ChatGPTやPerplexity、GoogleのAIモードで自社の商品やサービスについて質問したとき、自社が回答の中で紹介されているかを確認したことはあるでしょうか。検索結果の順位では上位に表示されていても、AIが生成する回答の中では一度も触れられていない、というケースは珍しくありません。この「AIの回答内で選ばれるかどうか」に対応する取り組みが、LLMO(Large Language Model Optimization)です。
本記事では、LLMOの定義とSEOとの違い、AIO・AEO・GEOといった類似用語の整理、ChatGPTやPerplexity、GoogleのAIがWebをどう参照しているかという技術的な仕組み、実践できる対策、そして本記事で最も詳しく扱う「AIにどれだけ言及・引用されているかを計測する方法」までを解説します。
LLMOとは
LLMO(Large Language Model Optimization)とは、ChatGPTやPerplexity、GoogleのAIモードなど、大規模言語モデル(LLM)を活用したAIサービスの回答の中で、自社の商品やサービス、ブランドが言及・引用されやすくなるように情報発信を最適化する取り組みです。従来のSEOが「検索結果一覧に自社ページを表示させる」ことを目的とするのに対し、LLMOは「AIが生成する回答そのものの中で、情報源として選ばれる」ことを目的とする点が異なります。LLMOという呼び方自体は、業界横断で統一された定義を持つ学術用語ではなく、GEO(Generative Engine Optimization)やAEO(Answer Engine Optimization)とほぼ同じ意味で使われることが多い、実務上の呼び名だと理解しておくとよいでしょう。
なぜ今LLMOが必要なのか
Google検索にはAI OverviewsやAIモードといった、AIが検索結果の要約や回答を直接生成する機能が組み込まれるようになりました。またChatGPTやPerplexityのように、最初からAIとの対話を通じて情報収集を完結させるサービスの利用も広がっています。検索結果一覧のリンクを一つずつクリックして複数のサイトを見比べるのではなく、AIが生成した一つの回答を読んで意思決定を終えるユーザーが増えていることは、日常的にこれらのサービスを使っていれば実感しやすい変化ではないでしょうか。
この変化が事業に与える影響は明確です。自社サイトが検索結果の上位に表示されていたとしても、AIの回答の中で紹介されなければ、ユーザーの目に触れる機会そのものを失う可能性があります。特に商品・サービスの比較検討フェーズでは、「おすすめの◯◯は？」「◯◯と◯◯の違いは？」といった質問をAIに直接投げるユーザーが増えており、そこで自社が候補として挙がるかどうかが、検討の土俵に乗れるかどうかを左右します。LLMOは、この新しい情報接点に対応するための取り組みです。
LLMOとSEOの違い
SEOは検索結果ページでの掲載順位を高めることを目的とし、LLMOはAIが生成する回答の中で情報源として選ばれることを目的とします。評価される単位も、SEOが「ページ単位の検索順位」であるのに対し、LLMOは「一つの主張・一つの段落が引用に値するかどうか」という、より細かい単位になる点が異なります。ただし、クロールされやすいこと、表示速度が十分であること、内容が正確であることといった技術的な土台はSEOとLLMOで共通しており、LLMOはSEOに取って代わるものではなく、その上に積み上げる取り組みだと捉えるのが実務的です。
観点 | SEO | LLMO |
|---|---|---|
目的 | 検索結果での上位表示 | AIの回答内での言及・引用 |
評価の単位 | ページ・キーワード単位の順位 | 主張・段落単位の引用可否 |
主な確認方法 | 検索順位ツール、オーガニック流入 | AIへの質問に対する自社の登場有無 |
コンテンツの評価軸 | ページ全体としての網羅性 | その一文・一段落だけで意味が通じる自己完結性 |
土台となる技術要件 | クロール性・表示速度・構造化データ | 同左(SEOと共通) |
なお、タイトルタグやメタディスクリプションの調整といった基本的なSEO施策が不要になるわけではありません。文字数のバランスはSEOタイトル・メタディスクリプションの文字数チェッカーのようなツールで確認できます。
LLMO・AIO・AEO・GEOはどう違うのか
LLMOと近い意味で使われる言葉に、AIO(AI Optimization)、AEO(Answer Engine Optimization)、GEO(Generative Engine Optimization)があります。これらは提唱する企業やメディアによって指す範囲が微妙に異なり、業界全体で統一された定義があるわけではありません。おおまかな傾向は次の通りです。
用語 | 主に指すもの |
|---|---|
LLMO(Large Language Model Optimization) | LLMを使ったAIサービス全般の回答の中で、言及・引用されるための最適化 |
GEO(Generative Engine Optimization) | 生成AIによる検索・回答全般への最適化を指す文脈で使われることが多い言葉 |
AEO(Answer Engine Optimization) | 検索に限らず、音声アシスタントなど「答えを返す」サービス全般への最適化を含めて語られることが多い言葉 |
AIO(AI Overviews / AI Optimization) | 日本では主にGoogleの「AIによる概要」(AI Overviews)への対策を指して使われることが多い言葉。「AI Optimization」の略として検索内のAI機能全般を指す用法もあります |
実務上はいずれもほぼ同じ取り組みを指していることが多く、呼び方の違いに神経質になりすぎる必要はありません。本記事では便宜上「LLMO」で表記を統一します。なお、GoogleのAI Overviews・AIモードに絞った対策については、AIO対策の詳細はこちらで解説しています。
AIがWebを参照する仕組み
AIがWeb上の情報を回答に反映する経路は、大きく二つに分けられます。一つは、モデルの学習データとしてあらかじめ取り込まれる経路。もう一つは、ユーザーからの質問に応じてその場でWebを検索・参照する「検索拡張」の経路です。この二つは仕組みも制御方法も異なるため、区別して理解しておく必要があります。
Googleの場合
Google公式のヘルプドキュメントによると、AI OverviewsとAIモードはいずれも「query fan-out」と呼ばれる技術を使い、一つの質問から関連する複数の検索を同時に実行して、幅広い情報源から回答を生成する仕組みになっています。同ドキュメントは、AI機能への対応について「追加の技術要件はない(There are no additional technical requirements)」と明記しており、robots.txtでの通常のクロール許可、内部リンクによるコンテンツの発見しやすさ、そして表示されているテキストと矛盾しない構造化データがあれば十分だとしています。つまりGoogleのAI機能は専用の新しいクローラーを使うのではなく、通常のGoogle検索と同じ仕組みでインデックスされたコンテンツをもとに回答を生成しています。除外したい場合は、nosnippetやdata-nosnippet、max-snippetといったmetaタグ・HTML属性で個別に制御する形になります。なお、AI Overviews・AIモード経由の表示やクリックは、Search Consoleのパフォーマンスレポート内で「ウェブ」検索タイプの一部として確認できます。
ChatGPT(OpenAI)の場合
OpenAIの公式ドキュメントでは、目的の異なる複数のクローラーが紹介されています。モデルの学習用データ収集を行う「GPTBot」、ChatGPTの検索機能でWebサイトを表示させるための「OAI-SearchBot」、ユーザーがChatGPTに質問した際にその場でページを参照する「ChatGPT-User」、そして広告として送信されたページの安全性を検証する「OAI-AdsBot」(学習には使用されないと明記されています)の4種類です。robots.txtではUser-agentごとに個別の許可・拒否を設定でき、たとえばGPTBotだけをDisallowにすれば「学習には使ってほしくないが、検索結果への表示は妨げない」という意思表示になります。各クローラーのIPアドレス範囲も、gptbot.jsonなどのJSONファイルとして公開されています。
Perplexityの場合
Perplexityの公式ドキュメントでも、役割の異なる2種類のクローラーが説明されています。検索結果にサイトを表示・リンクするための「PerplexityBot」(このクローラーはAI基盤モデルの学習には使われないと明記されています)と、ユーザーの質問に答える際にその場でページを参照する「Perplexity-User」です。PerplexityBotはrobots.txtで制御できますが、Perplexity-Userはユーザーの操作に応じたアクセスであるため、robots.txtの指定が一般に適用されない旨が公式に説明されています。IPアドレス範囲はどちらもperplexitybot.json・perplexity-user.jsonとして公開されています。
まとめると、学習用クローラーと検索・回答生成用クローラーは別のUser-agentとして分かれていることが多く、「学習には使われたくないが、AIの回答では紹介されたい」という希望がある場合は、両者を一括で拒否せず、個別に設定を見直すことが重要です。
LLMO対策の実践7項目
ここまでの仕組みを踏まえ、実際にLLMOとして取り組める代表的な施策を7つ紹介します。
直答構造で書く。各セクションの冒頭で結論を先に述べ、その一文・一段落だけを読んでも意味が通じる自己完結した書き方を意識します。AIは長い文章全体ではなく、意味のまとまった一部分を抜き出して回答に使うことが多いため、結論を後回しにする書き方は不利になりやすいと考えられます。
FAQ形式で想定質問に直接答える。ユーザーが実際にAIへ投げかけそうな質問文をそのまま見出しにし、その直下で直接的に回答します。本記事末尾のFAQもこの考え方に沿っています。
構造化データを実装する。FAQPage、Article、Organizationなどの構造化データは、クローラーやAIがページの内容を機械的に理解する助けになります。実装方法や陥りやすいミスは構造化データの実装ガイドで解説しています。
一次情報・独自データを載せる。AIは複数の情報源を横断して回答を組み立てるため、他サイトの要約の焼き直しよりも、自社で計測した数値や独自調査、実際の運用経験に基づく具体例を持つページの方が、引用元として選ばれやすくなると考えられます。
エンティティ表記を一貫させる。会社名・商品名・サービス名の表記が「株式会社」の位置や全角半角、英語表記の有無などでページごとに揺れていないか確認します。表記が割れていると、AIが同一のブランドとして認識しにくくなる可能性があります。
「AIが参照しやすいサイト」での言及を増やす。自社サイトだけでなく、比較サイトやレビューサイト、業界メディアなど第三者のサイトでの言及・掲載を増やすことも有効です。AIは自社サイトの主張だけでなく、第三者による言及も回答生成の材料にしていると考えられます。
AIクローラーを意図せず拒否しない。robots.txtの設定を見直し、前章で紹介した各社のクローラーをまとめてブロックしていないか確認します。学習用と検索・回答生成用は別のUser-agentであることが多いため、目的に応じて個別に判断します。
LLMO対策でよくある誤解
LLMOに取り組む際、次のような誤解には注意が必要です。
一つ目は、「llms.txtを設置すれば効果が保証される」という誤解です。llms.txtはサイトの情報をAIに伝えるための新しい試みとして提案されていますが、今回確認したGoogle・OpenAI・Perplexityの公式クローラー関連ドキュメントには、llms.txtに関する記載はありませんでした。設置自体を否定するものではありませんが、少なくとも主要なAIサービスがllms.txtの読み込みや優先処理を公式に約束しているわけではなく、設置だけで引用が増えると考えるのは早計です。
二つ目は、「AIで大量に生成した記事を量産すれば早く結果が出る」という誤解です。独自性や一次情報に乏しい量産コンテンツは、AIから見ても他のページとの違いに乏しく、引用の材料になりにくいと考えられます。むしろ地道に一次情報や実務経験を蓄積し、表現の質を高めていくことのほうが、遠回りに見えて近道になりやすい取り組みです。
LLMOの費用相場
LLMO対策について、業界横断で確立した公的な月額相場は存在しません。SEOと同様に、対応範囲や社内の運用体制によって費用は大きく変わるためです。目安としては、自社で対応する場合は既存のSEO・コンテンツ制作の体制を延長する形で取り組めるため追加コストを比較的抑えやすい一方、外部に依頼する場合はSEOコンサルティングやコンテンツ支援の一環として提供されることが多く、費用は支援範囲によって大きく異なります。費用を検討する際は、金額の安さだけでなく、次章で説明する「計測方法」が見積もりや提案の中で具体的に示されているかどうかを、比較の基準にすることをおすすめします。
LLMOの計測方法
ここまで対策を紹介してきましたが、実務では「対策をしても、それが効いているのか分からない」という声が最も多く聞かれます。ここでは、自社のLLMOがどれだけ効果を発揮しているかを確認する方法を、手動での確認からツールを使った継続計測まで順を追って説明します。
Search Console(GSC)だけでは把握しきれない理由
Google公式ドキュメントによれば、AI OverviewsやAIモード経由の表示・クリックは、Search Consoleのパフォーマンスレポートで「ウェブ」検索タイプの実績の一部として計測されます。つまりGoogle内のAI機能については、GSCである程度の手がかりが得られます。しかし、ChatGPTやPerplexityなど、Google以外のAIサービスでの言及・引用は、GSCの計測範囲に含まれません。自社サイトへのアクセスが発生しなかった「AIの回答の中では紹介されたが、リンクはクリックされなかった」というケースも、アクセス解析だけでは把握できません。GSCやGA4だけを見ていると、AI経由での自社の露出状況を見落としてしまう可能性があります。
各AIに直接質問して確認する方法
最も手軽に始められるのは、自社の商品・サービスに関連しそうな質問を、実際にAIへ投げかけて確認する方法です。具体的には次のような手順になります。
自社のカテゴリで想定される質問を、「◯◯とは」「おすすめの◯◯」「◯◯ 比較」「◯◯ 選び方」といった切り口で、できるだけ多く洗い出す
パーソナライズや会話履歴の影響を減らすため、ログアウト状態やシークレットモードで質問する
ChatGPT、Perplexity、GoogleのAIモードなど、複数のAIサービスで同じ質問を試す
自社が回答に登場するか、どの競合が登場するか、どのページが引用元として示されているかを記録する
この方法は誰でもすぐに始められる一方で、限界もあります。AIの回答は同じ質問でも聞くたびに文言が変わることがあり、日によって結果が変動します。想定質問と対象のAIサービスが増えるほど、都度手作業で確認して記録し続けるのは現実的に難しくなっていきます。
継続的に計測するには
自社と競合の露出状況を定点観測し、変化を追い続けるには、こうした確認を仕組み化するツールが必要になります。CascadeのAEO分析では、ChatGPTやGoogleのAIモードなどのAI検索で自社や競合がどれだけ言及・引用されているか(可視性・シェアオブボイス)を計測できます。手動でのチェックをある程度自動化し、変化を継続的に把握したい場合の選択肢の一つとして参考にしてみてください。詳しくはAEO分析の機能ページをご覧ください。
よくある質問
LLMOとは何ですか？
LLMO(Large Language Model Optimization)とは、ChatGPTやPerplexity、GoogleのAIモードなど、AIサービスが生成する回答の中で自社の情報が言及・引用されやすくなるように最適化する取り組みです。検索結果の順位を上げる従来のSEOに対し、LLMOはAIの回答そのものの中で情報源として選ばれることを目指します。
SEOとLLMOの違いは何ですか？
SEOは検索結果ページでの掲載順位を高めることを、LLMOはAIが生成する回答の中で言及・引用されることを目的とします。評価の単位も、SEOがページ単位の順位であるのに対し、LLMOは一つの主張・段落が引用に値するかどうかという、より細かい単位になります。土台となる技術要件はSEOと共通しており、LLMOはSEOを置き換えるものではありません。
LLMO対策のやり方は？
直答構造での執筆、FAQ形式のコンテンツ、構造化データの実装、一次情報・独自データの掲載、エンティティ表記の統一、第三者サイトでの言及獲得、AIクローラーを誤って拒否しないrobots.txt設定の7つが基本的な実践項目です。詳しくは本記事の「LLMO対策の実践7項目」で解説しています。
LLMOの月額相場はいくらですか？
業界横断で確立した公的な月額相場はありません。自社で対応する場合は既存のSEO・コンテンツ制作体制の延長として取り組めます。外部のコンサルティングやツールを利用する場合は、SEO支援の一環として提供されることが多く、費用は支援範囲によって異なります。
まとめ
LLMOは、検索結果の順位を競う従来のSEOに、「AIの回答の中で選ばれる」という新しい評価軸を加える取り組みです。直答構造やFAQ、構造化データ、一次情報の充実といった対策は、どれも地道な積み重ねが必要なものばかりで、一晩で結果が変わるものではありません。だからこそ重要なのは、対策を始める前に、まず自社が現在AIの回答の中でどう扱われているか、あるいはまったく扱われていないかを把握しておくことです。
本記事で紹介した手動確認の方法から、まずは自社の主要な質問を10問前後リストアップして試してみてください。競合を含めて継続的な計測が必要になった段階では、Cascadeのように広告運用とあわせてAEO分析ができるツールを活用するのも一つの選択肢です。
