本記事でカバーする7つのポイント

AI回答が引用するソースとGoogle上位は20％未満しか重ならない
→ LLMO / GEO は従来SEOとは異なる「別レイヤーの競争」である。
Google AI Overview 登場後、検索1位のCTRは平均34.5％低下
→ クリック至上主義のSEOから「AI回答に採用されること」への転換が必要。
AI回答から流入するユーザーのCVRは従来検索の約4.4倍
→ 数ではなく「質の高い意図を持つユーザー」がAI経由で流入している。
GEO-Bench 実証実験：
統計・引用追加は可視性を30〜40％向上、キーワード詰め込みは−10％の逆効果
→ AI最適化で効くのは “情報の独自性と信頼性” である。
下位サイトほど GEO 施策の効果が大きい
→ AI検索は「後発・中小サイトにもチャンスがある」新しい分配メカニズム。

6. Reference Rate（参照率）という新指標が台頭
→ 「AIがどれだけあなたを引用したか」が、SEOの新しいKPIとなる。

7. 最も効果のある戦略は “Information Gain × 構造化 × エンティティ” の三位一体
→ AIに引用されるコンテンツは「独自情報」「取り出しやすさ」「ブランドの一貫性」で決まる。

概要

Large Language Model Optimization（LLMO） と
Generative Engine Optimization（GEO） は、
ChatGPT・Microsoft Copilot・GoogleのAI Overview（旧SGE）・Perplexity などの

「回答を生成するAIエンジン」

を前提とした、新しいSEOパラダイムです。

従来のSEOが

「検索結果ページで上位にリンクを表示させること」

をゴールにしていたのに対して、
LLMO/GEOは

AIが生成する回答の中で、どれだけ頻繁に・どのような文脈で自社が「引用・要約・推薦」されるか

に焦点を当てます。

序章：本レビューの目的：LLMO・GEO研究に迫る理由

生成AI検索へのシフト

従来の検索：

短いクエリ（平均 3〜4語）
10個のリンクからユーザーが自分で選ぶ

生成AI検索：

会話的で長いクエリ（平均 20語以上）【a16z, 2025】
AIが複数ソースから要約し、1つの回答として提示
その中に 3〜4サイト程度が引用・リンクされる

ChatGPT の急速な普及や、
Google AI Overview / Microsoft Copilot / Perplexity などの普及により、

「まずAIに聞いて、その後に紹介されたサイトを比較する」

という行動が、情報収集のスタンダードになりつつあります。

LLMO / GEO の定義

LLMO（Large Language Model Optimization）
- ChatGPT, Claude, Gemini など LLMベースの会話エージェントから
  自社ブランド・自社サイトが正しく言及・推薦・要約されるように最適化すること。
GEO（Generative Engine Optimization）
- Google AI Overview, Bing Copilot, Perplexity など
  「検索＋生成」を行うエンジン（生成エンジン） での可視性を高める最適化。

実務上は両者の戦略が大きく重なるため、
本記事では 「LLMO / GEO」をほぼ同義の総称として扱います。

研究方法（Methodology）

本レビューでは、以下のソースを対象にしました：

学術論文・プレプリント
- Aggarwal et al. (2024)
  「GEO: Generative Engine Optimization」（ACM KDD 2024）
  - GEO-Bench というベンチマークを提案し、
    統計・引用追加によるAI可視性向上（30〜40％）を定量的に示す
  - arXiv / ar5iv 版：
    https://ar5iv.labs.arxiv.org/
- Liu et al. (2025)
  「Generative Engine Optimization and Sponsored Search Bidding」【SSRN】
  - AI Overview が CTR とコンテンツ投資インセンティブに与える影響を
    ゲーム理論的に分析
業界分析・ケーススタディ
- Search Engine Land / Semrush / Ahrefs / Vercel Blog など
- Wired, Andreessen Horowitz（a16z）による GEO 特集記事
  - 例：Schiffer & Matsakis, 2025 “Forget SEO. Welcome to GEO.”【Wired】
    Forget SEO. Welcome to the World of Generative Engine Optimization
SEOエージェンシーの実務ガイド
- Wallaroo Media
  "A Comprehensive Guide to LLM SEO, LLMO, and GEO"
- Semrush
  Pol, T. “Generative Engine Optimization: The New Era of Search”
データスタディ
- Ahrefs：
  「AI Overview によりトップ結果CTRが約34.5％低下」【2025】

それぞれのソースから、「AI検索での可視性」「最適化戦略」「指標化」の観点で
共通点と違いを抽出し、コンテンツ施策に落とし込みやすい形で整理しています。

従来SEOと LLMO / GEO の違いと共通点

比較テーブル：SEO vs LLMO / GEO

軸	従来のSEO	LLMO / GEO（生成エンジン最適化）
主なゴール	SERPでの順位・クリック数（CTR）	AI回答内での引用・参照頻度（Reference Rate）
主な対象	Google / Bing のリンク型検索	ChatGPT, Copilot, Google AI Overview, Perplexity など
検索クエリの長さ	平均3〜4語のキーワード	平均20語前後の会話的・具体的な質問
評価の中心	キーワード・被リンク・E-E-A-T	意味的関連性・情報の独自性・構造化・エンティティ性
有効な戦術	タイトル最適化、内部リンク、被リンク獲得	FAQ/Q&A構造、統計・引用追加、スキーマ、エンティティ最適化
効かなくなりつつある戦術	キーワード詰め込み、表層的な薄いコンテンツ	Keyword Stuffing はAI可視性をむしろ低下させる
成功指標	オーガニックトラフィック・順位・CTR	AI回答への採用率・参照率・回答内でのポジション

リザルト１：生成AI検索がトラフィックと可視性に与える影響

AIによる「ゼロクリック」化とCTR低下

Ahrefs による 30万クエリ分析【Ahrefs, 2025】では：

Googleの AI Overview が表示されるクエリでは
- 1位表示のCTRが平均約34.5％低下
- 期待CTR 5.6％ → 実測 3.1％というケースも報告

これは、ユーザーがAIの要約だけで満足し、
サイトへクリックしない「ゼロクリック検索」が増えていることを意味します。

AI Overview 導入による1位CTRの変化（2024→2025）

出典：Ahrefs の30万クエリ分析をもとに筆者作成（AI Overview 有無でのCTR比較）

一方で：

AI回答からクリックしてくるユーザーは、
検討フェーズが進んだ「高コンバージョン層」 であるという分析もあり、
AI経由トラフィックのCVRは従来SEO経由の約4.4倍 という報告もあります【Search Engine Land】。

量より質：
クリック数が減っても、
AIに「推薦・引用」されることで、
高い購買意欲を持ったユーザーに深く刺さるという構図になりつつあります。

出典：Semrush 等のAI検索トラフィック分析をもとに筆者作成。
AI検索経由のCVRは従来オーガニック検索の約4.4倍と報告されている。

AIが参照するソースはGoogle上位と「ほぼ別世界」

Wired の取材【Wired, 2025】によれば：

当初は「AI回答が引用するソース」と「Google上位結果」の重なりは
約70％あったが、
現在では 20％未満まで低下

これは、AIが「従来の強いサイト」だけでなく、
ニッチで専門的、かつ構造化されたコンテンツを積極的に採用していることを示しています。

チャンス：

Googleで1ページ目に入っていなくても、
LLMO / GEO 対策ができていればAI回答に採用される可能性がある

小規模サイト・新興ブランドでも「AIファースト」で設計すれば、
大手を相手に「AI内シェア」を奪うことが可能

リザルト２・３: LLMO / GEO の具体的戦略

ここからは、GEO-Bench（Aggarwal et al., 2024） や
Search Engine Land / Wallaroo / Semrush などの事例をベースに、
実際に効くと検証された施策 を整理します。

1. 情報量の差別化（Information Gain）

GEO-Benchの結果（実証研究）

追加した施策と AI 可視性の変化：

施策（H4のサブ見出しにすると良い）	内容例	AI可視性への影響（目安）
統計データの追加	市場規模・成長率・CVRなどの数値を明記	+30〜40％向上
外部ソースの引用・出典追加	論文・レポート・公的統計へのリンク	+30％前後向上
引用文（クオート）の追加	専門家コメントや公式ステートメント	ドメインにより +15〜30％
キーワード詰め込み	同じKWを不自然に増やす	約−10％（逆効果）

上記情報が言及されている論文・記事

Aggarwal et al. (2024) “GEO: Generative Engine Optimization”【KDD】

Skow, J. (2025) “What is LLMO?”【Search Engine Land】

AI可視性を高める要素と下げる要素の比較 — 統計・引用の追加は可視性を押し上げる一方、キーワード詰め込みは逆効果となる。

Aggarwal et al. (2024) GEO-Bench の結果をもとに筆者作成。

実務でのポイント

「一般論」だけの解説記事ではなく、
- オリジナルの数字（CVR・滞在時間・リード単価改善など）
- 自社事例・クライアント事例
- 第三者の信頼できるデータへのリンク
を必ず1つ以上入れる。

2. 構造化されたフォーマット（FAQ・表・箇条書き）

Wired や Search Engine Land の事例では、
AIは「長文の中に埋もれた情報」よりも
FAQ・箇条書き・表などの「抽出しやすい塊」を好むと報告されています。

実装上のポイント：

ページ内に FAQセクション（H2/H3） を設け、
- 各質問を H3 / H4 見出し
- 回答は 3〜5文の短い段落＋箇条書き でまとめる
代表的な質問をそのまま見出しにする
- 例：
  - 「LLMOと従来のSEOの違いは何ですか？」（H3）
  - 「GEO対策でまずやるべきことは？」（H3）

3. スキーマ・エンティティ最適化

Search Engine Land や Wallaroo Media は、
「エンティティとしてAIに認識されること」 を LLMOの中核と位置付けています。

組織・ブランドのスキーマ（Organization, LocalBusiness）
サービス・商品スキーマ（Service, Product）
記事スキーマ（Article, BlogPosting + FAQPage）

を適切に設定し、
ブランド名・サービス名・ドメイン・SNS・所在地などを
一貫した形でウェブ全体に出現させることが重要です。

例：

Wikipedia / Wikidata エントリの整備

業界メディア・有力ブログへの寄稿やインタビュー記事

それらから自社サイトへのリンク

これらにより、AIが「このテーマと言えばこのブランド」と結びつけやすくなり、
回答内で指名される確率が上がると考えられています【Search Engine Land, Wallaroo】。

4. モニタリングとプロンプト実験

実務ガイド【Wallaroo, a16zなど】では、
AIそのものを「新しい検索エンジン」として定期モニタリングする 手法が推奨されています。

定期的に ChatGPT / Copilot / Perplexity に対し、
- 「◯◯業界でおすすめのサービスは？」
- 「◯◯のやり方を教えて」
  など、自社に関連するプロンプトを投げる
その回答で：
- どのブランドがどのくらい引用されているか
- 自社が出てこない場合、どのサイトが代わりに出ているか
を記録し、コンテンツ改善やPRターゲットに反映する。

また、Andreessen Horowitz のレポートでは、
「Reference Rate（参照率）」という指標が紹介されています【a16z, 2025】：

あるトピックや一連のプロンプトに対して、
AI回答の何％に自社が登場するか？

これは従来の「順位」に変わる、
AI時代の新しい可視性指標 として注目されています。

結論：実証研究・ケーススタディから見えること

GEO-Bench：何が本当に効くのか？

Aggarwal et al. (2024) の GEO-Bench では、
9種類のテキスト改変施策が比較されました：

統計追加
外部ソースへの引用追加
引用文追加
文体の権威性アップ
キーワード詰め込みなど

結果

統計・引用・クオート系の施策は、
AI回答内の可視性を30〜40％向上
キーワード詰め込みは約10％低下
特に、もともとGoogle順位が低かったページほど、
GEO施策の恩恵が大きいことが判明

つまり：

「中身を濃くする施策」だけが、AI時代においても持続的に効く
「トリック的な施策」は、むしろAIには嫌われる

ゲーム理論的な視点：強者より「中小サイト」に追い風？

Liu et al. (2025) は、
AI Overview が導入された世界でのコンテンツ投資行動を
ゲーム理論で分析し、

トップサイト：
- AIによるゼロクリックでトラフィックが減り、
  コンテンツ投資を削るインセンティブが働きやすい
中位〜下位サイト：
- 「AIに採用されれば一気に可視性が上がる」ため、
  むしろコンテンツ品質に投資するインセンティブが強まる

という 「アンダードッグ有利」な構図 が起こりうると指摘しています。

まとめ：実務に落とし込む LLMO / GEO チェックリスト

ページ単位で見るべきポイント

インデックス・技術的SEO
- robots.txt / meta robots でブロックしていないか
- HTML構造が適切か（H1は1つ、H2/H3の階層が整理されているか）
- モバイルフレンドリー・表示速度は問題ないか
情報の独自性（Information Gain）
- オリジナルのデータ・図表・事例が入っているか
- 第三者の論文・レポート・公式統計にリンクしているか
- 「どの一文がAIに引用されるべきか」が明確か
構造化・抽出しやすさ
- 要約・ポイントの箇条書き
- FAQ / Q&A セクション
- 表・比較表の活用
スキーマ・メタデータ
- Article / FAQPage / Organization など適切なスキーマは付いているか
- 著者情報・更新日が分かりやすく表示されているか
エンティティ・ブランド一貫性
- ブランド名の表記ゆれがないか
- 他サイト・メディアでも同じ表記で紹介されているか
AIモニタリング
- 重要なクエリについて 定期的にAIへ質問 し、
  どのサイトが引用されているかを記録しているか

参考文献

Aggarwal, P. et al. (2024). “GEO: Generative Engine Optimization.” KDD 2024. https://ar5iv.labs.arxiv.org/
Liu, X. et al. (2025). “Generative Engine Optimization and Sponsored Search Bidding.” SSRN Working Paper. https://papers.ssrn.com/
Skow, J. (2025). “What is LLMO? Optimize content for AI & large language models.” Search Engine Land. https://searchengineland.com/
Adame, C. (2024). “What is generative engine optimization (GEO)?” Search Engine Land.
Schiffer, Z., & Matsakis, L. (2025). “Forget SEO. Welcome to the World of Generative Engine Optimization.” Wired.
Cohen, Z., & Amble, S. (2025). “How Generative Engine Optimization (GEO) Rewrites the Rules of Search.” Andreessen Horowitz.
Law, R., & Guan, X. (2025). “AI Overviews Reduce Clicks by 34.5%.” Ahrefs.
Wallaroo Media (2025). “A Comprehensive Guide to LLM SEO, LLMO, and GEO.”
Pol, T. (2025). “Generative Engine Optimization: The New Era of Search.” Semrush.
Vercel Web Team (2024). “How we’re adapting SEO for LLMs and AI search.” Vercel Blog.

LLMO・GEO文献レビュー：生成AI検索がSEOにもたらす変化と実務への示唆