが何をしているか、誰向けか、いつから活動しているかを聞き、それぞれの質問を3回ずつ行います。次に、回答を事実と照らし合わせ、最新のもの、古いもの、作り話を分けて記録します。

ブランドの一貫した定義がないまま言及が増えても、古い説明が繰り返されるだけなので、私は最初にアイデンティティを整えます。 私の順番は次のとおりです：

• ブランドの定義を1つにする。サイト、プロフィール、他のサイトの経歴紹介で同じものを使う。
• 手作業で確認した識別子付きの構造化データ。
• Wikidataなどのナレッジベースへの登録。それを裏付ける情報源がある場合だけ。
• その後で、他の人が編集する場所での言及と掲載。

識別子は、サイトのコードに入れる前に、開いて読む必要があります。 2026年10月5日、前日からrogala.proの構造化データに入っていたKnowledge Graphの識別子が、同姓同名の俳優のパネルにつながっていることに気づきました。約1日のあいだ、私のサイトは検索エンジンに、私が俳優であると宣言していたことになります。確認には1分しかかかりません。google.com/search?kgmid= に識別子を付けたアドレスを開けば、本当は誰のものかがわかります。

Wikidataを使っても、情報源のない立場は得られません。 Wikidataは存命の人物の情報に情報源を求めるので、あなた以外の誰も書いていない専門分野を宣言することはできません。そのため私は、データベースへの登録からではなく、他の人が編集する場所への掲載から始めました。

LLMOで効果のあるものと、俗説は何ですか？

LLMOに関する主張は、根拠の強さで分けています。 「文書で確認済み」は検索エンジンのドキュメントが裏付けるもの、「私の計測」は1つの設定での結果で、繰り返し確認しているものです。「否定された」と「示せなかった」は、自分のデータで確認し、持ちこたえなかったか、何も決着させなかったものです。「根拠なし」は、計測の裏付けがない一般的なアドバイスで、逆の根拠があることもあります。

llms.txtやMarkdown版のページがAIの回答に載る助けになるという根拠はありません。 Googleは、同社の検索に載るために、機械向けの新しいファイル、AI向けのテキストファイル、マークアップ、Markdownを作る必要はないと書いています（Google Search Central）。2026年7月に私のポートフォリオの10ドメインを確認したところ、AIエージェントにMarkdown版を返していたものはありませんでした。rogala.proでは、10月8日からすべてのページにMarkdown版とllms.txtがあり、11月8日まで、誰かがそれらを取得するかをサーバーのログで計測しています。ポーランドでは「llms txt」というキーワードが月間約720回検索されているので、このテーマは別の記事で書きます。

構造化データは、検索エンジンにブランドを説明しますが、引用につながるという根拠はありません。 Googleは、構造化データは生成AI検索では必須ではなく、追加が必要な特別なschema.orgのマークアップもないと書いています（Google Search Central）。Seer InteractiveのMatt Buxbaumは、AI Overviewの8,500個のキーワードと、そこで初めて引用された6,354ページを分析しました。schemaとE-E-A-Tのシグナルは勝ちとの関連が最も弱く、FAQとHowToのマークアップが最も多いページは約10倍悪い結果でした（Seer Interactive、2026年5月28日）。これは相関なので、マークアップが害になるかはわかりませんが、このデータを、効果の根拠とは読んでいません。構造化データは、エンティティ（誰が、何を、どこで、どの識別子で）を説明するために使っています。そのためのものだからです。AIの回答への影響についての自分のテストは、まだ終わっていません。

言及と引用は別のものですが、多くのレポートは混同しています。 Petrovicは、3つの出来事を分けています。システムが回答の材料として取得したページ、情報源として表示されたページである引用、そしてユーザーが読んで覚える回答の本文の中のブランド名である言及です（Dejan、2026年7月7日）。ブランドは、本文で言及されずに引用されることも、ページが引用されずに言及されることもあります。そのため、この2つは別々に計測し、1つの「AI可視性スコア」には合算しません。

LLMOの効果はどう測りますか？

基準値がなければ、効果をどの変更にも結びつけられないので、最初の修正の前に記録します。 基準値には、そのまま書き留めた質問、モデルの名前とバージョン、日付、市場が入ります。質問は、需要のデータとSearch Consoleから作ります。大半にブランド名は入れません。質問にある名前が、モデルに答えを教えてしまうからです。2つの順位帯からなる質問のセットについては、SEO戦略の記事で書いています。

5つのことを別々に計測します。それぞれが別の方向に動きうるからです：

1. 回答の本文でのブランドの言及。
2. 情報源としてのページの引用。
3. モデルがそもそもウェブを検索したか。つまり、検索と記憶を別々に見ること。
4. アナリティクスでのAIアシスタントからの流入。一部の訪問は流入元の情報なしで来るので、常に下限です。
5. 同じ期間のGoogleからの流入。AI向けの変更が、通常の検索結果を犠牲にしていないかを見るためです。

チャットの回答はランダムなので、1つの質問を同時に3回送ります。 AI Overviewは安定しているので、1回の取得で足ります。AI可視性のツールの数値は、必ず分母とともに読みます。それは私の質問のセットの中での割合であり、誰も知らない「AI市場でのシェア」ではありません。

自分のサイトで何をしていて、何がまだわかっていませんか？

AIが検索に与える影響については2016年から公の場で話していますが、AIの回答に自分のブランドはまだ載っていません。私の実験は、そこから始まりました。 2026年7月26日の基準値では、rogala.proは、Ahrefsでポーランドについて確認した7つのAIの画面のどれでも、1件も引用されていませんでした。また、3つのプラットフォームでの6回の確認で、私の名前を含まない質問に対して、私を挙げたモデルはありませんでした。名前で私について聞かれたモデルは、数年前の説明を繰り返しました。これは1回の計測で、ChatGPTは含まれていません。回答の収集に使ったツールが、ChatGPTについては結果を返さなかったからです。そのため、証拠ではなく出発点として扱っています。

作業の順番はデータから決めています。まずアイデンティティ、その次に到達範囲です。 プロフィールで定義を1つにまとめ（LinkedInでは30の言語版で）、構造化データの識別子を確認し（そこで俳優の件が起きました）、サイトとブログを27の言語で、Markdown版付きで立ち上げました。到達範囲、つまり他のメディアでの掲載と言及は、その後に来ます。

これが効くかどうかは、まだわかりません。 AIの回答の最初の再計測は、2026年11月1日からと計画しており、Markdownファイルの計測結果は11月8日以降に出ます。結果は、ゼロだった場合も含めて、この記事に追記します。

LLMOに関するよくある質問

何から始めればよいですか？

最初の3つのステップには、時間以外の費用はかかりません。 AI検索のクローラーが、あなたのサイトを受け取れているかを確認します。ブランド名を含めずに、顧客が尋ねる質問をいくつか、同時に3回ずつ送り、誰が言及され、誰が引用されるかを記録します。ブランド名だけのGoogleの検索結果が何と言っているかを読みます。モデルは同じ情報源を使うからです。結果が意外だったなら、相談するのによい題材です。