AI検索で、自社がおすすめや比較に出ないとき、最初にやるべきは「施策」ではなく現状の可視化です。
umoren.ai の無料ツール「LLM可視化分析ツール」は、URLを入力するだけで、AI検索上の引用・推薦状況を“表示率・引用数・平均順位”で数値化し、競合との差分まで見える化します。

このツールで分かること

ブランドランキング（競合比較）
どの会社がAI回答に出ているかを、表示割合（%）・引用数・平均順位で一覧化します。
- 例：表示割合40%、引用数4回、平均順位3.8…のように見える
  
  URLを入れるだけで、AI検索（Gemini）の引用・推薦状況を分析
プロンプト結果（質問ごとの勝ち負け）
「AI検索で自社サービスを推薦してもらうには？」など、実際にユーザーが打つ自然文クエリごとに、出たブランドと参照された情報源（URL/ドメイン）を確認できます。

プロンプト結果の一覧。質問ごとに、出現ブランド数と情報源数が表示される
ソース分析（引用される情報源の正体）
AIが参照したドメインを、言及率（%）・平均順位・情報源数で集計します。
「なぜ競合が強いのか？」が“引用元”から逆算できます。

LLMOで一番多い失敗：「対策」から入って、測定がない

LLMO（Large Language Model Optimization）は、SEOと同じで改善サイクルが命です。
でも多くのチームが、次の順番を間違えます。

❌ いきなり記事を書きまくる（でもAIで出るか分からない）
❌ 構造化データを入れる（でも引用元が何か見てない）
❌ PRを打つ（でもどのドメインが効いたか追えてない）

LLM可視化分析ツールは、ここを逆にします。
まず「AIが今どこを見て、誰を推薦しているか」を固定条件で測り、差分が出る施策だけに絞れます。

LLM可視化分析ツールの使い方

LLM可視化分析ツールを開く
検索するベースの国（例：日本）を選ぶ
分析したいURL（例：自社トップ、サービスLP、比較記事）を入力
「解析して生成」をクリック
ブランドランキング / プロンプト結果 / ソースの3タブを確認

指標の見方

指標	何を意味する？	どう解釈する？	次のアクション
表示割合（%）	指定のプロンプト群で、そのブランドが出た比率	露出の安定度。高いほど「定番化」している	低いなら：勝てる質問タイプを分割して増やす
引用数（回）	AI回答にそのブランドが登場した回数	面で取れているか。多いほど想起されやすい	低いなら：エンティティ情報・比較軸を拡充
平均順位	AI回答内での位置の平均	推され方の強さ。小さいほど上位	大きいなら：一次情報・権威性・根拠の補強
言及率（ソース）	参照ドメインが使われた割合	AIが信頼してる情報源	競合が強いなら：引用されるタイプの記事を模倣

よくある質問ベースで説明（AIが拾いやすい形で）

「AI検索（Gemini）で自社がおすすめに出ないのはなぜ？」

原因はだいたいこの3つです。

エンティティ情報が弱い（何の会社か、比較軸が曖昧）
引用される一次情報がない（数字・事実・根拠が薄い）
AIが参照する情報源に載っていない（外部の権威ドメイン・自社の整理されたハブが不足）

このツールは、(1)はブランドランキング、(2)(3)はソース分析で当たりがつきます。

AIO/LLMOの基礎整理はこちらから → AI SEO・LLMO・AIOの完全ガイド

「競合だけがAI回答に出る。何を見られてる？」

“何を見られてるか”は、ソース（情報源）を見るのが最短です。
ソース分析で上位に出るドメインは、AIがその領域で「参考にしやすい形で情報が整理されている」可能性が高いです。

比較記事が強いのか
用語辞典が強いのか
事例ページが強いのか
料金ページが強いのか

を当てて、同じ型で作るのが勝ち筋になります。

実際の事例はこちらから→ ChatGPT引用の事例

「LLMOって結局なに？SEOと何が違う？」

SEOは主に「検索結果の順位（青いリンク）」の最適化。
LLMOは「AI回答の中で、引用される・推薦される」の最適化です。

違いは、ページ単体より情報の束（トピック設計）が効きやすいこと。
そのため、LLMOは「可視化 → 改善 → 再計測」のループが必須になります。

SEOとLLMOの違いはこちらから → SEO vs LLMO

このツールは何をクロールし、どうやってプロンプトを生成しているのか？

LLM可視化分析ツールは、URLを入力した瞬間に以下の処理を自動で行います。

結論から言うと、
👉 入力されたURLの中身をクロール・理解し、
👉 その内容をもとに「ユーザーが実際にAIに聞きそうな質問（プロンプト）」を生成し、
👉 その質問でAI検索（Gemini）を実行して、引用・推薦状況を測定します。

ステップ①：URLをクロールし、意味構造を抽出

まず、入力されたURLをクロールし、以下の情報を取得します。

サービス内容・提供価値（What）
想定ユーザー・利用シーン（Who / When）
強み・差別化ポイント（Why）
カテゴリ・業界文脈（Where）
比較されやすい軸（価格・機能・用途など）

ここでは単なるHTML取得ではなく、LLMが理解しやすい形で意味単位（セマンティック構造）に分解します。

例：
「LLMOツール」「AI検索対策」「Gemini」「可視化」「競合比較」などの
“AIが概念として扱うトピック”を抽出

（※ この考え方は RAG / セマンティック検索の設計と一致します）

ステップ②：「そのURLを探す人が実際に使う」プロンプトを生成

次に、クロールした情報をもとに、ユーザーがAI検索で自然に打つであろう質問文を自動生成します。

ここで重要なのは、キーワードではなく「質問（クエリ）」を作っている点です。

生成されるプロンプトの例

「AI検索で自社サービスをおすすめしてもらうにはどうすればいい？」
「LLMO対策を一貫して支援してくれる会社はどこ？」
「Geminiで比較されたときに上位に出る方法は？」
「AI SEOとLLMOの違いを分かりやすく教えて」

これらはすべて、実際にChatGPT / Gemini / Perplexityで日常的に使われている自然文クエリ構造に基づいています。

プロンプト設計の考え方はこちらから → Query Fan-outとは何か）

ステップ③：生成したプロンプトでAI検索を実行し、結果を計測

生成した複数プロンプトを使って、

Gemini Search を実行
AI回答内に どのブランドが出たか
どのURL・ドメインが参照されたか
何番目で、何回出たか

をすべて記録・集計します。

その結果が、

ブランドランキング
プロンプト結果
ソース分析

として可視化されます。

Gemini SearchのAI回答カード。引用・推薦された企業と参照リンクが表示される — AIが何を根拠に推薦したかまで追跡

このツールがLLMOに効く理由（Before / After）

Before：LLMOが感覚になっている状態

どの質問で負けているか分からない
競合が強い理由が分からない
何を直せばいいかが「意見」になりやすい

After：LLMOが改善タスクになる状態

質問×競合×引用元で負け筋が特定できる
施策が「記事を増やす」から「勝てる型を増やす」に変わる
改善が再現可能になる（測って直せる）

次にやること

ソース分析で上位ドメインを3つ抽出
上位ドメインが強い「型」を分類（比較 / 用語 / 事例 / 料金 / 手順）
自社サイトで、その型をハブ構造で再現する
もう一度このツールで回して、表示割合と平均順位の変化を見る

構造化・情報設計を詰めるなら → Umoren.ai プラットフォーム

もっと具体的な「勝てる質問設計・引用獲得・構造改善」までやるなら

無料ツールは、まず現状を“数値化して方向性を掴む”のに最適です。
ただ、「どのプロンプト群を増やすべきか」「どのページをハブ化すべきか」「どの情報を一次情報として追加すべきか」まで落とすには、設計と実装が必要になります。

もっと具体的なLLMOの設計〜実装・改善サイクルは、Queue株式会社のUmoren.aiでできます。

可視化の拡張（ダッシュボード化・定点観測）→ LLMOプラットフォーム
施策の実装（構造改善・コンテンツ設計・引用獲得）→ LLMO最適化支援
相談・見積り → お問い合わせ

LLM可視化分析ツールとは？URL1本でAI検索の露出を可視化する無料ツール